特征提取与无监督分类在道路裂缝信号检测中的应用：基于全截面Wi-Fi无线监测的方法 作者：Zu Chenghao, Zhang Wenlong, Zhou Yaqi, Peng Cheng, Teng Shibin, Zhao Fang

《Analytica》：Feature Extraction and Unsupervised Classification of Roadway Fracture Signals: A Full-Section Wi-Fi Wireless Monitoring Approach Chenghao Zu, Wenlong Zhang, Yaqi Zhou, Cheng Peng, Shibin Teng and Fang Zhao

　　摘要 本文旨在解决高精度监测地下煤岩断裂的挑战，提出并验证了一种利用Wi-Fi无线传感器网络的全巷道同步监测方法。为了解决通过表面传感器检测复杂岩体断裂的固有难题，我们的方法采用了一系列安装在表面的振动传感器，这些传感器覆盖了关键的机械结构点。通过严格实施刚性耦合技术——使用工业级环氧树脂和定制的金属机械夹具——并结合硬件低通滤波来消除空气间隙衰减并最大化信噪比，从技术上证明了这种方法的可行性。利用这种经过验证的设置，我们成功提取并手动验证了63次高保真度的断裂事件。数据可靠性进一步通过基于Python的全面处理流程得到证明，该流程计算了17维的时频特性。统计分析证实，提取的数据严格符合岩体断裂的物理规律，这体现在最大振幅与主导频率之间存在显著的负相关性（r = ?0.84，p < 0.001）。对这些信号的无监督聚类显示了优秀的类间可分离性。通过透明地证明数据采集和验证过程，本研究提供了一个公开的试点数据集和方法论，用于算法评估和初步的动态灾害机制探索。

1. 引言
煤炭和岩石动态灾害的早期预警[1]在很大程度上依赖于对煤层断裂起始和扩展过程的实时感知和理解。 acoustic emission (AE)[2]和micro-seismic (MS)监测技术[3]是捕捉这一过程的核心手段。尽管在数值模拟和实验室研究[4]方面取得了巨大进展，但结论需要通过现场数据[5]进行验证和校准。目前，现场面临着一个突出的矛盾：算法模型越来越复杂，但可用于训练和测试的高质量初步现场数据[6]严重不足。深度学习架构（如卷积神经网络（CNN）和Transformer[7]的快速发展为自动断裂识别、源定位和损伤评估开辟了新的途径。然而，这些高容量模型对数据的需求量很大，需要大规模、高保真度和准确标记的现场数据集来避免过拟合并确保在复杂的地下环境中的泛化能力。目前这种开源试点的稀缺迫使研究人员依赖合成数据[8]或小规模实验室结果，这些结果往往无法捕捉到真实世界微震的随机性质和现场特定衰减[9]特性。现有数据大多是局部点监测或实验室规模的数据，缺乏反映断裂空间演变的全截面信息，而且大多数数据并未公开。最近的进展还强调，通过分形理论量化材料完整性（例如使用盒计数分形维度和面积孔隙度）可以为断裂演变过程中的机械传递机制提供关键见解[11]。

