Ein überwachtes diagnostisches Experiment zu widerstandsvariablen Mehrfachfehlerstellen in einem Minenbelüftungssystem

Wissenschaftliche Berichte Band 13, Artikelnummer: 5259 (2023) Diesen Artikel zitieren

322 Zugriffe

Details zu den Metriken

Die Diagnose der widerstandsvariablen Mehrfachfehlerstelle (RVMFL) in einem Grubenlüftungssystem ist eine wesentliche Funktion des intelligenten Grubenlüftungssystems, die für die bergbausichere Produktion von großer Bedeutung ist. In diesem Artikel wird ein überwachtes maschinelles Lernmodell basierend auf einem Entscheidungsbaum (DT), einem mehrschichtigen Perzeptron (MLP) und einer Ranking-Support-Vektor-Maschine (Rank-SVM) für die RVMFL-Diagnose in einem Minenlüftungssystem vorgeschlagen. Die Durchführbarkeit der Methode sowie die Vorhersageleistung und Generalisierungsfähigkeit des Modells wurden mithilfe einer zehnfachen Kreuzvalidierung eines Mehrfachfehler-Stichprobensatzes eines T-förmigen Winkelgelenk-Lüftungsnetzwerks mit 10 Zweigen und eines experimentellen Lüftungsnetzwerks mit 54 Zweigen überprüft. Die Zuverlässigkeit des Modells wurde durch die Diagnose des RVMFL des experimentellen Belüftungssystems weiter überprüft. Die Ergebnisse zeigen, dass die drei Modelle DT, MLP und Rank-SVM für die Diagnose von RVMFL in Minenbelüftungssystemen verwendet werden können und dass die Vorhersageleistung und Generalisierungsfähigkeit der MLP- und DT-Modelle besser abschneiden als die des Rank-SVM Modell. Bei der Diagnose von Mehrfachfehlerstellen des experimentellen Lüftungssystems erreichte die Diagnosegenauigkeit des MLP-Modells 100 % und die des DT-Modells 44,44 %. Die Ergebnisse bestätigen, dass das MLP-Modell die drei Modelle übertrifft und technische Anforderungen erfüllen kann.

Die Hauptfunktion des Grubenlüftungssystems besteht darin, unterirdische Orte, die Wind benötigen, mit Frischluft zu versorgen. Dadurch werden giftige und schädliche Gase wie Gas, Kohlenmonoxid und Staub verdünnt und entfernt. Es kann auch ein gutes Arbeitsumfeld schaffen, um die Gesundheit der Arbeitnehmer am Arbeitsplatz und die normale Durchführung von Produktionsaktivitäten zu gewährleisten1,2,3. Ein gutes Belüftungssystem kann die Möglichkeit von Unfällen wie der Verbrennung und Explosion von Gas- oder Kohlenstaub, einer Kohlenmonoxidvergiftung und Erstickung in Bergwerken wirksam reduzieren4,5. Dies zeigt, dass ein stabiles und zuverlässiges Belüftungssystem für die Gewährleistung einer sicheren Produktion im Bergwerk äußerst wichtig ist. Während des Produktionsprozesses eines Bergwerks kommt es jedoch unvermeidlich zu plötzlichen Änderungen des Luftvolumens des Belüftungssystems, wie z. B. einer Verstopfung des Blasenfalls auf der Fahrbahn, Bruch und Ausfall von Klappen und einer Entleerung des Bergwerkssilos. Der Kern dieser Phänomene, die zu plötzlichen Änderungen des Luftvolumens auf der Fahrbahn führen, ist die plötzliche Änderung des Windwiderstands der Fahrbahn. In diesem Fall werden diese Phänomene als das Auftreten eines Widerstandsversagens im Grubenlüftungssystem6 definiert. Wenn in einer Grubenlüftungsanlage ein Widerstandsfehler auftritt, verändert sich die Luftmengenverteilung in der Lüftungsanlage erheblich. Dies führt höchstwahrscheinlich zu einer Verringerung der Luftzufuhr in den Abbau- und Abbauflächen sowie zur Ansammlung giftiger und schädlicher Gase in einigen Windstollen. Dies würde zu ernsthaften Sicherheitsrisiken und Risiken für das Bergwerk führen7.

Das Grubenlüftungsnetz verfügt über eine gute Selbstanpassungsfähigkeit und Robustheit, wodurch es für den Einsatz künstlicher Intelligenz und Methoden des maschinellen Lernens geeignet ist8. Aufgrund der rasanten Entwicklung intelligenter Technologie wurde die traditionelle Methode, sich bei der Erkennung von Fehlern mit Widerstandsvariablen in Lüftungssystemen auf Personal zu verlassen, nach und nach durch intelligente Diagnosemethoden ersetzt. Durch die intelligente Diagnosemethode können erhebliche personelle und materielle Ressourcen eingespart werden. Darüber hinaus spart es viel Zeit und passt sich der Nachfrage nach einer schnellen Beseitigung von Störungen in der Grubenlüftungsanlage an. Studien haben gezeigt, dass Algorithmen für künstliche Intelligenz und maschinelles Lernen, wie z. B. Support Vector Machine (SVM), Entscheidungsbaum (DT), künstliches neuronales Netzwerk (ANN), Random Forest (RF), genetischer Algorithmus (GA) und Multilayer Perceptron (MLP). ), werden zur Lösung einzelner Fehlerdiagnoseprobleme in Grubenlüftungssystemen verwendet9,10,11,12,13,14. Aufgrund der Besonderheiten und Komplexität der Bedingungen im Untertagebergbau kommt es jedoch häufig vor, dass Grubenbelüftungssysteme an mehreren Stellen gleichzeitig Fehler mit variablem Widerstand aufweisen. Es wurden nur wenige Studien zur Diagnose und Identifizierung von Fehlern an mehreren Standorten von Grubenlüftungssystemen durchgeführt.

