基于机制辅助数据驱动建模的煤矿隧道钻机电液回路早期泄漏预警

《Neurocomputing》：Early leakage warning based on mechanism-aided data-driven modeling for electro-hydraulic circuit of coal mine tunnel drilling rig

　　摘要：隧道钻机是地下煤矿钻孔作业的核心设备，而电液控制系统则是其最为关键的子系统之一。由于地下环境恶劣，且钻机需在重负荷下长期运转，电液系统中常常会出现液压油泄漏等异常现象，这不仅会降低设备运行效率，还可能引发孔壁坍塌等严重事故。为解决这一问题，本文提出了一种基于机理辅助的数据驱动式电液控制系统早期预警方法。首先分析电液控制系统的工作机理，研究泄漏传播路径及相关变量；接着从这些变量中提取三组特征以反映系统状态；随后构建基于长短期记忆神经网络的早期泄漏预警模型，确定三个敏感指标，进而建立监测统计量，并实时估算预警阈值。基于实际钻孔数据的实验表明，该方法能够减少误报，延长预警时间，有助于提升电液控制系统早期泄漏预警的可靠性与可解释性。

引言：煤矿隧道钻孔是通过钻机的旋转运动、进给驱动及液压动力传输，在煤岩层中钻制孔洞的作业过程。它是实现煤矿瓦斯排放、地质勘探、压力释放及灾害预防的重要手段[1][2]。然而，由于地下环境复杂、地质条件多变、负荷干扰频繁以及长期连续作业，钻孔系统往往面临复杂的工作条件变化和巨大的使用应力。在各个子系统中，电液控制系统直接决定了液压能量的供应、压力传递以及执行响应，其状态好坏对钻孔效率、运动稳定性及作业安全有着重要影响。一旦主液压泵出现内部泄漏，其供液能力就会下降，下游压力建立也会受到干扰，进而导致钻孔子系统的执行响应逐渐恶化。因此，及时对主泵泄漏进行早期预警，对于实现煤矿隧道钻机的可靠监控与维护至关重要。

随着先进技术的发展，在线状态监测方法大致可分为基于模型的方法和数据驱动方法两类。基于模型的方法依赖于明确的物理方程和精确的系统参数，而数据驱动方法则直接从实测过程数据中学习系统行为。鉴于煤矿隧道钻机存在负荷变化大、非线性耦合强以及机理信息不完整等问题，数据驱动方法已被广泛用于工业过程的监测、故障检测及早期预警领域[3][4]。常见的方法包括多变量统计监测、基于深度自编码器的表示学习以及时间序列深度学习方法[5][6]。此外，还有基于预测值和残差的方案被用于动态过程中的早期故障预警与预测[7]。在液压及钻孔相关领域，数据驱动方法也被应用于复杂工况下的泄漏检测与过程监测[8][9]。宋海涛等人提出了用于动态工业过程的深度特征提取与多模式监测方法，为处理非线性及模式变化行为提供了有益参考[10][11]。长短期记忆网络是一种具有门控记忆单元的循环神经网络，能够保留有用的历史信息，并捕捉多变量序列数据中的时间依赖性。近年来，由于其具备捕捉序列监测数据中时间依赖性的能力，LSTM类模型在早期预警任务中得到了越来越广泛的应用。尹某等人将LSTM类模型应用于深水钻探中的气举预警[12]，张某等人开发了基于LSTM的地震早期预警实时损伤预测方法，证明了LSTM在动态系统实时风险预测中的应用价值[13]，白某等人则进一步将LSTM与结构化先验知识相结合，用于动态风险早期预警[14]。

为解决液压元件及钻孔过程中的泄漏诊断与预测问题，也有多种方法被提出。Kumar等人总结了液压缸的故障、诊断与预测方法，指出内部泄漏、外部泄漏及密封件磨损是最常见的故障类型[15]。Jose等人提出了一种基于支持向量机的方法，用于移动式液压机械动臂执行器内部泄漏的早期检测与分类[16]。金某等人报告称，可通过小波分析及小波神经网络识别液压密封件磨损与内部泄漏现象[17]。

