CN108266219A - 基于风量特征的矿井通风系统阻变型单故障源诊断方法 - Google Patents

Abstract

本发明一种基于风量特征的矿井通风系统阻变型单故障源诊断方法，利用矿井通风仿真系统MVSS生成故障与风量关系的训练样本，构建基于支持向量机(SVM)的分类模型和回归模型，对故障位置和等效风阻进行诊断。通风系统网络拓扑结构复杂，某一条分支风阻的变化会引起该分支以及部分区域通风网络风量的变化，将这种风量作为一种向量模式以区分发生阻变型故障的拓扑位置，提出的本发明的单故障源SVM诊断方法，对矿井通风系统阻变型单故障源位置及故障程度进行诊断。由此方法建立最终决策模型，方法简单，人为干预少，客观反映数据之间的联系，适合于解决本质上非线性的问题，并且模型由支持向量所确定，避免了数据维数灾难，具有较好的“鲁棒”性。

Description

基于风量特征的矿井通风系统阻变型单故障源诊断方法

技术领域：

本发明涉及矿井通风技术领域，具体涉及一种基于风量特征的矿井通风系统阻变型单故障源诊断方法。

背景技术：

矿井巷道冒落变形、风门开关或者破损、风机性能下降、巷道延伸及报废、矿车运行、罐笼提升、煤仓放空等变化，都会引起通风系统风量发生变化，易造成瓦斯、火灾、粉尘等事故，快速诊断确定矿井通风系统故障源位置，能有效防止二次灾害发生。上述变化在通风网络解算中可以用对应网络分支的等效风阻变化来描述(称为矿井通风系统阻变型故障)，在不考虑爆炸、突出等事故前提下，如果矿井风量(风速)监测值发生变化，则表明矿井一定发生了阻变型故障。根据监测到的矿井风量变化，确定发生故障的地点和对应的等效风阻变化量称为通风系统故障诊断。通风系统故障诊断对矿井通风安全智能化管理，提高通风系统的安全保障能力意义重大。

然而现有对通风网络系统的故障诊断方法，虽然在分析分支风量的变化与相关分支风阻之间的关系有一定的效果，但是诊断方法主观性较强，参数调整复杂，造成诊断误差大，存在收敛速度慢等特点。由于通风网络具有较好的自适应性及鲁棒性，所以支持向量机(SVM)法可用于通风系统故障诊断。

因此，本发明提出一种基于风量特征的矿井通风系统阻变型单故障源诊断方法，对矿井通风系统阻变型单故障源进行诊断。

发明内容：

本发明的目的是提供一种基于风量特征的矿井通风系统阻变型单故障源诊断方法，利用矿井通风仿真系统MVSS生成故障与风量关系的训练样本，构建基于支持向量机(SVM)的分类模型和回归模型，对故障位置和等效风阻进行诊断。

为实现上述目的，本发明采用以下技术方案：

本发明提供的一种基于风量特征的矿井通风系统阻变型单故障源诊断方法，具体步骤如下：

步骤一：准备拓扑关系数据资料，包括矿井通风网络、网络中各分支的风阻及风机特性曲线，其中，通风机风压特性曲线方程式为H＝a₀+a₁q+a₂q²，其中H为风压，q为风量，a₀，a₁，a₂为通风机的风压特性系数；

步骤二：生成训练样本集，令分支e_i发生阻变型故障，阻变量为Δr_i，此时，故障分支等效风阻r’_i＝r_i±Δr_i，其中r_i为分支e_i的原始风阻，r’_i为分支e_i发生故障后的等效风阻，并通过矿井通风仿真系统MVSS对通风网络进行网络解算，得到发生故障后的通风网络各分支的风量数据Q’，形成对应的风量样本；

步骤三：构建故障样本数据空间，将每次发生故障时的故障分支编号、分支等效风阻和网络分支风量这些数据记录至故障样本数据空间中；

步骤四：应用标准SVM方法对步骤三中生成的训练样本进行训练，使用高斯径向基核函数K，建立故障诊断分类模型及用于预测故障等效风阻值的回归模型，其中，故障诊断分类模型以网络分支风量为输入特征，故障分支编号为输出进行训练；回归模型以网络分支风量为输入特征，故障等效风阻值为输出进行训练；

