礦山信息化發展及以數字孿生為核心的智慧礦山關鍵技術

丁恩杰，俞 嘯，夏 冰，趙小虎，張 達，劉統玉，王衛東

(1.中國礦業大學 物聯網(感知礦山)研究中心，江蘇 徐州 221008;2.中國礦業大學 礦山互聯網應用技術國家地方聯合工程實驗室，江蘇 徐州 221008;3. 中國礦業大學 信息與控制工程學院，江蘇 徐州 221008;4. 北京礦冶科技集團有限公司 ，北京 100160;5. 山東科學院激光研究所 山東省光纖傳感器重點實驗室，山東 濟南 250014;6. 北京郵電大學 電子工程學院，北京 100876)

礦山信息化建設在經歷了單機自動化、綜合自動化、數字礦山幾個階段之后，在物聯網、人工智能、大數據、數字孿生等技術的推動下，正朝著礦山智能化和智慧礦山的方向發展。綜合自動化礦山階段主要解決了礦山數字化、監測監控技術與信息孤島問題，就煤礦生產流程而言，基本完成了智能礦山的建設工作，在環境條件允許的情況下，可實現局部的少人化和無人化控制。智慧的前提條件是礦山生產系統的各個環節均可測、可觀、可控，也就是要形成面向生產各環節透明化的知識服務體系。以煤炭行業為例，從目前取得的成果來看，遠沒有達到透明礦山的要求，這是制約智慧礦山發展的瓶頸問題。黑色或灰色(不透明)礦山的問題，制約了在一般情況下仍需依靠較多人力維持正常的安全生產，導致礦山重大事故時有發生，解決礦山運行狀態知識建模與服務的問題迫在眉睫。要解決這一問題就是要解決上述可測、可觀和可控問題。在可測方面，物聯網礦山技術的發展已經解決和優化了大量相關難題，可以滿足目前安全生產的基本需求，下一步需要重點研究智能裝置和裝備自治、自主化工作相關技術，并進行新型檢測機理和檢測裝置的研究；可觀問題就是要結合數字孿生技術對礦山安全生產、指揮調度與管理各個方面，如人、機、環、管等被控對象進行物理與虛擬融合建模，通過建立的模型可實現對各個被控對象的狀態及其演化規律的可觀，這個可觀不僅僅對人，更重要的是讓機器能夠自動理解，做到機器可觀。在建模過程中，需要采礦、機械和信息等領域的專家密切協同，需要實現對信息的統一語義描述，需要創建礦山領域知識庫和礦山數字孿生模型，這將是智慧礦山建設的核心。可控問題是在可觀的基礎上，也就是在掌握(自動化解析)傳感數據、模型數據等多模態數據的基礎上，利用知識庫和礦山數字孿生模型各種知識進行推理，采用機器人或機器人化的裝置裝備實現基于機器自治協同的全流程自動控制，最終形成少人化或無人化的智慧礦山。

1 礦山信息化發展歷程

礦山信息化發展，歷經了單機(單系統)自動化、綜合自動化、數字礦山階段，礦山物聯網和礦山智能化技術近年來得到快速的發展和應用，礦山信息化技術正朝著智慧礦山的目標發展，在礦山生產過程中不斷融合新興技術，提高礦山生產的智能化水平，從而實現礦山無人化或少人化。

1.1 單機(系統)自動化

1984年煤炭工業部通信信息中心成立，宣示了中國煤礦信息化建設正式開啟，我國煤礦進入單機自動化階段。PLC在礦用設備上的成功應用解決了傳統控制器占用空間大、成本高等問題；現場總線的連接方式提升了礦用設備控制的可靠性，減少了設備的停機時間。單機自動化系統存在很多問題需要進一步解決，如模擬信號只能在本地采集、處理并直接用于就地控制；有線網絡通信是信號傳輸的惟一方式，各系統之間難以進行信息交換。此時通信網絡嚴重制約了煤礦自動化的發展，造成多臺上位機共存的場景，形成子系統信息孤島的格局，導致全礦信息不能共享。

1.2 綜合自動化

2000年后，無線傳感器網絡及工業以太網技術得到飛速發展，為實現各煤礦系統之間的互聯互通奠定了基礎，得益于此，我國煤礦進入了綜合自動化時期，綜合自動化網絡服務架構如圖1所示。無線傳感器技術極大擴展了各類傳感器的應用場景，豐富了各類信息的采集。工業以太網以其強大的通信速率和信道容量將各子系統連接在一起，完成了各子系統的信息交互，解決了子系統信息孤島問題，實現了全礦信息的融合分析處理。但是傳感器與各種裝備沒有聯網，只能用于本系統中，無法實現設備間的協同控制；采集到的傳感器信息也只是簡單地處理，數據并沒有得到有效利用，亟需高效的算法來實現信息的融合處理。

圖1 綜合自動化網絡架構Fig.1 Integrated automation network architecture

1.3 礦山物聯網

礦山物聯網將物聯網技術應用到煤礦生產中，進一步提高礦山開采的無人化和自動化水平。礦山物聯網是綜合實時感知、網絡通信和動態控制等技術來實現礦山物與物、人與物之間的信息傳遞與控制，礦山物聯網服務架構如圖2所示。智能傳感器除了對物理世界進行感知，還搭載了用于數據處理的嵌入式芯片，使得設備從自動化向智能化過度；高速通信網絡連接生產的各個環節，實現萬物互聯；智能算法挖掘大數據的潛藏信息，實現實時控制、精確管理和科學決策。但是人工智能技術發展水平有待提高，設備的智能化程度較低，礦用物聯網產品極少，不能滿足礦山智能化生產的需求。

圖2 礦山物聯網網絡架構Fig.2 Network architecture of internet of things of mine

1.4 礦山智能化

礦山智能化是智慧礦山的中級階段。礦用機器人技術和通信技術還在普及應用，以人工智能和大數據為代表的新興技術也融入其中，推動礦山向智能化、智慧化發展。將人工智能和自動化、機器人化技術結合，實現礦山生產復雜流程的自動化，進一步簡化人工操作。5G通信技術為云平臺提供了通訊基礎，大數據和云計算技術在云端的應用為礦山分析決策、動態預測、協同控制提供了新的渠道。但是裝備的智能化水平還需要進一步提高，信息的語義化描述沒有形成統一的標準，信息通信技術和傳統礦山技術的融合應用還停留在初步階段。立足于此，可以設想未來礦山智能化發展的高級階段——智慧礦山。

1.5 智慧礦山

文獻[12]給出了智慧煤礦的定義：智慧煤礦是基于現代煤礦智能化理念，將物聯網、云計算、大數據、人工智能、自動控制、移動互聯網、機器人化裝備等與現代礦山開發技術深度融合，形成礦山全面感知、實時互聯、分析決策、自主學習、動態預測、協同控制的完整智能系統，實現礦井開拓、采掘、運通、分選、安全保障、生態保護、生產管理等全過程的智能化運行。在智慧礦山階段，智慧物和自動化機器人得到了廣泛應用；云端計算和邊緣計算能有機融合在一起，實現各類數據的高效處理；以大數據和人工智能為基礎的各類智慧應用能夠滿足礦山的日常生產需求。各類傳感器是智慧礦山的信息來源，需要進一步升級優化以此來滿足日益增長的智能化應用需求；大量智慧體和各級子系統均接入到云平臺，需要提供高效的智能決策方案，以實現各部分協同工作。

