付翔， 秦一凡， 李浩杰， 牛鵬昊

（1. 太原理工大學(xué) 礦業(yè)工程學(xué)院，山西 太原 030024；2. 太原理工大學(xué) 山西省煤礦智能裝備工程研究中心，山西 太原 030024；3. 山西焦煤集團有限責(zé)任公司 博士后工作站，山西 太原 030024）

0 引言

煤礦智能化是煤炭新業(yè)態(tài)高質(zhì)量發(fā)展的核心技術(shù)支撐。近年來，國家和行業(yè)各類政策、標(biāo)準(zhǔn)的出臺發(fā)布，旨在加快、準(zhǔn)確推進煤礦智能化建設(shè)步伐?！?022煤炭行業(yè)發(fā)展年度報告》[1]顯示：截至2022年底，全國煤礦數(shù)量約4 400處，已建成智能化煤礦572處、智能化采掘工作面1 019處，31種煤礦機器人在煤礦現(xiàn)場應(yīng)用。近幾年，隨著新型數(shù)字化、自動化煤機裝備研發(fā)應(yīng)用、新型網(wǎng)絡(luò)化傳感器研發(fā)應(yīng)用、工業(yè)互聯(lián)網(wǎng)信息基礎(chǔ)設(shè)施部署等建設(shè)投入，煤礦智能化已基本達(dá)到初級水平[2]。

煤礦智能化的核心目標(biāo)是新一代人工智能（Artificial Intelligence，AI）技術(shù)的賦能應(yīng)用，AI作為新一輪產(chǎn)業(yè)變革的核心驅(qū)動力，將進一步釋放歷次科技革命和產(chǎn)業(yè)變革積蓄的巨大能量，并創(chuàng)造新的強大引擎。2017年國務(wù)院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》[3]提出，圍繞制造強國重大需求，推進智能制造關(guān)鍵技術(shù)裝備、核心支撐軟件、工業(yè)互聯(lián)網(wǎng)等系統(tǒng)集成應(yīng)用。研究表明[4]，AI的應(yīng)用可為制造商降低最高20%的加工成本，而這種減少最高有70%源于更高的勞動生產(chǎn)率。到2030年，因AI的應(yīng)用，全球GDP將新增15.7萬億美元，中國占7萬億美元。到2035年，AI將推動勞動生產(chǎn)率提升27%，拉動制造業(yè)GDP達(dá)27萬億美元。2023年3月31日國家能源局發(fā)布的《關(guān)于加快推進能源數(shù)字化智能化發(fā)展的若干意見》[5]指出，到2030年，能源系統(tǒng)各環(huán)節(jié)數(shù)字化智能化創(chuàng)新應(yīng)用體系初步構(gòu)筑、數(shù)據(jù)要素潛能充分激活，推動面向能源裝備和系統(tǒng)的智能控制算法開發(fā)，以數(shù)字化智能化技術(shù)帶動煤炭安全高效生產(chǎn)，并具體提出了地質(zhì)、采煤、掘進、主煤流運輸、輔助運輸、安全災(zāi)害、綜合管控等煤礦各個作業(yè)場景的AI應(yīng)用要求。2022年中國煤炭工業(yè)協(xié)會發(fā)布的《基于工業(yè)互聯(lián)網(wǎng)的煤炭企業(yè)信息化基礎(chǔ)設(shè)施建設(shè)白皮書》[6]指出，目前煤炭企業(yè)信息化基礎(chǔ)設(shè)施建設(shè)面臨的挑戰(zhàn)和問題主要表現(xiàn)為多數(shù)煤礦缺乏大數(shù)據(jù)、AI、場景化APP能力，尚未引入云計算、大數(shù)據(jù)、AI等新技術(shù)，無法實現(xiàn)多生產(chǎn)系統(tǒng)協(xié)同、災(zāi)害風(fēng)險預(yù)警化、決策科學(xué)化等真正意義上的煤礦智能化建設(shè)。