Wang et al.15 schlugen zunächst ein auf maschinellem Lernen basierendes (ML-KNN-basiertes) Modell und eine Methode zur Diagnose der widerstandsvariablen Mehrfachfehlerortung (RVMFL) in Minenbelüftungssystemen vor. Sie lösen das RVMFL-Diagnoseproblem von Grubenlüftungssystemen als Multilabel- und Multiklassifizierungsproblem. Aus dem Problem der Standortdiagnose mit mehreren Fehlern kann das Klassifizierungsproblem mit mehreren Etiketten durch eine Konvertierungsstrategie in mehrere Klassifizierungsprobleme mit einzelnen Etiketten umgewandelt werden. Beispielsweise kann das RVMFL-Diagnoseproblem des Lüftungssystems in mehrere Einzelfehlerortungsdiagnoseprobleme unterteilt werden, was jedoch zweifellos die Rechenkomplexität erhöht16,17. Das Multilabel-Klassifizierungsproblem kann auch durch die Anwendung von Multilabel-Klassifizierungsunterstützungs- und Anpassungsalgorithmen wie DT, MLP, Ranking Support Vector Machine (Rank-SVM) und AdaBoost.MH, ML–KNN18,19,20,21,22 gelöst werden. Bei diesen Methoden handelt es sich allesamt um überwachte Algorithmen für maschinelles Lernen, und Rank-SVM ist eine Verbesserung des SVM-Algorithmus. Den vorliegenden Studien zufolge leisten DT, MLP und SVM gute Ergebnisse bei der Lösung des Problems der widerstandsvariablen Einzelfehlerortungsdiagnose im Grubenlüftungssystem9. Darüber hinaus stellen diese Methoden einen wichtigen Wert bei der Anwendung von Klassifikationsproblemen dar. Aufgrund ihrer guten Klassifizierungsleistung und Anpassung an Multi-Label-Klassifizierungsprobleme werden die Methoden zur intelligenten Diagnose von RVMFL in Beatmungssystemen formal verbessert. In diesem Artikel werden drei wichtige und weit verbreitete Algorithmen für maschinelles Lernen, DT, MLP und Rank-SVM, verwendet, um das Problem der Diagnose von RVMFL in Minenlüftungssystemen zu untersuchen.

Es ist bekannt, dass verschiedene Algorithmen unterschiedliche Vorhersagegenauigkeiten, Leistungen und Generalisierungsfähigkeiten aufweisen. Häufig werden industrielle Tests durchgeführt, um zu bestätigen, ob diese Algorithmen in der technischen Praxis eingesetzt werden können, wie gut sie bei der RVMFL-Diagnose funktionieren und wie zuverlässig und valide jedes Diagnosemodell ist. Um einen industriellen Feldtest zum Ausfall eines Lüftungssystems in einem Produktionsbergwerk durchzuführen, ist es notwendig, die Klappen im geschlossenen Zustand über einen längeren Zeitraum zu öffnen oder den Tunnel zu blockieren, um einen echten Ausfall im Bergwerk auszulösen, insbesondere um einen Ausfall zu verursachen mehrere Standorte. Insbesondere in Kohlebergwerken ist ein solcher Test jedoch nicht zulässig. Wenn der Industrietest mit Widerstandsvariablenfehlern in Metallbergwerken durchgeführt wird, kommt es in Metallbergwerken im Gegensatz zu Kohlebergwerken bei der Erfassung von Testprobendaten nicht zu Gaskatastrophen und natürlichen Kohlebränden im Bergbaugebiet. Dies kann dazu führen, dass das Lüftungssystem des Bergwerks für längere Zeit ausfällt, was die Sicherheit der Bergwerksproduktion erheblich beeinträchtigt. Zusammenfassend lässt sich sagen, dass die Durchführung industrieller Tests zu tatsächlichen Fehlern mit Widerstandsvariablen in Grubenbelüftungssystemen schwierig ist und gewisse Sicherheitsrisiken birgt. Um das Problem der Entstehung von Fehlern mit variablem Widerstand in tatsächlichen Minen anzugehen, die sich auf die normale Produktion auswirken, wurde ein experimentelles System zur Simulation von Fehlern mit variablem Widerstand im Lüftungssystem gebaut. Der Vorteil dieses Systems besteht darin, dass es jede Art von Fehlern mit Widerstandsvariablen simulieren und Fehler mit Widerstandsvariablen jeden Grades an jedem Ort erzeugen kann, ohne durch die Umgebungsbedingungen des Standorts eingeschränkt zu sein und ohne Sicherheitsprobleme, wie z. B. industrielle Tests vor Ort.

Die Hauptziele dieser Studie sind folgende: (1) Lösung des Problems einer genauen Diagnose von Fehlern mit Widerstandsvariablen, die an mehreren Stellen im Grubenlüftungssystem gleichzeitig auftreten. (2) Analyse und Vergleich der Leistung verschiedener intelligenter Algorithmen beim Problem der Mehrfachfehlerortungsdiagnose von Fehlern mit Widerstandsvariablen in Lüftungssystemen, um geeignetere Algorithmen und Modelle zu finden. (3) Aufbau eines experimentellen Systems zur Simulation von Fehlern mit Widerstandsvariablen im Grubenlüftungssystem. Anschließend wird dieses System verwendet, um die Zuverlässigkeit und Gültigkeit des vorgeschlagenen Modells durch Experimente zu überprüfen und das Problem zu lösen, dass keine realistischen Industrietests durchgeführt werden können, um die Zuverlässigkeit und Gültigkeit der Algorithmen in tatsächlichen Produktionsbergwerken zu bestätigen. (4) Die Studienergebnisse liefern eine theoretische Grundlage für den Aufbau eines intelligenten Körpers auf Grubenlüftungssystemen. Der Forschungsablauf dieser Arbeit ist in Abb. 1 dargestellt.

Forschungsflussdiagramm.

Bei Minen treten mehrfache Fehler mit variablem Widerstand auf. Dabei handelt es sich um Fälle, in denen das Grubenlüftungssystem während eines normalen Produktionszeitraums gleichzeitig Fehler mit variablem Widerstand auf zwei oder mehr unterschiedlichen Straßen aufweist. Diese Studie betrachtet als Beispiel den Fall, dass auf zwei Straßen gleichzeitig Fehler mit variablem Widerstand auftreten, und wendet eine überwachte Lernmethode an, um das Problem der RVMFL-Diagnose des Minenbelüftungssystems anzugehen. Abbildung 2 zeigt den Ablauf der Diagnosemethode für den RVMFL des Grubenlüftungssystems. Der Kern der RVMFL-Diagnose eines Grubenbelüftungssystems besteht darin, einen Multilabel-Klassifikator mit Widerstandsvariablenfehlern zu konstruieren. Dieser Klassifikator kann anhand der Luftstrominformationen des Lüftungssystems nach dem Auftreten der Fehler schnell die Orte von Mehrfachfehlern mit Widerstandsvariablen diagnostizieren und identifizieren.

Verfahren zur RVMFL-Diagnose des Beatmungssystems.