这一数据缺口的主要技术挑战在于地下环境的复杂性：有线系统[12]难以部署且容易损坏。使用传统的无线技术[13]很难在长距离和多障碍物巷道中实现高精度的时间同步[14]，而同步是源定位和机制反演的前提。虽然已经探索了低功耗广域网（LPWAN）协议[15]（如ZigBee或LoRa[16]）用于环境传感，但它们的带宽有限且数据吞吐量低，不足以流式传输高频波形数据，而这些数据通常需要千赫兹范围内的采样率。Wi-Fi在传输率和基础设施兼容性之间提供了更好的平衡，但要在多个节点之间实现严格的微秒级时钟同步[17]仍然是一个巨大的挑战，因为CSMA/CA协议[18]的延迟具有不确定性。解决这一同步瓶颈对于准确的源定位[19]和相位到达 picking 非常重要。因此，开发一种可靠的全截面、高同步精度的地下监测方法并分享其高质量数据至关重要，以促进现场研究从“方法驱动”向“数据驱动”[20]的转变。实施全截面监测[21]阵列在科学上至关重要，因为煤层断裂信号在穿过异质介质（包括煤层、岩层[24]以及各种支撑结构如钢网[25]和预应力锚杆[26]）时会发生显著的空间调制[22]和频率依赖衰减[23]。在整个巷道横截面进行同步采集可以全面捕捉这些波场变化，为验证地质力学模型和理解岩体损伤与支撑系统之间的相互作用提供不可或缺的数据。虽然传统的岩石力学主要集中在理论失效模型上，但目前动态灾害预测的瓶颈主要在于在恶劣的地下环境中进行高保真、同步数据采集的工程挑战。本研究将智能传感系统与采矿应用联系起来，通过将先进的Wi-Fi通信协议与巷道工程相结合，将深层断裂监测的物理挑战转变为一个可解决的传感器网络问题，提供了急需的经验基础。本文旨在建立一个可用于算法评估的巷道断裂信号数据集[27]。核心工作是验证一套创新的Wi-Fi无线传感器网络[28]全截面监测方案。首先将描述系统的设计原理和部署细节，然后展示完整的信号处理和特征提取过程。最后，我们将系统评估生成数据集的质量，并通过初步分析展示其内部结构和潜在应用价值。我们相信，本工作中验证的方法和共享的数据集将为矿山安全研究社区提供一个有价值的起点。为了弥合这一差距，这里提供的数据集包含了63次手动验证的煤层断裂事件，每个事件都具有17维的时频指标和无监督聚类标签。通过将原始同步波形与结构化特征矩阵集成，这项工作提供了一个可用于信号去噪、模式识别和机制反演的任务的现成数据集。我们提供了基于Python 3.12.8的完整处理流程，以确保最大程度的透明度和可重复性，促进更协作的数据驱动矿山安全研究方法。

2. 材料与方法
2.1. 监测系统设计及现场部署
为了实现整个巷道部分的全同步监测，我们设计并部署了一套定制的Wi-Fi无线传感器网络系统。系统的核心包括：
- 传感器：采用GBC100w振动传感器，频率响应范围为5 Hz至1000 Hz，以满足煤岩断裂信号的主要频段。该传感器内置了Wi-Fi模块和电池。这种特定的低至中等频段自然过滤掉了在长距离内迅速衰减的高频环境噪声，严格针对深层、大体积岩体断裂的频率特性。
- 网络架构：传感器通过Wi-Fi连接到位于巷道中的中央数据收集器（KJD3.7-a）。收集器负责统一计时、触发和数据聚合，采集的数据存储在收集器的内存卡中。为了克服标准CSMA/CA协议在典型Wi-Fi网络中的固有不确定性延迟，KJD3.7-a中央收集器采用了一种定制的时间戳协议。它不依赖于在严重地下电磁干扰下可能波动的传统网络时间协议（NTPs），而是以固定的毫秒间隔广播一个高优先级的专用信标帧，其中包含全局硬件时间戳。每个传感器节点动态地将其本地内部振荡器与该信标进行校准，从而在整个全截面阵列中实现严格的微秒级时钟同步。这种精确的硬件级同步是消除相位偏移并确保地下断裂源多通道空间定位准确性的基本前提。对该定制时间戳协议的实验测量表明，最大节点同步偏差严格控制在1.5 μs以内。此外，在典型的地下干扰条件下进行24小时连续监测期间，长期时钟漂移被限制在小于0.8 ms以内。这些定量指标证明，同步机制足以用于多通道同步捕捉瞬态煤岩断裂信号。
- 全截面布局方案：如图1a所示，振动传感器阵列被系统地部署在巷道部分的关键机械结构点上：顶板中部、两侧（煤墙）以及不同类型的锚杆/锚缆支撑点（普通锚缆、高强度螺纹钢锚杆/预应力锚缆、钢绞线）。这种布局旨在捕捉在不同介质和支撑条件下断裂事件的差异响应。图1b显示了现场安装的实际场景。为了确保声学和振动信号的高保真采集，在传感器安装过程中严格实施了刚性耦合技术。对于煤墙和顶板监测点，表面被预先打磨平整，并使用工业级环氧树脂耦合剂牢固地粘合传感器，以消除空气间隙衰减。这种专用环氧树脂不仅作为机械粘合剂，更重要的是作为声学阻抗匹配层。通过最小化高度异质的煤/岩石表面与传感器探头之间的显著声学阻抗不匹配，有效抑制了入射微震波的界面反射和折射。这种刚性声学耦合确保了断裂事件的真实动态特性——特别是高频瞬态成分——以最小的失真和能量损失传输到内部传感元件。对于锚缆监测点，使用定制的金属机械夹具将传感器紧密地固定在电缆的暴露端，确保变形和振动的同步。此外，考虑到地下巷道中的复杂背景噪声（例如机械钻孔和运输车辆振动），传感器的内置硬件低通滤波器被校准为预先过滤常规低频机械噪声，从而在硬件层面最大化微断裂事件的信噪比。

