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

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

246 アクセス

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汎化能力が 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。

Wang et al.15 は、鉱山換気システムにおける抵抗可変多重故障位置 (RVMFL) を診断するための、機械学習 -k 最近傍ベース (ML-KNN ベース) のモデルと方法を最初に提案しました。 これらは、鉱山換気システムの RVMFL 診断問題を複数ラベルおよび複数分類の問題として解決します。 多重故障位置診断問題から、変換戦略を通じて複数ラベル分類問題を複数の単一ラベル分類問題に変換できます。 たとえば、換気システムの RVMFL 診断問題は複数の単一故障位置診断問題に分割できますが、これにより間違いなく計算の複雑さが増加します 16,17。 マルチラベル分類の問題は、DT、MLP、ランキング サポート ベクター マシン (Rank-SVM)、AdaBoost.MH、ML–KNN18、19、20、21、22 などのマルチラベル分類サポートおよび適応アルゴリズムを適用することによって解決することもできます。 これらの手法はすべて教師あり機械学習アルゴリズムであり、Rank-SVM は SVM アルゴリズムを改良したものです。 既存の研究によると、DT、MLP、および SVM は、鉱山換気システムにおける抵抗可変の単一故障位置診断の問題を解決するのにうまく機能します9。 さらに、これらの方法は、分類問題の適用において重要な価値を示します。 正式には、その優れた分類性能とマルチラベル分類問題への適応により、換気システムにおける RVMFL のインテリジェントな診断方法が改善されました。 この論文では、広く使用されている 3 つの重要な機械学習アルゴリズム、DT、MLP、Rank-SVM を使用して、鉱山換気システムにおける RVMFL の診断の問題を調査します。

アルゴリズムが異なれば、予測精度、パフォーマンス、一般化機能も異なることはよく知られています。 これらのアルゴリズムがエンジニアリングの実践で使用できるかどうか、RBMFL 診断でどの程度うまく機能するか、各診断モデルがどの程度信頼性と有効性があるかを確認するために、工業用テストが頻繁に行われます。 生産鉱山における換気システムの故障の工業現場試験を実施するには、閉状態のダンパーを長時間開放したり、トンネルを封鎖して実際に鉱山内に故障を発生させたり、特に鉱山に故障を発生させたりする必要があります。複数の場所。 しかし、特に炭鉱ではそのような試験は許可されていません。 金属鉱山で抵抗変化断層工業試験を実施する場合、炭鉱とは異なり、金属鉱山では試験サンプルデータの収集中に採掘地域内でガス災害や自然石炭火災が発生することがありません。 鉱山の換気システムが長期間にわたって故障状態に陥る可能性があり、鉱山の安全な生産に重大な影響を及ぼします。 要約すると、鉱山換気システムの実際の抵抗可変故障に関する工業試験を実施することは困難であり、一定の安全上のリスクを伴います。 実際の鉱山で抵抗変化断層が発生し、通常の生産に影響を与える問題に対処するために、換気システム抵抗変化断層シミュレーション実験システムを構築しました。 このシステムの利点は、サイトの環境条件に制限されず、現場での工業試験などの安全上の問題もなく、あらゆるタイプの抵抗変化故障をシミュレートし、任意の場所で任意の程度の抵抗変化故障を作成できることです。

この研究の主な目的は次のとおりである。 (1) 鉱山換気システムの複数の場所で同時に発生する抵抗変化故障の正確な診断の問題を解決する。 (2) より適切なアルゴリズムとモデルを見つけるために、換気システムの抵抗可変故障の多重故障位置診断の問題におけるさまざまなインテリジェント アルゴリズムのパフォーマンスを分析および比較します。 (3) 鉱山換気システムにおける抵抗変化故障をシミュレーションするための実験システムを構築する。 そして、このシステムを利用して提案モデルの信頼性・妥当性を実験により検証し、実際の生産鉱山においてアルゴリズムの信頼性・妥当性を確認するための現実的な工業試験が実施できないという問題を解決します。 (4) 研究結果は、鉱山換気システム上に知的体を構築するための理論的基礎を提供します。 本論文の研究フローを図1に示します。

研究のフローチャート。

鉱山の抵抗変化型多重故障とは、通常の生産期間における鉱山換気システムが 2 つ以上の異なる道路で同時に抵抗変化型故障を経験するケースを指します。 この研究では、例として抵抗変化故障が同時に発生する 2 つの道路の場合を考慮し、鉱山換気システム RVMFL 診断の問題に対処するために教師あり学習方法を採用します。 図 2 に鉱山換気システムの RVMFL 診断方法のフローを示す。 鉱山換気システムの RVMFL 診断の本質は、抵抗可変故障マルチラベル分類器を構築することです。 この分類器は、障害発生後の換気システムの気流情報に基づいて、抵抗変数の多重障害の位置を迅速に診断して特定できます。

