基于风量风压监测值的通风系统阻变型故障诊断方法与流程

本发明涉及矿井通风技术领域，尤其涉及一种基于风量风压监测值的通风系统阻变型故障诊断方法。

背景技术：

矿井通风系统中风门开关或破损、巷道冒落或变形、矿车运行、罐笼提升等引起巷道断面面积发生变化的情况会引起巷道风阻发生变化，将风门开关或破损、巷道冒落或变形等引起风阻持久性变化的情况称为矿井通风系统阻变型故障，将故障发生的地点称为故障位置，将风阻变化的大小称为故障量。在矿井正常运行情况下，巷道各个参数应保持相对稳定的状态，一旦井下发生故障，就会导致矿井各个参数的变化，对安全生产产生严重的威胁。因此对井下的故障进行及时准确地诊断对减少故障造成的损失，保证矿井通风系统的正常运转都具有极其重要的意义。

但是现阶段对井下故障的诊断仅仅使用风量单一特征，由于缺少n-m+1个线性独立方程，基于风量单一特征的故障诊断是一个不适定问题，并且现阶段的传感器精度不能达到足够高的监测精度，导致故障诊断的准确度较低。

通风系统阻变型故障诊断过程是使用矿井通风系统的主要参数，如巷道风压、粉尘浓度、二氧化碳浓度等的监测值对通风系统的运行状态做出决定性的判别。由于井下风压容易监测且对阻变型故障敏感，因此本发明结合风压特征构成风量风压复合特征使用支持向量机(svm)算法对井下故障进行监测，以提高矿井通风系统阻变型故障诊断的准确度。

技术实现要素：

针对现有技术的不足，提供一种基于风量风压监测值的通风系统阻变型故障诊断方法，本方法以风量和风压的共同监测值作为支持向量机的输入，避免了风量单一特征的不适定性，减少了单一特征的局限性，为通风系统的故障诊断提供技术支持，对提高故障诊断的准确度具有重大意义。

为解决上述技术问题，本发明提出了一种基于风量风压监测值的通风系统阻变型故障诊断方法，包括以下步骤：

步骤1：准备矿井通风网络的拓扑关系数据资料，所述拓扑关系数据资料包括矿井通风网络各分支原始风阻、风量，以及通风机的风机特性曲线，所述风机特性曲线方程具体表示为：

hτ＝t0+t1qτ+t2qτ²(1)

式中，hτ表示通风机的风压，qτ表示通风机的风量，t0,t1,t2表示通风机风压特性系数；

步骤2：通过矿井通风网络解算，得到故障后的矿井通风网络各分支的风阻值、风量、风压，生成关于“阻变故障—风量、风压”的仿真数据故障样本集，所述故障样本集包括矿井通风网络各分支的故障编号、故障量，矿井通风网络各分支的原始风阻值、风量、风压，以及发生故障后矿井通风网络各分支的风阻值、风量、风压；

步骤3：根据所述故障样本集分别构建以监测故障位置为目标的支持向量机分类模型，以及以监测故障量为目标的支持向量机回归模型，以所述故障样本集中的发生故障后矿井通风网络各分支的风量和风压作为支持向量机的输入，以所述故障样本集中的矿井通风网络各分支的编号作为支持向量机分类模型的输出，以所述故障样本集中的矿井通风网络各分支的故障量作为支持向量机回归模型的输出，实现对故障位置和故障量的诊断。

所述的步骤2通过矿井通风网络解算，得到故障后的矿井通风网络各分支的风阻值、风量、风压，生成关于“阻变故障—风量、风压”的仿真数据故障样本集，所述故障样本集包括矿井通风网络各分支的故障编号、故障量，矿井通风网络各分支的原始风阻值、风量、风压，以及发生故障后矿井通风网络各分支的风阻值、风量、风压，具体表述为：

步骤2.1：定义矿井通风网络所有分支的原始风量矩阵为q，原始风阻矩阵为r，原始风压矩阵为h，记为：

并满足：

式中，qn表示第n条网络分支的原始风量，rn表示第n条网络分支的原始风阻，hn表示第n条网络分支的原始风压，b＝(bij)m×n表示矿井通风网络的完全关联矩阵，qj表示第j条网络分支的原始风量，bij表示矿井通风网络完全关联矩阵的第i行第j列元素，m表示矿井通风网络的节点数，c＝(cij)s×n表示矿井通风网络的回路矩阵，cij表示矿井通风网络的回路矩阵的第i行第j列元素，s表示矿井通风网络的回路总数，n表示矿井通风网络的分支个数，h^t表示原始风压矩阵h的转置，hη表示矿井通风网络所有回路的附加阻力矩阵，hη^t表示矿井通风网络所有回路的附加阻力矩阵hη的转置，hj表示矿井通风网络原始风压矩阵h的第j列，hηi表示矿井通风网络的回路附加阻力矩阵hη的第i行；