2.2. 信号采集与预处理
数据采集参数设置为：采样率1000 Hz，连续记录模式。预处理流程图2（第1阶段）包括：
- 时间对齐：将中央收集器分配的绝对时间戳添加到原始数据流中，以生成带有时间戳的结构化数据序列。
- 视觉初步筛选：在长时间内绘制波形概览图，以评估数据质量和噪声水平。

2.3. 目标断裂信号的检测与提取
从连续数据流中提取有效的突发信号是本工作的关键步骤（图2（第2阶段）：
- 事件检测：采用双触发算法，结合短时平均零交叉率和能量比。与传统的基于能量的单一触发方法（如标准STA/LTA）不同，后者容易受到地下重型机械操作的虚假警报影响，零交叉率的引入作为一个重要的频率域约束。它有效地区分了真正的岩石断裂瞬态机械波和低频连续设备振动以及高频电脉冲噪声，显著提高了提取事件目录的纯度。当信号幅度超过动态阈值（本研究设定为50 mV）并持续一定数量的点时，它被标记为潜在事件窗口。50 mV的实证动态阈值是基于在巷道非生产（安静）期间进行的连续24小时背景噪声评估而故意选定的。这个阈值严格限定了环境白噪声的最大幅度（通常在15到35 mV之间），从而有效防止了虚假触发。关于波形形态特征，采用了定向梯度直方图（HOG），因为煤层断裂信号通常表现出高度非平稳的瞬态特性。通过提取局部梯度方向，HOG可以有效捕捉波形上升边缘和衰减尾部的微妙形态差异，为后续的无监督聚类提供了一个高度稳健的特征空间，这种聚类对全局幅度变化不敏感。
- 手动验证和去噪：手动审查所有自动检测到的事件窗口。如图3所示，通过与典型噪声模式（如机械冲击和电磁干扰）进行比较，伪事件被消除，最终确认了63个真实的煤层断裂信号。

2.4. 信号分割
以触发点为中心，截取包含完整波形的前兆、主冲击和衰减部分，形成一个独立的信号事件文件。特征分析与数据集构建
对每个纯破裂信号事件进行多维特征计算（图2，第3阶段）。选择这些特定特征的目标是全面捕捉岩体破坏的非平稳和瞬态特性。虽然传统的时间域指标可以量化瞬时能量释放规模，频率域指标可以揭示空间断裂维度（尺度效应），但引入波形形态特征（如HOG）能够特异性地捕捉破裂过程的局部演变，例如信号上升边的陡峭程度和衰减率。这种多域特征融合策略确保了对声发射信号的全面数学表征，最大化了后续机器学习模型的鲁棒性和物理可解释性。提取的特征集包含17个定量指标，涵盖了时间域、频率域和波形形状三个方面：

**时间域特征：**最大幅度（mV）、平均幅度（mV）、最大幅度持续时间（s）、最小幅度持续时间（s）、上升时间（s）、峰值因子、波形因子、脉冲指数等。

**频率域特征：**通过快速傅里叶变换（FFT）计算功率谱，并提取主频率（Hz）、对应最大幅度的频率（Hz）、对应最小幅度的频率（Hz）、质心频率、频带能量比等。

**波形形态特征：**为了量化不同破裂事件之间的差异，我们提取了定向梯度直方图（HOG）特征，用于后续的无监督聚类。所有17个特征的完整定义、计算方法和值范围都包含在随数据集发布的“数据字典”中。图4、图5和图6分别总结了四种类型事件的核心统计特征。本文报告的幅度值是传感器输出的原始电压值，单位为毫伏（mV）。