換気システム RVMFL 診断方法のプロセス。

換気ネットワークのすべてまたは残りのブランチの気流情報が観察特徴として使用されます。 鉱山風速センサーによって監視された値に基づいて、監視値は時間平均のために統計的に平均化され、単一点の風速値に対して補正され、換気システムの風量に変換されます。 構築されたトレーニング サンプル セットの観察された特徴データは正規化され、学習とトレーニングのための分類器への入力として使用され、多重故障位置に対応する故障ラベルのバイナリ ベクトルが分類器の出力として使用され、RMVFL 診断分類器をトレーニングします。鉱山の換気口。 通常の生産における換気システムに抵抗変化型の多重故障が発生した場合の監視ポイントでの空気速度の変化に基づいて、訓練された多重故障位置診断分類器が故障の位置を迅速に診断できます。

DT アルゴリズムは、マルチラベル分類問題をサポートします。 RVMFL 診断のプロセスは、障害ラベル分類ツリーを構築することに相当します。これは、複数の障害サンプルを学習し、データ特徴から単純な障害決定ルールを推測して障害位置の目標値を予測するという原理に基づいています 23、24、25。 抵抗変数多重故障が発生した後の風量ベクトル xi ∈ Rn, i = 1,…,l とそれに対応する故障位置ラベル ベクトル y ∈ Rl の場合、分類ツリーは、同じ故障ラベルを持つサンプルが次のように特徴空間を再帰的に分割します。グループ化された。 各特徴セグメンテーション ポイントについて、\(\Phi_{m}\) がノード m における nm 個の多重故障サンプル データを表すものとします。 故障特徴 j とドメイン値 tm で構成される候補セグメンテーション θ = (j, tm) の場合、データをサブセット \(\Phi_{m}^{a} \left( \theta \right)\) と \ にセグメント化します。 (\Phi_{m}^{b} \left( \theta \right)\)。 分割ルールは次のとおりです。

不純物関数は、ノード m の 1 つの候補セグメンテーションの不純物の数を計算するために使用されます。 ジニ指数は不純物の計量関数として選択され、次のように計算されます。

ここで、pmk はノード m で k とラベル付けされたデータの割合です。

不純物を最小限に抑えるパラメータは次のとおりです。

サブセット \(\Phi_{m}^{a} \left( {\theta^{*} } \right)\) と \(\Phi_{m}^{b} \left( {\theta^ {*} } \right)\) 最大許容深度に達するまでの処理が終了し、RVMFL 診断用の分類ツリーが生成されます。

MLP は、フィードフォワード ネットワークであり、マルチラベル分類の問題解決をサポートする教師あり学習アルゴリズムです 26、27、28。 抵抗変数の多重故障特徴セットとそれに対応する故障ラベルが与えられると、多重故障位置診断のための非線形関数近似器を取得する方法を学習できます。 多重障害位置診断 MLP モデルの入力層と出力層の間には、次の情報処理メカニズムを備えた l (l ≥ 1) の暗黙的な層が存在する可能性があります。

ここで、 \(O_{j}^{(l)}\) は層 l の j 番目のニューロンの出力、 \(O_{i}^{l - 1}\) は層 l の i 番目のニューロンの出力です。 -1、\(w_{ij}^{\left( l \right)}\) は、層 l-1 の i 番目のニューロンと層 l の j 番目のニューロンの接続重みです、\(b_{j}^ {l}\) は層 l の j 番目のニューロンのバイアスであり、g(∙) は活性化関数として双曲線正接を使用する活性化関数です。

確率的勾配降下アルゴリズムが選択され、損失関数の勾配を使用して重み w を更新するこの多重故障位置診断パーセプトロン ネットワークをトレーニングするために使用されました。

ここで、η はパラメータ空間探索における制御ステップの学習率です。

平均クロスエントロピーは RVMFL 診断モデルの損失関数として使用され、バイナリの場合の式は次の形式になります。

ここで、\(\hat{y}\) は予測された故障位置、y は実際の故障位置、n はサンプル数、\(\alpha \left\| w \right\|_{2}^{2) }\) はペナルティ付き複素モデルの L2 正則化項であり、α > 0 はペナルティの大きさを制御する非負のハイパーパラメータです。

