金屬礦井實時風(fēng)流參數(shù)智能感知方法及應(yīng)用

摘要：礦井全局風(fēng)流參數(shù)實時獲取是金屬礦井通風(fēng)系統(tǒng)智能調(diào)控的技術(shù)關(guān)鍵，目前基于AI 算法的風(fēng)流參數(shù)預(yù)測方法受數(shù)據(jù)依賴、計算成本及不同工況適應(yīng)性的限制，針對該問題，提出了一種適用于金屬礦井的全局風(fēng)流參數(shù)智能感知方法。首先，利用風(fēng)速測量裝置實時監(jiān)測巷道內(nèi)的平均風(fēng)速，合理布置監(jiān)測點，搭建風(fēng)流參數(shù)監(jiān)測系統(tǒng)，以獲取風(fēng)量、風(fēng)壓等關(guān)鍵通風(fēng)參數(shù)。其次，結(jié)合通風(fēng)系統(tǒng)的實際情況及立體示意圖，建立三維仿真系統(tǒng)，并通過現(xiàn)場實測的風(fēng)流數(shù)據(jù)對其進行優(yōu)化，模擬不同通風(fēng)機運行工況和自然風(fēng)壓狀態(tài)下的礦井風(fēng)流流動參數(shù)。然后，基于仿真數(shù)據(jù)，構(gòu)建了AI 算法模型的訓(xùn)練與測試數(shù)據(jù)集。最后，利用風(fēng)流參數(shù)監(jiān)測系統(tǒng)采集的風(fēng)流信息作為AI 算法模型的輸入，實現(xiàn)對礦井全域風(fēng)流分布的實時感知。利用通風(fēng)網(wǎng)絡(luò)解算數(shù)據(jù)對風(fēng)流參數(shù)智能感知模型進行性能評估，結(jié)果表明：① 該模型的決定系數(shù)R2為0.998，均方根誤差為0.215 9，平均絕對誤差為0.085，平均絕對百分比誤差為1.89%。② 該模型的預(yù)測值與實際觀測值之間的吻合度較高，驗證了多層感知機（MLP） 在風(fēng)流參數(shù)預(yù)測方面具備出色性能。③ 該模型在面對不同數(shù)據(jù)集時能夠維持其預(yù)測精度，表現(xiàn)出良好的泛化能力。④ 智能通風(fēng)系統(tǒng)感知數(shù)據(jù)的平均誤差控制在5% 以內(nèi)，井下風(fēng)流參數(shù)感知值與現(xiàn)場實測值基本一致。

關(guān)鍵詞：金屬礦山；礦井通風(fēng)；風(fēng)流參數(shù)智能感知；多層感知器；MLP；通風(fēng)網(wǎng)絡(luò)解算

中圖分類號：TD724 文獻標(biāo)志碼：A

0 引言

礦井通風(fēng)系統(tǒng)是保障礦井安全生產(chǎn)的基礎(chǔ)，主要用于預(yù)防礦內(nèi)有毒有害氣體積聚、礦塵污染等問題。然而，因受礦井掘進、自然風(fēng)壓變化影響，礦井通風(fēng)系統(tǒng)呈現(xiàn)動態(tài)特性，風(fēng)流參數(shù)信息變化較大，難以確保礦井風(fēng)流的有序流動。為調(diào)控礦井風(fēng)流，需有效獲取風(fēng)流參數(shù)信息，傳統(tǒng)方法采用人工定期測定或大量布置傳感器的方式對風(fēng)流參數(shù)進行實時測定。人工測量難以滿足實時性和準(zhǔn)確性的要求，且傳感器布置和維護在復(fù)雜的礦井環(huán)境中也存在諸多限制，作業(yè)區(qū)域的風(fēng)流參數(shù)難以有效獲取[1-2]，實時準(zhǔn)確地掌握礦井風(fēng)流參數(shù)信息是礦井通風(fēng)管理的難點及要點[3-5]。