Als Beobachtungsmerkmal werden die Luftströmungsinformationen aller oder der restlichen Zweige des Lüftungsnetzes verwendet. Basierend auf den von den Minen-Windgeschwindigkeitssensoren überwachten Werten werden die überwachten Werte zur zeitlichen Mittelung statistisch gemittelt, um Einzelpunkt-Windgeschwindigkeitswerte korrigiert und in den Luftstrom des Lüftungssystems umgewandelt. Die beobachteten Merkmalsdaten des erstellten Trainingsbeispielsatzes werden normalisiert und als Eingabe für den Klassifikator zum Lernen und Trainieren verwendet, und der binäre Vektor von Fehlerbezeichnungen, die Mehrfachfehlerstellen entsprechen, wird als Ausgabe des Klassifikators verwendet, um einen RVMFL-Diagnoseklassifikator zu trainieren Grubenbelüftung. Basierend auf den Änderungen der Luftgeschwindigkeit an Überwachungspunkten, wenn ein Lüftungssystem im Normalbetrieb eine Widerstandsvariable mit mehreren Fehlern aufweist, kann der trainierte Diagnoseklassifikator für mehrere Fehlerorte die Fehlerorte schnell diagnostizieren.

Der DT-Algorithmus unterstützt Multilabel-Klassifizierungsprobleme. Der Prozess der RVMFL-Diagnose entspricht der Erstellung eines Fehleretiketten-Klassifizierungsbaums, der auf dem Prinzip des Lernens mehrerer Fehlerproben und des Ableitens einfacher Fehlerentscheidungsregeln aus Datenmerkmalen basiert, um Zielwerte für den Fehlerort vorherzusagen23,24,25. Wenn ein Windvolumenvektor xi ∈ Rn, i = 1,…,l und sein entsprechender Fehlerort-Bezeichnungsvektor y ∈ Rl nach einem Widerstandsvariablen-Mehrfachfehler auftreten, teilt der Klassifizierungsbaum den Merkmalsraum rekursiv auf, sodass Proben mit derselben Fehlerbezeichnung vorhanden sind gruppiert. Für jeden Merkmalssegmentierungspunkt bezeichne \(\Phi_{m}\) nm Multifehler-Beispieldaten am Knoten m. Für eine Kandidatensegmentierung θ = (j, tm), die ein Fehlermerkmal j und einen Domänenwert tm umfasst, segmentieren Sie die Daten in Teilmengen \(\Phi_{m}^{a} \left( \theta \right)\) und \ (\Phi_{m}^{b} \left( \theta \right)\). Die Segmentierungsregeln lauten wie folgt:

Die Verunreinigungsfunktion wird verwendet, um die Anzahl der Verunreinigungen für eine Kandidatensegmentierung von Knoten m zu berechnen. Als metrische Funktion für die Verunreinigung wird der Gini-Index gewählt und wie folgt berechnet:

Dabei ist pmk der Anteil der mit k gekennzeichneten Daten am Knoten m.

Die Parameter, die Verunreinigungen minimieren, sind wie folgt:

Die Rekursion der Teilmengen \(\Phi_{m}^{a} \left( {\theta^{*} } \right)\) und \(\Phi_{m}^{b} \left( {\theta^ {*} } \right)\) bis zum Erreichen der maximal zulässigen Tiefe endet, was wiederum einen Klassifizierungsbaum für die RVMFL-Diagnose generiert.

MLP ist ein überwachter Lernalgorithmus, der ein Feed-Forward-Netzwerk ist und die Lösung von Multilabel-Klassifizierungsproblemen unterstützt26,27,28. Mit einem Multifehler-Funktionssatz mit Widerstandsvariablen und den entsprechenden Fehlerbezeichnungen kann erlernen, einen nichtlinearen Funktionsnäherungswert für die Standortdiagnose mehrerer Fehler zu erhalten. Zwischen den Eingabe- und Ausgabeschichten des Multifehlerortungsdiagnose-MLP-Modells können l (l ≥ 1) implizite Schichten mit dem folgenden Informationsverarbeitungsmechanismus vorhanden sein:

wobei \(O_{j}^{(l)}\) die Ausgabe des j-ten Neurons in Schicht l ist, \(O_{i}^{l - 1}\) die Ausgabe des i-ten Neurons in Schicht l -1, \(w_{ij}^{\left( l \right)}\) ist das Verbindungsgewicht des i-ten Neurons in Schicht l-1 und des j-ten Neurons in Schicht l, \(b_{j}^). {l}\) ist die Vorspannung des j-ten Neurons in Schicht l und g(∙) ist die Aktivierungsfunktion unter Verwendung des hyperbolischen Tangens als Aktivierungsfunktion:

Der stochastische Gradientenabstiegsalgorithmus wurde ausgewählt und verwendet, um dieses Multifehler-Standortdiagnose-Perzeptron-Netzwerk zu trainieren, indem der Gradient der Verlustfunktion verwendet wurde, um die Gewichte w zu aktualisieren:

wobei η die Lernrate des Kontrollschritts bei der Parameterraumsuche ist.

Als Verlustfunktion für das RVMFL-Diagnosemodell wird die durchschnittliche Kreuzentropie verwendet, deren Ausdruck im binären Fall die folgende Form annimmt:

Dabei ist \(\hat{y}\) der vorhergesagte Fehlerort, y der tatsächliche Fehlerort, n die Anzahl der Proben, \(\alpha \left\| w \right\|_{2}^{2 }\) ist der L2-Regularisierungsterm des bestraften komplexen Modells und α > 0 ist ein nichtnegativer Hyperparameter, der die Größe der Strafe steuert.

Beginnend mit anfänglichen Zufallsgewichten minimiert MLP die Verlustfunktion, indem es diese Gewichte iterativ aktualisiert. Nach der Berechnung des Verlusts wird dieser durch Backpropagation von der Ausgabeschicht an die vorherige Schicht weitergegeben und der Wert jedes Gewichtsparameters aktualisiert, um den Verlust zu reduzieren.

