Un experimento de diagnóstico supervisado de ubicaciones de múltiples fallas variables de resistencia en un sistema de ventilación de mina.

Scientific Reports volumen 13, número de artículo: 5259 (2023) Citar este artículo

322 Accesos

Detalles de métricas

El diagnóstico de la ubicación de fallas múltiples variables de resistencia (RVMFL) en un sistema de ventilación de mina es una función esencial del sistema de ventilación inteligente de mina, que es de gran importancia para la producción segura de la mina. En este artículo, se propone un modelo de aprendizaje automático supervisado basado en un árbol de decisión (DT), un perceptrón multicapa (MLP) y una máquina de vectores de soporte de clasificación (Rank-SVM) para el diagnóstico de RVMFL en un sistema de ventilación de una mina. La viabilidad del método y el rendimiento predictivo y la capacidad de generalización del modelo se verificaron mediante una validación cruzada diez veces de un conjunto de muestras con fallas múltiples de una red de ventilación con junta angular en forma de T de 10 ramas y una red de ventilación experimental de 54 ramas. La confiabilidad del modelo se verificó aún más mediante el diagnóstico de la RVMFL del sistema de ventilación experimental. Los resultados muestran que los tres modelos, DT, MLP y Rank-SVM, se pueden utilizar para el diagnóstico de RVMFL en sistemas de ventilación de minas, y el rendimiento de predicción y la capacidad de generalización de los modelos MLP y DT funcionan mejor que el Rank-SVM. modelo. En el diagnóstico de ubicaciones de fallas múltiples del sistema de ventilación experimental, la precisión diagnóstica del modelo MLP alcanzó el 100% y la del modelo DT fue del 44,44%. Los resultados confirman que el modelo MLP supera a los tres modelos y puede satisfacer las necesidades de ingeniería.

La función principal del sistema de ventilación de la mina es proporcionar aire fresco a los lugares subterráneos que necesitan viento. Esto diluye y elimina gases tóxicos y nocivos, como gas, monóxido de carbono y polvo. También puede crear un buen ambiente de trabajo para garantizar la salud ocupacional de los trabajadores y el desarrollo normal de las actividades productivas1,2,3. Un buen sistema de ventilación puede reducir eficazmente la posibilidad de accidentes, como la combustión y explosión de gas o polvo de carbón, el envenenamiento por monóxido de carbono y la asfixia, en las minas4,5. Esto demuestra que un sistema de ventilación estable y confiable es extremadamente importante para garantizar la producción segura de la mina. Sin embargo, durante el proceso de producción de una mina, inevitablemente ocurren cambios repentinos en el volumen de aire del sistema de ventilación, como el bloqueo de la caída de burbujas de la carretera, la rotura y falla de las compuertas y el vaciado del silo de la mina. La esencia de estos fenómenos, que resultan en cambios repentinos en el volumen de aire de la carretera, es el cambio repentino en la resistencia al viento de la carretera. En este caso, estos fenómenos se definen como la ocurrencia de fallas de resistencia en el sistema de ventilación de la mina6. Cuando ocurre una falla de resistencia en el sistema de ventilación de una mina, la distribución del volumen de aire en el sistema de ventilación cambia significativamente. Lo más probable es que esto conduzca a una disminución del suministro de aire en los frentes de trabajo de minería y excavación, así como a la acumulación de gases tóxicos y nocivos en algunos túneles de brisa. Causará graves peligros y riesgos para la seguridad de la mina7.

La red de ventilación de la mina tiene buena autoadaptabilidad y robustez, lo que la hace adecuada para la aplicación de métodos de inteligencia artificial y aprendizaje automático8. Debido al rápido desarrollo de la tecnología inteligente, el método tradicional de confiar en el personal para identificar fallas de variables de resistencia en los sistemas de ventilación ha sido reemplazado gradualmente por métodos de diagnóstico inteligentes. El método de diagnóstico inteligente puede ahorrar considerables recursos humanos y materiales. Además, ahorra mucho tiempo y se adapta a la demanda de eliminación rápida de fallas en el sistema de ventilación de minas. Los estudios han demostrado que la inteligencia artificial y los algoritmos de aprendizaje automático, como la máquina de vectores de soporte (SVM), el árbol de decisión (DT), la red neuronal artificial (ANN), el bosque aleatorio (RF), el algoritmo genético (GA) y el perceptrón multicapa (MLP). ), se utilizan para resolver problemas de diagnóstico de fallas únicas en sistemas de ventilación de minas9,10,11,12,13,14. Sin embargo, debido a la especificidad y complejidad de las condiciones de las minas subterráneas, es común que los sistemas de ventilación de las minas tengan fallas de resistencia variable en múltiples ubicaciones al mismo tiempo. Se han realizado pocos estudios sobre el diagnóstico e identificación de fallas en múltiples ubicaciones de los sistemas de ventilación de minas.

