智慧礦山系統工程及關鍵技術研究與實踐

王國法 ， 龐義輝 ， 任懷偉 ， 戰 凱 ， 杜 明 ， 張 勇 ， 程 健 ， 杜毅博 ， 張建中 ， 鞏師鑫 ，王丹丹 ， 孟令宇 ， 孟積漸

(1.中煤科工開采研究院有限公司, 北京 100013；2.北京天瑪智控科技股份有限公司, 北京 101399；3.安標國家礦用產品安全標志中心, 北京100013；4.煤炭科學研究總院有限公司, 北京 100013；5.礦冶科技集團有限公司, 北京 100160)

礦業是現代工業的支柱產業，新一代信息技術賦能新時代礦業加速向數字化、智能化轉型，建設智慧礦山是把握新一輪科技革命與變革礦產資源開發利用方式新機遇的戰略選擇，是保障國家經濟持續穩定增長的內在需求，更是保障國家礦產資源安全穩定供給的必由之路，開展智慧礦山建設已經成為世界礦業發展的大趨勢[1-3]。

國外部分發達國家在20 世紀60 年代開始進行礦山自動化、數字化相關技術的研發實踐[4-5]，加拿大、芬蘭等國家于20 世紀90 年代制定并實施了智慧礦山計劃，并將新一代信息技術延伸應用于工業制造領域，美國于2005 年提出了“聰明加工系統研究計劃”，進行數控系統、狀態監測系統的研發[6]；德國于2013年正式推出了“德國工業4.0 戰略”，制定了智能工廠、智能物流與智能生產發展思路[6]；歐盟于2020 年提出了面向2030 年的《歐盟新工業戰略》[7]。我國于1999年提出了智能采礦的概念，2000 年進一步提出了數字礦山的概念，并逐漸重視對智能感知、智能控制、無人化開采等相關技術裝備的研發應用[8-9]。我國數字經濟雖然起步較晚，但發展速度較快，2022 年，我國數字經濟規模已經達50.2 萬億元，占GDP 比重達到41.5%，2016—2022 年，數字經濟年均復合增長14.2%[10-11]。

礦山開發是一個復雜的系統工程，智慧礦山建設需要將新一代信息技術與礦山開發系統進行深度融合，實現礦山開發全流程的智能運行[12]。筆者基于我國智慧礦山建設和技術創新實踐，提出智慧礦山系統工程的總體技術架構和智慧礦山系統工程模型，分析智慧礦山建設的數字化基礎，深入研究和創新應用地下空間模型重構與動態更新、機器視覺感知和測量、礦山全時空信息感知與閉環管控等關鍵技術，提出智慧礦山標準體系架構。

1 智慧礦山系統工程概述

智慧礦山系統將礦產資源的開采工藝、裝備、流程、管理、運維與新一代信息技術進行深度融合，形成全面自主感知、系統實時互聯、多源數據融合驅動、智能分析決策、多系統協同控制、災害精準預測預警、設備智能運行維護的礦山智能復雜巨系統，實現礦山地質勘探、規劃設計、采(剝)掘、機電、運通、洗選、安全保障、生產經營管理等全流程的智能運行[13]。智慧礦山是礦山系統智能與人文智慧的深度耦合，是礦山開發技術發展的新階段[14-16]。

通過總結凝練近幾年智慧礦山建設取得的經驗與成效，提出了智慧礦山建設的總體技術架構，將智慧礦山細分為信息感知支撐層(地質-工程信息系統、人-機-環-管感知系統)、邊緣計算層、云數據中心、多型網絡、礦山智能生產管控平臺、礦山智能生產系統、智慧礦山運維管理系統等，如圖1 所示。

圖1 智慧礦山系統技術架構Fig.1 Smart mine system technical architecture

通過地質-工程信息系統的智能鉆探、物探等裝備對礦山地質信息進行探測，通過地質云平臺對地質數據與工程數據進行融合推演及模型構建，形成智慧礦山的資源底圖；通過人-機-環-管感知系統對礦山開采過程的各類信息進行采集，為實現礦山智能化開采提供基礎信息。采集的各類信息根據應用場景的不同需求分別進入邊緣計算層與云數據中心，其中邊緣計算層主要對低時延、松耦合、小算力的數據進行處理，而云計算中心則主要用于對算力要求高、數據融合度高、時延要求低的數據進行深度融合分析，并進行數據模型的訓練分發及數據的融合共享，為礦山智能生產管控平臺提供數據支撐底座。礦山智能生產管控平臺與云數據中心進行數據交互，充分發揮云數據中心的數據融合分析共享及系統集成管控的優勢，不僅對云數據中心的數據報表及礦山生產場景的相關數據進行集成展示，還對礦山開采過程的采(剝)掘、機電、通風、運輸等相關系統進行集中管控，將云數據中心形成的決策指令及生產過程中的調度指揮指令下發至礦山智能生產系統，實現對礦山智能生產系統的協同控制。