在实际的煤矿隧道钻孔过程中，往往存在多种工艺特性叠加的情况，这使得早期泄漏预警变得十分困难。首先，钻孔负荷会随着地质条件、钻孔深度及操作指令不断变化，因此该过程具有很强的非平稳性，相同的操作指令在不同工作条件下可能会产生不同的信号响应。其次，液压传动过程中，源侧压力、分支压力、执行器运动及控制电流之间存在明显的耦合关系，泄漏的影响是呈扩散态势而非局部局限的。再次，主液压泵的内部泄漏会逐步加重，其初期异常通常仅表现为压力支撑能力轻微下降、传动匹配度略有偏差或执行响应出现轻微异常。最后，在实际的工业监测中，诸如内部泄漏流量和容积效率这类理想的机理变量难以直接且连续地测量，而可获取的监测数据主要来自压力、运动及控制电流等变量。因此，这项任务的关键挑战不仅在于如何在强烈的运行波动背景下检测微弱异常，还在于如何从可测量的变量出发，表征具有物理意义的性能退化路径，并在实际的序列数据基础上实现可靠的预警。

为进一步提升监测性能，人们还开发了机理辅助建模与混合建模方法。机理辅助建模是指利用现有的液压机理知识来指导泄漏相关变量的选择、代理特征的构建以及残差的解释。聂某等人提出了一种结合热液压建模与数据驱动校正的在线数据驱动式电静力执行器性能预测方法[18]。张某等人构建了一个基于物理知识的机器学习框架，用于液压活塞泵的性能退化及剩余使用寿命预测[19]。吴某等人及王某等人则研究了在数据有限或采用深度序列学习情况下的液压泵性能退化预测及剩余使用寿命评估方法[20][21]。此外，近期还有研究探讨了基于工艺知识增强的数据分析方法以及系统级预测思路[22][23]。同时，许多关于地质钻探的研究侧重于异常数据校正与基于案例的故障诊断[24]、自适应监测与误报减少[25]，以及小样本学习、多尺度诊断与全状态监测技术[26][27]。这些研究虽提供了有益参考，但并未完全解决当前存在的问题。在实际的隧道钻探过程中，泄漏的缓慢发展、多变量之间的强耦合关系，以及简化后的液压机理与实际测量结果之间的差异，共同给主泵内部泄漏的早期预警带来了巨大挑战。因此，需要一种更为合适的框架，将机理知识转化为可测量的代理关系，并将其与基于时间序列的数据驱动建模相结合。

基于上述分析，本文提出了一种机理辅助的数据驱动式预警方法，用于监测煤矿隧道钻机电液控制系统主液压泵的渐进式内部泄漏。首先，根据液压传动与执行过程分析泄漏的传播路径；在此基础上，从压力、运动及控制电流等变量中构建一组可在实际监测条件下反映泄漏信息的机理辅助代理特征。随后，将原始监测变量与构建的代理特征融合，输入到时间序列预测模型中，以学习关键液压变量的动态变化规律。由于渐进式内部泄漏表现为源侧压力支撑、分支传动及执行响应之间的时间依赖性不匹配，而非孤立的点状异常，因此采用了基于LSTM的时间序列模型。最后，根据预测残差构建基于残差的健康指标，并通过设定统计阈值来实现对渐进式泄漏风险的在线预警与报警。本文的主要贡献如下：（1）提出了一种机理辅助的数据驱动框架，用于预警煤矿隧道钻机电液控制系统中的渐进式内部泄漏；（2）从现有的监测变量中构建代理特征，以在实际传感条件限制下反映泄漏相关的性能退化信息；（3）开发了一种基于残差的预警策略，能够在抑制正常负荷波动带来的瞬态干扰的同时，识别渐进式泄漏风险。

本文的其余结构如下：第2节描述隧道钻探过程及本文研究的背景与动机；第3节详细阐述所提出的机理辅助数据驱动泄漏预警方法的步骤；第4节基于实际现场数据开展实验分析及工程案例研究；最后，第5节对全文进行总结。