Wang et al.15 propusieron por primera vez un modelo y método de aprendizaje automático basado en el vecino más cercano (ML-KNN) para el diagnóstico de la ubicación de múltiples fallas variables de resistencia (RVMFL) en sistemas de ventilación de minas. Resuelven el problema de diagnóstico RVMFL de los sistemas de ventilación de minas como un problema de múltiples etiquetas y múltiples clasificaciones. Desde el problema de diagnóstico de ubicación de múltiples fallas, el problema de clasificación de múltiples etiquetas se puede transformar en múltiples problemas de clasificación de una sola etiqueta mediante una estrategia de conversión. Por ejemplo, el problema de diagnóstico de RVMFL del sistema de ventilación se puede dividir en múltiples problemas de diagnóstico de ubicación de falla única, pero esto sin duda aumenta la complejidad computacional16,17. El problema de clasificación de etiquetas múltiples también se puede resolver aplicando algoritmos de adaptación y soporte de clasificación de etiquetas múltiples, como DT, MLP, máquina de vectores de soporte de clasificación (Rank-SVM) y AdaBoost.MH, ML–KNN18,19,20,21,22. Todos estos métodos son algoritmos de aprendizaje automático supervisados y Rank-SVM es una mejora del algoritmo SVM. Según los estudios existentes, DT, MLP y SVM funcionan bien para resolver el problema del diagnóstico de ubicación de falla única variable de resistencia en el sistema de ventilación de la mina9. Además, estos métodos representan un valor importante en la aplicación de problemas de clasificación. Formalmente, debido a su buen rendimiento de clasificación y adaptación a problemas de clasificación de etiquetas múltiples, se mejoran los métodos para el diagnóstico inteligente de RVMFL en sistemas de ventilación. En este artículo, se utilizan tres algoritmos de aprendizaje automático importantes y ampliamente utilizados, DT, MLP y Rank-SVM, para investigar el problema del diagnóstico de RVMFL en sistemas de ventilación de minas.

Es bien sabido que diferentes algoritmos exhiben diferentes precisiones de predicción, rendimientos y capacidades de generalización. Con frecuencia se realizan pruebas industriales para confirmar si estos algoritmos se pueden utilizar en la práctica de ingeniería, qué tan bien funcionan en el diagnóstico RVMFL y qué tan confiable y válido es cada modelo de diagnóstico. Para realizar una prueba de campo industrial de una falla del sistema de ventilación en una mina de producción, es necesario abrir las compuertas en estado cerrado durante un tiempo prolongado o bloquear el túnel para provocar una falla real en la mina, particularmente para crear una falla en múltiples localizaciones. Sin embargo, dicha prueba no está permitida, especialmente en las minas de carbón. Si la prueba industrial de falla variable de resistencia se realiza en minas de metal, a diferencia de las minas de carbón, las minas de metal no experimentan desastres de gas ni incendios naturales de carbón en el área minera mientras se recopilan datos de muestras de prueba. Esto puede provocar que el sistema de ventilación de la mina falle durante mucho tiempo, lo que afecta significativamente la seguridad de la producción de la mina. En resumen, realizar pruebas industriales sobre fallas variables de resistencia real en sistemas de ventilación de minas es difícil e implica ciertos riesgos de seguridad. Para abordar el problema de la creación de fallas de resistencia variable en minas reales que afectan la producción normal, se construyó un sistema experimental de simulación de fallas de resistencia variable del sistema de ventilación. La ventaja de este sistema es que puede simular cualquier tipo de falla de resistencia variable y crear cualquier grado de falla de resistencia variable en cualquier ubicación, sin estar limitado por las condiciones ambientales del sitio y sin problemas de seguridad, como pruebas industriales en campo.

Los principales objetivos de este estudio son los siguientes: (1) Resolver el problema del diagnóstico preciso de fallas de resistencia variable que ocurren en múltiples ubicaciones en el sistema de ventilación de la mina simultáneamente. (2) Analizar y comparar el rendimiento de diferentes algoritmos inteligentes en el problema del diagnóstico de localización de fallos múltiples de fallos variables de resistencia en sistemas de ventilación para encontrar algoritmos y modelos más adecuados. (3) Construcción de un sistema experimental para simular fallas de resistencia variable en el sistema de ventilación de la mina. Luego, utilizar este sistema para verificar la confiabilidad y validez del modelo propuesto a través de experimentos, y resolver el problema de no poder realizar pruebas industriales realistas para confirmar la confiabilidad y validez de los algoritmos en minas de producción reales. (4) Los resultados del estudio proporcionan una base teórica para construir un cuerpo inteligente en los sistemas de ventilación de las minas. El flujo de investigación de este artículo se muestra en la Fig. 1.

Diagrama de flujo de investigación.

Las fallas múltiples de resistencia variable de ocurrencia de mina se refieren a casos en los que el sistema de ventilación de la mina en un período de producción normal experimenta fallas de resistencia variable en dos o más caminos diferentes simultáneamente. Este estudio considera como ejemplo el caso de dos carreteras que ocurren simultáneamente con fallas de resistencia variable y adopta un método de aprendizaje supervisado para abordar el problema del diagnóstico del sistema de ventilación de la mina RVMFL. La Figura 2 muestra el flujo del método de diagnóstico para el RVMFL del sistema de ventilación de mina. La esencia del diagnóstico RVMFL de un sistema de ventilación de mina es construir un clasificador multietiqueta de falla variable de resistencia. Este clasificador puede diagnosticar e identificar rápidamente las ubicaciones de fallas múltiples de variables de resistencia en función de la información del flujo de aire del sistema de ventilación después de que ocurren las fallas.

Proceso del método de diagnóstico RVMFL del sistema de ventilación.

La información del flujo de aire de todas o de las ramas restantes de la red de ventilación se utiliza como característica de observación. Con base en los valores monitoreados por los sensores de velocidad del viento de la mina, los valores monitoreados se promedian estadísticamente para promediar el tiempo, se corrigen para valores de velocidad del viento de un solo punto y se convierten en flujo de aire del sistema de ventilación. Los datos de características observadas del conjunto de muestras de entrenamiento construido se normalizan y se usan como entrada al clasificador para aprendizaje y entrenamiento, y el vector binario de etiquetas de fallas correspondientes a ubicaciones de fallas múltiples se usa como salida del clasificador para entrenar un clasificador de diagnóstico RVMFL para ventilación de mina. Con base en los cambios en la velocidad del aire en los puntos de monitoreo cuando un sistema de ventilación en producción normal tiene una falla múltiple variable de resistencia, el clasificador de diagnóstico de ubicación de fallas múltiples capacitado puede diagnosticar rápidamente las ubicaciones de las fallas.

