一种基于风门压差的矿井通风网络异常诊断方法

1.本发明涉及一种基于风门压差的矿井通风网络异常诊断方法，属于矿井通风异常诊断技术领域。

背景技术：

2.矿井通风系统作为一个有机联系的整体，井下各巷道风量之间相互影响，即网络中任一分支风阻发生变化，不但会引起其自身风量会发生变化，也会引起其他分支风量发生变化。
3.近年来，安全监测监控系统在各类矿井中得到广泛应用，监控系统虽然能够监测到井下巷道的风量数据的变化，但是当通风发生异常时风量、风速数据很难准确测量，用不准确的风量、风速等监测数据来进行判断异常地点不仅容易误判，也无法判断引起这种异常变化的原因。

技术实现要素：

4.针对上述现有技术存在的问题，本发明提供一种基于风门压差的矿井通风网络异常诊断方法，该诊断方法能够提高通风发生异常时对风量、风速数据的测量准确性，实现对矿井通风系统异常的智能诊断。
5.为了实现上述目的，本发明提供一种基于风门压差的矿井通风网络异常诊断方法，包括如下步骤：
6.1)制定指标异常诊断准则：采用3σ准则，若某数据相应的残差值大于3σ，即判定该数值属于异常测值，判别公式为：
7.|vi|＝|x
i-μ|＞3σ；
8.式中，xi为第i个样本值，μ为平均值，σ为标准差；
9.2)在通风仿真模拟软件中建立通风系统仿真模型，进行仿真模拟测试进而获得异常样本，并建立异常范围影响库：
10.(1)通风系统仿真模型的建立过程为：
11.a.井巷数据的录入：利用autocad软件绘制生成矿井通风系统图，导入通风仿真仿真软件中，通风系统图录入完成后，系统自动生成节点编号；
12.b.绘制构筑物与通风动力装置：通过软件绘制构筑物或风机，在所需巷道的位置上增加构筑物或风机；
13.c.巷道属性数据编辑：井巷和通风构筑物的相关参数通过属性窗口实时修改，对其所有属性数据进行编辑；
14.d.巷道节点和拐点的标高输入：巷道节点和拐点的标高对矿井通风阻力测算结果的影响大，特别是自然风压，需确保巷道节点和拐点的标高的正确输入；
15.e.导入通风阻力参数：导入巷道断面面积、巷道周长、巷道长度、摩擦阻力系数和巷道风量；
16.(2)建立异常范围影响库是指在通风仿真模拟软件中模拟某一巷道的通风因为某一原因导致通风异常，此时将该巷道在因为该原因导致通风异常时所有受到影响的风门压差数据作为异常样本进行记录，将大量模拟得到的异常样本进行整合得到异常范围影响库；
17.3)利用rbf神经网络对异常进行识别：
18.(1)根据通风异常范围数据库建立多个神经网络预测模型，并用模拟出的数据让神经网络进行学习；
19.(2)用真实的异常数据放入符合条件的多个神经网络预测模型进行识别。
20.进一步地，所述步骤1)中，平均值μ采用算数平均值，计算公式为：
[0021][0022]
式中，n为样本容量；
[0023]
σ的计算公式为：
[0024]
进一步地，步骤2)中，异常样本的表示方法如下：
[0025]
某一矿井有n条巷道，将每条巷道用编号l1，l2，l3，......，ln进行标记，用r1，r2，r3，......，r
p
表示不同的导致通风异常的p种原因，假设n条巷道中有m组风门，分别编号为x1，x2，x3，.......，xm；
[0026]
若巷道li(1≤k≤n)因为原因rk(1≤k≤p)导致风门的压差发生异常，且风门x1～xm的压差变化分别为这时该异常样本表示为：
[0027][0028]
进一步地，步骤3)中，多个神经网络预测模型是指针对每一条巷道建立一个模型；
[0029]
