광산 환기 시스템의 저항 가변 다중 결함 위치에 대한 감독 진단 실험

Scientific Reports 13권, 기사 번호: 5259(2023) 이 기사 인용

322 액세스

측정항목 세부정보

광산 환기 시스템의 저항 가변 다중 결함 위치(RVMFL) 진단은 광산 지능형 환기 시스템의 필수 기능으로 광산 안전 생산에 매우 중요합니다. 본 논문에서는 광산 환기 시스템의 RVMFL 진단을 위해 의사결정 트리(DT), 다층 퍼셉트론(MLP) 및 순위 지원 벡터 머신(Rank-SVM)을 기반으로 한 지도 머신러닝 모델을 제안합니다. 방법의 타당성과 모델의 예측 성능 및 일반화 능력은 10가지 T자형 앵글 조인트 환기 네트워크와 54가지 실험 환기 네트워크의 다중 결함 샘플 세트에 대한 10배 교차 검증을 통해 검증되었습니다. 실험용 환기 시스템의 RVMFL 진단을 통해 모델의 신뢰성을 더욱 검증했습니다. 결과는 DT, MLP, Rank-SVM 세 가지 모델이 광산 환기 시스템의 RVMFL 진단에 사용될 수 있으며 MLP 및 DT 모델의 예측 성능 및 일반화 능력이 Rank-SVM보다 우수함을 보여줍니다. 모델. 실험용 환기시스템의 다중결함 위치 진단에서 MLP 모델의 진단 정확도는 100%, DT 모델의 진단 정확도는 44.44%로 나타났다. 결과는 MLP 모델이 세 가지 모델보다 성능이 뛰어나고 엔지니어링 요구 사항을 충족할 수 있음을 확인합니다.

광산 환기 시스템의 주요 기능은 바람이 필요한 지하 장소에 신선한 공기를 공급하는 것입니다. 이는 가스, 일산화탄소, 먼지 등의 유독하고 유해한 가스를 희석하여 제거합니다. 또한 근로자의 직업 건강과 정상적인 생산 활동 수행을 보장하기 위한 좋은 작업 환경을 조성할 수 있습니다1,2,3. 좋은 환기 시스템은 광산에서 가스나 석탄 먼지 연소 및 폭발, 일산화탄소 중독, 질식 등의 사고 가능성을 효과적으로 줄일 수 있습니다4,5. 이는 광산의 안전한 생산을 보장하기 위해서는 안정적이고 신뢰할 수 있는 환기 시스템이 매우 중요하다는 것을 보여줍니다. 그러나 광산 생산 과정에서는 도로 기포 낙하 막힘, 댐퍼 파손 및 고장, 광산 사일로 비움 등 환기 시스템의 풍량에 급격한 변화가 불가피하게 발생합니다. 도로 공기량의 급격한 변화를 초래하는 이러한 현상의 본질은 도로의 바람 저항의 급격한 변화입니다. 이 경우 이러한 현상은 광산 환기 시스템6에서 저항 장애가 발생하는 것으로 정의됩니다. 광산 환기 시스템에 저항 결함이 발생하면 환기 시스템의 공기량 분포가 크게 변경됩니다. 이로 인해 채광 및 굴착 작업면의 공기 공급이 감소하고 일부 풍동 터널에 독성 및 유해 가스가 축적될 가능성이 높습니다. 이는 광산에 심각한 안전 위험과 위험을 초래할 것입니다7.

광산 환기 네트워크는 자체 적응성과 견고성이 뛰어나 인공 지능 및 기계 학습 방법의 적용에 적합합니다8. 지능형 기술의 급속한 발전으로 인해 환기 시스템의 저항 변수 결함을 식별하기 위해 인력에 의존하는 전통적인 방법은 점차 지능형 진단 방법으로 대체되었습니다. 지능형 진단 방법은 상당한 인적, 물적 자원을 절약할 수 있습니다. 또한 많은 시간을 절약하고 광산 환기 시스템 결함을 신속하게 처리해야 한다는 요구에 부응합니다. 연구에 따르면 지원 벡터 머신(SVM), 의사결정 트리(DT), 인공 신경망(ANN), 랜덤 포레스트(RF), 유전 알고리즘(GA), 다층 퍼셉트론(MLP)과 같은 인공 지능 및 기계 학습 알고리즘이 )은 광산 환기 시스템9,10,11,12,13,14의 단일 결함 진단 문제를 해결하는 데 사용됩니다. 그러나 지하 광산 조건의 특수성과 복잡성으로 인해 광산 환기 시스템이 여러 위치에서 동시에 저항 가변 결함을 갖는 것이 일반적입니다. 광산 환기 시스템의 여러 위치에서 결함을 진단하고 식별하는 연구는 거의 수행되지 않았습니다.