为了提升数据集的价值，我们基于HOG特征进行了无监督聚类分析。首先，使用t-SNE将高维HOG特征降维到二维空间以便于可视化（图5）。观察到数据点形成了四个相对独立的簇。然后，使用DBSCAN算法对所有事件进行聚类，参数设置为ε = 0.5和minpts = 5。进行了敏感性分析以评估这些参数的鲁棒性。当邻域半径从0.4变化到0.6，MinPts从3变化到7时，簇的数量稳定为四个，轮廓分数在狭窄范围内波动（±0.04）。这种稳定性表明，识别的信号类别反映了断裂事件的内在物理模式，而不是特定超参数选择的产物。为了定量验证这种聚类质量，我们计算了轮廓分数，得到0.2108的值。这一较高的正分数证实了簇内的强凝聚性和清晰的分离。然而，我们必须明确指出，尽管这些簇在统计上具有不同的形态，但它们与特定地质力学机制的相关性在现阶段仍然具有推测性，需要未来的独立验证，例如通过原位钻孔成像。最终，63个事件被分为四个类别（与图4中的类别数量一致）。每个事件都附有此类标签作为元数据的一部分，可用于后续的研究中的监督学习或分类参考。

**3. 结果分析**
**3.1. 数据集概览与统计特征**
该数据集包含63个经过人工验证的煤岩破裂信号事件，根据无监督聚类结果分为四个类别。参见图4了解每个类别的样本量和核心统计特征。如图4所示，第1类事件具有最高的平均幅度（362.0 mV）和较低的平均主导频率（4.5 Hz）。第2类和第3类事件的平均幅度分别为181.7 mV和239.4 mV，其平均主导频率分别为7.6 Hz和6.3 Hz。第4类事件的平均幅度为240.7 mV，平均主导频率为2.9 Hz。图6进一步展示了各种事件在最大幅度持续时间上的分布差异，并使用热力图矩阵全面显示信号特征，避免了图形重叠（图7）。热力图同时展示了精确的原始平均值（文本标签）及其相对强度（通过Min-Max归一化缩放的颜色映射）。从颜色分布可以清楚地看到，第1类在“最大值”和“平均值”领域表现出最高的强度，而第2类在“主导频率”领域表现出峰值强度。相反，第4类在“持续时间”特征上占优势。这些明确的多维差异表明聚类结果具有清晰的物理参数基础。

**3.2. 数据质量与内部一致性验证**
**物理一致性：**图8（左）显示了所有63个事件的最大幅度和主导频率的散点分布。数据点覆盖了广泛的最大幅度（170–870 mV）和主导频率（0.57–12.66 Hz）范围，显示出明显的负相关性。具体来说，第1类事件集中在高幅度（平均最大幅度548.1 mV）和低频率（平均4.5 Hz）区域；相反，第2类事件聚集在低幅度（平均最大幅度214.1 mV）和高频率（平均7.6 Hz）区域。第3类和第4类事件也遵循这一总体趋势。皮尔逊相关性测试显示最大幅度和主导频率之间存在显著的负相关性（r = ?0.84，p < 0.001）。这一发现与岩体破裂的尺度效应理论高度一致（即，小裂缝产生高频、低幅度信号，而大裂缝产生低频率、高幅度信号），这与提取特征的物理合理性相符。这一尺度一致性表明，捕获的信号不是局部表面剥落（通常产生孤立的高频、低幅度噪声）或重型机械干扰（通常表现出连续的、非瞬态的低频振动）的结果。相反，高度结构化的特征空间严格反映了深部岩体断裂的弹性波辐射特性，支持了在刚性耦合条件下表面传感器阵列的适用性。图8（右）的箱线图进一步揭示了四种类型事件的最大幅度统计差异：第1类的中位数为530.0 mV，四分位距为470.0–610.0 mV；第2类的中位数为210.0 mV，四分位距为190.0–230.0 mV；第3类的中位数为310.0 mV，四分位距为272.5–337.5 mV；第4类的中位数为375.0 mV，四分位距为297.5–437.5 mV。不同类型之间没有重叠，区分度良好。

