基于物聯網的礦山裝備數字化運維研究與應用

楊 磊

中信重工機械股份有限公司 河南洛陽 471039

礦山行業是國民經濟的戰略產業，對保障我國經濟和國防安全具有重要的戰略意義，國家已陸續出臺多項政策來促進其發展[1]。智能化是礦山高質量發展的必由之路，2020 年由國家發改委、能源局等聯合印發的《關于加快煤礦智能化發展的指導意見》提出加快推進礦山智能化建設，形成全面感知、實時互聯、分析決策、自主學習、動態預測、協同控制的智能系統，實現煤礦開采過程的智能化。在礦山智能化發展的道路上，礦山裝備的數字化運維成為智慧礦山的關鍵。黨的十九大報告明確提出“加快建設制造強國，推動互聯網、大數據、人工智能和實體經濟深度融合”。目前我國礦山裝備與生產運營狀態差異較大，管理模式各異，先進技術與傳統方法交叉，設備運維效率較低，從而造成生產效率低下。因此，礦山裝備數字化運維的研究對推動礦山產業的綠色智能發展具有重要意義。

物聯網是指通過各種信息傳感器實時采集被監控物體的聲、光、熱等信息，通過網絡接入，實現物與物、物與人的泛在連接，實現對被監控物體運行過程的智能化感知、分析和管理。將物聯網技術應用到礦山裝備數字化運維，能夠有效提升礦山作業的效率。因此，面向智慧礦山[2]裝備運維的需求，基于現有物聯網技術的研究成果[3-4]，提出了一種裝備數字化運維體系架構，能夠滿足未來礦山建設綠色高效生產的要求，推動礦山行業的穩定可持續發展。

1 數字化運維

礦山裝備數字化運維是一個集成多學科、多主體、多維空間信息的復雜系統，是礦產資源開采過程中所涉及到裝備的各種動態、靜態信息的數字化管理、智能化分析和可視化展示，可以對礦山運行過程的設備狀態、人員位置、地質構造等數據進行實時采集和分析，從而形成裝備智能調度、智能運行、智能維護等決策，為高效生產提供支撐。

基于物聯網技術構建礦山裝備數字化運維體系，旨在推動礦山生產智能化建設，其具體應用場景包括如下內容。

(1) 礦山場景的實時三維重建 通過感知設備，如無人機、視頻攝像頭、環境傳感器等，對礦山全要素場景進行全方位、高精度的數據采集。通過三維重建技術[5-6]立體呈現礦山不同區域設備的實時運行狀況，并結合數據融合方法，基于數字孿生技術，對礦山未來狀況進行預測，避免安全風險，提高安全作業的效率，為企業提供進一步的礦產資源儲備評估、礦井建設設計等應用支持。與傳統的地質測量工作方式相比，節約了大量的時間，提升了檢測效率和水平。

(2) 礦山設備狀態評估與維護 根據采集設備的數據，包括功率、電流、油壓、溫度、震動、運行轉速等參數，對大型礦山設備進行監測、遠程調試、性能評估和能耗管理[7]。然后，利用人工智能技術對礦山設備進行健康評估，結合作業計劃提出設備預測性維護方案，實現設備合理有計劃的維護，避免設備損壞造成經濟損失和施工進度的延誤。

(3) 無人設備的協同調度 無人設備的協同調度需要建立在數字化、虛擬化、信息化、智能化、集成化的基礎上，綜合考慮生產、安全、環境、資源等各類要素，利用機器視覺和人工智能對各類信息進行全面、高效、有序管理，實現無人設備間的協同運行，提高設備的運行效率，達到安全高效低耗生產的目的[8]。

(4) 設備故障的智能化診斷 由于礦山設備運行環境較為復雜，極易發生零部件損壞或老化等現象，從而影響礦山開采的進度。結合人工智能和物聯網技術對礦山設備進行智能化診斷，能有效提高設備運行的穩定性和安全性，為礦山開采的安全生產決策提供技術保障[9]。

2 數字化運維的內涵

礦山裝備數字化運維的本質是，利用智能感知設備，對礦山運行過程中全要素數據進行智能化采集，并通過網絡傳輸層實現設備間數據的互聯互通，形成高效的數據采集體系；然后，通過數據融合方法對采集到的設備、人員、作業環境等數據進行清洗、處理和計算，形成智慧礦山裝備數字化管控體系，從而實現礦山裝備作業的智能化、可視化以及安全生產管理的一體化。基于物聯網進行礦山裝備數字化運維，能夠實現對礦山裝備的智能識別和全面管控；同時，運用三維重建技術，對礦山裝備進行全方位的監控和調度，構建綜合管理平臺，實現安全生產過程的優化；對生產過程的因素進行綜合分析，可以提升精細化管理水平，降低事故發生頻率，從而推動礦山裝備的智能化改造。