所述的rbf神经网络使用rbf神经网络中的三层向前网络结构，包括输入层、隐含层和输出层，输入层指标选择为m个，m为该矿井内的风门数量，输入层指标选择为发生异常后的所有风门压差数据；所述的rbf神经网络模型中的输出层指标选择为p个，p为导致巷道通风异常的原因数量，输出层指标选择为：该模型对应巷道因为原因1发生异常、该模型对应巷道因为原因2发生异常、该模型对应巷道因为原因3发生异常、
……
、该模型对应巷道因为原因p发生异常；
[0030]
所述的rbf神经网络模型识别异常的原理为：在对某一模型进行训练时，将该模型对应巷道由于p种原因发生异常的数据进行训练，经过训练的输出值用单位矩阵表示，即输出结果用[1，0，
……
，0]、[0，1，
……
，0]、
……
、[0，0，
……
，1]表示，同时每个输出矩阵对应一个输出向量，即矩阵[1，0，
……
，0]对应向量(1，0，
……
，0)，矩阵[0，1，
……
，0]对应向量(0，1，
……
，0)，
……
、矩阵[0，0，
……
，p]对应向量(0，0，
……
，p)，每一种输出向量对应一种异常原因，理解为输出结果(1，0，
……
，0)表示该模型对应的巷道因为原因1发生异常，输出结果(0，1，
……
，0)表示该模型对应的巷道因为原因2发生异常，
……
，输出结果(0，0，
……
，
1)表示该模型对应的巷道因为原因p发生异常；当发生异常后，将所有风门压差异常数据同时放入所有模型进行识别，有且只会有一个模型能够输出单位向量，用于判断是哪一条巷道发生了什么样的异常。
[0031]
本发明通过制定指标异常诊断准则、在通风仿真模拟软件中建立通风系统仿真模型，进行仿真模拟测试进而获得异常样本，并建立异常范围影响库，最后利用rbf神经网络对异常进行识别。本发明通过模拟矿井各种可能出现的通风系统异常，自动形成较全的风门压差的通风系统异常样本库，通过建立通风系统异常影响范围库，结合多种神经网络融合在故障诊断的运用，提高了通风发生异常时对风量、风速数据的测量准确性，实现了对矿井通风系统异常的智能诊断。
附图说明
[0032]
图1是本发明的流程图；
[0033]
图2是本发明的rbf神经网络结构图；
[0034]
图3是本发明中基于rbf神经网络的诊断系统结构图。
具体实施方式
[0035]
下面结合附图对本发明作进一步说明。
[0036]
如图1所示，一种基于风门压差的矿井通风网络异常诊断方法，包括如下步骤：
[0037]
1)制定指标异常诊断准则：采用3σ准则，若某数据相应的残差值大于3σ，即判定该数值属于异常测值，判别公式为：
[0038]
|vi|＝|x
i-μ|＞3σ；
[0039]
式中，xi为第i个样本值，μ为平均值，σ为标准差；
[0040]
2)在通风仿真模拟软件中建立通风系统仿真模型，进行仿真模拟测试进而获得异常样本，并建立异常范围影响库：
[0041]
(1)通风系统仿真模型的建立过程为：
[0042]
a.井巷数据的录入：利用autocad软件绘制生成矿井通风系统图，导入通风仿真仿真软件中，通风系统图录入完成后，系统自动生成节点编号；
[0043]
b.绘制构筑物与通风动力装置：通过软件绘制构筑物或风机，在所需巷道的位置上增加构筑物或风机；
[0044]
c.巷道属性数据编辑：井巷和通风构筑物的相关参数通过属性窗口实时修改，对其所有属性数据进行编辑；
[0045]
d.巷道节点和拐点的标高输入：巷道节点和拐点的标高对矿井通风阻力测算结果的影响大，特别是自然风压，需确保巷道节点和拐点的标高的正确输入；
[0046]
e.导入通风阻力参数：导入巷道断面面积、巷道周长、巷道长度、摩擦阻力系数和巷道风量；
[0047]
(2)建立异常范围影响库是指在通风仿真模拟软件中模拟某一巷道的通风因为某一原因导致通风异常，此时将该巷道在因为该原因导致通风异常时所有受到影响的风门压差数据作为异常样本进行记录，将大量模拟得到的异常样本进行整合得到异常范围影响库；
