CN110705114B - 一种无训练样本的通风故障诊断方法 - Google Patents

Abstract

本发明提供一种无训练样本的通风故障诊断方法。将故障诊断问题转换为求解最小欧氏距离的优化问题，使用协方差自适应调整的进化策略(CMA‑ES)对建立的分类与回归一体化的矿井通风系统故障诊断数学模型进行求解，故障诊断过程中无需单独分别进行故障位置和故障量诊断，可实现无需样本参与训练的无监督学习故障诊断，进而实现矿井通风系统故障的实时诊断；风量‑风压复合特征比风量或风压单一特征下的矿井通风系统故障诊断可达到更高的故障位置诊断准确率和更低误差的故障量诊断性能，即使选用部分观测点，也可实现较高的故障位置诊断准确率和较低故障量诊断误差的性能，且故障观测点比例大小与诊断性能无直接影响关系。

Description

一种无训练样本的通风故障诊断方法

技术领域

本发明涉及采矿工程矿井通风技术领域，尤其涉及一种无训练样本的通风故障诊断方法。

背景技术

矿井通风系统在生产过程中无法避免风门开关或破损、巷道冒落或变形、底鼓或片帮、矿车运行、罐笼提升等现象，而这些现象导致巷道等效断面面积发生变化，引起对应分支位置的等效风阻发生持久或永久性的变化。矿井通风系统故障可通过监控系统中的风量传感器和风压传感器所采集的数据所体现，但是难以确切地从采集的数据找到故障位置，更难以判别发生的故障量。而矿井通风系统故障不定时的发生在任何生产矿井中，矿井通风系统故障诊断可为矿井安全有效的生产工作提供一定保障，更为重要的是为智能化矿井通风以及矿井应急救援提供理论和技术支持。

目前，矿井通风系统故障诊断方法存在几个亟待解决的问题：(1)需要建立专家系统或收集故障样本，在诊断过程中离不开样本的参与；(2)故障位置诊断和故障量诊断无法同时进行，在进行故障诊断之前需要分别建立故障位置诊断和故障量诊断模型；(3)难以实现矿井通风系统故障实时在线诊断。

发明内容

针对现有技术的不足，本发明基于协方差自适应调整的进化策略(CMA-ES)化算法，提出一种无监督学习的矿井通风系统故障诊断方法，建立分类与回归一体化的矿井通风系统故障诊断数学模型。此方法在诊断过程中无需故障样本参与训练，避免因样本数据噪声产生的误差或出现欠拟合及过拟合的现象，同时可达到矿井通风系统故障实时诊断的目的。

本发明提出了一种无训练样本的通风故障诊断方法，包括以下步骤：

步骤1：构建矿井通风网络图，根据矿井通风系统图构建矿井通风网络图G＝(V,E)，V表示矿井通风网络中m个节点的集合，E表示n’条网络分支的集合，则V＝{v₁,v₂,v₃…v_m}，E＝{e₁,e₂,e₃…e_n'}；

步骤2：模拟矿井通风故障，排除矿井通风网络中的风井分支，除风井分支之外的分支中的每条分支的风阻r_0i模拟发生大小为Δr_i的故障量，l_i≤Δr_i≤u_i，其中l_i和u_i分别为故障分支e_i对应故障量Δr_i变化的下限值和上限值，i∈(1,2,3,...,n)，n表示排除风井分支后进行故障模拟的网络分支的个数，每条分支每发生一次风阻值变化为一次模拟试验，除风井分支外每条分支模拟发生风阻值大小不一的N次故障，N根据实际情况确定；

步骤3：计算模拟故障发生后各分支的风量和风压值，根据各观测点的原始风阻R＝(r₀₁,r₀₂,r₀₃…r_0n)及每次试验故障量，得到的故障后的风阻为R＝(r′₁,r′₂,r′₃…r′_n)，利用矿井通风网络解算方法求解得到每次试验条件下对应的故障后风量Q′＝(q′₁,q′₂,q′₃,…,q′_n)和故障后风压H′＝(h′₁,h′₂,h′₃,…,h′_n)，所述矿井通风网络解算表示为：

Q'＝f(R') (1)

r_i'＝r_0i±Δr_i (2)

