阅读说明：本技术 基于邻域粗糙集的通风系统故障诊断风速传感器布置方法 (Ventilation system fault diagnosis wind speed sensor arrangement method based on neighborhood rough set ) 是由 刘剑 刘丽 邓立军 黄德 于 2019-03-14 设计创作，主要内容包括：本发明提供一种基于邻域粗糙集的通风系统故障诊断风速传感器布置方法,涉及矿井通风技术领域。本发明步骤如下：步骤1：准备通风网络的拓扑关系数据资料；步骤2：利用网络解算生成故障样本集；步骤3：构建以监测故障位置为目标的邻域粗糙集决策表和监测故障量为目标的邻域粗糙集决策表；步骤4：计算出两个决策表的重要度；步骤5：根据重要度分别对两个决策表行属性约简,得到以监测故障位置为目标的安装传感器的分支集合和以监测故障量为目标的安装传感器的分支集合。该方法避免了人为主观因素的干扰,为井下风速传感器布置提供技术支持,对矿井通风系统的智能化管理意义重大。(The invention provides a ventilation system fault diagnosis wind speed sensor arrangement method based on a neighborhood rough set, and relates to the technical field of mine ventilation. The invention comprises the following steps: step 1: preparing topological relation data information of a ventilation network; step 2: utilizing a network to calculate and generate a fault sample set; and step 3: constructing a neighborhood rough set decision table taking the monitoring fault position as a target and a neighborhood rough set decision table taking the monitoring fault amount as a target; and 4, step 4: calculating the importance of the two decision tables; and 5: and respectively reducing the attributes of the two decision table rows according to the importance degrees to obtain a branch set of the installation sensors taking the monitoring fault position as a target and a branch set of the installation sensors taking the monitoring fault amount as a target. The method avoids the interference of human subjective factors, provides technical support for the arrangement of the underground wind speed sensor, and has great significance for the intelligent management of the mine ventilation system.)

基于邻域粗糙集的通风系统故障诊断风速传感器布置方法

技术领域

本发明涉及矿井通风技术领域，尤其涉及一种基于邻域粗糙集的通风系统故障诊断风速传感器布置方法。

背景技术

矿井巷道冒落变形、风门开关或者破损、风机性能下降、巷道延伸及报废、矿车运行、罐笼提升、煤仓放空等能够引起矿井通风系统风量变化的故障称为阻变型故障。风量不仅是直接反映矿井通风系统通风效果的指标之一，也是全面掌握矿井通风系统运行状况以及对整个矿井通风系统实施正确调度的重要参数。风量的变化会导致巷道瓦斯、粉尘积聚，对安全生产产生严重的威胁。因此布设风速传感器监测巷道中的风量变化，通过风速变化诊断阻变型故障的位置和严重程度是十分必要的，对提高矿井通风系统的智能化管理是意义重大的。

矿井通风网络中需要选择选择某些点作为风速的监测点，风速传感器布置数量越多越有益于安全监控，但是增加监控点会增加投资和运行管理费用，因此应该科学合理确定风速传感器的安装数量和位置，

在有效监测整个网络巷道分支风量的前提下，布置尽可能少的风速传感器，达到最好的监测效果。然而，目前对传感器布置的研究较多，但是针对风速传感器布置的研究较少，并且虽然在传感器布置方面取得了一定的效果，但是方法的主观性较强，计算量较大。粗糙集理论单纯从数据出发，发现在数据之中的隐含规律，以最少的特征属性达到和原始数据相同甚至更高的分类能力，而通过风量特征对阻变型故障进行诊断就是一种分类问题，并且粗糙集避免了主观因素的影响，可以客观合理的对传感器进行布置。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于邻域粗糙集的通风系统故障诊断风速传感器布置方法，本方法单纯从数据出发，探究风量和故障位置以及故障量之间存在的隐含规律，进行传感器布置，避免了人为主观因素的干扰，为井下风速传感器布置提供技术支持，对矿井通风系统的智能化管理意义重大。

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供一种基于邻域粗糙集的通风系统故障诊断风速传感器布置方法，包括如下步骤：

步骤1：准备通风网络的拓扑关系数据资料，包括矿井通风网络、网络中各分支的风阻、风机特性曲线；

步骤2：利用网络解算生成故障样本集，令分支e_i发生阻变型故障，分支原始风阻为r_i，故障量为Δr_i，故障后分支风阻为r_i'＝r_i±Δr_i，通过矿井通风网络解算，得到故障后通风网络各分支的风量q_i，生成关于“阻变故障—风量”的仿真数据故障样本集，故障样本集包括巷道分支编号、故障量、巷道分支原始风阻值、发生故障后巷道风阻值，故障后通风系统网络各分支风量；

