亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于機(jī)器學(xué)習(xí)的通風(fēng)網(wǎng)絡(luò)故障診斷方法研究

        2022-03-28 11:50:58張浪張迎輝張逸斌李左
        工礦自動(dòng)化 2022年3期
        關(guān)鍵詞:分支風(fēng)量交叉

        張浪,張迎輝,張逸斌,李左

        (1.煤炭科學(xué)研究總院,北京 100013;2.煤炭科學(xué)技術(shù)研究院有限公司 安全分院,北京 100013;3.煤炭資源高效開(kāi)采與潔凈利用國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100013)

        0 引言

        隨著智慧礦山建設(shè)和智能化開(kāi)采的提出,礦井通風(fēng)亟需向智能化、信息化方向轉(zhuǎn)變升級(jí)[1-3]。研究礦井通風(fēng)網(wǎng)絡(luò)故障診斷對(duì)促進(jìn)礦井通風(fēng)智能化發(fā)展、提高通風(fēng)系統(tǒng)安全保障能力具有重要意義[4-5]。

        目前煤礦通風(fēng)系統(tǒng)故障診斷方法主要是根據(jù)井下各類(lèi)傳感器監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析判斷,只能識(shí)別傳感器所在巷道的故障。針對(duì)該問(wèn)題,一些學(xué)者將機(jī)器學(xué)習(xí)算法[6-9]應(yīng)用到煤礦通風(fēng)系統(tǒng)故障診斷中,取得了一定成果。劉劍等[10-12]提出了基于支持向量機(jī)(Support Vector Machine,SVM)的礦井通風(fēng)系統(tǒng)阻變型故障診斷方法,將風(fēng)量-風(fēng)壓復(fù)合特征作為SVM的輸入構(gòu)建診斷模型,提高了故障診斷準(zhǔn)確率。周啟超等[13]提出采用改進(jìn)遺傳算法對(duì)SVM 參數(shù)進(jìn)行優(yōu)化,并用于通風(fēng)系統(tǒng)故障診斷。黃德等[14]將風(fēng)量、風(fēng)壓、節(jié)點(diǎn)壓能等7 種特征作為觀測(cè)特征進(jìn)行組合試驗(yàn),解決了故障診斷觀測(cè)特征冗余無(wú)關(guān)的問(wèn)題。劉彥青[15]提出了基于BP 神經(jīng)網(wǎng)絡(luò)的礦井風(fēng)量預(yù)測(cè)模型,對(duì)待掘巷道摩擦阻力系數(shù)進(jìn)行了預(yù)測(cè)。

        機(jī)器學(xué)習(xí)算法通過(guò)對(duì)已知數(shù)據(jù)的學(xué)習(xí)來(lái)預(yù)測(cè)未知數(shù)據(jù),現(xiàn)有通風(fēng)系統(tǒng)故障診斷方法大多針對(duì)1 種機(jī)器學(xué)習(xí)算法進(jìn)行研究,無(wú)法保證所選算法為最優(yōu)。因此,本文對(duì)多種機(jī)器學(xué)習(xí)算法進(jìn)行分析比較,選擇SVM、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)3 種算法,通過(guò)網(wǎng)格搜索和交叉驗(yàn)證相結(jié)合的方法對(duì)基于SVM、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)的通風(fēng)網(wǎng)絡(luò)故障診斷模型進(jìn)行參數(shù)尋優(yōu),最后采用3 種診斷模型進(jìn)行實(shí)驗(yàn)和現(xiàn)場(chǎng)驗(yàn)證。

        1 機(jī)器學(xué)習(xí)算法選擇及原理

        1.1 算法選擇

        對(duì)最近鄰、線性模型、樸素貝葉斯、決策樹(shù)、隨機(jī)森林、梯度提升決策樹(shù)、SVM、神經(jīng)網(wǎng)絡(luò)等8 種機(jī)器學(xué)習(xí)算法進(jìn)行比較[16],結(jié)果見(jiàn)表1。綜合考慮各種算法的優(yōu)缺點(diǎn),選擇SVM、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)3 種機(jī)器學(xué)習(xí)算法進(jìn)行通風(fēng)網(wǎng)絡(luò)故障診斷研究。

        表1 8 種機(jī)器學(xué)習(xí)算法比較Table 1 Comparison of eight machine learning algorithms

