基于多判据融合与归因分析的钻孔应力计失效判别方法

秦凯; 邓志刚; 魏帅豪

doi:10.12404/j.issn.1671-1815.2506822

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (28) :12114-12125 DOI: 10.12404/j.issn.1671-1815.2506822

矿冶工程

基于多判据融合与归因分析的钻孔应力计失效判别方法

秦凯 ¹^,²^,³ ,
邓志刚 ¹^,²^,³^,^* ,
魏帅豪 ¹

作者信息 +

Failure Discrimination of Borehole Stress Meters Based on Multi-criteria Fusion and Attribution Analysis

QIN Kai ¹^,²^,³ ,
DENG Zhi-gang ¹^,²^,³^,^* ,
WEI Shuai-hao ¹

Author information +

文章历史 +

摘要

钻孔应力计作为实时监测煤岩体应力的关键传感器,长期受到井下强电磁干扰和采动扰动等复杂因素影响,其性能与数据的准确性直接制约灾害风险判识效果。为识别钻孔应力计失效状态,提出一种基于多判据融合与归因分析的钻孔应力计失效判别方法,通过构建涵盖异常数据占比、长时连续相同值占比、整体变异系数、分段变异系数异常占比和漏液趋势占比的五维判据体系,刻画不同失效模式;引入逻辑回归模型构建失效风险评估函数,实现失效风险的量化评估;并依托煤矿灾害智能预警平台实现了钻孔应力计失效判别模块。基于赵庄煤矿582个测点的验证结果显示:该方法准确率达91.89%,精确率达96.97%,AUC值0.945 2;相较基于原始数据的深度学习模型,判别准确率大幅提升,克服了模型在复杂采动应力背景下难以捕捉失效本质的缺陷。引入SHAP归因分析,量化评估了各判据对失效判定的边际贡献,且其特征贡献分布高度符合传感器失效的物理规律,验证了模型的可解释性与现场适配性。研究成果为煤矿安全监测系统的智能化升级提供了可靠技术支撑,并可直接应用于煤矿现场应力监测系统维护实践。

Abstract

As a key sensor for real-time monitoring of coal-rock mass stress, borehole stress gauges are persistently affected by complex factors such as strong electromagnetic interference and mining-induced disturbances in underground environments. The reliability of their performance and data directly impacts the accuracy of disaster risk identification. To address the challenge of identifying sensor failure states, a failure detection method for borehole stress gauges was proposed based on multi-criteria fusion and attribution analysis. A five-dimensional criterion system was established, incorporating the proportion of abnormal data, prolonged consecutive identical values, overall coefficient of variation, segmented coefficient of variation anomalies, and leakage trend ratios, to systematically characterize diverse failure modes. A logistic regression model was further integrated to construct a quantitative failure risk assessment function. This method was implemented as a failure detection module within a coal mine disaster intelligent early-warning platform. Validation using field data from 582 monitoring points at Zhaozhuang Coal Mine demonstrate that the proposed method achieves an accuracy rate of 91.89%, precision rate of 96.97%, and an AUC value of 0.945 2. Compared to deep learning models based on raw data, the method significantly improves discrimination accuracy, effectively overcoming the challenge of capturing failure patterns under complex mining-induced stress conditions. SHAP-based attribution analysis quantified the marginal contributions of each criterion to failure detection, with feature importance distributions aligning closely with the physical mechanisms of sensor failure. This validated the model’s interpretability and field adaptability. The research outcomes provide critical technical support for the intelligent upgrading of coal mine safety monitoring systems and can be directly applied to on-site maintenance practices.

Graphical abstract

关键词

钻孔应力计 / 冲击地压 / 煤矿灾害预警 / 失效判别

Key words

borehole stress meter / rockburst / coal mine disaster early warning / failure identification

引用本文

引用格式 ▾

秦凯, 邓志刚, 魏帅豪. 基于多判据融合与归因分析的钻孔应力计失效判别方法[J]. 科学技术与工程, 2026, 26(28): 12114-12125 DOI:10.12404/j.issn.1671-1815.2506822

QIN Kai, DENG Zhi-gang, WEI Shuai-hao. Failure Discrimination of Borehole Stress Meters Based on Multi-criteria Fusion and Attribution Analysis[J]. Science Technology and Engineering, 2026, 26(28): 12114-12125 DOI:10.12404/j.issn.1671-1815.2506822

登录浏览全文

4963

注册一个新账户忘记密码

随着煤矿开采深度和强度的不断增加,井下地质条件愈发复杂,冲击地压、煤与瓦斯突出、顶板大面积来压等动力灾害频发,严重威胁着矿井安全生产与人员生命安全^[1-3]。钻孔应力监测技术^[4-6]是一种广泛应用于岩土工程、矿山开采以及地下工程中的重要应力测量手段。钻孔应力计作为一种用于实时监测煤岩体应力状态的关键传感器,其监测数据是评估采动影响范围、判断应力集中程度、预测动力灾害风险的重要依据^[7-9]。尤其在回采工作面超前支承压力影响区以及冲击地压危险区等关键区域,钻孔应力计的布设密度与数据质量直接关系到灾害预警的准确性和可靠性^[10-11]。然而,由于煤矿井下环境恶劣,钻孔应力计长期处于高湿、高尘、强电磁干扰以及煤岩体蠕变、采动扰动等多重因素影响下,其性能与数据传输不可避免地会受到干扰,因而发生传感器性能退化甚至失效的情况^[12]。因此,如何准确识别钻孔应力计的失效状态,已成为煤矿灾害监测领域亟须解决的关键技术问题。

