Une expérience de diagnostic supervisée d'emplacements multi-défauts variables à résistance dans un système de ventilation de mine

Rapports scientifiques volume 13, Numéro d'article : 5259 (2023) Citer cet article

322 accès

Détails des métriques

Le diagnostic de localisation de défauts multiples à résistance variable (RVMFL) dans un système de ventilation de mine est une fonction essentielle du système de ventilation intelligent de mine, qui revêt une grande importance pour une production sûre dans une mine. Dans cet article, un modèle d'apprentissage automatique supervisé basé sur un arbre de décision (DT), un perceptron multicouche (MLP) et une machine à vecteurs de support de classement (Rank-SVM) est proposé pour le diagnostic RVMFL dans un système de ventilation de mine. La faisabilité de la méthode ainsi que les performances prédictives et la capacité de généralisation du modèle ont été vérifiées à l'aide d'une validation croisée décuplée d'un ensemble d'échantillons multi-défauts d'un réseau de ventilation à joints angulaires en forme de T à 10 branches et d'un réseau de ventilation expérimental à 54 branches. La fiabilité du modèle a ensuite été vérifiée en diagnostiquant le RVMFL du système de ventilation expérimental. Les résultats montrent que les trois modèles, DT, MLP et Rank-SVM, peuvent être utilisés pour le diagnostic du RVMFL dans les systèmes de ventilation des mines, et que les performances de prédiction et la capacité de généralisation des modèles MLP et DT fonctionnent mieux que celles du Rank-SVM. modèle. Dans le diagnostic des emplacements multi-défauts du système de ventilation expérimental, la précision diagnostique du modèle MLP a atteint 100 % et celle du modèle DT était de 44,44 %. Les résultats confirment que le modèle MLP surpasse les trois modèles et peut répondre aux besoins d'ingénierie.

La fonction principale du système de ventilation de la mine est de fournir de l'air frais aux endroits souterrains qui ont besoin de vent. Cela dilue et élimine les gaz toxiques et nocifs, tels que le gaz, le monoxyde de carbone et la poussière. Cela peut également créer un bon environnement de travail pour garantir la santé au travail des travailleurs et le déroulement normal des activités de production1,2,3. Un bon système de ventilation peut réduire efficacement les risques d’accidents, tels que la combustion et l’explosion de gaz ou de poussières de charbon, l’empoisonnement au monoxyde de carbone et l’asphyxie dans les mines4,5. Cela montre qu'un système de ventilation stable et fiable est extrêmement important pour garantir la sécurité de la production de la mine. Cependant, au cours du processus de production d'une mine, des changements soudains dans le volume d'air du système de ventilation se produisent inévitablement, tels que le blocage de la chute des bulles de la chaussée, la rupture et la défaillance des registres et la vidange du silo de la mine. L’essence de ces phénomènes, qui entraînent des changements soudains du volume d’air de la chaussée, est le changement soudain de la résistance au vent de la chaussée. Dans ce cas, ces phénomènes sont définis comme l’apparition d’une rupture de résistance dans le système de ventilation de la mine6. Lorsqu'un défaut de résistance survient dans un système de ventilation de mine, la répartition du volume d'air dans le système de ventilation change considérablement. Cela entraîne très probablement une diminution de l'apport d'air dans les fronts de taille d'exploitation minière et de creusement, ainsi qu'une accumulation de gaz toxiques et nocifs dans certaines souffleries. Cela entraînera de graves risques pour la sécurité et la mine7.

Le réseau de ventilation de la mine présente une bonne auto-adaptabilité et une bonne robustesse, ce qui le rend adapté à l’application des méthodes d’intelligence artificielle et d’apprentissage automatique8. En raison du développement rapide de la technologie intelligente, la méthode traditionnelle consistant à s'appuyer sur le personnel pour identifier les défauts de résistance variable dans les systèmes de ventilation a été progressivement remplacée par des méthodes de diagnostic intelligentes. La méthode de diagnostic intelligente permet d'économiser des ressources humaines et matérielles considérables. De plus, il permet de gagner beaucoup de temps et s'adapte à la demande d'élimination rapide des défauts des systèmes de ventilation des mines. Des études ont montré que les algorithmes d'intelligence artificielle et d'apprentissage automatique, tels que la machine à vecteurs de support (SVM), l'arbre de décision (DT), le réseau de neurones artificiels (ANN), la forêt aléatoire (RF), l'algorithme génétique (GA) et le perceptron multicouche (MLP) ), sont utilisés pour résoudre des problèmes de diagnostic de panne unique dans les systèmes de ventilation des mines9,10,11,12,13,14. Cependant, en raison de la spécificité et de la complexité des conditions des mines souterraines, il est courant que les systèmes de ventilation des mines présentent simultanément des défauts à résistance variable à plusieurs endroits. Peu d’études ont été menées sur le diagnostic et l’identification des défauts à plusieurs endroits des systèmes de ventilation des mines.