隨著金屬礦山井下環(huán)境復(fù)雜性和安全要求的提升，結(jié)合傳感器網(wǎng)絡(luò)[6]和自動化控制技術(shù)[7]的智能化監(jiān)測系統(tǒng)得到了廣泛發(fā)展，通過科學(xué)設(shè)計傳感器位置，提高了風(fēng)流數(shù)據(jù)的采集效率[8-10]。文獻[11-13]研發(fā)了礦井安全智能監(jiān)測監(jiān)控系統(tǒng)、礦井通風(fēng)三維仿真輔助決策系統(tǒng)、礦井智能通風(fēng)與實時監(jiān)測系統(tǒng)，用于礦井環(huán)境監(jiān)測。然而，局部布設(shè)傳感器難以覆蓋礦井全局風(fēng)流，而大規(guī)模布設(shè)則增加設(shè)備維護難度。利用有限數(shù)量傳感器數(shù)據(jù)感知全局風(fēng)流參數(shù)成為研究熱點[14]。近年來，人工智能（Artificial Intelligence，AI）在礦井通風(fēng)系統(tǒng)管理中得到了廣泛應(yīng)用。文獻[15]構(gòu)建了基于門控循環(huán)單元（Gated Recurrent Unit，GRU）的巷道平均風(fēng)速測量模型，GRU 神經(jīng)網(wǎng)絡(luò)具有強非線性建模能力，能夠捕捉復(fù)雜巷道形態(tài)下的風(fēng)速分布特征，提高預(yù)測精度，但深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要較長時間，并對計算資源有一定要求。文獻[16]構(gòu)建了遺傳?神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測優(yōu)化模型，結(jié)合掘進工作面不同工況的環(huán)境參數(shù)，實現(xiàn)風(fēng)速協(xié)同預(yù)測，結(jié)合遺傳?神經(jīng)網(wǎng)絡(luò)模型和PID 閉環(huán)調(diào)控，提高了風(fēng)速預(yù)測精度和控制效率，但在應(yīng)用過程中仍需考慮數(shù)據(jù)依賴性、計算成本和系統(tǒng)復(fù)雜性等因素。文獻[17]基于遺傳算法（Genetic Algorithm，GA）和BP 神經(jīng)網(wǎng)絡(luò)（GA?BP） 構(gòu)建了巷道平均風(fēng)速單點測試模型，GA?BP 在巷道平均風(fēng)速預(yù)測中具有較高精度和計算效率，但仍需要確保數(shù)據(jù)質(zhì)量和傳感器布置的合理性，以進一步提升模型的穩(wěn)定性和準(zhǔn)確性。上述研究表明，AI 算法在風(fēng)流參數(shù)預(yù)測中具有良好的性能和應(yīng)用價值。然而，相關(guān)方法仍受數(shù)據(jù)依賴、計算成本及不同工況適應(yīng)性的限制。多層感知器（MultilayerPerceptron，MLP）具有結(jié)構(gòu)簡單、訓(xùn)練速度快、資源消耗較低等特點，在提升數(shù)據(jù)獲取的時效性方面具有一定優(yōu)勢。因此，本文以某金屬礦山為研究對象，基于深度學(xué)習(xí)中的MLP 算法，構(gòu)建風(fēng)流參數(shù)智能感知模型，以實現(xiàn)對井下各生產(chǎn)作業(yè)區(qū)域及主要巷道風(fēng)流參數(shù)的精準(zhǔn)預(yù)測。首先，利用風(fēng)速測量裝置實時監(jiān)測巷道內(nèi)的平均風(fēng)速，合理布置監(jiān)測點，搭建風(fēng)流參數(shù)監(jiān)測系統(tǒng)，以獲取風(fēng)量、風(fēng)壓等關(guān)鍵通風(fēng)參數(shù)。其次，結(jié)合通風(fēng)系統(tǒng)的實際情況及立體示意圖，建立三維仿真系統(tǒng)，并通過現(xiàn)場實測的風(fēng)流數(shù)據(jù)對其進行優(yōu)化，模擬不同通風(fēng)機運行工況和自然風(fēng)壓狀態(tài)下的礦井風(fēng)流參數(shù)。然后，基于仿真數(shù)據(jù)，構(gòu)建了AI 算法模型的訓(xùn)練與測試數(shù)據(jù)集。最后，提出了一種基于有限數(shù)量傳感器數(shù)據(jù)的礦井風(fēng)流參數(shù)智能感知方法，可準(zhǔn)確預(yù)測井下各生產(chǎn)作業(yè)區(qū)域及主要巷道的風(fēng)流參數(shù)，從而實現(xiàn)風(fēng)流的動態(tài)調(diào)控。

1 礦井風(fēng)流監(jiān)測與仿真系統(tǒng)

1.1 巷道風(fēng)速及風(fēng)流參數(shù)實時監(jiān)測系統(tǒng)

1.1.1 巷道平均風(fēng)速實時監(jiān)測

巷道平均風(fēng)速的單點測試是實現(xiàn)巷道風(fēng)速實時監(jiān)測的關(guān)鍵環(huán)節(jié)。為降低采礦作業(yè)、車輛通行對風(fēng)速測量的干擾，采用礦井巷道平均風(fēng)速單點測控裝置[18]實時監(jiān)測巷道內(nèi)平均風(fēng)速。該裝置主要由風(fēng)速測定系統(tǒng)、物體運動監(jiān)測系統(tǒng)及通風(fēng)機控制系統(tǒng)組成，物體運動監(jiān)測系統(tǒng)與風(fēng)速測定系統(tǒng)相連，風(fēng)速測定系統(tǒng)與巷道內(nèi)的通風(fēng)機控制系統(tǒng)相連，如圖1 所示。風(fēng)速測定系統(tǒng)用于測量風(fēng)速，物體運動監(jiān)測系統(tǒng)則判定監(jiān)測區(qū)域內(nèi)是否有物體通過，兩者相互連接，并與通風(fēng)機控制系統(tǒng)聯(lián)動。當(dāng)物體運動監(jiān)測系統(tǒng)確認(rèn)監(jiān)測區(qū)域內(nèi)無人員、車輛或其他物體通過時，風(fēng)速測定系統(tǒng)才會啟動，對巷道風(fēng)速進行準(zhǔn)確測量。

風(fēng)速測定系統(tǒng)由風(fēng)速傳感器和滑動桿等部件構(gòu)成，如圖2 所示。風(fēng)速傳感器包括風(fēng)速探頭和信號處理器，通過連接桿固定在巷道頂面。風(fēng)速探頭采集的信號傳輸至信號處理器，信號處理器通過AD 轉(zhuǎn)換將模擬信號轉(zhuǎn)換為數(shù)字信號，并計算出單點風(fēng)速。隨后，系統(tǒng)基于單點風(fēng)速推算出巷道內(nèi)的平均風(fēng)速，從而有效監(jiān)控巷道風(fēng)流。

1.1.2 風(fēng)流參數(shù)監(jiān)測系統(tǒng)

風(fēng)流參數(shù)監(jiān)測系統(tǒng)主要由傳感器、信息傳輸系統(tǒng)和數(shù)據(jù)處理模型構(gòu)成。在主要通風(fēng)巷道和安裝通風(fēng)機的巷道中布置風(fēng)速、風(fēng)壓及風(fēng)溫傳感器，實時監(jiān)測巷道內(nèi)平均風(fēng)速、風(fēng)壓和風(fēng)溫等關(guān)鍵參數(shù)。采用數(shù)據(jù)處理模型分析采集到的風(fēng)流參數(shù)及通風(fēng)機工況數(shù)據(jù)，并通過信息傳輸系統(tǒng)傳送至數(shù)據(jù)庫，實現(xiàn)對通風(fēng)狀態(tài)的監(jiān)控和管理。

