一

研究背景

机器学习算法通过对已知数据的学习来预测未知数据，现有通风系统故障诊断方法大多针对 1 种机器学习算法进行研究，无法保证所选算法为最优。针对该问题，对最近邻、线性模型、朴素贝叶斯、决策树、随机森林、梯度提升决策树、支持向量机（SVM）、神经网络等8 种机器学习算法进行比较，并选择SVM、随机森林和神经网络 3 种算法进行通风网络故障诊断研究。

二

研究方法

根据矿井通风系统实际布局，按照几何相似、运动相似、动力相似准则构建通风网络管道模型，得到由管道网络分支和管道网络节点组成的通风网络，通过实验获取风量数据，并采用标准化方法对数据进行预处理；通过交叉验证和网格搜索对基于SVM、随机森林、神 经网络的通风网络故障诊断模型进行参数寻优。

三

实验结果

在3 种故障诊断模型中，基于神经网络的通风网络故障诊断模型效果最好，泛化能力最强。

四

现场验证

将基于 SVM、随机森林、神经网络的通风网络故障诊断模型应用到张家峁煤矿现场数据集，得出3种模型在测试集上的故障诊断准确率分别为 0.86，0.90 和 0.96。收集 120 组新的通风数据并输入神经网络模型进行故障预测，准确率达0.98，进一步验证了神经网络模型的准确性和可靠性。

引用格式

张浪，张迎辉，张逸斌，等. 基于机器学习的通风网络故障诊断方法研究[J]. 工矿自动化，2022，48（3）：91-98.

ZHANG Lang，ZHANG Yinghui，ZHANG Yibin，et al. Research on fault diagnosis method of ventilation network based on machine learning[J]. Journal of Mine Automation，2022，48（3）：91-98.

作者联系方式

张浪（1978），男，内蒙古乌兰察布人，研究员，硕士，硕士研究生导师，研究方向为矿井智能通风，E-mail：lnzhanglang@ 163.com。

关键词： 诊断方法 机器学习