El algoritmo DT admite problemas de clasificación de etiquetas múltiples. El proceso de diagnóstico RVMFL es equivalente a construir un árbol de clasificación de etiquetas de fallas, que se basa en el principio de aprender muestras de fallas múltiples e inferir reglas simples de decisión de fallas a partir de características de datos para predecir los valores objetivo de ubicación de fallas23,24,25. Cuando un vector de volumen de viento xi ∈ Rn, i = 1,…,l y su correspondiente vector de etiqueta de ubicación de falla y ∈ Rl después de que ocurre una falla múltiple de variable de resistencia, el árbol de clasificación divide recursivamente el espacio de características de modo que se muestren muestras con la misma etiqueta de falla. agrupados. Para cada punto de segmentación de características, denotemos por \(\Phi_{m}\) nm datos de muestra con múltiples fallas en el nodo m. Para una segmentación candidata θ = (j, tm) que comprende una característica de falla j y un valor de dominio tm, segmente los datos en subconjuntos \(\Phi_{m}^{a} \left( \theta \right)\) y \ (\Phi_{m}^{b} \left( \theta \right)\). Las reglas de segmentación son las siguientes:

La función de impureza se utiliza para calcular el número de impurezas para una segmentación candidata del nodo m. El índice de Gini se elige como función métrica para las impurezas y se calcula de la siguiente manera:

donde pmk es la proporción de datos etiquetados k en el nodo m.

Los parámetros que minimizan las impurezas son los siguientes:

La recursividad de los subconjuntos \(\Phi_{m}^{a} \left( {\theta^{*} } \right)\) y \(\Phi_{m}^{b} \left( {\theta^ {*} } \right)\) hasta alcanzar la profundidad máxima permitida, lo que a su vez genera un árbol de clasificación para el diagnóstico RVMFL.

MLP es un algoritmo de aprendizaje supervisado que es una red de retroalimentación y admite la resolución de problemas de clasificación multietiqueta26,27,28. Dado un conjunto de características de fallas múltiples de resistencia variable y sus etiquetas de fallas correspondientes, puede aprender a obtener un aproximador de función no lineal para el diagnóstico de ubicación de fallas múltiples. Entre las capas de entrada y salida del modelo MLP de diagnóstico de ubicación de fallas múltiples, puede haber l (l ≥ 1) capas implícitas con el siguiente mecanismo de procesamiento de información:

donde \(O_{j}^{(l)}\) es la salida de la j-ésima neurona en la capa l, \(O_{i}^{l - 1}\) es la salida de la i-ésima neurona en la capa l -1, \(w_{ij}^{\left( l \right)}\) es el peso de conexión de la i-ésima neurona en la capa l-1, y la j-ésima neurona en la capa l, \(b_{j}^ {l}\) es el sesgo de la j-ésima neurona en la capa l, y g(∙) es la función de activación que utiliza la tangente hiperbólica como función de activación:

Se eligió el algoritmo de descenso de gradiente estocástico y se utilizó para entrenar esta red de perceptrones de diagnóstico de ubicación de fallas múltiples utilizando el gradiente de la función de pérdida para actualizar los pesos w:

donde η es la tasa de aprendizaje del paso de control en la búsqueda del espacio de parámetros.

La entropía cruzada promedio se utiliza como función de pérdida para el modelo de diagnóstico RVMFL, cuya expresión en el caso binario toma la siguiente forma:

donde \(\hat{y}\) es la ubicación de la falla prevista, y es la ubicación de la falla real, n es el número de muestras, \(\alpha \left\| w \right\|_{2}^{2 }\) es el término de regularización L2 del modelo complejo penalizado, y α > 0 es un hiperparámetro no negativo que controla la magnitud de la penalización.

Comenzando con pesos aleatorios iniciales, MLP minimiza la función de pérdida actualizando iterativamente estos pesos. Después de calcular la pérdida, la retropropagación la propaga desde la capa de salida a la capa anterior, actualizando el valor de cada parámetro de peso para reducir la pérdida.

Rank-SVM es un algoritmo de clasificación de etiquetas múltiples basado en clasificaciones que utiliza una estrategia de intervalo de maximización e introduce un truco del núcleo para abordar problemas de clasificación no lineal29,30,31. Sea el sistema de aprendizaje multifallo Rank-SVM compuesto por m clasificadores lineales \({\varvec{S}} = \left\{ {\left. {\left( {\omega_{j} ,b_{j} } \right)} \right|1 \le j \le m} \right\}\), donde ωj es el vector de peso correspondiente a la j-ésima clase de fallas y bj es el sesgo correspondiente a la j-ésima clase de fallas. Para un conjunto de muestras de entrenamiento de múltiples fallas dado \({\varvec{T}} = \left\{ {\left. {\left( {x_{i} ,Y_{i} } \right)} \right|1 \le i \le n} \right\}\), el sistema de aprendizaje de fallas múltiples produce intervalos de clasificación para las muestras de fallas (xi, Yi), que se pueden expresar de la siguiente manera:

La ecuación (9) representa la distancia de las muestras de falla al hiperplano de clasificación bajo cada par de marcadores relevantes-irrelevantes. Al expandir todo el conjunto de muestras de entrenamiento de fallas múltiples T, el intervalo de clasificación del sistema de aprendizaje viene dado por

El intervalo de clasificación del conjunto de muestras de entrenamiento se considera positivo y los parámetros del clasificador lineal S se escalan. Entonces, el problema de optimización de maximizar el intervalo de clasificación del conjunto de entrenamiento se puede expresar de la siguiente manera:

Dejemos que la muestra de entrenamiento sea suficientemente adecuada, es decir, para todos los marcadores de categoría yi y yk; existe \(\left( {x,{\text{Y}}} \right) \in {\varvec{T}}\) tal que \(\left( {y_{j} ,y_{k} } \right) \in {\text{Y}} \times {\bar{\text{Y}}}\). La ecuación (11) se puede transformar de la siguiente manera:

Al aproximar el operador máximo con un operador de suma e introducir variables de holgura y usar Ranking Loss como pérdida, el problema de optimización se transforma en

donde C es el coeficiente de equilibrio y \(\xi_{ijk}\) es la variable de relajación, \(\xi_{ijk}\) ≥ 0.