在當(dāng)前時代背景和政策引導(dǎo)下，面對煤礦崗位工人日益短缺、安全風(fēng)險保障日益加強、煤炭產(chǎn)量需求日益增高、減排降耗要求日益提高等實際問題，新一代智能煤礦全流程、全業(yè)務(wù)應(yīng)用場景的AI賦能技術(shù)將是解決該問題的具體路徑與措施，也是煤礦智能化實踐發(fā)展的核心方向。

1 新一代智能煤礦AI賦能技術(shù)概述

新一代智能煤礦AI賦能是將AI思想、方法、模型與煤礦專業(yè)知識相融合，利用煤礦作業(yè)場景生產(chǎn)運行過程中產(chǎn)生的海量數(shù)據(jù)，構(gòu)建機器學(xué)習(xí)、推理、決策算法模型，開發(fā)煤機裝備控制、煤礦系統(tǒng)決策、煤企運營管理等多業(yè)務(wù)、多層級、多場景智能APP，通過煤炭工業(yè)互聯(lián)網(wǎng)架構(gòu)，實現(xiàn)AI技術(shù)在煤礦作業(yè)場景中的真實應(yīng)用，達(dá)到煤礦簡單作業(yè)場景無人、必要作業(yè)場景少人、關(guān)鍵作業(yè)場景人機協(xié)同的煤礦智能化終極目標(biāo)，真正建設(shè)形成智能、少人、安全、高效的現(xiàn)代化煤礦。

煤礦行業(yè)正在經(jīng)歷全面的、初步的智能化建設(shè)，目前已建成的智能煤礦已完成信息基礎(chǔ)設(shè)施建設(shè)、新型智能煤機投入運行等，基本達(dá)到初級智能化水平，一定程度上改變了傳統(tǒng)煤礦的生產(chǎn)方式，減少了不必要的崗位工，初見一定成效。然而，初級智能煤礦主要構(gòu)建了以云為基礎(chǔ)的信息系統(tǒng)架構(gòu)，缺乏以AI為核心的煤礦應(yīng)用場景賦能技術(shù)。

AI技術(shù)落地的關(guān)鍵在于與具體行業(yè)知識的結(jié)合，知識計算是實現(xiàn)行業(yè)知識與AI結(jié)合的全新路徑。新一代智能煤礦[7]將以人-信息-物理系統(tǒng)（Human-Cyber-Physical System，HCPS）體系為架構(gòu)，深度利用大數(shù)據(jù)、云計算、AI等新一代信息技術(shù)，實現(xiàn)基于行業(yè)知識計算的煤礦應(yīng)用場景AI賦能，形成智能高效的人機協(xié)同高級智能化煤礦安全生產(chǎn)模式。初級智能煤礦向新一代智能煤礦演進及內(nèi)涵如圖1所示。

圖1 初級智能煤礦向新一代智能煤礦演進及內(nèi)涵Fig. 1 The evolution and connotation of primary intelligent coal mine to new generation intelligent coal mine

新型智能煤機裝備系統(tǒng)是指煤礦各安全生產(chǎn)環(huán)節(jié)的數(shù)字化、自動化機械與設(shè)備，主要包括采、掘、機、運、通、安監(jiān)、地質(zhì)、分選等傳統(tǒng)煤機設(shè)備的數(shù)字化、自動化改造升級，同時新增煤礦特種機器人、新型傳感器、音視頻系統(tǒng)、單兵智能穿戴、智能終端等煤礦智能新型設(shè)備與系統(tǒng)。新型智能煤機裝備系統(tǒng)不僅完成了采礦作業(yè)單工序自動化執(zhí)行工作，還為智能煤礦信息系統(tǒng)提供了關(guān)鍵的數(shù)據(jù)基礎(chǔ)。

