智能化煤礦數據模型及復雜巨系統耦合技術體系

王國法，任懷偉，趙國瑞，鞏師鑫，杜毅博，薛忠新，龐義輝，張 瀟

(1.中國煤炭科工集團有限公司，北京 100013；2.中煤科工開采研究院有限公司，北京 100013；3.煤炭科學研究總院 開采設研究分院，北京 100013；4.陜煤集團陜北礦業 張家峁礦業公司，陜西 榆林 719301；5.中國礦業大學(北京)，北京 100083)

煤礦智能化是我國煤炭工業高質量發展的核心技術支撐已成為行業廣泛共識，智能化理論與技術的研究也逐漸進入“深水區”。隨著井下通信、傳感、電氣、控制技術的不斷研發應用，從液壓支架電液控制系統、工作面集控系統、煤流運輸系統到智能通風系統、供電系統等，逐漸形成了大大小小上百個子系統。這些子系統多依據經典“傳感器-控制器”邏輯控制方法，在井下各個生產工藝環節發揮著重要作用。然而，當多個功能、通信方式、規模不等或不同的系統同步在井下運行時，對于整個礦井的智能化系統而言，這一狀況存在著明顯不足：① 子系統數據限于內部應用，只依據局部信息進行決策難以實現整體最優控制；② 控制模型依據的傳感器數據不完備，極易受到環境干擾發生誤動作或控制失效，魯棒性不足；③ 各個子系統獨立運行，沒有整體關聯架構支持，整體系統穩定性及優化協同均無法達成，無法應對復雜條件下的智能控制及整個礦井設備群的協同控制需求。上述這些問題是從煤礦機械化向自動化、再到智能化發展所必然經歷的問題。很多研究機構、學者都認識到這些問題，針對其中一個或幾個方面開展了研究，試圖給出解決問題的路徑和方法。

首先，最為重要的是統一數據模型。只有標準化、統一化的數據格式才能支撐多個子系統融合。當前，在數字孿生智采工作面系統的概念、架構及構建方法，基于邊緣云協同計算架構的智慧礦山技術架構體系，基于云服務、邊緣計算和WSN技術的煤礦信息物理系統場景感知自配置系統等研究中，給出了物理系統信息的虛擬表達方法及計算體系，為系統融合指出了路徑，但尚不能完全支撐系統融合過程所需的多源異構數據處理、關聯分析及虛擬映射操作。

其次是要實現跨系統的數據感知及實時連接。煤礦井下當前已經初步形成了一個全時空感知體系，對物理空間、地質構造、人員、裝備等靜態及動態的邏輯、屬性、運行、過程信息進行不同頻次的采集，以支持煤礦數字化。然而，這些感知的傳感器分布在不同的子系統、不同的數據傳輸層次中，難以統一在一個數據治理體系下并形成具有完備特征的煤礦數據孿生體。已有的研究提出了全面覆蓋的智慧煤礦信息模型，力求改善數字礦山向智慧礦山發展過程中信息關聯層次不清晰、框架結構不完善、缺少智能決策依據及有效控制方法的問題；提出了由數據接入層、數據存儲層、數據資產管理層、數據服務層構成的煤礦大數據集成分析平臺技術架構，為數據融合分析處理提供基礎數據與資源能力。然而，跨系統的業務邏輯、不同層級數據的匹配推送策略還未完全建立，因而無法實現大規模數據的跨系統實時連接。

此外，還涉及多系統融合的兼容性問題、安全性問題等。當多個系統協同運行時，無論是空間、時間還是邏輯上都存在兼容協同的問題。每個子系統都需要評估在外部數據介入情況下的系統收斂性、穩定性及安全性。筆者團隊對智能化煤礦復雜巨系統的邏輯關聯進行研究和系統歸并，提出以泛在網絡和大數據云平臺為主要支撐，以智能管控一體化系統為核心，“自主感知與控制-信息傳輸-井下系統-綜合管控平臺”為主線的智能化煤礦數據流動與業務協同融合鏈。

上述研究從理論、技術多個角度分析了當前面臨的問題，為建立整體系統架構、實現數據融合、保障系統安全奠定了理論及技術基礎，并通過部分實踐研究，給出了具體業務邏輯的數據處理方法，對于解決當前存在的問題及不足具有重要作用。但由于煤礦系統的復雜性、多業務系統的特殊性，現有研究成果還不足以支撐全礦井系統多目標決策下的安全、高效、穩定運行需求。

筆者從全礦井復雜巨系統入手，針對其單元數量巨大、信息多元異構、關系錯綜復雜等特點，提出統一的多源異構數據融合處理方法——基于“分級抽取-關聯分析-虛實映射”的數字煤礦智慧邏輯模型，形成井下跨系統全時空信息數字感知和數據結構體系，進而構成完整的、正向設計的數字煤礦底座；通過煤礦數據推送策略與自動更新機制解決數據實時連接及迭代更新難題；提出基于ABCD(ABCD技術體系，即人工智能(AI)、區塊鏈(Blockchain)、云計算(Cloud computing)、大數據(big Data))的智能化煤礦系統耦合技術，以安全保障系統耦合為例闡述了煤礦復雜巨系統數據交互、融合過程；建立了智能化煤礦數據標準體系。相關技術在陜煤張家峁生產型煤礦應用，創建了礦井整體智能化系統，突破了多源異構系統的一體化集成技術，建成了全礦井跨域融合智能綜合管控平臺；構建了全時空信息數字感知及實時互聯機制，打通多系統、多層面、多部門的業務數據壁壘，實現全礦井58個在用子系統和34個新建子系統的數據融合和運行決策優化。