MLP は、初期のランダムな重みから開始して、これらの重みを繰り返し更新することで損失関数を最小化します。 損失を計算した後、逆伝播によって出力層から前の層に損失が伝播され、各重みパラメータの値が更新されて損失が削減されます。

Rank-SVM は、最大化間隔戦略を使用し、非線形分類問題に対処するカーネル トリックを導入する、ランキング ベースのマルチラベル分類アルゴリズムです 29、30、31。 Rank-SVM 多重故障学習システムが m 個の線形分類器で構成されるとします \({\varvec{S}} = \left\{ {\left. {\left( {\omega_{j} ,b_{j} } \right)} \right|1 \le j \le m} \right\}\)、ここで、ωj は j 番目のクラスの故障に対応する重みベクトル、bj は j 番目のクラスの故障に対応するバイアスです。 特定の多重故障トレーニング サンプル セット \({\varvec{T}} = \left\{ {\left. {\left( {x_{i} ,Y_{i} } \right)} \right|1 \le i \le n} \right\}\)、多重故障学習システムは故障サンプル (xi, Yi) の分類間隔を生成します。これは次のように表すことができます。

式 (9) は、各関連マーカーと無関連マーカーのペアの下での分類超平面までの断層サンプルの距離を表します。 多重故障トレーニング サンプル セット T 全体を拡張することにより、学習システムの分類区間は次のように与えられます。

トレーニング サンプル セットの分類間隔は正であるとみなされ、線形分類器 S のパラメーターがスケーリングされます。 次に、トレーニング セットの分類間隔を最大化する最適化問題は次のように表すことができます。

トレーニング サンプルが十分に適切である、つまりすべてのカテゴリ マーカー yi および yk に対して適切であるとします。 {\varvec{T}}\ には \(\left( {x,{\text{Y}}} \right) \) が存在し、 \(\left( {y_{j} ,y_{k} } \right) \in {\text{Y}} \times {\bar{\text{Y}}}\)。 式 (11) は次のように変形できます。

max 演算子を合計演算子で近似し、スラック変数を導入し、損失としてランキング損失を使用することにより、最適化問題は次のように変換されます。

ここで、C は平衡係数、\(\xi_{ijk}\) は緩和変数、\(\xi_{ijk}\) ≥ 0 です。

鉱山換気システムの DT、MLP、および Rank-SVM ベースの RVMFL 診断モデルの診断パフォーマンスを比較および評価するために、評価指標は、マルチラベル分類問題に関する既存の文献 32、33、34、35 を考慮して選択されました。 ハミング損失、ランキング損失、カバレッジ、平均精度、および 1 エラーの 5 つの指標は、最も一般的に使用され、最も広く適用されている指標です。 表 1 に示すように、これらの 5 つの指標は、鉱山換気の RVMFL 診断モデルを評価するために選択されました。表の \(y \in \left\{ {0,1} \right\}^{N \times M}\) 1 は、複数の故障箇所の実ラベルに対応するバイナリ ラベル行列を示し、 \(\hat{f} \in {\varvec{R}}^{N \times M}\) は、各故障ラベルのスコアを示します。

換気システムの DT、MLP、および Rank-SVM ベースの RVMFL 診断法の実現可能性とモデルの信頼性を検証し、これら 3 つのモデルの診断性能を比較および分析して最適なモデルを見つけるために、以下を使用して実験が行われました。 10分岐のシンプルなT字型アングルジョイントネットワークと、多重故障箇所診断実験システムを備えた54分岐ネットワーク。 実験的研究プロセスを図 3 に示します。5 つの評価指標を使用し、10 倍の相互検証を使用して、多重故障位置診断サンプル セットをトレーニングおよび検証しました。 相互検証の結果は統計的に平均化されました。 換気システムを使用した実際の多重故障診断実験を実施し、モデルの信頼性を検証しました。

RVMFL 診断のための実験的研究プロセス。

文献 6 の T 字型アングルジョイント換気ネットワークのトポロジー、風抵抗係数、およびファン特性曲線は、換気システム RVMFL 診断研究の参考として使用されます。 図 4 は、8 つのノードと 10 のブランチを備えた T 字型アングルジョイント換気ネットワークを示しています。ブランチ e4 に調整があり、ブランチ e8 に換気ファンがあります。 換気扇の特性曲線は次のようになります。