步骤2.2：假设分支ei发生阻变型故障，故障量为△ri，利用公式(5)计算分支ei发生故障后的分支风阻，则发生故障后的矿井通风网络的所有分支的风阻组成的风阻矩阵r'表示为r'＝{r'1,r'2,…,r'n}，

r'i＝ri±△ri，(i＝1,2,...,n)(5)

式中，ri'表示分支ei发生故障后的分支风阻，ri表示分支ei的原始风阻，△ri表示分支ei发生的故障量，n表示矿井通风网络的所有分支个数；

步骤2.3：通过网络解算求解发生故障后矿井通风网络的风量，则发生故障后的矿井通风网络的所有分支的风量组成的风量矩阵q'表示为q'＝{q'1,q'2,…,q'n}，所述网络解算表示为：

q'＝f(r')(6)

式中，q'表示故障后矿井通风网络的风量，r'表示故障后矿井通风网络的风阻，f(*)表示关于风阻与风量的函数；

步骤2.4：利用公式(7)求解发生故障后矿井通风网络的风压，则发生故障后的矿井通风网络的所有分支的风压组成的风压矩阵h'表示为h'＝{h'1,h'2,…,h'n}，

式中，h'i表示故障后分支ei的风压，ri'表示分支ei发生故障后的分支风阻，q'i表示故障后分支ei的风量，x表示流态因子，取决于流体的流动状态，层流时x＝1，完全紊流时x＝2，过渡状态取1～2的中间值，n表示矿井通风网络的所有分支个数；

步骤2.5：将计算得到的发生故障后的矿井通风网络的风阻矩阵r'、风量矩阵q'、风压矩阵h'，每次发生故障时的故障分支编号ei、故障量△ri，以及矿井通风网络各分支的原始风阻值、风量、风压记录至故障样本集中。

所述的步骤3根据所述故障样本集分别构建以监测故障位置为目标的支持向量机分类模型，以及以监测故障量为目标的支持向量机回归模型，以所述故障样本集中的发生故障后矿井通风网络各分支的风量和风压作为支持向量机的输入，以所述故障样本集中的矿井通风网络各分支的编号作为支持向量机分类模型的输出，以所述故障样本集中的矿井通风网络各分支的故障量作为支持向量机回归模型的输出，实现对故障位置和故障量的诊断，具体表述为：

步骤3.1：利用所述故障样本集构建以监测故障位置为目标的支持向量机分类模型，以所述故障样本集中的发生故障后矿井通风网络各分支的风量和风压作为支持向量机分类模型的输入，以所述故障样本集中的矿井通风网络各分支的编号作为支持向量机分类模型的输出，引入如公式(9)所述的符号函数，符号函数值为1的样本分为一类，符号函数值为-1的样本划分为另一类，实现对所述故障样本的正确分类，然后利用公式(8)实现对分支ei故障位置的诊断；

式中，x表示输入的样本，sgn表示符号函数，xi表示支持向量机分类模型的第i个支持向量，l表示支持向量机个数，表示拉格朗日乘子，yi表示类别标签，b^*表示支持向量机核函数的阈值向量，f(xi)表示针对支持向量xi的符号函数；

步骤3.2：利用所述故障样本集构建以监测故障量为目标的支持向量机回归模型，以所述故障样本集中的发生故障后矿井通风网络各分支的风量和风压作为支持向量机回归模型的输入，以所述故障样本集中的矿井通风网络各分支的故障量作为支持向量机回归模型的输出，采用公式(10)所示的具有稀疏性的ε-不敏感损失函数实现对故障量的诊断，即实现对所述故障样本集中样本的回归，

c(y,f^*(x))＝max{0,|y-f^*(x)-ε}；ε>0(10)

式中，y表示故障样本集中的样本，f^*(x)表示特征空间中的超平面，ε表示回归精度；

步骤3.3：对生成的故障位置诊断分类模型和故障量诊断回归模型进行检验，通过比较故障位置诊断分类模型的故障分支编号与所述故障样本集中各分支的故障编号，以及通过比较故障量诊断回归模型输出的故障后的各分支的风阻值与所述故障样本集中的故障后的各分支的风阻值，并分别绘制散点比对图，验证故障诊断分类模型和回归模型输出诊断的准确度。

本发明的有益效果是：

本发明提供的一种基于风量风压监测值的通风系统阻变型故障诊断方法，该方法基于通风网络，通风系统网络拓扑关系复杂，一条分支的风阻变化就会引起该分支本身甚至整个通风网络的风量和风压发生变化，且不同分支发生不同程度的故障，会导致风量和风压变化的数值不同，因此故障分支编号、故障量和分支风量和风压一一对应，因此可以将风量和风压特征作为故障诊断的属性，并且复合特征实现了多维特征的信息互补，避免了单一风量特征的不适定性，提高了故障诊断的准确度。