1 智能化煤礦巨系統數據邏輯模型

從20世紀90年代開始，煤礦井下信息化、電氣化、自動化水平逐漸提升，各種傳感器、控制裝置、電氣系統不斷增加。例如，一個6 m大采高自動化工作面就有16個子系統，超過4 000個傳感器，5 000根不同的信號、控制線，10余種通信協議。當這些子系統單獨運行時，關系相對簡單，某個局部故障也不影響整個工作面的運行。然而，當這些子系統相互融合、數據交互共享后，大系統的數據類型、信息層次會變得異常復雜。根據系統工程定義，如果組成系統的元素不僅數量大而且種類也很多，它們之間的關系又很復雜，并有多種層次結構，這類系統稱為復雜巨系統。目前，整個煤礦的各種子系統共計有上百個之多，包含文本信息、連續信號、視頻信息、音頻信息等數據類型，涉及信息傳輸、存儲、處理等不同操作，具備物理邏輯、功能邏輯、事件邏輯等不同層級關系，覆蓋生產、安全、管理等多個數據域，符合復雜巨系統定義的特征。

智能化煤礦復雜巨系統最重要的是要解決多源異構數據的處理問題。數據信息的載體不同、格式不同，單純某一個方法無法實現多層次、多維度、多關聯、多領域數據的融合處理。為此，建立“分級抽取-關聯分析-虛實映射”的智能化煤礦巨系統數據邏輯模型，形成多源異構數據處理理論方法。

1.1 分級抽取

大數據處理及分析系統需建立3個平臺，大數據基礎平臺、數據接入平臺和數據資產管理平臺。大數據基礎平臺建立了進行數據處理的基本架構，提供了數據抓取、治理、接入、可視化的基本功能模塊。數據接入平臺主要完成數據的預處理，包括解析、去重、清晰、合并、分類等功能。分級抽取在數據接入平臺中完成，根據不同數據的層級、屬性、格式，有不同的提取方法，但任何數據均能采用如圖1所示的煤礦數據邏輯模型統一規范和描述，其所包含的信息均屬于7類信息中的一種或多種。從另一角度而言，數據邏輯模型將每一個數據源(傳感器)在一個七維空間進行了定位。

圖1 煤礦數據邏輯模型Fig.1 Coal mine data logical model

根據管理、生產、安全的不同需求，尋找、提取對應標簽的數據源。數據源標簽來自于最初給定的“信息實體”，或通過自我更新機制產生。按照信息抽取粒度不同，可采用基于中心向量模型的方法、模式匹配的方法等。抽取過程中，抓取多個源數據庫的消息，然后傳遞到對應的高級隊列；通過獲取所述源數據模塊中高級隊列中的消息，并將所需數據標簽進行發送；最后通過消息處理模塊將標簽數據處理、轉換之后應用于多個不同的應用目標端。

1.2 關聯分析

關聯分析在數據資產管理平臺中完成，是數據融合挖掘的基礎，且針對不同的目標需要結合不同的專業分析模型。煤礦常用的關聯分析模型有生產工藝模型、統計關聯模型、安全管理模型等。例如，針對工作面視頻流數據，分層抽取設備信息、人員信息、運行信息進入到信息共享庫。信息共享庫在礦壓、瓦斯、設備故障、工藝流程等專業分析模型的基礎上進行數據融合挖掘，滿足管理、安全、生產控制的需求；針對于工作面爆炸危險性預警，經過數據抽取，得到甲烷、一氧化碳、溫度、風速、粉塵濃度等與之相關的數據源(傳感器)，通過實測建立的工作面爆炸值域及關聯曲線進行多數據關聯分析，進行實時爆炸預測。

1.3 虛實映射

數字孿生強調的是虛擬系統與現實系統的符合度，而數據邏輯模型的虛實映射則更關注二者的交互，預測與控制相結合，如圖2所示。已研究提出的“信息實體”是虛實映射的基礎，分級抽取的信息通過關聯分析形成的邏輯都被賦予到“信息實體”中。因而，與物理實體相比，信息實體是具備邏輯關系的“智能體”。這些智能體之間通過網狀的邏輯關聯來表達、分析、預測物理實體的行為。當某時、某種關聯智能體表達的行為符合預期目標，則這種關聯就被記憶，并反向驅動實際的物理實體按照既定的關聯完成行為動作。

圖2 工作面數據虛實映射模型Fig.2 Virtual and real mapping model of working face data

這里給出了煤礦復雜巨系統的統一數據模型及決策機制的理論和方法，建立了滿足多目標決策下的智能化煤礦系統安全、高效、穩定運行體系。煤礦數據通過分級抽取-關聯分析-虛實映射，形成可統一處理、分析和挖掘的信息流，能夠解決多源異構數據融合的理論難題。上述理論和技術方法的實現都基于大數據基礎平臺、數據接入平臺和數據資產管理平臺組成的大數據數據處理及分析系統。這一系統將處于不同子系統的數據源(傳感器)統一進行存儲、管理和調用，形成跨系統的全時空信息數字感知體系。基于上述理論技術在陜煤張家峁煤礦開發了大數據支撐系統，實現了全域數據管理、跨業務數據融合，數據進行深度解析、重構與復用，對整個煤礦各個生產系統的運行狀態與趨勢進行分析、預測，給出優化策略，實現了“管理-控制”一體化。

2 井下跨系統全時空信息數字感知及實時互聯機制

煤礦智能化很大程度依賴于生產環境的有效感知。在目前煤礦生產過程中，上述環節均存在不同程度的獨立采集與傳輸信息，信息感知能力差，共享程度低，不利于對煤礦信息進行全面感知與深度挖掘，從而做出科學、有效的決策。因此，作為煤礦智能化基礎要素，有必要構建完備的煤礦井下跨系統全時空信息數字感知體系，形成井下現場生產狀態、采掘空間信息、煤機裝備狀態、風險信息等多參量、多尺度、全時空特性的跨系統數據感知方案，即可獲取完整數據信息、又能避免當前數據不共享、硬件冗余重疊等問題，為煤礦安全生產與管理提供充分的決策支持。