根據開采系統的差異，將礦山開發方式分為露天開采與井工(地下)開采，根據礦產資源種類可以分為煤礦與非煤礦山，礦山采(剝)掘、機電、運輸、通風、安監、洗選等系統的智能化建設是智慧礦山建設的關鍵，系統裝備的智能化水平及智能生產系統的協同管控能力直接決定了智慧礦山的建設效果。智慧礦山運維管理系統是保障礦山智能生產系統無故障常態化運行的關鍵，通過對礦山各類設備設施的運行狀態進行監測分析，采用故障診斷算法對礦山設備設施進行故障的超前預測預警，采用遠程運維、本地運維等方式對礦山智能生產系統進行智能運維，降低系統運行過程中的故障率，提高智慧礦山的常態化運行水平。上述智慧礦山各系統模塊通過多型網絡進行信息交互，實現各模塊之間的數據交互與協調管控。

由于受到礦山智能生產技術、裝備、軟件平臺發展水平及礦山智能生產系統與新一代信息技術融合能力的限制，智慧礦山建設目前仍處于初級階段，主要存在技術裝備的智能化水平不高、系統融合能力不足、對復雜條件適應性較差、采(剝)掘等主要系統的智能化技術裝備仍存在瓶頸、數據治理能力不足、5G 應用場景有待進一步挖掘、系統裝備的可靠性與適應性較差等問題，亟需在智能化技術、裝備、系統、運維、管理、人才等方面進一步突破，提高礦山智能化技術常態化運行水平，實現礦山減人、增安、提質、創效。

2 智慧礦山系統模型與數據基礎

2.1 智慧礦山系統工程模型

隨著工業智能化進程的不斷發展，多源數據呈指數級增長，不同系統之間的數據接口、通訊協議等標準化，以及數據融合分析、治理對智慧礦山統一數字模型的構建提出了新要求，逐漸形成從地面到井下、從工程到管理、從生產到安全等多層次立體信息集成的智慧礦山系統工程模型。

2.1.1 智慧礦山信息實體

提取并抽象物理實體的原始描述，并將其變為物理實體數據描述的過程稱為信息實體，具有實體屬性和關聯屬性，實體屬性反映信息的表現形式，關聯屬性表達信息實體在信息網絡中的層級和相互之間的關系。

智慧礦山信息類別繁多，相互之間關聯關系復雜，涉及多個維度的屬性。通過對礦山數據屬性和表現形式進行分解，將礦山信息屬性分為實體屬性、關聯屬性和時空屬性。實體屬性對信息實體進行基本描述，包括屬性信息、結構信息、功能信息等；關聯屬性描述信息實體之間的關系屬性，包括分組/分類等關聯屬性、層次關系屬性、重要度關系、影響關系屬性及行為描述等；時空屬性包括基于地理信息的空間方位屬性和隨時間變化的狀態屬性等。因此，根據復雜網絡理論，智慧礦山信息實體的數學表達可表述為

式中，Oi為第i個信息實體單元；Ei為單元的實體屬性，由屬性信息P(n) 、結構信息S(n) 、功能信息F(n)組成；Ri為實體的關聯屬性，由類別屬性C(n)、層次屬性L(n)等組成；S Ti為實體的時空屬性，由時間屬性T(n)與U(n)組成。

智慧礦山系統工程模型是一個自底向上構建智慧礦山知識圖譜并進行迭代的過程。如圖2 所示，對數據進行語義建模，并對復雜任務中的關鍵節點進行分解，進而構建信息實體；通過融合信息實體之間的連接關系，實現對事實的表達，完成虛實映射。在此基礎上，構建實體聚類本體庫，推理實體間的新關聯，實現知識推理；不斷迭代更新形成智慧礦山知識圖譜，為各類應用場景提供數據服務并進行決策支持。從異構數據源中抽取信息實體是影響后續知識獲取效率和質量最為基礎和關鍵的部分。

圖2 智慧系統工程模型構建示意Fig.2 Intelligent systems engineering model construction diagram

2.1.2 智慧礦山知識圖譜

通過建立智慧礦山信息實體，實現了智慧礦山系統從物理空間到數字空間的映射，其中物理實體包括采煤機、刮板輸送機、掘進機等各類設備，時間實體包括頂板運移、瓦斯超限、設備故障等隨時間的變化，功能實體包括空間位置關系、圍巖耦合關系等。

