Une expérience de diagnostic supervisé de localisations multi-défauts à résistance variable dans un système de ventilation de mine

Rapports scientifiques volume 13, Numéro d'article : 5259 (2023) Citer cet article

246 accès

Détails des métriques

Le diagnostic de localisation de défauts multiples à résistance variable (RVMFL) dans un système de ventilation de mine est une fonction essentielle du système de ventilation intelligent de mine, qui est d'une grande importance pour la production en toute sécurité. Dans cet article, un modèle d'apprentissage automatique supervisé basé sur un arbre de décision (DT), un perceptron multicouche (MLP) et une machine à vecteurs de support de classement (Rank-SVM) est proposé pour le diagnostic RVMFL dans un système de ventilation de mine. La faisabilité de la méthode et les performances prédictives et la capacité de généralisation du modèle ont été vérifiées à l'aide d'une validation croisée décuplé d'un ensemble d'échantillons multi-défauts d'un réseau de ventilation à angle en forme de T à 10 branches et d'un réseau de ventilation expérimental à 54 branches. La fiabilité du modèle a ensuite été vérifiée en diagnostiquant le RVMFL du système de ventilation expérimental. Les résultats montrent que les trois modèles, DT, MLP et Rank-SVM, peuvent être utilisés pour le diagnostic de RVMFL dans les systèmes de ventilation des mines, et les performances de prédiction et la capacité de généralisation des modèles MLP et DT fonctionnent mieux que le modèle Rank-SVM. Dans le diagnostic des emplacements multi-défauts du système de ventilation expérimental, la précision diagnostique du modèle MLP a atteint 100 % et celle du modèle DT était de 44,44 %. Les résultats confirment que le modèle MLP surpasse les trois modèles et peut répondre aux besoins d'ingénierie.

La fonction principale du système de ventilation de la mine est de fournir de l'air frais aux endroits souterrains qui ont besoin de vent. Cela dilue et élimine les gaz toxiques et nocifs, tels que le gaz, le monoxyde de carbone et la poussière. Il peut également créer un bon environnement de travail pour garantir la santé au travail des travailleurs et le déroulement normal des activités de production1,2,3. Un bon système de ventilation peut réduire efficacement les risques d'accidents, tels que la combustion et l'explosion de gaz ou de poussière de charbon, l'empoisonnement au monoxyde de carbone et l'asphyxie, dans les mines4,5. Cela montre qu'un système de ventilation stable et fiable est extrêmement important pour assurer la sécurité de la production de la mine. Cependant, au cours du processus de production d'une mine, des changements soudains du volume d'air du système de ventilation se produisent inévitablement, tels que le blocage de la chute de la bulle de la chaussée, la rupture et la défaillance des amortisseurs et la vidange du silo de la mine. L'essence de ces phénomènes, qui entraînent des changements brusques du volume d'air de la chaussée, est le changement soudain de la résistance au vent de la chaussée. Dans ce cas, ces phénomènes sont définis comme l'apparition d'une rupture de résistance dans le système de ventilation de la mine6. Lorsqu'un défaut de résistance se produit dans un système de ventilation de mine, la répartition du volume d'air dans le système de ventilation change considérablement. Cela conduit très probablement à une diminution de l'apport d'air dans les fronts de taille et de creusement, ainsi qu'à l'accumulation de gaz toxiques et nocifs dans certaines souffleries. Cela entraînera de graves risques pour la sécurité et des risques pour la mine7.

Le réseau de ventilation de la mine a une bonne auto-adaptabilité et robustesse, ce qui le rend adapté à l'application de l'intelligence artificielle et des méthodes d'apprentissage automatique8. En raison du développement rapide de la technologie intelligente, la méthode traditionnelle consistant à s'appuyer sur le personnel pour identifier les défauts de résistance variable dans les systèmes de ventilation a été progressivement remplacée par des méthodes de diagnostic intelligentes. La méthode de diagnostic intelligent peut économiser des ressources humaines et matérielles considérables. De plus, il fait gagner beaucoup de temps et s'adapte à la demande d'élimination rapide des défauts du système de ventilation des mines. Des études ont montré que l'intelligence artificielle et les algorithmes d'apprentissage automatique, tels que la machine à vecteurs de support (SVM), l'arbre de décision (DT), le réseau de neurones artificiels (ANN), la forêt aléatoire (RF), l'algorithme génétique (GA) et le perceptron multicouche (MLP), sont utilisés pour résoudre les problèmes de diagnostic de défaut unique dans les systèmes de ventilation des mines9,10,11,12,13,14. Cependant, en raison de la spécificité et de la complexité des conditions des mines souterraines, il est courant que les systèmes de ventilation des mines présentent simultanément des défauts de résistance variable à plusieurs endroits. Peu d'études ont été menées sur le diagnostic et l'identification des défauts à plusieurs endroits des systèmes de ventilation des mines.

