新一代智能煤礦人工智能賦能技術研究綜述

付翔， 秦一凡， 李浩杰， 牛鵬昊

（1. 太原理工大學 礦業工程學院，山西 太原 030024；2. 太原理工大學 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態高質量發展的核心技術支撐。近年來，國家和行業各類政策、標準的出臺發布，旨在加快、準確推進煤礦智能化建設步伐。《2022煤炭行業發展年度報告》[1]顯示：截至2022年底，全國煤礦數量約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場應用。近幾年，隨著新型數字化、自動化煤機裝備研發應用、新型網絡化傳感器研發應用、工業互聯網信息基礎設施部署等建設投入，煤礦智能化已基本達到初級水平[2]。

煤礦智能化的核心目標是新一代人工智能（Artificial Intelligence，AI）技術的賦能應用，AI作為新一輪產業變革的核心驅動力，將進一步釋放歷次科技革命和產業變革積蓄的巨大能量，并創造新的強大引擎。2017年國務院印發的《新一代人工智能發展規劃》[3]提出，圍繞制造強國重大需求，推進智能制造關鍵技術裝備、核心支撐軟件、工業互聯網等系統集成應用。研究表明[4]，AI的應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率。到2030年，因AI的應用，全球GDP將新增15.7萬億美元，中國占7萬億美元。到2035年，AI將推動勞動生產率提升27%，拉動制造業GDP達27萬億美元。2023年3月31日國家能源局發布的《關于加快推進能源數字化智能化發展的若干意見》[5]指出，到2030年，能源系統各環節數字化智能化創新應用體系初步構筑、數據要素潛能充分激活，推動面向能源裝備和系統的智能控制算法開發，以數字化智能化技術帶動煤炭安全高效生產，并具體提出了地質、采煤、掘進、主煤流運輸、輔助運輸、安全災害、綜合管控等煤礦各個作業場景的AI應用要求。2022年中國煤炭工業協會發布的《基于工業互聯網的煤炭企業信息化基礎設施建設白皮書》[6]指出，目前煤炭企業信息化基礎設施建設面臨的挑戰和問題主要表現為多數煤礦缺乏大數據、AI、場景化APP能力，尚未引入云計算、大數據、AI等新技術，無法實現多生產系統協同、災害風險預警化、決策科學化等真正意義上的煤礦智能化建設。

在當前時代背景和政策引導下，面對煤礦崗位工人日益短缺、安全風險保障日益加強、煤炭產量需求日益增高、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、全業務應用場景的AI賦能技術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展的核心方向。

1 新一代智能煤礦AI賦能技術概述

新一代智能煤礦AI賦能是將AI思想、方法、模型與煤礦專業知識相融合，利用煤礦作業場景生產運行過程中產生的海量數據，構建機器學習、推理、決策算法模型，開發煤機裝備控制、煤礦系統決策、煤企運營管理等多業務、多層級、多場景智能APP，通過煤炭工業互聯網架構，實現AI技術在煤礦作業場景中的真實應用，達到煤礦簡單作業場景無人、必要作業場景少人、關鍵作業場景人機協同的煤礦智能化終極目標，真正建設形成智能、少人、安全、高效的現代化煤礦。

煤礦行業正在經歷全面的、初步的智能化建設，目前已建成的智能煤礦已完成信息基礎設施建設、新型智能煤機投入運行等，基本達到初級智能化水平，一定程度上改變了傳統煤礦的生產方式，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建了以云為基礎的信息系統架構，缺乏以AI為核心的煤礦應用場景賦能技術。

AI技術落地的關鍵在于與具體行業知識的結合，知識計算是實現行業知識與AI結合的全新路徑。新一代智能煤礦[7]將以人-信息-物理系統（Human-Cyber-Physical System，HCPS）體系為架構，深度利用大數據、云計算、AI等新一代信息技術，實現基于行業知識計算的煤礦應用場景AI賦能，形成智能高效的人機協同高級智能化煤礦安全生產模式。初級智能煤礦向新一代智能煤礦演進及內涵如圖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是指煤礦各安全生產環節的數字化、自動化機械與設備，主要包括采、掘、機、運、通、安監、地質、分選等傳統煤機設備的數字化、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、單兵智能穿戴、智能終端等煤礦智能新型設備與系統。新型智能煤機裝備系統不僅完成了采礦作業單工序自動化執行工作，還為智能煤礦信息系統提供了關鍵的數據基礎。

