人工智能在煤礦機器人中的應用

張 辰，范 永，李貽斌，楊 彤

(1. 山東大學控制科學與工程學院，山東省濟南市，250061；2.山東交通學院軌道交通學院，山東省濟南市，250357；3. 山東中科先進技術研究院有限公司，山東省濟南市，250000)

0 引言

煤礦井下生產作業過程存在下井人員多、災害風險高、事故率高、作業環境惡劣、環境污染嚴重等問題[1]。面對高危的井下作業，煤礦機器人成為實現煤礦井下安全、高效生產目標的重要途徑之一。煤礦機器人可以協助或替代人完成一些危險的采礦作業勞動，實現煤礦的安全高效生產。為了實現“無人則安”，機器人代替礦工進行井下作業是大勢所趨。

隨著“中國制造2025”“德國工業4.0”“美國工業互聯網”等戰略的提出，5G通信、物聯網、大數據、云計算和人工智能等技術的逐漸成熟，極大地推動了我國傳統制造業的轉型升級[2]。作為一種新興的科學技術，人工智能能夠使計算機技術更加精準、快速、便捷地完成人類大腦無力承擔的復雜科學計算，實現對人腦的部分代替、延伸和加強，進而創造出能代替人類完成復雜危險作業的智能機器[3]。

未來的煤礦生產將向無人化、自主化、智能化、高效化發展，其中人工智能技術將起到無可替代的作用，多樣化的人工智能技術將會應用到煤礦機器人中[4]。雖然當前人工智能在工業煤礦領域的應用還處于摸索期，然而隨著人工智能技術在煤礦領域中越來越廣泛的應用，建設無人化作業礦井勢在必行[5]。

1 煤炭行業亟待解決的問題

我國煤炭行業經歷了40多年的發展歷程，煤炭礦產資源的開采逐漸趨于智能化，但當前依舊存在一些瓶頸問題亟待解決。

1.1 技術設備亟需升級

我國煤炭的開采、運輸雖已經歷了數字化、自動化、信息化等階段，但整體技術水平與生產設備依然低于發達國家[6]。2019年，原國家煤礦安全監察局提出了加快掘進、采煤、運輸、安控、支護和救援等煤礦機器人的產業化應用。當前的煤礦機器人已不再是僅僅完成簡單的重復性操作，它可以感知周圍環境并實時反饋外界的信息，但其還不具備獨立的思維、識別、推理、判斷與決策能力，仍需要人為參與來完成一些復雜的工作任務。

1.2 安全生產隱患嚴重

煤炭行業屬于高危行業，生產中的每個環節都存在著各種危險，水、火、瓦斯、煤塵、地質構造等災害頻發，未知的復雜地下環境嚴重威脅井下作業人員的生命安全。基于物聯網、大數據、云計算等的煤礦智能監測與預警技術雖在很大程度上降低了事故的發生率，保障了煤礦的安全生產，但仍然存在諸多問題。傳感器的精度和靈敏度較差導致前兆信息采集不全面、不及時；監測系統相互獨立、功能單一，云端平臺集成應用融合深度不夠；監測系統數據庫安全性較弱；監測設備缺少深度學習以及自適應能力[7]。

1.3 環境污染嚴重

煤礦在開采過程中會產生煤塵，也會產生一氧化碳、二氧化碳等有害氣體污染大氣環境[8]。同時，煤礦開采產生的生產污水中含有大量重金屬、酸性物質等，易滲入土壤或進入地下水污染地質及水源。煤礦開采工程會侵占大量植被及農業耕地，開采后土地易出現坍塌現象導致地表層破壞[9]。

2 人工智能的主要研究內容

2.1 模式識別

人工智能技術中的模式識別借助先進計算機技術強大的數據采集、分析和處理功能，通過提前設置相應的程序來模擬人類對于外界環境的感知及識別功能。融入模式識別的智能機器人可以更好地模擬人類的感官能力，對字符、聲音、圖像、場景及其融合信息進行高準確度的識別，通過多源信息的獲取對周圍環境進行精確的感知與建模[10]。

人工智能技術中的機器視覺作為最重要的環境感知方式之一，模擬人類的視覺能力，提高機器人對于井下環境、作業過程和反饋現象的理解能力。融入機器視覺的智能機器人一是能夠很好地適應井下作業環境，與其他人造設備進行良好的協作；二是能夠捕捉到更多的外界景觀信息，通過立體視覺、視覺檢驗以及動態圖像分析技術，對圖像的內容進行深入的理解與挖掘；三是能夠判斷作業進程的地底反饋現象，將機器人的狀態信息反饋給運動控制系統[11]。