Wang et al.15 ont d'abord proposé un modèle et une méthode d'apprentissage automatique basé sur le k-plus proche voisin (basé sur ML-KNN) pour le diagnostic de l'emplacement multidéfaut variable de résistance (RVMFL) dans les systèmes de ventilation des mines. Ils résolvent le problème de diagnostic RVMFL des systèmes de ventilation des mines en tant que problème multilabel et multi-classification. A partir du problème de diagnostic de localisation multi-défauts, le problème de classification multi-étiquettes peut être transformé en plusieurs problèmes de classification mono-étiquette grâce à une stratégie de conversion. Par exemple, le problème de diagnostic RVMFL du système de ventilation peut être divisé en plusieurs problèmes de diagnostic de localisation de défaut unique, mais cela augmente sans aucun doute la complexité de calcul16,17. Le problème de classification multi-étiquettes peut également être résolu en appliquant des algorithmes de prise en charge et d'adaptation de la classification multi-étiquettes, tels que DT, MLP, Rank-SVM et AdaBoost.MH, ML-KNN18,19,20,21,22. Ces méthodes sont toutes des algorithmes d'apprentissage automatique supervisés, et Rank-SVM est une amélioration de l'algorithme SVM. Selon les études existantes, DT, MLP et SVM réussissent bien à résoudre le problème du diagnostic de localisation de défaut unique à résistance variable dans le système de ventilation de la mine9. De plus, ces méthodes représentent une valeur importante dans l'application des problèmes de classification. Formellement en raison de leurs bonnes performances de classification et de leur adaptation aux problèmes de classification multi-étiquettes, les méthodes de diagnostic intelligent des RVMFL dans les systèmes de ventilation sont améliorées. Dans cet article, trois algorithmes d'apprentissage automatique importants et largement utilisés, DT, MLP et Rank-SVM, sont utilisés pour étudier le problème du diagnostic du RVMFL dans les systèmes de ventilation des mines.

Il est bien connu que différents algorithmes présentent différentes précisions de prédiction, performances et capacités de généralisation. Des tests industriels sont fréquemment effectués pour confirmer si ces algorithmes peuvent être utilisés dans la pratique de l'ingénierie, dans quelle mesure ils fonctionnent dans le diagnostic RVMFL et à quel point chaque modèle de diagnostic est fiable et valide. Pour effectuer un essai industriel sur le terrain d'une défaillance d'un système de ventilation dans une mine de production, il est nécessaire d'ouvrir les registres à l'état fermé pendant une longue période ou de bloquer le tunnel pour provoquer une véritable défaillance dans la mine, notamment pour créer une défaillance à plusieurs endroits. Cependant, un tel test n'est pas autorisé, en particulier dans les mines de charbon. Si le test industriel de défaut variable de résistance est effectué dans des mines de métaux, contrairement aux mines de charbon, les mines de métaux ne subissent pas de catastrophes de gaz et d'incendies naturels de charbon dans la zone minière lors de la collecte de données d'échantillons de test. Cela peut conduire le système de ventilation de la mine à un état de défaillance pendant une longue période, ce qui affecte considérablement la sécurité de la production des mines. En résumé, la réalisation d'essais industriels sur des défauts réels à résistance variable dans les systèmes de ventilation des mines est difficile et comporte certains risques pour la sécurité. Pour résoudre le problème de la création de défauts à résistance variable dans les mines réelles qui affectent la production normale, un système expérimental de simulation de défauts à résistance variable du système de ventilation a été construit. L'avantage de ce système est qu'il peut simuler tout type de défauts à résistance variable et créer n'importe quel degré de défauts à résistance variable à n'importe quel endroit, sans être limité par les conditions environnementales du site et sans problèmes de sécurité, tels que des tests industriels sur le terrain.

Les principaux objectifs de cette étude sont les suivants : (1) Résoudre le problème du diagnostic précis des défauts à résistance variable se produisant simultanément à plusieurs endroits dans le système de ventilation de la mine. (2) Analyser et comparer les performances de différents algorithmes intelligents dans le problème du diagnostic de localisation multi-défauts des défauts variables de résistance dans les systèmes de ventilation pour trouver des algorithmes et des modèles plus appropriés. (3) Construire un système expérimental pour simuler des défauts à résistance variable dans le système de ventilation de la mine. Ensuite, utiliser ce système pour vérifier la fiabilité et la validité du modèle proposé par des expériences, et résoudre le problème de l'impossibilité de mener des tests industriels réalistes pour confirmer la fiabilité et la validité des algorithmes dans les mines de production réelles. (4) Les résultats de l'étude fournissent une base théorique pour la construction d'un corps intelligent sur les systèmes de ventilation des mines. Le flux de recherche de cet article est illustré à la Fig. 1.

Organigramme de recherche.

La mine se produit des défauts multiples à résistance variable se réfèrent aux cas dans lesquels le système de ventilation de la mine dans une période de production normale subit simultanément des défauts à résistance variable dans deux ou plusieurs routes différentes. Cette étude considère le cas de deux chaussées se produisant simultanément avec des défauts à résistance variable comme exemple et adopte une méthode d'apprentissage supervisé pour aborder le problème de diagnostic RVMFL du système de ventilation de la mine. La figure 2 montre le déroulement de la méthode de diagnostic pour le RVMFL du système de ventilation de la mine. L'essence du diagnostic RVMFL d'un système de ventilation de mine est de construire un classificateur multilabel de défauts à résistance variable. Ce classificateur peut rapidement diagnostiquer et identifier les emplacements des défauts multiples à résistance variable en fonction des informations de débit d'air du système de ventilation après que les défauts se sont produits.

Processus de méthode de diagnostic RVMFL du système de ventilation.

L'information aéraulique de tout ou partie des branches résiduelles du réseau de ventilation est utilisée comme élément d'observation. Sur la base des valeurs surveillées par les capteurs de vitesse du vent de la mine, les valeurs surveillées sont moyennées statistiquement pour la moyenne temporelle, corrigées pour les valeurs de vitesse du vent en un seul point et converties en débit d'air du système de ventilation. Les données de caractéristiques observées de l'ensemble d'échantillons de formation construit sont normalisées et utilisées comme entrée du classificateur pour l'apprentissage et la formation, et le vecteur binaire des étiquettes de défaut correspondant aux emplacements multi-défauts est utilisé comme sortie du classificateur pour former un classificateur de diagnostic RVMFL pour la ventilation des mines. Sur la base des changements de vitesse de l'air aux points de surveillance lorsqu'un système de ventilation en production normale présente un multidéfaut variable de résistance, le classificateur de diagnostic de localisation multidéfaut formé peut diagnostiquer rapidement les emplacements des défauts.

