通过物理一致的可解释性连接数据驱动的故障诊断与通风物理学

《Engineering Applications of Artificial Intelligence》：Bridging data-driven fault diagnosis and ventilation physics through physics-consistent interpretability

　　

## 摘要

矿井通风系统的故障诊断对于维持作业安全和确保系统可靠性至关重要。然而，现有的许多数据驱动方法缺乏物理可解释性，且工程可靠性有限。为克服这些局限，本文提出了一种物理一致的可解释学习框架，用于矿井通风网络中阻力变化故障的诊断，该框架通过集成极端梯度提升（XGBoost）和基于Shapley值的可解释性分析来实现。所提出的框架不仅能够实现准确的故障识别，还能对气流再分配机制提供具有物理意义的洞察。全局可解释性分析表明，进风井是最有影响力的监测位置，而局部解释则表明，与压力和气流相关的变量在故障定位中占主导地位。此外，仅使用基于Shapley值重要性分析排名前15%的特征，所提出的方法即可达到97.86%的诊断准确率，同时显著减少了传感器部署和维护需求。与基于Boruta的特征选择和互信息分析的对比表明，所提出框架具有更优的鲁棒性和计算效率。结果表明，物理一致的可解释性有效地桥接了数据驱动诊断与底层工程机制，从而提高了复杂矿井通风系统中智能故障诊断的可靠性、透明度和实际适用性。

## 引言

矿井通风系统是确保安全、可持续地下作业的关键安全基础设施。矿井通风系统由相互连接的巷道、节点、通风设施和风机组成的复杂气流网络构成。在压差驱动下，新鲜空气被输送至作业区域，而有害气体和粉尘则被稀释并排出。因此，通风网络的连续可靠运行对于环境控制和应急响应至关重要，因为通风不足会大幅增加灾难性事件的风险，包括瓦斯爆炸和粉尘事故（Li et al., 2026, Li et al., 2026; Lu et al., 2025; Nie et al., 2026; Siyu et al., 2025; Wang et al., 2025）。然而，与运行在相对稳定环境中的通风系统不同，矿井通风网络持续受到巷道条件演变、通风配置、设备部署和运行干扰的影响。由于每条巷道中的气流取决于整个网络的压力和阻力分布，即使是局部扰动也可能改变多条相互连接巷道的运行状态。这些特性使得在安全关键的采矿作业中可靠地进行系统状态评估和及时的故障诊断变得尤为困难。

在矿井通风系统遇到的各种故障中，阻力变化故障尤为关键，因为巷道阻力决定了气流与压力损失之间的关系，从而决定了整个网络中的气流分布。这些故障可能源于巷道变形、通风设施故障或积聚设备和材料造成的气流阻塞，所有这些都可能改变有效截面积，从而改变通风巷道的空气动力阻力（Huang et al., 2020）。在实际采矿环境中，阻力变化故障通常表现出渐进演化、空间耦合和可观测性有限的特点。局部阻力变化可能逐渐演变为严重的中断气流，而多个阻力变化故障可能同时发展并相互作用。由于通风巷道通过网络范围的压差平衡耦合，局部阻力变化可能触发全局气流再分配和压力传播。因此，某一位置观测到的传感器响应可能反映的是附近的故障，也可能是远处故障的传播效应，从而增加了系统状态评估和故障定位的不确定性。在严重情况下，这些耦合效应可能破坏全局气流平衡并触发整个通风网络的级联故障（Ma et al., 2025; Tian et al., 2024; Zhang et al., 2024）。这些特性使得准确检测、定位和表征阻力变化故障尤为困难，凸显了需要能够捕获网络范围故障传播的诊断方法。

为解决阻力变化故障，现有研究主要采用数据驱动的机器学习方法，其中故障定位被表述为分类任务，故障大小估计被表述为回归任务。近期研究开发了多种机器学习模型，包括支持向量机（SVM）、K近邻（KNN）、决策树、深度神经网络和集成学习方法，以改进故障定位和故障大小估计（Liu et al., 2022, 2024; Wang et al., 2023; Zhao and Shen, 2022）。这些研究表明，机器学习模型能够有效捕获监测测量值与通风故障之间的复杂非线性关系。然而，大多数现有方法主要通过将传感器测量值到诊断输出的映射视为黑箱学习问题来追求预测准确性。因此，它们提供的证据有限，无法证实所学习到的诊断特征是否与控制气流再分配和故障传播的物理机制一致，从而降低了安全关键通风系统中诊断结果的可信度和可解释性。类似的挑战也促使了其他工程领域中物理知识与数据驱动学习的结合。其他工程领域也出现了类似趋势，将物理知识融入机器学习以提高预测可靠性和泛化能力（X X. Li et al., 2026; Zhang et al., 2026b, 2026a）。尽管这些研究表明了物理信息和资源高效学习的潜力，但它们并未明确确保诊断证据在稀疏监测的矿井通风系统中与网络级气流传播保持物理一致。