1） 監(jiān)測點選址方法。依據(jù)金屬礦山相關(guān)規(guī)程進行風(fēng)流參數(shù)監(jiān)測點的選址：① 風(fēng)速傳感器應(yīng)設(shè)置在能準(zhǔn)確計算風(fēng)量的地點，監(jiān)測點布置處巷道結(jié)構(gòu)穩(wěn)定，前后井巷盡量平直無轉(zhuǎn)角，風(fēng)流流動較穩(wěn)定。② 井下總進風(fēng)巷、各個生產(chǎn)中段和分段的進風(fēng)巷道應(yīng)設(shè)置風(fēng)速傳感器。風(fēng)速傳感器報警值應(yīng)符合巷道風(fēng)速的最低及最高限定值要求。③ 主要通風(fēng)機應(yīng)配備風(fēng)壓傳感器，傳感器的布置應(yīng)符合《金屬非金屬地下礦山通風(fēng)技術(shù)規(guī)范》（AQ 2013.3）中關(guān)于主要通風(fēng)機風(fēng)壓測點布置的要求。④ 風(fēng)速監(jiān)測點應(yīng)盡量布置在礦井通風(fēng)系統(tǒng)中風(fēng)流較敏感的巷道中。⑤ 在滿足監(jiān)測需求的情況下，用盡量少的監(jiān)測點覆蓋監(jiān)測范圍。

2） 監(jiān)測內(nèi)容。根據(jù)平均風(fēng)速監(jiān)測原理，結(jié)合監(jiān)測點的選址方法，在巷道的適當(dāng)位置布置傳感器。監(jiān)測內(nèi)容主要包括主要通風(fēng)機、輔助通風(fēng)機參數(shù)（如風(fēng)量、風(fēng)壓）及主要通風(fēng)巷道的風(fēng)流參數(shù)（如風(fēng)速、溫度、CO 濃度）。

1.2 礦井通風(fēng)三維仿真系統(tǒng)

礦井通風(fēng)三維仿真系統(tǒng)[19]集礦井通風(fēng)系統(tǒng)立體圖繪制、風(fēng)網(wǎng)解算、結(jié)果數(shù)據(jù)標(biāo)注一體化，可達到真實再現(xiàn)井下通風(fēng)網(wǎng)絡(luò)實際狀態(tài)的應(yīng)用效果。為盡可能真實地模擬現(xiàn)實工況，首先需建立三維仿真模型，該模型的建立需調(diào)查、收集詳細(xì)的實際通風(fēng)系統(tǒng)信息（井筒和巷道節(jié)點、風(fēng)阻、屬性，通風(fēng)設(shè)備和構(gòu)筑物，局部風(fēng)阻和漏風(fēng)情況，自然風(fēng)壓等），完成圖形基本參數(shù)輸入、通風(fēng)網(wǎng)絡(luò)圖創(chuàng)建及仿真圖的編輯繪制；然后通過風(fēng)網(wǎng)解算模塊解算礦井通風(fēng)系統(tǒng)風(fēng)流方向和風(fēng)流分配等具體信息；最后對比驗證模擬解算結(jié)果與現(xiàn)場調(diào)查測定數(shù)據(jù)，以確保三維仿真系統(tǒng)能夠真實可靠模擬礦井通風(fēng)系統(tǒng)的實際狀況。

三維仿真系統(tǒng)不僅能夠準(zhǔn)確反映礦井實際運行狀況，還集成了通風(fēng)網(wǎng)絡(luò)解算模型，實現(xiàn)不同通風(fēng)條件下風(fēng)流參數(shù)的模擬計算與分析。作為三維仿真系統(tǒng)的核心部分，風(fēng)網(wǎng)解算模塊主要實現(xiàn)風(fēng)阻解算、基本關(guān)聯(lián)矩陣解算、風(fēng)網(wǎng)解算等功能，具體通風(fēng)網(wǎng)絡(luò)解算流程如圖3 所示。

首先，將原始數(shù)據(jù)輸入通風(fēng)網(wǎng)絡(luò)，包括節(jié)點坐標(biāo)與類型、分支的幾何參數(shù)（長度、斷面面積、摩擦因數(shù)）及固定風(fēng)量等基礎(chǔ)信息。其次，基于風(fēng)量平衡（節(jié)點流入與流出相等）和風(fēng)壓平衡（回路內(nèi)風(fēng)壓損失代數(shù)和為零）原理構(gòu)建狀態(tài)方程，并利用圖論算法自動生成獨立回路網(wǎng)孔，確保每個網(wǎng)孔包含唯一分支以覆蓋全網(wǎng)。初擬風(fēng)量分配時，優(yōu)先設(shè)定固定風(fēng)量分支的已知值，其余分支按經(jīng)驗或均勻原則賦初值，并校驗節(jié)點風(fēng)量平衡。然后，在迭代計算階段采用Hardy Cross 法逐網(wǎng)孔計算風(fēng)壓不平衡量ΔQ，若其絕對值小于收斂精度E，則按比例修正各分支風(fēng)量，反復(fù)迭代直至所有回路滿足收斂條件。最后，計算固定風(fēng)量分支的實際風(fēng)壓損失及動態(tài)分支的風(fēng)阻，輸出全網(wǎng)風(fēng)量、風(fēng)壓、風(fēng)阻分布及收斂信息。

2 金屬礦山全局風(fēng)流參數(shù)智能感知方法

金屬礦山全局風(fēng)流參數(shù)智能感知方法的核心是基于深度學(xué)習(xí)技術(shù)構(gòu)建AI 算法模型，實現(xiàn)全局風(fēng)流參數(shù)的實時智能感知。在構(gòu)建金屬礦山全局風(fēng)流參數(shù)智能感知方法的過程中，首先，制定多組通風(fēng)網(wǎng)絡(luò)解算策略，系統(tǒng)化獲取礦井風(fēng)流數(shù)據(jù)。然后，對數(shù)據(jù)進行整理和劃分，生成適用于模型訓(xùn)練和測試的樣本集。在數(shù)據(jù)預(yù)處理階段，按8∶2 的比例將數(shù)據(jù)劃分為訓(xùn)練集和測試集，并進行標(biāo)準(zhǔn)化處理。最后，采用多項指標(biāo)對風(fēng)流參數(shù)智能感知模型性能進行評估，驗證其準(zhǔn)確性。