L'algorithme DT prend en charge les problèmes de classification multilabel. Le processus de diagnostic RVMFL équivaut à la construction d'un arbre de classification des étiquettes de défaut, qui est basé sur le principe de l'apprentissage d'échantillons multi-défauts et de la déduction de règles de décision de défaut simples à partir des caractéristiques des données pour prédire les valeurs cibles de localisation des défauts23,24,25. Lorsqu'un vecteur de volume de vent xi ∈ Rn, i = 1,…,l et son vecteur d'étiquette d'emplacement de défaut correspondant y ∈ Rl après qu'un multidéfaut variable de résistance se produisent, l'arbre de classification divise récursivement l'espace des caractéristiques afin que les échantillons avec le même étiquette de défaut soient regroupés. Pour chaque point de segmentation d'entité, notons \(\Phi_{m}\) nm données d'échantillon multi-défauts au nœud m. Pour une segmentation candidate θ = (j, tm) comprenant une caractéristique de faille j et une valeur de domaine tm, segmentez les données en sous-ensembles \(\Phi_{m}^{a} \left( \theta \right)\) et \(\Phi_{m}^{b} \left( \theta \right)\). Les règles de segmentation sont les suivantes :

La fonction d'impureté est utilisée pour calculer le nombre d'impuretés pour une segmentation candidate du nœud m. L'indice de Gini est choisi comme fonction métrique de l'impureté et est calculé comme suit :

où pmk est la proportion de données étiquetées k au nœud m.

Les paramètres qui minimisent les impuretés sont les suivants :

La récursivité des sous-ensembles \(\Phi_{m}^{a} \left( {\theta^{*} } \right)\) et \(\Phi_{m}^{b} \left( {\theta^{*} } \right)\) jusqu'à ce que la profondeur maximale autorisée soit atteinte se termine, ce qui génère à son tour un arbre de classification pour le diagnostic RVMFL.

MLP est un algorithme d'apprentissage supervisé qui est un réseau à anticipation et prend en charge la résolution de problèmes de classification multilabel26,27,28. Étant donné un ensemble de caractéristiques de défauts multiples à résistance variable et ses étiquettes de défauts correspondantes, il peut apprendre à obtenir un approximateur de fonction non linéaire pour le diagnostic de localisation de plusieurs défauts. Entre les couches d'entrée et de sortie du modèle MLP de diagnostic de localisation multi-défauts, il peut y avoir l (l ≥ 1) couches implicites avec le mécanisme de traitement de l'information suivant :

où \(O_{j}^{(l)}\) est la sortie du jième neurone de la couche l, \(O_{i}^{l - 1}\) est la sortie du ième neurone de la couche l-1, \(w_{ij}^{\left( l \right)}\) est le poids de connexion du ième neurone de la couche l-1, et le jième neurone de la couche l, \(b_{j}^{l}\) est le biais du jième neurone dans la couche l, et g(∙) est la fonction d'activation utilisant la tangente hyperbolique comme fonction d'activation :

L'algorithme de descente de gradient stochastique a été choisi et utilisé pour former ce réseau de perceptron de diagnostic de localisation multi-défauts en utilisant le gradient de la fonction de perte pour mettre à jour les poids w :

où η est le taux d'apprentissage de l'étape de contrôle dans la recherche de l'espace des paramètres.

L'entropie croisée moyenne est utilisée comme fonction de perte pour le modèle de diagnostic RVMFL, dont l'expression dans le cas binaire prend la forme suivante :

où \(\hat{y}\) est l'emplacement prévu du défaut, y est l'emplacement réel du défaut, n est le nombre d'échantillons, \(\alpha \left\| w \right\|_{2}^{2}\) est le terme de régularisation L2 du modèle complexe pénalisé, et α > 0 est un hyperparamètre non négatif contrôlant l'ampleur de la pénalité.

En commençant par les poids aléatoires initiaux, MLP minimise la fonction de perte en mettant à jour ces poids de manière itérative. Après avoir calculé la perte, la rétropropagation la propage de la couche de sortie à la couche précédente, en mettant à jour la valeur de chaque paramètre de poids pour réduire la perte.

Rank-SVM est un algorithme de classification multilabel basé sur le classement qui utilise une stratégie d'intervalle de maximisation et introduit une astuce du noyau pour résoudre les problèmes de classification non linéaire29,30,31. Soit le système d'apprentissage multi-défauts Rank-SVM composé de m classificateurs linéaires \({\varvec{S}} = \left\{ {\left. {\left( {\omega_{j} ,b_{j} } \right)} \right|1 \le j \le m} \right\}\), où ωj est le vecteur de poids correspondant à la jème classe de défauts et bj est le biais correspondant à la jème classe de défauts. Pour un ensemble d'échantillons d'apprentissage multi-défauts donné \({\varvec{T}} = \left\{ {\left. {\left( {x_{i} ,Y_{i} } \right)} \right|1 \le i \le n} \right\}\), le système d'apprentissage multi-défauts produit des intervalles de classification pour les échantillons de défauts (xi, Yi), qui peuvent être exprimés comme suit :

L'équation (9) représente la distance des échantillons de défaut à l'hyperplan de classification sous chaque paire de marqueurs pertinents-non pertinents. En élargissant l'ensemble d'échantillons d'apprentissage multi-défauts T , l'intervalle de classification du système d'apprentissage est donné par

L'intervalle de classification de l'ensemble d'échantillons d'apprentissage est considéré comme positif et les paramètres du classificateur linéaire S sont mis à l'échelle. Ensuite, le problème d'optimisation de la maximisation de l'intervalle de classification de l'ensemble d'apprentissage peut être exprimé comme suit :

Soit l'échantillon d'apprentissage suffisamment adéquat, c'est-à-dire pour tous les marqueurs de catégorie yi et yk ; il existe \(\left( {x,{\text{Y}}} \right) \in {\varvec{T}}\) tel que \(\left( {y_{j} ,y_{k} } \right) \in {\text{Y}} \times {\bar{\text{Y}}}\). L'équation (11) peut être transformée comme suit :

En approximant l'opérateur max avec un opérateur de sommation et en introduisant des variables d'écart et en utilisant Ranking Loss comme perte, le problème d'optimisation est transformé en

où C est le coefficient d'équilibre et \(\xi_{ijk}\) est la variable de relaxation, \(\xi_{ijk}\) ≥ 0.