式中，Q'表示故障后矿井通风网络的风量，R'表示故障后矿井通风网络的风阻，f(*)表示关于风阻与风量的函数，r_i'表示分支e_i发生故障后的分支风阻，r_0i表示分支e_i的原始风阻，Δr_i表示分支e_i发生的故障量，h′_i表示故障后分支e_i的风压，r_i'表示分支e_i发生故障后的分支风阻，q′_i表示故障后分支e_i的风量，κ表示流态因子，取决于流体的流动状态，层流时κ＝1，完全紊流时κ＝2，过渡状态取1～2的中间值，n表示排除风井分支后进行故障模拟的网络分支的个数；

步骤4：定义故障诊断模型的目标函数并求解，以解算所得的Q′和H′作为所述故障诊断模型的输入量，以[x,Δr₁,Δr₂,…,Δr_x,…,Δr_n]为编码，利用CMA-ES进化算法对所述故障诊断模型的目标函数进行求解，得到每代的故障位置点x和故障量Δr_x，并通过所述矿井通风网络解算得到CMA-ES进化迭代过程中的风量解

和风压解

以此求解每代各个体的适应值F(x)，x表示CMA-ES算法输出的故障位置点，且满足0<x≤n；

步骤5：CMA-ES进化算法的终止判断，判断是否达到设定的最大迭代代数或计算精度，若达到最大迭代代数或计算精度中任意一项则终止计算，并输出故障位置点x及故障量Δr_x，否则继续进行CMA-ES进化迭代计算，直至达到终止条件终止；

步骤6：评价故障诊断方法的性能，如果通过CMA-ES进化迭代计算得到的故障位置点x与模拟矿井通风故障试验得到的故障分支e_i中的i相等，且满足|Δr_x-Δr_i|≤α，α表示预设诊断精度，则认为故障诊断成功，否则认为诊断失败，并统计故障诊断结果的准确率ε，若达到预设诊断精度α，则输出l_i、u_i及CMA-ES计算时输入的初始参数，否则修改l_i、u_i及CMA-ES计算的初始参数继续执行步骤2～步骤5，Δr_x表示CMA-ES算法输出的故障位置点x对应的故障量，且满足l_x≤Δr_x≤u_x，l_x和u_x分别表示故障分支e_x对应故障量变化的下限值和上限值；

步骤7：试验验证，将故障后风量Q′替换为实际生产情况下的矿井通风系统中观测点的观测风量，将故障后风压H′替换为实际生产情况下的矿井通风系统中观测点的观测风压，然后执行步骤4和步骤5，得到实际生产情况下的故障位置点x’和Δr_x'，通过比较x与x’是否相等，以及判断Δr_x与Δr_x'是否相等，评估所述无训练样本的通风故障诊断方法的有效性，根据统计得到的准确率ε预测故障分支e_x发生Δr_x故障量的可能性。

所述步骤4中的故障诊断模型的目标函数表示为：

式中，α、β表示自定义调节参数，且满足α+β＝1，

表示CMA-ES进化迭代过程中的风量解、

表示CMA-ES进化迭代过程中的风压解，nq和nh分别为风量和风压观测点的数量。

本发明的有益效果是：

本发明提出一种无训练样本的通风故障诊断方法，利用CMA-ES对建立的分类与回归一体化的矿井通风系统故障诊断数学模型进行求解，可实现无需样本参与训练的无监督学习故障诊断，进而实现矿井通风系统故障的实时诊断；风量-风压复合特征比风量或风压单一特征下的矿井通风系统故障诊断可获得更高准确率的故障位置诊断和更低误差的故障量诊断，在实际应用中，结合风速和压差传感器同时配备使用可实现更为精准的矿井通风故障诊断。

附图说明

图1为本发明实施例中的无训练样本的矿井通风故障诊断方法的流程图。

图2为本发明实施例中的试验矿井通风网络图。

图3为本发明实施例中的故障位置和故障量诊断结果图，其中(a)表示风量观测点的数量nq为100，风压观测点的数量nh为0时的结果图，(b)表示风量观测点的数量nq为0，风压观测点的数量nh为100时的结果图，(c)表示风量观测点的数量nq为100，风压观测点的数量nh为100时的结果图。

图4为本发明实施例中的故障位置成功诊断情况下的故障量误差分析图。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明：一种无训练样本的通风故障诊断方法，其流程如图1所示，具体包括如下步骤：