為了完善功能實體的推理關系，構建了智慧礦山知識圖譜。通過Apriori 算法對各信息實體之間的關聯規則進行挖掘，計算支持度和置信度，描述關聯程度。在此基礎上，聚類定義開采行為相關的本體類別，劃分類的層次結構，并定義本體的邊界和約束，構建基于開采行為的智慧礦山領域本體，建立智慧礦山各層次內部與外延對象間的邏輯關系模型。

在上述基礎上對任務進行分解。任務T可分解為四元組：

式中， TaskSet={T1,T2,···,Tn}為根據本體知識庫分解得到的子任務集合； State={S1,S2,···,Sn}為完成任務過程中處于的基本環境信息；Action={A1,A2,···,An}為各智能體完成任務所進行的行為決策；QSet={Q1,Q2,···,Qn}為完成子任務所需查詢的環境信息集合。

2.1.3 智慧礦山數據共享

通過各類傳感器、設備和軟件采集并處理生產過程中所產生的大量數據，利用人工智能和大數據技術，根據實際需求進行統計、挖掘、分析和預測，將結果推送至相關系統，提供最優的數據服務方案，如圖3 所示，實現智慧礦山數據資源的共享交互及礦山企業全面的生產信息化管理，提高生產效率和安全性。

圖3 智慧礦山數據交互示意Fig.3 Data active push schematic for smart mine

智慧礦山數據資源的共享與礦山生產運營的各個業務需求密切相關，分為顯性需求和隱性需求兩個時間維度。顯性需求：成員依據自身需要通過數據資源共享服務平臺，提出數據請求；隱性需求：根據以往數據共享服務歷史以及知識庫中的邏輯規則，挖掘需求者的隱性需求主動推送。因此，基于智慧礦山業務需求，對任務進行分解，得到控制決策的本體知識?；跈z索條件對開采信息知識本體進行匹配度計算，得到推送最優解；對于隱性需求，基于粗糙集和模糊綜合決策構建推送規則，并根據關聯關系進行匹配度計算，約減屬性決策表，將匹配數據推送給控制對象，并將控制結果和數據習慣記錄進行規則迭代，解決推送信息和目標的交互、融合問題。

2.2 智慧礦山數據基礎

數據基礎是以數據創新為驅動、通信網絡為基礎、數據算力為核心的基礎體系。數據基礎涉及5G、大數據、云計算、物聯網以及工業互聯網等新一代信息技術，以及基于上述技術形成的各類數字平臺，服務礦山企業生產運營的各個方面；如圖4 所示，以煤礦液壓支架群數字模型為例，發布支護任務后，接受的多維數據，通過知識本體分析預處理，并推理和決策優化，對設備本體進行狀態修正和優化。

圖4 智慧礦山液壓支架群數字邏輯模型Fig.4 Smart mine hydraulic support group digital logic model

(1)通信網絡。智慧礦山的數據基礎依賴于強大而穩定的通信網絡。在智慧礦山生產運行過程中，大量的數據需要及時傳輸和處理，比如設備狀態監測信息、生產數據信息等。因此，需要高速、可靠的通信網絡為礦山內各設備、系統和人員之間的信息交互提供保障?，F階段，智慧礦山通信網絡涵蓋有線網絡和無線網絡，如光纖通信、LTE、WiFi 等，確保信息的實時傳輸和遠程監控。

(2)大數據。智慧礦山在生產經營管理過程中會產生大量的數據，包括生產數據、設備狀態、環境監測等，這些數據包含了豐富的信息，但僅憑人工難以發現其中的規律和價值。大數據技術能夠處理這些龐大的數據，進行數據挖掘和分析，從中找出規律和關聯，為礦山管理和生產提供決策支持。例如，通過分析設備運行數據，可以預測設備故障并進行維護，避免生產中設備故障和資源浪費。通過對礦產資源屬性數據進行分析，可以優化選礦過程，提高礦產資源的回采率。

(3)云計算。智慧礦山涉及的數據量很大，傳統的本地計算和存儲往往無法滿足需求，而云計算為智慧礦山的數字化提供了強大的計算和存儲能力。云計算通過將計算和存儲資源集中在云端，礦山只需通過網絡連接訪問云服務，就可以實現大規模數據處理和分析。同時，云計算可以根據實際需求靈活調整計算資源，使得礦山能夠按需分配資源，避免了資源的浪費。此外，云計算還可以為礦山提供數據備份和容災服務，保障數據安全。

(4)物聯網。物聯網技術是智慧礦山數據基礎的核心組成部分。通過在礦山設備和機器上安裝傳感器和通信設備，物聯網可以實現設備之間的連接和信息交換。這樣的智能化設備和系統構成了智慧礦山的神經系統，可以實現智能化生產和運營。如果設備出現故障或異常，物聯網系統會及時發出預警，提高了礦山設備運行的可靠性和安全性。