T 字型アングルジョイント通気ネットワーク。

T 字型アングルジョイント換気ネットワークの分岐パラメータを表 2 に示します。

通常の生産期間中の換気ネットワークの分岐情報に基づいて、鉱山換気シミュレーション システム (MVSS)36 を使用して、入口および出口分岐を除く一般分岐の抵抗増加故障と抵抗減少故障をシミュレートします。ダンパーの故障。 換気システムの 2 つの分岐が同時に故障し、故障した空気抵抗値がランダムな方法を使用して生成されたと仮定すると、抵抗多重故障サンプル セットを生成する手順は次のとおりです。

換気システムのいずれかの 2 つのブランチ ei および ej が同時に故障したときに、換気ネットワークのトポロジと換気装置の動作特性を変更しないままにすると、抵抗変数 Δri および Δrj で、故障したブランチの風抵抗は \(r^{ \prime}_{i} = r_{i} \pm \Delta r_{i}\) および \(r^{\prime}_{j} = r_{j} \pm \Delta r_{j}\) 、 それぞれ。

風抵抗ベクトル \(\user2{R^{\prime}}_{\left( i \right)} = \left( {r_{1} ,r_{2} , \cdots ,r^{\ prime}_{i} 、 \cdots 、r^{\prime}_{j} 、 \cdots r_{n} } \right)\) ブランチ ei および ej 故障時の換気ネットワーク、換気ネットワーク障害が解決された後、新しいサンプル データが生成されます \(\user2{Q^{\prime}}_{\left( i \right)} = \left( {q^{\prime}_{1} ,q ^{\prime}_{2} , \cdots ,q^{\prime}_{n} } \right)\) は風量です。

多重故障サンプル データ空間を構築し、故障が発生したブランチ番号 ei および ej と換気システム ブランチ空気量 \(\user2{Q^{\prime}}_{\left( i \right)}\) を記録します。障害サンプル データ空間内のサンプル。

手順 (1) ～ (3) を繰り返すと、ei 分岐と ej 分岐が何度も発生し、故障変数の数が発生ごとに異なります。その結果、ei 分岐と ej 分岐で抵抗多重故障サンプルが生成されます。 上記のルールに基づいて、換気ネットワークの他のブランチは対応するブランチの多重故障サンプルを生成し、換気ネットワーク抵抗可変多重故障サンプル セット T を形成します。

上記の方法に従って、表 3 に示すように、T 字型アングルジョイント換気ネットワーク用に合計 600 セットの抵抗可変多重故障サンプルが生成されました。多重故障サンプル セット データの観察された特徴は、データに入力される前に正規化されました。多重故障箇所診断分類器。

ハイパーパラメーター設定の妥当性によって、モデルの多重故障箇所診断機械学習モデルの予測パフォーマンスが決まります。 この研究では、モデルのハイパーパラメータを決定するために相互検証グリッド検索方法が使用されます。 T 字型アングルジョイント換気ネットワークの多重故障箇所診断機械学習モデルのハイパーパラメーター設定を表 4 に示します。

600 セットの多重故障を含むサンプル セットを相互検証しました。 結果を図 5 に示します。図 5 に示すように、DT ベースの RVMFL 診断モデルのハミング損失は 0.061 であり、3 つのモデルの中で最も小さくなっています。 MLP ベースの RVMFL 診断モデルのランキング損失、カバレッジ、および 1 エラーはそれぞれ 0.067、1.643、0.117 で、3 つのモデルの中で最も小さく、平均精度 0.889 は 3 つのモデルの中で最も高くなります。 、ハミング損失は 0.106 です。 Rank-SVM ベースの RVMFL 診断モデルは、3 つのモデルすべての中で最も悪い予測メトリックを持っています。 DT、MLP、Rank-SVM の 3 つのアルゴリズムすべてを鉱山換気の多重故障箇所の診断に使用でき、この方法が実行可能であることがわかります。 MLP モデルは、T 字型アングルジョイント換気ネットワークの多重故障サンプル データセットに対して、最高の予測パフォーマンス、最高の一般化能力、および最高の予測精度を示します。 さらに、DT モデルは、ハミング損失を除くすべての指標において MLP よりわずかに低いですが、Rank-SVM よりは高くなります。つまり、DT モデルの予測パフォーマンスと汎化能力は、MLP よりわずかに低く、MLP よりもはるかに高いです。 Rank-SVM のものです。