步骤1：构建矿井通风网络图，如图2所示，根据矿井通风系统图构建矿井通风网络图G＝(V,E)，V表示矿井通风网络中m个节点的集合，E表示n’条网络分支的集合，则V＝{v₁,v₂,v₃…v_m}，E＝{e₁,e₂,e₃…e_n'}；

在进行试验之前需要对每条故障分支的风阻上下限进行估算，以避免网络解算过程中出现无法找到风机工况点的现象。

本实施方式中，模拟仿真试验过程中，每次试验选择一条分支作为故障分支，并在故障分支对应的等效风阻变化范围内随机产生一个浮点数作为故障量，如当x＝3，故障分支为e₃，l₃＝-0.003N·s²/m⁸，u₃＝3.0N·s²/m⁸，在-0.003与3.0之间随机取浮点数数0.3496作为故障量，即：Δr₃＝0.3496N·s²/m⁸。利用r₀₃＝r₀₃+Δr₃＝0.03+0.3496+0.3796N·s²/m⁸替换原始风阻。

步骤2：模拟矿井通风故障，排除矿井通风网络中的风井分支，除风井分支之外的分支中的每条分支的风阻r_0i模拟发生大小为Δr_i的故障量，l_i≤Δr_i≤u_i，其中l_i和u_i分别为故障分支e_i对应故障量Δr_i变化的下限值和上限值，i∈(1,2,3,...,n)，n表示排除风井分支后进行故障模拟的网络分支的个数，每条分支每发生一次风阻值变化为一次模拟试验，除风井分支外每条分支模拟发生风阻值大小不一的200次故障。

步骤3：计算模拟故障发生后各分支的风量和风压值，根据各观测点的原始风阻R＝(r₀₁,r₀₂,r₀₃…r_0n)及每次试验故障量，得到的故障后的风阻为R＝(r′₁,r′₂,r′₃…r′_n)，利用矿井通风网络解算方法求解得到每次试验条件下对应的故障后风量Q′＝(q′₁,q′₂,q′₃,…,q′_n)和故障后风压H′＝(h′₁,h′₂,h′₃,…,h′_n)，所述矿井通风网络解算表示为：

Q'＝f(R') (1)

r_i'＝r_0i±Δr_i (2)

式中，Q'表示故障后矿井通风网络的风量，R'表示故障后矿井通风网络的风阻，f(*)表示关于风阻与风量的函数，r_i'表示分支e_i发生故障后的分支风阻，r_0i表示分支e_i的原始风阻，Δr_i表示分支e_i发生的故障量，h′_i表示故障后分支e_i的风压，r_i'表示分支e_i发生故障后的分支风阻，q′_i表示故障后分支e_i的风量，κ表示流态因子，取决于流体的流动状态，层流时κ＝1，完全紊流时κ＝2，过渡状态取1～2的中间值，n表示排除风井分支后进行故障模拟的网络分支的个数；

步骤4：定义故障诊断模型的目标函数并求解，以解算所得的Q′和H′作为所述故障诊断模型的输入量，以[x,Δr₁,Δr₂,…,Δr_x,…,Δr_n]为编码，利用CMA-ES进化算法对所述故障诊断模型的目标函数进行求解，得到每代的故障位置点x和故障量Δr_x，并通过所述矿井通风网络解算得到CMA-ES进化迭代过程中的风量解

和风压解

以此求解每代各个体的适应值F(x)，x表示CMA-ES算法输出的故障位置点，且满足0<x≤n；

步骤5：CMA-ES进化算法的终止判断，判断是否达到设定的最大迭代代数或计算精度，若达到最大迭代代数或计算精度中任意一项则终止计算，并输出故障位置点x及故障量Δr_x，否则继续进行CMA-ES进化迭代计算，直至达到终止条件终止；

当达到终止条件时，将输出的故障位置点x和故障量Δr_x与步骤2中模拟产生的故障位置点i和故障量Δr_i进行比较，若输出的故障位置x与模拟产生的故障位置i一致，表明故障位置诊断结果正确，否则故障位置诊断失败；若输出的故障量Δr_x与模拟产生的故障量Δr_i误差较大，表明故障量诊断结果不可靠，反之，误差越小说明故障量诊断结果越可靠；