(5)工業互聯網。工業互聯網是智慧礦山數據基礎的關鍵環節，它將物理世界和數字世界緊密連接。工業互聯網通過物聯網、云計算、大數據等技術，實現礦山內外設備和系統之間的互聯互通，打破信息孤島，提高礦山的智能化水平。工業互聯網還可以實現礦山內外信息的共享和協同。在智慧礦山中，不同的設備和系統之間需要相互協作，實現生產過程的優化。通過工業互聯網，礦山內的設備可以與供應商和客戶系統進行連接，實現信息共享和資源協同，進一步提高企業的整體效率和競爭力。

(6)智慧礦山機器人。機器人是智慧礦山數字化的重要組成部分。它們能夠自動完成采礦、運輸、巡檢等任務，減少人力投入，提高生產效率和安全性。智慧礦山機器人具備自主導航、感知決策和自適應等功能，使得礦山生產更加智能高效。

3 地下空間重構與模型動態更新

地下空間重構的主要任務是以機器視覺傳感數據為主，其他傳感數據為輔，構建礦山井下場景的三維視覺空間模型，主要包括稀疏重建、稠密重建、空間表示和紋理貼圖4 個模塊，地下空間重構流程如圖5 所示。

圖5 地下空間重構流程Fig.5 Underground space reconstruction process diagram

稀疏重建是在特征提取、表示和匹配的基礎上進行傳感器位姿的估計和稀疏三維點云的獲取，主要包括2 種實現方式：① 運動恢復結構(Structure from Motion，SFM)，是一種離線稀疏重建方法，具有精度高但計算時間長的特點；② 同步定位與構圖(Simultaneous Localization and Mapping，SLAM)，是一種在線稀疏重建方法。

SFM 與SLAM 均通過最小化式(3)的投影函數E來進行位姿和地圖的優化。

SFM 優化全局所有三維點，具有較大的計算量，一般進行離線計算，而SLAM 僅在線優化局部三維點，當檢測到閉環時，才在后端優化閉環上的所有三維點。典型的SFM 工作包括VisualSfM[17]、COLMAP[18]等，典型的SLAM 工作包括PTAM[19]、ORBSLAM[20]、LSD-SLAM[21]等。

稠密重建基于稀疏重建得到的傳感器姿態，利用多視圖關系，估計、優化深度圖，進而實現點云融合與優化，最終獲取三維稠密點云[22]。在稠密重建的基礎上，空間表示主要有4 種形式：① 點云表示[23]，直接以點坐標的方式表示三維空間；② 柵格表示[24]，以二維或三維離散網格的方式表示三維空間；③ 網格表示[25]，主要以三角網格的方式表示三維空間；④ 隱式表示[26]，以神經網絡的方式表示三維空間。其中隱式重建是解決挑戰性環境下空間重構問題的一種非常有前途的技術，是當前空間重構的一個研究熱點。它采用神經網絡來表示場景，接收3D 坐標和方向，輸出該空間位置處的顏色和體密度，式(4)為其體渲染方程。

最后，通過紋理貼圖技術[27]獲取場景帶顏色的空間重建模型。上述空間重構相關方法在地面航拍、街景、大型建筑設施等場景已經進行了廣泛有效應用[28]。

針對智慧礦山應用場景的空間重構問題，一些科研機構進行了初步研究，例如，澳大利亞CSIRO(Commonwealth Scientific and Industrial Research Organization)的ExScan，提出了毫米波雷達點云重建方法和LeGO-LOAM-SC 定位與構圖方法[29-30]。上述方法仍然以激光或毫米波雷達為主，雖然能夠獲取礦山井下巷道的三維點云，但是由于礦山井下巷道既窄又長，幾何特征單一，點云容易變形，出現較大誤差，如果依賴井下特有的測繪信息進行校正，點云獲取的效率又非常低，人力與時間成本非常大。通過引入視覺信息能夠有效解決激光或毫米波雷達在空間重構中幾何退化導致點云變形的問題。

為了應對礦山井下幾何退化、環境照度低、照度不穩定、紋理缺失、紋理重復、多粉塵、多水霧、GPS信號缺乏等不利因素的影響，提出了一種礦山井下場景三維視覺與空間重建框架，如圖6 所示。該框架以可見光/紅外光視覺數據為主，輔以激光、UWB、IMU等數據，通過設計多傳感器時空標定理論、噪聲抑制策略，實現數據的融合增強，獲取高質量視覺圖像，在此基礎上，進行典型目標的精準識別和礦山場景空間模型的高效重建。此外，可以引入深度網絡匹配方法進一步提升稀疏重建過程中位姿和稀疏點云的精度，通過深度神經輻射場有效表示場景空間，實現礦山井下場景重構的高保真渲染。