2 智慧礦山核心關鍵技術

結合物聯網、人工智能、大數據技術的發展，智慧礦山將會是信息化、自動化和智能化的高度融合，其最終目標是實現礦山關鍵生產環節的無人化或少人化。礦山物聯網技術實現了礦山物的智能連接，使得“人-機-環”感知信息能夠有效的匯集，各類礦山大數據平臺的涌現解決了礦山“人-機-環”感知數據的高效管理和存取問題。數字孿生技術建立了虛實融合和知識生成機制，可以將現有的礦山機理模型、經驗知識和礦山“人-機-環”大數據有機融合，為礦山“人-機-環”狀態判識與智能協同管控提供知識服務。礦山數字孿生模型以及圍繞孿生模型的智能化數據分析算法將成為智慧礦山下一步需要突破的關鍵技術。基于數字孿生的智慧礦山服務架構如圖3所示。

圖3 基于數字孿生的智慧礦山服務架構Fig.3 Intelligent mines service architecture based on digital twin

(1)感知層與智能裝置/裝備，分布式、光纖光柵、激光、MEMs等低功耗等新型傳感技術的發展拓寬了礦山物聯網的感知邊界，可以在線獲取更多的安全隱患尤其是隱蔽災害的探測數據；智能傳感器裝置的研發和應用，使得傳感器節點具備了在線計算、狀態自診斷、網絡自治等能力，提升了終端節點對信號實時處理和反饋調節的效率；機器人化智能化的礦山裝備為礦山生產系統的智能調度、協同控制、少人化、無人化提供了基礎；智能傳感和智能裝備技術是礦山數據孿生技術體系中的物理基礎。

(2)邊緣智能與網絡層，隨著各類邊緣分站和智能網關算力的提升，輕量級數字孿生模型得以在邊緣節點卸載，結合輕量級算法模型的應用，可以很大程度提高各子系統數據分析的效率和反饋響應的及時性；融合通信網絡技術實現多源異構網絡的統一接入，可以解決智能裝置/裝備的快速連接發現、高效連接管理和在線透明交換問題；5G技術在礦山的應用可以解決“人-機-環”感知數據實時高效傳輸問題，尤其是采掘工作面等有線連接受限的場景，提高了無線通信的實時性和可靠性。

(3)數字孿生與算法模型層，隨著硬件、網絡、大數據平臺技術不斷演進升級，圍繞礦山生產過程的知識發現和知識服務成為智慧礦山發展的瓶頸。數字孿生可以實現礦山物理實體狀態演化規律到虛擬實體的映射，通過虛實融合演進的狀態分析模式，可以建立機理模型、自然規律、經驗知識、數據特征相融合的礦山知識服務體系，從而達到對礦山物理世界實時可測、可觀、準確控制、精確管理和科學決策的目的，將成為未來智慧礦山發展的技術核心。礦山數字孿生模型的建立需要礦山物理實體相關的機理模型、人工智能算法模型、大數據分析、虛擬仿真等技術的支撐。

(4)智能化應用服務層，結合礦山生產環境孿生模型和孿生交互服務機制，融合獨立分散的礦山安全監測與災害預警系統，構建統一的礦山安全態勢分析平臺。基于礦山生產場景孿生模型和生產過程推理算法，結合工作流技術以及智群計算理論，研發面向多生產場景的礦山安全生產智能調度服務系統；基于礦山設備狀態孿生分析模型，結合大數據分析、智能診斷與協同控制技術，建立礦山“采、掘、機、運、通、供電、排水、輔助運輸”等裝備系統的狀態在線診斷與協同管控平臺。

2.1 智能傳感與智能裝備

可靠穩定的傳感數據，是礦山智能化建設的基礎，通過光學、MEMs、無線智能、能量自動捕獲等傳感技術實現在線感知邊界的拓展和傳感數據的長期穩定獲取是智慧礦山傳感層需要重點研究的關鍵技術。智能化機器人化的裝備技術是智慧礦山生產執行的載體，需要重點研究采掘裝備智能化無人化控制技術，通風、壓風、提升、排水、供電、皮帶運輸等礦山大型設備高效可靠運行與預測性維護機制，生產輔助機器人作業環境感知建模與自主調控技術等內容。

..新型傳感器與智能傳感技術

近年來，新型的傳感技術不斷應用于礦山安全監測系統中，包括MEMs傳感器、光學多參數傳感器等。以瓦斯監測為例，煤礦廣泛使用的催化燃燒甲烷傳感器存在頻繁標校、易中毒、壽命短等缺點，紅外甲烷傳感器功耗大、易受粉塵和水汽影響。激光/光纖甲烷傳感器利用光譜吸收原理解決了水蒸氣、粉塵以及其他氣體影響傳感器精度的問題，更好的應用在煤礦惡劣環境中。作為微型甲烷傳感器的核心元件，MEMS傳感器具有低成本、高產量、小尺寸、低能耗等優點。分布式、多參數、大容量、光纖無源氣體、振動、溫濕度、風速等傳感器，可以解決礦山主要安全隱患(特別是隱蔽災害)的超前感知等難題，有助于實現礦山生產過程信息的全面、快速、準確感知。

礦山開采過程中，在有限空間內配備了通風、排水、運輸、監測等大量生產輔助系統，使得井下環境中的風能、振動能、熱能、電磁能等能量相比于地面更加集中，更易利用。根據井下熱能、機械能、電磁能等環境能量的分布特點，開展礦山自動能量捕獲與無線智能傳感技術研究，通過多源、微小、不連續、不穩定能量的高精度轉換、低損耗整流和自適應輸出關鍵技術的研究可以實現井下雜散能量的收集。建立礦山環境下能量捕獲儲能元件的能量捕獲—存儲—損耗—輸出模型，研制具有能量自動捕獲能力的能量收集與智能管理裝置，可以解決礦山無線傳感網絡自主供電問題，提高無線智能傳感信息交互可靠性。

研究智能傳感器在線自診斷技術，結合傳感器自診斷模型，設計故障自診斷智能傳感裝置；研發智能傳感器在線管理軟件平臺，攻克傳感網絡設備狀態在線檢測、智能傳感器能耗管理、網絡拓撲快速分析、網絡信息動態更新等關鍵技術，可以大幅提高井下傳感裝置的穩定性和可靠性。