Pour comparer et évaluer les performances de diagnostic des modèles de diagnostic RVMFL basés sur DT, MLP et Rank-SVM pour les systèmes de ventilation des mines, les mesures d'évaluation ont été sélectionnées en tenant compte de la littérature existante sur les problèmes de classification multilabel 32,33,34,35. Les cinq métriques de perte de Hamming, de perte de classement, de couverture, de précision moyenne et d'erreur unique sont les métriques les plus couramment utilisées et les plus largement appliquées. Ces cinq métriques ont été sélectionnées pour évaluer les modèles de diagnostic RVMFL pour la ventilation des mines, comme indiqué dans le tableau 1. \(y \in \left\{ {0,1} \right\}^{N \times M}\) dans le tableau 1 désigne la matrice d'étiquettes binaires correspondant aux étiquettes réelles aux emplacements multidéfauts, et \(\hat{f} \in {\varvec{R}}^{N \times M}\) indique le score pour chaque étiquette de défaut.

Pour vérifier la faisabilité et la fiabilité du modèle de la méthode de diagnostic RVMFL basée sur DT, MLP et Rank-SVM pour les systèmes de ventilation, ainsi que pour comparer et analyser les performances de diagnostic de ces trois modèles et trouver le modèle optimal, des expériences ont été menées à l'aide d'un réseau à articulation en angle simple en forme de T à 10 branches et d'un réseau à 54 branches avec un système expérimental de diagnostic de localisation multi-défauts. Le processus d'étude expérimentale est illustré à la Fig. 3. À l'aide de cinq mesures d'évaluation, une validation croisée décuplée a été utilisée pour former et valider l'ensemble d'échantillons de diagnostic de localisation multi-défauts. Les résultats de la validation croisée ont été moyennés statistiquement. Des expériences réelles de diagnostic multi-défauts ont été menées à l'aide d'un système de ventilation pour vérifier la fiabilité du modèle.

Le processus d'étude expérimentale pour le diagnostic RVMFL.

La topologie du réseau de ventilation à angle en T, le coefficient de résistance au vent et les courbes caractéristiques des ventilateurs de la littérature 6 sont utilisés comme références pour l'étude de diagnostic RVMFL du système de ventilation. La figure 4 montre un réseau de ventilation à angle en forme de T avec 8 nœuds et 10 branches, avec un réglage à la branche e4 et un ventilateur de ventilation à la branche e8. La courbe caractéristique du ventilateur de ventilation est donnée comme suit :

Réseau de ventilation à angle en forme de T.

Les paramètres de branchement du réseau de ventilation à angle en forme de T sont présentés dans le tableau 2.

Sur la base des informations de branche du réseau de ventilation en période normale de production, le système de simulation de ventilation de mine (MVSS)36 est utilisé pour simuler les défauts d'augmentation de résistance des branches générales, à l'exception des branches d'entrée et de sortie, et les défauts de diminution de résistance des registres. En supposant que les deux branches du système de ventilation tombent en panne simultanément et que les valeurs de résistance de l'air défaillant sont générées à l'aide d'une méthode aléatoire, les étapes de génération de l'ensemble d'échantillons multi-défauts résistifs sont les suivantes :

En gardant la topologie du réseau de ventilation et les caractéristiques de fonctionnement du ventilateur inchangées lorsque deux branches quelconques du système de ventilation ei et ej sont en défaut simultanément, avec des variables de résistance Δri et Δrj, les résistances au vent de la branche défectueuse deviennent \(r^{\prime}_{i} = r_{i} \pm \Delta r_{i}\) et \(r^{\prime}_{j} = r_{j} \pm \Del ta r_{j}\), respectivement.

Basé sur le vecteur de résistance au vent \(\user2{R^{\prime}}_{\left( i \right)} = \left( {r_{1} ,r_{2} , \cdots ,r^{\prime}_{i} , \cdots ,r^{\prime}_{j} , \cdots r_{n} } \right)\) du réseau de ventilation au moment des défaillances des branches ei et ej, le réseau de ventilation après que le défaut est résolu une fois qu'il génère de nouvelles données d'échantillon \(\user2{Q^{\prime}}_{\left( i \right)} = \left( {q^{\prime}_{1} ,q^{\prime}_{2} , \cdots ,q^{\prime}_{n} } \right)\) pour le volume d'air.

Construisez un espace de données d'échantillon multi-défauts et enregistrez les numéros de branche ei et ej où le défaut s'est produit et le volume d'air de la branche du système de ventilation \(\user2{Q^{\prime}}_{\left( i \right)}\) comme échantillon dans l'espace de données d'échantillon de défaut.

Répétez les étapes (1) à (3) de sorte que les branches ei et ej se produisent plusieurs fois et que le nombre de variables de défaut diffère à chaque occurrence, ce qui entraîne la génération d'échantillons multi-défauts de résistance sur les branches ei et ej. Sur la base des règles ci-dessus, d'autres branches du réseau de ventilation génèrent des échantillons multi-défauts des branches correspondantes, formant l'ensemble d'échantillons multi-défauts variables de résistance du réseau de ventilation T.

