四台矿通风系统可靠性预测及平台设计研究_杨晋.pdf

1972023 年第 2 期杨 晋：四台矿通风系统可靠性预测及平台设计研究杨 晋：四台矿通风系统可靠性预测及平台设计研究收稿日期 2022-07-20作者简介 杨晋（1992），女，内蒙古察哈尔右翼前旗人，2018 年毕业于中国矿业大学机械工程专业，本科，助理工程师，研究方向：机械工程。杨 晋：四台矿通风系统可靠性预测及平台设计研究杨 晋：四台矿通风系统可靠性预测及平台设计研究四台矿通风系统可靠性预测及平台设计研究杨 晋（晋能控股煤业集团四台矿，山西 大同 037000）摘 要 以四台矿通风系统为研究背景，针对该矿风井数量多、瓦斯浓度高、风量大等复杂情况，研究一种通风系统可靠性预测方法，通过建立预测模型，并对模型进行训练与测试，验证其可靠性与实用性。通过现场验证，证明了方法预测精度达到设计要求，3#煤层的工作面通风量大于1500 m3/min，减小瓦斯浓度超限概率，确保井下安全生产。关键词 通风系统；预测模型；预测平台；可靠性 中图分类号 TD724 文献标识码 A doi:10.3969/j.issn.1005-2801.2023.02.068Study on Reliability Prediction and Platform Design of Ventilation System in Sitai MineYang Jin(Sitai Mine of Jinneng Holding Coal Industry Group,Shanxi Datong 037000)Abstract:Taking the ventilation system of Sitai Mine as the research background,in view of the complex conditions of a large number of air shafts,high gas concentration and large air volume in the mine,a reliability prediction method of ventilation system is studied.By establishing a prediction model,and training and testing the model,verify its reliability and practicability.Through the field verification,it is proved that the prediction accuracy of the method meets the design requirements,and the ventilation volume of the working face in the 3#coal seam is more than 1500 m3/min,which reduces the probability of gas concentration exceeding the limit and ensures the safety of underground production.Key words:ventilation system;prediction model;prediction platform;reliability四台矿隶属于晋能控股煤业集团，成立于 20世纪 90 年代末，经过二十多年的开采，矿井工作面巷道构造复杂，通风要求越来越高，对整个系统的监测就显得尤为重要。许多学者对通风系统安全方面进行了大量研究，文献 1 提出多级灰色关联预测法，通过在通风系统中建立综合预测指标体系，最后验证了该方法的实用性1；文献 2 利用可靠性原理以及事故致因理论结合层次分析法建立了矿井通风系统可靠性预测指标，并确定了各指标的权重，最后通过模糊综合评价法确定了通风系统的可靠性2。以上研究虽然都取得了一定的成绩，但大多数都是针对安全可靠性的理论研究，没有将理论成果应用在实际中。因此，本文提出基于 BP 神经网络的可靠性预测模型，通过合理的通风系统可靠性指标，设计并实现可靠性预测子系统，对通风系统的工作能力进行预测判断，确保通风质量达到生产要求3。1 通风系统现状四台矿工作面分两个水平开采，分别为 530 m水平与 480 m 水平。矿井巷道通风方式属于混合式通风，整个矿井由南、北两翼并联系统组成，通过加装轴流式通风机实现机械抽出。通风井使用的通风机规格均为 AGF606-4.0-2.4-2，其中，主通风井的排风量可达 443 m3/s，负压力值为 2950 Pa；西坡矿区通风井的排风量可达 355 m3/s，负压力值为3700 Pa；王村矿区通风井的排风量可达 435 m3/s，负压力值为 2850 Pa。3#工作面属于砂岩地质，瓦斯绝对涌出量为115 m3/min，相对涌出量为 7.58 m3/t。3#工作面煤层为类不易自燃。观察试验前一个月通风机排风量值约 58 m3/min，抽采纯流总量值约 52 m3/min。1982023 年第 2 期2 通风系统可靠性预测2.1 样本数据预处理为了对矿井通风性能进行准确评价，需选取合理的指标数据，选取的指标值可全面地反映通风总体情况4。通常在研究矿井通风系统输入量指标时关注风压、风速、温度、瓦斯气体浓度等指标，均衡考虑试验便利性与准确性，共选取 14 个输入量指标，分别编号为 A1A14。通风系统输出量用可靠性评价结果描述，可分为IV五个等级，对应安全、较安全、一般、较危险与危险。试验过程中，选取20组数据作为样本进行分析，将 115 组数据作为训练样本，1620 组数据作为预测样本。2.2 训练样本在对训练样本进行处理时，需要减少不同量纲与单位对样本数据的影响，按照归一化与离散化的处理原则，依据粗糙集理论对离散化数据进行分析5，可发现第 2 组、第 7 组、第 10 组，第 4 组、第6 组、第 13 组的样本数据重叠，故将重复的 4 组数据舍弃，最终实际用于训练的样本数据共有 11 组。