步骤五：利用步骤五中建立的故障诊断分类模型和回归模型进行单故障源诊断，得到故障分支编号和故障等效风阻值。

所述步骤二中，还随机生成测试故障样本集，对步骤四中生成的故障诊断分类模型和回归模型进行检验，通过故障诊断分类模型和回归模型输出的故障分支编号和故障等效风阻值的预测结果，与测试故障样本集中的故障分支编号和分支风阻对比，分别绘制散点对比图，验证故障诊断分类模型和回归模型输出诊断的准确率。

本发明一种基于风量特征的矿井通风系统阻变型单故障源诊断方法的有益效果：通风系统网络拓扑结构复杂，某一条分支风阻的变化会引起该分支以及部分区域通风网络风量的变化，由于分支所处的拓扑位置不同，导致其在发生阻变型故障时，会有一组网络分支风量与该分支位置对应，将这种风量作为一种向量模式以区分发生阻变型故障的拓扑位置，提出的本发明的单故障源SVM诊断方法，对矿井通风系统阻变型单故障源位置及故障程度进行诊断。由此方法建立最终决策模型，方法简单，人为干预少，客观反映数据之间的联系，适合于解决本质上非线性的问题，并且模型由支持向量所确定，避免了数据维数灾难，具有较好的“鲁棒”性。

附图说明：

图1为本发明一种基于风量特征的矿井通风系统阻变型单故障源诊断方法的流程图；

图2为实施例一的通风网络图；

图3为实施例一的测试故障样本集与使用本方法输出的故障分支编号预测结果的散点对比图；

图4为实施例一的测试故障样本集与使用本方法输出的故障等效风阻值预测结果的散点对比图；

图5为实施例一的测试故障样本集与使用本方法输出的故障等效风阻值预测结果进行统计的相对误差结果统计图；

图6为实施例二的通风网络图。

具体实施方式：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，本发明中利用矿井通风仿真系统MVSS生成故障与风量关系的训练样本，构建基于SVM的故障诊断分类模型和回归模型，对故障位置和等效风阻进行诊断。理论上说，矿井同一时刻发生多个故障的可能性是有的，但发生的几率非常低，所以本发明中仅考虑单故障源问题。

本发明将引起通风系统风量发生变化的现象统称为阻变型故障，例如发生巷道冒落变形、风门开关或者破损、风机性能下降、巷道延伸及报废等，也就是说，在通风网络解算过程中这些故障现象的发生相当于所处巷道的等效风阻发生了改变，从而引起网络内风量的变化。

根据图1所示，本发明提供的一种基于风量特征的矿井通风系统阻变型单故障源诊断方法，具体步骤如下：

步骤一：准备拓扑关系数据资料，包括矿井通风网络、网络中各分支的风阻及风机特性曲线，其中，通风机风压特性曲线方程式为H＝a₀+a₁q+a₂q²，其中H为风压，q为风量，a₀，a₁，a₂为通风机风压特性系数；

步骤二：生成训练样本集和测试故障样本集，令分支e_i发生阻变型故障，阻变量为Δr_i，此时，故障分支等效风阻r’_i＝r_i±Δr_i，其中r_i为分支e_i的原始风阻，r’_i为分支e_i发生故障后的等效风阻，并通过矿井通风仿真系统MVSS对通风网络进行网络解算，得到发生故障后的通风网络各分支的风量数据Q’，形成对应的风量样本；

在矿井通风网络中G＝(V，E)，其中，V表示节点结合，V＝{v₁，v₂，…，v_k，…，v_m}，其中v_k表示分支节点，(k＝1，2，…，m)，节点数m＝|V|；E表示分支集合，E＝{e₁，e₂，…，e_i，…，e_n}，其中e_i表示各分支，(i＝1，2，…，n)，分支数n＝|E|，分支对应的风量Q、风阻R、阻力向量H记为：

并满足：

式中，B＝(b_ij)_m×n为通风网络G的完全关联矩阵；C＝(c_ij)_s×n为回路矩阵；H为分支阻力矩阵；H’为回路附加阻力矩阵；s为回路总数；

进一步地，将风量和风阻建立函数关系式，则可将通风网络解算写成：

Q＝f(R) (4)