        1.2 SVM 原理

        SVM 主要思想是建立一個(gè)最優(yōu)超平面作為決策曲面,使得正例與反例之間的間隔最大化。在樣本空間中,超平面可描述為

        式中:wT為法向量,決定超平面的方向;x為輸入特征變量;b為位移項(xiàng),決定超平面與原點(diǎn)之間的距離。

        定義2 個(gè)標(biāo)準(zhǔn)超平面H1和H2,H1:wTx+b=1,H2:wTx+b=-1,2 個(gè)平面之間的距離就是分類(lèi)間隔,可表示為

        影響SVM 分類(lèi)準(zhǔn)確率的參數(shù)主要是γ和C。γ是控制高斯核寬度的參數(shù),決定點(diǎn)與點(diǎn)之間的距離,γ越小,則決策邊界變化越慢,生成的模型復(fù)雜度越低。C是正則化參數(shù),限制每個(gè)點(diǎn)的重要程度,C越大,則對(duì)應(yīng)的模型越復(fù)雜。

        1.3 隨機(jī)森林原理

        隨機(jī)森林是一種集成算法,實(shí)現(xiàn)步驟如下:

        (1)從大小為N的樣本數(shù)據(jù)集L中有放回地隨機(jī)抽取N個(gè)訓(xùn)練樣本,得到一個(gè)自助訓(xùn)練集Lk。

        (2)用自助訓(xùn)練集Lk訓(xùn)練1 棵決策樹(shù),在決策樹(shù)的每個(gè)節(jié)點(diǎn)需要分裂時(shí),隨機(jī)從每個(gè)樣本的M個(gè)屬性中選取M0個(gè)作為分裂屬性,然后從這M0個(gè)屬性中選擇1 個(gè)進(jìn)行分裂。

        (3)每個(gè)節(jié)點(diǎn)按照步驟(2)進(jìn)行分裂,直到不能夠再分裂為止。

        (4)按照步驟(1)-步驟(3)建立大量決策樹(shù),構(gòu)成隨機(jī)森林。

        影響隨機(jī)森林分類(lèi)準(zhǔn)確率的參數(shù)主要是決策樹(shù)個(gè)數(shù)p和限制分支時(shí)考慮的特征個(gè)數(shù)q。p值越大,則對(duì)應(yīng)的隨機(jī)森林越復(fù)雜。q值決定每棵樹(shù)的隨機(jī)性大小,q值越小,隨機(jī)森林中的樹(shù)越不相同,一般默認(rèn)其值與樣本屬性個(gè)數(shù)M的關(guān)系為

        1.4 神經(jīng)網(wǎng)絡(luò)原理

        神經(jīng)網(wǎng)絡(luò)是一種模擬人腦思維的計(jì)算機(jī)模型。神經(jīng)網(wǎng)絡(luò)無(wú)需事先確定描述輸入與輸出之間映射關(guān)系的數(shù)學(xué)方程,而僅通過(guò)自身的訓(xùn)練學(xué)習(xí)某種規(guī)則,在給定輸入值時(shí)得到最接近期望輸出值的結(jié)果。

        影響神經(jīng)網(wǎng)絡(luò)分類(lèi)準(zhǔn)確率的參數(shù)主要有隱含層層數(shù)、隱含層節(jié)點(diǎn)數(shù)、正則化參數(shù)、迭代次數(shù)及激活函數(shù)等。隱含層節(jié)點(diǎn)數(shù)t越大,正則化參數(shù)α越小,表示模型復(fù)雜度越高。確定隱含層節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式為

        式中:m為 輸入層節(jié)點(diǎn)數(shù);n為 輸出層節(jié)點(diǎn)數(shù);a為調(diào)節(jié)常數(shù),取值范圍一般為1~10。

        2 基于機(jī)器學(xué)習(xí)的通風(fēng)網(wǎng)絡(luò)故障診斷方法

        采用SVM、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)3 種機(jī)器學(xué)習(xí)算法建立通風(fēng)網(wǎng)絡(luò)故障診斷模型。采集通風(fēng)系統(tǒng)數(shù)據(jù)并進(jìn)行預(yù)處理,從處理后的數(shù)據(jù)中隨機(jī)抽取75%作為訓(xùn)練集,25%作為測(cè)試集;通過(guò)網(wǎng)格搜索和交叉驗(yàn)證進(jìn)行模型參數(shù)尋優(yōu),將測(cè)試集代入訓(xùn)練過(guò)的模型,根據(jù)測(cè)試集準(zhǔn)確率進(jìn)行最終評(píng)估?;跈C(jī)器學(xué)習(xí)的通風(fēng)網(wǎng)絡(luò)故障診斷方法流程如圖1 所示。