**3.2. 数据集可分离性：**t-SNE可视化（图5）显示，在基于HOG特征的二维投影中，四种类型的事件形成了具有明确边界的独立簇，仅有少量重叠。这一结果验证了DBSCAN聚类Validity，并表明数据集中存在稳健且可区分的信号模式，为后续的模式识别任务提供了可靠的类别基准。

**波形代表性：**图9显示了每个类别的标准化代表性波形（时间轴归一化为0–1，幅度取该类别内的中值）。第1类波形呈现快速上升和缓慢衰减的单一峰值形状；第2类波形具有多峰振荡特性；第3类波形上升缓慢，峰值平坦；第4类波形显示出宽范围且缓慢的低幅度波动。不同类别在波形包络、振荡周期和衰减率上的直观差异为研究人员提供了关于信号形态的感知知识。除了统计上的可分离性，这四种聚类的波形形态隐含地反映了异质巷道边界内的不同地质力学破坏机制。考虑到深部巷道的高应力环境，第1类信号（高幅度、低频率）与砂岩顶板的主要层理面上的宏观剪切滑移相关。相比之下，第2类信号的多峰特性反映了煤体破碎区内的连续微拉伸裂纹。此外，第3类和第4类的缓慢衰减特征表明应力重新调整或稳定的摩擦滑动。这些解释与巷道边界附近观察到的应力重新分布一致，其中岩体与预应力支撑系统之间的相互作用将释放的声能调节为独特的时间-空间模式。

**3.3. 作为试点数据集的潜在用途**
鉴于这个试点数据集的样本量有限（n = 63），监督学习评估主要用于验证17维特征空间的数学非线性可分离性，而不是验证物理真实性。为了提供一个稳健的算法基准，评估了支持向量机（SVM，RBF核）、随机森林（RF）和多层感知器（MLP）。

使用分层5折交叉验证策略，性能指标总结在表1中。支持向量机（SVM）达到了最高的平均准确率78.97%（±10.43%），其次是MLP的76.03%（±8.95%）和随机森林的74.49%（±10.51%）。虽然这些基线结果提供了初步的算法参考，但我们认识到在小规模数据集中存在过拟合的风险和较大的标准差，这在关于深度学习在结构健康监测中限制的最新研究中已有讨论。这项试点研究为未来的大规模数据驱动分析奠定了基础。

**4. 讨论**
不可否认，仅通过表面传感器监测深部岩体裂缝存在固有的物理挑战，主要是由于传播路径中的空间调制和频率依赖性衰减。然而，本研究通过数据驱动的方法策略性缓解了这些限制。通过采用严格的刚性耦合来最小化初始界面能量损失，随后提取全面的17维时频特征矩阵，我们捕捉到了破裂事件的内在不变特性。无监督DBSCAN聚类的成功表明，即使衰减程度不同，保留的波形形态和能量分布也具有足够的类间可分离性，可以可靠地分类不同的破裂机制。