2.2 專家系統

專家系統是將人類專家的知識和經驗進行建模，用于解決系統決策、工藝、故障等問題的技術。通過人工智能技術，為井下系統建立知識系統，模擬人類解決作業過程中遇到的實際問題。人類專家在解決實際問題時，可以根據當前系統的狀態，例如設備顯示與聲音、運行數據參數、產品的狀態，對系統故障進行預測，判斷故障點并生成故障排除方案。因此，專家系統常用于故障預測、診斷和故障排除。此外，在制造業領域，專家系統也用于生產方案決策、生產工藝優化、生產協調以及設備參數優化。

2.3 機器學習

人工智能技術中的機器學習通過模型框架和算法來模擬人類的學習能力，通過訓練數據、環境信息和反饋，自動提取內在規律，以提高系統的性能，提高環境適應性和魯棒性。融入機器學習的機器人具備類人的規律提取、知識總結能力，從收集到的大量信息資源中找出有效信息，并加以學習來提升自身的智能化水平。機器學習技術能夠有效解決突發狀況下的系列難題，很大程度上降低人力成本與生產成本[12]。

2.4 分布式人工智能

分布式人工智能系統通過科學合理地結合人工智能與計算機技術，將異構的多智能體系統進行協調調度和控制，從而增強人工智能系統的性能，提升任務執行能力，提高智能機器人中的各個獨立系統的協同工作效率。當智能機器人遇到一些突發情況時，依舊可以保障各個分系統進行正常工作。當前分布式人工智能系統還處于研發起步階段，技術難點在于如何協調好不同系統的運行規則[13]。

3 人工智能在煤礦機器人中的應用現狀

3.1 人工智能在煤礦機器人運動控制中的應用

為了確保煤礦機器人能夠在復雜的井下環境中正常運行，研究學者將專家系統、人工神經網絡等人工智能技術應用于機器人運動控制方式、算法及協同作業等方面。煤礦機器人通過模擬人類專家思維及知識水平，可以解決一些復雜多維的非線性問題，降低動力學系統分析、參數設置及數據處理的運算量，提高控制效率及準確性。

王念等[14]研究人員基于嵌入式ucos設計了一款智能礦井機器人，并利用GSM網絡實現對設備的遠程控制；張傳才等[15]研究人員采用BP神經網絡建立了一種根據電機速度、運行時間確定機器人轉角的測量方法，可以提供角度參數用于機器人的路徑規劃；王雪松等[16]研究人員基于改進的Elman神經網絡逼近動力學不確定參數，利用神經-模糊控制器為煤礦機器人伺服系統發送控制指令；宋鑫等[17]研究人員將神經網絡應用于機器人控制領域，完成機械臂多關節耦合控制、末端軌跡規劃、液壓閥控制等動作。

3.2 人工智能在煤礦機器人智能感知與險情預測中的應用

礦用巡檢機器人通過搭載各類傳感器實現全方位感知井下環境信息，實時監控儀器設備故障、人員安全及瓦斯、煤塵、水、火等災害信息，并及時發出預警，減少煤礦事故的發生。針對井下復雜環境中的識別不準確、監測不及時等多個技術難題，研究人員使用深度學習、模式識別、專家系統等技術，進一步提升機器人對井下突發險情的精確識別與實時監控。

盧萬杰等[18]研究人員使用基于卷積神經網絡的深度學習算法，對煤礦設備進行建模和訓練，使井下巡檢機器人能夠準確識別煤礦設備的類型；張帆等[19]研究人員針對井下噪聲對可視化作業環境的擾動影響，提出基于殘差神經網絡的礦井圖像重構方法，有效提高監控圖像的清晰度及實時性能；聶珍等[20]研究人員采用基于BP神經網絡的遺傳算法搭建巷道氣體環境智能檢測系統，實時獲取煤礦巡檢機器人路徑中不同巷道截面上氣體濃度分布數據；潘越等[21]研究人員使用BP神經網絡對風機故障建立診斷模型，建立風機故障類型與風機轉子振動頻率段之間的映射關系，進而實現風機故障診斷；閆君杰等[22]研究人員基于人工神經網絡對煤礦機械齒輪故障建立診斷模型，使用輸入信號訓練神經網絡模型，對輸出信號進行分類，進而判斷齒輪故障。

3.3 人工智能在煤礦機器人自主定位導航與地圖構建中的應用

實現復雜非結構化煤礦環境中的自主定位導航既要考慮GPS技術無法直接應用于井下的問題，又要克服粉塵、溫度、濕度、噪音、氣流等外界因素的干擾，這對井下受限封閉環境中的機器人自主精準定位導航技術提出了更高的要求。基于人工智能技術進行煤礦機器人地圖構建、定位導航、路徑規劃、實時避障成為應用研究熱點。