步骤3：利用步骤2中生成的故障样本集分别构建以监测故障位置为目标的邻域粗糙集决策表和监测故障量为目标的邻域粗糙集决策表，两个决策表都将故障后各分支风量定义为条件属性；以监测故障位置为目标进行传感器布置时，将分支编号e_i作为决策属性，其中i为巷道分支数，1≤i≤n；以监测故障量为目标进行传感器布置时，将故障分支发生故障后分支风阻r_i′作为决策属性；

步骤4：分别计算出步骤3中得到的两个决策表中各条件属性的重要度；

步骤5：根据步骤4中得到的重要度利用邻域粗糙集的属性约简方法分别对步骤3获得的以监测故障位置为目标的邻域粗糙集决策表和以监测故障量为目标的邻域粗糙集决策表进行属性约简，分别以故障分支编号e_i和故障后分支风阻r_i′为决策属性，得到以监测故障位置为目标的安装传感器的分支集合Φ₁和以监测故障量为目标的安装传感器的分支集合Φ₂。

所述步骤2具体包括如下步骤：

步骤2.1：提取步骤1中的矿井通风网络中的G＝(V,E)，其中V表示节点的集合，V＝{v₁,v₂,...,v_k,...,v_m}；E表示分支集合，E＝{e₁,e₂,...,e_i,...,e_n}，分支对应的风量Q′、风阻R、风压H记为：

并满足

式中，B＝(b_ki)_m×n为通风网络G的完全关联矩阵；W＝(W_ki)_s×n为回路矩阵；H’为回路附加矩阵；s为回路总数；

步骤2.2：将风量与风阻建立关系式，进行通风网络解算：

Q＝f(R')

其中Q代表故障后的风量，R'代表巷道分支故障后风阻，f(*)代表关于风阻与风量的函数；

步骤2.3：令分支e_i发生阻变型故障，故障量为Δr_i，发生故障后分支风阻为r_i'＝r_i±Δr_i，其中r_i为分支e_i的原始风阻，r_i'为分支e_i发生故障后的分支风阻；根据公式Q＝f(R')进行通风网络解算，得到发生故障后的各分支风量q_i；

步骤2.4：重复步骤2.3，直至所有分支计算完成，生成故障后的风量Q＝{q₁,q₂,…,q_i,…,q_n}；将每次发生故障时的故障分支编号e_i、故障分支故障量Δr_i、故障分支故障后风阻和分支风量数据记录至故障样本集中。

所述步骤3具体包括如下步骤：

步骤3.1：利用故障样本分别编制以监测故障位置为目标和以监测故障量为目标的传感器布置邻域粗糙集决策表NDT＝<U,A,o,f′>，其中故障样本集合U＝{x₁,x₂,…,x_β,…x_p}为论域，p为样本数；A＝C∪D是属性的非空有限集合，其中C代表条件属性，此处选定分支风量Q为条件属性；当进行故障位置诊断时，决策属性D₁为故障巷道分支编号e_i；当进行故障量诊断时，决策属性D₂为故障后分支风阻值r_i'；

表示邻域粗糙集决策表中条件属性和决策属性的值域，其中，M＝1或2， 表示条件属性风量的具体数值以及决策属性故障分支编号具体数值；表示条件属性风量的具体数值以及决策属性故障量的具体数值；f′表示样本x_p属性值的映射函数，f′:U×A→o；

所述步骤4中获得重要度的步骤如下：

根据决策属性D_z将U划分为N个等价类，表示为U＝{X₁,X₂,…,X_α,…,X_N}，其中z＝1或2；

定义决策属性D_z关于条件属性子集F的下近似和上近似为：

其中，

N_F X＝{x_β}，式中

式中

其中,X为论域U中每个样本关于属性子集F的δ邻域；

决策属性的边界定义为：

对于

的邻域定义为：

δ(x_β)＝{x_η}

式中x_η∈U,Δ(x_β,x_η)≤δ；

其中，δ为邻域半径，δ≥0；

δ(q_i)＝stdq_i/λ

式中：δ(q_i)代表属性q_i的邻域半径；stdq_i代表属性q_i的标准差；λ代表参数；

选用距离函数Δ，对于Δ满足如下关系：

距离函数常用欧式距离表示ΔP(x_β-1,x_β)为：

其中，o(x_β-1,q_i)为样本x_β-1在属性q_i上的风量值；

决策属性D_z的下近似为决策正域，记为POS_F(D_z)；正域大，表明各类的重叠区域少，将决策属性D_z对条件属性子集F的依赖度γ_F(D_z)定义为：

若任意属性q_i∈F，则属性q_i相对于决策属性D_z的属性重要度为：

采用上述技术方案所产生的有益效果在于：本发明提供的一种基于邻域粗糙集的通风系统故障诊断风速传感器布置方法，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以及部分其他分支的风量发生变化，由于分支所处的拓扑位置不同，导致不同分支发生不同程度的故障时，都会有一组巷道分支风量与故障分支以及故障量相对应，因此将风量作为向量特征进行传感器布置的依据，监测井下阻变型故障位置和故障严重程度。本方法单纯从数据出发，探究风量和故障位置以及故障严重程度之间存在的隐含规律，进行传感器布置，避免了人为主观因素的干扰，为井下风速传感器布置提供技术支持，对矿井通风系统的智能化管理意义重大。