目前,中外学者对于此类传感器使用过程中故障的判别方法开展了大量的研究。刘思行等^[13]引入合成少数类过采样策略扩充稀有故障样本,并借助堆叠集成框架提升葡萄糖传感器故障识别的稳健性。李学明等^[14]利用最小超定结构集-极限学习机联合框架实现牵引传动多传感器故障的实时隔离与定位。黄凯等^[15]结合去趋势互相关分析与双尺度自编码网络,实现对传感器异常的精准捕获。周璇等^[16]融合了贝叶斯优化算法和支持向量机(support vector machine,SVM)技术,以贝叶斯优化自动整定SVM参数,在小样本下精准识别冷源系统温度传感器偏差故障。Li等^[17]提出了一种全连接有状态长短期记忆神经网络(long short-term memory,LSTM)架构,在无需获知故障细节信息的情况下,实现传感器故障与结构损伤的辨别。Lee等^[18]提出一种嵌入自编码器控制的实时框架,能够实时动态地辨别传感器异常与工艺异常。李启明等^[19]以Luenberger状态观测器模型为基础,基于残差生成单元和修正的Bayes分类算法对故障传感器进行实时检测与定位。

尽管工业传感器失效判别已取得一定成果,但将其直接应用于煤矿钻孔应力计仍存在以下挑战:一是钻孔应力计监测数据受采动影响显著,煤岩应力变化会随采动推进呈现“超前应力升高-达到峰值-采后卸压”的动态过程^[20];二是不同失效模式在数据层面表现各异,且常耦合出现,增加了识别难度;三是缺乏对失效成因的精细化分析,难以为现场维护提供针对性指导。

针对上述问题,提出一种基于多判据融合与归因分析的钻孔应力计失效判别方法(multi-criteria fusion and attribution analysis method,MCFAA)。首先,通过分析现场实测数据,系统归纳了钻孔应力计的4类典型失效模式及其数据特征,构建了涵盖数据异常值、长时连续相同值、数据离散程度及漏液趋势的五维判据体系,实现对不同失效模式的全面表征;引入逻辑回归模型融合多判据输出,通过机器学习训练获取各判据权重,实现失效风险的量化评估。实验结果表明,该方法能够有效识别钻孔应力计失效状态并定位主要故障成因,为煤矿安全监测系统的智能化升级提供了关键技术支撑。

1 失效特征及数据集选择

1.1 钻孔应力计失效特征

在煤矿的实际井下环境中,由于钻孔应力计长期处于井下动态环境下,随着运行时间的增加,可能出现应力无法有效传递至传感器、传感器探头损坏等情况,导致钻孔应力计数据出现不可靠甚至失效的情况。常见的故障模式如图1所示。

(1)信号传输故障。即测点值中存在大量的异常值,包括:零值数据、超量程数据、缺失数据、跳变数据等。

(2)长时连续故障。即钻孔应力计在采动影响下仍存在多个采集周期的数据始终保持不变,这种故障通常发生在钻孔应力计初始应力设置过小或钻孔内部被煤岩碎屑卡死等情况。

(3)精度失真故障。即钻孔应力计测量值数据发生剧烈的波动,可能的原因包括:钻孔应力计安装时与钻孔孔壁耦合不紧密,以及在传感器的数据采集时段受到强电磁干扰等。

(4)应力计漏液故障。即钻孔应力计密封结构失效导致内部液压油泄漏,此时测量值会出现持续线性下降或无规律骤降,因漏液导致的压力传递效率下降会使测量灵敏度降低。

通过对现有的数据分析可以发现上述4种钻孔应力计的故障并不是孤立出现的,而可能会同时存在,且不同的故障在数据上体现出不同的特征。因此,本文基于数据驱动利用多判据融合的方法对钻孔应力计失效情况进行判别。

1.2 钻孔应力计数据集选取及预处理

钻孔应力计区别于通用的工业传感器,采集的数据是煤岩应力值,煤岩应力变化受顶板活动、采动影响等因素叠加作用,因此很难根据当天的钻孔应力计值来确定煤岩应力的真实变化趋势。同样地,由于钻孔应力计也存在潜伏故障的可能,这些故障在初期不会显著影响单日数据,因此仅根据钻孔应力计当天的采集值难以有效判断传感器的实际有效性。

然而,若使用钻孔应力计采集的所有历史数据来进行评价,早期正常数据可能掩盖近期的性能退化,不仅不能较好地反映钻孔应力计的故障情况,大量的历史数据会对评估速度产生较大影响。因此通过设置滑动窗口来获取固定长度的钻孔应力计近期历史数据,实现对钻孔应力计的实时评价。

为实现对传感器数据的动态评估,需从钻孔应力计数据中截取固定长度窗口,具体规则如下。

(1)窗口构成。包含待评估日当天全量数据及相邻历史数据,滑动窗口的长度T可根据实际情况进行设定,覆盖故障特征可能涉及的时间尺度。

(2)滑动规则。以1 d为滑动步长,每日生成一个新窗口。例如,评估第n日时,窗口数据为第n-T~n日;评估第n+1日时,窗口数据更新为第n-T+1~n+1日。

(3)边界处理。对于初始数据,若历史数据不足,以现有数据补全窗口。

在滑动窗口数据截取完成后,需对窗口内的缺失数据进行统一标记与处理。定义缺失数据为采集过程中出现的记录空白、数据丢失、无返回值等情况,将此类缺失记录的value统一标记为-1,该标记值与煤岩应力的正常取值范围无重叠,可避免与正常数据混淆。

2 钻孔应力计失效判别方法

2.1 基于数据异常值的判据

由于钻孔应力计运行环境的特殊性、传输线路的不稳定性以及采集传输过程中噪声干扰等因素的影响,钻孔应力计数据流中会出现数据缺失、零值数据、超量程数据和数据跳变等情况。上述数据均直接反映着钻孔应力计的异常情况,这部分数据为异常数据,而除去异常数据的部分称为正常数据。在判别过程中对异常数据进行分类标记,并据此提出基于数据异常值的判据。