2.1 新的挑戰

面向礦山裝備的數字化運維將對底層設備感知、數據的安全傳輸、數據存儲與處理和應用層的裝備運維提出了新的挑戰。

(1) 信息感知 資源開采過程中會產生大量的礦物粉塵及噪聲，對智能感知設備的數據采集造成了巨大的挑戰。

(2) 數據安全傳輸 異構邊緣網絡和設備是礦山采集數據傳輸的關鍵組成部分，若遭受網絡攻擊會對礦山設備的安全造成重大危害，異構網絡下的數據安全傳輸是礦山設備數字化運維的關鍵。

(3) 數據存儲與處理 非結構性數據存儲與處理成為礦山裝備數字化運維的新挑戰，企業需要解決復雜結構數據的存儲與管理難題，建立一個礦山全場景的數據管理平臺，快速整合和管理數據。

(4) 裝備運維 礦山裝備運行時，若出現故障后再進行補救性搶修，就有可能對工程進度造成巨大影響。因此，如何基于采集數據進行故障預測與維護成為礦山裝備數字化運維的關鍵。

2.2 應對技術

面對礦山裝備數字化運維的這些挑戰，目前研究提出了多種應對技術，包括云計算、智能決策、大數據分析、數字孿生和物聯網等。

(1) 數字孿生 數字孿生是指通過集成物理反饋數據，并輔以人工智能和機器學習等方法，在信息化平臺建立一個虛擬化模型[10]。根據物理場景的實時反饋信息，對虛擬化模型做出相應改變。虛擬化模型根據歷史數據和專業知識，通過自學習機制對未來場景變化做出預測，并反饋實體物理場景。

(2) 云計算 云計算是指通過網絡將巨大的數據計算任務分解成多個子任務，通過多個云服務器處理和分析，得到各子任務的處理結果。

(3) 機器學習 針對感知裝備數據，利用機器學習技術對多源異構數據進行融合，依據歷史信息建立設備狀態特征庫，結合生成設備的特殊性，執行智能決策，形成設備的健康狀況分析和預測性維護建議。機器學習主要解決礦山裝備運維的智慧性問題。

3 數字化運維體系架構

面向礦山裝備運行維護方面的需求，提出了由設備感知層、網絡傳輸層、數據智能分析與挖掘層和服務應用層組成的 4 層結構模型，各層內容及層間關系如圖 1 所示。

圖1 礦山裝備數字化運維架構Fig.1 Architecture of digital operation and maintenance of mining equipment

3.1 設備狀態感知層

圍繞礦山現場環境、大型開采移動設備和固定設備等對象，分析環境變化對智能傳感器的影響機理，基于物聯網技術，利用紅外像機、檢測器、激光雷達、無人機、智能傳感器等設備對礦山場景和開采設備進行數據采集。基于數據處理與清洗技術對采集的多源異構原始數據進行修補，提高感知數據的準確性。利用長短時記憶網絡對感知信息進行層級分析，提取礦山設備的狀態特征，為設備的故障預測、協同調度和維護提供數據基礎。

3.2 網絡傳輸層

礦山智能裝備感知設備的實時數據傳輸可能面臨被攔截、監聽和篡改等安全風險，因此，需要保證網絡節點間數據傳輸的可靠性和安全性。首先，利用設備唯一標識符建立接入網絡設備的雙重身份認證機制，保障接入設備的安全可信性；然后，基于公開標識和隱形標識建立輕量級動態雙重密鑰加解密方法，保證傳輸數據的隱私性；最后，利用簽名算法保障傳輸數據的不可偽造性和完整性。網絡數據傳輸模型如圖 2 所示，網絡傳輸層的作用是將設備感知層采集到的數據安全可靠地傳輸至數據分析層。

圖2 網絡數據傳輸模型Fig.2 Network data transmission model

3.3 數據智能分析與挖掘層

數據中心根據采集的數據，對裝備狀態進行智能分析并挖掘其中的關鍵信息，主要包括以下內容。

(1) 數據融合 利用人工智能和大數據技術，綜合分析多種信息源采集到的數據，提出礦山設備多源信息的屬性關聯與匹配模式，建立多源、異構、異步信息融合模型，輔助作業人員及工業控制系統進行決策判斷和行動規劃。

(2) 數據存儲 對從網絡傳輸層獲取的設備運行和環境特征數據，基于先驗知識與領域知識，建立具有自學習與自更新能力的知識圖譜，構造訪問路徑自主動態更新策略，實現融合信息的協同存儲與共享，為上層應用提供支持。

(3) 數據挖掘 集成神經網絡、聚類分析、決策樹等方法，結合分布式計算，實現各類設備運行狀態的分析與識別，構建設備運行機理與數據挖掘相結合的設備狀態演化規律分析框架，利用設備長期運行過程中積累的多源數據和人工智能方法實現設備運行狀態與數據間的關聯分析，建立礦山設備數據的解析和挖掘模型，為應用層提供決策。