En suivant la méthode ci-dessus, un total de 600 ensembles d'échantillons multi-défauts à résistance variable ont été générés pour le réseau de ventilation à joint d'angle en forme de T, comme indiqué dans le tableau 3. Les caractéristiques observées des données de l'ensemble d'échantillons multi-défauts ont été normalisées avant d'être entrées dans le classificateur de diagnostic d'emplacement multi-défauts.

Le caractère raisonnable des paramètres d'hyperparamètres détermine les performances prédictives du modèle d'apprentissage automatique de diagnostic d'emplacement multi-défauts du modèle. Dans cette étude, la méthode de recherche par grille de validation croisée est utilisée pour déterminer les hyperparamètres du modèle. Les paramètres d'hyperparamètres du modèle d'apprentissage automatique de diagnostic d'emplacement multi-défauts du réseau de ventilation à angle en forme de T sont présentés dans le tableau 4.

Un ensemble d'échantillons contenant 600 ensembles de multidéfauts a fait l'objet d'une validation croisée. Les résultats sont présentés à la Fig. 5. Comme le montre la Fig. 5, le modèle de diagnostic RVMFL basé sur DT a une perte de Hamming de 0,061, qui est la plus petite parmi les trois modèles. Le modèle de diagnostic RVMFL basé sur MLP a une perte de classement, une couverture et une erreur de 0,067, 1,643 et 0,117, respectivement, qui sont les plus petites parmi les trois modèles, et sa précision moyenne de 0,889 est la plus élevée parmi les trois modèles, et il a une perte de Hamming de 0,106. Le modèle de diagnostic RVMFL basé sur Rank-SVM a les pires mesures prédictives des trois modèles. On peut observer que les trois algorithmes, DT, MLP et Rank-SVM, peuvent être utilisés pour diagnostiquer les emplacements multi-défauts dans la ventilation des mines, et la méthode est réalisable. Le modèle MLP présente les meilleures performances de prédiction, la meilleure capacité de généralisation et la plus grande précision de prédiction pour l'ensemble de données d'échantillons multi-défauts du réseau de ventilation à angle en forme de T. De plus, le modèle DT est légèrement inférieur au MLP dans toutes les métriques à l'exception de la perte de Hamming mais supérieur au Rank-SVM, c'est-à-dire que les performances prédictives et la capacité de généralisation du modèle DT sont légèrement inférieures à celles du MLP et bien supérieures à celle du Rank-SVM.

Résultats de validation croisée pour le diagnostic RVMFL du réseau de ventilation à angle en forme de T.

Le système de ventilation expérimental a été construit à l'aide de tuyaux en chlorure de polyvinyle non plastifié (UPVC) de diamètres 200 mm, 160 mm et 110 mm. La longueur totale de la tuyauterie du système expérimental est de 353 m. Il y a 14 structures dans le système expérimental, dont sept sont complètement fermées, une est le réglage de la branche d'air d'admission et les six autres sont des vannes de réglage simulées par défaut. Le système peut simuler différents types et quantités de défauts, et il peut mieux simuler des situations dans lesquelles plusieurs défauts se produisent dans le système de ventilation. La position de sept amortisseurs fermés peut être effectuée pour simuler l'expérience de défaut de résistance descendante, et la position de six vannes de régulation peut être effectuée pour simuler l'expérience de défaut de résistance croissante. Le système expérimental est illustré à la Fig. 6. Le système comprend deux conduites d'air d'entrée et deux de sortie. L'air d'entrée du système comprenait des tuyaux UPVC d'un diamètre de 160 mm, l'air de sortie du système comprenait des tuyaux UPVC d'un diamètre de 200 mm et le reste de la partie principale comprenait des tuyaux UPVC d'un diamètre de 110 mm. Le système de collecte de données de l'expérience comprend un testeur de paramètres de ventilation TSI 9565P et un tube de Pitot. La précision des tests de vitesse du vent à l'aide d'un tube de Pitot est de ± 1,5 % à 2 000 pi/min. Le principe de l'expérience est de tester la pression de vitesse pour obtenir la vitesse au centre de la section de canalisation et de la convertir en vitesse moyenne de l'air. La vitesse du vent a été testée en utilisant TSI pour surveiller en continu pendant deux minutes et en prenant la valeur moyenne. Étant donné que le pipeline utilisé dans l'expérience est un tuyau UPVC industriel relativement lisse, selon les diagrammes de Moody et les tests de résistance de ventilation réels, les indices de débit calculés de la résistance de ventilation de ces trois pipelines sont respectivement de 1,834, 1,849 et 1,812. Deux ventilateurs centrifuges sont installés à l'extrémité de chacun des deux tuyaux d'air de retour, et des vannes de contrôle du débit d'air sont disposées à l'intérieur du système en tant qu'installations de contrôle du débit d'air.

Système expérimental de diagnostic RVMFL.

La topologie du système expérimental est illustrée à la Fig. 7. Le ventilateur centrifuge modèle 9–26-4A 5,5 KW est installé sur la branche e1, et le ventilateur centrifuge modèle 9–19-5A 7,5 KW est installé sur la branche e65. La fréquence de fonctionnement des deux ventilateurs est de 50 Hz. La méthode de résistance de plaque est utilisée pour augmenter la résistance du système, et le volume d'air et la pression du ventilateur de ventilation dans différentes conditions du système sont testés à l'aide d'un manomètre différentiel et d'un tube de Pitot, et l'équation de la courbe caractéristique du ventilateur est obtenue par la méthode d'ajustement des données. En testant, les courbes caractéristiques de ces ventilateurs sont respectivement h (q) = 3156,2 + 1323,6 q—1838,7 q2 et h (q) = 4266,8 + 4515,3 q—4406,1 q2.