判据T1为异常数据值的个数占特征数据集总数的百分比。其中异常数据的定义和判据T₁的计算公式如式(1)所示。

零值数据:x=0;超量程数据:x>x_max或x<x_min;跳变数据:|x_i-x_i_-1|>x_threshold;缺失数据:x=-1。其中x为采样值,x_max为传感器最大测量范围(上限),x_min为传感器最小测量范围(下限),x_i为当前数据点i的值,x_i_-1为前一数据点i-1的值,x_threshold为设定阈值。

(1)T₁=$\frac{{N}_{\mathrm{z}\mathrm{e}\mathrm{r}\mathrm{o}}+{N}_{\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}}+{N}_{\mathrm{j}\mathrm{u}\mathrm{m}\mathrm{p}}+{N}_{\mathrm{m}\mathrm{i}\mathrm{s}\mathrm{s}\mathrm{i}\mathrm{n}\mathrm{g}}}{{N}_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}}$×100%

式(1)中:N_zero为零值数据点个数;N_over为超量程数据点个数;N_jump为跳变数据点个数;N_missing缺失数据点个数;N_total为数据点总数。

不同类型的异常值对应着明确的井下物理事件,零值与超量程数据通常对应传感器探头损坏;缺失值则与信号传输线路的物理中断相关;受强瞬时电磁干扰,在长距离传输信号线上感应出高频噪声,则常表现为跳变数据。通过T₁判据的计算,模型能够初步剥离因环境噪声和物理损伤导致的无效数据。

2.2 基于长时连续相同值的判据

通过分析发现,在钻孔应力计历史数据中存在连续多个采集日的数据始终不变的情况,由于采集周期是以分钟为单位,且考虑到钻孔应力是动态变化的,在工作面采动应力的影响下,若连续多天出现相同的数据,则认为钻孔应力计出现故障。

判据T₂为存在连续t天的数据相同,且全部连续相同的数据段占数据集总数的百分比。对于数据序列{x₁,x₂,…,x_n},若存在x_i=x_i₊₁=…=x_i₊_k_-1,且t_i₊_k_-1-t_i>t_threshold(t_threshold为连续时间段阈值),则记为长度为k的连续相同值段,T₂的计算公式为

(2)${T}_{2}=\frac{\sum _{i=1}^{m}{L}_{i}}{{N}_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}}$

式(2)中:L_i为第i个连续相同值段的个数;m为连续相同值段数。

钻孔由于受压变形产生碎屑,可能将传感器探头卡死,使其无法感应围岩的应力波动;初始安装应力设置过小,导致传感器与孔壁之间存在微小间隙,在应力升高初期未能及时进入实测状态,呈现出与实际压力演化脱节。根据回采应力演化规律,随着工作面推进,钻孔应力处于动态变化中。若数据长时间保持不变,则违反了动力灾害监测的物理常识,T₂判据旨在识别此类现象。

2.3 基于数据离散程度的判据

在煤矿井下,钻孔应力计所采集的煤岩应力数据既受采动、顶板来压等因素影响,又受传感器自身安装质量等条件制约,导致同一测点在不同时段的波动幅度差异极大。为了客观衡量这种“相对波动”,引入变异系数^[21-22],当变异系数越大,意味着该测点应力状态越不稳定。由于变异系数无量纲,所以既能横向比较不同深度、不同工作面的应力扰动强度,又能纵向追踪单台应力计的性能退化趋势。

对于钻孔应力计时序数据{x₁,x₂,…,x_n},样本的变异系数为

(3)CV=$\frac{\sigma }{\mu }$

式(3)中:σ为样本数据的标准差;μ为样本数据的均值。

变异系数越大即表示数据集的离散程度越高。若一个钻孔应力计特征数据集的变异系数过大,则说明其数据的偏离程度高,即钻孔应力计工作不稳定,有效性下降。基于变异系数的判据T₃为数据集中各个钻孔应力计数据的变异系数值。

(4)${T}_{3}=CV=\sqrt{\frac{1}{n-1}\sum _{i=1}^{n}({x}_{i}{-\stackrel{-}{x})}^{2}}{\left(\frac{1}{n}\sum _{i=1}^{n}{x}_{i}\right)}^{-1}$

式(4)中:n为样本数据总个数;$\stackrel{-}{x}$为样本均值。

在选择滑动窗口的长度时,通常选择的长度为30 d。然而钻孔应力计在运行过程中存在最小的稳定运行周期,这主要是由于传感器所处运行环境的影响。因此除考虑整体的变异系数情况以外,还需将每个稳定运行周期的变异系数也考虑在内,将全部数据集分成k段之后,计算每一段的变异系数。

判据T₄为所有k个变异系数中大于CV_threshold的个数超过总个数的百分比。将数据集分为k段,每段长度为l,则每段可表示为

(5)segment_i={x₍_i_-1)_l₊₁,x₍_i_-1)_l₊₂,…,x_il}, i=1,2,…,k

各段变异系数的计算公式为

(6)CV_i=$\frac{{\sigma }_{i}}{{\mu }_{i}}$, i=1,2,…,k

式(6)中:σ_i为第i段样本数据的标准差;μ_i为第i段样本数据的均值。

若CV_i>CV_threshold,则该段为异常段,统计全部异常段的个数为N_{abnormal_cv},判据T₄的计算公式为

(7)T₄=$\frac{{N}_{\mathrm{a}\mathrm{b}\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}\mathrm{a}\mathrm{l}\_\mathrm{c}\mathrm{v}}}{k}$×100%