為實現煤礦井下完備信息數據感知，建立井下跨系統全時空感知體系總體框架。包括6個層面，自下至上分別為感知要素層、感知層、傳輸層、邊緣處理層、數據融合層和應用層，如圖3所示。主要實現煤礦井下生產管理系統的各個重要方面的透徹感知、各種感知工具和數據的互聯互通、底層數據共享機制、數據集成分析和決策的深度智能化。

圖3 煤礦井下跨系統全時空感知體系總體框架Fig.3 Overall framework of cross-system full-time and space perception system in coal mine

2.1 煤礦井下跨系統全時空信息感知內涵

實現煤礦智能化安全保障首先應具備精準的煤礦全維度信息感知能力，煤礦井下跨系統全時空信息感知主要指對涵蓋煤礦水文地質條件、采動空間力學環境、災害指標性信息、礦井設備及生產信息和人員信息等的具備全維度的感知，即綜合應用視覺采集儀、激光掃描、CT切片掃描、慣性導航等傳感技術手段，實現煤礦采掘空間地理信息狀態、人員設備路徑跟蹤、水文地質、煤機裝備狀態等全方面、全維度感知，為煤礦智能化安全保障提供數據基礎。

2.2 多參量信息感知

隨著煤礦采掘運生產監測精準化、智能化的發展需求，監測信息也由單一測點向多個參量協同感知邁進，利用各類傳感技術對煤礦井下智能化生產進行巷道圍巖安全狀態信息智能感知、工作面液壓支架姿態智能感知、工作面采煤機姿態智能感知、工作面刮板輸送機直線度智能感知等，實現錨桿載荷、頂板離層、圍巖應力、錨桿桿體應力、巷道溫度、液壓支架傾角及壓力、采煤機姿態與刮板輸送機直線度等多種基礎信息的獲取；同時，以時間戳為依據獲取輔助系統的關鍵參量，從而更為全面地反映煤礦安全生產狀態。

2.3 感知數據結構

煤礦井下信息數據可按照生產業務主題進行分類，第1級目錄劃分為六大主題領域，分別是綜采、綜掘、輔運、安全、人員和生產指標，如圖4所示，第1級主題領域內根據現存煤礦井下生產數據采集和數據標準規范可進一步劃分第2級主題目錄。綜采二級主題可進一步劃分為圍巖環境狀態、三機狀態等；綜掘二級主題可進一步劃分為掘進尺度、掘進速度等；運輸二級主題可進一步劃分為主運信息、輔運信息等；安全二級主題可進一步劃分為通風、瓦斯、防滅火等；人員二級主題可進一步劃分為人員位置等；生產指標二級主題可進一步劃分為產量、能耗等。

圖4 感知數據架構Fig.4 Perceived data architecture

2.4 多網協同傳輸

工業互聯環網是煤礦井下感知體系的骨干網絡，井下生產需要采集的各類感知數據絕大多數都需要通過邏輯網關將數據上傳至互聯網的應用系統。充當邏輯網關的網絡設備可以是WiFi網關或ZigBee網關、M2M網關或者使用LORA標準的專業網關、4G或NB-IoT甚至未來的5G標準的基站等。為保障信息傳輸的有效性和控制信號的低延時性，傳輸網絡需更好地滿足海量數據接入和可抵御信號干擾的需求，對多協議傳輸網關可采取多網協同、高層協議向下兼容解析等方式完成井下工業互聯環網和與感知傳輸網絡的高效通信。

2.5 數據跨系統邊緣共享與匯集

煤礦不同層級的平臺、井下各系統互通互聯才能進行安全智能聯動控制。不同需求層面的煤礦信息“實體”實時數據采集是實現智能化煤礦巨系統數據邏輯模型“虛實映射”的根本，沒有區別的數據層級和虛實映射會導致數據流和數據量劇增，影響系統實時性，根據所構建的井下跨系統全時空感知體系總體框架，為實現不同層級的生產采掘運等系統的交互協調，通過引入數據邊緣處理層，利用數據邊緣處理盒子等以統一時間戳的輪詢方式動態提取不同生產子系統的關鍵參量，并進行實時迭代更新，將關鍵生產信息匯聚于“邊緣端”，進行數據底層共享和融合分析，可以有效減少數據傳輸量，并快速判斷有利于生產優化的決策方案，以及時應對不同的工況環境，實現井下各生產系統間的及時快速的數據共享、協同聯動；同時，對于輔助生產系統中不影響主生產系統的數據可進行“躍層”匯集至更高的綜合管控平臺及大數據系統，以在煤礦大數據層級進行綜合數據分析，實現數據流的多層級管理，如圖5所示。

圖5 數據跨系統匯集機制Fig.5 Data collection across systems

2.6 感知數據深度融合

數據深度融合是對多源異構數據進行綜合處理獲取更高維度信息的過程。在獲取井下生產多參量信息后，按照數據處理的層次，將其具體分為數據層融合、特征層融合和決策層融合，數據層融合主要根據數據的時空相關性去除冗余信息，而特征層和決策層的融合往往與具體的應用目標密切相關，譬如，通過監測綜采工作面刮板輸送機直線度、支架姿態、采煤機滾筒姿態等數據，綜合判斷整個工作面的運行環境，刻畫綜采工作面生產環境和可調裝備情況；通過多個主煤流運輸情況、綜采工作面開采情況和全礦井生產任務，綜合分析全礦煤炭開采水平，及時作出生產調整等決策。

2.7 數據匹配推送策略

煤礦井下數據邏輯模型的虛實映射需要數據的匹配與推送。因此，基于煤礦多源異構關系數據的信息“實體”和虛實映射機理，提出基于知識需求模型的信息實體主動匹配與推送策略：

(1)信息實體匹配。煤礦信息類別繁多且相互之間關聯關系復雜，涉及多個維度的屬性。信息實體在智能化煤礦信息網絡系統中處于節點位置，是數據匹配、推送時數據指針對應操作的最小單元。通過信息實體抽取、分析及虛實映射，挖掘信息實體之間的關聯規則，計算支持度和置信度，描述關聯程度，并通過機器學習中的典型分類算法支持向量機定義開采行為相關的本體類別，劃分類的層次結構，定義本體的邊界和約束，構建基于外部感知的信息動態匹配算法，如圖6所示。