Rank-SVM ist ein auf Rankings basierender Multilabel-Klassifizierungsalgorithmus, der eine Maximierungsintervallstrategie verwendet und einen Kernel-Trick einführt, um nichtlineare Klassifizierungsprobleme zu lösen29,30,31. Das Rank-SVM-Multifehler-Lernsystem soll m lineare Klassifikatoren umfassen \({\varvec{S}} = \left\{ {\left. {\left( {\omega_{j} ,b_{j} } \right)} \right|1 \le j \le m} \right\}\), wobei ωj der Gewichtsvektor ist, der der j-ten Fehlerklasse entspricht, und bj der Bias ist, der der j-ten Fehlerklasse entspricht. Für einen gegebenen Multifehler-Trainingsstichprobensatz \({\varvec{T}} = \left\{ {\left. {\left( {x_{i} ,Y_{i} } \right)} \right|1 \le i \le n} \right\}\) erzeugt das Multifehler-Lernsystem Klassifizierungsintervalle für die Fehlerproben (xi, Yi), die wie folgt ausgedrückt werden können:

Gleichung (9) stellt den Abstand der Fehlerproben zur Klassifizierungshyperebene unter jeder relevanten-irrelevanten Markerpaarung dar. Durch Erweitern des gesamten Multifehler-Trainingsstichprobensatzes T ergibt sich das Klassifizierungsintervall des Lernsystems durch

Das Klassifizierungsintervall des Trainingsstichprobensatzes wird als positiv betrachtet und die Parameter des linearen Klassifikators S werden skaliert. Dann kann das Optimierungsproblem der Maximierung des Trainingssatz-Klassifizierungsintervalls wie folgt ausgedrückt werden:

Die Trainingsstichprobe sei hinreichend adäquat, d. h. für alle Kategoriemarker yi und yk; es existiert \(\left( {x,{\text{Y}}} \right) \in {\varvec{T}}\) mit \(\left( {y_{j} ,y_{k} } \right) \in {\text{Y}} \times {\bar{\text{Y}}}\). Gleichung (11) lässt sich wie folgt umwandeln:

Durch Approximation des Max-Operators mit einem Summationsoperator, Einführung von Slack-Variablen und Verwendung des Ranking-Verlusts als Verlust wird das Optimierungsproblem in transformiert

wobei C der Gleichgewichtskoeffizient und \(\xi_{ijk}\) die Relaxationsvariable ist, \(\xi_{ijk}\) ≥ 0.

Um die Diagnoseleistung von DT-, MLP- und Rank-SVM-basierten RVMFL-Diagnosemodellen für Minenlüftungssysteme zu vergleichen und zu bewerten, wurden die Bewertungsmetriken unter Berücksichtigung der vorhandenen Literatur zu Multilabel-Klassifizierungsproblemen ausgewählt 32,33,34,35. Die fünf Metriken Hamming-Verlust, Ranking-Verlust, Abdeckung, durchschnittliche Genauigkeit und Ein-Fehler sind die am häufigsten verwendeten und am weitesten verbreiteten Metriken. Diese fünf Metriken wurden ausgewählt, um die RVMFL-Diagnosemodelle für die Minenbelüftung zu bewerten, wie in Tabelle 1 gezeigt. \(y \in \left\{ {0,1} \right\}^{N \times M}\) in Tabelle 1 bezeichnet die binäre Etikettenmatrix, die den realen Etiketten an Mehrfachfehlerstellen entspricht, und \(\hat{f} \in {\varvec{R}}^{N \times M}\) bezeichnet die Punktzahl für jedes Fehleretikett.

Um die Machbarkeit und Modellzuverlässigkeit der DT-, MLP- und Rank-SVM-basierten RVMFL-Diagnosemethode für Beatmungssysteme zu überprüfen sowie die Diagnoseleistung dieser drei Modelle zu vergleichen und zu analysieren und das optimale Modell zu finden, wurden Experimente mit durchgeführt ein einfaches T-förmiges Winkelverbindungsnetzwerk mit 10 Zweigen und ein Netzwerk mit 54 Zweigen mit einem experimentellen System zur Standortdiagnose mehrerer Fehler. Der experimentelle Untersuchungsprozess ist in Abb. 3 dargestellt. Unter Verwendung von fünf Bewertungsmetriken wurde eine zehnfache Kreuzvalidierung verwendet, um den Probensatz für die Diagnose mehrerer Fehlerstandorte zu trainieren und zu validieren. Die Ergebnisse der Kreuzvalidierung wurden statistisch gemittelt. Um die Zuverlässigkeit des Modells zu überprüfen, wurden reale Multifehlerdiagnoseexperimente mit einem Belüftungssystem durchgeführt.

Der experimentelle Studienprozess zur RVMFL-Diagnose.

Die Topologie des T-förmigen Winkelgelenk-Lüftungsnetzes, der Windwiderstandskoeffizient und die Ventilatorkennlinien in Literatur 6 werden als Referenzen für die RVMFL-Diagnosestudie des Lüftungssystems verwendet. Abbildung 4 zeigt ein T-förmiges Winkellüftungsnetz mit 8 Knoten und 10 Abzweigen, mit Anpassung am Abzweig e4 und einem Lüftungsventilator am Abzweig e8. Die Kennlinie des Lüftungsgebläses ergibt sich wie folgt:

T-förmiges Winkelfugen-Lüftungsnetz.

Die Verzweigungsparameter des T-förmigen Winkelfugen-Lüftungsnetzes sind in Tabelle 2 dargestellt.

Basierend auf den Zweiginformationen des Lüftungsnetzes während normaler Produktionszeiten wird das Minenlüftungssimulationssystem (MVSS)36 verwendet, um die widerstandserhöhenden Fehler der allgemeinen Zweige, mit Ausnahme der Einlass- und Auslasszweige, und die widerstandsverringernden Fehler zu simulieren Störungen der Dämpfer. Unter der Annahme, dass die beiden Zweige im Lüftungssystem gleichzeitig ausfallen und die fehlerhaften Luftwiderstandswerte mithilfe einer Zufallsmethode generiert werden, sind die Schritte zur Generierung des ohmschen Multifehler-Stichprobensatzes wie folgt:

Wenn die Topologie des Lüftungsnetzes und die Betriebseigenschaften des Ventilators unverändert bleiben, wenn zwei beliebige Zweige des Lüftungssystems ei und ej gleichzeitig ausgefallen sind, werden die Windwiderstände des fehlerhaften Zweigs mit den Widerstandsvariablen Δri und Δrj zu \(r^{ \prime}_{i} = r_{i} \pm \Delta r_{i}\) und \(r^{\prime}_{j} = r_{j} \pm \Delta r_{j}\) , jeweils.

Basierend auf dem Windwiderstandsvektor \(\user2{R^{\prime}}_{\left( i \right)} = \left( {r_{1} ,r_{2} , \cdots ,r^{\ prime}_{i} , \cdots ,r^{\prime}_{j} , \cdots r_{n} } \right)\) des Lüftungsnetzes zum Zeitpunkt der Zweigausfälle ei und ej, das Lüftungsnetz Nachdem der Fehler behoben wurde, werden neue Beispieldaten generiert: \(\user2{Q^{\prime}}_{\left( i \right)} = \left( {q^{\prime}_{1} ,q ^{\prime}_{2} , \cdots ,q^{\prime}_{n} } \right)\) für das Luftvolumen.