同时为减少钻孔应力计样本变异系数差距过大的问题,在使用判据T₃和T₄时,采用移动平均插值法,对判据T₁中检测到的缺失值、超量程值、零值、跳变点进行插值和替换处理后再进行计算。

变异系数判据是区分正常采动演化与异常性能退化的核心。正常的压力演化虽有波动,但其轨迹遵循“平稳-升高-峰值-卸压”的宏观趋势,其局部离散度应保持在合理区间。若T₃过大,通常意味着传感器安装质量差,未与围岩形成稳定的受力整体,导致数据因微震或采动产生剧烈波动。当传感器内部弹性元件发生疲劳损伤或电路老化时,数据会呈现无规律的微观高频波动,T₄判据能够灵敏捕捉这种在短时间内偏离物理常态的离散现象。

2.4 基于钻孔应力计漏液数据的判据

钻孔应力计漏液故障的核心特征是压力传递效率衰减,在数据层面体现为测量值异常下降。通过滑动截取子窗口,对比前后2n个点的均值并据此判定下降趋势。滑动子窗口以2n个连续有效数据点为1个基础子窗口,(含前n个数据点D_i₁, D_i2, …, D_in;后n个数据点D_in₊₁, D_in₊₂, …, D₂_in);为覆盖滑动窗口内全部有效数据,设定步长为n/2个数据点(即下一个子窗口从第n/2+1个数据点开始截取,避免子窗口重叠过多导致冗余计算)。

(8)$\overline{{D}_{\mathrm{f}}}=\frac{1}{n}\sum _{k=1}^{n}{D}_{i+k-1}$

(9)$\overline{{D}_{\mathrm{b}}}=\frac{1}{n}\sum _{k=n+1}^{2n}{D}_{i+k-1}$

式中:$\overline{{D}_{\mathrm{f}}}$为当前滑动子窗口前半段有效数据的平均值;$\overline{{D}_{\mathrm{b}}}$为当前滑动子窗口后半段有效数据的平均值。

对每个滑动子窗口,若满足$\overline{{D}_{\mathrm{b}}}$<$\overline{{D}_{\mathrm{f}}}$(1-δ),其中δ为下降阈值,则判定该子窗口内的数据“整体呈下降趋势”,遍历所有下降子窗口,统计每个子窗口包含的2n个数据点,并去除不同子窗口间的重叠数据点,最终得到下降趋势相关的有效数据点总数N_down。

基于钻孔应力计漏液数据的判据T₅为下降趋势相关的正常数据点占全部数据的百分比,计算公式为

(10)T₅=$\frac{{N}_{\mathrm{d}\mathrm{o}\mathrm{w}\mathrm{n}}}{{N}_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}}$×100%

在工作面推进过程中,物理规律预示应力应当趋势性升高,应力计密封圈老化或液压油管的破损会导致数据持续性、线性下降,与外部应力场环境背道而驰。T₅通过计算子窗口均值差,精准提取这种漏液特征,是判定传感器失效的关键指标。

2.5 钻孔应力计失效判定方法

利用上述的判据T₁~T₅对传感器的特征数据集进行失效判别后得到5个判别值,每个判别值均反映着特征数据集在某一方面的异常情况。需要综合考虑各判据对应的判别值,给出最后的判别结果。

2.5.1 钻孔应力计状态值获取

为实现钻孔应力计工作状态的定量化表征与精准评估,基于已获取的5个判别指标,引入逻辑回归模型构建钻孔应力计状态评估框架^[23-24],以求解其状态量化指标。具体而言,鉴于各判别指标对钻孔应力计状态表征的贡献度存在显著差异,需通过模型训练过程为每个判别指标赋予最优权重系数,以此量化不同指标在状态评估中的重要性权重;随后对各加权后的判别指标进行线性叠加运算,得到综合特征值。引入sigmoid激活函数对上述线性叠加结果实施归一化处理,将综合特征值映射至[0,1]区间。

钻孔应力计的状态值为

(11)$S\left(T\right)=\mathrm{s}\mathrm{i}\mathrm{g}\mathrm{m}\mathrm{o}\mathrm{i}\mathrm{d}\left(\sum _{i=1}^{5}{k}_{i}{T}_{i}+b\right)$

式(11)中:T=[T₁,T₂,T₃,T₄,T₅]为进行判别之后得到的判别值;k_i(i=1,2,…,5)为每个判别值对应的权重;b为常数偏置。

2.5.2 钻孔应力计失效判定流程

钻孔应力计失效判定流程以“数据预处理-判据计算-状态量化-阈值对比”为核心逻辑,首先从钻孔应力计数据流中,按1.2节设定的规则截取目标滑动窗口数据,并对窗口内数据执行预处理;之后逐一计算T₁~T₅的判别值;将步骤2得到的T₁~T₅判别值代入逻辑回归状态评估模型,计算钻孔应力计的状态值S(T)。

设定容忍度阈值R,将状态值S与R进行对比,若S≥R,判定为“钻孔应力计失效”;若S<R,判定为“钻孔应力计正常”。

最后基于SHAP(Shapley additive explanations)进行特征重要性分析,对数据集中的所有样本计算SHAP值,生成全局解释可视化结果,按平均绝对SHAP值排序T₁~T₅,识别对整体失效判定贡献最大的特征,计算各判据对失效风险的影响方向;系统的整体判定流程如图2所示。

2.5.3 判断权重的确认

判断权重k_i(i=1,2,…,5)是连接各判据与钻孔应力计失效风险的核心参数,其数值大小直接反映对应判据的重要程度,权重越高,说明该判据的异常表现与钻孔应力计失效的关联性越强。为避免主观经验赋值导致的判定偏差,采用数据驱动的方式,利用基于梯度下降的方式求解权重和常数偏置b。