初級智能煤礦信息系統(tǒng)是指信息網(wǎng)絡(luò)、定位網(wǎng)絡(luò)、云計算中心、大數(shù)據(jù)平臺、應(yīng)用軟件平臺、信息安全設(shè)施、音視頻系統(tǒng)等新一代信息技術(shù)軟硬件組成的智能煤礦信息基礎(chǔ)設(shè)施，主要完成煤礦單個生產(chǎn)環(huán)節(jié)的數(shù)據(jù)采集、交互、集成、存儲、計算、服務(wù)、統(tǒng)計分析、可視化等基本信息化功能，技術(shù)人員可通過該信息系統(tǒng)實現(xiàn)煤礦協(xié)同管控、歷史數(shù)據(jù)查詢、實時監(jiān)管、移動辦公、智能終端等人機交互功能。利用新型智能煤機裝備系統(tǒng)和初級智能煤礦信息系統(tǒng)，初級智能煤礦崗位技術(shù)人員可通過2種工作方式完成采煤作業(yè)：① 在現(xiàn)場，通過視覺、聽覺、觸覺感知現(xiàn)場工況，配合系統(tǒng)自動化，人工分析決策，借助煤機裝備人機接口現(xiàn)場操作完成采煤作業(yè)。② 在遠(yuǎn)程，通過視覺、聽覺觀測信息系統(tǒng)采集的數(shù)據(jù)，根據(jù)數(shù)據(jù)圖標(biāo)、信息提示等進行分析決策，借助集控室人機界面遠(yuǎn)程操作完成采煤作業(yè)。

新一代智能煤礦信息系統(tǒng)是指通過云、網(wǎng)、邊、端協(xié)同一體化框架，以AI技術(shù)為核心，以煤礦各工序應(yīng)用場景為賦能對象，建立知識獲取、數(shù)據(jù)建模、模型管理、智能應(yīng)用等煤礦行業(yè)+AI知識流水線，實現(xiàn)對煤礦安全檢測、裝備運行、視頻監(jiān)控等安全生產(chǎn)多源異構(gòu)海量數(shù)據(jù)的挖掘利用和AI模型場景應(yīng)用。該系統(tǒng)主要功能：① 煤礦多源信息交互與處理，實現(xiàn)跨層級、跨系統(tǒng)的大數(shù)據(jù)服務(wù)及處理。② 基于AI技術(shù)的煤礦工序場景學(xué)習(xí)認(rèn)知系統(tǒng)，基于上述信息處理功能，實現(xiàn)煤礦各環(huán)節(jié)的大數(shù)據(jù)融合挖掘、機器學(xué)習(xí)建模、行業(yè)知識軟件化。③ 煤礦行業(yè)知識與AI整合而成的自成長型知識庫，基于上述學(xué)習(xí)認(rèn)知系統(tǒng)，實現(xiàn)采礦專業(yè)知識+AI融合模型、方法、規(guī)則等管理運行。④ 煤礦應(yīng)用場景智能分析與決策，基于上述信息處理系統(tǒng)和知識庫，實現(xiàn)煤礦各個環(huán)節(jié)應(yīng)用場景的AI模型推理應(yīng)用及人機高效交互。⑤ 煤礦多工序協(xié)同控制，基于上述決策功能，實現(xiàn)煤礦巨系統(tǒng)全流程自適應(yīng)控制與人機協(xié)同控制。利用新型智能煤機裝備系統(tǒng)和新一代智能煤礦信息系統(tǒng)，崗位技術(shù)人員主要采用人機協(xié)同管控方式，通過視覺、聽覺感知煤礦應(yīng)用場景智能分析與決策信息，根據(jù)信息再進行人工分析決策，協(xié)同自適應(yīng)控制系統(tǒng)完成采煤作業(yè)。值得注意的是，新一代智能煤礦信息系統(tǒng)是一個AI逐步進化的持續(xù)改進系統(tǒng)，在一些工序場景暫時無法由AI完成的，由崗位技術(shù)人員現(xiàn)場完成采煤作業(yè)（圖1虛線部分）。

新一代智能煤礦信息系統(tǒng)的AI賦能技術(shù)是未來現(xiàn)代化煤礦智能化、少人化的關(guān)鍵，為實現(xiàn)新一代智能煤礦AI賦能，主要有以下2個關(guān)鍵方面。