Erstellen Sie einen Beispieldatenraum für mehrere Fehler und zeichnen Sie die Zweignummern ei und ej auf, in denen der Fehler aufgetreten ist, sowie das Luftvolumen des Lüftungssystemzweigs \(\user2{Q^{\prime}}_{\left( i \right)}\) als ein Beispiel im Fehlerbeispiel-Datenraum.

Wiederholen Sie die Schritte (1)–(3), sodass die ei- und ej-Zweige viele Male auftreten und die Anzahl der Fehlervariablen bei jedem Auftreten unterschiedlich ist, was dazu führt, dass die Widerstands-Mehrfehlerproben auf den ei- und ej-Zweigen generiert werden. Basierend auf den oben genannten Regeln generieren andere Zweige des Lüftungsnetzes Multifehler-Proben der entsprechenden Zweige und bilden den Multifehler-Probensatz T für die Widerstandsvariable des Lüftungsnetzes.

Nach der oben beschriebenen Methode wurden insgesamt 600 Sätze widerstandsvariabler Multifehlerproben für das T-förmige Winkelgelenk-Lüftungsnetz generiert, wie in Tabelle 3 dargestellt. Die beobachteten Merkmale der Multifehlerprobensatzdaten wurden vor der Eingabe in das normiert Diagnoseklassifikator für mehrere Fehlerorte.

Die Angemessenheit der Hyperparametereinstellungen bestimmt die Vorhersageleistung des maschinellen Lernmodells zur Diagnose mehrerer Fehlerstandorte des Modells. In dieser Studie wird die Kreuzvalidierungsgittersuchmethode verwendet, um die Hyperparameter des Modells zu bestimmen. Die Hyperparametereinstellungen des maschinellen Lernmodells für die Multifehlerstandortdiagnose des T-förmigen Winkelgelenk-Lüftungsnetzwerks sind in Tabelle 4 dargestellt.

Ein Stichprobensatz mit 600 Sätzen von Mehrfachfehlern wurde kreuzvalidiert. Die Ergebnisse sind in Abb. 5 dargestellt. Wie in Abb. 5 dargestellt, weist das DT-basierte RVMFL-Diagnosemodell einen Hamming-Verlust von 0,061 auf, was der kleinste der drei Modelle ist. Das MLP-basierte RVMFL-Diagnosemodell weist einen Ranking-Verlust, eine Abdeckung und einen Ein-Fehler von 0,067, 1,643 bzw. 0,117 auf, was die kleinsten unter den drei Modellen ist, und seine durchschnittliche Genauigkeit von 0,889 ist die höchste unter den drei Modellen und es hat einen Hamming-Verlust von 0,106. Das Rank-SVM-basierte RVMFL-Diagnosemodell weist von allen drei Modellen die schlechtesten Vorhersagemetriken auf. Es ist zu beobachten, dass alle drei Algorithmen, DT, MLP und Rank-SVM, zur Diagnose von Mehrfachfehlerstellen in der Minenlüftung verwendet werden können und dass die Methode anwendbar ist. Das MLP-Modell weist die beste Vorhersageleistung, die beste Generalisierungsfähigkeit und die höchste Vorhersagegenauigkeit für den Multifehler-Beispieldatensatz des T-förmigen Winkelgelenk-Lüftungsnetzwerks auf. Darüber hinaus ist das DT-Modell in allen Metriken mit Ausnahme des Hamming-Verlusts etwas niedriger als das MLP, aber höher als das Rank-SVM, d. h. die Vorhersageleistung und Generalisierungsfähigkeit des DT-Modells ist etwas geringer als die des MLP und viel höher das der Rank-SVM.

Kreuzvalidierungsergebnisse für die RVMFL-Diagnose des T-förmigen Winkelgelenk-Lüftungsnetzwerks.

Das experimentelle Belüftungssystem wurde aus Rohren aus weichmacherfreiem Polyvinylchlorid (UPVC) mit Durchmessern von 200 mm, 160 mm und 110 mm gebaut. Die Gesamtlänge der Versuchssystemverrohrung beträgt 353 m. Es gibt 14 Strukturen im Versuchssystem, von denen sieben vollständig geschlossen sind, eine ist die Einstellung des Einlassluftzweigs und die restlichen sechs sind fehlersimulierte Einstellventile. Das System kann verschiedene Arten und Mengen von Fehlern simulieren und Situationen, in denen mehrere Fehler im Lüftungssystem auftreten, besser simulieren. Die Stellung der sieben geschlossenen Klappen kann ausgeführt werden, um das Fehlerexperiment mit absteigendem Widerstand zu simulieren, und die Stellung mit sechs Regelventilen kann ausgeführt werden, um das Fehlerexperiment mit zunehmendem Widerstand zu simulieren. Das Versuchssystem ist in Abb. 6 dargestellt. Das System besteht aus zwei Einlass- und zwei Auslassluftleitungen. Die Zuluft des Systems bestand aus UPVC-Rohren mit einem Durchmesser von 160 mm, die Abluft des Systems aus UPVC-Rohren mit einem Durchmesser von 200 mm und der restliche Hauptteil aus UPVC-Rohren mit einem Durchmesser von 110 mm. Das Datenerfassungssystem des Experiments umfasst einen Beatmungsparametertester TSI 9565P und ein Pitot-Rohr. Die Genauigkeit der Windgeschwindigkeitsprüfung mit einem Staurohr beträgt ± 1,5 % bei 2000 Fuß/min. Das Prinzip des Experiments besteht darin, den Geschwindigkeitsdruck zu testen, um die Geschwindigkeit in der Mitte des Rohrleitungsabschnitts zu ermitteln und diese in die durchschnittliche Luftgeschwindigkeit umzuwandeln. Die Windgeschwindigkeit wurde mithilfe von TSI getestet, um sie zwei Minuten lang kontinuierlich zu überwachen und den Durchschnittswert zu ermitteln. Da es sich bei der im Experiment verwendeten Rohrleitung um ein relativ glattes industrielles UPVC-Rohr handelt, betragen die berechneten Durchflussindizes des Lüftungswiderstands dieser drei Rohrleitungen laut Moody-Diagrammen und tatsächlichen Lüftungswiderstandstests 1,834, 1,849 bzw. 1,812. Am Ende der beiden Rückluftrohre sind jeweils zwei Radialventilatoren installiert, als Luftstromregeleinrichtungen sind im Inneren der Anlage Luftstromregelventile angeordnet.

Experimentelles RVMFL-Diagnosesystem.