..裝備的智能化與機器人化

(1)工作面的智能化。

智能化的采煤工作面融合了機械學、電子信息學、信號處理、人工智能等多學科的交叉領域，2020年國家發改委發布的《關于加快煤礦智能化發展的指導意見》，明確指出智能化的采掘工作面是我國煤炭行業發展的核心方向。為了加快煤礦智能化建設，國內各大型煤礦企業都在積極投入智能化采煤工作面建設，目前，已經取得了一定的成效。北京天地瑪珂公司研發的液壓支架電液控制系統、智能集成供液系統(含乳化液泵及噴霧泵)、綜采自動化控制系統，在國內建立了多個示范性智能化采煤工作面。大同煤礦集團在特厚煤層智能化綜采放頂煤開采方面，實現了放頂煤工作面自動放煤控制。目前，我國已建成近200處不同層次的智能化采煤工作面。對于智能化采煤工作面，下一步需要重點突破采動環境感知、煤巖界面識別、空間三維信息建模、采煤機慣性導航定位、信息融合智能交互、設備協同控制等技術。

與智能化綜采工作面相比，掘進工作面裝備和工藝的發展都相對滯后，制約著智能掘進技術的發展。掘進工作面環境惡劣、干擾嚴重，同時，掘進設備移動頻繁，限制了對環境信息的收集、分析和處理。需要研究新型傳感器、5G網絡通信裝備等技術，對掘進工作面前方斷層、采空區、陷落柱、含水構造等地質狀況進行超前探測，對掘進工作面粉塵、溫濕度、有害氣體等環境參數進行監測，對掘進機位姿狀態以及掘進設備運行狀態進行實時監測與分析。通過三維激光掃描、深度視覺和SLAM技術，對掘進工作面三維場景進行精準重構，結合導航技術和地理信息系統，建立掘進位姿和工作參數的閉環控制系統，進而實現掘進機的自主掘進作業。構建掘進工作面數字孿生模型，利用虛實融合交互技術，實現掘進裝備和巷道環境狀態的在線感知，進而對掘進過程進行實時精準調控，有助于建立智能化的掘進工作面運行模式。

(2)礦山機電設備的智能。

礦山機電設備涉及到礦山生產的多個環節，皮帶運輸、通風、提升、排水等，機電設備的智能化是智慧礦山建設的重要環節。隨著傳感器和監測技術的發展，用于機電設備狀態監測的傳感器種類和數量都在不斷增加，如何借助大量的傳感器數據對設備進行預測性維護，降低設備點檢修維護工作量，減少非計劃停機時間，是下一步礦山設備智能化研究的重要內容。設備運行狀態的實時感知是設備智能化管理、預知性維護和自動化機器人化控制的基礎。基于多源感知信息(工作環境與工況條件信息、運行調度信息和運轉過程在線感知數據)，以設備的多場景下運行規律和狀態演變規律為基礎，結合數字孿生、故障預測與健康管理、人工智能和大數據挖掘等方法技術，建立運行機理、經驗知識和數據深度特征融合設備狀態分析模型，可以實現礦山機電系統運行狀態知識表達、異常工況狀態(顯性工作異常)在線識別和關鍵部件內部狀態(隱性早期損傷)預測分析。

在設備狀態實時感知的基礎上，通過礦山設備系統的生產流程和多機協同作業理論模型的研究，可以建立礦山設備系統智能調度和協同管控模型，提高礦山設備系統的工作效率，降低能源消耗。在礦山物聯網環境帶來的設備互聯互通的條件下，對生產業務組織、生產流程與資源配置進行數據特征提取，建立多目標綜合約束條件，可以實現礦山設備運行調度的最優化，進而實現整體生產過程安全、穩定、高效、有序運行。設計基于數據驅動的多級系統協同優化管理方法，利用各個生產環節中不同設備運行的工況條件以及環境因素條件的內在聯系，將生產設備運行環節與管理方法有機結合，可以提高各個工作區域的運作效率，保證整體生產過程的安全高效運行。

(3)礦用特種機器人裝備。

礦用特種機器人裝備可以代替井下工作人員完成巡檢、運輸、建設、維護中繁重和危險的工作，提高安全生產效率，在煤礦智能化建設中能夠起到積極的推動作用。安全巡檢類機器人，如井筒檢測機器人、皮帶巡檢機器人、瓦斯巡檢機器人等可以大幅減少巡檢人員工作量，代替人員進入危險區域，并具有場景適應能力強、通過性高、全天后、無需停機停產、漏錯檢率低等優勢。輔助運輸類機器人，如搬運機器人、上下料機器人等通過物料的自動識別、自主搬運、碼放、輔助駕駛等功能，可以很大程度上提高井下物料搬運和物料供應作業效率，降低重物搬運、舉升過程帶來的安全作業風險。生產維護類機器人，如鉆錨機器人、噴漿機器人、除塵機器人、支護機器人等，可以自主或輔助完成噴漿、除塵、支護等生產輔助作業，減少人員參與，提高礦井的生產運維的工作效率和智能化水平。應急救援類機器人，應急探測機器人、災害救援類機器人等，可以在礦井突發事故后第一時間提供受災環境探測、被困人員搜救服務，降低救援人員施救過程中的安全風險。

礦用特種機器人工作于井下復雜的作業環境中，對裝備可靠性和安全性提出了更高的要求，機械、電氣、工作流程都要符合煤礦安全規程要求，就目前的研究成果來看，礦用特種機器人的大規模應用需要解決好以下幾個關鍵問題：① 目前井下多采用液壓控制型的機械手臂結構，如何設計高精度可控的機械結構，實現機械部件的高精度控制是提升機器人工作效率的關鍵。② 高負荷和移動工作特點給井下作業機器人動力系統帶來了挑戰，安全可靠的大容量電池和電源管理技術是解決動力系統問題的關鍵。③ 借助三維激光點云、深度視覺、慣性導航等技術實現工作場景三維信息的精準重構和部件位置的精準感知，是機器人自動化自主作業的關鍵。④ 高精準的閉環控制系統是機器人系統的核心，將場景感知、控制決策和反饋調節有機融合，可以保證機器人系統穩定、可靠、高效運行，提高自主作業能力。⑤ 安全性問題是井下作業機器人系統設計中需要考慮的一個重要問題，一方面是自身機械、電氣和作業流程的安全性，另一方面是對周圍工作環境安全狀態實時感知與反饋。

2.2 礦山數字孿生建模技術

礦山不斷新增的傳感器和平臺積累的海量生產過程數據，為礦山生產安全知識的孕育奠定了基礎，需要一套能夠反映礦山生產規律、跟蹤生產過程設備環境狀態演化，并與生產過程進行智能交互的知識服務體系來支撐下一步的礦山智能化建設。面向礦山生產要素的數字孿生建模方法、數字孿生模型之間的交互機制，以及圍繞數字孿生模型的深度數據挖掘分析技術可以為礦山安全生產過程的實時再現、預測分析、交互演繹提供支撐。礦山數字孿生建模技術需要結合礦山運行機理和特點，重點研究圍繞礦山“人-機-環”生產要素的孿生模型設計方法，面向生產場景的孿生建模方法與交互機制，以及礦山數字孿生虛擬模型設計與數據深度融合分析方法等內容。