(2)數據推送。通過模糊綜合決策的知識匹配規則，以信息需求中的條目作為關鍵詞進行匹配，所有與該條目相關的信息實體數據庫中的數據按照因式分解機算法被推送至操作功能庫。需求模型匹配并推送的信息包含著物理對象的空間狀態、變動觸發事件及其對開采生產環節的影響。在操作功能庫中，建立信息實體清洗、存儲、控制和管理等基本操作功能，形成概念邏輯、聯想、記憶和思維推理的信息實體操作機制，并分析這些推送的觸發數據及其二階行為模式得到相關參數變動趨勢，基于開采行為的知識過濾與因式分解機推送策略，最終在諸多匹配數據中得出需要的數據，并從操作功能庫推送給控制對象，由其自身智能控制系統給出最佳的控制方式和參數。

圖6 信息動態匹配算法Fig.6 Information dynamic matching algorithm

3 基于“ABCD”技術的智能化煤礦系統耦合

智能化煤礦巨系統的數據邏輯模型及跨系統的全時空信息數字感知及實時互聯機制是建立煤礦完整數字體的基礎。隨著煤礦智能化建設的不斷深入，全礦井感知體系和數據系統日益健全，“數據孤島”等問題也會逐步得到解決。但各子系統的關聯、協同、整合及業務應用技術也必須要盡快發展，要有充分的學科理論支撐。煤礦智能化系統耦合需緊密依賴新一代信息技術的發展和融合應用，如圖7所示，它主要涉及人工智能(AI)、區塊鏈(Blockchain)、云計算(Cloud computing)、大數據(Big Data)等新一代信息技術(簡稱ABCD技術)。可以說，智能化系統耦合技術是把這些理論體系作為自己的理論基礎，同時智能化系統耦合技術的應用也促進了ABCD技術的理論提升。

圖7 基于“ABCD”技術的智能化耦合技術體系Fig.7 Intelligent coupling technology system based on “ABCD” technology

3.1 人工智能技術

智能化系統的“智”來源于AI技術在各系統中對人的逐步取代，包括分析、預測、決策、辨識、控制等功能。之前的煤礦智能主要是知識驅動、經驗驅動，是一種模擬人類專家解決專業領域問題的方法。其發展主要依賴于知識表示和知識推理技術，但因其獲取知識的主要途徑還是人工，因此效率不高、效果也過度依賴人工經驗。當前正在攻關的煤礦智能為數據驅動，依靠大量數據的挖掘分析獲取規律，這一階段得益于機器學習和深度學習的快速發展，在煤礦設備故障診斷、趨勢預測、安全預警、圖像識別等方面均取得了突破性進展。但深度學習的“黑箱”特性降低了其對煤礦開采力學、運動學、動力學等方面本質特征和運行機制等方面的解釋性和關聯分析能力，且深度學習處在特征空間，是對“局部”樣本數據的特征統計，其實時性、正確性和準確性嚴重依賴于算力和樣本。因此，AI技術在煤礦智能化系統耦合應用中必須深度融合采礦學科相關基礎理論，為煤礦多系統融合決策提供支撐。

3.2 云計算技術

云計算是算力與網絡能力的統一體。早期的云計算主要解決的是分布式計算問題，主要用于大型科研計算。但隨著云化技術的快速發展，云計算已從分布式計算快速拓展到云化服務，并不斷與大數據、AI、虛擬化技術等融合，產生新的應用模式并為煤礦智能化系統耦合帶來新的解決方案。與此同時，日益龐大、復雜的煤礦智能化系統，產生的數據量也由GB級向TB甚至PB級以上上升，數據種類也由簡單結構化數據為主變為結構化、半結構化和非結構化數據共存。煤礦智能化系統耦合過程存在超量的數據融合應用，傳統終端處理模式已不能滿足數據處理和AI應用的需求，因而需要云端存儲、算力和計算模型等的支持。但與此同時，工業生產和安全的實時性需求又決定了不可能完全云化，而5G等新一代信息技術的快速發展“拉近”了“云-端”間的距離并保障了高帶寬、高并發、低時延控制需求，為解決這一難題提供了關鍵支撐，并由此研究發展出了“云-邊-端”架構。

3.3 區塊鏈技術

煤礦智能化系統耦合過程中，大量數據由非本地、非自身系統產生。ACD技術的結合提升了系統間互聯互通的能力和整體運行效能，但如果數據來自于非法入侵、亦或遭到篡改，則相關系統都會受到影響，甚至會導致系統決策控制錯誤。因而，系統數據需要進行來源追蹤、置信度、安全性的評估和確認。另一方面，安全排查、質量追溯、故障排除等都是常見的“環環相扣”的系統問題，排查和解決不僅費時費力，還極易引起糾紛遲遲得不到解決。上述兩個方面的問題需要區塊鏈技術加以解決。“區塊”技術本質上是一個共享數據庫，但存儲于其中的數據或信息具有“不可偽造”、“全程留痕”、“可以追溯”、“公開透明”、“集體維護”和“去中心化”等特征，恰好契合了煤礦智能化建設過程中的痛點需求，為智能化系統耦合應用提供了安全保障機制。

3.4 大數據技術

智能化煤礦的各個系統運行中產生大量數據，系統間耦合就是數據交互、推送、決策、控制的過程，大數據技術在這一過程中具有異常重要的作用。系統間的各種物理、事件、邏輯關聯關系都依靠大數據技術進行挖掘和分析，例如，開采過程中的力學、運動學、動力學和相互關聯關系等，分析并預測人員、設備、環境和綜合管控等多元耦合系統的發展趨勢，決策控制煤礦智能化復雜系統的協同運行，同時結合數字孿生技術將相關應用場景發生、發展的過程和結果實時清晰的展現出來，這就完成了由數據使智能化系統間發生耦合的整個過程。煤礦數據處理當前主要難點在于大量跨系統多源異構數據的實時共享與處理上，但數據采集的質量和標準同樣決定了后續數據的可用性和完備性，因此煤礦大數據應從底層傳感和采集方法做起，否則再多的數據也不能反映真實的規律。