2.1 通風(fēng)網(wǎng)絡(luò)解算策略設(shè)計

金屬礦山通風(fēng)系統(tǒng)在實際生產(chǎn)過程中的運行狀態(tài)受多個因素影響，特別是主要通風(fēng)機運行工況（如轉(zhuǎn)速、電動機數(shù)量）、自然風(fēng)壓的波動及主要通風(fēng)機運行數(shù)量的變化等。因此，為了確保智能感知模型能夠應(yīng)對復(fù)雜多變的運行環(huán)境并提高其泛化能力，設(shè)計了多組通風(fēng)網(wǎng)絡(luò)解算方案，涵蓋主要通風(fēng)機不同運行工況、不同自然風(fēng)壓及主要通風(fēng)機和輔助通風(fēng)機異常等狀態(tài)下的風(fēng)流流動特性。

1） 基于主要通風(fēng)機的運行特性，設(shè)計P 種通風(fēng)工況方案。針對相同自然風(fēng)壓條件，分別設(shè)計恒定電動機轉(zhuǎn)速、單臺通風(fēng)機電動機轉(zhuǎn)速變化及所有主要通風(fēng)機電動機轉(zhuǎn)速變化等不同工況，確保工況設(shè)計的全面性和適應(yīng)性。

2） 針對金屬礦山所處區(qū)域的環(huán)境條件變化規(guī)律，采集不同季節(jié)的地表與井底溫濕度、地表大氣壓等參數(shù)，利用三維仿真系統(tǒng)中的自然風(fēng)壓計算模塊，計算各氣候條件下的自然風(fēng)壓值。將計算得到的自然風(fēng)壓值與A 種主要通風(fēng)機運行工況組合，設(shè)計并完成C 種通風(fēng)網(wǎng)絡(luò)的模擬解算方案。

3） 為增強風(fēng)流參數(shù)智能感知模型的泛化能力，還需納入主要通風(fēng)機和輔助通風(fēng)機異常工況下的通風(fēng)系統(tǒng)運行方案。具體而言，在夏季和冬季的不同氣候條件下，設(shè)計并模擬M 種單主要通風(fēng)機運行的異常通風(fēng)系統(tǒng)方案。

通過借助三維仿真系統(tǒng)，全面模擬各類工況下的風(fēng)流流動特性，從而為風(fēng)流參數(shù)智能感知模型提供豐富、真實、全面的樣本集。

2.2 樣本數(shù)據(jù)劃分

通過通風(fēng)網(wǎng)絡(luò)解算獲取不同運行狀態(tài)下第i 個分支ei的風(fēng)流參數(shù)，主要包括風(fēng)量Qi、風(fēng)阻Ri、風(fēng)壓Hf和自然風(fēng)壓Hn?；谶@些通風(fēng)參數(shù)，構(gòu)建模型訓(xùn)練樣本集合O =｛ei，Qi，Ri，Hf ，Hn｝。在感知模型的訓(xùn)練過程中，可以將多個風(fēng)流參數(shù)特征（如分支ei、風(fēng)量Qi等）作為輸入數(shù)據(jù)，輸出時只需將風(fēng)量作為唯一要素進行風(fēng)流感知。為確保模型的泛化能力和感知精度，按照8∶2 的比例將數(shù)據(jù)劃分為訓(xùn)練集和測試集，進行風(fēng)流感知試驗。

2.3 樣本數(shù)據(jù)預(yù)處理

為消除輸入要素單位差異對感知模型的影響，對初始數(shù)據(jù)進行線性變換，將其映射到[0，1]范圍內(nèi)，進行去量綱化。

tnorm =t-tmin／tmax -tmin（1）

式中：tnorm為歸一化數(shù)據(jù)；t為原始數(shù)據(jù)；tmin為原始最小數(shù)據(jù)；tmax為原始最大數(shù)據(jù)。

2.4 風(fēng)流參數(shù)智能感知模型構(gòu)建

2.4.1 風(fēng)流參數(shù)智能感知原理

三維仿真系統(tǒng)和礦井通風(fēng)網(wǎng)絡(luò)AI 算法模型是實現(xiàn)金屬礦山全局風(fēng)流參數(shù)智能感知的關(guān)鍵。首先，采用MLP 算法構(gòu)建礦井通風(fēng)網(wǎng)絡(luò)AI 算法模型；然后，應(yīng)用三維仿真系統(tǒng)模擬不同通風(fēng)機運行工況、不同自然風(fēng)壓狀態(tài)下的礦井風(fēng)流參數(shù)，建立AI 算法模型的訓(xùn)練測試數(shù)據(jù)集；訓(xùn)練、測試和優(yōu)化AI 算法模型，以提升模型對各類工況的適用性?；谏鲜鲅芯?，本文提出了一種基于有限數(shù)量傳感器數(shù)據(jù)的礦井風(fēng)流參數(shù)智能感知方法，該方法依托風(fēng)流參數(shù)監(jiān)測系統(tǒng)采集傳感器數(shù)據(jù)，利用AI 算法模型對局部測點的風(fēng)速、風(fēng)壓信息進行建模，從而實現(xiàn)礦井全域風(fēng)流分布的實時推斷，為智能控制系統(tǒng)提供精準(zhǔn)的風(fēng)流參數(shù)支持。

2.4.2 AI 算法模型

神經(jīng)網(wǎng)絡(luò)最早的形式是單層感知器，用于處理簡單的線性問題[20-21]。MLP 通過增加隱含層建立輸入輸出間的復(fù)雜非線性關(guān)系，如圖4 所示。MLP 算法在分類[22]和回歸[23]任務(wù)中具有出色的預(yù)測性能[24-25]，因此，利用該算法構(gòu)建礦井通風(fēng)網(wǎng)絡(luò)AI 算法模型，以實現(xiàn)對井下各生產(chǎn)作業(yè)區(qū)域及主要巷道風(fēng)流參數(shù)的智能感知。

對于輸入矩陣X∈RN×F，RN×F為N×F維實數(shù)矩陣， N為樣本數(shù)量， F 為特征維度。輸出向量為Y 2 RN×1，第j 層權(quán)重矩陣Wj 2 RUj-1×Uj，Uj為第j 層神經(jīng)元數(shù)量。MLP 通過建立輸入值X 與輸出值Y 間的非線性關(guān)系，來實現(xiàn)目標(biāo)的預(yù)測功能[26]。在MLP中，第j 層第i 個神經(jīng)元的輸出為