..礦山安全生產中的數字孿生模型

數字孿生技術中提出了物理實體、虛擬空間建模和虛實融合交互機制的知識建模方法，將數字孿生技術應用于煤礦“人、機、環、管”各環節，進行多學科交叉融合，促進人、機智能協同，有助于解決礦山生產過程的精準控制和各種災害的預警防控問題。Michael Grieves給出了數字孿生的3個組成部分：物理空間的實體產品、虛擬空間的虛擬產品、物理空間和虛擬空間之間的數據和信息交互接口。目前，最常用的是五維數字孿生模型，即包含物理實體、虛擬模型、服務、數據、連接等5個方面，據此，可以設計礦山數字孿生的基本模型構成。

(1)物理實體。將礦山物理實體理解為人員、設備、環境等實體，以及煤礦生產作業的各種場景和生產過程。以采煤工作面為例，環境類的實體包括煤巖結構、水、賦存瓦斯等地質體內環境，以及巷道粉塵、氣體分布、風場等外環境；設備類實體包括采煤機，液壓支架，刮板輸送機等主要設備；人員方面是關注人員和設備環境的交互，動作識別，人機協作；作業場景包括工作面采煤場景、支護場景、轉運場景等；生產過程包括煤巖截割過程、支架推移過程、刮板輸送機輸送過程等。可以將實體按照結構和功能劃分成幾個等級，搖臂齒輪箱、截割電機等作為部件級的孿生實體，采煤機整體作為單元級孿生實體，可以由多個部件實體構成，采煤場景作為系統級實體，由采煤機、煤巖體等多個單元實體構成。

(2)虛擬模型。虛擬模型與物理模型相對應，是物理世界的數字化表達，真正可用的虛擬模型不僅要求能夠對物理模型的結構、參數、屬性進行描述，還需要能夠加載物理實體的發展和演化規律，實現虛實映射、融合演進，是數字孿生模型構建過程中的難點。以煤巖地質體物理實體為例，根據物理地質體的結構、成分、介質參數等屬性建立地質體的基本虛擬模型后，還需要結合地質體裂隙、水、界面等內環境的變化機理、演化規律和數值仿真，為虛擬模型加載行為模型，使其具備和物理實體一致的行為。通過設計規則模型，可以實現對虛擬模型評估、推理、預測等功能，以跟蹤虛擬模型變化，最終實現物理實體狀態演化過程的分析。

(3)孿生數據。包括物理實體各類屬性值，例如采煤機的機械結構參數、材料參數、電氣設計參數等，例如煤巖地質體的尺寸形狀參數、介質參數、地測參數等。包括工作面運轉過程物聯網系統采集到各類傳感器數據，例如粉塵、瓦斯體積分數，采煤機速度、振動、位姿，煤巖應力、界面信息等；還包括虛擬模型的仿真、行為、規則數據，從各類機理模型、經驗知識、專家系統中獲取的數據等。

(4)服務。包括了物理模型和虛擬模型的仿真、驗證、監測、診斷、控制、優化以及數據的加載、交互、更新與反饋等服務。礦山數字孿生模型中應該提供礦山生產場景的在線感知與狀態分析服務、交互再現與干預預測服務、智能決策與協同管控服務、安全態勢分析與預警等服務。

(5)連接。用于建立礦山數字孿生物理實體、虛擬模型、服務、數據之間的關聯，為各部分提供協作交互的途徑，保持數字孿生系統物理實體和虛擬模型的一致性，使得各部分能夠不斷的交互、更新、優化、迭代。

..面向礦山生產場景的數字孿生建模技術

礦山生產場景復雜多變，涉及到的設備種類多，又面臨與采動環境的耦合問題，結合數字孿生的五維模型，礦山生產場景的數據孿生模型建立涉及多個領域的知識，需要礦山運行機理、礦山安全、CPS、大數據分析、自動化控制等理論與技術的深度融合。

以采煤工作面為例，如圖4所示，結合地質信息、圍巖信息、時空數據、設備及關鍵部件設計參數等基礎信息和環境傳感、設備傳感、人員傳感、實時調度信息、生產狀態等實時感知數據，在“人-機-環”虛實融合感知理論模型的基礎上，完成截割煤巖地質體、采掘設備及關鍵部件、工作人員動作行為的數字孿生虛擬模型建立。基于各物理實體的狀態演化機理和生產過程的運行模式，建立數字孿生虛擬模型與實時感知信息之間的智能交互機制，實現對煤巖地質體環境和設備運行狀態的演進分析，實現“人-機-環”運行安全狀態的耦合分析，為各種場景耦合下工作面設備的聯合調度與協同控制提供服務。以實時交互模型分析結果為指導，完成采煤機行走、截割、位姿參數的調控，液壓支架動作、支撐、平衡參數調控，以及刮板輸送機速度、運載、運移參數調控，達到工作面生產過程智能化調控和安全穩定高效運行要求，實現工作面采煤過程的透明化管控。

圖4 采煤工作面數字孿生模型Fig.4 Digital twin model of coal mining face

如圖5所示，以礦山生產場景中物理實體的特征參數、運行機理、演化規律為基礎，結合CPS信息感知理論、在線監測與狀態判識技術、虛擬仿真與虛實融合交互技術，準確有效的建立礦山生產場景的數字孿生模型，實現礦山生產場景的在線感知與狀態分析、交互再現與干預預測、智能決策與協同管控、安全態勢分析與預警。

圖5 礦山生產場景數字孿生建模關鍵技術Fig.5 Key technologies of digital twin modeling in mine production scenarios

(1)在礦山“人-機-環”運行狀態感知理論方面，分析采動生產過程中的人-機-環運行模式和耦合作用機制，揭示“人-機-環”采動過程中的狀態演化機理；分析礦山運行過程“人-機-環”狀態特征，分析各監測類型信息的規范值、警戒值、預警值，厘清不安全狀態與監測數據的關聯關系；設計礦山“人-機-環”信息統一描述方法，實現多源異構數據的統一建模；通過機理與數據混合驅動的大數據分析方法，挖掘礦山井下生產系統運行狀態演變規律與多源感知信息的深度關聯模式。

(2)礦山運行狀態在線監測與判識技術方面，在現有礦山“人-機-環”感知系統的基礎上，針對傳感器狀態的不穩定、感知信息的不完整、通信接口標準不統一，以及應用場景的局限性等問題，研究新型傳感器、能量自治、網絡自治的智能傳感器網絡技術，實現感知層的智能化管理，實現感知層信息的標準化接入與多源感知信息的融合分析。融合礦山生產過程中的多源感知信息的經驗特征、專家知識與數據深度特征，建立礦山“人-機-環”運行狀態實時診斷與智能辨識模型與算法。