3.5 煤礦系統安全

網絡安全是隨著網絡技術的發展動態跟進的過程，更是在與網絡攻擊不斷的交手過程中逐步加固的過程。隨著智能化系統接入的越來越多和系統間的數據交互越來越頻繁，暴露的網絡攻擊點也會越來越多，被動防御會愈加困難。除了滿足國家的等保要求外，更重要的是變被動防御為主動防御，建立被攻擊態勢感知和預警系統，不斷更新完善應急處理能力和措施，定期組織護網行動，建立數據定期備份常態化機制。

構建煤礦“垂直分層、水平分區、邊界控制、主機監測、內部審計、統計管理”的縱深防御體系，滿足國家監管、集團統籌和下屬單位管控等的多種需求和安全生產需要，保障信息的安全和數據的安全，從實體安全、平臺安全、數據安全、通信安全、應用安全、運行安全、管理安全等層面上進行綜合的分析和管理，構建網絡信息安全體系。

智能化煤礦系統耦合技術需要“ABCD”技術的融合支撐，“BC”技術構建了安全可靠的數據庫和充足的算力，“D”為其填充了標準化的多源異構數據并提供了豐富的計算模型，“A”完成了數據到控制的轉換和落地應用，同時結合數字孿生技術將生產管控的過程和結果同步展示和下發到執行系統，形成“物理-虛擬”空間二元平行控制，解決煤礦場景化智能應用的難題。例如，煤礦視頻實時拼接、基于深度學習的各類識別、設備故障診斷、設備管理與質量追溯、煤礦安全隱患排查與分析、煤炭洗選優化與過程控制、產能控制等。

4 智能化煤礦數據標準體系

數據賦能實現多源數據集成分析與數據價值挖掘是實現智能化的基礎。目前各大煤礦企業及研究機構均認識到煤礦數據資產的重要性，建設了相應的數據運維中心等，在地質信息探測、多維數字化礦山建模、生產自動化、安全監控、管理信息化等方面開展理論和技術研究，在大數據平臺架構、安全生產協同管控等方面取得成果。但是由于缺乏統一的數據標準和模型，對于生產業務信息系統，難以實現數據互聯。因此智能化煤礦數據標準體系及相應的數據治理體系是根本上解決數據匯聚交換不暢、開放共享不足、應用落地不易、安全監管不到位等問題的核心。

4.1 智能化煤礦數據治理管理體系

通過分析，煤礦數據進行治理及融合分析的過程中具有如下特點：

(1)數據內容豐富。涉及采煤作業、生產安全、機電管理、企業經營等方面，這些數據主要產生于煤礦企業經營管理過程以及煤炭生產過程中，與智能化煤礦的建設密切相關。

(2)數據類型多樣。煤礦數據整體呈多維度特征，從數據結構特征看，包括了結構化數據、半結構化數據和非結構化數據，從數據產生頻率看，包括了實時數據和非實時數據，從業務歸屬看，包括了生產、安全、經營等類型，并且數據以不同形式分散在各個系統中。

(3)數據潛在價值大。煤礦通過各類傳感器采集生產過程和環境監測的數據，這些數據是煤礦生產全流程的記錄，具有非常大的潛在價值。如何充分挖掘這些數據的價值與煤礦的智能化成效密切相關。

煤礦數據治理應建設統一的數據治理能力，提供可復用的行業知識庫，具體建設內容應包括統一數據集標準、數據質量、數據安全、數據共享服務標準。數據治理技術體系總體框架共劃分為“數據源-數據接入-數據基礎設施-數據資產管理-數據共享-數據安全”幾個部分，如圖8所示。

(1)數據接入。數據接入應支持實時數據接入和離線數據接入。實時數據接入為處理或分析流數據的自定義應用程序構建數據流管道，主要解決云服務外的數據實時傳輸到云服務內的問題。離線接入應支持多種數據遷移能力和多種數據源到數據湖的集成能力。

(2)數據基礎設施。數據基礎設施即在實現數據全面存儲的基礎上構建數據治理管理平臺，實現多源數據入湖與統一數據服務的數據全生命周期管理功能。自業務系統數據采集開始，經過數據清洗、數據存儲、數據分析挖掘、數據服務等數據操作，直至數據歸檔或銷毀，在數據全生命周期中的每個環節完成對應的數據治理工作。包括數據源對接，數據采集，數據清洗，數據加載，數據存儲，數據服務，數據分析等工作，為煤礦數據管理提供基礎工具與存儲空間。

(3)數據資產管理。數據標準是指保障數據的內外部使用和交換的一致性和準確性的規范性約束，包括數據業務屬性、技術屬性和管理屬性的表達、格式及定義的約定統一定義；可作為數據質量控制的準則、數據模型設計以及信息系統設計的參考依據。數據標準管理是指數據標準的制定和實施的一系列活動，涵蓋數據標準的創建編輯刪除、分類管理、導入導出、數據標注化工作開展情況評估等一些列功能。其中包括提供主數據管理、元數據管理、數據資產目錄、數據治理、數據血緣等數據治理能力，支撐客戶進行數據管理與治理，持續進行數據運營等。

圖8 煤礦數據管理體系框架Fig.8 Coal mine data management system framework

(4)數據共享與數據服務。數據共享服務應為煤礦企業搭建統一的數據服務總線，幫助企業統一管理對內對外的API服務；可提供數據的抽取、集中、加載、展現，構造統一的數據處理和交換。數據共享交換服務應由中間件、服務、接口等模塊組成，核心組件包括數據交換引擎、安全管理、系統管理、Web服務管理以及接口。