        圖1 基于機(jī)器學(xué)習(xí)的通風(fēng)網(wǎng)絡(luò)故障診斷方法流程Fig.1 Flow of fault diagnosis method of ventilation network based on machine learning

        3 數(shù)據(jù)采集及預(yù)處理

        3.1 數(shù)據(jù)采集

        3.1.1 實(shí)驗(yàn)平臺(tái)

        根據(jù)礦井通風(fēng)系統(tǒng)實(shí)際布局,按照幾何相似、運(yùn)動(dòng)相似、動(dòng)力相似準(zhǔn)則構(gòu)建通風(fēng)網(wǎng)絡(luò)管道模型,采用中央并列式通風(fēng)方式和機(jī)械抽出式通風(fēng)方法,主副斜井進(jìn)風(fēng),回風(fēng)立井回風(fēng),布置1 臺(tái)2.5 kW 軸流式通風(fēng)機(jī)作為通風(fēng)動(dòng)力裝置,共布置2 個(gè)水平、2 個(gè)回采工作面、1 個(gè)備用工作面、4 個(gè)掘進(jìn)工作面及3 處硐室型用風(fēng)地點(diǎn)。

        實(shí)驗(yàn)平臺(tái)由通風(fēng)系統(tǒng)網(wǎng)絡(luò)管道子系統(tǒng)、通風(fēng)系統(tǒng)傳感器與調(diào)控設(shè)施子系統(tǒng)組成,如圖2 所示,其中黃色部分表示自動(dòng)蝶閥,藍(lán)色部分表示風(fēng)速傳感器,紅色部分表示溫濕度傳感器。通風(fēng)系統(tǒng)網(wǎng)絡(luò)管道子系統(tǒng)由直徑為160 mm 的透明亞克力管道組成,通風(fēng)管道總長(zhǎng)度為75 m,管道網(wǎng)絡(luò)分支為62 條,管道網(wǎng)絡(luò)節(jié)點(diǎn)為38 個(gè);通風(fēng)系統(tǒng)傳感器與調(diào)控設(shè)施子系統(tǒng)主要由16 臺(tái)自動(dòng)蝶閥、14 臺(tái)壓差傳感器、18 臺(tái)風(fēng)速傳感器、3 臺(tái)溫濕度傳感器組成。

        圖2 通風(fēng)網(wǎng)絡(luò)故障診斷實(shí)驗(yàn)平臺(tái)Fig.2 Experimental platform of fault diagnosis of ventilation network

        通風(fēng)網(wǎng)絡(luò)如圖3 所示,其中e1-e62為管道網(wǎng)絡(luò)分支,為管道網(wǎng)絡(luò)節(jié)點(diǎn)。

        圖3 實(shí)驗(yàn)平臺(tái)通風(fēng)網(wǎng)絡(luò)Fig.3 Ventilation network of experimental platform

        3.1.2 數(shù)據(jù)采集過(guò)程

        根據(jù)礦井通風(fēng)阻力定律,有

        式中:hi為第i條 分支的阻力,Pa;ri為第i條分支的風(fēng)阻,N·s2/m8;Qi為第i條 分支的風(fēng)量,m3/s。

        由式(5)可知,當(dāng)某條巷道分支風(fēng)阻發(fā)生改變時(shí),會(huì)引起整個(gè)通風(fēng)網(wǎng)絡(luò)的風(fēng)量重新分配。在實(shí)驗(yàn)平臺(tái)中,用蝶閥代替通風(fēng)構(gòu)筑物風(fēng)門(mén)、風(fēng)窗,保持通風(fēng)機(jī)動(dòng)力不變,則蝶閥開(kāi)度變化會(huì)造成其所在分支的等效風(fēng)阻發(fā)生變化,進(jìn)而引起風(fēng)量變化。實(shí)驗(yàn)時(shí)隨機(jī)選取分支e8,e10,e15,e16,e55模擬故障情況,具體步驟如下:

        (1)將通風(fēng)機(jī)頻率調(diào)為50 Hz,記錄各蝶閥初始狀態(tài)下e1-e3,e7,e9-e12,e20,e24,e27,e29,e35,e37,e41,e44,e49,e60分支中18 個(gè)風(fēng)速傳感器測(cè)得的風(fēng)速。