1） 煤礦工業(yè)機理AI模型。煤礦各工序涉及復(fù)雜的生產(chǎn)工藝和安全預(yù)警等工業(yè)機理，AI模型可基于大量的歷史數(shù)據(jù)和領(lǐng)域?qū)I(yè)知識進行訓(xùn)練和優(yōu)化，幫助理解和模擬煤礦工序中的工業(yè)機理。利用煤礦大數(shù)據(jù)和采煤專業(yè)知識，采用機器學(xué)習(xí)、因果分析、數(shù)學(xué)推導(dǎo)等建模方法，構(gòu)建煤礦全流程不同工序場景的工業(yè)機理AI模型，通過開發(fā)和應(yīng)用工業(yè)機理AI模型APP，可實現(xiàn)對煤礦各環(huán)節(jié)復(fù)雜機理的建模、優(yōu)化和預(yù)測，為煤礦各安全生產(chǎn)業(yè)務(wù)提供更準(zhǔn)確的預(yù)測和決策支持，從而提高生產(chǎn)效率、降低安全風(fēng)險。

2） 煤礦工業(yè)互聯(lián)網(wǎng)平臺。煤礦工業(yè)互聯(lián)網(wǎng)平臺是連接煤礦各工序的信息化系統(tǒng)，可集成煤礦各工序的數(shù)據(jù)，利用云計算和大數(shù)據(jù)分析等技術(shù)，通過AI模型嵌入到平臺應(yīng)用，實現(xiàn)煤礦各個環(huán)節(jié)的綜合分析和優(yōu)化調(diào)度。煤礦工業(yè)互聯(lián)網(wǎng)平臺為AI賦能提供網(wǎng)絡(luò)基礎(chǔ)、平臺中樞、數(shù)據(jù)基礎(chǔ)，實現(xiàn)煤礦各工序場景工業(yè)機理AI模型的管理部署、承載驅(qū)動、數(shù)據(jù)推理等AI應(yīng)用。

通過在煤礦各工序場景中應(yīng)用工業(yè)機理AI模型，可實現(xiàn)對煤礦生產(chǎn)過程的智能化分析和優(yōu)化。煤礦工業(yè)互聯(lián)網(wǎng)平臺則提供了數(shù)據(jù)采集、存儲和分析的基礎(chǔ)設(shè)施，使得AI模型不僅可以獲取實時數(shù)據(jù)并進行實時決策，而且可利用平臺歷史數(shù)據(jù)進行模型實時優(yōu)化更新。因此，通過對工業(yè)機理的AI建模和優(yōu)化，結(jié)合互聯(lián)網(wǎng)平臺的數(shù)據(jù)采集和分析功能，為煤礦AI賦能提供了關(guān)鍵的技術(shù)手段和基礎(chǔ)設(shè)施。

2 煤礦工業(yè)機理AI模型研究現(xiàn)狀

以地質(zhì)、采煤、掘進、安全監(jiān)控等煤礦基本作業(yè)環(huán)節(jié)為對象，總結(jié)與梳理近年來煤礦工業(yè)機理AI模型的研究進展。

2.1 地質(zhì)環(huán)節(jié)

煤礦地質(zhì)環(huán)節(jié)場景主要是煤層地質(zhì)3D建?！，F(xiàn)有研究大多采用傳統(tǒng)數(shù)學(xué)分析法對煤層地質(zhì)形態(tài)實現(xiàn)擬合：文獻[8-10]利用多源異構(gòu)探測數(shù)據(jù)，采用貝葉斯克里金法、多尺度插值等方法，實現(xiàn)礦井煤層厚度、表面形態(tài)的估計；文獻[11-12]結(jié)合開采揭露的煤層數(shù)據(jù)，采用格網(wǎng)-不規(guī)則三角網(wǎng)（Triangulated Irregular Network，TIN）混合面元、二次序列規(guī)劃等方法，實現(xiàn)煤層厚度預(yù)測值動態(tài)修正。數(shù)學(xué)分析法在一定程度上解決了煤層厚度等參數(shù)擬合問題，在此基礎(chǔ)上，一些學(xué)者嘗試AI方法解決地質(zhì)信息預(yù)測問題：文獻[13]利用初始煤層地質(zhì)模型數(shù)據(jù)與采煤機歷史截割數(shù)據(jù)，采用長短時記憶（Long Short Time Memory，LSTM）網(wǎng)絡(luò)對煤層厚度進行實時預(yù)測；文獻[14]利用遺傳算法求解地質(zhì)異常電磁波，進行地質(zhì)異常預(yù)測。這些研究面向煤礦實際生產(chǎn)中對地質(zhì)信息的實時更新需求，對透明礦井研究具有一定價值。

