基于机器学习的通风网络故障诊断方法研究

摘要

机器学习算法通过对已知数据的学习来预测未知数据,现有通风系统故障诊断方法大多针对1种机器学习算法进行研究,无法保证所选算法为最优。针对该问题,对8种机器学习算法进行比较,并选择支持向量机(SVM)、随机森林和神经网络3种算法进行通风网络故障诊断研究。根据矿井通风系统实际布局,按照几何相似、运动相似、动力相似准则构建通风网络管道模型,得到由管道网络分支和管道网络节点组成的通风网络,通过实验获取风量数据,并采用标准化方法对数据进行预处理;通过交叉验证和网格搜索对基于SVM、随机森林、神经网络的通风网络故障诊断模型进行参数寻优。实验及现场测试结果表明,基于SVM、随机森林、神经网络的通风网络故障诊断模型在实验平台测试集上的准确率分别为0.89,0.88和0.95,在煤矿现场测试集上的准确率分别为0.86,0.90和0.96,神经网络模型的故障诊断效果均为最佳。将煤矿现场收集的120组新风量数据输入神经网络模型进行预测,故障诊断准确率达0.98,验证了基于神经网络的通风网络故障诊断模型的可行性和准确性。