(3)礦山生產場景虛實融合建模方面，結合礦山實際生產運行過程，研究各類物理實體的數值模擬、虛擬仿真技術，建立各類物理實體運行演化過程的虛擬模型；基于物理實體的運行機理和狀態演化規律，結合人工智能數據分析方法與知識動態建模方法，完成礦山系統的歷史數據和實時運行數據在虛擬模型上的動態加載，完成模型的更新、修正、連接和補充，提升虛擬模型狀態推演的逼真度；通過虛擬化、在線仿真技術和“虛實融合”交互機制，為虛擬模型狀態演化過程加入干預過程，實現對虛擬模型狀態演進過程的智能交互和干預結果的再現。

(4)智能診斷決策與調度服務，針對礦山生產過程安全管控、自適應決策與優化調度，開展礦山生產多維時空大數據分析與挖掘，礦山安全生產安全態勢分析預測與管控，數據和知識融合的設備協同管控和智能調度方法，為礦山安全生產智能決策與自適應優化調節提供服務。

..礦山數字孿生虛擬模型構建方法

礦山生產過程中涉及到復雜設備系統和地質環境的變化，虛擬模型以數字化的方式創建物理實體的映射，虛擬模型對物理實體靜態屬性和動態演化過程的真實表達成為礦山生產場景數字孿生建模的關鍵。借助于對物理實體運行機理、演化規律、變化規則的分析，通過仿真模擬、多源信息感知、虛實融合交互、深度數據分析、反饋優化調節等技術，可以促進虛擬模型與物理實體之間的融合與交互，提高數字孿生建模的可信度和判識、預測分析能力。

以采煤機截割系統為例，采煤機截割系統由截割電動機、截割傳動系統、截割滾筒和液壓系統等組成，是多級傳動與控制機構耦合的結構，同時面臨煤巖界面變動、噴淋、閃石等復雜環境，是采煤機最容易產生故障的部位。建立截割系統的數字孿生體有利于實現截割系統狀態的在線評估和截割系統的全周期生命管理。

如圖6所示，構建截割系統虛擬模型之前需要對截割系統的工作原理、作業環境、演變規律進行分析。結合多場耦合作用下的截割系統狀態演變機理，分析采煤機截割系統與截割環境(煤層、頂底板、圍巖體)及聯動設備(行走機構、液壓支架、刮板輸送機)的復雜相互作用關系；針對煤巖截割過程、截割系統運行過程、截割系統關鍵部件的異常狀態特點，分析系統狀態與感知信息的關聯關系；設計多場耦合作用下的截割系統多源感知信息描述、知識表示、知識抽取方法，實現“多源感知信息-多狀態”知識關聯分析。

圖6 數字孿生虛擬模型構建方法Fig.6 Digital twin virtual model construction method

在截割系統動力學分析的基礎上，根據實際搖臂齒輪箱的結構和材料特性，設計電機、軸承、齒輪等單元的參數，建立多體耦合的截割系統仿真模型。基于截齒煤巖截割理論模型，設計采煤機運行過程中的載荷等效作用機制，分析多種載荷作用下的截割系統響應特性。考慮實際截割系統受材料參數、零部件接觸、隨機載荷作用等不確定因素的影響，提出虛、實系統多傳感器數據時頻特征分析與一致性評價方法，利用采煤機實際運行過程中的大量數據修正仿真模型的邊界條件參數，以確保虛擬模型的輸出是實際系統的可信表達。

設計截割系統多源CPS感知數據與虛擬模型的信息加載與融合交互方法，在“多源感知信息-多狀態”關聯知識的基礎上，結合統計分析、機器學習、模糊推理、深度學習等方法，建立截割系統運行機理、經驗知識、數據深度特征相融合的狀態分析判識方法，形成以采煤機截割系統虛擬模型為中心的狀態實時感知、演化分析與智能交互的“虛實融合”感知服務體系。使得虛擬模型能夠更準確的反映和預測物理實體，結合大數據和人工智能工具，為截割系統的調控、管理和維護能夠做出更合理的決策。

2.3 邊緣計算與網絡服務層

隨著感知邊界的拓展和前端感知信息的急劇增加，基于5G的融合通信網絡技術將為礦山感知信息的高效傳輸和交互提供基礎支撐。隨著現場硬件計算能力的提升和智能化應用技術的下沉，邊緣計算裝置將成為礦山安全生產感知和快速決策響應的重要載體，結合融合通信網絡技術，需要重點研究輕量化邊緣計算算法、邊緣計算卸載技術以及云邊協同服務模式。

..基于5G的融合通信網絡技術

在礦山物聯網建設中需要對來自不同網絡、不同子系統的海量異構數據信息進行統一的處理及存儲，從而要求融合通信網關能夠融合多網、多源、異構的海量數據并且對這些數據進行高效快速地處理，從中獲取有價值的信息，進而提供智能決策輔助服務。需要對融合通信網絡架構與傳輸技術進行研究，實現對礦山物聯網海量信息的統一傳輸與資源管控功能。在網絡的資源管控方面，隨著礦山物聯網中傳感設備種類增多，井下網絡網關處匯聚了各種類型的業務信息，由于不同的業務類型具有不同的QoS需求，因此高效合理的調度方案至關重要。

面對海量傳感器接入、異構系統融合和多種業務服務需求，需要結合5G通信技術，設計支持異構協議的礦山物聯網融合通信網絡架構，如圖7所示，實現面向頂層需求的數據交換、處理、服務。融合通信網絡需要支持4G/5G，NB-IoT，LoRa，WIFI，ZigBee，RFID，Wavemesh，RS485，CAN，Profibus，Lonworks異構接入融合，滿足礦山有線/無線、圖文/音視頻、實時/非實時、寬/窄帶等礦山物聯網多網融合傳輸的需求。需要研制具備邊緣計算能力的智能網關裝備，實現異構協議的解析，具備邊緣計算、控制、存儲能力，實現單功能感知節點向檢測、分析、通信、定位一體化智能裝置/裝備演變。在信息匯聚融合方面，設計針對海量匯聚信息的數據關聯分析、數據冗余分析和數據綜合方案，有效實現數據的透明高效傳輸。在融合通信網絡架構中集成基于QoS需求的多類型業務調度算法，設計信息種類與傳輸網絡的匹配方案，保證資源的按需均衡分配和服務的按需提供，提高網絡利用效率。將5G移動通訊技術融入到支持異構協議的礦山物聯網融合通信網絡系統，可以滿足智能工作面、AR智能巡檢、高清視頻回傳、無人駕駛等5G特色業務的需求，為智慧煤礦建設提供強有力的網絡服務支撐。

圖7 礦山物聯網融合通信網絡架構Fig.7 Converged communication network architecture of the Internet of Things of mines

..邊緣計算與云邊協同技術

邊緣計算優勢在于對物理世界數據實時反應和降低網絡傳輸壓力，而云服務平臺提供了在遠程數據中心處理異構數據的能力。隨著對礦山精確泛在感知的發展，現場生成的數據量越來越大，將采集到的礦山信息全部傳輸到云端不僅大幅增加了網絡通信負擔，效率低下，且難以滿足數字孿生實時交互的要求。因此，研究在邊緣端對數據進行快速處理、云邊協同技術以及邊緣卸載技術是十分必要的。