附图说明

图1为本发明实施例中的基于风量风压监测值的通风系统阻变型故障诊断方法的流程图。

图2为支持向量机回归原理图。

图3为本发明实施例中的矿井通风网络图。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明：一种基于风量风压监测值的通风系统阻变型故障诊断方法，其流程如图1所示，具体包括如下步骤：

步骤1：准备矿井通风网络的拓扑关系数据资料，所述拓扑关系数据资料包括矿井通风网络各分支原始风阻、风量，以及通风机的风机特性曲线，所述风机特性曲线方程具体表示为：

hτ＝t0+t1qτ+t2qτ²(1)

式中，hτ表示通风机的风压，qτ表示通风机的风量，t0,t1,t2表示通风机风压特性系数；

如图3所示矿井通风网络的分支数n＝100，节点数m＝71，安装风门风窗等风量调节设施的分支如图3所示，各分支原始风阻见表1，该矿井通风网络安装有三台通风机，分别安设在e9、e39和e78分支，三台通风机特性曲线分别为：

h1(q)＝1932.25+44.84q-0.64q²；

h2(q)＝1828.13+19.2q-0.08q²；

h3(q)＝3054.94+8.64q-0.05q²，

在原始风阻参数情况下，通风系统网络总风阻为0.012n·s²/m⁸，工况点为(474.678m³/s，2644.5pa)。

表1矿井通风网络各分支参数

步骤2：通过矿井通风网络解算，得到故障后的矿井通风网络各分支的风阻值、风量、风压，生成关于“阻变故障—风量、风压”的仿真数据故障样本集，所述故障样本集包括矿井通风网络各分支的故障编号、故障量，矿井通风网络各分支的原始风阻值、风量、风压，以及发生故障后矿井通风网络各分支的风阻值、风量、风压，具体表述为：

步骤2.1：定义矿井通风网络所有分支的原始风量矩阵为q，原始风阻矩阵为r，原始风压矩阵为h，记为：

并满足：

式中，qn表示第n条网络分支的原始风量，rn表示第n条网络分支的原始风阻，hn表示第n条网络分支的原始风压，b＝(bij)m×n表示矿井通风网络的完全关联矩阵，qj表示第j条网络分支的原始风量，bij表示矿井通风网络完全关联矩阵的第i行第j列元素，m表示矿井通风网络的节点数，c＝(cij)s×n表示矿井通风网络的回路矩阵，cij表示矿井通风网络的回路矩阵的第i行第j列元素，s表示矿井通风网络的回路总数，n表示矿井通风网络的分支个数，h^t表示原始风压矩阵h的转置，hη表示矿井通风网络所有回路的附加阻力矩阵，hη^t表示矿井通风网络所有回路的附加阻力矩阵hη的转置，hj表示矿井通风网络原始风压矩阵h的第j列，hηi表示矿井通风网络的回路附加阻力矩阵hη的第i行；

步骤2.2：假设分支ei发生阻变型故障，故障量为△ri，利用公式(5)计算分支ei发生故障后的分支风阻，则发生故障后的矿井通风网络的所有分支的风阻组成的风阻矩阵r'表示为r'＝{r'1,r'2,…,r'n}，

r'i＝ri±△ri，(i＝1,2,...,n)(5)

式中，r'i表示分支ei发生故障后的分支风阻，ri表示分支ei的原始风阻，△ri表示分支ei发生的故障量，n表示矿井通风网络的所有分支个数；

步骤2.3：通过网络解算求解发生故障后矿井通风网络的风量，则发生故障后的矿井通风网络的所有分支的风量组成的风量矩阵q'表示为q'＝{q'1,q'2,…,q'n}，所述网络解算表示为：

q'＝f(r')(6)

式中，q'表示故障后矿井通风网络的风量，r'表示故障后矿井通风网络的风阻，f(*)表示关于风阻与风量的函数；

步骤2.4：利用公式(7)求解发生故障后矿井通风网络的风压，则发生故障后的矿井通风网络的所有分支的风压组成的风压矩阵h'表示为h'＝{h'1,h'2,…,h'n}，

式中，h'i表示故障后分支ei的风压，r'i表示分支ei发生故障后的分支风阻，q'i表示故障后分支ei的风量，x表示流态因子，取决于流体的流动状态，层流时x＝1，完全紊流时x＝2，过渡状态取1～2的中间值，n表示矿井通风网络的所有分支个数；