        (2)調(diào)節(jié)分支e8中蝶閥開(kāi)度,調(diào)節(jié)范圍為0~100°,不包括初始角度50°,連續(xù)調(diào)節(jié)60 次,記錄每次調(diào)節(jié)后網(wǎng)絡(luò)解算得到的風(fēng)速。

        (3)按照步驟(2)依次調(diào)節(jié)分支e10,e15,e16,e55中蝶閥開(kāi)度,并收集每次變化后18 個(gè)風(fēng)速傳感器測(cè)得的風(fēng)速。

        (4)測(cè)量管道網(wǎng)絡(luò)的斷面面積,將風(fēng)速數(shù)據(jù)換算成風(fēng)量。

        18 個(gè)風(fēng)速傳感器均為同一型號(hào),測(cè)量精度為±0.2 m/s+2%FS,且在出廠前均已標(biāo)校完成,確保了風(fēng)量數(shù)據(jù)的準(zhǔn)確性。

        實(shí)驗(yàn)共收集風(fēng)量數(shù)據(jù)300 組,部分?jǐn)?shù)據(jù)見(jiàn)表2。將18 個(gè)分支的風(fēng)量作為故障診斷模型的輸入變量,故障分支編號(hào)作為輸出變量。

        表2 部分風(fēng)量數(shù)據(jù)Table 2 Part of the air volume data m3/min

        3.2 數(shù)據(jù)預(yù)處理

        為使18 個(gè)輸入風(fēng)量數(shù)據(jù)位于同一量級(jí),采用標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。標(biāo)準(zhǔn)化方法確保了每個(gè)特征的平均值為0,方差為1,計(jì)算公式為

        式中:ynew為標(biāo)準(zhǔn)化處理后的數(shù)據(jù);yj為第j個(gè)輸入數(shù)據(jù);為yj的平均值;σ為yj的方差;K為數(shù)據(jù)總數(shù)。

        各分支初始風(fēng)量數(shù)據(jù)箱形圖如圖4 所示,從上至下分別為上邊緣、上四分位數(shù)、中位數(shù)、下四分位數(shù)和下邊緣,其中上邊緣、下邊緣分別表示每個(gè)分支300 個(gè)數(shù)的最大值和最小值,數(shù)據(jù)中75%低于上四分位數(shù),數(shù)據(jù)中25%低于下四分位數(shù),中位數(shù)則是按大小順序排列后中間數(shù)的值。從圖4 可看出,初始數(shù)據(jù)中分支e18的風(fēng)量最大,都在1 000 m3/min 以上,分支e14的風(fēng)量最小,最大值不超過(guò)200 m3/min,各分支風(fēng)量數(shù)據(jù)差距較大。

        預(yù)處理后各分支風(fēng)量數(shù)據(jù)箱形圖如圖5 所示。通過(guò)對(duì)比發(fā)現(xiàn),標(biāo)準(zhǔn)化后風(fēng)量數(shù)據(jù)之間的差距大大縮小。

        圖5 預(yù)處理后風(fēng)量數(shù)據(jù)箱形圖Fig.5 Box plot of air volume data after preprocessing

        4 通風(fēng)網(wǎng)絡(luò)故障診斷模型訓(xùn)練和測(cè)試

        4.1 交叉驗(yàn)證與網(wǎng)格搜索

        通過(guò)交叉驗(yàn)證和網(wǎng)格搜索對(duì)基于SVM、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)的通風(fēng)網(wǎng)絡(luò)故障診斷模型進(jìn)行參數(shù)尋優(yōu)。

        交叉驗(yàn)證是一種評(píng)估泛化性能的統(tǒng)計(jì)學(xué)方法。在交叉驗(yàn)證過(guò)程中,數(shù)據(jù)被劃分為k折,訓(xùn)練模型時(shí)依次使用每一折作為測(cè)試集,其他k-1 折作為訓(xùn)練集,最后得到k個(gè)精度值。評(píng)價(jià)交叉驗(yàn)證精度的一種常用方法是計(jì)算平均值,通過(guò)k折劃分使得所有類(lèi)別的數(shù)據(jù)都能被訓(xùn)練,模型更穩(wěn)定,數(shù)據(jù)更全面。