附图说明

图1为本发明实施例提供的基于邻域粗糙集的通风系统故障诊断传感器布置方法的流程图；

图2为本发明实施例提供的通风网络图；

图3为本发明实施例提供的以监测故障位置为目标的安装传感器分支示意图；

图4为本发明实施例提供的以监测故障量为目标的安装传感器分支示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本实施例的方法如下所述。

本发明提供一种基于邻域粗糙集的通风系统故障诊断风速传感器布置方法，包括如下步骤：

步骤1：准备通风网络的拓扑关系数据资料，包括矿井通风网络、网络中各分支的风阻、风机特性曲线；

其中通风机的风压特性曲线方程为：H_τ＝t₀+t₁Q_τ+t₂Q_τ ²，H_τ为通风机的风压，Q_τ为通风机的风量，t₀,t₁,t₂为通风机风压特性系数；

步骤2：通风系统中某一条巷道分支发生阻变型故障，会导致该分支以及部分其他分支的风量发生变化，将风量作为特征向量，不同分支发生不同严重程度的故障会产生不同的风量组合，将风量特征作为邻域粗糙集的条件属性，确定安装传感器的分支监测故障位置和故障严重程度；利用网络解算生成故障样本集，令分支e_i发生阻变型故障，分支原始风阻为r_i，故障量为Δr_i，故障后分支风阻为r'＝r_i±Δr_i，通过矿井通风网络解算，得到故障后通风网络各分支的风量q_i，生成关于“阻变故障—风量”的仿真数据故障样本集，故障样本集包括巷道分支编号、故障量、巷道分支原始风阻值、发生故障后巷道风阻值；

步骤2.1：提取步骤1中的矿井通风网络中的G＝(V,E)，其中V表示节点的集合，V＝{v₁,v₂,...,v_k,...,v_m}；E表示分支集合，E＝{e₁,e₂,...,e_i,...,e_n}，分支对应的风量Q′、风阻R、风压H记为：

并满足

式中，B＝(b_ki)_m×n为通风网络G的完全关联矩阵；W＝(W_ki)_s×n为回路矩阵；H’为回路附加矩阵；s为回路总数；

步骤2.2：将风量与风阻建立关系式，进行通风网络解算：

Q＝f(R')

其中Q代表故障后的风量，R'代表巷道分支故障后风阻，f(*)代表关于风阻与风量的函数；

步骤2.3：令分支e_i发生阻变型故障，故障量为Δr_i，发生故障后分支风阻为r_i'＝r_i±Δr_i，其中r_i为分支e_i的原始风阻，r_i'为分支e_i发生故障后的分支风阻；根据公式Q＝f(R')进行通风网络解算，得到发生故障后的各分支风量q_i；

步骤2.4：重复步骤2.3，直至所有分支计算完成，生成故障后的风量Q＝{q₁,q₂,…,q_i,…,q_n}；将每次发生故障时的故障分支编号e_i、故障分支故障量Δr_i、故障分支故障后风阻和分支风量数据记录至故障样本集中。

步骤3：利用步骤2中生成的故障样本集分别构建以监测故障位置为目标的邻域粗糙集决策表和监测故障量为目标的邻域粗糙集决策表，两个决策表都将故障后各分支风量定义为条件属性；以监测故障位置为目标进行传感器布置时，将分支编号e_i作为决策属性，其中i为巷道分支数，1≤i≤n；以监测故障量为目标进行传感器布置时，将故障分支发生故障后分支风阻r_i′作为决策属性；

步骤3.1：利用故障样本分别编制以监测故障位置为目标和以监测故障量为目标的传感器布置邻域粗糙集决策表NDT＝<U,A,o,f′>，其中故障样本集合U＝{x₁,x₂,…,x_β,…x_p}为论域，p为样本数；A＝C∪D是属性的非空有限集合，其中C代表条件属性，此处选定分支风量Q为条件属性；当进行故障位置诊断时，决策属性D₁为故障巷道分支编号e_i；当进行故障量诊断时，决策属性D₂为故障后分支风阻值r_i'；