Para comparar y evaluar el rendimiento diagnóstico de los modelos de diagnóstico RVMFL basados en DT, MLP y Rank-SVM para sistemas de ventilación de minas, las métricas de evaluación se seleccionaron considerando la literatura existente sobre problemas de clasificación multietiqueta 32,33,34,35. Las cinco métricas de pérdida de Hamming, pérdida de clasificación, cobertura, precisión promedio y error único son las métricas más utilizadas y aplicadas. Estas cinco métricas fueron seleccionadas para evaluar los modelos de diagnóstico RVMFL para ventilación de minas, como se muestra en la Tabla 1. \(y \in \left\{ {0,1} \right\}^{N \times M}\) en la Tabla 1 denota la matriz de etiquetas binarias correspondiente a las etiquetas reales en ubicaciones de fallas múltiples, y \(\hat{f} \in {\varvec{R}}^{N \times M}\) denota la puntuación para cada etiqueta de falla.

Para verificar la viabilidad y la confiabilidad del modelo del método de diagnóstico RVMFL basado en DT, MLP y Rank-SVM para sistemas de ventilación, así como para comparar y analizar el rendimiento de diagnóstico de estos tres modelos y encontrar el modelo óptimo, se realizaron experimentos utilizando una red de unión angular en forma de T simple de 10 ramas y una red de 54 ramas con un sistema experimental de diagnóstico de ubicación de fallas múltiples. El proceso de estudio experimental se muestra en la Fig. 3. Utilizando cinco métricas de evaluación, se utilizó una validación cruzada diez veces mayor para entrenar y validar el conjunto de muestra de diagnóstico de ubicación de fallas múltiples. Los resultados de la validación cruzada se promediaron estadísticamente. Se realizaron experimentos reales de diagnóstico de fallas múltiples utilizando un sistema de ventilación para verificar la confiabilidad del modelo.

El proceso de estudio experimental para el diagnóstico de RVMFL.

La topología de la red de ventilación con junta angular en forma de T, el coeficiente de resistencia al viento y las curvas características del ventilador en la literatura 6 se utilizan como referencias para el estudio de diagnóstico RVMFL del sistema de ventilación. La Figura 4 muestra una red de ventilación en ángulo en forma de T con 8 nodos y 10 ramales, con ajuste en el ramal e4 y un ventilador de ventilación en el ramal e8. La curva característica del ventilador se da de la siguiente manera:

Red de ventilación con junta angular en forma de T.

Los parámetros de ramificación de la red de ventilación con juntas angulares en forma de T se presentan en la Tabla 2.

Con base en la información de los ramales de la red de ventilación durante los períodos normales de producción, el sistema de simulación de ventilación de mina (MVSS)36 se utiliza para simular las fallas de aumento de resistencia de los ramales generales, excepto las ramas de entrada y salida, y las fallas decrecientes de resistencia. Fallos de las compuertas. Suponiendo que las dos ramas del sistema de ventilación fallan simultáneamente y que los valores de resistencia del aire con falla se generan usando un método aleatorio, los pasos para generar el conjunto de muestra de falla múltiple resistiva son los siguientes:

Manteniendo sin cambios la topología de la red de ventilación y las características operativas del ventilador cuando dos ramas cualesquiera del sistema de ventilación ei y ej fallan simultáneamente, con las variables de resistencia Δri y Δrj, las resistencias al viento de la rama defectuosa se convierten en \(r^{ \prime}_{i} = r_{i} \pm \Delta r_{i}\) y \(r^{\prime}_{j} = r_{j} \pm \Delta r_{j}\) , respectivamente.

Basado en el vector de resistencia del viento \(\user2{R^{\prime}}_{\left( i \right)} = \left( {r_{1} ,r_{2} , \cdots ,r^{\ prime}_{i} , \cdots ,r^{\prime}_{j} , \cdots r_{n} } \right)\) de la red de ventilación en el momento de las fallas de las sucursales ei y ej, la red de ventilación después de que se resuelve la falla una vez que genera nuevos datos de muestra \(\user2{Q^{\prime}}_{\left( i \right)} = \left( {q^{\prime}_{1},q ^{\prime}_{2} , \cdots ,q^{\prime}_{n} } \right)\) para el volumen de aire.

Construya un espacio de datos de muestra de fallas múltiples y registre los números de rama ei y ej donde ocurrió la falla y el volumen de aire de la rama del sistema de ventilación \(\user2{Q^{\prime}}_{\left( i \right)}\) como una muestra en el espacio de datos de muestra de falla.

Repita los pasos (1) a (3) para que las ramas ei y ej ocurran muchas veces, y el número de variables de falla difiera con cada ocurrencia, lo que resulta en la generación de muestras de fallas múltiples de resistencia en las ramas ei y ej. Con base en las reglas anteriores, otras ramas de la red de ventilación generan muestras de fallas múltiples de las ramas correspondientes, formando el conjunto de muestras de fallas múltiples variables de resistencia de la red de ventilación T.

Siguiendo el método anterior, se generaron un total de 600 conjuntos de muestras de fallas múltiples variables de resistencia para la red de ventilación con junta en ángulo en forma de T, como se muestra en la Tabla 3. Las características observadas de los datos del conjunto de muestras de fallas múltiples se normalizaron antes de ingresarlas al Clasificador de diagnóstico de ubicación de fallas múltiples.