当矿井发生阻变型故障时，发生故障的分支记为e_i，对应的风阻变化量(阻变量)记为Δr_i，变化后的等效风阻记为r’_i＝r_i+Δr_i。依据式(4)，可以计算对应的风量向量Q’。所谓基于风量特征的故障诊断，就是根据监测到的风量Q’，确定发生阻变故障的分支e_i以及故障分支等效风阻r’_i的过程，可写成公式表示如下：

r_i'＝f'(Q') (5)

步骤三：构建故障样本数据空间，将每次发生故障时的故障分支编号、分支等效风阻和网络分支风量这些数据记录至故障样本数据空间中；

步骤四：利用SVM方法对步骤三中生成的训练样本进行训练，使用高斯径向基核函数K，建立故障诊断分类模型及用于预测故障等效风阻值的回归模型，其中，故障诊断分类模型以网络分支风量为输入特征，故障分支编号为输出进行训练；回归模型以网络分支风量为输入特征，故障等效风阻值为输出进行训练；

由上面的公式(2)和公式(3)可以得知通风网络具有较强的自适应性和鲁棒性，因此提出将SVM方法用于通风系统阻变型故障诊断；

在SVM方法中，将巷道分支编号e_i视为类别标签，发生故障所对应的一组分支风量Q’作为属性特征，通风系统阻变型故障位置诊断问题就转换成SVM方法中的高维非线性分类问题；同理，用SVM方法也可以建立故障分支等效风阻值预测模型，回归模型的输出值即为故障分支等效风阻值；

为描述简单，用x替代Q’，并有

x＝(q₁,q₂,···,q_n') (6)

式中，n’≤n，SVM通过非线性变换。将输入样本维数为n’的风量向量x升维至N维空间，在N维空间利用结构风险最小化(SRM)原则设计具有最大间隔的最优分类面，使样本线性可分，分类决策函数表达式为

M(x)＝sgn(w·φ(x)+b) (7)

式中，sgn(·)为符号函数；w为N维权向量；b为分类阈值；为将x映射后的特征向量；

根据泛函理论，使用满足Mercer条件的核函数K(·,·)替换优化问题中线性算法中的內积运算，不需要知道非线性变换的具体形式，就可以得到原输入空间的非线性算法，本发明使用高斯径向基(RBF)核函数：

K(x_i,x)＝exp(-γ||x_i,x||²) (8)

最终得到的故障诊断分类模型表示如下：

其中：i为支持向量样本编号，x_i为支持向量，x为故障样本风量向量，y_i为类别标签，包含网络内所有分支编号，γ为核函数参数，l为支持向量数目，a_i＞0为Lagrange乘子；

将公式(7)推广至实函数估计范畴，则成为回归问题，此时，输出特征改变为分支等效风阻值，用SVM得到的回归模型表示如下：

M(x)＝w·φ(x)+b (10)

使用回归法处理故障等效阻变值预测问题就是对于给定的训练集，网络风量作为输入特征，故障分支等效风阻值作为目标特征，训练该系统输入与输出之间的依赖关系，建立f’逼近函数的模型，使其尽可能准确地预测未知的输出；

通过步骤二中生成的测试故障样本集，对步骤四中生成的故障诊断分类模型和回归模型进行检验，通过故障诊断分类模型和回归模型输出的故障分支编号和故障等效风阻值的预测结果，与测试故障样本集中的故障分支编号和分支风阻，分别绘制散点比对图，验证故障诊断分类模型和回归模型输出诊断的准确率；

步骤五：利用步骤五中建立的故障诊断分类模型和回归模型进行单故障源诊断，得到故障分支编号和故障等效风阻值。

实施例一

根据图2所示的T型角联矿井通风网络为例进行详细说明，图中，分支数n＝10，节点m＝8，其风机特性曲线为：H(q)＝1035.92+51.73q-0.43q²，由图1的通风网络生成52个训练样本，并同时生成95个测试故障样本；

