(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111478443.8 (22)申请日 2021.12.0 6 (71)申请人 煤炭科学技术研究院有限公司 地址 100013 北京市朝阳区和平街青年沟 路5号 申请人 煤炭科学研究总院 (72)发明人 张浪　张迎辉　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 单冠飞 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/10(2019.01) G06N 20/20(2019.01) G06N 3/08(2006.01)E21F 1/00(2006.01) G06F 113/08(2020.01) (54)发明名称 一种通风网络故障诊断方法 (57)摘要 本申请提出的一种通风网络故障诊断方法， 包括： 采集通风网络的故障数据集； 根据多种机 器学习算法分别建立故障诊断模 型； 多个故障诊 断模型分别根据故障数据集设计故障诊断学习 算法； 多个故障诊断模型分别根据故障数据集进 行故障诊断， 并得出故障诊断准确率； 以故障诊 断准确率作为选取指标， 选出最优故障诊断模 型； 应用最优故障诊断模型进行通风网络故障诊 断， 本申请和现有技术相比所具有的优点是： 通 过故障数据集选取最优故障诊断模 型， 提高了故 障诊断的准确率， 由此， 最大限度的减少人员伤 亡和财产损失， 保证矿井通 风系统的安全可靠 。 权利要求书2页 说明书7页 附图3页 CN 114357859 A 2022.04.15 CN 114357859 A 1.一种通 风网络故障诊断方法， 其特 征在于， 包括： 采集所述 通风网络的故障数据集； 根据多种机器学习算法分别建立故障诊断模型； 多个所述故障诊断模型分别根据所述故障数据集设计故障诊断学习算法； 多个所述故障诊断模型分别根据所述故障数据集进行故障诊断， 并得出故障诊断准确 率； 以所述故障诊断准确率作为选取指标， 选出最优故障诊断模型； 应用所述 最优故障诊断模型进行通 风网络故障诊断。 2.根据权利要求1所述的通风网络故障诊断方法， 其特征在于， 所述采集所述通风网络 的故障数据集包括： 标定所述 通风网络中的实际故障巷道编号； 采集所述实际故障巷道对应的风 量变化数据集； 综合所述实际故障巷道编号及风 量变化数据集， 以得到所述故障数据集。 3.根据权利要求2所述的通风网络故障诊断方法， 其特征在于， 所述采集所述实际故障 巷道对应的风 量变化数据集包括： 获取与所述实际故障巷道直接或间接相连的巷道的原风 量； 获取与所述实际故障巷道直接或间接相连的巷道的现风 量； 计算所述现风 量和所述原风 量的差值， 并计算所述差值与所述原风 量的比值； 如果所述比值不小于10％， 则采集所述现风量作为所述实际故障巷道对应的风量变化 数据； 综合多个所述 风量变化数据， 以得到所述 风量变化数据集。 4.根据权利要求2所述的通风网络故障诊断方法， 其特征在于， 所述多个所述故障诊断 模型分别根据所述故障数据集设计故障诊断学习算法包括： 将所述故障数据集划分出训练集； 将所述训练集的所述 风量变化数据集作为所述故障诊断模型的输入特 征； 将所述训练集的所述实际故障巷道编号作为所述故障诊断模型的输出 特征； 多个所述故障诊断模型分别设计故障诊断学习算法。 5.根据权利要求4所述的通风网络故障诊断方法， 其特征在于， 在所述多个所述故障诊 断模型分别根据所述故障数据集进行故障诊断之前； 分别选取多个所述故障诊断模型的多个参数； 分别选取多个所述 参数的取值范围； 将所述故障数据集划分出验证集； 将所述验证集的所述 风量变化数据集作为所述故障诊断模型的输入特 征； 将所述验证集的所述实际故障巷道编号作为所述故障诊断模型的输出 特征； 多个所述故障诊断模型分别根据其设计的所述故障诊断学习算法及多个参数， 运用网 格搜索法进行遍历， 并以交叉验证平均分数作为选取指标， 以得到所述故障诊断模型 的最 优参数。 6.根据权利要求5所述的通风网络故障诊断方法， 其特征在于， 所述多个所述故障诊断 模型分别根据所述故障数据集进行故障诊断， 并得 出故障诊断准确率包括：权　利　要　求　书 1/2 页 2 CN 114357859 A 2将所述故障数据集划分出测试集； 将所述测试集的所述 风量变化数据集作为所述故障诊断模型的输入特 征； 多个所述故障诊断模型分别根据其设计的所述故障诊断学习算法及最优参数进行故 障诊断， 得 出多个诊断故障巷道编号； 根据所述诊断故障巷道编 号及所述测试集的所述实际故障巷道编 号， 得出多个所述故 障诊断模型的故障诊断准确率。 7.根据权利要求6所述的通风网络故障诊断方法， 其特征在于， 所述根据多种机器学习 算法分别建立故障诊断模型包括： 根据支持向量机建立支持向量机诊断模型； 根据随机森林建立随机森林诊断模型； 根据神经网络建立神经网络诊断模型。 8.根据权利要求7所述的通风网络故障诊断方法， 其特征在于， 所述支持向量机诊断模 型的参数包括： 高斯核宽度及正则化 参数； 所述随机森林诊断模型的参数包括： 决策树个数及每棵树的随机性大小； 所述神经网络诊断模型的参数包括： 隐含层节点数量及正则化 参数。 9.根据权利要求6所述的通风网络故障诊断方法， 其特征在于， 所述训练集、 所述验证 集及所述测试集之和 为所述故障数据集， 且所述训练集、 所述验证集及所述测试集在所述 故障数据集中的占比分别为： 5 6.25％、 18.75％及25％。 10.根据权利要求6所述的通风网络故障诊断方法， 其特征在于， 所述应用所述最优故 障诊断模型进行通 风网络故障诊断包括： 采集实际巷道对应的风 量变化数据集； 将所述实际巷道对应的风 量变化数据集作为所述 最优故障诊断模型的输入特 征； 所述最优故障诊断模型根据 所述故障诊断学习算法及最优参数进行故障诊断， 并输出 诊断故障巷道编号。权　利　要　求　书 2/2 页 3 CN 114357859 A 3