白云[23]提出變結構模糊神經網絡，并將其應用于蛇形井下救援機器人的環境感知過程中，將多源傳感器數據進行融合，實現蛇形機器人在惡劣環境下的障礙物識別與環境建模；付華等[24]研究人員使用人工神經網絡模型，將智能化煤礦監測系統的工作空間進行建模和動態描述，利用神經網絡模型對機器人進行避障路徑規劃；張耀鋒等[25]研究人員采用基于Elman網絡對井下機器人超聲波傳感器測量誤差進行補償，大大提高了超聲測距的精度和障礙物探測的能力；翟國棟等[26]研究人員總結了雙目視覺技術在煤礦救援機器人中獲取事故現場信息和實現自主避障及路徑規劃的研究，包括模式分類與識別、視覺測量和三維重建、組合測量與定位、視覺伺服控制等方面；馬宏偉等[27]研究人員構建了基于深度相機的機器視覺系統，提出了一種基于深度視覺的導航方法，機器人搭載RGB-D深度相機進行數據采集，實現地圖創建與自主導航。

4 煤礦機器人智能化研究

人工智能技術種類繁多，應用于煤礦機器人領域主要研究內容包括多模態融合智能感知、知識學習與智能決策、智能控制協同作業等。通過感知、學習、決策、協同控制，實現煤礦機器人智能化發展。

4.1 多模態融合智能感知

煤礦機器人通過搭載各類防爆、高精度、高可靠性傳感器，構建視覺、聽覺、嗅覺、觸覺等多模態融合的智能感知系統，完成智能識別分析、異常聲音識別、溫度異常監測、煙霧檢測、有害氣體濃度檢測、自主避障、自主抓持等作業。

(1) 研究煤礦應用場景下機器視覺識別、視覺檢測等技術。通過圖像處理與理解，機器人一是能夠識別和監控設備數字表、液晶屏、指示燈、閥門等；二是能夠檢測管路液體滴漏、膠帶跑偏開裂；三是能夠進行人員入侵、人員在崗、人員穿戴著裝檢測；四是能夠對膠帶上出現的矸石、錨桿、道木、鐵管等異物進行識別與跟蹤。

(2) 研究煤礦應用場景下機器人聽覺即聲音檢測與識別等技術。利用高靈敏度拾音傳感器、高速DSP數字信號處理器，結合適應動態降噪處理技術、音頻特征提取與檢測模型算法識別技術，識別礦井內異常聲音。

(3) 研究煤礦應用場景下機器人嗅覺即氣體檢測智能識別技術。準確檢測環境中的甲烷、硫化氫、一氧化碳、氧氣等多種氣體濃度和煙霧是否超限，及時發現氣體泄漏和預警著火。

(4) 研究煤礦應用場景下機器人觸覺技術。通過接觸或非接觸的方式采集電機、水泵、軸承、托輥、膠帶等物體溫度，并進行數據分析；通過力感設備，對接觸力、抓持力、作業力、內應力進行實時監控，實現力的感知與安全控制。

4.2 知識學習與智能決策

針對目前煤礦機器人系統協議不兼容、缺乏信息共享與融合等問題，將煤礦機器人與新一代信息技術深度融合，構建煤礦機器人相互學習和知識共享的泛化、標準、彈性系統，突破煤礦機器人場景理解、安全探測、精確定位、自主感知及高效導航等技術瓶頸。實現煤礦機器人共性技術的云端在線服務，解決個體機器人的局限性，提高煤礦機器人的智能決策水平。

(1) 建立個體與整體相融合的學習與泛化框架。在個體層面，單臺機器人在作業過程中，將傳感、決策、控制、協作以及人機交互信息進行整合，通過以神經網絡為代表的人工智能學習框架進行增量、實時、在線訓練，對機器人的作業狀態進行動態調整，實現全周期的最優化控制與決策。在整體層面，多機器人之間通過新一代信息技術，將自身學習的知識進行上傳和分發，當某機器人面對全新作業任務時，可以借助其它機器人的知識結果，快速熟悉作業特性，減少重新學習時間，提升整體系統的任務彈性和適應能力。