初級智能煤礦信息系統是指信息網絡、定位網絡、云計算中心、大數據平臺、應用軟件平臺、信息安全設施、音視頻系統等新一代信息技術軟硬件組成的智能煤礦信息基礎設施，主要完成煤礦單個生產環節的數據采集、交互、集成、存儲、計算、服務、統計分析、可視化等基本信息化功能，技術人員可通過該信息系統實現煤礦協同管控、歷史數據查詢、實時監管、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和初級智能煤礦信息系統，初級智能煤礦崗位技術人員可通過2種工作方式完成采煤作業：① 在現場，通過視覺、聽覺、觸覺感知現場工況，配合系統自動化，人工分析決策，借助煤機裝備人機接口現場操作完成采煤作業。② 在遠程，通過視覺、聽覺觀測信息系統采集的數據，根據數據圖標、信息提示等進行分析決策，借助集控室人機界面遠程操作完成采煤作業。

新一代智能煤礦信息系統是指通過云、網、邊、端協同一體化框架，以AI技術為核心，以煤礦各工序應用場景為賦能對象，建立知識獲取、數據建模、模型管理、智能應用等煤礦行業+AI知識流水線，實現對煤礦安全檢測、裝備運行、視頻監控等安全生產多源異構海量數據的挖掘利用和AI模型場景應用。該系統主要功能：① 煤礦多源信息交互與處理，實現跨層級、跨系統的大數據服務及處理。② 基于AI技術的煤礦工序場景學習認知系統，基于上述信息處理功能，實現煤礦各環節的大數據融合挖掘、機器學習建模、行業知識軟件化。③ 煤礦行業知識與AI整合而成的自成長型知識庫，基于上述學習認知系統，實現采礦專業知識+AI融合模型、方法、規則等管理運行。④ 煤礦應用場景智能分析與決策，基于上述信息處理系統和知識庫，實現煤礦各個環節應用場景的AI模型推理應用及人機高效交互。⑤ 煤礦多工序協同控制，基于上述決策功能，實現煤礦巨系統全流程自適應控制與人機協同控制。利用新型智能煤機裝備系統和新一代智能煤礦信息系統，崗位技術人員主要采用人機協同管控方式，通過視覺、聽覺感知煤礦應用場景智能分析與決策信息，根據信息再進行人工分析決策，協同自適應控制系統完成采煤作業。值得注意的是，新一代智能煤礦信息系統是一個AI逐步進化的持續改進系統，在一些工序場景暫時無法由AI完成的，由崗位技術人員現場完成采煤作業（圖1虛線部分）。

新一代智能煤礦信息系統的AI賦能技術是未來現代化煤礦智能化、少人化的關鍵，為實現新一代智能煤礦AI賦能，主要有以下2個關鍵方面。

1） 煤礦工業機理AI模型。煤礦各工序涉及復雜的生產工藝和安全預警等工業機理，AI模型可基于大量的歷史數據和領域專業知識進行訓練和優化，幫助理解和模擬煤礦工序中的工業機理。利用煤礦大數據和采煤專業知識，采用機器學習、因果分析、數學推導等建模方法，構建煤礦全流程不同工序場景的工業機理AI模型，通過開發和應用工業機理AI模型APP，可實現對煤礦各環節復雜機理的建模、優化和預測，為煤礦各安全生產業務提供更準確的預測和決策支持，從而提高生產效率、降低安全風險。

2） 煤礦工業互聯網平臺。煤礦工業互聯網平臺是連接煤礦各工序的信息化系統，可集成煤礦各工序的數據，利用云計算和大數據分析等技術，通過AI模型嵌入到平臺應用，實現煤礦各個環節的綜合分析和優化調度。煤礦工業互聯網平臺為AI賦能提供網絡基礎、平臺中樞、數據基礎，實現煤礦各工序場景工業機理AI模型的管理部署、承載驅動、數據推理等AI應用。

通過在煤礦各工序場景中應用工業機理AI模型，可實現對煤礦生產過程的智能化分析和優化。煤礦工業互聯網平臺則提供了數據采集、存儲和分析的基礎設施，使得AI模型不僅可以獲取實時數據并進行實時決策，而且可利用平臺歷史數據進行模型實時優化更新。因此，通過對工業機理的AI建模和優化，結合互聯網平臺的數據采集和分析功能，為煤礦AI賦能提供了關鍵的技術手段和基礎設施。