Die Topologie des Versuchssystems ist in Abb. 7 dargestellt. Der Radialventilator Modell 9–26-4A 5,5 kW ist am Zweig e1 installiert, und der Radialventilator Modell 9–19-5A 7,5 kW ist am Zweig e65 installiert. Die Betriebsfrequenz beider Lüfter beträgt 50 Hz. Die Plattenwiderstandsmethode wird verwendet, um den Widerstand des Systems zu erhöhen, und das Luftvolumen und der Druck des Lüftungsventilators unter verschiedenen Systembedingungen werden mithilfe eines Differenzdruckmessers und eines Staurohrs getestet und die Kennliniengleichung des Ventilators wird erhalten durch die Methode der Datenanpassung. Durch Tests sind die charakteristischen Kurven dieser Ventilatoren h (q) = 3156,2 + 1323,6 q – 1838,7 q2 bzw. h (q) = 4266,8 + 4515,3 q – 4406,1 q2.

Experimentelle Systemtopologie.

Basierend auf der Konstruktionsmethode des T-förmigen Winkelverbindungs-Ventilationsnetzwerk-Widerstandsvariablen-Multifehler-Probensatzes wurden 500 Sätze experimenteller Multifehler-Probensätze für Lüftungsnetzwerke generiert, wie in Tabelle 5 gezeigt.

Eine Kreuzvalidierungsgittersuche wurde angewendet, um die Hyperparameter des experimentellen Beatmungsnetzwerk-Multifehlerstandortdiagnosemodells zu bestimmen, wie in Tabelle 6 dargestellt.

Die Kreuzvalidierung wurde an einem Multifehler-Stichprobensatz mit 500 Gruppen durchgeführt. Die Ergebnisse der Kreuzvalidierung sind in Abb. 8 dargestellt. Wie in der Abbildung dargestellt, weist das MLP-basierte Multifehler-Standortdiagnosemodell den kleinsten Hamming-Verlust auf, gemessen am Ranking Verlust, Abdeckung und ein Fehler unter den drei Modellen, die jeweils 0,012, 0,004, 1,086 und 0,002 betragen, mit der höchsten durchschnittlichen Genauigkeit von 0,992. Der Hamming-Verlust, der Ranking-Verlust, die Abdeckung, der Ein-Fehler und die Präzision des DT-Modells betrugen 0,014, 0,05, 1,63, 0,056 bzw. 0,916 und wiesen etwas niedrigere Messwerte auf als die des MLP-Modells. Das Rank-SVM-Modell weist unter den drei Modellen die schlechtesten Kennzahlen auf. Es ist zu beobachten, dass die Vorhersageleistung und die Generalisierungsfähigkeit des MLP-basierten RVMFL-Diagnosemodells besser sind als die der DT- und Rank-SVM-Modelle.

Kreuzvalidierungsergebnisse des experimentellen Systems zur RVMFL-Diagnose.

Im experimentellen System verbessert das Erhöhen und Verringern des Widerstandsfehlersimulationspunkts die Zuverlässigkeit des Diagnosemodells für die Lokalisierung mehrerer Fehler. Daher kommt es im Lüftungssystem zu widerstandsvariablen Mehrfachfehlern. Aufgrund der schlechten Vorhersageleistung und Generalisierungsfähigkeit des Rank-SVM-Modells für Multifehler-Stichprobensätze wird es hier nicht berücksichtigt; Es wird nur die Zuverlässigkeit der MLP- und DT-Modelle berücksichtigt. Ein vollständig geöffnetes Regelventil, das am Simulationspunkt eines widerstandserhöhenden Fehlers im experimentellen Lüftungssystem voreingestellt ist, wird verwendet, um einen widerstandserhöhenden Fehler zu erzeugen, und die Dämpfer im ursprünglichen System werden verwendet, um einen widerstandsverringernden Fehler zu erzeugen. Insgesamt wurden 9 Sätze von Mehrfachfehlern erstellt und für den verbleibenden Zweigluftstrom in jedem Bundesstaat getestet. Nach jeder Multifehlerdiagnose wurde das System in den ursprünglichen Zustand des Lüftungssystems zurückversetzt, um die Konsistenz sicherzustellen. Eine Auswahl der experimentellen Multifehler-Beispieltests des Lüftungssystems ist in Tabelle 7 aufgeführt.

Die Zuverlässigkeit der MLP- und DT-Modelle wurde unter Verwendung des Multifehler-Probensatzes in Tabelle 5 als Trainingssatz und des Multifehler-Beispieltestmusters des experimentellen Lüftungssystems in Tabelle 7 als Testsatz überprüft. Das MLP-Multifehlerstandort-Diagnosemodell wurde verwendet, um alle 9 Gruppen von Multifehlerstandorten mit einer Genauigkeitsrate von 100 % zu diagnostizieren. Mit einer diagnostischen Genauigkeitsrate von 44,44 % wurde das DT-Multifehlerstandort-Diagnosemodell verwendet, um zwei Fehlerorte in 4 Gruppen genau zu diagnostizieren, wobei ein Fehlerort in 4 Gruppen genau diagnostiziert wurde und eine Gruppe an beiden Orten nicht genau diagnostiziert wurde. Unter Verwendung des vorhandenen Modells von ML-KNN zur Diagnose der Mehrfachfehlerstellen des experimentellen Systems beträgt die Diagnosegenauigkeit 88,89 % bei k = 2 und 100 % bei k = 3. Die Diagnosegenauigkeit des MLP-Modells ist mit der des ML vergleichbar -KNN-Modell.

Diese Studie untersuchte die gleichzeitige Diagnose von Widerstandsfehlern, die an mehreren Stellen in einem Minenbelüftungssystem auftreten, schlug drei überwachte maschinelle Lerndiagnosemodelle für die RVMFL-Diagnose vor und validierte die Zuverlässigkeit und Wirksamkeit der Modelle und Methoden unter Verwendung eines T-förmigen Winkels mit 10 Zweigen -gemeinsames Lüftungsnetz und ein experimentelles Lüftungsnetz mit 54 Zweigen. Wir haben die folgenden Hauptschlussfolgerungen erhalten:

Den Kreuzvalidierungsergebnissen zufolge sind die überwachten maschinellen Lernmethoden DT, MLP und Rank-SVM für die Mehrfachfehlerstandortdiagnose von Minenbelüftungssystemen auf der Grundlage von Luftvolumeneigenschaften geeignet. Die diagnostischen Leistungen sowohl des MLP- als auch des DT-Modells sind besser als die des Rank-SVM-Modells, und das MLP-Modell schneidet am besten ab.