(2) 建立機器人本體與云端相融合的作業模式。突破傳統機器人研發與集成模式，借助“5G+云計算”，實現本地輕量化機器人本體與云端高性能數據處理能力相融合的新型機器人研發集成路線。將智能環境感知、模式識別、地圖構建、自主導航等需要強大計算能力的算法部分移入云端，本地機器人將機載傳感器、執行器數據實時上傳云端，通過云端強大的數據處理和計算能力，對感知、建模、執行等各個環節進行優化計算；計算結果實時下發本地機器人，減少了本地機器人的計算負擔，將更多的硬件資源向傳感器和執行端轉移，實現輕量化、精簡化、高效能的作業機器人設計。

4.3 智能控制協同作業

將深度學習、激光/視覺SLAM技術融入到煤礦機器人，再結合多模態融合的智能感知系統，實現煤礦機器人在礦井復雜環境下自主移動、精確定位、位姿調整、智能作業規劃、自主作業以及災害智能感知等功能，實現探測、掘進、支護作業過程智能協同控制。

(1) 將神經網絡技術融入到多臺煤礦機器人協同作業控制和規劃中。礦井移動機器人自組織、自組網、自協調，實現異構設備整合。通過智能任務分解、任務分配、負載均衡技術，組建礦井復雜環境下的機器人群，應用井下空間自主導航、多傳感器狀態感知、智能作業規劃、多機協同控制等技術，實現工作面掘進、鉆探、采掘、運輸、支護等多機器人間高效協同作業。

(2) 將人與單臺機器人交互的模式擴展到人與多機器人群的交互，實現操作人員對機器人群的干預和協作。煤礦機器人作業過程中，各個不同功能的異構機器人形成復雜的多機器人協作群。同時，多機器人協作群需要能與操作人員進行深度的協作。通過AI技術，突破現有人機交互技術的簡單的“指令-執行-顯示”模式，將人的干預融入控制循環中，實現“人在環內”的融合人機交互新模式，實現“井下無人系統群+井上操作員”的作業模式，提升整體系統的作業效能、任務彈性和魯棒性。

面向智慧煤礦目標，開展“煤礦機器人+”研究，“煤礦機器人+5G”實現全面感知互聯、全域信息共享和多通道人機交互；“煤礦機器人+云計算”實現輕量低成本機器人本體和高效能學習計算能力的兼容；“煤礦機器人+大數據”實現動態預測、信息共融，為機器人進化學習提供數據基礎；“煤礦機器人+AI”實現智能自主感知、最優分析決策和知識學習進化，從而形成礦山立體感知、自主學習、協同控制的完整智能系統。

5 未來展望

人工智能在煤礦機器人領域得到了廣泛的應用，并取得了較多的研究成果。但是人工智能作為新興的前沿技術，仍存在局限性。

(1) 目前的人工智能技術主要面向單一任務，尚未實現能夠面對多種任務的通用型人工智能框架。例如針對圖像識別訓練的模型不能使用于聲音檢測和識別；識別某特定目標物的算法框架，也無法擴展到任意目標物的識別，在出現新的分類目標時，需要構建數據集并重新進行訓練。該特點限制了人工智能在復雜任務場景下的應用。

(2) 人工智能算法需要依賴于大量的數據，而數據的采集、加工、標定和校準等操作需要人工完成，效率較低，如何使用更少量的數據，實現更高的性能，成為當前人工智能方法的研究熱點之一。

(3) 煤礦機器人種類眾多，存在大量的感知設備，驅動設備和執行設備。各設備的數據格式多樣，難以形成統一的數據接口，使得各個系統之間的數據相互獨立。不兼容數據導致人工智能系統難以將煤礦生產各環節的機器人進行統籌協調，也難以獲取所需的足夠數據，無法針對整個生產流程形成閉環式的統一規劃。

(4) 煤礦機器人所處的環境極度危險，因此僅依靠目前的人工智能系統無法保證高度的安全性和穩定性。如何將人工智能系統與操作人員的人工干預相融合，并將人的干預融入整個人工智能系統的運行回環之中，成為下一步需要解決的重點內容之一。

未來，應用于煤礦機器人的人工智能系統將會朝著通用化、低開銷、統一化和人機協作方向發展，出現面向多種任務的通用型人工智能算法框架，使用少量的數據和低成本的訓練方法不斷地在線學習和進化，能夠結合煤礦生產各環節的關鍵數據進行統籌計算和調度，并能夠和人類相互協同，實現高效、安全、自主的煤礦生產。

6 結語

隨著人工智能技術的發展，煤礦行業將會迎來大變革。借助人工智能高效的模型構建、并行計算和統籌規劃能力，煤礦機器人的智能化、自動化水平將會邁上新的臺階，真正實現煤礦生產的無人化和安全性要求。同時，人工智能將會使煤礦生產效率大幅提高，推動煤礦行業安全、健康和可持續發展。