3 方法实现及实验验证

3.1 失效判别方法软件实现

以煤矿灾害智能预警与综合防治系统为基础,采用B/S架构结合后端服务集群的技术方案开发钻孔应力计失效判别功能模块,如图3所示,适配煤矿钻孔应力计测点的大规模数据处理与实时判别需求。

钻孔应力计失效判别功能模块对接煤矿数据库,实时读取选定的钻孔应力测点的应力采集数据,同时存储滑动窗口截取数据、T₁~T₅判据计算结果及最终失效判定记录;支持历史数据回溯与判定结果查询。

基于梯度下降训练结果,提供两类权值配置,默认权值采用测点历史标注数据训练得到的最优权值;自定义权值支持用户根据矿区故障特点调整权值,系统实时反馈权值调整后的模型损失变化,避免主观赋值偏差。容忍度R确定提供两种阈值设定方式,默认基于ROC曲线自动推荐(通过测试集数据计算最佳阈值);用户手动输入(范围0~1)。

失效结果可视化支持导出“失效测点清单”,包含测点编号、故障类型、状态值及建议维护时间。

3.2 实验验证

本次实验以赵庄煤矿599个钻孔应力计测点为研究对象,通过真实标注数据及多指标评估验证判别方法的有效性,实验设计与结果如下。

3.2.1 试验环境及结果

采集2024年1月1日—2025年6月25日的数据,同时通过井下人工巡检标注实际状态,其中共计582个测点数据经数据处理后可用于分析,共标注失效测点74个,正常测点508个。

582个钻孔应力计的测点数据中,首先将缺失数据/零值/超量程/跳变数据进行标记,再通过移动平均插值处理后,消除无效值对判据计算的干扰,确保T₁~T₅判据计算的准确性。

将测试集测点的5项判据向量输入训练后的逻辑回归模型,得到状态概率S(T),基于训练得到的权重系数结果如表1所示,对每个候选阈值R,选择使Youden指数最大的阈值作为最优容忍度R。

(12)Youden Index=Sensitivity-Specificity+1

(13)Sensitivity=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$

(14)Specificity=$\frac{\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}}$

(15)R=argmax(Youden Index), R∈[0,1]

式中:Sensitivity为灵敏度,表示真实失效测点被正确判定为失效的比例;Specificity为特异度,表示真实正常测点被正确判定为正常的比例;Youden Index为约登指数,用于综合衡量不同判定阈值下模型的分类性能;TP为真实为正类的个数,模型预测也为正类的个数;TN为真实为负类,模型预测也为负类的个数;FP为真实为负类,模型预测为正类的个数;FN为真实为正类,模型预测为负类的个数。

以0.01为步长扫描阈值R∈[0,1],计算对应的 Youden指数,取最大值点作为最优容忍度,得R=0.549。该阈值下测试集得出的混淆矩阵如图4所示。

3.2.2 评估指标

采用准确率(A)、精确率(P)、召回率(R_ecall)、ROC-AUC四类指标,结合582个测点的标注数据,量化判别方法的性能,AUC为ROC曲线下的面积,可用于衡量模型精度,各指标的计算公式分别为

(16)A=$\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}$

(17)P=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$

(18)R_ecall=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$

准确率(A)为0.918 9,反映测试集整体判别正确性,误判率低,适配煤矿对判别可靠性的需求;精确率(P)为0.969 7,反映测试集中判定为失效的测点中实际失效的比例,可避免“无意义维护”导致的成本浪费;召回率(R_ecall)0.864 9,反映测试集中失效测点的识别覆盖率,漏判风险低,可满足“早发现、早维护”的现场需求;通过测试集测点的状态值与标注结果绘制ROC曲线,如图5所示,计算得出AUC=0.945 2,表明模型能有效区分“失效测点”与“正常测点”,避免因区分能力不足导致的大量误判/漏判。

3.2.3 对比分析

为验证算法性能,对比多种算法在原始数据输入与多判据融合(multi-criteria fusion,MCF)框架下的判别指标。实验结果如表2所示。所提出的 MCFAA 算法在多项指标上均表现最优。其准确率(0.918 9)、精确率(0.969 7)及AUC值(0.945 2)显著高于其他对比算法。实验证明,多判据融合机制是提升识别效能的关键。该机制通过五维判据将复杂的原始时序数据抽象为具有明确物理意义的特征空间,精准刻画了漏液、信号异常等失效模式,有效滤除了井下环境的随机噪声干扰。

卷积神经网络(convolutional neural network,CNN)与LSTM在直接处理原始数据时判别效果较差,其准确率仅为0.648 7和0.783 8。主要原因在于钻孔应力受采动影响呈现强非线性与非平稳特征,正常的应力演化规律与传感器失效模式在原始数据维度上高度耦合,导致深度学习模型在缺乏特征引导下,难以从复杂的动态演化中准确捕捉故障本质。

本文算法展现出显著的工程应用优势,该方法不仅判别精度高,且模型架构轻量化,计算开销极低,易于在矿山监测平台进行大规模部署。同时,结合SHAP分析实现了模型决策的透明化,具备极强的可解释性,能精准定位失效诱因并指导现场分类维护。

3.3 SHAP分析与模型可解释性验证

逻辑回归模型虽通过梯度下降获取了各判据的权重系数,但仅能反映判据的“全局重要性”,无法直观展示单个钻孔应力计测点的失效判定过程中,各判据的具体贡献度,也难以解释“判据取值为何会导致判定结果变化”。为解决模型决策的黑箱问题,提升判别结果在煤矿现场应用中的可信度,引入SHAP分析方法^[25-26],通过计算每个判据(特征)对预测结果的边际贡献值(SHAP值),实现对钻孔应力计失效判别模型的可解释性验证。