2.2 采煤環(huán)節(jié)

1） 煤巖界面識別場景。煤巖界面識別是采煤工作面提升智能化水平，達(dá)到“多截煤、少割巖”目標(biāo)的必要條件。文獻[15]采用基于D-S理論的“與”決策準(zhǔn)則，通過對振動、電流、聲發(fā)射、紅外閃溫等信號融合分析，區(qū)分采煤機在不同介質(zhì)比例下煤巖界面的截割特征信號，進而識別煤巖界面。隨著機器視覺技術(shù)的發(fā)展，大量研究提出煤巖圖像識別技術(shù)。文獻[16-17]采用改進U-net網(wǎng)絡(luò)、Crnet網(wǎng)絡(luò)等深度學(xué)習(xí)模型，通過對一些煤巖樣本訓(xùn)練，達(dá)到了較高的煤巖識別準(zhǔn)確率。然而，由于工作面現(xiàn)場條件受限，煤巖樣本缺少、模型泛化能力有限等問題凸顯。文獻[18-19]提出利用遷移學(xué)習(xí)思想，采用生成式對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）、AlexNet網(wǎng)絡(luò)增強煤巖圖像樣本，取得了一定效果。

2） 采煤機截割控制場景。采煤機調(diào)速調(diào)高控制是采煤割煤過程的關(guān)鍵工序。文獻[20-21]利用BP神經(jīng)網(wǎng)絡(luò)、新型螢火蟲算法調(diào)參PID控制器，實現(xiàn)采煤機滾筒自適應(yīng)調(diào)高控制；文獻[20]利用果蠅優(yōu)化算法得到不同截割阻抗下最優(yōu)的采煤機牽引速度及轉(zhuǎn)速；文獻[21]采用BP神經(jīng)網(wǎng)絡(luò)實時調(diào)整采煤機工作參數(shù)來實現(xiàn)自適應(yīng)調(diào)速；文獻[19]利用深度確定性策略梯度（Deep Deterministic Policy Gradient，DDPG）強化學(xué)習(xí)算法搭建采煤機自適應(yīng)調(diào)高調(diào)速模型。

3） 液壓支架跟機控制場景。液壓支架跟隨采煤機控制移動是工作面推進的關(guān)鍵工序。文獻[22]利用粒子群（Particle Swarm Optimization，PSO）算法雙層規(guī)劃模型決策得出液壓支架與供液動力交疊協(xié)同控制策略。文獻[23]利用決策樹模型決策得出液壓支架自動化后再次調(diào)控策略。上述方法利用AI模型實時生成控制策略，一定程度上解決了液壓支架自動跟機固化程序適應(yīng)性低的問題。

4） 液壓支架圍巖支護場景。液壓支架立柱壓力是工作面采場礦壓顯現(xiàn)規(guī)律和支護質(zhì)量的重要指標(biāo)?，F(xiàn)有研究大多采用傳統(tǒng)數(shù)學(xué)推導(dǎo)、統(tǒng)計分析法對圍巖支護效果進行分析評價，而當(dāng)前智能化工作面生產(chǎn)過程中會產(chǎn)生海量液壓支架立柱壓力數(shù)據(jù)，這些數(shù)據(jù)應(yīng)利用AI方法實現(xiàn)大數(shù)據(jù)分析與利用。文獻[24]利用改進型LeNet-5深度網(wǎng)絡(luò)分析時空區(qū)域的壓力數(shù)據(jù)，可辨識得出7類液壓支架支護質(zhì)量狀態(tài)，通過數(shù)據(jù)AI分析為工作面圍巖支護效果提供參考。