Bei der Diagnose der experimentellen Multifehlerinstanz mit Widerstandsvariablen des Lüftungssystems beträgt die Diagnosegenauigkeit des MLP-Modells 100 %, während die Diagnosegenauigkeit des DT-Modells 44,44 % beträgt, was weiter darauf hinweist, dass die Generalisierungsfähigkeit des MLP-Modells besser ist des DT-Modells. Die hohe Diagnosegenauigkeit und -zuverlässigkeit erfüllt die technischen Anforderungen und kann als Methode zur RVMFL-Diagnose in der technischen Praxis und Anwendung eingesetzt werden.

Die erfolgreiche Praxis der RVMFL-Diagnose von experimentellen Lüftungssystemen zeigt, dass das in dieser Studie etablierte experimentelle Verifizierungssystem mit mehreren Fehlern und Widerstandsvariablen für Minen als Verifizierungsplattform für die intelligente Fehlerdiagnose von Minenbelüftungssystemen dienen kann, wodurch das Problem, dass industrielle Tests nicht durchgeführt werden können, wirksam gelöst wird vor Ort und leistet tatkräftige Unterstützung beim Bau intelligenter Belüftungssysteme für Bergwerke.

Diese Studie konzentrierte sich auf die Diagnose von Mehrfachfehlerstellen in Grubenbelüftungssystemen. Weitere Untersuchungen sind erforderlich, um das Ausmaß von Fehlern, dh das Fehlervolumen, in Lüftungssystemen zu diagnostizieren, in denen Mehrfachfehlerstellen auftreten. In dieser Studie wurde nur das Luftvolumen als einzelnes Merkmal als Eingabe für das Modell verwendet. Eine höhere Genauigkeit könnte erzielt werden, wenn Faktoren wie der Differenzdruck der Struktur oder die Druckenergie der Knoten berücksichtigt würden. Rank-SVM weist unter den drei Modellen die schlechteste Diagnoseleistung auf. Die Faktoren, die die Leistung des Rank-SVM-Modells beeinflussen, sind die Einstellung des Straffaktors, die Auswahl des Kernels sowie die Stichprobengröße und -qualität. Derzeit ist der in diesem Artikel ausgewählte Kernel ein linearer Kernel, und der in diesem Artikel festgelegte Straffaktor kann zu einer Verschlechterung der Diagnoseleistung des Modells führen. Die anschließende Forschung sollte sich auf die Faktoren konzentrieren, die die Leistung des Modells beeinflussen um die beste Modelleinstellung zu finden, um die Diagnoseleistung des Modells zu verbessern.

Alle relevanten Daten sind im Papier enthalten.

Cheng, JW Bewertung der Zuverlässigkeit von Minenlüftungssystemen mithilfe einer Zufallssimulationsmethode. Umgebung. Ing. Geschäftsführer J. 15, 841–850 (2016).

Artikel Google Scholar

Cheng, J., Zhou, F. & Yang, S. Ein Zuverlässigkeitszuordnungsmodell und Anwendung beim Entwurf eines Minenbelüftungssystems. IJST-T. Zivil. EU G. 38, 61–73 (2014).

Google Scholar

Zhang, HB, Fava, L., Cai, M., Vayenas, N. & Acuna, E. Eine Hybridmethode zur Untersuchung der DPM-Konzentrationsverteilung in Untertagebergwerken. Tunn. Undergr. Sp. Technik. 115, 104042 (2021).

Artikel Google Scholar

Tutak, M., Brodny, J., Szurgacz, D., Sobik, L. & Zhironkin, S. Der Einfluss des Lüftungssystems auf die Gefahr der Methanfreisetzung und die Selbstentzündung von Kohle im Abbaugebiet – Eine Fallstudie. Energien 13, 4891 (2020).

Artikel CAS Google Scholar

Parra, MT, Villafruela, JM, Castro, F. & Mendez, C. Numerische und experimentelle Analyse verschiedener Belüftungssysteme in tiefen Minen. Bauen. Umgebung. 41, 87–93 (2006).

Artikel Google Scholar

Liu, J. et al. Einzelfehlerquellendiagnose der Widerstandsvariante des Grubenlüftungssystems basierend auf der Luftvolumencharakteristik. J. China Coal Soc. 43, 143–149 (2018).

CAS Google Scholar

Huang, D., Liu, J. & Deng, LJ Ein adaptiver evolutionärer Strategiealgorithmus mit Hybridkodierung zur Diagnose von Seitenveränderungsfehlern. Verfahren. Sicher. Umgebung. 136, 242–252 (2020).

Artikel CAS Google Scholar

Liu, J. Überblick über wichtige wissenschaftliche und technische Aspekte der intelligenten Bergbaubelüftung. Sicher. Kohle Min. 51, 108–111+117 (2020).

Google Scholar

Liu, L., Liu, J., Zhou, QC & Huang, D. Auswahl von Algorithmen für maschinelles Lernen zur Fehlerdiagnose von Seitenveränderungen des Minenbelüftungssystems. Adv. Ing. Informieren. 53, 101666 (2022).

Artikel Google Scholar

Zhao, D. & Shen, ZY Studie zur Straßenfehlerdiagnose des Minenbelüftungssystems basierend auf verbessertem SVM. Mindest. Metall. Entdecken. 39, 983–992 (2022).

Google Scholar

Ni, JF, Li, Z., Le, XR, Deng, LJ & Wang, J. Saf. Wissenschaft. Technik. 18, 34–39 (2022).

Google Scholar

Ni, JF, Le, XR, Chang, LF & Deng, LJ Fehlerdiagnose bei Widerstandsvarianten und optimiertes Layout von Sensoren für die Minenbelüftung basierend auf einem Entscheidungsbaum. J. Saf. Wissenschaft. Technik. 17, 34–39 (2021).

Google Scholar

Zhang, L., Zhang, YH, Zhang, YB & Li, Z. Forschung zur Fehlerdiagnosemethode von Lüftungsnetzwerken basierend auf maschinellem Lernen. J. Min. Automat. 48, 91–98 (2022).

Google Scholar

Huang, D. et al. Experimentelle Forschung zur Kombinationsauswahl von Beobachtungsmerkmalen von Widerstandsvariationsfehlern in der Minenbelüftung. J. China Coal Soc. 46, 3922–3933 (2021).

Google Scholar

Wang, D., Liu, J., Deng, LJ & Wang, HL Intelligente Diagnose von Widerstandsvarianten mehrerer Fehlerstellen des Minenbelüftungssystems basierend auf ML-KNN. PLoS ONE 17, e0275437 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Li, CY, Sun, L., Peng, DD, Subramani, S. & Nicolas, SC Ein Multi-Label-Klassifizierungssystem für die Anomalieklassifizierung im Elektrokardiogramm. Gesundheitsinf. Wissenschaft. Syst. 10, 19 (2022).