2.3 BP 神经网络算法BP 神经网络算法在进行建模学习时，是通过有监督的方式进行的。新建一个神经网络单元时需要给定输入的学习数值与期望数值，并通过加权值与偏差值进行实时反馈调整，直至输出量达到期望值。所以为了避免网络速率饱和速度太快，网络权值需要合理选择，一般在（-1,1）区间内。如图 1 所示为试验搭建的网络模型示意图，其中包括输入层、中间层与输出层，输入层共有 14个神经元，中间层共有 12 个神经元，输出层共有 5个神经元。完成 BP 神经网络模型搭建之后，将 20 组样本数据带入模型，115 组为训练数据，1620 组为测试数据。训练数据主要用作模型训练，而测试数据则主要用作网络评价能力的验证。此外，BP 神经网络的主要参数配置如下：动量因子用 a 表示，取a=0.9；学习效率用 表示，取=0.05；目标误差用 表示，取=0.1。将以上数据代入 Matlab 软件工具箱，可得到 BP 神经网络训练误差曲线，训练次数设定为 10 000 次，得到误差曲线如图 2。图 1 BP 神经网络模型结构 图 2 BP 神经网络训练误差曲线图从图 2 误差曲线可看出，输出值以很快的速度接近期望值，并且最终趋于 0。说明该神经网络可靠性预测模型的训练效果很好。2.4 预测结果分析将第 1620 组样本数据带入训练好的可靠性预测模型中，通过对比输出值与期望值的误差，可进一步地验证矿井通风系统可靠性预测模型的准确率6。将数据带入模型得到表 1 结果，经比对样本数据的预测结果与实际输出数据全部相同，预测准确率可达 100%。表 1 测试数据预测结果统计表序号A1A2A3A4A5A6A7A8A9A10A11A12A13A14A15A16实际结果预测结果160.150.890.430.390.390.600.270.250.490.210.180.340.490.270.280.25170.780.790.710.540.710.760.540.530.640.650.760.390.560.600.630.63180.750.730.550.710.540.650.630.590.710.580.670.520.780.710.650.68190.820.790.540.750.700.550.560.710.560.700.810.680.640.750.680.62200.800.760.800.750.800.820.820.810.780.860.670.810.830.790.810.801992023 年第 2 期杨 晋：四台矿通风系统可靠性预测及平台设计研究杨 晋：四台矿通风系统可靠性预测及平台设计研究3 预测平台设计为了确保通风系统可靠性预测模型切实可行，具备落地条件，从硬件设计与软件设计两个角度，对预测平台设计方案进行研究分析。3.1 硬件设计通风系统可靠性预测结构图如图 3。实现精确预测的前提，需要精确采集现场数据，借助于成熟的传感器技术，在通风设备上加装各类传感器，采集到的数字信号通过工业以太网系统传到控制器，并在屏幕上显示具体数值。此外，还可扩展加入打印机设备、核心服务器，实现报表打印与复杂计算，同时还可满足日常数据存储与监控界面共享7。图 3 通风系统可靠性预测整体结构图系统各模块的管理与配置由核心服务器来实现，可完成数据提取、管理监控、数据共享等功能，用户通过客户端模块登录后，获取到关键数据，结合各类数据整理软件，可进一步筛选整理。客户端模块包括客户端软件、PC 机与后台服务器设备。服务器设备完成数据读写与存取功能，将传感器反馈的数据进行保留，客户端软件则具备实时显示、分析处理与指令编写功能，此外还扩展了数据防丢失、多用户访问功能，防止出现数据冲突与同步失败的问题。3.2 软件设计通风监测系统软件设计主要包括嵌入版软件模块。为了满足系统功能实现，软件模块包括：风机运行模块、实时状态显示模块、历史状态模块、数据统计模块、报警记录模块、数据存储模块。在试验过程中，为了显示 BP 神经网络的预测结论，通过接入 MATLAB 软件来实现。4 应用分析完成系统的整体规划与软硬件设计后，将系统应用在了四台矿 3#工作面通风系统中。如图 4 所示为主通风机的运行状态界面图，通过图中可直观观测到通风机的风门开闭状态、通风机内风向、轴温、设备电压与电流值等情况。整个界面设计以浅灰色作为底色，可有效减弱长时间盯守监控给值班人员造成视觉疲劳。此外，系统还对关键操作动作配备了动画模拟，便于操作识别，降低误操作概率。风机风门开闭状态、设备通信状态等设备重要运行状态通过不同颜色标记，开启后显示为红色，关闭后显示为黑色。界面最下方还设置了切换按钮，从该界面可直接切换至实时曲线、报警数据、参数设置等界面。图 4 主通风机运行状态界面图在 3#工作面接入通风系统可靠性预测平台后，预测结果在智能预测输出信号界面显示。根据提前设定好的阈值范围，预测结果分为安全、较安全、一般、较危险、危险五种，对应绿色、蓝色、灰色、紫色、红色五种不同颜色。通过颜色标记，更便于值班人员掌握工作面运行状态。参考预测模型输出结果，四台矿对 3#工作面的通风系统进行了分析，发现随着掘采推进，工作面部分区域存在通风量小的情况。为此，在 3#工作面增加了进风巷道与进风井，使得通风量不达标区域通风阻力大大减小，提升了安全生产系数。四台矿新增的通风井规格为直径 3 m，断面面积 12 m2，通风井深 220 m。通过优化后，3#工作面的通风量大于 1500 m3/min，防止局部区域出现瓦斯浓度超标，有效提高了通风系统应用效能。5 结论通过对四台矿 3#工作面通风系统的可靠性预测研究，引入 BP 神经网络开展系统建模，并进行软硬件方案制定，经现场实际使用得到如下结论：（1）通过 BP 神经网络搭建的系统模型，经过一定次数训练，误差精度小，迭代次数小，可满足