(1)邊緣端快速計算。

邊緣計算節點可以實現不同傳感系統的接入同時具備一定的算力，可以在邊緣側進行數據預處理、狀態分析判識及反饋控制等，同時，可以基于邊云協同服務架構，結合實時采集的數據可在邊緣端進行人工智能算法檢測并及時輸出控制信號。為了避免邊緣節點間相互獨立、彼此孤立，形成數據孤島和功能孤島，影響應用服務質量，應當重視研究利用不同邊緣端的就地信息進行數據共享與快速計算。

邊緣端快速計算有以下2種方式：① 計算協同，即云端的超算中心對模型和算法進行訓練，根據邊緣節點的情況將已訓練好的模型進行下發，每個邊緣計算服務器只執行一部分算法，最終通過各邊緣端協同的方式快速完成應用任務；② 分布式訓練協同，即邊緣端內置完整的模型和算法，并利用其他邊緣端數據承擔模型和算法的訓練任務，訓練完成后的模型參數會更新到云端，最終得到完整模型。

優化模型的運行效率，如利用剪枝、量化等方法對神經網絡模型進行壓縮，可以提高邊緣端的部署效率。邊緣算法的優化與調度工作目前主要可分為3個方面：① 多路數據之間的協同處理。通過緩存數據推理模型，對來自多源異構設備的相似數據進行復用，從而有效節省邊緣節點的資源，提高計算效率。② 計算層次之間的協同處理。利用淺層網絡的部分推理結果降低樣本計算量，將該方法與云邊協同機制相融合，可有效實現數據的分級診斷，幫助設備實現協同運算。③ 多模型之間的協同處理。優化模型之間的資源調度方式，平衡模型的時間和空間資源，在有限的條件下提高系統整體性能。

(2)云邊協同技術。

邊緣計算是云計算的延伸，在云邊協同中，云端負責礦山大數據分析、模型訓練、算法更新等任務，邊緣端負責基于就地信息進行數據的計算、存儲和傳輸。運用云邊協同技術，邊緣節點負責處理數字孿生體中對時延或算力要求不高的礦山數據，而云服務器負責處理時延或算力要求高的礦山數據。在邊緣端處理時間敏感型礦山數據，有助于提升反饋控制指令的執行能力、生產異常/擾動監測等突發狀況的響應速度，從而助力礦山智能自治生產運行。在云端處理時間不敏感型礦山數據，有助于數字孿生體對實體礦山產生的海量信息進行深層次挖掘，進一步優化云端和邊緣端各應用服務模型參數，從而提升智慧礦山數據分析與服務能力。

為了使云端與邊端設備更好協同，從而推進礦山數字孿生服務體系的形成，如圖8所示，建立智能傳感裝置、邊緣計算網關和云服務平臺有機融合的服務體系，縮短智能感知、判識與控制服務路徑，提高智能化分析與管控服務的時效性。通過與云服務器的實時交互和同步，邊緣網關可以動態加載的輕量計算模型，實現對前端場景的實時判識、預警和控制。

圖8 智能礦山云邊協同服務機制Fig.8 Cloud-side collaborative service mechanism for intelligent mines

云邊協同有以下3種方式：① 訓練-計算的云邊協同，即云端根據邊緣端上傳的數據對智能模型進行設計、訓練和更新，邊緣端負責搜集數據并實時下載最新的模型進行計算任務；② 以云端為導向的云邊協同，即模型中高算力要求的訓練部分在云端完成，邊緣端負責處理輕量化的運算任務，接力云端的計算結果，最終模型由云邊端共同運算得到。這種方式可以權衡云端和邊緣端的計算量和通信量；③ 以邊緣端為導向的云邊協同，即模型的訓練工作首先在云端完成，邊緣端在收到云端模型的計算結果后適當微調，并且結合各傳感器發送到邊緣端的數據進一步優化模型。此方法可以更有針對性地滿足煤礦井下實際生產需求，更充分的考慮了煤礦實際情況。

(3)邊緣計算卸載技術。

邊緣計算通過在設備上直接部署計算單元，將云計算的算力和存儲下放到每個邊緣終端，可有效減小網絡帶寬壓力、降低系統時延、分散系統風險，從而緩解云計算帶來的問題。由于邊緣節點的資源有限，為了滿足系統整體的計算需求，就需要采用計算卸載技術來協調算力，通過計算卸載將任務分配給資源充足的節點，從而統籌系統資源、加快處理速度、優化服務質量。計算卸載主要由卸載決策和資源分配兩大部分構成，卸載決策用于判斷節點是否需要卸載以及卸載多少任務，資源分配用于研究卸載的任務應該被分發到何處。

常見的計算卸載方式分為粗粒度任務卸載和細粒度任務卸載。粗粒度任務卸載將整個終端作為卸載對象，沒有根據實際情況劃分子任務，這種卸載方式無法充分利用終端節點的系統資源；而細粒度任務卸載會根據當前卸載任務的實際需求，將任務劃分為多個具有依賴關系的子任務，每個子任務的數據量和復雜度都大大降低，因此可以節省傳輸時間，提高運算效率。結合礦山智能設備的特點，采用細粒度任務卸載方式可有效提高邊緣計算設備的集群運算效率，最終降低各節點的時延、能耗和網絡壓力。

2.4 礦山大數據分析與智能化應用服務

針對礦山各系統多源海量監測數據，礦山大數據平臺需要設計高可靠、大容量、快速存取、彈性部署、易拓展的分布式存儲架構，從而實現礦山安全生產過程大數據的高效泛在存取；統籌管理多場景異構數據，通過大數據知識挖掘引擎，支撐礦山上層多元化應用。通過構建云交互式服務平臺，解決礦山深層應用中數據綜合管控的痛點，打通數字礦山多元異構數據通信壁壘，實現礦山數據分布式安全可靠協同，建立礦山智能化應用服務體系。

..礦山大數據服務平臺

如圖9所示，面對多源感知系統和各類接口的傳感器，通過綜合接入網關和統一交互協議接口，實現多源異構數據的高效統一接入。針對礦山生產過程產生的高并發、高吞吐的海量數據，研究并行批處理與實時流處理融合的計算框架，依托交互式分析引擎、內存計算引擎、搜索計算引擎和離線計算引擎，構建高效、高速的分布式存儲與計算架構。結合人工智能模型對積累的礦山各類生產監測服務系統海量數據進行深度挖掘，實現礦山大數據高效利用。在此基礎上，研究集成Tensorflow，PyTorch等人工智能算法的模型，開發大數據深度挖掘、知識聚合等技術，提供面向礦山感知信息的數據預處理、分析和管理接口，構建統一、規范的大數據分析工具平臺。

在礦山大數據高效管理與分析的基礎上，建立基于數字孿生礦山智能化服務系統，在對礦山物理實體的各類傳感器實時數據、歷史數據以及相關派生數據匯集的基礎上，進行虛實融合和數字化建模，通過數據分析、仿真計算對虛擬模型進行迭代更新。為礦山各種生產場景下的物理實體建立匹配的數字孿生模型，通過數字孿生模型之間的智能交互機制實現礦山整體的協同化和智能化，從而實現物理礦山與數字孿生礦山的協同交互、平行運轉。

