基于随机森林的阻变型通风网络故障诊断方法

为了在矿井通风网络发生阻变型故障时,能够快速准确判断出故障位置和故障量,提出1种基于随机森林的通风网络故障位置和故障量诊断方法。利用矿井通风仿真系统IMVS将唐安矿模拟故障生成空间数据集并进行数据预处理,构建基于随机森林的故障诊断模型,并利用该诊断模型对唐安矿矿井通风网络模拟故障位置和故障量进行判断和预测。引用多种方法对模型进行度量,通过唐安矿模拟实验验证基于随机森林的故障诊断模型的有效性。将随机森林和决策树的故障诊断准确率进行对比,研究结果表明:随机森林较决策树故障准确率有进一步的提高,并发现故障地点失误诊断多是相邻巷道,在一定程度上工作人员对故障地点的判断并不受其影响。

基于决策树的矿井通风阻变型故障诊断及传感器优化布置

为实现矿井通风阻变型故障智能诊断,解决风速传感器优化布置与诊断模型不匹配的问题,提出基于决策树的矿井通风故障位置分类判断、故障量回归预测及嵌入式风速传感器优化布置一体化方法;以唐安矿为例对上述方法进行验证。结果表明:矿井通风空间数据集无量纲化能提高故障诊断准确率、提升模型收敛速度,剪枝能提高模型泛化能力;以基尼系数为嵌入式传感器优化布置选择标准,其模型故障诊断准确率更高,当风速传感器数量为15时,故障诊断准确率为84.5%,继续增加风速传感器数量故障诊断准确率提升较小。人工智能诊断技术的应用具有较大的经济和社会效益,是智慧矿山的重要研究方向之一。