鉱山換気システムにおける抵抗変化多重故障箇所の教師付き診断実験

Mar 02, 2024

Scientific Reports volume 13、記事番号: 5259 (2023) この記事を引用

322 アクセス

1 引用

メトリクスの詳細

鉱山換気システムにおける抵抗可変多重故障位置 (RVMFL) の診断は、鉱山インテリジェント換気システムの重要な機能であり、鉱山の安全な生産にとって非常に重要です。 この論文では、鉱山換気システムにおける RVMFL 診断のために、決定木 (DT)、多層パーセプトロン (MLP)、およびランキング サポート ベクター マシン (Rank-SVM) に基づく教師あり機械学習モデルを提案します。 この方法の実現可能性、モデルの予測性能と一般化能力は、10 ブランチ T 字型アングルジョイント換気ネットワークと 54 ブランチの実験的換気ネットワークの多重故障サンプル セットの 10 倍交差検証を使用して検証されました。 モデルの信頼性は、実験用換気システムの RVMFL を診断することによってさらに検証されました。 結果は、DT、MLP、および Rank-SVM の 3 つのモデルが鉱山換気システムの RVMFL の診断に使用でき、MLP および DT モデルの予測性能と一般化能力が Rank-SVM よりも優れていることを示しています。モデル。 実験用換気システムの多重故障箇所の診断において、MLP モデルの診断精度は 100% に達し、DT モデルの診断精度は 44.44% でした。 結果は、MLP モデルが 3 つのモデルよりも優れており、エンジニアリングのニーズを満たすことができることを確認しています。

鉱山換気システムの主な機能は、風を必要とする地下の場所に新鮮な空気を供給することです。 ガス、一酸化炭素、粉塵などの有毒・有害なガスを希釈して除去します。 また、労働者の労働衛生と生産活動の正常な実施を確保するための良好な労働環境を作り出すこともできます1、2、3。 適切な換気システムは、鉱山におけるガスや石炭粉塵の燃焼や爆発、一酸化炭素中毒、窒息などの事故の可能性を効果的に低減できます4,5。 これは、鉱山の安全な生産を確保するには、安定した信頼性の高い換気システムが非常に重要であることを示しています。 しかし、鉱山の生産過程では、道路の気泡落下の閉塞、ダンパーの破損や故障、鉱山サイロの空っぽなど、換気システムの風量の急激な変化が避けられません。 道路の空気量の突然の変化をもたらすこれらの現象の本質は、車道の風の抵抗の突然の変化です。 この場合、これらの現象は鉱山換気システムの抵抗障害の発生として定義されます6。 鉱山換気システムで抵抗故障が発生すると、換気システム内の風量分布が大きく変化します。 これはおそらく、採掘や掘削の切羽における空気供給の減少、および一部の風洞内での有毒ガスの蓄積につながる可能性があります。 それは鉱山に重大な安全上の危険とリスクを引き起こすでしょう7。

鉱山換気ネットワークは優れた自己適応性と堅牢性を備えているため、人工知能や機械学習手法の適用に適しています8。 インテリジェント技術の急速な発展により、換気システムの抵抗変化による故障を特定するために人員に依存する従来の方法は、徐々にインテリジェントな診断方法に置き換えられてきました。 インテリジェントな診断方法により、人的資源と物的資源を大幅に節約できます。 さらに、時間を大幅に節約し、鉱山の換気システムの障害を迅速に処理するという需要に対応します。 研究によると、サポート ベクター マシン (SVM)、デシジョン ツリー (DT)、人工ニューラル ネットワーク (ANN)、ランダム フォレスト (RF)、遺伝的アルゴリズム (GA)、多層パーセプトロン (MLP) などの人工知能および機械学習アルゴリズムが、 ) は、鉱山換気システムの単一故障診断問題を解決するために使用されます9、10、11、12、13、14。 ただし、地下鉱山の状態の特殊性と複雑性により、鉱山換気システムでは複数の場所で抵抗変化型の障害が同時に発生するのが一般的です。 鉱山換気システムの複数の場所での故障の診断と特定に関する研究はほとんど行われていません。