步骤2.5：将计算得到的发生故障后的矿井通风网络的风阻矩阵r'、风量矩阵q'、风压矩阵h'，每次发生故障时的故障分支编号ei、故障量△ri，以及矿井通风网络各分支的原始风阻值、风量、风压记录至故障样本集中。

步骤3：根据所述故障样本集分别构建以监测故障位置为目标的支持向量机分类模型，以及以监测故障量为目标的支持向量机回归模型，以所述故障样本集中的发生故障后矿井通风网络各分支的风量和风压作为支持向量机的输入，以所述故障样本集中的矿井通风网络各分支的编号作为支持向量机分类模型的输出，以所述故障样本集中的矿井通风网络各分支的故障量作为支持向量机回归模型的输出，实现对故障位置和故障量的诊断，具体表述为：

步骤3.1：利用所述故障样本集构建以监测故障位置为目标的支持向量机分类模型，以所述故障样本集中的发生故障后矿井通风网络各分支的风量和风压作为支持向量机分类模型的输入，以所述故障样本集中的矿井通风网络各分支的编号作为支持向量机分类模型的输出，引入如公式(9)所述的符号函数，符号函数值为1的样本分为一类，符号函数值为-1的样本划分为另一类，实现对所述故障样本的正确分类，然后利用公式(8)实现对分支ei故障位置的诊断；

式中，x表示输入的样本，sgn表示符号函数，xi表示支持向量机分类模型的第i个支持向量，l表示支持向量机个数，表示拉格朗日乘子，yi表示类别标签，b^*表示支持向量机核函数的阈值向量，f(xi)表示针对支持向量xi的符号函数；

步骤3.2：利用所述故障样本集构建以监测故障量为目标的支持向量机回归模型，以所述故障样本集中的发生故障后矿井通风网络各分支的风量和风压作为支持向量机回归模型的输入，以所述故障样本集中的矿井通风网络各分支的故障量作为支持向量机回归模型的输出，采用公式(10)所示的具有稀疏性的ε-不敏感损失函数实现对故障量的诊断，即实现对所述故障样本集中样本的回归，

c(y,f^*(x))＝max{0,|y-f^*(x)|-ε}；ε>0(10)

式中，y表示故障样本集中的样本，f^*(x)表示特征空间中的超平面，ε表示回归精度；

公式(10)实质就是确定一个超平面f(x)，使得预测值f^*(xi)都在超平面f(x)两侧以ε为宽度确定的空间内，若预测值存在于这个空间里则说明预测效果良好，对原始数据没有损失，如图2所示。

训练过程以通风系统分支风量和风压作为输入特征，输入特征向量通风系统所有分支风量，故障分支编号作为输出特征，通过svm一对一算法建立二分类器svmab，这里a、b分别表示不同的两个分支编号，分别对应于其发生故障时的通风系统分支风量样本，a、b均取分支编号值。例如svm28表示为e2分支故障情况下监测风量样本与e8分支故障情况下监测风量样本所构建的二分类模型，其余故障分支两两之间的二分类模型以此类推。训练结束后，最终由它们共同构成svm故障位置诊断分类器。

步骤3.3：对生成的故障位置诊断分类模型和故障量诊断回归模型进行检验，通过比较故障位置诊断分类模型的故障分支编号与所述故障样本集中各分支的故障编号，以及通过比较故障量诊断回归模型输出的故障后的各分支的风阻值与所述故障样本集中的故障后的各分支的风阻值，并分别绘制散点比对图，验证故障诊断分类模型和回归模型输出诊断的准确度。

假设仿真实验中的通风系统内每一分支发生多次阻变故障，对于任意分支每一次风阻变化，对通风网络进行风量解算，将发生故障时的故障分支编号ei、故障分支等效风阻r'i、阻变量△ri以及通风系统各分支风量q，风压h记为一个故障样本集；

利用上述步骤2给出的具体步骤进行网络解算，得出通风系统共生成47100个故障样本，记录所有故障样本形成故障样本数据空间；

按照隔行提取样本的方式分别生成训练、测试样本数据集，即使用原始样本集的奇数行号样本生成训练样本集，偶数行号样本生成测试样本集，训练样本23550个，测试样本23550个，故障位置诊断准确度达到98.2293％，故障量诊断相对误差所占比例如表2所示，其中相对误差σ即：

表2测试样本故障量诊断相对误差占各百分比个数(个)

可以看出利用风量、风压复合特征进行故障位置诊断，准确度达到了98.2293％；故障量诊断结果中，诊断出的故障量和真实故障量相对误差小于5％的测试样本个数达到了14598个，达到了整个测试样本总数的61.99％，相对于利用风量单一特征进行故障诊断大大提高了准确度，可以满足现场的实际需求，对矿井通风安全智能化管理意义重大。