(5)數據安全。在數據全生命周期中，在各個階段通過技術手段形成可固化、可自動持續執行的安全檢查方法、安全保證方法及安全統計報告，從而實現對數據安全的把控和提升。

4.2 智能化煤礦數據標準體系

通過梳理相關國際標準、國家標準、行業標準，結合智能化煤礦生產經營活動涉及的數據資源特點，構建了智能化煤礦數據標準體系(圖9)。該體系將全部標準規范劃分為基礎標準、技術標準、業務標準三大類。其中，基礎標準固定了整個體系的框架、術語定義、技術參考模型和數據分類標準。技術標準規定了智能化煤礦大數據資源從數據生產、管理到服務全生命周期關鍵節點的標準化，包括元數據、數據管理、數據質量和數據安全。業務標準結合了技術標準中的元數據標準內容，包括主數據標準和業務數據標準。

圖9 煤礦數據標準體系框架Fig.9 Framework diagram of standard system of coal mine data

基礎標準是智能化煤礦數據的綱領性文件，主要規范煤礦數據建設和服務中使用的技術參考模型、詞匯概念和數據分類方法等內容。基礎標準是智能化煤礦數據標準體系中具有基礎性和指導性的標準規范，是所有標準的技術基礎和方法指南，也是其他標準執行的依據。其適用范圍貫穿智能化煤礦數據標準化的全過程，具有較長時期的穩定性、延續性和指導性。基礎標準主要包括標準體系框架、術語、技術參考模型和數據分類標準等。

技術標準規定了智能化煤礦數據標準體系中的一系列技術要求，包括元數據標準，數據管理標準，數據質量標準和數據安全標準。技術標準為智能化煤礦進行數據治理及管理提供了全面的工具平臺要求及操作指導。

技術標準包括主數據、元數據、數據管理、數據質量和數據安全等標準。數據全生命周期管理是以數據質量管理為核心，對主數據、元數據、業務數據構建采集、存儲、管理全生命周期管理。

主數據是滿足煤礦企業內部跨部門業務協同需要、反應核心業務實體屬性的基礎信息，是在整個價值鏈上被重復、共享應用于多個業務流程的、跨越各個業務部門、各個系統之間共享的、高價值的基礎數據，是各業務應用和各系統之間進行信息交互的基礎。通過主數據的標準化，保證分析系統的各領域/維度數據貫通，滿足煤炭企業內跨部門、跨流程、跨系統的業務需要，才能有效避免主數據對應的實體在各個管理環節可能出現的歧義。

數據生命周期劃分為數據定義階段、數據存儲、數據加載轉換以及數據應用、數據歸檔階段。對于數據進行治理與管理過程是以元數據管理為核心的，通過對煤礦數據管理過程中產生的元數據進行整合，有助于更好地獲取、共享、理解和應用企業信息資產，實現數據關聯分析，更好的為各應用提供數據服務。元數據標準結合智能化煤礦的實際業務特征從技術、業務、管理3個角度制定。為智能化煤礦有效收集、管理生產及經營過程中產生的數據，并進一步挖掘數據的潛在價值提供基礎依據；數據管理標準規定智能化煤礦進行數據收集、數據預處理、數據存儲、數據分析、數據服務等工作所依賴的平臺工具需要具備的功能，以及相關的技術要求；數據質量標準定義數據質量評價方法等。

業務標準是在智能化煤礦數據分類標準基礎上對主數據和業務數據的進一步描述。在完成智能化煤礦數據分類后，分別制定主數據標準和業務數據描述標準，并基于業務數據描述標準進一步對智能化煤礦數據資源進行識別和梳理，最終形成完整、標準化的數據資源。

5 煤礦智能化巨系統耦合工程應用實踐

智能化煤礦復雜巨系統涉及采、掘、機、運、通等各業務系統，系統之間存在開采工藝、設備、人員等復雜的耦合關系。陜煤集團張家峁煤礦前期經過多年的升級改造已建成大小子系統共58個，子系統種類繁多，數量龐大，隨著系統數量的不斷增多，問題也日益突出：協議標準不統一，信息孤島、數據煙囪林立；邏輯決策依據貧乏，智能化能力無法發揮；安全保障孤立，無法發揮整體保障能力。為解決上述問題，應用提出的“分級抽取-關聯分析-虛實映射”煤礦數據邏輯模型，實現全礦井多源異構系統的一體化集成，建成了跨域融合智能綜合管控平臺，如圖10所示。構建了全時空信息數字感知及實時互聯機制，打通了多系統、多層面、多部門的業務數據壁壘，實現了全礦井58個在用子系統和34個新建子系統的數據融合和運行決策優化。

圖10 張家峁煤礦智能綜合管控平臺Fig.10 Intelligent integrated management and control platform of Zhangjiamao Coal Mine

智能化綜合管控平臺背后是各個子系統多源異構數據的融合，第1節所述的基于智能化煤礦數據邏輯模型開發的張家峁大數據支撐系統如圖11所示。該系統實現了數據的統一采集、存儲、管理、調用，實現跨系統數據管理、跨業務數據融合，數據進行深度解析、重構與復用，對煤礦各個生產系統的運行狀態與趨勢進行分析、預測，給出優化策略。

首先，按照數據邏輯模型統一描述的7類信息進行數據格式的統一化處理，分別進入到關系數據庫、非關系型數據庫(NoSQL)中進行存儲管理；其次，在分級抽取之前，需根據數據需求依據標簽數據進行數據評估、規約、重組等預處理。預處理后的數據在專業知識、數據處理方法的支撐下，被用來進行關聯分析，用以預測、警告、決策等。最后，用以控制的信息則被發送到虛擬仿真系統中進行驗證，是否能夠得到預期的運行效果；如果是，則通過虛實映射機制發送至響應的設備。

圖11 煤礦巨系統多源異構大數據支撐系統Fig.11 Multi-source heterogeneous big data support system for coal mine giant system