Artikel CAS PubMed Google Scholar

Lee, J. & Kim, DW Merkmalsauswahl für die Multi-Label-Klassifizierung unter Verwendung multivariater gegenseitiger Informationen. Mustererkennung. Lette. 34, 349–357 (2013).

Artikel ADS Google Scholar

Farsal, W., Ramdani, M. & Anter, S. GML_DT: Ein neuartiger abgestufter Multi-Label-Entscheidungsbaumklassifikator. Int. J. Adv. Berechnen. Wissenschaft. 12, 249–254 (2021).

Google Scholar

Srinivasan, VP, Balasubadra, K., Saravanan, K., Arjun, VS & Malarkodi, S. Multi-Label-Deep-Learning-Klassifizierungsansatz für falsche Dateninjektionsangriffe in Smart Grids. KSII T. Internet. Inf. 15, 2168–2187 (2021).

Google Scholar

Xu, JH Eine effiziente Multi-Label-Support-Vektor-Maschine mit einem Null-Label. Expertensystem. Appl. 39, 4796–4804 (2012).

Artikel Google Scholar

Al-Salemi, B., Noah, SAM & Ab Aziz, MJ RFBoost: Ein verbesserter Multi-Label-Boosting-Algorithmus und seine Anwendung auf die Textkategorisierung. Wissensbasiertes Syst. 103, 104–117 (2016).

Artikel Google Scholar

Zhang, ML & Zhou, ZH ML-KNN: Ein Lazy-Learning-Ansatz für das Multi-Label-Lernen. Mustererkennung. 40, 2038–2048 (2007).

Artikel ADS MATH Google Scholar

Breiman, L., Friedman, JH, Olshen, RA & Stone, CJ Klassifizierungs- und Regressionsbaum (Wadsworth, 1984).

MATH Google Scholar

Yi, WG, Lu, MY & Liu, Z. Entscheidungsbaumalgorithmus für mehrwertige Attribute und mehrfach beschriftete Daten. Int. J. Mach. Lernen. Cyb. 2, 67–74 (2011).

Artikel Google Scholar

Chen, YL, Hsu, CL & Chou, SC Konstruktion eines mehrwertigen und mehrfach beschrifteten Entscheidungsbaums. Expertensystem. Appl. 25, 199–209 (2003).

Artikel Google Scholar

Fabian, P. et al. Scikit-learn: Maschinelles Lernen in Python. JMLR. 12, 2825–2830 (2011).

MathSciNet MATH Google Scholar

Chen, ZH, Chi, ZR, Fu, H. & Feng, DG Multi-Instanz-Multi-Label-Bildklassifizierung: Ein neuronaler Ansatz. Neurocomputing 99, 298–306 (2013).

Artikel Google Scholar

Al Bataineh, A., Kaur, D. & Jalali, SMJ Mehrschichtige Optimierung des Perzeptrontrainings mithilfe von naturinspirierter Datenverarbeitung. IEEE Access 10, 36963–36977 (2022).

Artikel Google Scholar

Xu, JH Multi-Label-Lagrange-Support-Vektor-Maschine mit zufälliger Blockkoordinaten-Abstiegsmethode. Informieren. Wissenschaft. 329, 184–205 (2016).

Artikel MATH Google Scholar

Jung, C., Shen, YB & Jiao, LC Lernen, mit dem Ensemble-Ranking SVM zu ranken. Neuronaler Prozess. Lette. 42, 703–714 (2015).

Artikel Google Scholar

Wu, GQ, Zheng, RB, Tian, ​​YJ & Liu, DL Gemeinsames Ranking von SVM und binärer Relevanz mit robustem Low-Rank-Lernen für die Klassifizierung mit mehreren Labels. Neuronales Netz. 122, 24–39 (2020).

Artikel PubMed MATH Google Scholar

Zhang, QG, Liu, ZG, Zhu, L. & Zhang, Y. Erkennung mehrerer Netzqualitätsstörungen mithilfe einer Multi-Label-Wavelet-Support-Vektor-Maschine. Proz. CSEE. 33, 114–120+18 (2013).

Google Scholar

Zhou, H., Li, X. & Liu, GS Adaptiver Algorithmus für die Multi-Label-Klassifizierung basierend auf der zugehörigen Informationsgewichtung. Berechnen. Appl. Weich. 32, 239–243 (2015).

Google Scholar

Kong, XN, Li, M., Jiang, Y. & Zhou, ZH Eine transduktive Multi-Label-Klassifizierungsmethode für schwache Beschriftung. J. Comput. Res. Entwickler 47, 1392–1399 (2010).

Google Scholar

Bao, YC, Zhang, JC, Du, SX & Zhang, JJ Multi-Label-Klassifizierungsalgorithmus basierend auf nichtnegativer Matrixfaktorisierung und spärlicher Darstellung. J. Comput. Appl. 42, 1375–1382 (2022).

Google Scholar

Li, YC, Liu, J. & Jia, TG Anwendung von MVSS 3.0 bei der Umrüstung von Minenlüftungssystemen. Sicher. Kohle Min. 4, 21–22 (2007).

CAS Google Scholar

Referenzen herunterladen

Dieses Papier wird finanziell unterstützt vom National Key Research and Development Program of China (Nr. 2017YFC0804401) und der Natural Science Foundation of China (Nr. 51574142 und 51774169).

Hochschule für Sicherheitswissenschaft und -technik, Technische Universität Liaoning, Huludao, 125105, Liaoning, China

Dong Wang, Jian Liu, Deng Lijun und Wang Honglin

Schlüssellabor für thermomotorische Katastrophen und Prävention im Bergbau, Bildungsministerium, Huludao, 125105, Liaoning, China

Dong Wang, Jian Liu, Deng Lijun und Wang Honglin

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

DW: Methodik, Datenkuration, experimentell, Verfassen des Originalentwurfs, Verfassen, Überprüfen und Bearbeiten. JL: Konzeptualisierung, Supervision, Projektverwaltung, Fördermittelakquise. LJD: Untersuchung, Software, Validierung. HLW: Datenkuration.

Korrespondenz mit Jian Liu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Wang, D., Liu, J., Lijun, D. et al. Ein überwachtes diagnostisches Experiment zu widerstandsvariablen Mehrfachfehlerstellen in einem Minenbelüftungssystem. Sci Rep 13, 5259 (2023). https://doi.org/10.1038/s41598-023-32530-7

Zitat herunterladen

Eingegangen: 29. November 2022

Angenommen: 29. März 2023

Veröffentlicht: 31. März 2023

DOI: https://doi.org/10.1038/s41598-023-32530-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.