T 字型アングルジョイント換気ネットワークの RVMFL 診断の相互検証結果。

実験用換気システムは、直径 200 mm、160 mm、110 mm の非可塑化ポリ塩化ビニル (UPVC) パイプを使用して構築されました。 実験システムの配管全長は353mです。 実験システムには 14 個の構造があり、そのうち 7 個は完全に閉じており、1 個は吸気分岐調整弁、残りの 6 個は故障を模擬した調整弁です。 このシステムは、さまざまな種類と量の故障をシミュレートでき、換気システムで複数の故障が発生する状況をより適切にシミュレートできます。 7 つのダンパーが閉じた位置は、抵抗下降故障実験をシミュレートするために実行でき、調整バルブの 6 つの位置は、抵抗増加故障実験をシミュレートするために実行できます。 実験システムを図 6 に示します。システムは 2 つの入口空気パイプラインと 2 つの出口空気パイプラインで構成されます。 システムの入口空気は直径 160 mm の UPVC パイプで構成され、システムの出口空気は直径 200 mm の UPVC パイプで構成され、主要部分の残りの部分は直径 110 mm の UPVC パイプで構成されました。 実験のデータ収集システムには、TSI 9565P 換気パラメータ テスターとピトー管が含まれています。 ピトー管を使用した風速試験の精度は、2000 フィート/分で ± 1.5% です。 実験の原理は、速度圧力をテストしてパイプラインセクションの中心での速度を取得し、それを平均空気速度に変換することです。 風速はTSIを用いて2分間連続監視し、その平均値を測定しました。 実験で使用されたパイプラインは比較的滑らかな工業用 UPVC パイプであるため、ムーディ線図と実際の通気抵抗テストによると、これら 3 つのパイプラインの通気抵抗の計算された流量指数はそれぞれ 1.834、1.849、および 1.812 です。 2本の戻り空気管の先端にはそれぞれ2台の遠心ファンが設置されており、システム内部には風量制御設備として風量制御弁が配置されています。

RVMFL診断実験システム。

実験システムのトポロジを図 7 に示します。ブランチ e1 にはモデル 9-26-4A 5.5KW 遠心ファンが設置され、ブランチ e65 にはモデル 9-19-5A 7.5KW 遠心ファンが設置されます。 両方のファンの動作周波数は 50 Hz です。 プレート抵抗法を使用してシステムの抵抗を増加させ、差圧計とピトー管を使用してさまざまなシステム条件下で換気ファンの風量と圧力をテストし、ファンの特性曲線方程式を取得します。データフィッティングという手法で。 テストによると、これらのファンの特性曲線は、それぞれ h (q) = 3156.2 + 1323.6 q—1838.7 q2 および h (q) = 4266.8 + 4515.3 q—4406.1 q2 です。

実験的なシステム トポロジ。

T 字型アングルジョイント換気ネットワーク抵抗可変多重故障サンプル セットの構築方法に基づいて、表 5 に示すように、実験用換気ネットワーク多重故障サンプル セットを 500 セット生成しました。

表 6 に示すように、実験用換気ネットワークの多重故障位置診断モデルのハイパーパラメータを決定するために、相互検証グリッド検索が採用されました。

500 グループの多重故障サンプル セットに対して相互検証を実行しました。相互検証の結果を図 8 に示します。図に示すように、MLP ベースの多重故障位置診断モデルは、ハミング損失が最も小さく、ランク付けされています。 3 つのモデル間の損失、カバレッジ、および 1 エラーはそれぞれ 0.012、0.004、1.086、および 0.002 で、最高の平均精度は 0.992 です。 DT モデルのハミング損失、ランキング損失、カバレッジ、ワンエラー、および精度はそれぞれ 0.014、0.05、1.63、0.056、および 0.916 であり、MLP モデルのメトリクスよりわずかに低いメトリクスを示しました。 Rank-SVM モデルのメトリクスは、3 つのモデルの中で最も悪くなっています。 MLP ベースの RVMFL 診断モデルの予測パフォーマンスと汎化能力は、DT モデルや Rank-SVM モデルよりも優れていることがわかります。

RVMFL 診断のための実験システムの相互検証結果。

実験システムでは、抵抗故障シミュレーション ポイントを増減することにより、多重故障位置診断モデルの信頼性が向上します。 したがって、換気システムには抵抗変化の多重故障が発生します。 多重故障サンプル セットに対する Rank-SVM モデルの予測パフォーマンスと一般化能力が低いため、ここでは考慮しません。 MLP モデルと DT モデルの信頼性のみが考慮されます。 実験用換気システムの抵抗増加故障のシミュレーション ポイントに事前設定された全開の調整バルブを使用して抵抗増加故障を作成し、元のシステムのダンパーを使用して抵抗減少故障を作成します。 合計 9 セットの多重故障が作成され、各状態の残りの分岐エアフローについてテストされました。 各多重故障診断が実行された後、システムは一貫性を確保するために元の換気システムの状態に復元されました。 実験用換気システムの多重故障例テストのサンプルを表 7 に示します。