[0048]
3)利用rbf神经网络对异常进行识别：
[0049]
(1)根据通风异常范围数据库建立多个神经网络预测模型，并用模拟出的数据让神经网络进行学习；
[0050]
(2)用真实的异常数据放入符合条件的多个神经网络预测模型进行识别。
[0051]
进一步地，所述步骤1)中，平均值μ采用算数平均值，计算公式为：
[0052][0053]
式中，n为样本容量；
[0054]
σ的计算公式为：
[0055]
进一步地，步骤2)中，异常样本的表示方法如下：
[0056]
某一矿井有n条巷道，将每条巷道用编号l1，l2，l3，......，ln进行标记，用r1，r2，r3，......，r
p
表示不同的导致通风异常的p种原因，假设n条巷道中有m组风门，分别编号为x1，x2，x3，......，xm；
[0057]
若巷道li(1≤i≤n)因为原因rk(1≤k≤p)导致风门的压差发生异常，且风门x1～xm的压差变化分别为这时该异常样本表示为：
[0058][0059]
进一步地，步骤3)中，多个神经网络预测模型是指针对每一条巷道建立一个模型；
[0060]
如图2所示，所述的rbf神经网络使用rbf神经网络中的三层向前网络结构，包括输入层、隐含层和输出层，输入层指标选择为m个，m为该矿井内的风门数量，输入层指标选择为发生异常后的所有风门压差数据；所述的rbf神经网络模型中的输出层指标选择为p个，p为导致巷道通风异常的原因数量，输出层指标选择为：该模型对应巷道因为原因1发生异常、该模型对应巷道因为原因2发生异常、该模型对应巷道因为原因3发生异常、
……
、该模型对应巷道因为原因p发生异常；
[0061]
如图3所示，所述的rbf神经网络模型识别异常的原理为：在对某一模型进行训练时，将该模型对应巷道由于p种原因发生异常的数据进行训练，经过训练的输出值用单位矩阵表示，即输出结果用[1，0，
……
，0]、[0，1，
……
，0]、
……
、[0，0，
……
，1]表示，同时每个输出矩阵对应一个输出向量，即矩阵[1，0，
……
，0]对应向量(1，0，
……
，0)，矩阵[0，1
……
，0]对应向量(0，1，
……
，0)，
……
、矩阵[0，0，
……
，p]对应向量(0，0，
……
，p)，每一种输出向量对应一种异常原因，理解为输出结果(1，0，
……
，0)表示该模型对应的巷道因为原因1发生异常，输出结果(0，1，
……
，0)表示该模型对应的巷道因为原因2发生异常，
……
，输出结果(0，0，
……
，1)表示该模型对应的巷道因为原因p发生异常；当发生异常后，将所有风门压差异常数据同时放入所有模型进行识别，有且只会有一个模型能够输出单位向量，用于判断是哪一条巷道发生了什么样的异常。
[0062]
实施例：
[0063]
某一矿井有n条巷道，将每条巷道用编号l1，l2，l3，......，ln进行标记，用r1，r2，r3，......，r
p
表示不同的导致通风异常的p种原因，假设n条巷道中有5组风门，分别编号为1～5；
[0064]
假设导致巷道发生异常的原因有6种，分别为原因1、原因2、原因3、原因4、原因5、原因6，假设此时巷道l1发生异常，五组风门压差的变化量分别为-12pa、-23pa、-87pa、-30pa、-23pa，将五组风门压差的变化量作为输入层指标输入到训练好的巷道l1所对应的模型中，此时可以得到输出矩阵为[-0.0722，1.0713，0.0765，-0.0352，0.0032，0.0504]，输出向量为(0，1，0，0，0，0)，即成功判断巷道l1因为原因2发生异常。