式中：f j（·）為第j層激活函數(shù)； xj-1k為第 j-1層第k 個神經(jīng)元的輸出值；Wjki為從第 j-1層第k 個神經(jīng)元到第j 層第i 個神經(jīng)元的權(quán)重；bji為第j 層第i 個神經(jīng)元的偏置項。

在模型訓(xùn)練過程中，常用損失函數(shù)來衡量模型預(yù)測結(jié)果與實際觀測值之間的差異。

式中：L（W，b）為損失函數(shù)，W 為權(quán)重矩陣，b 為偏置項；yk為第k 個樣本的真實值；N 為樣本總個數(shù)；^yk模型的預(yù)測輸出；λ為正則化系數(shù)；∥Wj∥22為第j 層權(quán)重矩陣的歐幾里得范數(shù)的平方。

2.4.3 全局風(fēng)流參數(shù)獲取

借助三維仿真系統(tǒng)建立通風(fēng)系統(tǒng)三維仿真數(shù)據(jù)集，訓(xùn)練測試AI 算法模型，風(fēng)流參數(shù)監(jiān)測系統(tǒng)測得的風(fēng)流參數(shù)作為通風(fēng)網(wǎng)絡(luò)AI 算法模型的實時輸入值，通過智能感知獲取井下各生產(chǎn)作業(yè)區(qū)域及主要巷道風(fēng)流參數(shù)，實時監(jiān)測數(shù)據(jù)與風(fēng)流感知數(shù)據(jù)共同構(gòu)成金屬礦山的全局風(fēng)流參數(shù)，實現(xiàn)對井下各主要進回風(fēng)工作面及關(guān)鍵巷道的全面實時監(jiān)測。這有助于實時掌握井下風(fēng)流參數(shù)的動態(tài)變化，為動態(tài)智能調(diào)控策略的制定提供科學(xué)依據(jù)。全局風(fēng)流參數(shù)的完整獲取步驟如圖5 所示。

2.5 模型性能評估

為評價感知模型預(yù)測性能，選取決定系數(shù)、平均絕對誤差、平均絕對百分比誤差和均方根誤差作為評價指標(biāo)。R2是評估風(fēng)流參數(shù)智能感知模型擬合程度的重要指標(biāo)，其值越接近1，表明模型的擬合效果越佳。平均絕對誤差表示預(yù)測值與實際值之間的平均絕對誤差，數(shù)值越小，表明感知模型的預(yù)測精度越高。平均絕對百分比誤差用于衡量預(yù)測值與實際值之間的相對誤差，平均絕對百分比誤差較低表示模型的預(yù)測結(jié)果與實際值更為接近，誤差較小。均方根誤差反映了預(yù)測值與實際值之間的誤差波動，均方根誤差越小， 說明感知模型總體預(yù)測精度越高。

3 案例應(yīng)用

為驗證所提方法的有效性，本研究以某金屬礦山通風(fēng)系統(tǒng)為研究對象，通過實際工程案例進行應(yīng)用分析。

3.1 工程概況

某金屬礦山采用兩翼對角抽出式通風(fēng)系統(tǒng)，新鮮風(fēng)流由Ⅱ號礦體北段的北進風(fēng)管纜井、Ⅱ號礦體南段的南進風(fēng)井、輔助斜坡道進入，經(jīng)各中段石門巷道、輔助斜坡道聯(lián)絡(luò)道、中段運輸巷道、中段穿脈巷道、人行通風(fēng)井進入各采場，污風(fēng)匯入到上中段回風(fēng)巷道，再經(jīng)安裝在東回風(fēng)井口的礦用對旋式軸流通風(fēng)機和西回風(fēng)井井口的礦用對旋式軸流通風(fēng)機抽出至地表。與其他金屬礦井類似，該作業(yè)礦井具有井下機械化操作程度高、作業(yè)中段數(shù)量多、礦井通風(fēng)系統(tǒng)結(jié)構(gòu)復(fù)雜等特點。通風(fēng)系統(tǒng)的日常運行調(diào)控主要依賴人工操作，難以實時監(jiān)測全局風(fēng)流參數(shù)，未能實時掌握礦井全局風(fēng)流的流動情況及災(zāi)害辨識。

3.2 建立風(fēng)流參數(shù)監(jiān)測系統(tǒng)

對某金屬礦山礦井通風(fēng)網(wǎng)絡(luò)（圖6）進行詳細(xì)分析，并在主要作業(yè)區(qū)域的進回風(fēng)巷道選取了21 個風(fēng)流參數(shù)監(jiān)測點及52 個風(fēng)流參數(shù)感知點，其中，v 為通風(fēng)網(wǎng)絡(luò)具體分支的節(jié)點。

3.3 建立通風(fēng)系統(tǒng)仿真數(shù)據(jù)集

以某金屬礦山通風(fēng)系統(tǒng)為工程背景， 設(shè)計了91 個主要通風(fēng)機運行工況，包括主要通風(fēng)機保持恒定電動機轉(zhuǎn)速、單個通風(fēng)機電動機轉(zhuǎn)速變化及所有主要通風(fēng)機電動機轉(zhuǎn)速變化等方案。同時，結(jié)合礦山所在地的環(huán)境條件變化，采集了不同季節(jié)條件下地表與井底溫濕度、地表大氣壓等參數(shù)，利用三維仿真系統(tǒng)中的自然風(fēng)壓計算模塊計算各氣候條件下的自然風(fēng)壓，并針對每個自然風(fēng)壓值設(shè)計了對應(yīng)的91 個主要通風(fēng)機運行工況，共形成819 個通風(fēng)網(wǎng)絡(luò)模擬解算方案。此外，為增強感知模型的泛化能力，還設(shè)計了40 個異常工況下的通風(fēng)系統(tǒng)模擬解算方案， 分別針對夏季和冬季（地面溫度為33，?2℃）的單主要通風(fēng)機運行工況。對上述方案進行網(wǎng)絡(luò)參數(shù)解算，構(gòu)建風(fēng)流參數(shù)智能感知模型的訓(xùn)練測試數(shù)據(jù)集，其中一組方案的模擬試驗樣本參數(shù)見表1。

