在矿井中，使用风速传感器监控隧道通风，以测量矿井通风系统的稳定性。但风门的开关会引起风速传感器监测数据的剧烈波动。当误报发生时，工作人员只能根据经验对矿井通风系统进行诊断。针对这一问题，采用数值模拟的方法探讨风门开启和关闭过程中流场的变化。此外，提出了一种基于单个传感器风速数据的方法来识别风门打开和关闭的时间并划分阶段。实验结果表明，该方法能够成功识别风门开启和关闭时间，并在需要时进行阶段划分。
在矿井通风系统中，通常在巷道内设置风门来控制气流方向和速度，以保持气流分布符合设计路线。然而，在隧道内风门开启和关闭的过程中，风门所在位置及相关隧道的流场会发生剧烈变化，导致隧道的风速传感器监测数据出现较大波动。此过程中的风速波动比其他活动(例如汽车操作4)时的风速波动要大。较大的数据波动会引起风速传感器报警，干扰正常的矿井生产活动，使矿井通风管理系统的应用变得异常困难。因此，通过监测风速传感器数据来识别持续时间并对风门打开和关闭阶段进行分类至关重要。
风速监测数据的本质是时间序列数据。因此，风门开闭引起的风速传感器监测数据的波动可以视为时间序列异常。近年来，时间序列异常识别方法已在许多领域得到应用。提出了一种集成主成分分析(PCA)和独立成分分析(ICA)的方法，利用高炉炼铁过程的运行数据来监测和诊断高炉炼铁过程中的炉子异常。在半导体制造中，开发了多时间序列卷积神经网络(MTS-CNN)模型，通过收集多个传感器的监测数据来区分正常和异常晶圆。在石油和天然气开采中，Soriano-Vargas 等人。研究了一种基于时间序列数据交互式可视化的可视化分析方法，通过监测油气藏数据来进行异常检测。在航空自动化领域，He 等人。14采用基于在线子空间跟踪的异常检测和缓解算法，通过在线无人机飞行数据实现异常检测的高精度和数据恢复的低误差。在电能质量信号中，Rodriguez 等人。15采用循环长短期记忆(LSTM)循环神经网络(RNN)进行电能质量扰动分类，通过深度卷积自动编码器和堆栈来通过电能质量信号识别和分类扰动。采用了一种使用卷积神经网络(CNN)的城市噪声识别方法，通过利用城市内监测到的声学信号对城市噪声进行分类。在管道运输方面，Zang 等人。17号采用基于虚拟样本生成(VSG)和统一特征提取(UFE)技术的小泄漏检测方法，通过基础信息的深度挖掘和机器学习模型训练，提高了管道小泄漏检测的准确性。
在矿井通风中，存在多种方法可以有效检测风速传感器数据的波动。提出了一种混合编码自适应进化策略(ES)算法，该算法可以识别通风网络中的故障位置，并利用多个风速传感器的数据预测风速数据的变化范围。赵等人。介绍了一种使用0-1灵敏度矩阵构建隧道故障风速范围库的方法，并应用改进的支持向量机(SVM)方法进行故障诊断和定位。然而，上述方法存在三个主要局限性：在获取故障发生的原因或位置后，它们不能用于获得有关故障的附加信息。它们仅用于永久性或长期故障，例如隧道塌陷、风门损坏或风扇故障。无法识别时间上有微小变化的正常操作，例如风门的正常打开和关闭。 它们的性能受传感器位置的显着影响。
本文提出的风门开闭识别方法不仅是为了确定风门开闭状态，更是为了探索和明确风门开闭与风速异常波动数据之间的关系。传感器数据进行智能识别。为了更好地识别风门开闭引起的风速数据波动，本文采用图像识别来识别时间序列数据，与上述方法不同。
本文分为五个部分，包括当前部分。在“数值模拟”部分，通过数值模拟探索风门开启和关闭过程，识别关闭后相关隧道内的具体流场变化。在“提出的时间识别和阶段划分方法”中一种通过多尺度滑动窗数据增强、DWT提取数据深层特征、分类模型对数据样本进行分类、修正本文通过回归模型提出了识别结果，验证了支持向量机和最小绝对收缩和选择算子(LASSO)模型相对于其他分类在风门开关时间识别和阶段划分方面的准确性。和通过大量实验的校正模型，如最后一节中的“实验研究”部分所示。