圖6 煤礦井下空間重構框架Fig.6 Framework of underground space reconstruction in coalmine

4 地下復雜環境機器視覺測量技術

機器視覺將人工智能、深度學習、光學傳感等技術與礦山實際生產進行深度融合，通過構建視覺作業場景分析模型，以可視化實時分析的方式代替現場工人長時間穩定地監測生產狀況，應用于礦山生產各環節，尤其是井下生產，實現對礦山采掘、探放水、瓦斯抽采、運輸等作業場景的一體化智能感知、智能決策、設備聯動控制和運維人員智能調度，有效降低事故率，提高設備開機率，減輕工人勞動強度，從而達到作業現場“少人化、無人化”的安全生產目標。

4.1 液壓支架單設備位姿檢測

位姿檢測是實現裝備自適應精準控制的基礎要素，可具體分為姿態識別和位姿測量。裝備姿態識別指利用視圖數據進行特定目標狀態的辨識，而位姿測量是在姿態識別的基礎上對視圖信息進一步深入感知，得到精確的位置信息和姿態角，從而為后續裝備姿態的精準調控形成反饋機制，提高生產的柔性和自動化程度。以煤礦液壓支架的位姿檢測為例，傳統的液壓支架姿態測量是通過接觸式的傾角傳感器實現，相對而言成本較高，而且很難實現對液壓支架整體姿態的測量，而基于機器視覺的測量方法采用非接觸式方式進行測量，能更好地適應煤礦井下設備振動、移動等場景，提高測量精度[31]。

將RGB-D 相機安裝于液壓支架頂梁上，實現對液壓支架的支護高度、頂梁相對于底座的姿態角(包括俯仰角、方位角、翻滾角)進行測量，將頂梁與底座的運動視為兩個剛體之間的相對運動，通過頂梁與底座的相對空間位置來反映二者的姿態變化。根據視覺測量原理和歐式變換理論，建立如圖7 所示的液壓支架姿態視覺測量模型[32](圖7 中，H0i為液壓支架支護高度；Δz0為相機與支架頂梁上表面的距離；L1為相機與支架頂梁前端的距離；L2為相機與支架頂梁后端的距離)。首先，將k時刻作為液壓支架運動的初始時刻，對液壓支架支撐高度和頂梁姿態角參數進行初始化。利用深度相機采集到k時刻的彩色數據與深度數據，獲取液壓支架底座上表面中3 個共面特征點，并得到其在RGB-D 相機坐標系下的空間三維坐標Pk1(x1,y1,z1)、Pk2(x2,y2,z2)、Pk3(x3,y3,z3)，并由此構建液壓支架底座上表面平面方程；然后利用平面法向量n求出支架底座在相機坐標系三軸方向的夾角，即為頂梁姿態角初值αk、βk、γk；根據點面的距離公式求出相機坐標原點與底座上表面的垂直距離，并結合頂梁與相機的空間相對位置關系解算出支撐高度初始值Hk。初始化完成后，利用相鄰時刻圖像中匹配好的3D 點對估計相機的運動，實現液壓支架運動過程中姿態變化的解算。通過空間3D-3D 的ICP 模型和最小二乘法構建k時刻與k+1 時刻圖像中對應點群Pki、Pki+1之間的線性優化目標函數，求解k時刻與k+1 時刻圖像間的旋轉與平移變換，實現k+1 時刻液壓支架頂梁姿態角αk+1、βk+1、γk+1與支撐高度Hk+1的解算。

圖7 液壓支架姿態視覺測量模型Fig.7 Visual measurement model of hydraulic support posture

4.2 綜采裝備(群)姿態同時空測量

以煤礦的綜采工作面為例，綜采工作面裝備種類多、數量多，且裝備間均為靈活度較高的弱連接關系，姿態極易受到復雜地質環境的影響。綜采工作面裝備位姿測量缺乏統一的參照、測量系統不全面，同時準確獲取同一時刻多裝備位姿狀態要求多傳感器之間必須保持較高的同步性，傳統技術尚難以解決多裝備協同聯動位姿測量問題，而機器視覺測量感知技術具有同時間基準、多位姿同步測量和多類型信息同步獲取等優勢，能夠進一步解決煤礦井下綜采工作面全時空同步感知測量難題。