La razonabilidad de la configuración de los hiperparámetros determina el rendimiento predictivo del modelo de aprendizaje automático de diagnóstico de ubicación de fallas múltiples del modelo. En este estudio, se utiliza el método de búsqueda de cuadrícula de validación cruzada para determinar los hiperparámetros del modelo. La configuración de hiperparámetros del modelo de aprendizaje automático de diagnóstico de ubicación de fallas múltiples de la red de ventilación con articulación angular en forma de T se muestra en la Tabla 4.

Se realizó una validación cruzada de un conjunto de muestra que contenía 600 conjuntos de fallas múltiples. Los resultados se muestran en la Fig. 5. Como se muestra en la Fig. 5, el modelo de diagnóstico RVMFL basado en DT tiene una pérdida de Hamming de 0,061, que es la más pequeña entre los tres modelos. El modelo de diagnóstico RVMFL basado en MLP tiene una pérdida de clasificación, cobertura y un error de 0,067, 1,643 y 0,117, respectivamente, que son los más pequeños entre los tres modelos, y su precisión promedio de 0,889 es la más alta entre los tres modelos. , y tiene una pérdida de Hamming de 0,106. El modelo de diagnóstico RVMFL basado en Rank-SVM tiene las peores métricas predictivas de los tres modelos. Se puede observar que los tres algoritmos, DT, MLP y Rank-SVM, se pueden utilizar para diagnosticar ubicaciones de fallas múltiples en la ventilación de minas, y el método es factible. El modelo MLP exhibe el mejor rendimiento de predicción, la mejor capacidad de generalización y la mayor precisión de predicción para el conjunto de datos de muestra de fallas múltiples de la red de ventilación de juntas angulares en forma de T. Además, el modelo DT es ligeramente inferior al MLP en todas las métricas excepto en la pérdida de Hamming, pero superior al Rank-SVM, es decir, el rendimiento predictivo y la capacidad de generalización del modelo DT es ligeramente inferior al del MLP y mucho mayor que el del MLP. el del Rank-SVM.

Resultados de validación cruzada para el diagnóstico de RVMFL de la red de ventilación con junta angular en forma de T.

El sistema de ventilación experimental se construyó utilizando tuberías de cloruro de polivinilo no plastificado (UPVC) con diámetros de 200 mm, 160 mm y 110 mm. La longitud total de las tuberías del sistema experimental es de 353 m. Hay 14 estructuras en el sistema experimental, de las cuales siete están completamente cerradas, una es el ajuste de la rama de aire de entrada y las seis restantes son válvulas de ajuste simuladas de fallas. El sistema puede simular diferentes tipos y cantidades de fallas, y puede simular mejor situaciones en las que ocurren múltiples fallas en el sistema de ventilación. La posición de siete compuertas cerradas se puede llevar a cabo para simular el experimento de falla de resistencia descendente, y la posición de seis válvulas reguladoras se puede llevar a cabo para simular el experimento de falla de resistencia creciente. El sistema experimental se muestra en la Fig. 6. El sistema comprende dos tuberías de aire de entrada y dos de salida. El aire de entrada del sistema estaba compuesto por tuberías de UPVC con un diámetro de 160 mm, el aire de salida del sistema estaba compuesto por tuberías de UPVC con un diámetro de 200 mm y el resto de la parte principal estaba compuesto por tuberías de UPVC con un diámetro de 110 mm. El sistema de recolección de datos del experimento incluye un probador de parámetros de ventilación TSI 9565P y un tubo de Pitot. La precisión de las pruebas de velocidad del viento utilizando un tubo Pitot es ± 1,5% a 2000 pies/min. El principio del experimento es probar la presión de velocidad para obtener la velocidad en el centro de la sección de la tubería y convertirla en la velocidad promedio del aire. La velocidad del viento se probó utilizando TSI para monitorear continuamente durante dos minutos y tomando el valor promedio. Debido a que la tubería utilizada en el experimento es una tubería industrial de UPVC relativamente lisa, según los diagramas de Moody y las pruebas de resistencia de ventilación reales, los índices de flujo calculados de la resistencia de ventilación de estas tres tuberías son 1,834, 1,849 y 1,812, respectivamente. Se instalan dos ventiladores centrífugos al final de cada uno de los dos tubos de aire de retorno y las válvulas de control del flujo de aire están dispuestas dentro del sistema como instalaciones de control del flujo de aire.

Sistema experimental de diagnóstico RVMFL.

La topología del sistema experimental se ilustra en la Fig. 7. El ventilador centrífugo modelo 9–26-4A de 5,5 KW está instalado en la rama e1, y el ventilador centrífugo modelo 9–19-5A de 7,5 KW está instalado en la rama e65. La frecuencia de funcionamiento de ambos ventiladores es de 50 Hz. El método de resistencia de la placa se utiliza para aumentar la resistencia del sistema, y el volumen de aire y la presión del ventilador de ventilación en diferentes condiciones del sistema se prueban utilizando un medidor de presión diferencial y un tubo de Pitot, y se obtiene la ecuación de la curva característica del ventilador. por el método de ajuste de datos. Al realizar pruebas, las curvas características de estos ventiladores son h (q) = 3156,2 + 1323,6 q—1838,7 q2 y h (q) = 4266,8 + 4515,3 q—4406,1 q2, respectivamente.

Topología del sistema experimental.

Con base en el método de construcción del conjunto de muestras de fallas múltiples variables de resistencia de la red de ventilación con junta en ángulo en forma de T, se generaron 500 conjuntos de muestras de fallas múltiples de la red de ventilación experimental, como se muestra en la Tabla 5.