是属性值域，它为每个对象的每个属性赋予一个信息值，即

表示邻域粗糙集决策表中条件属性和决策属性的值域，在以监测故障位置为目的布置传感器的邻域决策表中

表示条件属性风量的具体数值以及决策属性故障分支编号具体数值；在以监测故障量为目的布置传感器的邻域决策表中表示条件属性风量的具体数值以及决策属性故障量的具体数值；f′表示样本x_p属性值的映射函数，f′:U×A→o；

以监测故障位置为目标布置传感器编制邻域粗糙集决策表如表1所示：

表1以监测故障位置为目标编制邻域粗糙集决策表

以监测故障量为目标布置传感器编制邻域粗糙集决策表如表2所示：

表2以监测故障量为目标编制邻域粗糙集决策表

步骤4：分别计算出步骤3中得到的两个决策表中各条件属性的重要度；

根据决策属性D_z将U划分为N个等价类，表示为U＝{X₁,X₂,…,X_α,…,X_N}，其中z＝1或2；定义决策属性D_z关于条件属性子集F的下近似和上近似为：

其中，

N_F X＝{x_β}，式中

式中

其中,X为论域U中每个样本关于属性子集F的δ邻域；

决策属性的边界定义为：

对于

的邻域定义为：

δ(x_β)＝{x_η}

式中x_η∈U,Δ(x_β,x_η)≤δ；

其中，δ为邻域半径，δ≥0；

δ(q_i)＝stdq_i/λ

式中：δ(q_i)代表属性q_i的邻域半径；stdq_i代表属性q_i的标准差；λ代表参数；

选用距离函数Δ，对于

Δ满足如下关系：

距离函数常用欧式距离表示ΔP(x_β-1,x_β)为：

其中，o(x_β-1,q_i)为样本x_β-1在属性q_i上的风量值；

决策属性D_z的下近似为决策正域，记为POS_F(D_z)；正域大，表明各类的重叠区域少，将决策属性D_z对条件属性子集F的依赖度γ_F(D_z)定义为：

若任意属性q_i∈F，则属性q_i相对于决策属性D_z的属性重要度为：

步骤5：根据步骤4中得到的重要度利用邻域粗糙集的属性约简方法分别对步骤3获得的以监测故障位置为目标的邻域粗糙集决策表和以监测故障量为目标的邻域粗糙集决策表进行属性约简，分别以故障分支编号e_i和故障后分支风阻r_i′为决策属性，得到以监测故障位置为目标的安装传感器的分支集合Φ₁和以监测故障量为目标的安装传感器的分支集合Φ₂。

本实施例中以如图2所示的矿井通风网络为例详细说明本发明提出的安装风速传感器方法，该通风网络共100条分支，采用三台风机联合运转，其中节点数m＝69，三台风机的风压特性曲线方程为：H_τ1＝1032.25+44.84Q_τ1-0.64Q_τ1 ²；H_τ2＝1828.13+19.2Q_τ2-0.08Q_τ2 ²，H_τ3＝3054.94+8364Q_τ3-0.05Q_τ3 ²；根据图2所示网络和表2的网络拓扑关系共生成故障样本4751个。

该矿井通风网络的网络拓扑关系及分支风阻、风量如下表3示：

表3实施例通风网络数据资料表

将故障样本集编制邻域决策表，以故障位置为决策属性编制的决策表如表4所示，以故障量为决策属性编制的决策表和表4相同，仅仅将决策属性列的分支编号ei改为故障后分支风阻r_i'。

表4故障位置诊断邻域粗糙集决策表

将如表3所示的故障位置邻域决策表输入邻域粗糙集进行属性约简，得到以故障位置诊断为目标的安装传感器的分支集合为：

Φ₁＝{e₈,e₁₃,e₂₄,e₂₆,e₂₇,e₃₅,e₃₈,e₄₂,e₅₃,e₆₀,e₆₂,e₆₄,e₆₉,e₇₅,e₈₀,e₈₅,e₉₆,e₉₇,e₉₉,e₁₀₀}共20条，对故障位置的监测准确率可以达到84.26％，20条分支在通风网络中位置如图3所示。

利用相同的方法，以监测故障量为目标，对故障量诊断邻域决策表进行属性约简，得到的安装传感器的分支为39条，这39条分支在通风网络中位置如图4所示，39条分支集合为：

Φ₂＝{e₁,e₂,e₄,e₅,e₆,e₁₀,e₁₃,e₁₄,e₁₇,e₁₈,e₂₄,e₂₇,e₃₄,e₃₅,e₃₆,e₃₈,e₄₂,e₄₃,e₄₄,e₄₆,e₅₁,e₅₃,e₅₈,e₆₀,e₆₂,e₆₄,e₆₉,e₇₅e₇₉,e₈₀,e₈₅,e₈₈,e₉₀,e₉₄,e₉₅,e₉₆,e₉₇,e₉₉,e₁₀₀}，对故障量监测的相对误差小于5％的比例为79.89％。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。