..礦山智能化應用服務

以“人-機-環”數字孿生模型和狀態感知理論為基礎，建立場景化的礦山“人-機-環”安全狀態大數據分析算法模型，研發統一的礦山安全態勢分析平臺，可以實現礦山生產安全狀態的實時再現、演化分析和智能交互服務。基于礦山生產場景孿生模型，結合工作流技術以及智能計算理論，面向多種生產場景，研發資源驅動的礦山安全生產智能調度系統，可以解決礦山安全生產過程中的資源優化配置和任務智能調度問題。在此基礎上，建立礦山安全生產過程中的“采、掘、機、運、通、供電、排水、輔助運輸”等裝備與系統的協同管控平臺。在采掘工作面設備自動化控制的基礎上，基于采掘工作面生產運行機制以及設備環境相關的數字孿生模型，集成工作面環境和設備多源在線感知信息，研發工作面液壓支架、采煤機、掘進機、刮板輸送機、轉載機、破碎機膠帶機等綜采、綜掘設備的自主決策控制與智能協同聯動系統，可以實現采掘工作面的智能化無人化控制。

圖9 礦山大數據分析與智能化應用服務架構Fig.9 Mine big data analysis and intelligent application service architecture

3 結 語

基于數字孿生的礦山生產場景知識服務體系是智慧礦山不可或缺的重要組成部分，也是核心關鍵瓶頸問題之一。結合數字孿生、智能傳感與裝備、邊緣計算、人工智能、大數據平臺技術，實現礦山“人、機、環、管”等各環節的知識建模和知識服務，可以提升對礦山的安全、生產及管理狀態及其演化規律把控能力，達到對礦山物理世界實時可測、可觀、準確控制、精確管理和科學決策的目的。可以從根本上改變目前礦山安全生產和管理上存在的問題，大大提高礦山重大災害事故的預測預警與防控的能力，以及生產過程的自治化和自主化運行管控水平。可以推進少人化或無人化技術在礦山領域的應用，從根本上加快智慧礦山的進程。

[1] 丁恩杰,廖玉波,張雷,等. 煤礦信息化建設回顧與展望[J]. 工礦自動化,2020,46(7):5-11.

DING Enjie,LIAO Yubo,ZHANG Lei，et al. Review and prospect of coal mine information construction[J]. Industry and Mine Automation,2020,46(7):5-11.

[2] 袁亮,俞嘯,丁恩杰,等. 礦山物聯網人-機-環狀態感知關鍵技術研究[J]. 通信學報,2020,41(2):1-12.

YUAN Liang,YU Xiao,DING Enjie，et al. Research on key technologies of human-machine-environment states perception in mine Internet of things[J]. Journal on Communications,2020,41(2):1-12.

[3] 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.

[4] 吳立新. 中國礦山信息化現狀分析與數字礦山發展趨勢[A]. 加入WTO和中國科技與可持續發展——挑戰與機遇、責任和對策(上冊)[C]. 成都，2002:386.

[5] 王國法,龐義輝,任懷偉,等. 煤炭安全高效綜采理論、技術與裝備的創新和實踐[J]. 煤炭學報,2018,43(4):903-913.

WANG Guofa,PANG Yihui,REN Huaiwei,et al. Coal safe and efficient mining theory,technology and equipment innovation practice[J]. Journal of China Coal Society,2018,43(4):903-913.

[6] 張申. 煤礦自動化發展趨勢[J]. 工礦自動化,2013,39(2):27-33.

ZHANG Shen. Development of coal mine automation[J]. Industry and Mine Automation,2013,39(2):27-33.

[7] 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.

[8] 張申,趙小虎. 論感知礦山物聯網與礦山綜合自動化[J]. 煤炭科學技術,2012,40(1):83-86,91.

ZHANG Shen,ZHAO Xiaohu. Comments on sensory mine internet of things and mine comprehensive automation[J]. Coal Science and Technology,2012,40(1):83-86,91.

[9] 趙小虎,張申,譚得健. 基于礦山綜合自動化的網絡結構分析[J]. 煤炭科學技術,2004，32(8):15-18.

ZHAO Xiaohu,ZHANG Shen,TAN Dejian. Analysis on network structures for mine comprehensive automation[J]. Coal Science and Technology,2004，32(8):15-18.

[10] 解海東,李松林,王春雷,等. 基于物聯網的智能礦山體系研究[J]. 工礦自動化,2011,37(3):63-66.

XIE Haidong,LI Songlin,WANG Chunlei,et al. Research of intelligent mine system based on internet of things[J]. Industry and Mine Automation,2011,37(3):63-66.

[11] 陳龍,王曉,楊健健,等. 平行礦山:從數字孿生到礦山智能[J]. 自動化學報,2021,47(7):1633-1645.

CHEN Long,WANG Xiao,YANG Jianjian，et al. Parallel mining operating systems:From digital twins to mining intelligence[J]. Acta Automatica Sinica,2021,47(7):1633-1645.

[12] 王國法,王虹,任懷偉,等. 智慧煤礦2025情景目標和發展路徑[J]. 煤炭學報,2018,43(2):295-305.

WANG Guofa,WANG Hong,REN Huaiwei，et al. 2025 scenarios and development path of intelligent coal mine[J]. Journal of China Coal Society,2018,43(2):295-305.

[13] 吳曉旭,羅會強,丁震. 國家能源集團掘進智能化建設現狀與路徑研究[J]. 工礦自動化,2021,47(S1):7-9.

WU Xiaoxu,LUO Huiqiang,DING Zhen，et al. Research on current situation and path of intelligent tunneling construction of CHN Energy[J]. Industry and Mine Automation,2021,47(S1):7-9.

[14] 王國法,徐亞軍,孟祥軍,等. 智能化采煤工作面分類、分級評價指標體系[J]. 煤炭學報,2020,45(9):3033-3044.

WANG Guofa,XU Yajun,MENG Xiangjun,et al. Specification,

classification and grading evaluation index for smart longwall mining face[J]. Journal of China Coal Society,2020,45(9):3033-3044.

[15] 黃書翔. 智能化采煤工作面關鍵技術及應用[J]. 煤炭科學技術,2021,49(S1):27-34.

HUANG Shuxiang. Key technology and application of intelligent coal mining face[J]. Coal Science and Technology，2021，49(S1)：27-34.

[16] 葛世榮,郝尚清,張世洪,等. 我國智能化采煤技術現狀及待突破關鍵技術[J]. 煤炭科學技術,2020,48(7):28-46.

GE Shirong,HAO Shangqing,ZHANG Shihong，et al. Status of intelligent coal mining technology and potential key technologies in China[J]. Coal Science and Technology,2020,48(7):28-46.