3.4 感知模型訓(xùn)練與測試

先對樣本數(shù)據(jù)進行預(yù)處理，再隨機按8∶2 的比例將數(shù)據(jù)分為訓(xùn)練集和測試集，其中80% 的數(shù)據(jù)用于訓(xùn)練風(fēng)流參數(shù)智能感知模型，20% 的數(shù)據(jù)用于評估該模型的預(yù)測性能。在參數(shù)調(diào)優(yōu)階段，通過網(wǎng)格搜索確定了MLP 的最佳參數(shù)配置。該模型采用雙隱含層的全連接結(jié)構(gòu)，其中輸入層包含21 個節(jié)點，每個隱含層包含10 個節(jié)點，輸出層包含52 個節(jié)點。激活函數(shù)使用ReLU，并在每個隱含層后引入了BatchNormalization。學(xué)習(xí)率設(shè)定為0.000 01，訓(xùn)練的最大迭代次數(shù)為1 000。

利用通風(fēng)網(wǎng)絡(luò)解算數(shù)據(jù)對風(fēng)流參數(shù)智能感知模型進行性能評估。結(jié)果顯示，風(fēng)流參數(shù)智能感知模型的決定系數(shù)R2達到0.998，均方根誤差為0.215 9，平均絕對誤差為0.085， 平均絕對百分比誤差為1.89%。這些指標(biāo)表明，所提出的風(fēng)流感知方法在準(zhǔn)確性和可靠性方面表現(xiàn)優(yōu)異，能夠在復(fù)雜環(huán)境中實時智能感知風(fēng)流參數(shù)。

利用通風(fēng)網(wǎng)絡(luò)解算數(shù)據(jù)對風(fēng)流參數(shù)智能感知模型進行性能評估。結(jié)果顯示，風(fēng)流參數(shù)智能感知模型的決定系數(shù)R2達到0.998，均方根誤差為0.215 9，平均絕對誤差為0.085， 平均絕對百分比誤差為1.89%。這些指標(biāo)表明，所提出的風(fēng)流感知方法在準(zhǔn)確性和可靠性方面表現(xiàn)優(yōu)異，能夠在復(fù)雜環(huán)境中實時智能感知風(fēng)流參數(shù)。

為進一步評估感知模型的精確性和泛化能力，對模型進行了多次訓(xùn)練。在反復(fù)訓(xùn)練過程中，風(fēng)流參數(shù)智能感知模型指標(biāo)性能對比結(jié)果見表2。可看出這些關(guān)鍵性能指標(biāo)的變化幅度相對較小，進一步證明了該模型在面對不同數(shù)據(jù)集時能夠維持其預(yù)測精度，表現(xiàn)出良好的泛化能力。

3.5 運行效果分析

該金屬礦山目前已經(jīng)完成通風(fēng)系統(tǒng)智能化建設(shè)，搭建了智能通風(fēng)系統(tǒng)管控平臺，該平臺主要包括風(fēng)流監(jiān)測、視頻監(jiān)控、火災(zāi)監(jiān)測、三維可視化等模塊，如圖10 所示。其中風(fēng)流監(jiān)測模塊包含風(fēng)流參數(shù)監(jiān)測系統(tǒng)和風(fēng)流參數(shù)智能感知系統(tǒng)，實現(xiàn)了該金屬礦井的實時風(fēng)流參數(shù)智能感知。

通過風(fēng)流參數(shù)監(jiān)測系統(tǒng)，可以實時顯示各監(jiān)測點的風(fēng)流參數(shù)， 準(zhǔn)確反映井下風(fēng)流的變化趨勢（圖11）。此外，該系統(tǒng)還支持?jǐn)?shù)據(jù)的連續(xù)記錄和分析，為通風(fēng)系統(tǒng)的動態(tài)調(diào)整提供依據(jù)，從而確保礦井內(nèi)部環(huán)境的安全性和穩(wěn)定性。

風(fēng)流監(jiān)測數(shù)據(jù)和感知數(shù)據(jù)均為實時風(fēng)流參數(shù)，如圖12 所示，通過利用實時監(jiān)測數(shù)據(jù)，風(fēng)流參數(shù)智能感知模型可以實時感知井下各生產(chǎn)作業(yè)區(qū)域及主要巷道的風(fēng)流參數(shù)。

智能通風(fēng)系統(tǒng)感知效果如圖13 所示，可看出感知數(shù)據(jù)的平均誤差控制在5% 以內(nèi)，井下風(fēng)流參數(shù)感知值與現(xiàn)場實測值基本一致。評估結(jié)果表明，該模型在全局風(fēng)流參數(shù)感知方面展現(xiàn)了良好的穩(wěn)定性和可靠性，能夠滿足工程實踐的需求。

風(fēng)流參數(shù)監(jiān)測值和感知值為智能控制系統(tǒng)提供了實時的風(fēng)流參數(shù)依據(jù)，系統(tǒng)根據(jù)井下交接班時間、設(shè)備檢修時間及風(fēng)量需求，動態(tài)調(diào)整通風(fēng)機運行狀態(tài)及風(fēng)流調(diào)節(jié)設(shè)施，從而優(yōu)化井下風(fēng)流分配，及時排出有毒有害氣體，改善作業(yè)環(huán)境。

通過分析不同時間段的數(shù)據(jù)，系統(tǒng)能夠識別風(fēng)流參數(shù)的變化規(guī)律及潛在異常。這種趨勢分析有助于及時調(diào)整通風(fēng)策略，確保礦井空氣質(zhì)量和安全，同時優(yōu)化能源利用，降低運行成本。此外，系統(tǒng)還可以通過回顧和總結(jié)歷史數(shù)據(jù)，統(tǒng)計特定時間范圍內(nèi)的風(fēng)量數(shù)據(jù)，為未來通風(fēng)方案的優(yōu)化提供數(shù)據(jù)支持，提升通風(fēng)系統(tǒng)調(diào)控指令的可靠性，助力礦山智能化建設(shè)。