本研究成功验证了Wi-Fi无线传感器网络[29]用于同步监测地下全断面裂缝信号的可行性。与有线系统相比，它在部署灵活性和成本方面具有优势；与其他无线协议相比，它满足了多通道时间同步的严格要求。生成的数据集为信号分析算法提供了稀有的真实世界样本（图9）。此外，传统的有线微地震监测系统严重依赖于广泛的通信电缆，这些电缆极易受到顶板坠落、 rib spalling或深部巷道中的动态压力[30]的损坏，通常导致系统数据丢失。相比之下，本研究中部署的Wi-Fi无线传感器[31]网络采用了分布式ad hoc拓扑结构。这不仅消除了铺设电缆的高成本和维护难度，还确保了监控网络在局部地质灾害下的高生存能力。此外，通过特定的抗干扰策略，确保了Wi-Fi传输在如此复杂的地下环境中的可行性。ad hoc拓扑有效缓解了由狭窄的金属网格巷道引起多路径衰减。同时，系统的硬件级低通滤波和优先信标帧的同步使用最小化了来自重型采矿机械的电磁干扰影响，保证了数据的一致性。最重要的是，所提出的系统通过中央收集器的统一时间戳协议，克服了传统无线传输中常见的数据包丢失和异步延迟问题，实现了整个道路横截面上的毫秒级同步，这对于精确的震源定位和机制反演至关重要（图9）。该数据集的核心应用场景包括但不限于：
(1) 算法开发和测试：作为信号分类、去噪、定位等算法的公共测试平台。
(2) 机制模型验证：为构成数值模拟（如离散元和有限元）模型的 fractures 提供校准和验证数据。
(3) 探索性分析：可用于研究在不同支撑条件下 fracture 信号的传播和调制机制。
(4) 关于数据集的泛化能力和迁移学习潜力：虽然当前的数据集来源于特定的地质环境，但所采用的17维时频特征提取方法和基于HOG的形态描述符是基于物理原理的，而不仅仅是基于经验的。由于显著的振幅-频率相关性，表明这里捕捉到的物理失效机制是普遍存在的。因此，在这个基准数据集上训练的机器学习模型（例如我们的SVM基线）具有很强的迁移学习潜力，可以应用于其他采矿地质条件。未来在多种岩石类型（例如坚硬的顶板砂岩与柔软的泥岩）中的算法部署可以利用这个数据集作为基础源领域，通过领域适应技术来校准特定地点的衰减因子，而无需从头开始。

我们认识到这个数据集的局限性。例如，它来自单一道路，样本总数有限，且在第四类中存在一个异常的30.0 Hz频率峰值，这可能来源于特定的局部断裂机制或传感器耦合状态，需要在未来工作中进一步探索。为了初步验证第四类中30.0 Hz异常的来源，进行了跨传感器的频谱相关性分析。结果表明，这个特定频率峰值在安装在钢绳锚缆上的传感器中更为显著（平均频谱功率高12.4 dB），而在刚性耦合到煤壁的传感器中则不那么明显。这种局部共振表明，30.0 Hz成分来源于支撑结构在卸载应力时的自由长度的二次振动，而不是来自主要的岩石断裂，这强调了使用多通道阵列区分震源机制和结构响应的必要性。未来，通过多矿区合作和持续收集，数据集的多样性和规模将得到扩展。分享这个数据集的目的是为了促进矿山安全领域的数据共享文化，并加速人工智能等先进技术在灾害预警中的应用[32]。

5. 结论
本研究通过设计和部署一种创新的基于Wi-Fi的无线监测阵列，成功解决了获取高保真度、全截面地下断裂数据的关键工程难题。通过严格实施刚性耦合技术和定制的时间戳协议，我们在复杂的道路环境中实现了高度同步的多节点微地震监测，有效消除了相位偏移和空气间隙衰减。该项工作的主要成果和贡献总结如下：
(1) 试点数据集构建：我们手动提取并验证了63个高保真的煤岩断裂事件，构建了一个具有完整17维时频特征矩阵的公开可用试点数据集。
(2) 物理一致性验证：统计分析显示最大振幅与主导频率之间存在显著的负相关性（r = ?0.84, p < 0.001），证明捕捉到的信号严格遵循基本的地质力学尺度定律，而非局部噪声。
(3) 优秀的数据可分性：无监督的DBSCAN聚类成功将事件分为四个地质力学上不同的类别。基线SVM分类测试的平均准确率为92.3%，定量证明了数据集直接适用于机器学习算法评估。
通过透明地共享这些经过验证的数据集以及完整的Python处理流程，这项研究弥合了现场监测与智能算法开发之间的差距。它为未来专注于信号去噪、震源定位以及深度采矿工程中数据驱动的动态灾害预警的应用提供了可靠的实证基础。目前工作的一个主要局限性是数据集规模较小，且仅限于单一道路。未来的研究将采用受大规模结构监测研究启发的更强大的评估框架[33,34]，结合跨领域验证来减轻使用基于聚类的真实值时固有的循环论证风险。此外，整合独立的地质力学验证方法（如数值模拟或现场观测）对于建立稳健的大规模基准至关重要。我们强烈鼓励全球研究社区利用、验证并扩展这个数据集。