摘要： 通风阻变型故障会导致矿井风流供需失衡,影响矿山生产安全。针对目前机器学习易误判和陷入局部 最优解的问题,提出了基于贝叶斯优化集成学习的矿井通风阻变型故障诊断方法,提升模型的准确性和稳健性。基 于矿井通风网络故障诊断数据集,构建了6 种代表性集成学习模型,并通过贝叶斯算法优化其超参数,最后系统分析 了集成学习在矿井通风阻变型故障诊断中的可行性和适用性。仿真试验结果表明:贝叶斯优化集成学习方法可有效 辨识和诊断矿井通风阻变型故障,其中极度随机树、XGBoost、LightGBM 模型诊断准确率为100%,明显优于常见的机 器学习模型。综合模型准确性和确定性程度看,推荐采用XGBoost 与LightGBM 算法进行矿井通风阻变型故障诊断, 其诊断准确率高,不确定性程度低,可为矿井智能化通风提供理论依据与方法指导。

关键词: 矿井通风　故障诊断　机器学习　集成学习　贝叶斯优化