步骤6：评价故障诊断方法的性能，如果通过CMA-ES进化迭代计算得到的故障位置点x与模拟矿井通风故障试验得到的故障分支e_i中的i相等，且满足|Δr_x-Δr_i|≤α，α表示预设诊断精度，则认为故障诊断成功，否则认为诊断失败，并统计故障诊断结果的准确率ε，若达到预设诊断精度α，则输出l_i、u_i及CMA-ES计算时输入的初始参数，否则修改l_i、u_i及CMA-ES计算的初始参数继续执行步骤2～步骤5，Δr_x表示CMA-ES算法输出的故障位置点x对应的故障量，且满足l_x≤Δr_x≤u_x，l_x和u_x分别表示故障分支e_x对应故障量变化的下限值和上限值；

步骤7：试验验证，将故障后风量Q′替换为实际生产情况下的矿井通风系统中观测点的观测风量，将故障后风压H′替换为实际生产情况下的矿井通风系统中观测点的观测风压，然后执行步骤4和步骤5，得到实际生产情况下的故障位置点x’和Δr_x'，通过比较x与x’是否相等，以及判断Δr_x与Δr_x'是否相等，评估所述无训练样本的通风故障诊断方法的有效性，根据统计得到的准确率ε预测故障分支e_x发生Δr_x故障量的可能性。

为了检验该技术方案的有效性，下面通过多次模拟试验模拟实际生产情况下的矿井通风系统中观测点的观测风量和观测点风压：针对不同的nq和nh大小，分别进行多次模拟试验，以分析风量特征、风压特征及风量-风压复合特征下的矿井通风系统无监督学习故障诊断性能及故障诊断模型的工程应用适用性，因此，初始化n＝100，及各故障分支对应的风阻变化上下限，使用步骤3～步骤5进行迭代求最优解，针对所有的分支监控数据，设计4组模拟试验：(1)nq＝100，nh＝0；(2)nq＝0，nh＝100；(3)nq＝100，nh＝100；(4)随机给定nq和nh，并随机选择风量和风压监测的位置，每组试验过程中，分别以每条分支作为故障分支，模拟产生故障量，进行最优求解，并以故障位置诊断准确度和故障量误差大小作为故障诊断的评价指标。

利用上述技术方案进行故障诊断，得到的故障位置和故障量诊断结果如图3所示，图3中左侧为故障位置诊断结果与故障位置模拟结果的对比，右侧为故障量诊断结果与故障量模拟结果对比，图4所示为故障位置成功诊断情况下的故障量误差分析。

以风量为故障诊断的特征时(nq＝100，nh＝0)，故障位置和故障量诊断性能均不如以风压作为故障诊断特征(nq＝0，nh＝100)进行故障诊断得出的诊断性能好，如图3(a)和(b)所，而以风量-风压同时作为故障诊断特征(nq＝100，nh＝100)时，故障诊断的性能最佳，在图3(c)中表现为“模拟位置”和“预测位置”坐标重合点数更多，故障量诊断误差更小；在图4中表现为相对误差呈现为上下波动少，与发生故障的故障量大小无关，故障诊断的绝对误差较其他更为平稳；相对误差整体比分别以风量或风压单独作为故障诊断特征时小，且相对误差在±5％内的试验次数最多。

表1试验结果统计结果

通过对各故障分支发生故障的情况进行统计分析得出如表1所示结果，其中MAE表示平均绝对误差，MSE表示均方误差。结果证明矿井通风系统故障位置诊断和故障量预测，风量-风压混合特征下的故障诊断试验结果均最优，全部分支的风量和风压监测下，故障位置准确率达到96.55％。

Claims (1)

1.一种无训练样本的通风故障诊断方法，其特征在于，包括以下步骤：

步骤1：构建矿井通风网络图，根据矿井通风系统图构建矿井通风网络图G＝(V,E)，V表示矿井通风网络中m个节点的集合，E表示n’条网络分支的集合，则V＝{v₁,v₂,v₃…v_m}，E＝{e₁,e₂,e₃…e_n'}；