MLP および DT モデルの信頼性は、表 5 の多重故障サンプル セットをトレーニング セットとして使用し、表 7 の実験用換気システムの多重故障サンプル テスト サンプルをテスト セットとして使用して検証されました。 MLP 多重故障箇所診断モデルを使用して、9 グループすべての多重故障箇所を 100% の精度で診断しました。 診断精度は 44.44% で、DT 多重故障箇所診断モデルを使用して 4 つのグループの 2 つの故障箇所を正確に診断しました。そのうち 1 つの故障箇所は 4 つのグループで正確に診断され、1 つのグループは両方の箇所で正確に診断されませんでした。 ML-KNN の既存モデルを使用して実験システムの多重故障箇所を診断すると、診断精度は k = 2 の場合 88.89%、k = 3 の場合 100% でした。MLP モデルの診断精度は ML の診断精度と同等です。 ●KNNモデル。

この研究では、鉱山換気システムの複数の場所で発生する抵抗障害の同時診断を調査し、RVMFL 診断用の 3 つの教師あり機械学習診断モデルを提案し、10 分岐 T 字型アングルを使用したモデルと手法の信頼性と有効性を検証しました。 - 共同換気ネットワークと 54 分岐の実験的換気ネットワーク。 以下の主な結論が得られました。

相互検証の結果によると、DT、MLP、および Rank-SVM 教師あり機械学習手法は、風量特性に基づいた鉱山換気システムの多重故障位置診断に実現可能です。 MLP モデルと DT モデルの両方の診断パフォーマンスは Rank-SVM モデルよりも優れており、MLP モデルのパフォーマンスが最も優れています。

実験用換気システム抵抗可変多重故障インスタンスの診断では、MLP モデルの診断精度は 100% であるのに対し、DT モデルの診断精度は 44.44% であり、MLP モデルの一般化能力がそれよりも優れていることを示しています。 DTモデルの。 高い診断精度と信頼性はエンジニアリング要件を満たしており、エンジニアリングの実践や応用において RVMFL 診断の方法として使用できます。

実験用換気システムの RVMFL 診断の成功した実践は、この研究で確立された鉱山用の抵抗可変多重故障実験的検証システムが鉱山換気システムのインテリジェントな故障診断のための検証プラットフォームとして機能し、工業試験を実施できないという問題を効果的に解決できることを示しています。現場で活躍し、鉱山のインテリジェント換気システムの構築を強力にサポートします。

この研究は鉱山換気システムの多重故障箇所の診断に焦点を当てたものであり、多重故障箇所が発生する換気システムにおける故障の大きさ、つまり故障の量を診断するにはさらなる研究が必要である。 この研究では、空気の体積のみをモデルへの入力として単一の特徴として使用しましたが、構造の差圧や節点の圧力エネルギーなどの要因を考慮すると、より高い精度が得られる可能性があります。 Rank-SVM の診断パフォーマンスは 3 つのモデルの中で最も悪いです。 Rank-SVM モデルのパフォーマンスに影響を与える要因は、ペナルティ係数の設定、カーネルの選択、サンプル サイズと品質です。 現時点では、この論文で選択されたカーネルは線形カーネルであり、この論文で設定されたペナルティ係数はモデルの診断パフォーマンスの低下につながる可能性があるため、その後の研究ではモデルのパフォーマンスに影響を与える要因に焦点を当てる必要があります。モデルの診断パフォーマンスを向上させるために、最適なモデル設定を見つけます。

すべての関連データはこの論文内にあります。

Cheng, JW ランダム シミュレーション法を使用した鉱山換気システムの信頼性の評価。 環境。 工学管理。 J. 15、841–850 (2016)。

記事 Google Scholar

Cheng, J.、Zhou, F. & Yang, S. 鉱山換気システムの設計における信頼性割り当てモデルとアプリケーション。 IJST-T. 文明 ８月。 38、61–73 (2014)。

Google スカラー

Zhang, HB、Fava, L.、Cai, M.、Vayenas, N. & Acuna, E. 地下鉱山における DPM 濃度分布を調査するためのハイブリッド手法。 トゥン。 アンダーグラ Sp. 技術。 115、104042 (2021)。