3.3.1 SHAP分析原理与参数设置

SHAP分析的本质是基于Shapley值理论,将每个测点的失效预测概率拆解为“基准值+各判据的SHAP值”,基准值为所有测点的平均预测概率(即模型对“无任何判据信息时”的默认判定倾向);SHAP值为单个判据对该测点预测结果的“贡献程度”。

核心分析样本聚焦实验验证中“正确预测为失效状态(State=1)的32个测点”,该样本集可精准反映有效判据对应真实失效的映射关系;特征变量以T₁(细分缺失值、零值、超量程、跳变4类子特征)、T₂(长时连续相同值)、T₃(整体变异系数)、T₄(分段变异系数异常占比)、T₅(漏液下降趋势占比)共8个特征作为分析对象。

3.3.2 各特征重要性验证

通过计算各特征的平均绝对SHAP值量化全局重要性,该值越大,说明该特征对所有测点失效判定结果的整体影响越强,结果如图6所示。

T₅(漏液判据)、T₂(长时连续相同值判据)的平均绝对SHAP值分别为2.49、1.56,位列前两位,与逻辑回归系数(T₅=2.58、T₂=1.93)的排序完全一致,验证了“漏液故障、长时恒指故障是钻孔应力计失效的核心原因”这一结论,与煤矿现场实际吻合。在采动应力场的影响下,钻孔应力计应遵循“应力升高-达峰-卸压”的动态演化规律,SHAP值分析显示T₅、T₂对失效判别的贡献最大,其物理本质在于,监测数据呈现出的持续下降趋势或出现长时、高精度的相同值,这与回采工作面推进导致的应力波动规律相悖。这种数据演化趋势与地质力学响应的非一致性,是判定应力计发生故障的核心依据。SHAP分析精准捕获了这种监测值与动态应变场之间的机理矛盾,从而将其识别为高风险失效特征。

T₁中的“零值数据”子特征远高于“缺失数据”,说明零值数据对失效判定的影响更强,原因在于:零值通常对应传感器探头损坏,属于实质性的受力损坏;而缺失数据多由断电、分站故障或信号干扰引起,非传感器本身失效,该差异符合现场故障机理,体现了模型对传感器故障规律与通信随机干扰的有效区分。

在正确预测失效的32个钻孔应力计测点中,各自判定为失效的主要原因如图7所示,应力计漏液故障共计19个;信号传输故障共计9个,其中7个主要因素为零值异常,1个为超量程异常,1个为跳变点异常;长时连续故障共计3个,精度失真故障共计1个。

综上可知,通过平均绝对SHAP值的全局重要性分析及主要失效判定诱因分析,进一步确认了各判据在失效判定中的贡献度排序,验证了前期特征选择与逻辑回归模型系数的合理性,更从可解释性角度明确了煤矿现场钻孔应力计失效的主要诱因优先级,为后续现场故障排查提供了靶向指导。

3.3.3 SHAP分析核心结论

SHAP全局特征重要性与逻辑回归系数高度一致,样本解释符合现场故障原因,证明失效判别模型的决策逻辑“合理且可追溯”,而非单纯的“数据拟合”;同时,T₁中“缺失数据”的SHAP值较低,可在后续模型迭代中增加“缺失数据持续时长”特征,进一步提升判别精度,为模型优化提供方向。

3.4 现场工程验证

为进一步验证所提出的钻孔应力计失效判别方法在复杂井下环境中的实用性、可靠性及工程价值,选取赵庄煤矿3#煤层2301和3313综采工作面开展现场工程试验,共计3个月。该工作面为矿井重点监测区域,受采动应力叠加、顶板活动频繁影响,通过现场试验,验证方法对实际工况的适配性。

基于工作面现有监测网络,在回采作业中,对两顺槽前方300 m范围内的回采帮实施了动态应力监测。依据冲击风险的等级,中等风险区域的监测点组间距不超过30 m,高风险区域则不超过20 m,共计选择40台钻孔应力计进行监测,所有应力计均接入“灾害智能预警与综合防治系统”,实现数据实时传输;同时,在每台应力计对应的钻孔口设置标识牌,记录安装时间、钻孔深度及初始应力值,为后续人工核查提供基准。

现场数据预处理严格遵循1.2节规则,滑动窗口长度设为30 d,滑动步长1 d;缺失数据、零值、超量程、跳变数据统一标记处理,采用移动平均插值法替换;并对T₃(整体变异系数)进行归一化处理。试验周期内,试验共判定4台失效测点,经人工核查4台均确认为真实失效,3台为应力计漏液故障,1台为信号传输故障;对4台真实失效测点通过SHAP分析按典型故障分类,结果如图8所示,与人工判定一致。所提出的多判据融合失效判别方法在复杂井下环境中仍具有高可靠性,判据与现场故障机理的匹配度高,SHAP分析可精准定位故障类型,给现场运维人员指明了设备维护的重点和方向。

4 结论

针对煤矿井下钻孔应力计失效判别问题,结合现场故障特征与工程应用需求,构建多判据融合的失效判别方法并完成实验验证,得出如下主要研究结论。

(1)针对煤矿钻孔应力计数据受采动影响动态变化、潜伏性故障难识别的问题,提出基于滑动窗口的数据集选取方法,既避免早期正常数据掩盖近期性能退化,又减少冗余计算对评估速度的影响;基于井下4类典型故障(信号传输、长时连续、精度失真、漏液),设计了5项针对性判据:T₁(异常数据占比)覆盖零值、超量程等信号传输故障,T₂(长时连续相同值占比)识别传感器卡死/初始应力设置不当问题,T₃(整体变异系数)与T₄(分段变异系数异常占比)联合判定精度失真故障,T₅(下降趋势数据占比)捕捉漏液导致的压力传递衰减;有效弥补单一判据覆盖不全的缺陷。