綜采裝備(群)姿態同時空視覺測量的核心是結構化細粒度辨識和基于裝備標志物的位姿提取。結構化細粒度辨識采用基于Transformer 架構的分割模型，如圖8 所示。該模型包含圖像編碼器、提示編碼器和掩碼解碼器。受到可擴展性和強大的預訓練方法啟發，圖像編碼器使用了一個MAE 預訓練的Vision Transformer(ViT)，最小化地適應處理高分辨率輸入。提示編碼器采用密集掩碼方式，使用卷積嵌入，并與圖像嵌入元素相加。掩碼解碼器通過有效地將圖像嵌入、提示嵌入和輸出token 映射到掩碼來實現?；谘b備標志物的位姿提取采用基于標志物已知結構尺寸的成像幾何關系轉換，如圖9 所示。根據結構化辨識的結果提取已知尺寸的標志物，通過已知尺寸的3D-2D 視圖幾何映射關系，實現標志物的位姿求解。

圖8 基于分割的綜采裝備(群)結構化細粒度辨識Fig.8 Structural fine-grained identification of fully mechanized mining equipment (group) based on segmentation

圖9 基于裝備標志物的位姿提取Fig.9 Pose extraction based on equipment markers

4.3 煤巖分界面識別

煤巖分界面識別是實現工作面智能化開采的關鍵技術，可以根據采煤過程中煤和巖石的分布情況來及時調節采煤機滾筒的高度和牽引速度，以達到采煤機跟隨煤層變化自適應截割的目標。然而，準確快速識別截割過程中煤層與巖層的分界線，一直以來都是煤炭開采領域內公認的技術難題[33]。

基于視圖的煤巖分界面提取流程一般可分為圖像噪聲預處理、圖像分割、形態學處理、輪廓提取、分界線提取。工作面煤壁圖像中，煤和巖石相互干擾，巖石部分圖像亮度通常較高，煤體部分亮度稍低，同時煤體中存在大量高亮度噪點，采用雙邊濾波算法對圖像邊緣特征進行強化，同時采用中值濾波算法對圖像進行去噪，并弱化細小邊緣部分。煤巖圖像中，存在光照部分不均勻，采用全局分割的方式難以將煤巖全部區分，造成圖像區域斷裂、區域標記不齊等。為了更有效和精細的提取輪廓信息，采用自適應閾值分割算法進行處理。自適應閾值分割算法可以很好的將圖像中巖石區域的輪廓提取出來，結合全局閾值分割，可以定位巖石區域全部細節。通過圖像形態學算法對閾值分割結果進行濾波處理，斷開非連接部分、閉合合理的輪廓和濾除部分細小輪廓。通過對形態學處理結果進行輪廓提取，可以得到視圖中的有效輪廓信息，結合輪廓大小濾波和全局閾值分割結果，可以得到巖石在煤體中的邊界輪廓信息，提取的結果為一個封閉輪廓。由于巖石與煤的分界，以及切割的分界，在豎直方向上具有較大的梯度，在輪廓的豎直方向上進行梯度運算，可以得到煤巖的分界線(藍色)和滾筒的切割線(紅色)，如圖10 所示。

圖10 基于視圖的煤巖分界提取Fig.10 View-based extraction of coal-rock boundary

5 井下瓦斯環境下射頻引爆風險分析

煤礦井下瓦斯爆炸環境中使用的射頻電磁能需要符合防爆基礎標準GB/T 3836.1—2021《爆炸性環境第1 部分：設備 通用要求》中的功率限制要求：即對于9 kHz～60 GHz 的連續射頻電磁波，在I 類爆炸環境安全使用的閾功率不得超過6 W。根據標準要求，目前對5G 基站防爆安全評估時，采用EIRP(等效全效輻射功率)對基站功率進行限制，即發射天線端口功率與天線增益之和不得超過6 W；除此之外，針對同一基站具有多根天線的情況，要求多端口閾功率代數和不超過6 W，5G 基站功率嚴格受限。突破功率限值是5G 技術在煤礦井下推廣應用的熱點和難點問題。

5.1 現行標準試驗方法分析

防爆標準對射頻閾功率的限制主要來源于20 世紀七八十年代英國的研究成果，對射頻電磁能防爆安全閾值主要試驗步驟是：① 構建50 Ω 純阻性電路，接入IEC 標準火花臺；② 作出假設，火花阻抗與天線內阻阻抗匹配；③ 測量火花電壓V，根據假設計算火花功率：Pm=U2/(8R) ，其中，R為電路的內阻；Pm為6 W評價指標來源。