2 煤礦工業機理AI模型研究現狀

以地質、采煤、掘進、安全監控等煤礦基本作業環節為對象，總結與梳理近年來煤礦工業機理AI模型的研究進展。

2.1 地質環節

煤礦地質環節場景主要是煤層地質3D建模。現有研究大多采用傳統數學分析法對煤層地質形態實現擬合：文獻[8-10]利用多源異構探測數據，采用貝葉斯克里金法、多尺度插值等方法，實現礦井煤層厚度、表面形態的估計；文獻[11-12]結合開采揭露的煤層數據，采用格網-不規則三角網（Triangulated Irregular Network，TIN）混合面元、二次序列規劃等方法，實現煤層厚度預測值動態修正。數學分析法在一定程度上解決了煤層厚度等參數擬合問題，在此基礎上，一些學者嘗試AI方法解決地質信息預測問題：文獻[13]利用初始煤層地質模型數據與采煤機歷史截割數據，采用長短時記憶（Long Short Time Memory，LSTM）網絡對煤層厚度進行實時預測；文獻[14]利用遺傳算法求解地質異常電磁波，進行地質異常預測。這些研究面向煤礦實際生產中對地質信息的實時更新需求，對透明礦井研究具有一定價值。

2.2 采煤環節

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，達到“多截煤、少割巖”目標的必要條件。文獻[15]采用基于D-S理論的“與”決策準則，通過對振動、電流、聲發射、紅外閃溫等信號融合分析，區分采煤機在不同介質比例下煤巖界面的截割特征信號，進而識別煤巖界面。隨著機器視覺技術的發展，大量研究提出煤巖圖像識別技術。文獻[16-17]采用改進U-net網絡、Crnet網絡等深度學習模型，通過對一些煤巖樣本訓練，達到了較高的煤巖識別準確率。然而，由于工作面現場條件受限，煤巖樣本缺少、模型泛化能力有限等問題凸顯。文獻[18-19]提出利用遷移學習思想，采用生成式對抗網絡（Generative Adversarial Network，GAN）、AlexNet網絡增強煤巖圖像樣本，取得了一定效果。

2） 采煤機截割控制場景。采煤機調速調高控制是采煤割煤過程的關鍵工序。文獻[20-21]利用BP神經網絡、新型螢火蟲算法調參PID控制器，實現采煤機滾筒自適應調高控制；文獻[20]利用果蠅優化算法得到不同截割阻抗下最優的采煤機牽引速度及轉速；文獻[21]采用BP神經網絡實時調整采煤機工作參數來實現自適應調速；文獻[19]利用深度確定性策略梯度（Deep Deterministic Policy Gradient，DDPG）強化學習算法搭建采煤機自適應調高調速模型。

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鍵工序。文獻[22]利用粒子群（Particle Swarm Optimization，PSO）算法雙層規劃模型決策得出液壓支架與供液動力交疊協同控制策略。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規律和支護質量的重要指標。現有研究大多采用傳統數學推導、統計分析法對圍巖支護效果進行分析評價，而當前智能化工作面生產過程中會產生海量液壓支架立柱壓力數據，這些數據應利用AI方法實現大數據分析與利用。文獻[24]利用改進型LeNet-5深度網絡分析時空區域的壓力數據，可辨識得出7類液壓支架支護質量狀態，通過數據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難題。現有研究大多通過構建理想數學模型推理直線度，如文獻[25]利用LSTM神經網絡構建目標調直軌跡的修正模型和軌跡-姿態轉換模型，進而對刮板輸送機的軌跡進行預測。

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

2.3 掘進環節

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是智能掘進工作面的關鍵技術，其中截割速度自適應控制和斷面截割軌跡規劃是目前的技術瓶頸。針對截割控制問題，文獻[30-31]利用BP神經網絡構建掘進機截割頭速度控制器，采用遺傳算法、PSO算法優化BP網絡參數，通過仿真驗證了其控制效果優于PID控制器。針對截割軌跡規劃問題，文獻[32-35]利用模糊支配的多目標粒子群算法（Fuzzy Dominance-Multiple Objective Particle Swarm Optimization，FD-MOPSO）、生物啟發神經網絡（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劃，并利用仿真驗證了常見及復雜構造斷面的截割軌跡規劃效果。

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設計和應用，AI方法應用研究較少。同時，針對自動鉆錨控制技術中支護鋼帶錨孔的定位識別問題，文獻[36-37]利用YOLOv5算法構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 安全監控環節

煤礦瓦斯、水害、火災、頂板等災害的監測識別是煤礦安全監控的主要對象，已有相關研究大多采用災害演化機理和證據理論等方法，其中部分研究嘗試采用AI方法與模型對安全監控海量數據實現分析、預測、預警。

1） 瓦斯監控場景。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-極限學習機（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技術支持。

2） 水害監控場景。文獻[40-41]利用LSTM、GA-BP網絡構建了礦井突水預測模型，為開展突水預防工作和分析事故危害程度提供了參考依據。

3） 火災監控場景。文獻[42]構建了一種基于長短時記憶-自編碼-單類支持向量機神經網絡（Long Short Time Memory-AutoEncoder-One-Class Support Vector Machine，LSTM-AE-OCSVM）的火災隱患識別算法，對比傳統的基于LSTM、OCSVM等的隱患異常檢測方法，具有更高的預測準確率。