3.4 服務應用層

基于物聯網、云計算技術和人工智能技術，創建一個設備數字化運維服務平臺，形成計算能力強、靈活性高的應用服務層。服務應用層主要包含以下 4 個方面的應用。

(1) 設備數字化三維重建 基于數據智能分析與挖掘層的結果，從幾何、物理、行為、規則等多個維度對礦山設備運行狀況進行刻畫和描述，同時融合機器學習算法對模型進行優化，從多層次角度對模型組裝和融合形成設備要素虛擬重構模型。通過對礦山設備要素模型進行配置形成以應用為導向的礦山設備管理系統的數字孿生模型，再基于生產過程動態數據對仿真模型施加約束、初始化和輸入設置，精準構建礦山設備仿真模型。最后利用時域最大誤差限評價法和模型降階算法對誤差進行自適應降階，并自主優化礦山設備全要素模型生成簡化降階模型，實現對礦山生產設備仿真模型高效實時處理，為礦山開采設備的協同調度、生產設備故障預測和設備的預測性維護提供服務支持。

(2) 設備的協同調度 生產設備的協同調度是提升礦山開采生產效率的關鍵。基于人員、設備、開采任務、開采位置等多源融合信息，分析礦山生產過程的動態演化規律，構建生產任務的多目標約束函數，利用生成式對抗網絡技術生成調度序列樣本數據，將其輸入多層神經網絡，基于粒子群優化算法訓練神經網絡，獲得神經網絡的最優權重和閾值，以逼近優化目標函數，形成生產設備任務調度模型。

(3) 智能化的設備故障診斷 準確、及時的礦山設備健康狀況評估和智能化的設備故障診斷是礦山順利開采的基礎。在單個設備狀態評估方面，依據設備運行歷史信息建立狀態特征庫，基于自監督表示學習，基于 Transformer 機制的雙流循環神經網絡行為對設備狀態進行識別分析，根據設備運行過程中產生的各種信息判別設備運行狀態是否存在異常，并判定產生故障的原因和部位，依據設備組件間的內在聯系，提出設備故障診斷方法。

(4) 設備的預測性維護 基于礦山設備健康狀況信息，考慮生產設備的聯通性、業務相關性等因素，構建生產設備健康狀況視圖，探索生產設備健康狀況退化模型，引入生成式對抗網絡分析生產設備健康狀況發展趨勢，構建生產設備全局健康狀況態勢模型，為預防性維護提供數據基礎，深入分析生產設備健康狀況態勢，基于先驗知識構建設備監控狀況評估模型，并按照健康等級給出預測性維護策略，避免由于突發故障造成生產損失。

4 技術應用

基于物聯網的礦山裝備數字化運維技術形成的礦山裝備運維物聯網平臺，主要應用于大型工業設備的運行監測、遠程調試、性能評估、能耗管理和故障診斷。

該平臺可以實時采集獲取整個生產系統的運行數據，并采用機器學習、神經網絡、統計回歸、機理分析、數據融合和頻譜分析等技術，開發了面向整個生產過程的仿真數學模型、設備性能評估模型、設備故障診斷模型和設備預測維護模型。通過生產過程的仿真模型和設備性能評估模型運行數據的仿真分析，可進行整個工業設備生產過程的優化，提升用戶企業的生產效率。同時通過設備故障診斷模型和預測維護模型，對關鍵設備的運行狀況進行實時監控和診斷預測，可實現設備的健康管理和故障預測與診斷，從而優化用戶的檢修和維護水平，提升設備的可靠性和作業率。

該平臺提供了智能裝備的全生命周期分析方法，通過構建支撐設備狀態監控、性能預測和故障診斷功能的數據庫管理系統，分析系統業務模型和數據信息流向，在研究靜態數據和運行狀態動態數據的存儲策略基礎上，構造設備本征數據庫、診斷系統專家知識庫和故障診斷模型庫。采用粗糙集、決策樹、模糊推理等手段，基于數據庫系統設備歷史數據，逐步精確化系統本征參數，實現設備特征庫的自動更新，最終實現智能裝備的性能分析、工況識別、故障診斷、故障報警和預測維護等功能，大幅提高全生命周期過程中裝備的智能化水平。

5 結語

從礦山設備數字化運維建設發展需求出發，利用物聯網技術，提出了面向礦山設備運維的 4 層體系架構，并對各層內容進行了闡述，最后給出了數字化運維技術的應用。礦山設備數字化運維需要經歷一個長期發展的過程，隨著大數據、人工智能、區塊鏈技術的發展，需結合機器視覺和人工智能技術不斷對其進行智能化升級，增強系統的智慧性，推動礦山產業的健康發展。