4 結(jié)論

1） 采用深度學(xué)習(xí)MLP 算法構(gòu)建了礦井風(fēng)流參數(shù)智能感知模型。該模型表現(xiàn)出較高的擬合優(yōu)度和感知精度，其預(yù)測風(fēng)流參數(shù)的決定系數(shù)R2為0.998，均方根誤差為0.215 9，平均絕對誤差為0.085。此外，MLP 作為該感知模型的基礎(chǔ)框架，具有較強的通用性，可推廣應(yīng)用于其他礦山的風(fēng)流參數(shù)預(yù)測任務(wù)。

2） 提出了一種基于有限數(shù)量傳感器數(shù)據(jù)的礦井風(fēng)流參數(shù)智能感知方法。該方法利用風(fēng)流參數(shù)監(jiān)測系統(tǒng)采集的風(fēng)流信息作為 AI 算法模型的輸入，實現(xiàn)對礦井全域風(fēng)流分布的實時感知。通過智能感知可有效解決礦井全局風(fēng)流參數(shù)實時獲取的關(guān)鍵技術(shù)難題。

3） 應(yīng)用三維仿真系統(tǒng)模擬了某金屬礦山在不同通風(fēng)機運行工況、不同自然風(fēng)壓狀態(tài)下的礦井風(fēng)流流動參數(shù)，建立了AI 算法模型的訓(xùn)練測試數(shù)據(jù)集。經(jīng)訓(xùn)練的風(fēng)流參數(shù)智能感知模型在預(yù)測礦井生產(chǎn)作業(yè)區(qū)域及主要巷道的風(fēng)流參數(shù)時，平均誤差控制在5% 以內(nèi)，精度較高。

參考文獻（References）：

[ 1 ]董建軍，謝鄭權(quán)，楊嫡，等. 基于FBG 傳感器的回采巷道錨桿支護監(jiān)測分析[J]. 安全與環(huán)境學(xué)報， 2021，21（5）：2013-2021.

DONG Jianjun， XIE Zhengquan， YANG Di， et al.Monitoring and analysis of the bolt supporting for themining roadways based on the FBG sensor[J]. Journalof Safety and Environment，2021，21（5）：2013-2021.

[ 2 ]劉尹霞，馬恒，楊皓然. 礦井風(fēng)速傳感器可變模糊優(yōu)選方案[J]. 遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版） ，2017，36（10）：1031-1035.

LIU Yinxia，MA Heng， YANG Haoran. Variable fuzzyoptimal selection scheme for mine wind speedsensor[J]. Journal of Liaoning Technical University（Natural Science），2017，36（10）：1031-1035.

[ 3 ]TANG Wenxuan， ZHANG Qilong， CHEN Yin， et al.An intelligent airflow perception model for metal minesbased on CNN-LSTM architecture[J]. Process Safetyand Environmental Protection，2024，187：1234-1247.

[ 4 ]LIU Yujiao， LIU Zeyi， GAO Ke， et al. Efficientgraphical algorithm of sensor distribution and air volumereconstruction for a smart mine ventilation network[J].Sensors，2022，22（6）. DOI：10.3390/S22062096.

[ 5 ]周福寶，魏連江，夏同強，等. 礦井智能通風(fēng)原理、關(guān)鍵技術(shù)及其初步實現(xiàn)[J]. 煤炭學(xué)報，2020，45（6）：2225-2235.

ZHOU Fubao， WEI Lianjiang， XIA Tongqiang， et al.Principle，key technology and preliminary realization ofmine intelligent ventilation[J]. Journal of China CoalSociety，2020，45（6）：2225-2235.

[ 6 ]閆麗新，王宏浩. 基于無線網(wǎng)絡(luò)技術(shù)的礦井無線管理信息系統(tǒng)的研究[J]. 煤炭技術(shù)，2013，32（12）：149-151.

YAN Lixin， WANG Honghao. Research of minewireless management information system based onwireless network technology[J]. Coal Technology，2013，32（12）：149-151.

[ 7 ]高俊祥，高孝亮. 自動化控制技術(shù)在煤礦通風(fēng)系統(tǒng)中的應(yīng)用[J]. 煤礦安全，2011，42（11）：81-84.

GAO Junxiang， GAO Xiaoliang. Application ofautomatic control technology in coal mine ventilationsystem[J]. Safety in Coal Mines，2011，42（11）：81-84.

[ 8 ]REN Chen， CAO Shijie. Implementation andvisualization of artificial intelligent ventilation controlsystem using fast prediction models and limitedmonitoring data[J]. Sustainable Cities and Society，2020，52. DOI：10.1016/j.scs.2019.101860.

[ 9 ]潘竟?jié)w丹，李宗翔，等. 大明礦通風(fēng)系統(tǒng)故障源診斷及風(fēng)速傳感器的布置[J]. 煤炭學(xué)報，2013，38（S1）：153-158.

PAN Jingtao， ZHAO Dan， LI Zongxiang， et al. Faultsource diagnosis for ventilation system and air velocitytransducer placement in Daming Mine[J]. Journal ofChina Coal Society，2013，38（S1）：153-158.

[10]趙丹，潘竟?jié)? 改進靈敏度矩陣的礦井通風(fēng)故障源診斷及傳感器布置研究[J]. 中國安全科學(xué)學(xué)報，2011，21（2）：78-84.

ZHAO Dan， PAN Jingtao. Fault source diagnosis formine ventilation based on improved sensitivity matrixand its wind speed sensor setting[J]. China SafetyScience Journal，2011，21（2）：78-84.

[11]楊戰(zhàn)旗，郝天軒. 礦井通風(fēng)安全智能監(jiān)測監(jiān)控系統(tǒng)研制[J]. 工礦自動化，2017，43（9）：110-114.

YANG Zhanqi， HAO Tianxuan. Development ofintelligent monitoring and control system for mineventilation safety[J]. Industry and Mine Automation，2017，43（9）：110-114. .

[12]楊帥，撒占友，王相君，等. 基于環(huán)境監(jiān)測的礦井通風(fēng)三維仿真輔助決策系統(tǒng)設(shè)計[J]. 中國安全生產(chǎn)科學(xué)技術(shù)，2020，16（1）：80-84.