Se adoptó una búsqueda de cuadrícula de validación cruzada para determinar los hiperparámetros del modelo de diagnóstico de ubicación de fallas múltiples de la red de ventilación experimental, como se muestra en la Tabla 6.

La validación cruzada se realizó en un conjunto de muestras de fallas múltiples de 500 grupos, y los resultados de la validación cruzada se muestran en la Fig. 8. Como se ilustra en la figura, el modelo de diagnóstico de ubicación de fallas múltiples basado en MLP exhibe la pérdida de Hamming más pequeña, clasificando pérdida, cobertura y error único entre los tres modelos, que son 0,012, 0,004, 1,086 y 0,002, respectivamente, con la precisión promedio más alta de 0,992. La pérdida de Hamming, la pérdida de clasificación, la cobertura, un error y la precisión del modelo DT fueron 0,014, 0,05, 1,63, 0,056 y 0,916, respectivamente, y exhibieron métricas ligeramente más bajas que las del modelo MLP. El modelo Rank-SVM tiene las peores métricas entre los tres modelos. Se puede observar que el rendimiento predictivo y la capacidad de generalización del modelo de diagnóstico RVMFL basado en MLP son mejores que los de los modelos DT y Rank-SVM.

Resultados de la validación cruzada del sistema experimental para el diagnóstico de RVMFL.

En el sistema experimental, aumentar y disminuir el punto de simulación de falla de resistencia mejora la confiabilidad del modelo de diagnóstico de ubicación de fallas múltiples; por lo tanto, el sistema de ventilación experimenta fallas múltiples de resistencia variable. Debido al bajo rendimiento predictivo y la capacidad de generalización del modelo Rank-SVM para conjuntos de muestras con múltiples fallas, no se considera aquí; sólo se considera la confiabilidad de los modelos MLP y DT. Se utiliza una válvula reguladora completamente abierta preestablecida en el punto de simulación de una falla que aumenta la resistencia en el sistema de ventilación experimental para crear una falla que aumenta la resistencia, y las compuertas en el sistema original se usan para crear una falla que reduce la resistencia. Se crearon y probaron un total de 9 conjuntos de fallas múltiples para el flujo de aire restante de la rama en cada estado. Después de realizar cada diagnóstico de fallas múltiples, el sistema se restauró al estado original del sistema de ventilación para garantizar la coherencia. En la Tabla 7 se muestra una muestra de las pruebas de ejemplo de fallas múltiples del sistema de ventilación experimental.

La confiabilidad de los modelos MLP y DT se verificó utilizando el conjunto de muestras de fallas múltiples en la Tabla 5 como conjunto de entrenamiento y la muestra de prueba de ejemplo de fallas múltiples del sistema de ventilación experimental en la Tabla 7 como conjunto de prueba. Se utilizó el modelo de diagnóstico de ubicación de fallas múltiples MLP para diagnosticar los 9 grupos de ubicaciones de fallas múltiples con una tasa de precisión del 100%. Con una tasa de precisión de diagnóstico del 44,44%, el modelo de diagnóstico de ubicación de fallas múltiples DT se utilizó para diagnosticar con precisión dos ubicaciones de fallas en 4 grupos, de los cuales una ubicación de falla se diagnosticó con precisión en 4 grupos y un grupo no se diagnosticó con precisión en ambas ubicaciones. Utilizando el modelo existente de ML-KNN para diagnosticar las ubicaciones de múltiples fallas del sistema experimental, la precisión del diagnóstico es del 88,89% cuando k = 2 y del 100% cuando k = 3. La precisión del diagnóstico del modelo MLP es comparable a la del ML. -Modelo KNN.

Este estudio investigó el diagnóstico concurrente de fallas de resistencia que ocurren en múltiples ubicaciones en un sistema de ventilación de mina, propuso tres modelos de diagnóstico de aprendizaje automático supervisado para el diagnóstico RVMFL y validó la confiabilidad y efectividad de los modelos y métodos utilizando un ángulo en forma de T de 10 ramas. -Red de ventilación conjunta y red de ventilación experimental de 54 ramales. Obtuvimos las siguientes conclusiones principales:

Según los resultados de la validación cruzada, los métodos de aprendizaje automático supervisado DT, MLP y Rank-SVM son viables para el diagnóstico de la ubicación de fallas múltiples de los sistemas de ventilación de minas en función de las características del volumen de aire. El rendimiento de diagnóstico de los modelos MLP y DT es mejor que el del modelo Rank-SVM, y el modelo MLP tiene el mejor rendimiento.

En el diagnóstico de la instancia de falla múltiple de la variable de resistencia del sistema de ventilación experimental, la precisión de diagnóstico del modelo MLP es del 100%, mientras que la precisión de diagnóstico del modelo DT es del 44,44%, lo que indica además que la capacidad de generalización del modelo MLP es mejor que la del modelo DT. La alta precisión y confiabilidad del diagnóstico satisfacen los requisitos de ingeniería y pueden usarse como método de diagnóstico RVMFL en la práctica y aplicación de la ingeniería.

La práctica exitosa del diagnóstico RVMFL de sistemas de ventilación experimentales muestra que el sistema de verificación experimental de fallas múltiples de resistencia variable para minas establecido en este estudio puede servir como una plataforma de verificación para el diagnóstico inteligente de fallas de los sistemas de ventilación de minas, resolviendo efectivamente el problema de que no se pueden realizar pruebas industriales. en el campo y brindando un fuerte apoyo para la construcción de sistemas de ventilación inteligentes para minas.