Topologie expérimentale du système.

Sur la base de la méthode de construction de l'ensemble d'échantillons multi-défauts à résistance variable du réseau de ventilation à joint d'angle en forme de T, 500 ensembles d'échantillons multi-défauts de réseau de ventilation expérimental ont été générés, comme indiqué dans le tableau 5.

Une recherche de grille de validation croisée a été adoptée pour déterminer les hyperparamètres du modèle de diagnostic de localisation multi-défauts du réseau de ventilation expérimental, comme indiqué dans le tableau 6.

La validation croisée a été effectuée sur un ensemble d'échantillons multi-défauts de 500 groupes et les résultats de la validation croisée sont illustrés à la Fig. 8. Comme illustré sur la figure, le modèle de diagnostic de localisation multi-défauts basé sur MLP présente la plus petite perte de Hamming, perte de classement, couverture et une erreur parmi les trois modèles, qui sont respectivement de 0,012, 0,004, 1,086 et 0,002, avec la précision moyenne la plus élevée de 0. 992. La perte de Hamming, la perte de classement, la couverture, l'erreur unique et la précision du modèle DT étaient respectivement de 0,014, 0,05, 1,63, 0,056 et 0,916, et elles présentaient des mesures légèrement inférieures à celles du modèle MLP. Le modèle Rank-SVM a les pires métriques parmi les trois modèles. On peut observer que les performances prédictives et la capacité de généralisation du modèle de diagnostic RVMFL basé sur MLP sont meilleures que celles des modèles DT et Rank-SVM.

Résultats de la validation croisée du système expérimental pour le diagnostic RVMFL.

Dans le système expérimental, l'augmentation et la diminution du point de simulation de défaut de résistance améliorent la fiabilité du modèle de diagnostic de localisation multi-défaut ; ainsi, le système de ventilation subit des multidéfauts à résistance variable. En raison des faibles performances prédictives et de la capacité de généralisation du modèle Rank-SVM pour les ensembles d'échantillons multi-défauts, il n'est pas pris en compte ici ; seule la fiabilité des modèles MLP et DT est considérée. Une vanne de régulation entièrement ouverte préréglée au point de simulation d'un défaut augmentant la résistance dans le système de ventilation expérimental est utilisée pour créer un défaut augmentant la résistance, et les registres du système d'origine sont utilisés pour créer un défaut réduisant la résistance. Un total de 9 ensembles de défauts multiples ont été créés et testés pour le débit d'air de branche restant dans chaque état. Après chaque diagnostic multi-défauts, le système a été restauré à l'état du système de ventilation d'origine pour assurer la cohérence. Un échantillon des tests d'exemple de système de ventilation multi-défauts expérimentaux est présenté dans le tableau 7.

La fiabilité des modèles MLP et DT a été vérifiée en utilisant l'ensemble d'échantillons multi-défauts du tableau 5 comme ensemble d'apprentissage et l'exemple d'échantillon de test multi-défauts du système de ventilation expérimental du tableau 7 comme ensemble de test. Le modèle de diagnostic d'emplacement multi-défauts MLP a été utilisé pour diagnostiquer les 9 groupes d'emplacements multi-défauts avec un taux de précision de 100 %. Avec un taux de précision de diagnostic de 44,44 %, le modèle de diagnostic de localisation de défauts multiples DT a été utilisé pour diagnostiquer avec précision deux emplacements de défaut dans 4 groupes, dont un emplacement de défaut a été diagnostiqué avec précision dans 4 groupes et un groupe n'a pas été diagnostiqué avec précision dans les deux emplacements. En utilisant le modèle existant de ML-KNN pour diagnostiquer les emplacements multi-défauts du système expérimental, la précision du diagnostic est de 88,89 % lorsque k = 2 et de 100 % lorsque k = 3. La précision du diagnostic du modèle MLP est comparable à celle du modèle ML-KNN.

Cette étude a examiné le diagnostic simultané des défauts de résistance survenant à plusieurs endroits dans un système de ventilation de mine, a proposé trois modèles de diagnostic d'apprentissage automatique supervisé pour le diagnostic RVMFL et a validé la fiabilité et l'efficacité des modèles et des méthodes à l'aide d'un réseau de ventilation à angle en forme de T à 10 branches et d'un réseau de ventilation expérimental à 54 branches. Nous avons obtenu les principales conclusions suivantes :

Selon les résultats de la validation croisée, les méthodes d'apprentissage automatique supervisées DT, MLP et Rank-SVM sont réalisables pour le diagnostic de localisation multi-défauts des systèmes de ventilation des mines en fonction des caractéristiques du volume d'air. Les performances de diagnostic des modèles MLP et DT sont meilleures que celles du modèle Rank-SVM, et le modèle MLP est le plus performant.

Dans le diagnostic de l'instance multidéfaut variable de résistance du système de ventilation expérimental, la précision diagnostique du modèle MLP est de 100 %, tandis que la précision diagnostique du modèle DT est de 44,44 %, ce qui indique en outre que la capacité de généralisation du modèle MLP est meilleure que celle du modèle DT. La haute précision et la fiabilité du diagnostic satisfont aux exigences d'ingénierie et peuvent être utilisées comme méthode de diagnostic RVMFL dans la pratique et l'application de l'ingénierie.

La pratique réussie du diagnostic RVMFL des systèmes de ventilation expérimentaux montre que le système de vérification expérimental multi-défauts à résistance variable pour les mines établi dans cette étude peut servir de plate-forme de vérification pour le diagnostic intelligent des défauts des systèmes de ventilation des mines, résolvant efficacement le problème que les tests industriels ne peuvent pas être effectués sur le terrain et fournissant un soutien solide pour la construction de systèmes de ventilation intelligents pour les mines.