        網(wǎng)格搜索是一種模型參數(shù)優(yōu)化技術(shù),其本質(zhì)是對(duì)指定參數(shù)值的窮舉搜索。對(duì)指定的不同參數(shù)作笛卡爾乘積,得到若干組參數(shù)組合,使用每組參數(shù)訓(xùn)練模型,挑選在交叉驗(yàn)證中表現(xiàn)最好的參數(shù)作為最優(yōu)參數(shù)。

        4.2 參數(shù)尋優(yōu)

        4.2.1 SVM 模型參數(shù)尋優(yōu)

        在基于SVM 的故障診斷模型中,設(shè)C={10,102,103,104,105,106},γ={10-5,10-4,10-3,10-2,10-1,1},經(jīng)過(guò)網(wǎng)格搜索和5 折交叉驗(yàn)證,得到不同參數(shù)組合下SVM 模型交叉驗(yàn)證平均分?jǐn)?shù)熱力圖,如圖6 所示??梢钥闯?,C=10,γ=10-5時(shí),交叉驗(yàn)證平均分?jǐn)?shù)最低,只有0.545 0;隨著C和γ增大,交叉驗(yàn)證平均分?jǐn)?shù)也不斷增大,當(dāng)C=104,γ=10-1時(shí),交叉驗(yàn)證平均分?jǐn)?shù)最高,達(dá)0.905 0;繼續(xù)增大參數(shù)值,交叉驗(yàn)證平均分?jǐn)?shù)不再增大,說(shuō)明最優(yōu)參數(shù)為C=104,γ=10-1,該參數(shù)下SVM 模型分類(lèi)預(yù)測(cè)能力最優(yōu)。該結(jié)果驗(yàn)證了參數(shù)值區(qū)間選取的合理性。

        圖6 SVM 模型交叉驗(yàn)證平均分?jǐn)?shù)熱力圖Fig.6 The heat map of cross-validation average score of SVM model

        4.2.2 隨機(jī)森林模型參數(shù)尋優(yōu)

        在基于隨機(jī)森林的故障診斷模型中,設(shè)決策樹(shù)個(gè)數(shù)p={5,10,15,20,25,30,35},由于輸入特征為18 個(gè)分支的風(fēng)量,即M=18。根據(jù)式(3),令q={1,2,3,4,5}。經(jīng)過(guò)網(wǎng)格搜索和5 折交叉驗(yàn)證,得到不同參數(shù)組合下隨機(jī)森林模型交叉驗(yàn)證平均分?jǐn)?shù)熱力圖,如圖7 所示??梢钥闯?,p=5,q=1 時(shí),交叉驗(yàn)證平均分?jǐn)?shù)最低,只有0.658 0,此時(shí)模型相對(duì)簡(jiǎn)單;隨著決策樹(shù)個(gè)數(shù)增加和隨機(jī)性參數(shù)增大,模型逐漸復(fù)雜化,交叉驗(yàn)證平均分?jǐn)?shù)不斷增大,當(dāng)p=15,q=4 時(shí),交叉驗(yàn)證平均分?jǐn)?shù)最高,達(dá)0.855 0;繼續(xù)增大決策樹(shù)個(gè)數(shù)和隨機(jī)性參數(shù)值,交叉驗(yàn)證平均分?jǐn)?shù)不再增大。

        圖7 隨機(jī)森林模型交叉驗(yàn)證平均分?jǐn)?shù)熱力圖Fig.7 The heat map of cross-validation average score of random forest model

        4.2.3 神經(jīng)網(wǎng)絡(luò)模型參數(shù)尋優(yōu)

        通過(guò)實(shí)驗(yàn)研究單隱層條件下隱含層節(jié)點(diǎn)數(shù)和正則化參數(shù)對(duì)分類(lèi)準(zhǔn)確率的影響。輸入數(shù)據(jù)為18 個(gè)風(fēng)速傳感器的風(fēng)量,輸出數(shù)據(jù)為5 個(gè)巷道分支編號(hào),即m=18,n=5,根據(jù)式(4),設(shè)隱含層節(jié)點(diǎn)數(shù)t={6,7,8,9,10,11,12,13,14,15,16,17,18},正則化參數(shù)α={10-6,10-5,10-4,10-3,10-2,10-1}。經(jīng)過(guò)網(wǎng)格搜索和5 折交叉驗(yàn)證,得到不同參數(shù)組合下神經(jīng)網(wǎng)絡(luò)模型交叉驗(yàn)證平均分?jǐn)?shù)熱力圖,如圖8 所示。可以看出,t=6,α=10-5時(shí),交叉驗(yàn)證平均分?jǐn)?shù)最低,只有0.828 0;隨著隱含層節(jié)點(diǎn)數(shù)量增加,模型逐漸變得復(fù)雜,當(dāng)t=14,α=10-5時(shí),交叉驗(yàn)證平均分?jǐn)?shù)最高,達(dá)0.915 0,此時(shí)神經(jīng)網(wǎng)絡(luò)模型分類(lèi)預(yù)測(cè)能力最好。