(2)依托煤矿灾害智能预警与综合防治系统,实现测点数据的实时处理与判别,在参数配置上,提供默认权值和自定义权值。以赵庄煤矿582个钻孔应力计测点为研究对象,判别结果显示:方法准确率达0.864 9,精确率0.846 2,召回率0.891 9,AUC值0.903 6。证明模型判别可靠性高,对“失效/正常测点”的区分能力稳定,可适应井下复杂环境下的数据波动。

(3)通过SHAP分析破解黑箱问题:全局特征重要性显示,T₅(漏液判据)与T₂(长时连续判据)是失效判定的核心因素,与逻辑回归系数一致,且符合井下“漏液致压力传递失效、长时恒值致应力感知失灵、零值多为硬件损坏”的故障机理; 32个正确判定失效测点中,19个由漏液导致、9个为信号传输故障(7个零值异常),进一步验证判据与现场故障的关联性。同时,SHAP分析发现T₁中“缺失数据”贡献度较低,后续可增加“缺失数据持续时长”特征以提升判别精度,为方法迭代提供具体路径。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	袁亮. 深部采动响应与灾害防控研究进展[J]. 煤炭学报, 2021, 46(3): 716-725.

[2]	Yuan Liang. Research progress of mining response and disaster prevention and control in deep coal mines[J]. Journal of China Coal Society, 2021, 46(3): 716-725.

[3]	王海军, 齐庆杰, 梁运涛, 等. 我国煤矿重特大事故统计分析及对策建议[J]. 中国安全科学学报, 2024, 34(9): 9-18.

[4]	Wang Haijun, Qi Qingjie, Liang Yuntao, et al. Statistical analysis and countermeasures of major accidents in coal mines in China[J]. China Safety Science Journal, 2024, 34(9): 9-18.

[5]	蒋军军, 邓志刚, 张广辉, 等. 底板岩层冲击倾向性分类及指数测定方法[J]. 科学技术与工程, 2024, 24(35): 14968-14975.

[6]	Jiang Junjun, Deng Zhigang, Zhang Guanghui, et al. Preliminary classification and laboratory test method on bursting liability of floor strata[J]. Science Technology and Engineering, 2024, 24(35): 14968-14975.

[7]	李士栋, 夏方迁, 袁腾飞, 等. 基于深部煤体应力监测的采动应力集中区域范围分析研究[J]. 中国矿业, 2024, 33(9): 147-157.

[8]	Li Shidong, Xia Fangqian, Yuan Tengfei, et al. Analysis of mining stress concentration area based on deep coal body stress monitoring[J]. China Mining Magazine, 2024, 33(9): 147-157.

[9]	赵同彬, 赵志刚, 齐炎山, 等. 基于大直径钻孔钻进多参量的煤体应力钻测方法[J]. 煤炭科学技术, 2025, 53(1): 122-132.

[10]	Zhao Tongbin, Zhao Zhigang, Qi Yanshan, et al. Research on coal stress measurement and assessment while drilling method based on multiple drilling parameters in large diameter drilling[J]. Coal Science and Technology, 2025, 53(1): 122-132.

[11]	Shen R X, Hou Z H, Yuan Z C, et al. Development of a three-dimensional stress monitoring system for coal rock and its application in a mine[J]. Rock Mechanics and Rock Engineering, 2023, 57(3): 1983-1996.

[12]	朱斯陶, 姜福兴, 刘金海, 等. 我国煤矿整体失稳型冲击地压类型、发生机理及防治[J]. 煤炭学报, 2020, 45(11): 3667-3677.

[13]	Zhu Sitao, Jiang Fuxing, Liu Jinhai, et al. Types, occurrence mechanism and prevention of overall instability induced rockbursts in China coal mines[J]. Journal of China Coal Society, 2020, 45(11): 3667-3677.

[14]	秦汝祥, 沈涛, 李世辉. 煤矿安全监测监控动态演化博弈模型及其应用[J]. 煤矿安全, 2025, 56(8): 246-256.

[15]	Qin Ruxiang, Shen Tao, Li Shihui. Dynamic evolutionary game model for coal mine safety monitoring and control and its application[J]. Safety in Coal Mines, 2025, 56(8): 246-256.

[16]	Chen D D, Jiang Z S, Xie S R. Mechanism and key parameters of stress load-off by innovative asymmetric hole-constructing on the two sides of deep roadway[J]. International Journal of Coal Science & Technology, 2023, 10(1): 82-101.

[17]	许海亮, 魏亚博, 杜羽. 围岩钻孔应力监测效果多因素影响分析[J]. 采矿技术, 2025, 25(2): 259-264.

[18]	Xu Hailiang, Wei Yabo, Du Yu. Multi-factor analysis of the effectiveness of stress monitoring in rock boreholes[J]. Mining Technology, 2025, 25(2): 259-264.

[19]	徐帅, 韩明飞, 李家后, 等. 相对地应力测量设备现状及发展趋势[J]. 金属矿山, 2021(2): 1-8.

[20]	Xu Shuai, Han Mingfei, Li Jiahou, et al. Current situation and development trend of relative geostress measurement equipment[J]. Metal Mine, 2021(2): 1-8.

[21]	谭章禄, 王美君, 叶紫涵. 智能化煤矿数据治理方法论体系与实施框架[J]. 煤炭科学技术, 2025, 53(1): 284-295.

[22]	Tan Zhanglu, Wang Meijun, Ye Zihan. Methodological system and implementation framework of data governance for intelligent coal mines[J]. Coal Science and Technology, 2025, 53(1): 284-295.