5） 刮板輸送機直線度檢測場景。刮板輸送機調(diào)直是工作面多刀推進的工藝保障，而刮板輸送機直線度檢測是一項技術(shù)難題。現(xiàn)有研究大多通過構(gòu)建理想數(shù)學(xué)模型推理直線度，如文獻[25]利用LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建目標(biāo)調(diào)直軌跡的修正模型和軌跡-姿態(tài)轉(zhuǎn)換模型，進而對刮板輸送機的軌跡進行預(yù)測。

6） 供液動力調(diào)控場景。乳化液供液系統(tǒng)是液壓支架動力來源，對不同類型液壓支架動作適配調(diào)控合理的供液流量，可提高液壓支架推進速度和精度[26-27]。文獻[28-29]利用BP神經(jīng)網(wǎng)絡(luò)、雙層規(guī)劃算法構(gòu)建了供液動力智能控制模型，通過工業(yè)性試驗驗證了控制效果。

2.3 掘進環(huán)節(jié)

1） 掘進機截割控制場景。懸臂式掘進機截割頭自動斷面成巷技術(shù)是智能掘進工作面的關(guān)鍵技術(shù)，其中截割速度自適應(yīng)控制和斷面截割軌跡規(guī)劃是目前的技術(shù)瓶頸。針對截割控制問題，文獻[30-31]利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建掘進機截割頭速度控制器，采用遺傳算法、PSO算法優(yōu)化BP網(wǎng)絡(luò)參數(shù)，通過仿真驗證了其控制效果優(yōu)于PID控制器。針對截割軌跡規(guī)劃問題，文獻[32-35]利用模糊支配的多目標(biāo)粒子群算法（Fuzzy Dominance-Multiple Objective Particle Swarm Optimization，F(xiàn)D-MOPSO）、生物啟發(fā)神經(jīng)網(wǎng)絡(luò)（Biologically Inspired Neural Networks，BINN）、蟻群算法、A*算法等搜索算法，對懸臂式掘進機截割頭斷面成型軌跡進行規(guī)劃，并利用仿真驗證了常見及復(fù)雜構(gòu)造斷面的截割軌跡規(guī)劃效果。

2） 自動鉆錨控制場景。自動鉆錨是智能快速掘進的核心難題，目前處于研究初期，大量研究主要面向錨桿鉆機控制系統(tǒng)設(shè)計和應(yīng)用，AI方法應(yīng)用研究較少。同時，針對自動鉆錨控制技術(shù)中支護鋼帶錨孔的定位識別問題，文獻[36-37]利用YOLOv5算法構(gòu)建鋼帶錨孔定位圖像識別模型，并通過實驗驗證了識別效果。

2.4 安全監(jiān)控環(huán)節(jié)

煤礦瓦斯、水害、火災(zāi)、頂板等災(zāi)害的監(jiān)測識別是煤礦安全監(jiān)控的主要對象，已有相關(guān)研究大多采用災(zāi)害演化機理和證據(jù)理論等方法，其中部分研究嘗試采用AI方法與模型對安全監(jiān)控海量數(shù)據(jù)實現(xiàn)分析、預(yù)測、預(yù)警。

1） 瓦斯監(jiān)控場景。文獻[38]利用和聲搜索-反向傳播（Harmony Search-Back Propagation，HS-BP）算法和遺傳算法-極限學(xué)習(xí)機（Genetic Algorithm-Extreme Learning Machine，GA-ELM）算法，文獻[39]利用遺傳算法-支持向量機（Genetic Algorithm-Support Vector Machine，GA-SVM）算法，構(gòu)建了煤與瓦斯突出危險性評價模型，為煤與瓦斯突出危險性評價提供了AI技術(shù)支持。

2） 水害監(jiān)控場景。文獻[40-41]利用LSTM、GA-BP網(wǎng)絡(luò)構(gòu)建了礦井突水預(yù)測模型，為開展突水預(yù)防工作和分析事故危害程度提供了參考依據(jù)。