首先可以看出評價指標是在假設條件下的計算值而不是測量值，其次相關試驗方法與安全閾值還存在以下問題：① 安全限值不適用5G 頻段。隨著電磁波頻率的升高，放電特性發生重大改變，但標準卻直接將30 MHz 以下的試驗結果推廣應用到60 GHz 高頻。② 相關試驗方法也不適用于5G 技術，標準火花臺要求試驗頻率不得超過1.5 MHz，其主要原因是隨著電流頻率升高，電磁波能量發生反射現象；寄生電容和寄生電感隨著頻率的升高而產生，很難構建50 Ω純阻性電路，這都導致了電路中能量大部分將被輻射或反射消耗而無法用來產電火花。③ 相關評價指標存在極大的安全系數，其主要原因是標準評價指標是匹配負載最大功率，而6 W 限值是射頻源的閾功率，中間還存在多個的損耗鏈路，其次，假設的合理性也有待商榷。

5.2 射頻電磁能防爆試驗方法設計

射頻電磁能在瓦斯/甲烷混合氣體中引起碰撞電離、電暈放電等物理過程所需要的電場強度高達百萬伏米(略低于常態空氣)，正常情況下，煤礦井下用于信號傳輸的電磁波在空間中分布的電場強度無法達到此量級，但是電磁波卻可以利用有限的電壓在極小的間隙內產生極大的場強，并將能量以電火花的形式釋放出來，此時就存在引燃瓦斯氣體的風險?？偟膩碚f，煤礦井下用于通信的5G 電磁波引燃瓦斯氣體需要滿足以下4 個條件：① 煤礦井下存在金屬構件可以與空間中的電磁波產生諧振；② 金屬構件上存在非連續點作為放電間隙；③ 間隙電壓滿足放電擊穿條件；④ 放電火花能量大于瓦斯所需要的最小點燃能量。

受上述不同頻率范圍的擊穿機制影響，放電擊穿電壓也將發生相應的變化。特別是在高頻電場中，擊穿電壓(峰值)Vst不僅是氣壓p與極間距d乘積pd的函數，也是頻率f與極間距乘積fd的函數，即

如圖11 所示，5G 電磁波在不同頻段具有不同的最小擊穿電壓與最小功率安全閾值。

圖11 大氣壓下氮氣在微米間隙下的擊穿特性Fig.11 Breakdown characteristics of nitrogen at micrometer gap at atmospheric pressure

即依據上述分析結果，并解決現行標準依據的技術條款所存在的主要問題，基于半波偶極子天線設計了原理如圖12 所示的射頻電磁能防爆專用試驗裝置。

圖12 射頻電磁能防爆專用試驗裝置Fig.12 Rf-electromagnetic energy explosion-proof special test equipment

5G 常用典型頻段主要包括700 MHz、2.1 GHz、2.6 GHz 和3.5 GHz，筆者以700 MHz 頻率為例，半波偶極子天線長度約為21 cm，為了保證更佳的諧振性能，考慮天線兩臂間隙對S參數的影響，本次仿真選取的間隙為12 mm。

根據仿真情況，指導700 MHz 射頻電磁波專用防爆試驗裝置的設計。根據收發天線的互易性，以及減少射頻源的使用成本，采用在發射端進行試驗，所設計的電路主要由射頻源、保護電、測量電路、爆炸試驗裝置四部分組成。

在現有試驗裝置與試驗平臺上進行了試驗，射頻電磁波造成的放電火花與射頻電磁波造成的瓦斯引燃現象如圖13 所示。

圖13 射頻電磁能產生的電火花與引燃瓦斯氣體瞬間Fig.13 Electric spark generated by electromagnetic energy and the instant of gas ignition

射頻電磁能(信號波形為700 MHz 正弦波)瓦斯引燃試驗結果如圖14 所示，當射頻能量到達一定閾值時，瓦斯氣體就會被引燃并發生爆炸現象。在功率測量電路上記錄了瓦斯引燃時的正向功率和反向功率試驗數據，并計算出饋入功率結果。在2 次獨立的試驗中，測得正向功率的最小數據為49.6 W、饋入功率的最小數據為24.8 W，考慮爆炸試驗的或然率，將功率以0.1 W 的步頻降低，滿足6 400 個火花點未發生瓦斯引燃現象，由此認為上述試驗數據可靠。若采用射頻領域常用功率計算方法，將饋入功率作為安全閾值評價指標，則是將試驗裝置作為集總端口進行分析；若考慮微觀層面放電間隙電壓產生的驅動源，則應以正向功率作為安全閾值評價指標，即按目前的理論分析結果，采用正向功率作為安全閾值評價指標更加合理。采用信號波形為5G NR 的射頻電磁波，目前測試結果為正向功率86.1 W，反向功率為29.8 W，但是試驗數據量還有所欠缺，無法得出5G NR 射頻電磁波相較于正弦波具有更高的功率安全閾值。值得注意的是，本文是在發射端進行分析，即未考慮電磁波在空間中的損耗問題，但是由于煤礦井下發射天線是裸露在外的，所以發射天線是最危險的部分，如果能采取有效措施對發射天線進行保護，基站發射功率還可以進一步增大。