且该矿井通风网络的网络拓扑关系及分支风阻、风量如下表1所示：

表1实施例一中构建的故障样本数据空间

利用SVM方法对52个训练样本进行训练，得到具体的故障诊断分类模型和回归模型，其中包含有以稀疏矩阵形式存储的44个支持向量，这些支持向量就是支撑该模型的关键样本。

然后通过随机生成的95个测试故障样本对故障诊断分类模型和回归模型进行检验，验证故障诊断分类模型和回归模型输出诊断的准确率，通过故障诊断分类模型输出的故障分支编号的预测结果，与测试故障样本集中的故障分支编号进行验证，如下表2，且如图3所示绘制散点比对图，可知准确率为94.7％。

表2为测试故障样本集与使用本方法输出的故障分支编号预测结果进行验证的结果统计表

通过回归模型输出的故障等效风阻值的预测结果，与测试故障样本集中的分支风阻进行验证，相对误差σ＝(预测值-真实值)/真实值，如图4～图5所示，由图5中可以看到，相对误差小于1％的样本数a为56个，占样本集总数的58.95％，相对误差小于5％且大于1％的样本数b为15个，占样本集总数的15.79％，相对误差小于10％且大于5％的样本数c为6个，占样本集总数的6.32％，相对误差小于20％且大于10％的样本数d为5个，占样本集总数的5.26％，相对误差小于50％且大于20％的样本数e为6个，占样本集总数的6.32％，相对误差大于50％的样本数f为7个，占样本集总数的7.37％。

实施例二：

图6所示为一采用三台风机联合运转的复杂矿井通风网络，分支数n＝100，节点m＝69，三台风机特性曲线分别为：H(q)＝1032.25+44.84q-0.64q²；H(q)＝1828.13+19.2q-0.08q²；H(q)＝3054.94+8.64q-0.05q²。按前述方法，共生成训练样本4752个，测试样本4751个，在不进行传感器位置优化的前提下，对故障位置诊断的准确率为78.11％。

由于煤矿对安全的特殊性要求，不能进行井下故障工业实验，课题组在金川集团二矿通过打开风门的方式模拟故障，针对15个风门进行了矿井通风故障源位置诊断实验，诊断准确率为100％，其等效风阻预测相对误差小于5％的位置达到70％。

最后应该说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本权利要求范围当中。

Claims (2)

1.一种基于风量特征的矿井通风系统阻变型单故障源诊断方法，其特征在于，具体步骤如下：

步骤一：准备拓扑关系数据资料，包括矿井通风网络、网络中各分支的风阻及风机特性曲线，其中，通风机风压特性曲线方程式为H＝a₀+a₁q+a₂q²，其中H为风压，q为风量，a₀，a₁，a₂为通风机的风压特性系数；

步骤二：生成训练样本集，令分支e_i发生阻变型故障，阻变量为Δr_i，此时，故障分支等效风阻r’_i＝r_i±Δr_i，其中r_i为分支e_i的原始风阻，r’_i为分支e_i发生故障后的等效风阻，并通过矿井通风仿真系统MVSS对通风网络进行网络解算，得到发生故障后的通风网络各分支的风量数据Q’，形成对应的风量样本；

步骤三：构建故障样本数据空间，将每次发生故障时的故障分支编号、分支等效风阻和网络分支风量这些数据记录至故障样本数据空间中；

步骤四：应用标准SVM方法对步骤三中生成的训练样本进行训练，使用高斯径向基核函数K，建立故障诊断分类模型及用于预测故障等效风阻值的回归模型，其中，故障诊断分类模型以网络分支风量为输入特征，故障分支编号为输出进行训练；回归模型以网络分支风量为输入特征，故障等效风阻值为输出进行训练；

步骤五：利用步骤五中建立的故障诊断分类模型和回归模型进行单故障源诊断，得到故障分支编号和故障等效风阻值。

2.根据权利要求1所述的方法，其特征在于：所述步骤二中，还随机生成测试故障样本集，对步骤四中生成的故障诊断分类模型和回归模型进行检验，通过故障诊断分类模型和回归模型输出的故障分支编号和故障等效风阻值的预测结果，与测试故障样本集中的故障分支编号和分支风阻对比，分别绘制散点对比图，验证故障诊断分类模型和回归模型输出诊断的准确率。