[17] 謝嘉成,王學文,郝尚清,等. 工業互聯網驅動的透明綜采工作面運行系統及關鍵技術[J]. 計算機集成制造系統,2019,25(12):3160-3169.

XIE Jiacheng,WANG Xuewen,HAO Shangqing，et al. Operating system and key technologies fully mechanized mining face driven by industrial Internet[J]. Computer Internet Manufacturing Systems,2019,25(12):3160-3169.

[18] 楊健健,張強,吳淼,等. 巷道智能化掘進的自主感知及調控技術研究進展[J]. 煤炭學報,2020,45(6):2045-2055.

YANG Jianjian,ZHANG Qiang,WU Miao，et al. Research progress of autonomous perception and control technology for intelligent heading[J]. Journal of China Coal Society,2020,45(6):2045-2055.

[19] 胡興濤,朱濤,蘇繼敏,等. 煤礦巷道智能化掘進感知關鍵技術[J]. 煤炭學報,2021,46(7):2123-2135.

HU Xingtao,ZHU Tao,SU Jimin，et al. Key technology of intelligent drivage perception in coal mine roadway[J]. Journal of China Coal Society,2021,46(7):2123-2135.

[20] 丁恩杰,俞嘯,廖玉波,等. 基于物聯網的礦山機械設備狀態智能感知與診斷[J]. 煤炭學報,2020,45(6):2308-2319.

DING Enjie,YU Xiao,LIAO Yubo，et al. Key technology of mine equipment state perception and online diagnosis under Internet of Things[J]. Journal of China Coal Society,2020,45(6):2308-2319.

[21] 黃曾華,王峰,張守祥. 智能化采煤系統架構及關鍵技術研究[J]. 煤炭學報,2020,45(6):1959-1972.

HUANG Zenghu,WANG Feng,ZHANG Shouxiang. Research on the architecture and key technologies of intelligent coal mining system[J]. Journal of China Coal Society,2020,45(6):1959-1972.

[22] 馬宏偉,王鵬,張旭輝,等. 煤礦巷道智能掘進機器人系統關鍵技術研究[J]. 西安科技大學學報,2020,40(5):751-759.

MA Hongwei,WANG Peng,ZHANG Xuhui，et al. Research on key technology of intelligent tunneling robotic system in coal mine[J]. Journal of Xi’an University of Science and Technology,2020,40(5):751-759.

[23] 馬宏偉,王鵬,王世斌,等. 煤礦掘進機器人系統智能并行協同控制方法[J]. 煤炭學報,2021,46(7):2057-2067.

MA Hongwei,WANG Peng,WANG Shibin，et al. Intelligent parallel cooperative control method of coal mine excavation robot system[J]. Journal of China Coal Society,2021,46(7):2057-2067.

[24] 陳楊陽,霍振龍,劉智偉,等. 我國煤礦運輸機器人發展趨勢及關鍵技術[J]. 煤炭科學技術,2020,48(7):233-242.

CHEN Yangyang,HUO Zhenlong,LIU Zhiwei，et al. Development trend and key technology of coal mine transportation robot in China[J]. Coal Science and Technology,2020,48(7):233-242.

[25] 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，ZHANG Fan，WANG Shibo，et al. Coal mine intelligent technology innovation forum-research on technical framework of digital twin intelligent coal mining face [J]. Journal of China Coal Society,2020,45(6):1925-1936.

[26] 王時龍,王彥凱,楊波,等. 基于層次化數字孿生的工業互聯網制造新范式——霧制造[J]. 計算機集成制造系統,2019,25(12):3070-3080.

WANG Shilong,WANG Yankai,YANG Bo,et al. Fog manufacturing:New paradigm of industrial Internet manufacturing based on hierarchical digital twin[J]. Computer Integrated Manufacturing Systems,2019,25(12):3070-3080.

[27] QI Q,TAO F,HU T,et al. Enabling technologies and tools for digital twin[J]. Journal of Manufacturing Systems,2021,58:3-21.

[28] 丁華,楊亮亮,楊兆建,等. 數字孿生與深度學習融合驅動的采煤機健康狀態預測[J]. 中國機械工程,2020,31(7):815-823.

DING Hua,YANG Liangliang,YANG Zhaojian,et al. Health prediction of shearers driven by digital twin and deep learning[J]. China Mechanical Engineering,2020,31(7):815-823.

[29] SUN W,LEI S,WANG L,et al. Adaptive federated learning and digital twin for industrial internet of things [J]. IEEE Transactions on Industrial Informatics,2021,17(8):5605-5614.

[30] JIANG H F,QIN S F,FU J L，et al. How to model and implement connections between physical and virtual models for digital twin application [J]. Journal of Manufacturing Systems,2021,58:36-51.

[31] WANG T,LI J K,KONG Z N，et al. Digital twin improved via visual question answering for vision-language interactive mode in human-machine collaboration [J]. Journal of Manufacturing Systems,2021，58:261-269.

[32] MIN Q F,LU Y G,LIU Z Y，et al. Machine learning based digital twin framework for production optimization in petrochemical industry [J]. International Journal of Information Management,2019，49:502-519.

[33] 孫惠斌,潘軍林,張紀鐸,等. 面向切削過程的刀具數字孿生模型[J]. 計算機集成制造系統,2019,25(6):1474-1480.

SUN Huibin,PAN Junlin,ZHANG Jiduo，et al. Digital twin model for cutting tool in matching process[J]. Computer Integrated Manufacturing Systems,2019,25(6):1474-1480.

[34] WU C L,ZHOU Y C,MARCUS，et al. Conceptual digital twin modeling based on an integrated five-dimensional framework and TRIZ function model [J],Journal of Manufacturing Systems，2021，58:79-93.

[35] PALAK J,JASON P,JAI P S， et al. Digital Twin-driven smart manufacturing:Connotation,reference model,applications and research issues [J],IEEE Transactions on Power Electrics，2020，35(1):940-955

[36] REN J J,WANG H C,HOU T T,et al. Federated learning-based computation offloading optimization in edge computing-supported internet of things[J]. IEEE Access,2019,7:69194-69201.

[37] 白昱陽,黃彥浩,陳思遠,等. 云邊智能:電力系統運行控制的邊緣計算方法及其應用現狀與展望[J]. 自動化學報,2020,46(3):397-410.

BAI Yuyang,HUANG Yanhao,CHEN Siyuan，et al. Cloud-edge intelligence:Status quo and future prospective of edge computing approaches and applications in power system operation and control[J]. Acta Automatica Sinica,2020,46(3):397-410.

[38] CHEN S L,WEN H,WU J S,et al. Internet of things based smart

grids supported by intelligent edge computing[J]. IEEE Access,2019,7:74089-74102.

[39] 相晨萌,曾四鳴,閆鵬,等. 數字孿生技術在電網運行中的典型應用與展望[J]. 高電壓技術,2021,47(5):1564-1575.

XIANG Chenmeng,ZENG Siming,YAN Peng，et al. Typical application and prospect of digital twin technology in power grid operation[J]. High Voltage Engineering,2021,47(5):1564-1575.