由于地下煤礦開采會有瓦斯、頂板、水、火、沖擊地壓、粉塵等多種危險災害，故安全保障是煤礦系統運行過程中最為重要的目標。當前，與安全相關的監測監控系統多達數十個，傳感器上千個，且用于生產信息測量的一些傳感器、視頻、音頻數據等也可用于安全信息的感知和獲取，故實現煤礦整體安全保障需要進行跨系統的數據融合。這里以安全保障系統的耦合過程為例進行闡述。

如圖12所示，基于各系統的智能傳感器終端，形成統一的全時空人、機、環全面感知系統。數據通過有線/無線網絡上傳至云平臺，并對數據進行分類存儲與清洗。采用基于災害發生機理的理論計算模型與基于數據模型驅動的災害預測模型對可能發生的災害信息進行關聯分析、超前預測。即通過致災因素分析、理論計算及閾值計算獲取災害發生的理論計算結果，同時采用機器學習、深度學習等算法對災害發生的可能性進行數學建模分析，通過對不同預測方法的預測結果進行相互校驗，從而確定煤礦災害發生的最終預測結果，并通過災害精準預測及安全保障系統等對災害發生區域的人員進行信息推送及聲光報警，以及自動規劃設計避災路線。同時，也與生產集控系統和地質保障系統實現數據共享與協同聯動，基于煤礦采、掘、機、運、通等各業務系統之間的知識關聯圖譜對各業務系統發出控制指令，實現防災、減災、救災一體化。

圖12 智能化煤礦安全保障系統耦合框架Fig.12 Coupling framework diagram of intelligent coal mine safety guarantee system

由于煤礦井下的危險源及致災因素的關聯關系十分復雜，且煤礦井下不同區域發生災害的危險性也存在較大差異。因此，在進行監測大數據分級抽取及關聯分析時，應按照礦井災害類型、嚴重程度等，將井下生產區域劃分為不同等級的特定區域，建立具有區域災害特征的安全分析、預測、預警模型，實現災害的分級、分區智能防治。

整個煤礦復雜巨系統其他生產、管理、運行系統的耦合過程也類似。系統間的耦合將消耗大量的計算資源、網絡資源，因而在搭建系統軟件架構的同時，云網數一體化集成的硬件支持系統也必須同步構建。張家峁煤礦復雜巨系統融合依托于強大的數據中心具備豐富的帶寬資源、安全可靠的機房設施、高水平的網絡管理和完備的數據挖掘服務，形成了高質量、靈活、開放的跨系統數據融合生態體系。如圖13所示為張家峁智能化綜合管控中心。

圖13 張家峁智能化綜合管控中心Fig.13 Intelligent comprehensive management and control center of Zhangjiamao Coal Mine

6 結 論

(1)針對其單元數量巨大、信息多元異構、關系錯綜復雜等特點，提出統一的多源異構數據融合處理方法——基于“分級抽取-關聯分析-虛實映射”的煤礦數據邏輯模型，形成井下全時空信息數字感知和數據結構體系，進而構成完整的、正向設計的數字煤礦底座。

(2)提出了井下跨系統全時空信息數字感知及實時互聯機制。基于煤礦多源異構關系數據的信息“實體”和虛實映射機理，提出基于知識需求模型的信息實體主動匹配、推送策略與自動更新機制，解決數據實時連接及迭代更新難題。

(3)提出了基于“ABCD”的智能化煤礦系統耦合技術，為構建安全可靠的數據庫和充足的算力提供豐富的計算模型，完成數據到控制的轉換和落地應用提供技術支撐。

(4)建立了智能化煤礦數據標準體系，包括統一數據集標準、數據質量、數據安全和數據共享服務標準；形成了統一的數據治理能力和可復用的行業知識庫。

相關技術在陜煤張家峁煤礦應用，建成了全礦井跨域融合智能綜合管控平臺；打通了多部門、多專業、多層面的空間業務數據壁壘，實現全礦井58個在用子系統和34個新建子系統的數據融合和運行決策優化。

[1] WANG Guofa,XU Yongxiang,REN Huaiwei. Intelligent and ecological coal mining as well as clean utilization technology in China:Review and prospects[J]. International Journal of Mining Science and Technology,2019,29(2):161-169.

[2] 葛世榮,張帆,王世博,等. 數字孿生智采工作面技術架構研究[J]. 煤炭學報,2020,45(6):1925-1936.

GE Shirong,ZHNAG Fan,WANG Shibo,et al. Digital twin for smart coal mining workface:Technological frame and construction[J]. Journal of China Coal Society,2020,45(6):1925-1936.

[3] 姜德義,魏立科,王翀,等. 智慧礦山邊緣云協同計算技術架構與基礎保障關鍵技術探討[J]. 煤炭學報,2020,45(1):484-492.

JIANG Deyi,WEI Like,WANG Chong,et al. Discussion on the technology architecture and key basic support technology for intelligent mine edge-cloud collaborative computing[J]. Journal of China Coal Society,2020,45(1):484-492.

[4] 李敬兆,宮華強. 煤礦信息物理系統場景感知自配置與優化策略研究[J]. 煤炭科學技術,2019,47(4):20-25.

LI Jingzhao,GONG Huaqiang. Research on scene perception self-configuration and optimization strategy of cyber-physical system for coal mine[J]. Coal Science and Technology,2019,47 (4):20-25.

[5] 任懷偉,王國法,趙國瑞,等. 智慧煤礦信息邏輯模型及開采系統決策控制方法[J]. 煤炭學報,2019,44(9):2923-2935.

REN Huaiwei,WANG Guofa,ZHAO Guorui,et al. Smart coal mine logic model and decision control method of mining system[J]. Journal of China Coal Society,2019,44(9):2923-2935.

[6] 杜毅博,趙國瑞,鞏師鑫. 智能化煤礦大數據平臺架構及數據處理關鍵技術研究[J]. 煤炭科學技術,2020,48(7):177-185.

DU Yibo,ZHAO Guorui,GONG Shixin. Study on big data platform architecture of intelligent coal mine and key technologies of data processing[J]. Coal Science and Technology,2020,48 (7):177-185.