在稀疏监测条件下，这一挑战更加突出。故障诊断依赖于气流和压力传感器来表征通风网络的运行状态。因此，传感器部署策略直接影响监测系统的经济效率和运行可靠性（Mousavi et al., 2025）。Liu et al.（2022）提出了独立割集理论，在保持监测有效性的同时减少气流传感器部署，从而为矿井通风系统中的气流重建奠定了理论基础。然而，减少传感器数量不可避免地降低了系统可观测性并加剧了信息不完整。因此，多个故障场景可能产生相似的传感器观测值，增加了系统状态评估和故障定位的不确定性。传统的黑箱模型对识别哪些传感器位置保留了最具故障相关性的信息或从通风动力学角度来看这些位置为何在物理上重要提供有限的指导。因此，不加区别地减少传感器可能会消除对于区分不同阻力变化故障的网络范围传播效应至关重要的测量值。因此在稀疏监测下，可靠诊断不仅需要准确的预测，还需要具有物理可解释性的诊断证据来指导传感器部署。

为提高诊断可解释性，近期研究越来越多地采用SHAP（SHapley Additive exPlanations），这是一种源自合作博弈论的可解释机器学习框架（Lundberg and Lee, 2017; Lundberg et al., 2018）。SHAP量化了单个输入特征对模型预测的贡献，同时提供全局和局部可解释性。由于这些优势，SHAP已被广泛应用于工业故障诊断和物理引导的智能系统（Jabeur et al., 2024; Hong et al., 2025; Zhang and Zhao, 2026; Dai et al., 2024; Wang et al., 2024; Yoo et al., 2025; Scavuzzo et al., 2022; Das, 2025; Merabet et al., 2025）。SHAP近期已被应用于电机诊断、条冠诊断、离心泵监测、风力涡轮机故障检测和其他工业诊断任务（Hu et al., 2025; Jang et al., 2025; Kumar and Hati, 2021; Yao et al., 2025; R Z. Zhang et al., 2024），证明了其提高模型透明度和诊断可靠性的能力。尽管取得了这些进展，仅识别统计上重要的特征不足以建立物理可信度。现有研究很少探讨特征归因是否与矿井通风网络中控制气流再分配和压力传播的机制保持物理一致，特别是在稀疏监测条件下。

尽管智能故障诊断取得了近期进展，诊断解释是否与矿井通风网络的物理机制一致仍然在很大程度上未被探索。在安全关键的通风系统中，可解释性应超越解释模型预测，而应揭示气流再分配和压力传播的机制，特别是在稀疏监测条件下。一个重要的未解决挑战是在减少系统状态评估不确定性的同时识别具有物理意义的监测位置，并在有限的传感器信息下改进故障定位。为解决这一挑战，我们开发了一种物理一致的基于SHAP的故障诊断框架（PC-SHAP），通过将XGBoost与SHAP结合用于矿井通风系统中的阻力变化故障诊断。所提出的框架将数据驱动学习与通风网络动力学的物理特性相结合，使特征归因在统计上具有信息性，同时与气流再分配和压力传播保持物理一致。通过共同利用全局特征重要性和局部解释，PC-SHAP识别关键监测位置，支持在稀疏监测条件下的可靠故障定位，并在模型解释与底层通风物理之间建立直接联系。因此，所提出的方法为复杂矿井通风系统中的传感器部署和智能故障诊断提供了具有物理可解释性的基础。

## 分节片段

### 矿井通风系统的阻力变化故障模型

从通风系统推导出的矿井通风网络被建模为有向图 ??=(??,??)，其中 ??={??1,??2,…,????} 表示 m 个节点的集合，??={??1,??2,…,????} 表示 ?? 条边的集合，每条边连接两个相邻节点以描述沿巷道段的透气路径。每条边与气流和阻力参数相关联，这些参数表征了通风网络的物理行为。

对于通风网络中的任意边 ????∈??，其通风状态为

### 实验

图2展示了所提出的物理一致可解释故障诊断框架用于矿井通风系统阻力变化故障的实验流程。首先构建通风网络的有向图，随后初始化网络参数，收集监测数据，并开发基于XGBoost的初始故障诊断模型。然后评估三种特征选择方法进行对比，并选择最优的

### 监测优化的阻力变化故障诊断

在上述实验条件下，当所有气流和压力特征作为输入时，XGBoost模型达到了99.5%的故障源诊断准确率，比仅基于气流特征的自适应进化算法（Huang et al., 2020）提高了7%。尽管这一结果表明了强大的预测能力，但实际部署需要在诊断性能与监测成本和系统可观测性之间取得平衡。为了评估

### 结论

本研究提出了一种物理一致的可解释框架，用于诊断矿井通风系统中的阻力变化故障，解决了传统黑箱机器学习方法在稀疏监测条件下透明度和可靠性有限的问题。需要通过结合XGBoost与所提出的PC-SHAP特征归因方法，该框架实现了高精度诊断和物理一致的可解释性。仅使用排名前15%的所选特征

## CRediT作者贡献声明

王梓铭：撰写 – 初稿，验证，方法论，形式化分析，数据整理。
刘永红：撰写 – 初稿，验证，资源，方法论，基金获取，形式化分析。
黄彦林：验证，方法论，数据整理。
唐德：撰写 – 审阅与编辑，监督，资源，基金获取，概念化。

## 利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些可能影响本文中报告的工作。

## 致谢

本文受到国家自然科学基金（项目编号52304226）、湖南省教育厅科学研究基金（项目编号25B0831）和湖南省自然科学基金（项目编号2025JJ60311）的资助。

王梓铭 | 刘永红 | 黄彦林 | 唐德
湖南科技大学资源环境与安全工程学院，衡阳，421001，中国