3） 火災(zāi)監(jiān)控場景。文獻[42]構(gòu)建了一種基于長短時記憶-自編碼-單類支持向量機神經(jīng)網(wǎng)絡(luò)（Long Short Time Memory-AutoEncoder-One-Class Support Vector Machine，LSTM-AE-OCSVM）的火災(zāi)隱患識別算法，對比傳統(tǒng)的基于LSTM、OCSVM等的隱患異常檢測方法，具有更高的預(yù)測準(zhǔn)確率。

4） 礦壓監(jiān)控場景。文獻[43]利用免疫粒子群混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建了工作面初次來壓強度、周期來壓強度、初次來壓步距和周期來壓步距的預(yù)測模型；文獻[44]利用LSTM網(wǎng)絡(luò)對工作面支架工作阻力、支架不平衡力、支架安全閥開啟狀態(tài)等進行分析，構(gòu)建了初次來壓與周期來壓等礦壓預(yù)測模型。

5） 沖擊地壓監(jiān)控場景。文獻[45]利用深度學(xué)習(xí)模型MSNet構(gòu)建了微震事件發(fā)生時間、位置與能量的預(yù)測模型，繼而確定沖擊時間與危險性區(qū)域。文獻[46]利用GA-LSTM網(wǎng)絡(luò)，構(gòu)建了b值預(yù)測模型，為在沖擊地壓時間上演化發(fā)展的預(yù)測預(yù)警研究提供借鑒與參考。文獻[47]利用遺傳算法構(gòu)建了沖擊地壓多參量集成預(yù)警模型，通過分析微震、地音、應(yīng)力、電磁輻射等多源信息，以實現(xiàn)特定時刻下沖擊危險程度的量化預(yù)警。

6） 人員安全監(jiān)控場景。文獻[48]提出了煤礦“人-機-環(huán)”全域視頻AI感知的“云-邊-端”協(xié)同計算系統(tǒng)架構(gòu)，通過煤礦工業(yè)視頻的安全隱患AI分析，提高人員標(biāo)準(zhǔn)化生產(chǎn)作業(yè)行為安全，實現(xiàn)全域視頻信息的精準(zhǔn)感知和危險源協(xié)同管控。

3 新一代智能煤礦工業(yè)互聯(lián)網(wǎng)平臺架構(gòu)及內(nèi)涵

煤礦工業(yè)互聯(lián)網(wǎng)平臺是智能煤礦的神經(jīng)系統(tǒng)，負(fù)責(zé)對煤礦人、機、環(huán)、系統(tǒng)的信息感知匯聚、數(shù)據(jù)融合共享、資源優(yōu)化配置與產(chǎn)業(yè)價值發(fā)掘，是煤炭行業(yè)全產(chǎn)業(yè)鏈、全價值鏈的信息化與工業(yè)化融合應(yīng)用體系。

目前煤礦工業(yè)互聯(lián)網(wǎng)平臺正處于基礎(chǔ)設(shè)施建設(shè)階段，主要包括礦井網(wǎng)絡(luò)、數(shù)據(jù)中心、管控平臺等方面的軟硬件設(shè)施配套，5G、F5G、WiFi6、萬兆以太網(wǎng)等新一代網(wǎng)絡(luò)技術(shù)，超融合服務(wù)器集群、分布式計算、數(shù)據(jù)倉庫等新一代云平臺技術(shù)，正在逐步應(yīng)用于煤礦信息系統(tǒng)。針對這些新一代信息技術(shù)在煤礦應(yīng)用的問題，現(xiàn)有研究設(shè)計了數(shù)據(jù)采集、存儲、治理、應(yīng)用等工業(yè)互聯(lián)網(wǎng)通用技術(shù)框架[49-51]，開發(fā)了水害監(jiān)測[52-53]、瓦斯監(jiān)測[54-55]、礦壓監(jiān)測[56]、粉塵監(jiān)測[57]、沖擊地壓監(jiān)測[58]等煤礦管控應(yīng)用。