技术特征：

1.一种基于风门压差的矿井通风网络异常诊断方法，其特征在于，包括如下步骤：1)制定指标异常诊断准则：采用3σ准则，若某数据相应的残差值大于3σ，即判定该数值属于异常测值，判别公式为：|v
i
|＝|x
i-μ|＞3σ；式中，x
i
为第i个样本值，μ为平均值，σ为标准差；2)在通风仿真模拟软件中建立通风系统仿真模型，进行仿真模拟测试进而获得异常样本，并建立异常范围影响库：(1)通风系统仿真模型的建立过程为：a.井巷数据的录入：利用autocad软件绘制生成矿井通风系统图，导入通风仿真仿真软件中，通风系统图录入完成后，系统自动生成节点编号；b.绘制构筑物与通风动力装置：通过软件绘制构筑物或风机，在所需巷道的位置上增加构筑物或风机；c.巷道属性数据编辑：井巷和通风构筑物的相关参数通过属性窗口实时修改，对其所有属性数据进行编辑；d.巷道节点和拐点的标高输入：巷道节点和拐点的标高对矿井通风阻力测算结果的影响大，特别是自然风压，需确保巷道节点和拐点的标高的正确输入；e.导入通风阻力参数：导入巷道断面面积、巷道周长、巷道长度、摩擦阻力系数和巷道风量；(2)建立异常范围影响库是指在通风仿真模拟软件中模拟某一巷道的通风因为某一原因导致通风异常，此时将该巷道在因为该原因导致通风异常时所有受到影响的风门压差数据作为异常样本进行记录，将大量模拟得到的异常样本进行整合得到异常范围影响库；3)利用rbf神经网络对异常进行识别：(1)根据通风异常范围数据库建立多个神经网络预测模型，并用模拟出的数据让神经网络进行学习；(2)用真实的异常数据放入符合条件的多个神经网络预测模型进行识别。2.根据权利要求1所述的一种基于风门压差的矿井通风网络异常诊断方法，其特征在于，所述步骤1)中，平均值μ采用算数平均值，计算公式为：式中，n为样本容量；σ的计算公式为：3.根据权利要求1或2所述的一种基于风门压差的矿井通风网络异常诊断方法，其特征在于，步骤2)中，异常样本的表示方法如下：某一矿井有n条巷道，将每条巷道用编号l1，l2，l3，......，l
n
进行标记，用r1，r2，r3，......，r
p
表示不同的导致通风异常的p种原因，假设n条巷道中有m组风门，分别编号为x1，x2，x3，......，x
m
；
若巷道l
i
(1≤i≤n)因为原因r
k
(1≤k≤p)导致风门的压差发生异常，且风门x1～x
m
的压差变化分别为这时该异常样本表示为：4.根据权利要求3所述的一种基于风门压差的矿井通风网络异常诊断方法，其特征在于，步骤3)中，多个神经网络预测模型是指针对每一条巷道建立一个模型；所述的rbf神经网络使用rbf神经网络中的三层向前网络结构，包括输入层、隐含层和输出层，输入层指标选择为m个，m为该矿井内的风门数量，输入层指标选择为发生异常后的所有风门压差数据；所述的rbf神经网络模型中的输出层指标选择为p个，p为导致巷道通风异常的原因数量，输出层指标选择为：该模型对应巷道因为原因1发生异常、该模型对应巷道因为原因2发生异常、该模型对应巷道因为原因3发生异常、
……
、该模型对应巷道因为原因p发生异常；所述的rbf神经网络模型识别异常的原理为：在对某一模型进行训练时，将该模型对应巷道由于p种原因发生异常的数据进行训练，经过训练的输出值用单位矩阵表示，即输出结果用[1，0,
……
,0]、[0,1，
……
,0]、
……
、[0,0，
……
,1]表示，同时每个输出矩阵对应一个输出向量，即矩阵[1,0,
……
,0]对应向量(1，0,
……
，0)，矩阵[0，1，
……
，0]对应向量(0,1，
……
，0)，
……
、矩阵[0,0,
……
,p]对应向量(0，0
……
，p)，每一种输出向量对应一种异常原因，理解为输出结果(1，0，
……
，0)表示该模型对应的巷道因为原因1发生异常，输出结果(0，1，
……
，0)表示该模型对应的巷道因为原因2发生异常，
……
，输出结果(0，0，
……
，1)表示该模型对应的巷道因为原因p发生异常；当发生异常后，将所有风门压差异常数据同时放入所有模型进行识别，有且只会有一个模型能够输出单位向量，用于判断是哪一条巷道发生了什么样的异常。

技术总结

一种基于风门压差的矿井通风网络异常诊断方法，步骤包括制定指标异常诊断准则、在通风仿真模拟软件中建立通风系统仿真模型，进行仿真模拟测试进而获得异常样本，并建立异常范围影响库，最后利用RBF神经网络对异常进行识别。本发明通过模拟矿井各种可能出现的通风系统异常，自动形成较全的风门压差的通风系统异常样本库，通过建立通风系统异常影响范围库，结合多种神经网络融合在故障诊断的运用，提高了通风发生异常时对风量、风速数据的测量准确性，实现了对矿井通风系统异常的智能诊断。实现了对矿井通风系统异常的智能诊断。实现了对矿井通风系统异常的智能诊断。