4） 礦壓監控場景。文獻[43]利用免疫粒子群混合算法優化BP神經網絡，構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測模型；文獻[44]利用LSTM網絡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等進行分析，構建了初次來壓與周期來壓等礦壓預測模型。

5） 沖擊地壓監控場景。文獻[45]利用深度學習模型MSNet構建了微震事件發生時間、位置與能量的預測模型，繼而確定沖擊時間與危險性區域。文獻[46]利用GA-LSTM網絡，構建了b值預測模型，為在沖擊地壓時間上演化發展的預測預警研究提供借鑒與參考。文獻[47]利用遺傳算法構建了沖擊地壓多參量集成預警模型，通過分析微震、地音、應力、電磁輻射等多源信息，以實現特定時刻下沖擊危險程度的量化預警。

6） 人員安全監控場景。文獻[48]提出了煤礦“人-機-環”全域視頻AI感知的“云-邊-端”協同計算系統架構，通過煤礦工業視頻的安全隱患AI分析，提高人員標準化生產作業行為安全，實現全域視頻信息的精準感知和危險源協同管控。

3 新一代智能煤礦工業互聯網平臺架構及內涵

煤礦工業互聯網平臺是智能煤礦的神經系統，負責對煤礦人、機、環、系統的信息感知匯聚、數據融合共享、資源優化配置與產業價值發掘，是煤炭行業全產業鏈、全價值鏈的信息化與工業化融合應用體系。

目前煤礦工業互聯網平臺正處于基礎設施建設階段，主要包括礦井網絡、數據中心、管控平臺等方面的軟硬件設施配套，5G、F5G、WiFi6、萬兆以太網等新一代網絡技術，超融合服務器集群、分布式計算、數據倉庫等新一代云平臺技術，正在逐步應用于煤礦信息系統。針對這些新一代信息技術在煤礦應用的問題，現有研究設計了數據采集、存儲、治理、應用等工業互聯網通用技術框架[49-51]，開發了水害監測[52-53]、瓦斯監測[54-55]、礦壓監測[56]、粉塵監測[57]、沖擊地壓監測[58]等煤礦管控應用。

新一代智能煤礦工業互聯網平臺是在通用工業互聯網技術基礎上，針對煤炭工業的集團-礦井-采區-工作面管理體系特點，結合采、掘、機、運、通等煤炭開采業務環節，面向煤礦安全、生產、經營等方面的場景需求，通過開發與應用煤礦工業機理AI模型，實現煤礦從底層應用場景到頂層管控業務的全鏈AI賦能。

基于上述分析，設計新一代智能煤礦多級云邊協同工業互聯網架構，如圖2所示。該架構采用“云-邊-端”框架體系，考慮煤礦多層級、多環節、多場景AI應用需求，利用集團數據中心、礦井數據中心、生產系統集控中心等工業信息軟硬件設施，結合海量數據云計算和少量數據邊緣計算特點，提出集團云、礦井云與環節邊、場景邊的多級云邊協同機制。

圖2 新一代智能煤礦多級云邊協同工業互聯網架構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、不同工序的業務需求，新一代智能煤礦多級云邊協同機制主要從應用對象、響應時間、計算任務、數據處理4個維度進行云、邊劃分，各級利用相應底層的計算機系統、虛擬化、計算引擎、數據庫、算法庫等數字底座技術與工具，通過云端模型訓練、邊端模型推理、數據快速交互、模型在線下沉等邊云協同技術，構建煤炭工業數據共享、數據挖掘、數據使能的立體式AI技術應用體系。

4 展望

1） 未來應不斷加強煤礦工業機理AI模型的開發與軟件化研究，面向煤礦不同業務、不同工序的應用場景，通過挖掘利用煤礦運行過程產生的海量數據，充分發揮煤炭專業背景的多學科交叉知識基礎，深入研究數據洞察、知識挖掘、模型訓練、應用軟件等煤礦工業機理AI模型開發與軟件化技術方法，逐步形成煤礦全流程AI賦能的知識軟件體系。

2） 未來應充分運用煤礦工業互聯網平臺的數字資源與信息設施，不僅注重信息硬件設施的配置與管理，更要注重軟件體系的設計與部署。針對煤礦多層級、多環節、多場景的知識軟件體系，深入研究軟件通用環境、數據服務機制、算法工具支持、人機交互APP、煤機控制系統程序關聯等煤礦工業機理AI模型應用技術體系，逐步實現煤礦工業互聯網平臺的AI技術承載。