新一代智能煤礦工業(yè)互聯(lián)網(wǎng)平臺是在通用工業(yè)互聯(lián)網(wǎng)技術(shù)基礎(chǔ)上，針對煤炭工業(yè)的集團-礦井-采區(qū)-工作面管理體系特點，結(jié)合采、掘、機、運、通等煤炭開采業(yè)務(wù)環(huán)節(jié)，面向煤礦安全、生產(chǎn)、經(jīng)營等方面的場景需求，通過開發(fā)與應(yīng)用煤礦工業(yè)機理AI模型，實現(xiàn)煤礦從底層應(yīng)用場景到頂層管控業(yè)務(wù)的全鏈AI賦能。

基于上述分析，設(shè)計新一代智能煤礦多級云邊協(xié)同工業(yè)互聯(lián)網(wǎng)架構(gòu)，如圖2所示。該架構(gòu)采用“云-邊-端”框架體系，考慮煤礦多層級、多環(huán)節(jié)、多場景AI應(yīng)用需求，利用集團數(shù)據(jù)中心、礦井?dāng)?shù)據(jù)中心、生產(chǎn)系統(tǒng)集控中心等工業(yè)信息軟硬件設(shè)施，結(jié)合海量數(shù)據(jù)云計算和少量數(shù)據(jù)邊緣計算特點，提出集團云、礦井云與環(huán)節(jié)邊、場景邊的多級云邊協(xié)同機制。

圖2 新一代智能煤礦多級云邊協(xié)同工業(yè)互聯(lián)網(wǎng)架構(gòu)Fig. 2 Multi-level cloud-edge collaborative industrial Internet architecture of new generation intelligent coal mine

針對煤礦不同層級、不同部門、不同工序的業(yè)務(wù)需求，新一代智能煤礦多級云邊協(xié)同機制主要從應(yīng)用對象、響應(yīng)時間、計算任務(wù)、數(shù)據(jù)處理4個維度進行云、邊劃分，各級利用相應(yīng)底層的計算機系統(tǒng)、虛擬化、計算引擎、數(shù)據(jù)庫、算法庫等數(shù)字底座技術(shù)與工具，通過云端模型訓(xùn)練、邊端模型推理、數(shù)據(jù)快速交互、模型在線下沉等邊云協(xié)同技術(shù)，構(gòu)建煤炭工業(yè)數(shù)據(jù)共享、數(shù)據(jù)挖掘、數(shù)據(jù)使能的立體式AI技術(shù)應(yīng)用體系。

4 展望

1） 未來應(yīng)不斷加強煤礦工業(yè)機理AI模型的開發(fā)與軟件化研究，面向煤礦不同業(yè)務(wù)、不同工序的應(yīng)用場景，通過挖掘利用煤礦運行過程產(chǎn)生的海量數(shù)據(jù)，充分發(fā)揮煤炭專業(yè)背景的多學(xué)科交叉知識基礎(chǔ)，深入研究數(shù)據(jù)洞察、知識挖掘、模型訓(xùn)練、應(yīng)用軟件等煤礦工業(yè)機理AI模型開發(fā)與軟件化技術(shù)方法，逐步形成煤礦全流程AI賦能的知識軟件體系。

2） 未來應(yīng)充分運用煤礦工業(yè)互聯(lián)網(wǎng)平臺的數(shù)字資源與信息設(shè)施，不僅注重信息硬件設(shè)施的配置與管理，更要注重軟件體系的設(shè)計與部署。針對煤礦多層級、多環(huán)節(jié)、多場景的知識軟件體系，深入研究軟件通用環(huán)境、數(shù)據(jù)服務(wù)機制、算法工具支持、人機交互APP、煤機控制系統(tǒng)程序關(guān)聯(lián)等煤礦工業(yè)機理AI模型應(yīng)用技術(shù)體系，逐步實現(xiàn)煤礦工業(yè)互聯(lián)網(wǎng)平臺的AI技術(shù)承載。