步骤2：模拟矿井通风故障，排除矿井通风网络中的风井分支，除风井分支之外的分支中的每条分支的风阻r_0i模拟发生大小为△r_i的故障量，l_i≤△r_i≤u_i，其中l_i和u_i分别为故障分支e_i对应故障量△r_i变化的下限值和上限值，i∈(1,2,3,...,n)，n表示排除风井分支后进行故障模拟的网络分支的个数，每条分支每发生一次风阻值变化为一次模拟试验，除风井分支外每条分支模拟发生风阻值大小不一的N次故障，N根据实际情况确定；

步骤3：计算模拟故障发生后各分支的风量和风压值，根据各观测点的原始风阻R＝(r₀₁,r₀₂,r₀₃…r_0n)及每次试验故障量，得到的故障后的风阻为R＝(r₁',r'₂,r'₃…r'_n)，利用矿井通风网络解算方法求解得到每次试验条件下对应的故障后风量Q′＝(q′₁,q′₂,q′₃,…,q′_n)和故障后风压H′＝(h′₁,h′₂,h′₃,…,h′_n)，所述矿井通风网络解算表示为：

Q'＝f(R') (1)

r_i'＝r_0i±△r_i (2)

h'_i＝r_i'q'_i ^κ，(i＝1,2,...,n) (3)

式中，Q'表示故障后矿井通风网络的风量，R'表示故障后矿井通风网络的风阻，f(*)表示关于风阻与风量的函数，r_i'表示分支e_i发生故障后的分支风阻，r_0i表示分支e_i的原始风阻，△r_i表示分支e_i发生的故障量，h'_i表示故障后分支e_i的风压，r_i'表示分支e_i发生故障后的分支风阻，q'_i表示故障后分支e_i的风量，κ表示流态因子，取决于流体的流动状态，层流时κ＝1，完全紊流时κ＝2，过渡状态取1～2的中间值，n表示排除风井分支后进行故障模拟的网络分支的个数；

步骤4：定义故障诊断模型的目标函数并求解，以解算所得的Q′和H′作为所述故障诊断模型的输入量，以[x,△r₁,△r₂,…,△r_x,…,△r_n]为编码，利用CMA-ES进化算法对所述故障诊断模型的目标函数进行求解，得到每代的故障位置点x和故障量△r_x，并通过所述矿井通风网络解算得到CMA-ES进化迭代过程中的风量解

和风压解

以此求解每代各个体的适应值F(x)，x表示CMA-ES算法输出的故障位置点，且满足0<x≤n；

步骤5：CMA-ES进化算法的终止判断，判断是否达到设定的最大迭代代数或计算精度，若达到最大迭代代数或计算精度中任意一项则终止计算，并输出故障位置点x及故障量△r_x，否则继续进行CMA-ES进化迭代计算，直至达到终止条件终止；

步骤6：评价故障诊断方法的性能，如果通过CMA-ES进化迭代计算得到的故障位置点x与模拟矿井通风故障试验得到的故障分支e_i中的i相等，且满足|△r_x-△r_i|≤α，α表示预设诊断精度，则认为故障诊断成功，否则认为诊断失败，并统计故障诊断结果的准确率ε，若达到预设诊断精度α，则输出l_i、u_i及CMA-ES计算时输入的初始参数，否则修改l_i、u_i及CMA-ES计算的初始参数继续执行步骤2～步骤5，△r_x表示CMA-ES算法输出的故障位置点x对应的故障量，且满足l_x≤△r_x≤u_x，l_x和u_x分别表示故障分支e_x对应故障量变化的下限值和上限值；

步骤7：试验验证，将故障后风量Q′替换为实际生产情况下的矿井通风系统中观测点的观测风量，将故障后风压H′替换为实际生产情况下的矿井通风系统中观测点的观测风压，然后执行步骤4和步骤5，得到实际生产情况下的故障位置点x’和△r_x'，通过比较x与x’是否相等，以及判断△r_x与△r_x'是否相等，评估所述无训练样本的通风故障诊断方法的有效性，根据统计得到的准确率ε预测故障分支e_x发生△r_x故障量的可能性；

所述步骤4中的故障诊断模型的目标函数表示为：

式中，α、β表示自定义调节参数，且满足α+β＝1，

表示CMA-ES进化迭代过程中的风量解、

表示CMA-ES进化迭代过程中的风压解，nq和nh分别为风量和风压观测点的数量。

Images