Este estudio se centró en el diagnóstico de ubicaciones de fallas múltiples en sistemas de ventilación de minas, y se necesitan más estudios para diagnosticar la magnitud de las fallas, es decir, el volumen de fallas, en sistemas de ventilación donde ocurren ubicaciones de fallas múltiples. En este estudio, solo se utilizó el volumen de aire como característica única como entrada para el modelo, y se podría obtener una mayor precisión si se consideraran factores como la presión diferencial de la estructura o la energía de presión de los nodos. Rank-SVM tiene el peor rendimiento de diagnóstico entre los tres modelos. Los factores que afectan el rendimiento del modelo Rank-SVM son la configuración del factor de penalización, la selección del núcleo y el tamaño y la calidad de la muestra. En la actualidad, el núcleo seleccionado en este artículo es un núcleo lineal y el factor de penalización establecido en este artículo puede conducir a la degradación del rendimiento de diagnóstico del modelo, y la investigación posterior debe centrarse en los factores que afectan el rendimiento del modelo en para encontrar la mejor configuración del modelo para mejorar el rendimiento de diagnóstico del modelo.

Todos los datos relevantes están dentro del documento.

Cheng, JW Evaluación de la confiabilidad del sistema de ventilación de minas mediante un método de simulación aleatoria. Reinar. Ing. Gestionar. J. 15, 841–850 (2016).

Artículo de Google Scholar

Cheng, J., Zhou, F. y Yang, S. Un modelo de asignación de confiabilidad y su aplicación en el diseño de un sistema de ventilación de mina. IJST-T. Civilización. EU G. 38, 61–73 (2014).

Google Académico

Zhang, HB, Fava, L., Cai, M., Vayenas, N. & Acuna, E. Una metodología híbrida para investigar la distribución de la concentración de DPM en minas subterráneas. Tunn. Subgraduado. sp. Tecnología. 115, 104042 (2021).

Artículo de Google Scholar

Tutak, M., Brodny, J., Szurgacz, D., Sobik, L. & Zhironkin, S. El impacto del sistema de ventilación en el peligro de liberación de metano y la combustión espontánea del carbón en el área de explotación: un estudio de caso. Energías 13, 4891 (2020).

Artículo CAS Google Scholar

Parra, MT, Villafruela, JM, Castro, F. & Méndez, C. Análisis numérico y experimental de diferentes sistemas de ventilación en minas profundas. Construir. Reinar. 41, 87–93 (2006).

Artículo de Google Scholar

Liu, J. y col. Diagnóstico de fuente de falla única variante de resistencia del sistema de ventilación de mina basado en la característica del volumen de aire. J. Sociedad del Carbón de China. 43, 143-149 (2018).

CAS Google Académico

Huang, D., Liu, J. y Deng, LJ Un algoritmo de estrategia evolutiva adaptativa de codificación híbrida para el diagnóstico de fallas por alteración del viento. Proceso. Seguro. Reinar. 136, 242–252 (2020).

Artículo CAS Google Scholar

Liu, J. Descripción general de cuestiones científicas y técnicas clave de la ventilación inteligente de minas. Seguro. Carbón mín. 51, 108–111+117 (2020).

Google Académico

Liu, L., Liu, J., Zhou, QC y Huang, D. Selección de algoritmos de aprendizaje automático para el diagnóstico de fallas por alteración del viento en el sistema de ventilación de minas. Adv. Ing. Informar. 53, 101666 (2022).

Artículo de Google Scholar

Zhao, D. & Shen, ZY Estudio sobre diagnóstico de fallas en carreteras del sistema de ventilación de minas basado en SVM mejorado. Mín. Metal. Explorar. 39, 983–992 (2022).

Google Académico

Ni, JF, Li, Z., Le, XR, Deng, LJ y Wang, XJ Método de diagnóstico de fallas de variante de resistencia de la red de ventilación basado en bosque aleatorio. J. Saf. Ciencia. Tecnología. 18, 34–39 (2022).

Google Académico

Ni, JF, Le, XR, Chang, LF & Deng, LJ Diagnóstico de fallas de variantes de resistencia y diseño optimizado de sensores para ventilación de minas basado en árbol de decisión. J. Saf. Ciencia. Tecnología. 17, 34–39 (2021).

Google Académico

Zhang, L., Zhang, YH, Zhang, YB & Li, Z. Investigación sobre el método de diagnóstico de fallas de la red de ventilación basado en el aprendizaje automático. J. Min. Aparato mecánico. 48, 91–98 (2022).

Google Académico

Huang, D. y col. Investigación experimental sobre la selección combinada de características de observación de fallas de variación de resistencia en la ventilación de minas. J. Sociedad del Carbón de China. 46, 3922–3933 (2021).

Google Académico

Wang, D., Liu, J., Deng, LJ y Wang, HL Diagnóstico inteligente de variantes de resistencia con múltiples ubicaciones de fallas del sistema de ventilación de minas basado en ML-KNN. MÁS UNO 17, e0275437 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Li, CY, Sun, L., Peng, DD, Subramani, S. y Nicolas, SC Un sistema de clasificación de etiquetas múltiples para la clasificación de anomalías en electrocardiogramas. Inf. de Salud. Ciencia. Sistema. 10, 19 (2022).

Artículo CAS PubMed Google Scholar

Lee, J. & Kim, DW Selección de funciones para clasificación de etiquetas múltiples utilizando información mutua multivariada. Reconocimiento de patrones. Letón. 34, 349–357 (2013).

ADS del artículo Google Scholar

Farsal, W., Ramdani, M. & Anter, S. GML_DT: Un novedoso clasificador de árbol de decisión de múltiples etiquetas graduado. En t. J. Adv. Computadora. Ciencia. 12, 249–254 (2021).

Google Académico

Srinivasan, VP, Balasubadra, K., Saravanan, K., Arjun, VS y Malarkodi, S. Enfoque de clasificación de aprendizaje profundo de múltiples etiquetas para ataques de inyección de datos falsos en redes inteligentes. KSII T. Internet. inf. 15, 2168–2187 (2021).