記事 Google Scholar

Tutak, M.、Brodny, J.、Szurgacz, D.、Sobik, L. & Zhironkin, S. 開発分野における石炭のメタン放出の危険性と自然発火に対する換気システムの影響 - ケーススタディ。 エネルギー 13、4891 (2020)。

記事 CAS Google Scholar

Parra, MT、Villafruela, JM、Castro, F. & Mendez, C. 深部鉱山におけるさまざまな換気システムの数値解析および実験解析。 建てる。 環境。 41、87–93 (2006)。

記事 Google Scholar

Liu、J.ら。 風量特性に基づく鉱山換気システムの抵抗変化による単一故障源診断。 J. 中国石炭協会 43、143–149 (2018)。

CAS Google スカラー

Huang, D.、Liu, J. & Deng, LJ 風損変化故障診断のためのハイブリッド エンコーディング適応進化戦略アルゴリズム。 プロセス。 サフ。 環境。 136、242–252 (2020)。

記事 CAS Google Scholar

Liu, J. 鉱山のインテリジェント換気に関する主要な科学的および技術的問題の概要。 サフ。 石炭最小値 51、108–111+117 (2020)。

Google スカラー

Liu, L.、Liu, J.、Zhou, QC、Huang, D. 鉱山換気システムの風損変化故障診断のための機械学習アルゴリズムの選択。 上級工学知らせる。 53、101666 (2022)。

記事 Google Scholar

Zhao, D. & Shen, ZY 改良された SVM に基づく鉱山換気システムの道路障害診断に関する研究。 分。 メタル。 探検してください。 39、983–992 (2022)。

Google スカラー

Ni、JF、Li、Z.、Le、XR、Deng、LJ & Wang、XJ ランダムフォレストに基づく換気ネットワークの抵抗変化故障診断方法。 J.サフ。 科学。 技術。 18、34–39 (2022)。

Google スカラー

Ni、JF、Le、XR、Chang、LF、Deng、LJ 抵抗バリアント故障診断とデシジョン ツリーに基づく鉱山換気用センサーの最適化レイアウト。 J.サフ。 科学。 技術。 17、34–39 (2021)。

Google スカラー

Zhang, L.、Zhang, YH、Zhang, YB、Li, Z. 機械学習に基づく換気ネットワークの故障診断方法に関する研究。 J. ミンオートマ。 48、91–98 (2022)。

Google スカラー

Huang、D.ら。 鉱山換気における抵抗変化断層の観測特徴の組み合わせ選択に関する実験的研究。 J. 中国石炭協会 46、3922–3933 (2021)。

Google スカラー

Wang, D.、Liu, J.、Deng, LJ & Wang, HL ML-KNN に基づく鉱山換気システムの抵抗変化の複数の故障箇所のインテリジェントな診断。 PLoS ONE 17、e0275437 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Li, CY、Sun, L.、Peng, DD、Subramani, S. & Nicolas, SC 心電図の異常分類のためのマルチラベル分類システム。 健康情報科学。 システム。 10、19 (2022)。

論文 CAS PubMed Google Scholar

Lee, J. & Kim, DW 多変量相互情報量を使用した多ラベル分類のための特徴選択。 パターン認識。 レット。 34、349–357 (2013)。

記事 ADS Google Scholar

Farsal, W.、Ramdani, M.、Anter, S. GML_DT: 新しい段階的なマルチラベル決定木分類器。 内部。 J.Adv. 計算します。 科学。 12、249–254 (2021)。

Google スカラー

Srinivasan, VP、Balasubadra, K.、Saravanan, K.、Arjun, VS & Malarkodi, S. スマート グリッドにおける誤ったデータ インジェクション攻撃に対するマルチラベル ディープ ラーニング分類アプローチ。 KSII T. インターネット。 情報 15、2168–2187 (2021)。

Google スカラー

Xu、JH ゼロラベルを備えた効率的なマルチラベルサポートベクターマシン。 エキスパートシステム。 応用 39、4796–4804 (2012)。

記事 Google Scholar

Al-Salemi, B.、Noah、SAM & Ab Aziz、MJ RFBoost: 改良されたマルチラベル ブースティング アルゴリズムとそのテキスト分類への応用。 知識ベースのシステム 103、104–117 (2016)。

