Un esperimento diagnostico supervisionato sulle posizioni multifault a resistenza variabile in un sistema di ventilazione di una miniera

Rapporti scientifici volume 13, numero articolo: 5259 (2023) Citare questo articolo

322 accessi

Dettagli sulle metriche

La diagnosi della localizzazione multifault variabile della resistenza (RVMFL) in un sistema di ventilazione mineraria è una funzione essenziale del sistema di ventilazione intelligente della miniera, che è di grande importanza per una produzione sicura in miniera. In questo articolo, viene proposto un modello di apprendimento automatico supervisionato basato su un albero decisionale (DT), un perceptron multistrato (MLP) e una macchina vettoriale di supporto al ranking (Rank-SVM) per la diagnosi RVMFL in un sistema di ventilazione di una miniera. La fattibilità del metodo, le prestazioni predittive e la capacità di generalizzazione del modello sono state verificate utilizzando una validazione incrociata dieci volte di un set di campioni multiguasto di una rete di ventilazione con giunti angolari a forma di T a 10 rami e una rete di ventilazione sperimentale a 54 rami. L'affidabilità del modello è stata ulteriormente verificata diagnosticando l'RVMFL del sistema di ventilazione sperimentale. I risultati mostrano che i tre modelli, DT, MLP e Rank-SVM, possono essere utilizzati per la diagnosi di RVMFL nei sistemi di ventilazione delle miniere e che le prestazioni di previsione e la capacità di generalizzazione dei modelli MLP e DT funzionano meglio del Rank-SVM. modello. Nella diagnosi delle localizzazioni multiguasto del sistema di ventilazione sperimentale, l'accuratezza diagnostica del modello MLP ha raggiunto il 100% e quella del modello DT il 44,44%. I risultati confermano che il modello MLP supera i tre modelli e può soddisfare le esigenze ingegneristiche.

La funzione principale del sistema di ventilazione della miniera è fornire aria fresca ai luoghi sotterranei che necessitano di vento. Questo diluisce e rimuove i gas tossici e nocivi, come gas, monossido di carbonio e polvere. Può anche creare un buon ambiente di lavoro per garantire la salute sul lavoro dei lavoratori e il normale svolgimento delle attività produttive1,2,3. Un buon sistema di ventilazione può ridurre efficacemente la possibilità di incidenti, come combustione ed esplosione di gas o polvere di carbone, avvelenamento da monossido di carbonio e asfissia, nelle miniere4,5. Ciò dimostra che un sistema di ventilazione stabile e affidabile è estremamente importante per garantire la produzione sicura della miniera. Tuttavia, durante il processo di produzione di una miniera, si verificano inevitabilmente cambiamenti improvvisi nel volume d'aria del sistema di ventilazione, come il blocco della caduta delle bolle sulla carreggiata, la rottura e il cedimento delle serrande e lo svuotamento del silo della miniera. L'essenza di questi fenomeni, che provocano improvvisi cambiamenti nel volume d'aria della carreggiata, è l'improvviso cambiamento nella resistenza al vento della carreggiata. In questo caso, questi fenomeni sono definiti come il verificarsi di cedimenti di resistenza nel sistema di ventilazione della miniera6. Quando si verifica un guasto di resistenza in un sistema di ventilazione della miniera, la distribuzione del volume dell'aria nel sistema di ventilazione cambia in modo significativo. Ciò porta molto probabilmente ad una diminuzione dell'apporto d'aria nei fronti di lavoro minerari e di scavo, nonché all'accumulo di gas tossici e nocivi in ​​alcuni tunnel ventilati. Ciò causerà seri pericoli per la sicurezza e rischi per la miniera7.

La rete di ventilazione della miniera ha una buona autoadattabilità e robustezza, che la rendono adatta all'applicazione dell'intelligenza artificiale e dei metodi di apprendimento automatico8. A causa del rapido sviluppo della tecnologia intelligente, il metodo tradizionale di affidarsi al personale per identificare i guasti variabili di resistenza nei sistemi di ventilazione è stato gradualmente sostituito da metodi diagnostici intelligenti. Il metodo di diagnosi intelligente può far risparmiare considerevoli risorse umane e materiali. Inoltre, fa risparmiare molto tempo e si adatta alla richiesta di un rapido smaltimento dei guasti del sistema di ventilazione della miniera. Gli studi hanno dimostrato che gli algoritmi di intelligenza artificiale e apprendimento automatico, come la Support Vector Machine (SVM), l'albero decisionale (DT), la rete neurale artificiale (ANN), la foresta casuale (RF), l'algoritmo genetico (GA) e il percettrone multistrato (MLP) ), vengono utilizzati per risolvere problemi di diagnosi di singoli guasti nei sistemi di ventilazione delle miniere9,10,11,12,13,14. Tuttavia, a causa della specificità e della complessità delle condizioni delle miniere sotterranee, è comune che i sistemi di ventilazione delle miniere presentino guasti con resistenza variabile in più posizioni contemporaneamente. Sono stati condotti pochi studi sulla diagnosi e l'identificazione dei guasti in più punti dei sistemi di ventilazione della miniera.