        圖8 神經(jīng)網(wǎng)絡(luò)模型交叉驗(yàn)證平均分?jǐn)?shù)熱力圖Fig.8 The heat map of cross-validation average score of neural network model

        4.3 結(jié)果對(duì)比分析

        3 種故障診斷模型在訓(xùn)練集和測(cè)試集上的準(zhǔn)確率見(jiàn)表3??煽闯龌谏窠?jīng)網(wǎng)絡(luò)的通風(fēng)網(wǎng)絡(luò)故障診斷模型效果最好,泛化能力最強(qiáng)。

        表3 故障診斷模型準(zhǔn)確率比較Table 3 Comparison of accuracy of fault diagnosis models

        3 種故障診斷模型在測(cè)試集上對(duì)分支e8,e10,e15,e16,e55的預(yù)測(cè)準(zhǔn)確率如圖9 所示??梢钥闯?,神經(jīng)網(wǎng)絡(luò)對(duì)5 個(gè)分支的預(yù)測(cè)準(zhǔn)確率均為最高,進(jìn)一步驗(yàn)證了神經(jīng)網(wǎng)絡(luò)模型優(yōu)秀的泛化性能。

        圖9 故障診斷模型在各分支上的預(yù)測(cè)準(zhǔn)確率Fig.9 Prediction accuracy of fault diagnosis model on each branch

        5 現(xiàn)場(chǎng)驗(yàn)證

        為了進(jìn)一步比較3 種故障診斷模型的準(zhǔn)確率,在陜煤集團(tuán)神木張家峁煤礦進(jìn)行現(xiàn)場(chǎng)驗(yàn)證。依次調(diào)節(jié)22201 運(yùn)輸巷風(fēng)窗FC-2-2-001、22202 運(yùn)輸巷風(fēng)窗FC-2-2-002、22203 運(yùn)輸巷風(fēng)窗FC-2-2-003 過(guò)風(fēng)面積,監(jiān)測(cè)不同狀態(tài)下2-2煤風(fēng)窗附近8 個(gè)測(cè)風(fēng)站的風(fēng)量,共獲取160 組數(shù)據(jù)。將其中的75% 劃分為訓(xùn)練集,25%劃分為測(cè)試集,對(duì)3 種故障診斷模型進(jìn)行訓(xùn)練和測(cè)試,結(jié)果見(jiàn)表4??梢钥闯?,神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練集和測(cè)試集上的準(zhǔn)確率均為最高。

        表4 3 種故障診斷模型準(zhǔn)確率Table 4 Accuracy of three fault diagnosis models

        隨機(jī)調(diào)節(jié)2-2煤運(yùn)輸巷3 個(gè)風(fēng)窗的過(guò)風(fēng)面積,監(jiān)測(cè)風(fēng)窗附近8 個(gè)測(cè)風(fēng)站的風(fēng)量,共收集120 組新數(shù)據(jù),輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè),3 個(gè)風(fēng)窗故障位置診斷結(jié)果散點(diǎn)圖如圖10 所示,其中風(fēng)窗序號(hào)1,2,3 分別表示FC-2-2-001,F(xiàn)C-2-2-002,F(xiàn)C-2-2-003??梢钥闯觯L(fēng)窗FC-2-2-002 的40 個(gè)故障樣本全部預(yù)測(cè)正確;風(fēng)窗FC-2-2-001 的40 個(gè)故障樣本中,有1 個(gè)樣本被誤判為風(fēng)窗FC-2-2-002 的樣本,其余全部預(yù)測(cè)正確;風(fēng)窗FC-2-2-003 的40 個(gè)故障樣本中,有1 個(gè)樣本被誤判為風(fēng)窗FC-2-2-002 的樣本,其余全部預(yù)測(cè)正確。對(duì)3 個(gè)風(fēng)窗故障位置的診斷結(jié)果統(tǒng)計(jì)見(jiàn)表5,可見(jiàn),基于神經(jīng)網(wǎng)絡(luò)的通風(fēng)網(wǎng)絡(luò)故障診斷模型準(zhǔn)確率達(dá)0.98,進(jìn)一步驗(yàn)證了其可靠性。