Cette étude s'est concentrée sur le diagnostic des emplacements multi-défauts dans les systèmes de ventilation des mines, et une étude plus approfondie est nécessaire pour diagnostiquer l'ampleur des défauts, c'est-à-dire le volume des défauts, dans les systèmes de ventilation où se produisent des emplacements multi-défauts. Dans cette étude, seul le volume d'air a été utilisé comme une caractéristique unique comme entrée du modèle, et une plus grande précision pourrait être obtenue si des facteurs tels que la pression différentielle de la structure ou l'énergie de pression des nœuds étaient pris en compte. Rank-SVM a les pires performances de diagnostic parmi les trois modèles. Les facteurs affectant les performances du modèle Rank-SVM sont le réglage du facteur de pénalité, la sélection du noyau, ainsi que la taille et la qualité de l'échantillon. À l'heure actuelle, le noyau sélectionné dans cet article est un noyau linéaire et le facteur de pénalité défini dans cet article peut conduire à la dégradation des performances de diagnostic du modèle, et les recherches ultérieures devraient se concentrer sur les facteurs affectant les performances du modèle afin de trouver le meilleur paramètre de modèle afin d'améliorer les performances de diagnostic du modèle.

Toutes les données pertinentes sont dans le document.

Cheng, JW Évaluation de la fiabilité du système de ventilation de la mine à l'aide d'une méthode de simulation aléatoire. Environ. Ing. Géré. J. 15, 841–850 (2016).

Article Google Scholar

Cheng, J., Zhou, F. & Yang, S. Un modèle d'allocation de fiabilité et son application à la conception d'un système de ventilation de mine. IJST-T. Civ. Eug. 38, 61–73 (2014).

Google Scholar

Zhang, HB, Fava, L., Cai, M., Vayenas, N. & Acuna, E. Une méthodologie hybride pour étudier la distribution de la concentration de DPM dans les mines souterraines. Tonn. Sous-gr. Sp. Technologie. 115, 104042 (2021).

Article Google Scholar

Tutak, M., Brodny, J., Szurgacz, D., Sobik, L. & Zhironkin, S. L'impact du système de ventilation sur le risque de rejet de méthane et la combustion spontanée du charbon dans la zone d'exploitation - Une étude de cas. Énergies 13, 4891 (2020).

Article CAS Google Scholar

Parra, MT, Villafruela, JM, Castro, F. & Mendez, C. Analyse numérique et expérimentale de différents systèmes de ventilation dans les mines profondes. Construire. Environ. 41, 87–93 (2006).

Article Google Scholar

Liu, J. et al. Diagnostic de la source de défaut unique de la variante de résistance du système de ventilation de la mine basé sur la caractéristique du volume d'air. J. China Coal Soc. 43, 143-149 (2018).

CAS Google Scholar

Huang, D., Liu, J. & Deng, LJ Un algorithme de stratégie évolutive adaptative à codage hybride pour le diagnostic des défauts d'altération de dérive. Processus. Saf. Environ. 136, 242-252 (2020).

Article CAS Google Scholar

Liu, J. Vue d'ensemble des principaux problèmes scientifiques et techniques de la ventilation intelligente des mines. Saf. Charbon Min. 51, 108–111+117 (2020).

Google Scholar

Liu, L., Liu, J., Zhou, QC et Huang, D. Sélection d'un algorithme d'apprentissage automatique pour le diagnostic des défauts d'altération de vent du système de ventilation de la mine. Adv. Ing. Informer. 53, 101666 (2022).

Article Google Scholar

Zhao, D. & Shen, ZY Étude sur le diagnostic des défauts de la chaussée du système de ventilation de la mine basée sur l'amélioration du SVM. Min. Métall. Explorateur. 39, 983–992 (2022).

Google Scholar

Ni, JF, Li, Z., Le, XR, Deng, LJ & Wang, XJ Méthode de diagnostic de défaut de variante de résistance du réseau de ventilation basée sur une forêt aléatoire. J.Saf. Sci. Technologie. 18, 34–39 (2022).

Google Scholar

Ni, JF, Le, XR, Chang, LF & Deng, LJ Diagnostic de défaut de variante de résistance et disposition optimisée des capteurs pour la ventilation de la mine basée sur l'arbre de décision. J.Saf. Sci. Technologie. 17, 34-39 (2021).

Google Scholar

Zhang, L., Zhang, YH, Zhang, YB & Li, Z. Recherche sur la méthode de diagnostic des défauts du réseau de ventilation basée sur l'apprentissage automatique. J.Min. Automat. 48, 91–98 (2022).

Google Scholar

Huang, D. et al. Recherche expérimentale sur la sélection de combinaisons de caractéristiques d'observation du défaut de variation de résistance dans la ventilation des mines. J. China Coal Soc. 46, 3922–3933 (2021).

Google Scholar

Wang, D., Liu, J., Deng, LJ et Wang, HL Diagnostic intelligent des emplacements de défauts multiples variant de résistance du système de ventilation de la mine basé sur ML-KNN. PLoS ONE 17, e0275437 (2022).

Article CAS PubMed PubMed Central Google Scholar

Li, CY, Sun, L., Peng, DD, Subramani, S. & Nicolas, SC Un système de classification multi-étiquettes pour la classification des anomalies dans l'électrocardiogramme. Inf. Santé Sci. Syst. 10, 19 (2022).

Article CAS PubMed Google Scholar

Lee, J. & Kim, DW Sélection de caractéristiques pour la classification multi-étiquettes à l'aide d'informations mutuelles multivariées. Reconnaissance de motif. Lett. 34, 349–357 (2013).