[23]	刘思行, 许硕洋, 徐鹤, 等. 基于机器学习的介入式葡萄糖传感器故障监测模型[J]. 计算机科学, 2025, 52(9): 106-118.

[24]	Liu Sixing, Xu Shuoyang, Xu He, et al. Machine learning based interventional glucose sensor fault monitoring model[J]. Computer Science, 2025, 52(9): 106-118.

[25]	李学明, 刘侃, 陈志文, 等. 基于结构分析与极限学习机的牵引传动系统多传感器故障实时联合诊断方法[J]. 控制与决策, 2025, 40(5): 1590-1598.

[26]	Li Xueming, Liu Kan, Chen Zhiwen, et al. Real-time joint diagnosis method of multi sensor fault for traction drive system based on structural analysis and extreme learning machine[J]. Control and Decision, 2025, 40(5): 1590-1598.

[27]	黄凯, 王薇, 朱永生, 等. 基于DCCA-DAE模型的传感器故障检测[J]. 振动、测试与诊断, 2025, 45(4): 674-681.

[28]	Huang Kai, Wang Wei, Zhu Yongsheng, et al. Sensor fault detection based on DCCA-DAE method[J]. Journal of Vibration, Measurement & Diagnosis, 2025, 45(4): 674-681.

[29]	周璇, 闫学成, 闫军威, 等. 基于BOA-SVM的冷源系统温度传感器偏差故障检测[J]. 控制理论与应用, 2025, 42(5): 921-930.

[30]	Zhou Xuan, Yan Xuecheng, Yan Junwei, et al. Bias fault detection of temperature sensor in cold system based on BOA-SVM[J]. Control Theory & Applications, 2025, 42(5): 921-930.

[31]	Li L, Liu G, Zhang L, et al. FS-LSTM-based sensor fault and structural damage isolation in SHM[J]. IEEE Sensors Journal, 2020, 21(3): 3250-3259.

[32]	Lee C Y, Chang K, Ho C. Autoencoder-based detector for distinguishing process anomaly and sensor failure[J]. International Journal of Production Research, 2024, 62(19): 7130-7145.

[33]	李启明, 李学明, 黄庆, 等. 电机驱动系统电流传感器故障诊断与容错控制[J]. 科学技术与工程, 2020, 20(32): 13265-13272.

[34]	Li Qiming, Li Xueming, Huang Qing, et al. Fault diagnosis and fault tolerant control of current sensor for motor drive system[J]. Science Technology and Engineering, 2020, 20(32): 13265-13272.

[35]	李祺隆. 冲击地压煤层钻孔应力计-围岩耦合规律研究[D]. 徐州: 中国矿业大学, 2023.

[36]	Li Qilong. Study on coupling law of stress meter and surrounding rock in rockburst coal seam[D]. Xuzhou: China University of Mining and Technology, 2023.

[37]	齐子诚, 倪培君, 张维国, 等. 工业CT检测中小缺陷定量方法[J]. 科学技术与工程, 2021, 21(3): 958-964.

[38]	Qi Zicheng, Ni Peijun, Zhang Weiguo, et al. A method for quantifying small defects in industrial CT detection[J]. Science Technology and Engineering, 2021, 21(3): 958-964.

[39]	刘杰, 郑伟芸, 刘庆宽, 等. 小波包能量传递率变异系数的斜拉桥损伤识别[J]. 土木工程学报, 2023, 56(8): 37-46.

[40]	Liu Jie, Zheng Weiyun, Liu Qingkuan, et al. Damage identification of cable-stayed bridge based on wavelet packet energy transfer rate variation coefficient[J]. China Civil Engineering Journal, 2023, 56(8): 37-46.

[41]	吕宁, 罗倩. 融合XGBoost和逻辑回归算法的电信客户流失预测模型[J]. 现代电子技术, 2025, 48(11): 136-143.

[42]	Lü Ning, Luo Qian. A telecom customer churn prediction model integrating XGBoost and logistic regression algorithms[J]. Modern Electronics Technique, 2025, 48(11): 136-143.

[43]	高淑芝, 陈一丹, 张义民, 等. 基于随机临近嵌入和逻辑回归的滚动轴承可靠性评估[J]. 机械设计与制造, 2024(10): 1-4.

[44]	Gao Shuzhi, Chen Yidan, Zhang Yimin, et al. Reliability evaluation of rolling bearings based on stochastic proximity embedding and logistic regression[J]. Machinery Design & Manufacture, 2024(10): 1-4.

[45]	褚天舒, 闫浩文, 禄小敏, 等. 利用SHAP框架揭示道路网选取中的特征重要性[J]. 地球信息科学学报, 2025, 27(5): 1068-1080.

[46]	Chu Tianshu, Yan Haowen, Lu Xiaomin, et al. Revealing the importance of features in road network selection using the SHAP framework[J]. Journal of Geo-information Science, 2025, 27(5): 1068-1080.

[47]	盛武, 王灵子. 基于XGBoost-SHAP的综采工作面上隅角瓦斯溯源模型[J]. 工矿自动化, 2025, 51(6): 21-27, 140.

[48]	Sheng Wu, Wang Lingzi. A traceability model for upper corner gas in fully mechanized mining faces based on XGBoost-SHAP[J]. Journal of Mine Automation, 2025, 51(6): 21-27, 140.

基金资助

天地科技股份有限公司科技创新创业资金专项(2024-TD-MS001)

天地科技股份有限公司科技创新创业资金专项(2024-2-TD-CYD004)

PDF (12743KB)

访问

被引

详细

导航

Received	Published	Revised
2025-09-23	2026-10-18	2026-02-28
Online Date
2026-10-23

摘要