        圖10 故障位置診斷結(jié)果散點(diǎn)圖Fig.10 Scatter plot of fault location diagnosis results

        表5 故障位置診斷結(jié)果統(tǒng)計(jì)Table 5 Statistics of fault location diagnosis results

        6 結(jié)論

        (1)在通風(fēng)網(wǎng)絡(luò)管道模型實(shí)驗(yàn)平臺(tái)上收集通風(fēng)數(shù)據(jù),分別建立基于SVM、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)的通風(fēng)網(wǎng)絡(luò)故障診斷模型,并運(yùn)用網(wǎng)格搜索對(duì)參數(shù)進(jìn)行遍歷尋優(yōu),得出神經(jīng)網(wǎng)絡(luò)模型在隱含層節(jié)點(diǎn)數(shù)量為14、正則化參數(shù)為10-5時(shí),故障診斷準(zhǔn)確率最高,泛化能力最好。

        (2)將基于SVM、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)的通風(fēng)網(wǎng)絡(luò)故障診斷模型應(yīng)用到張家峁煤礦現(xiàn)場(chǎng)數(shù)據(jù)集,得出3 種模型在測(cè)試集上的故障診斷準(zhǔn)確率分別為0.86,0.90 和0.96。收集120 組新的通風(fēng)數(shù)據(jù)并輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障預(yù)測(cè),準(zhǔn)確率達(dá)0.98,進(jìn)一步驗(yàn)證了神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性和可靠性。

        猜你喜歡
        分支風(fēng)量交叉
        巧分支與枝
        “六法”巧解分式方程
        一類(lèi)擬齊次多項(xiàng)式中心的極限環(huán)分支
        1000MW機(jī)組一次風(fēng)量測(cè)量裝置技術(shù)改造
        廣西電力(2016年1期)2016-07-18 11:00:35
        連一連
        煤礦主通風(fēng)機(jī)風(fēng)量的測(cè)定方法及優(yōu)缺點(diǎn)分析
        山西煤炭(2015年4期)2015-12-20 11:36:16
        基于Fast-ICA的Wigner-Ville分布交叉項(xiàng)消除方法
        雙線性時(shí)頻分布交叉項(xiàng)提取及損傷識(shí)別應(yīng)用
        小風(fēng)量點(diǎn)火法在電廠循環(huán)流化床鍋爐的應(yīng)用
        1號(hào)爐A側(cè)二次風(fēng)量頻繁波動(dòng)分析
        中国免费看的片| 亚洲av色香蕉一区二区三区av | 亚洲一区二区三区偷拍自拍| 一区二区三区在线观看精品视频| 亚洲av无吗国产精品| 亚洲毛片在线观看免费| 国产精选自拍视频网站| 国产熟妇与子伦hd| 无码av一区二区大桥久未 | 日韩一欧美内射在线观看| 欧美成人在线A免费观看| 亚洲精品国产不卡在线观看 | 在线视频自拍视频激情| 很黄很色很污18禁免费| 久久婷婷人人澡人人喊人人爽 | 欧美肥婆性猛交xxxx| 亚洲精品国产第一区二区尤物| 日韩AVAV天堂AV在线| 日本道免费精品一区二区| 久久高潮少妇视频免费| 精品蜜桃av免费观看| 中文字幕人成乱码熟女| 中文字幕人妻中文av不卡专区| 亚洲一级无码片一区二区三区| 麻豆夫妻在线视频观看| 中文字幕一二三四五六七区| 欧美性生交大片免费看app麻豆| 成人毛片av免费| 久久发布国产伦子伦精品| 国产偷v国产偷v亚洲偷v| 免费人成视频欧美| 亚洲一区二区三区资源| 99在线视频这里只有精品伊人| 亚洲av午夜福利精品一区| 一性一交一口添一摸视频| 特级毛片a级毛片在线播放www| 亚洲激情人体艺术视频| 成人性生交c片免费看| 国产三级黄色大片在线免费看 | 久久久国产精品黄毛片| 亚洲女人被黑人巨大进入|