Annonces d'article Google Scholar

Farsal, W., Ramdani, M. & Anter, S. GML_DT : un nouveau classificateur d'arbre de décision multi-étiquettes gradué. Int. J. Adv. Calcul. Sci. 12, 249–254 (2021).

Google Scholar

Srinivasan, VP, Balasubadra, K., Saravanan, K., Arjun, VS & Malarkodi, S. Approche de classification d'apprentissage en profondeur multi-étiquettes pour les attaques par injection de fausses données dans les réseaux intelligents. KSII T. Internet. Inf. 15, 2168-2187 (2021).

Google Scholar

Xu, JH Une machine à vecteurs de support multi-étiquettes efficace avec une étiquette zéro. Système expert. Appl. 39, 4796–4804 (2012).

Article Google Scholar

Al-Salemi, B., Noah, SAM & Ab Aziz, MJ RFBoost : un algorithme de boosting multi-étiquettes amélioré et son application à la catégorisation de texte. Syst. 103, 104–117 (2016).

Article Google Scholar

Zhang, ML & Zhou, ZH ML-KNN : Une approche d'apprentissage paresseux pour l'apprentissage multi-étiquettes. Reconnaissance de motif. 40, 2038-2048 (2007).

Article ANNONCES MATH Google Scholar

Breiman, L., Friedman, JH, Olshen, RA et Stone, CJ Arbre de classification et de régression (Wadsworth, 1984).

MATH Google Scholar

Yi, WG, Lu, MY & Liu, Z. Attribut à valeurs multiples et algorithme d'arbre de décision de données à étiquettes multiples. Int. J.Mach. Apprendre. Cyb. 2, 67–74 (2011).

Article Google Scholar

Chen, YL, Hsu, CL & Chou, SC Construction d'un arbre de décision multi-valué et multi-étiqueté. Système expert. Appl. 25, 199–209 (2003).

Article Google Scholar

Fabian, P. et al. Scikit-learn : apprentissage automatique en python. JMLR. 12, 2825–2830 (2011).

MathSciNet MATHGoogle Scholar

Chen, ZH, Chi, ZR, Fu, H. & Feng, DG Classification d'images multi-étiquettes multi-instances : une approche neuronale. Neuroinformatique 99, 298–306 (2013).

Article Google Scholar

Al Bataineh, A., Kaur, D. & Jalali, SMJ Optimisation de l'entraînement du perceptron multicouche à l'aide de l'informatique inspirée de la nature. Accès IEEE 10, 36963–36977 (2022).

Article Google Scholar

Xu, JH Machine à vecteurs de support lagrangien multi-étiquettes avec méthode de descente de coordonnées de blocs aléatoires. Informer. Sci. 329, 184–205 (2016).

Article MATH Google Scholar

Jung, C., Shen, YB & Jiao, LC Apprendre à classer avec le classement d'ensemble SVM. Processus neuronal. Lett. 42, 703–714 (2015).

Article Google Scholar

Wu, GQ, Zheng, RB, Tian, YJ & Liu, DL Joint Ranking SVM et Binary Relevance avec un apprentissage robuste de rang bas pour la classification multi-étiquettes. Réseau neuronal. 122, 24–39 (2020).

Article PubMed MATH Google Scholar

Zhang, QG, Liu, ZG, Zhu, L. & Zhang, Y. Reconnaissance de multiples perturbations de la qualité de l'alimentation à l'aide d'une machine à vecteurs de support d'ondelettes multi-étiquettes. Proc. CSEE. 33, 114–120+18 (2013).

Google Scholar

Zhou, H., Li, X. & Liu, GS Algorithme adaptatif pour la classification multi-étiquettes basée sur la pondération des informations associées. Calcul. Appl. Doux. 32, 239-243 (2015).

Google Scholar

Kong, XN, Li, M., Jiang, Y. & Zhou, ZH Une méthode de classification multi-étiquettes transductive pour l'étiquetage faible. J. Comput. Rés. Dév. 47, 1392–1399 (2010).

Google Scholar

Bao, YC, Zhang, JC, Du, SX et Zhang, JJ Algorithme de classification multi-étiquettes basé sur une factorisation matricielle non négative et une représentation clairsemée. J. Comput. Appl. 42, 1375-1382 (2022).

Google Scholar

Li, YC, Liu, J. & Jia, TG Application de MVSS 3.0 dans la conversion des systèmes de ventilation des mines. Saf. Charbon Min. 4, 21-22 (2007).

CAS Google Scholar

Télécharger les références

Ce document est soutenu financièrement par le Programme national clé de recherche et de développement de Chine (n° 2017YFC0804401), la Fondation des sciences naturelles de Chine (n° 51574142 et 51774169).

Collège des sciences et de l'ingénierie de la sécurité, Université technique du Liaoning, Huludao, 125105, Liaoning, Chine

Dong Wang, Jian Liu, Deng Lijun et Wang Honglin

Key Laboratory of Mine Thermo-Motive Disaster and Prevention, Ministry of Education, Huludao, 125105, Liaoning, Chine

Dong Wang, Jian Liu, Deng Lijun et Wang Honglin

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

DW : Méthodologie, Curation des données, Expérimental, Rédaction du projet original, Rédaction-révision et édition. JL : Conceptualisation, Supervision, Administration de projet, Acquisition de financement. LJD : Investigation, Logiciel, Validation. HLW : Curation des données.

Correspondance avec Jian Liu.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Wang, D., Liu, J., Lijun, D. et al. Une expérience de diagnostic supervisée de localisations multi-défauts à résistance variable dans un système de ventilation de mine. Sci Rep 13, 5259 (2023). https://doi.org/10.1038/s41598-023-32530-7

Télécharger la citation

Reçu : 29 novembre 2022

Accepté : 29 mars 2023

Publié: 31 mars 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.

Blog