Google Académico

Xu, JH Una máquina eficiente de vectores de soporte de etiquetas múltiples con etiqueta cero. Sistema experto. Aplica. 39, 4796–4804 (2012).

Artículo de Google Scholar

Al-Salemi, B., Noah, SAM y Ab Aziz, MJ RFBoost: Un algoritmo mejorado de refuerzo de etiquetas múltiples y su aplicación a la categorización de texto. Sistema basado en el conocimiento. 103, 104-117 (2016).

Artículo de Google Scholar

Zhang, ML & Zhou, ZH ML-KNN: Un enfoque de aprendizaje perezoso para el aprendizaje de etiquetas múltiples. Reconocimiento de patrones. 40, 2038-2048 (2007).

Artículo ADS MATEMÁTICAS Google Scholar

Breiman, L., Friedman, JH, Olshen, RA y Stone, CJ Árbol de clasificación y regresión (Wadsworth, 1984).

MATEMÁTICAS Google Scholar

Yi, WG, Lu, MY & Liu, Z. Algoritmo de árbol de decisión de datos con múltiples etiquetas y atributos multivalor. En t. J. Mach. Aprender. Cyb. 2, 67–74 (2011).

Artículo de Google Scholar

Chen, YL, Hsu, CL y Chou, SC Construcción de un árbol de decisión de múltiples valores y múltiples etiquetas. Sistema experto. Aplica. 25, 199–209 (2003).

Artículo de Google Scholar

Fabián, P. et al. Scikit-learn: aprendizaje automático en Python. JMLR. 12, 2825–2830 (2011).

MathSciNet MATEMÁTICAS Google Scholar

Chen, ZH, Chi, ZR, Fu, H. & Feng, DG Clasificación de imágenes de múltiples instancias y múltiples etiquetas: un enfoque neuronal. Neurocomputación 99, 298–306 (2013).

Artículo de Google Scholar

Al Bataineh, A., Kaur, D. y Jalali, SMJ Optimización del entrenamiento de perceptrones multicapa utilizando informática inspirada en la naturaleza. Acceso IEEE 10, 36963–36977 (2022).

Artículo de Google Scholar

Xu, JH Máquina de vectores de soporte lagrangianos de etiquetas múltiples con método de descenso de coordenadas de bloques aleatorios. Informar. Ciencia. 329, 184-205 (2016).

Artículo MATEMÁTICAS Google Scholar

Jung, C., Shen, YB y Jiao, LC Aprender a clasificar con clasificación de conjunto SVM. Proceso neuronal. Letón. 42, 703–714 (2015).

Artículo de Google Scholar

Wu, GQ, Zheng, RB, Tian, YJ y Liu, DL Clasificación conjunta SVM y relevancia binaria con aprendizaje sólido de rango bajo para clasificación de etiquetas múltiples. Red neuronal. 122, 24-39 (2020).

Artículo PubMed MATEMÁTICAS Google Scholar

Zhang, QG, Liu, ZG, Zhu, L. y Zhang, Y. Reconocimiento de múltiples perturbaciones en la calidad de la energía utilizando una máquina de vectores de soporte wavelet de múltiples etiquetas. Proc. CSE. 33, 114–120+18 (2013).

Google Académico

Zhou, H., Li, X. y Liu, GS Algoritmo adaptativo para clasificación de etiquetas múltiples basado en ponderación de información relacionada. Computadora. Aplica. Suave. 32, 239–243 (2015).

Google Académico

Kong, XN, Li, M., Jiang, Y. y Zhou, ZH Un método de clasificación transductivo de etiquetas múltiples para etiquetado débil. J. Computación. Res. Desarrollo. 47, 1392-1399 (2010).

Google Académico

Bao, YC, Zhang, JC, Du, SX y Zhang, JJ Algoritmo de clasificación de etiquetas múltiples basado en factorización matricial no negativa y representación dispersa. J. Computación. Aplica. 42, 1375-1382 (2022).

Google Académico

Li, YC, Liu, J. & Jia, TG Aplicación de MVSS 3.0 en la conversión de sistemas de ventilación de minas. Seguro. Carbón mín. 4, 21-22 (2007).

CAS Google Académico

Descargar referencias

Este artículo cuenta con el apoyo financiero del Programa Nacional Clave de Investigación y Desarrollo de China (No. 2017YFC0804401), la Fundación de Ciencias Naturales de China (Nos. 51574142 y 51774169).

Facultad de Ingeniería y Ciencias de la Seguridad, Universidad Técnica de Liaoning, Huludao, 125105, Liaoning, China

Dong Wang, Jian Liu, Deng Lijun y Wang Honglin

Laboratorio clave de prevención y desastres termomotores de minas, Ministerio de Educación, Huludao, 125105, Liaoning, China

Dong Wang, Jian Liu, Deng Lijun y Wang Honglin

También puedes buscar este autor en PubMed Google Scholar.

DW: Metodología, Curación de datos, Experimental, Redacción de borrador original, Redacción-revisión y edición. JL: Conceptualización, Supervisión, Administración de proyectos, Adquisición de fondos. LJD: Investigación, Software, Validación. HLW: Curación de datos.

Correspondencia a Jian Liu.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Wang, D., Liu, J., Lijun, D. et al. Un experimento de diagnóstico supervisado de ubicaciones de múltiples fallas variables de resistencia en un sistema de ventilación de mina. Representante científico 13, 5259 (2023). https://doi.org/10.1038/s41598-023-32530-7

Descargar cita

Recibido: 29 de noviembre de 2022

Aceptado: 29 de marzo de 2023

Publicado: 31 de marzo de 2023

DOI: https://doi.org/10.1038/s41598-023-32530-7

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Noticias

Un experimento de diagnóstico supervisado de ubicaciones de múltiples fallas variables de resistencia en un sistema de ventilación de mina.