記事 Google Scholar

Zhang、ML & Zhou、ZH ML-KNN: マルチラベル学習への遅延学習アプローチ。 パターン認識。 40、2038 ～ 2048 年 (2007)。

記事 ADS MATH Google Scholar

Breiman, L.、Friedman, JH、Olshen, RA & Stone、CJ 分類および回帰ツリー (Wadsworth、1984)。

数学 Google Scholar

Yi、WG、Lu、MY、Liu、Z。 複数値の属性と複数ラベルのデータ決定木アルゴリズム。 内部。 J.マッハ。 学ぶ。 サイバー。 2、67–74 (2011)。

記事 Google Scholar

Chen、YL、Hsu、CL、Chou、SC 多値および複数ラベルの決定木を構築します。 エキスパートシステム。 応用 25、199–209 (2003)。

記事 Google Scholar

ファビアン、P.ら。 Scikit-learn: Python での機械学習。 JMLR。 12、2825–2830 (2011)。

MathSciNet MATH Google Scholar

Chen、ZH、Chi、ZR、Fu、H. & Feng、DG マルチインスタンス マルチラベル画像分類: ニューラル アプローチ。 ニューロコンピューティング 99、298–306 (2013)。

記事 Google Scholar

Al Bataineh、A.、Kaur、D.、Jalali、SMJ 自然にインスピレーションを得たコンピューティングを使用した多層パーセプトロン トレーニングの最適化。 IEEE Access 10、36963–36977 (2022)。

記事 Google Scholar

Xu, JH ランダム ブロック座標降下法を使用したマルチラベル ラグランジュ サポート ベクター マシン。 知らせる。 科学。 329、184–205 (2016)。

記事 MATH Google Scholar

Jung、C.、Shen、YB、Jiao、LC アンサンブル ランキング SVM を使用してランキングを学習します。 神経プロセス。 レット。 42、703–714 (2015)。

記事 Google Scholar

Wu、GQ、Zheng、RB、Tian、YJ、Liu、DL 共同ランキング SVM およびマルチラベル分類のための堅牢な低ランク学習によるバイナリ関連性。 ニューラルネットワーク。 122、24–39 (2020)。

論文 PubMed MATH Google Scholar

Zhang, QG、Liu, ZG、Zhu, L. & Zhang, Y. マルチラベル ウェーブレット サポート ベクター マシンを使用した複数の電力品質障害の認識。 手順 CSEE。 33、114–120+18 (2013)。

Google スカラー

Zhou, H.、Li, X.、Liu, GS 関連情報の重み付けに基づくマルチラベル分類の適応アルゴリズム。 計算します。 応用柔らかい。 32、239–243 (2015)。

Google スカラー

Kong、XN、Li、M.、Jiang、Y.、Zhou、ZH 弱いラベル付けのためのトランスダクティブマルチラベル分類法。 Ｊ．Ｃｏｍｐｕｔ． 解像度開発者 47、1392–1399 (2010)。

Google スカラー

Bao, YC, Zhang, JC, Du, SX & Zhang, JJ 非負行列因数分解とスパース表現に基づくマルチラベル分類アルゴリズム。 Ｊ．Ｃｏｍｐｕｔ． 応用 42、1375–1382 (2022)。

Google スカラー

Li、YC、Liu、J.、Jia、TG 鉱山換気システムの変換における MVSS 3.0 の適用。 サフ。 石炭最小値 4、21–22 (2007)。

CAS Google スカラー

リファレンスをダウンロードする

この論文は、中国国家重点研究開発プログラム (番号 2017YFC0804401)、中国自然科学財団 (番号 51574142 および 51774169) によって資金援助されています。

遼寧工科大学安全科学工学部、葫蘆島、125105、遼寧省、中国

ドン・ワン、ジャン・リウ、デン・リージュン、ワン・ホンリン

教育省鉱山熱動力災害予防主要研究所、葫蘆島、125105、遼寧省、中国

ドン・ワン、ジャン・リウ、デン・リージュン、ワン・ホンリン

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

DW: 方法論、データキュレーション、実験、原案作成、執筆レビューと編集。 JL: 構想、監督、プロジェクト管理、資金調達。 LJD: 調査、ソフトウェア、検証。 HLW: データキュレーション。

Jian Liu への通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Wang, D.、Liu, J.、Lijun, D. et al. 鉱山換気システム内の抵抗変化多重故障箇所の教師付き診断実験。 Sci Rep 13、5259 (2023)。 https://doi.org/10.1038/s41598-023-32530-7

引用をダウンロード

受信日: 2022 年 11 月 29 日

受理日: 2023 年 3 月 29 日

発行日: 2023 年 3 月 31 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。