[7] 龐義輝,王國法,任懷偉. 智慧煤礦主體架構設計與系統平臺建設關鍵技術[J]. 煤炭科學技術,2019,47(3):35-42.

PANG Yihui,WANG Guofa,REN Huaiwei. Main structure design of intelligent coal mine and key technology of system platform construction[J]. Coal Science and Technology,2019,47(3):35-42.

[8] 王國法,杜毅博,任懷偉,等. 智能化煤礦頂層設計研究與實踐[J]. 煤炭學報,2020,45(6):1909-1924.

WANG Guofa,DU Yibo,REN Huaiwei,et al. Top level design and practice of smart coal mines[J]. Journal of China Coal Society,2020,45(6):1909-1924.

[9] 王國法,杜毅博. 智慧煤礦與智能化開采技術的發展方向[J]. 煤炭科學技術,2019,47 (1):1-10.

WANG Guofa,DU Yibo. Development direction of intelligent coal mine and intelligent mining technology[J]. Coal Science and Technology,2019,47 (1):1-10.

[10] 王國法,龐義輝,劉峰,等. 智能化煤礦分類、分級評價指標體系[J]. 煤炭科學技術,2020,48(3):1-13.

WANG Guofa,PANG Yihui,LIU Feng,et al. Specification and classification grading evaluation index system for intelligent coal mine[J]. Coal Science and Technology,2020,48(3):1-13.

[11] 王國法,趙國瑞,任懷偉. 智慧煤礦與智能化開采關鍵核心技術分析[J]. 煤炭學報,2019,44(1):34-41.

WANG Guofa,ZHAO Guorui,REN Huaiwei. Analysis on key technologies of intelligent coal mine and intelligent mining[J].Journal of China Coal Society,2019,44(1):34-41.

[12] 王國法,龐義輝,任懷偉. 煤礦智能化開采模式與技術路徑[J]. 采礦與巖層控制工程學報,2020,2(1):013501.

WANG Guofa,PANG Yihui,REN Huaiwei. Intelligent coal mining pattern and technological path[J]. Journal of Mining and Strata Control Engineering,2020,2(1):013501.

[13] 陳運啟,許金. 基于元數據與角色的煤礦綜合信息管理系統權限控制模型設計與實現[J]. 工礦自動化,2014,40 (11):22-25.

CHEN Yunqi,XU Jin. Design and implementation of authority control model of coal mine integrated information management system based on metadata and role[J]. Industrial and Mining Automation,2014,40 (11):22-25.

[14] 任懷偉,薛忠新,鞏師鑫,等. 張家峁煤礦智能化建設與實踐[J]. 中國煤炭,2020,46(12):54-60.

REN Huaiwei,XUE Zhongxin,GONG Shixin,et al. Intelligent construction andits practice in Zhangjiamao Coal Mine[J]. China Coal,2020,46(12):54-60.

[15] 李騰飛,李常友,李敬兆. 煤礦信息全面感知與智慧決策系統[J]. 工礦自動化,2020,46(3):34-37.

LI Tengfei,LI Changyou,LI Jingzhao. Coal mine information comprehensive perception and intelligent decision system[J]. Industry and Mine Automation,2020,46(3):34-37.

[16] 王軍號,孟祥瑞. 基于物聯網感知的煤礦安全監測數據級融合研究[J]. 煤炭學報,2012,37(8):1401-1407.

WANG Junhao,MENG Xiangrui. Reasearch on the data levels fusion of mine safe monitoring based on the perception of Internet of Things[J]. Journal of China Coal Society,2012,37(8):1401-1407.

[17] 馬小平,楊雪苗,胡延軍,等. 人工智能技術在礦山智能化建設中的應用初探[J]. 工礦自動化,2020,46(5):8-14.

MA Xiaoping,YANG Xuemiao,HU Yanjun,et al. Preliminary study on application of artificial intelligence technology in mine intelligent construction[J]. Industry and Mine Automation,2020,46(5):8-14.

[18] 王國法,任懷偉,龐義輝,等. 煤礦智能化(初級階段) 技術體系研究與工程進展[J]. 煤炭科學技術,2020,48(7):1-27.

WANG Guofa,REN Huaiwei,PANG Yihui,et al. Research and engineering progress of intelligent coal mine technical system in early stages[J]. Coal Science and Technology,2020,48(7):1-27.

[19] 方新秋,梁敏富,李爽,等. 智能工作面多參量精準感知與安全決策關鍵技術[J]. 煤炭學報,2020,45(1):493-508.

FANG Xinqiu,LIANG Minfu,LI Shuang,et al. Key technologies of multi-parameter accurate perception and security decision in intelligent working face[J]. Journal of China Coal Society,2020,45(1):493-508.

[20] 楊玉勤,毛善君,楊陽. 基于云平臺的煤礦監測數據可視化計算系統設計與應用[J]. 煤炭科學技術,2017,45(6):142-146,151.

YANG Yuqin,MAO Shanjun,YANG Yang. Design and application of of monitored and measured data visualized calculation system in coal mine based on cloud platform[J]. Coal Science and Technology,2017,45(6):142-146,151.

[21] 程敬義,萬志軍,PENG Syd S,等. 基于海量礦壓監測數據的采場支架與頂板狀態智能感知技術[J]. 煤炭學報,2020,45(6):2090-2103.

CHENG Jingyi,WAN Zhijun,PENG Syd S,et al. Intelligent sensing technology of stope support and roof status based on massive mine pressure monitoring data[J]. Journal of China Coal Society,2020,45(6):2090-2103.

[22] 喬偉,靳德武,王皓,等. 基于云服務的煤礦水害監測大數據智能預警平臺構建[J]. 煤炭學報,2020,45(7):2619-2627.

QIAO Wei,JIN Dewu,WANG Hao,et al. Development of big data intelligent early warning platform for coal mine water hazard monitoring based on cloud service[J]. Journal of China Coal Society,2020,45(7):2619-2627.