YANG Shuai， SA Zhanyou， WANG Xiangjun， et al.Design of 3D simulation assistant decision-makingsystem for mine ventilation based on environmentalmonitoring[J]. Journal of Safety Science andTechnology，2020，16（1）：80-84.

[13]欒王鵬. 礦井智能通風(fēng)與實時監(jiān)測控制系統(tǒng)[J]. 山東煤炭科技，2019，37（5）：183-185，191.

LUAN Wangpeng. Mine intelligent ventilation and realtimemonitoring and control system[J]. Shandong CoalScience and Technology，2019，37（5）：183-185，191.

[14]李鴻蔚，王海寧，胡天壽，等. 金屬礦井智能通風(fēng)平臺開發(fā)與應(yīng)用[J]. 金屬礦山，2024（9）：181-189.

LI Hongwei， WANG Haining， HU Tianshou， et al.Developmentand application of intelligent ventilationplatform for metal mines[J]. Metal Mine， 2024（9） ：181-189.

[15]邵良杉，聞爽爽. 基于GRU 神經(jīng)網(wǎng)絡(luò)的巷道平均風(fēng)速獲取研究[J]. 黃金科學(xué)技術(shù)，2021，29（5）：709-718.

SHAO Liangshan， WEN Shuangshuang. Research onobtaining average wind speed of roadway based on GRUneural network[J]. Gold Science and Technology，2021，29（5）：709-718.

[16]蔣仲安，楊向東. 基于環(huán)境參數(shù)協(xié)同預(yù)測風(fēng)速的掘進面智能變頻通風(fēng)控制系統(tǒng)[J]. 金屬礦山，2023（7）：57-65.

JIANG Zhong'an， YANG Xiangdong. Intelligentvariable frequency ventilation control system forexcavation face based on collaborative prediction ofwind speed by environmental parameters[J]. MetalMine，2023（7）：57-65.

[17]卞歡，劉劍，劉學(xué)，等. 基于GA?BP 神經(jīng)網(wǎng)絡(luò)的巷道平均風(fēng)速單點測試研究[J]. 中國安全生產(chǎn)科學(xué)技術(shù)，2023，19（5）：57-64.

BIAN Huan， LIU Jian， LIU Xue， et al. Research onsingle point test of average wind speed in roadway basedon GA-BP neural network[J]. Journal of Safety Scienceand Technology，2023，19（5）：57-64.

[18]王海寧，厲志安. 一種礦井巷道平均風(fēng)速的單點測控裝置與方法：CN202010050498.8[P]. 2022-04-12.

WANG Haining，LI Zhi'an. A single point measurementand control device and method for average wind speed inmine tunnels：CN202010050498.8[P]. 2022-04-12.

[19]汪光鑫. 基于三維仿真系統(tǒng)的礦井風(fēng)流調(diào)控技術(shù)及應(yīng)用研究[D]. 贛州：江西理工大學(xué)，2014.

WANG Guangxin. Research on mine airflow controltechnology and applications based on 3D simulationsystem[D]. Ganzhou：Jiangxi University of Science andTechnology，2014.

[20]萬宇鵬，周遠波，文捷，等. 基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)參數(shù)預(yù)測方法研究[J]. 中國測試，2024，50（2）：167-171.

WAN Yupeng， ZHOU Yuanbo， WEN Jie， et al.Research of acoustic parameter prediction method basedon neural network[J]. China Measurement amp; Test，2024，50（2）：167-171.

[21]鄭太雄，賀吉，張良斌. 基于LSTM 神經(jīng)網(wǎng)絡(luò)的混合燃料HCCI 發(fā)動機復(fù)雜工況下燃燒正時估計[J]. 儀器儀表學(xué)報，2020，41（10）：100-110.

ZHENG Taixiong， HE Ji， ZHANG Liangbin.Combustion timing estimation of the HCCI engine withmixed fuel under complex operating conditions based onLSTM neural network[J]. Chinese Journal of ScientificInstrument，2020，41（10）：100-110.

[22]傅興宇，陳穎悅，陳玉明，等. 一種全連接粒神經(jīng)網(wǎng)絡(luò)分類方法[J]. 山西大學(xué)學(xué)報（自然科學(xué)版） ， 2023，46（1）：91-100.

FU Xingyu， CHEN Yingyue， CHEN Yuming， et al. Aclassification method of fully connected granular neuralnetwork[J]. Journal of Shanxi University（NaturalScience Edition），2023，46（1）：91-100.

[23]POLO-MENDOZA R， DUQUE J， MA?íN D.Prediction of California bearing ratio and modifiedproctor parameters using deep neural networks andmultiple linear regression： a case study of granularsoils[J]. Case Studies in Construction Materials， 2024，20. DOI：10.1016/j.cscm.2023.e02800.

[24]張振生，蔡景，張瑞，等. 航空發(fā)動機滑油消耗率計算與預(yù)測方法[J]. 南京航空航天大學(xué)學(xué)報， 2024，56（4）：668-676.

ZHANG Zhensheng， CAI Jing， ZHANG Rui， et al. Acalculation and prediction method of lubricating oilconsumption rates for aeroengines[J]. Journal ofNanjing University of Aeronautics amp; Astronautics，2024，56（4）：668-676.

[25]韓意，姜逢源，田海慶，等. 基于多層感知機的墜物對海底管道損傷預(yù)測及可靠性分析[J]. 海洋湖沼通報，20206）：37-43.

HAN Yi， JIANG Fengyuan， TIAN Haiqing， et al.Damage prediction and reliability analysis of submarinepipelines subject to dropped objects based on multi-layerperceptron[J]. Transactions of Oceanology andLimnology，2020（6）：37-43.

[26]FARMANIFARD S， ASGHAR ALESHEIKH A，SHARIF M. A context-aware hybrid deep learningmodel for the prediction of tropical cyclonetrajectories[J]. Expert Systems with Applications，2023，231. DOI：10.1016/J.ESWA.2023.120701.

基金項目：浙江省應(yīng)急管理研發(fā)攻關(guān)科技項目（2024YJ004）。