圖14 射頻電磁能甲烷點燃試驗結果Fig.14 Results of methane ignition test with radio frequency electromagnetic energy

考慮能量守恒定律和弗里斯傳輸方程，在本試驗方案下得出的安全閾值，繼續采用EIRP 限制功率是不合理的，可以直接采用基站端口有效功率作為安全限值。在一定安全系數的條件下，至少可以將700 MHz頻段基站功率限值由閾功率6 W 提升到端口功率20 W以上，此時，單基站有效覆蓋范圍將呈現倍數增加。上述試驗結論則主要針對單端口基站，對于在煤礦井下應用的多端口基站，如何取疊加安全系數還需要進一步分析。針對2.1、2.6 和3.5 GHz 等其他頻段，由于5G NR 基帶波形、電磁波傳輸特性和放電特性都發生了改變，還需要深入研究才能確認相關安全閾值與評價方法，已經可以確認隨著功率安全限值的提高，5G 技術在煤礦井下獲得高效使用的前景是非常樂觀的。

6 全時空信息感知與閉環管控系統

6.1 礦井全時空信息感知技術架構

經過多年的研發實踐及安全生產經驗總結，對傳統的水、火、瓦斯、頂板、粉塵、沖擊地壓等災害防治有了一定的認識[34]，但仍然存在致災機理不明確、災害信息感知不夠全面精準、數據融合分析程度低、災害預測預警算法缺失、災害防控體系不完善等問題。

礦井全時空信息感知與閉環管控系統是針對礦井水、火、瓦斯、頂板、沖擊地壓、粉塵等礦井災害，利用物聯網、大數據、人工智能等技術對傳統災害防治技術進行智能化升級，賦予煤礦災害防控系統災害信息主動感知、防控方案自主決策與防治裝備智能控制的能力，形成感知-決策-控制-反饋的閉環運行模式，實現礦井災害的超前治理、態勢預警與智能防控，系統架構如圖15 所示。

圖15 礦井全時空信息感知系統總體架構Fig.15 Overall framework of mine spatiotemporal information sensing system

感知控制層位于系統架構的底層，負責煤礦災害相關信息的感知和防控指令的執行，由災害信息感知單元和災害防控單元構成。災害信息感知單元采用各類傳感器、音視頻采集終端等方式獲取各類災源參數、環境信息、設備工況等信息；災害防控單元為各類災害防控裝備構成，接收控制指令并自動完成災害治理作業。

網絡傳輸層位于感知控制層與智能支撐層之間，是感知數據、控制指令等信息的傳輸鏈路，綜合5G、WiFi6 無線網絡和萬兆光纖環網構建多網融合平臺，實現災害防控各類信息的超帶寬、低延時、高可靠的準確傳遞。

智能支撐層是煤礦災害智能超前防控系統核心層，負責多源、多維度災害防控信息的融合、管理，采用基于防控機理與數據驅動結合的方法建立災害防控決策、防控效果評價等模型，對海量數據進行挖掘，為各類災害防控應用提供支撐。

應用業務層是各類災害超前防控功能的管理層，根據災害防治的業務需求，在智能支撐層的協同下具備防治方案設計、設備工況控制與防治效果反饋功能，并能進行多災種間的協同防控，最終實現煤礦災害超前防控的智能設計、自動作業和協同管理。

6.2 礦井全時空信息感知與融合預警技術

煤礦井下人、機、環等信息感知是進行災害預測、預警的基礎，致災信息的全面、實時感知及融合分析預測是實現災害防治的關鍵。礦井全時空信息反饋安全閉環管控技術是在精準感知災害相關信息的基礎上，建立多層次、多維度、多參量預警指標體系，采用成因機理和數據驅動互饋的災害風險辨識方法，進行災害信息自動采集、自主融合、態勢研判、智能預警與協同響應，實現煤礦瓦斯爆炸、煤與瓦斯突出、突水、內外因火災、頂板、沖擊地壓等災害在線監測和超前預警，以及與通風、抽采、排水等系統的聯動控制[35-37]。

(1)瓦斯災害多源信息融合預警技術。通過專業數據接口和配套網絡化便攜式檢測設備，動態采集瓦斯災害相關監測、檢測信息。建立跨尺度、多層次、多參量預警指標體系和具有自學習、自調優、原因追溯能力的預警模型，自動辨識煤與瓦斯突出、瓦斯超限、瓦斯爆炸風險與預兆，融合地質構造、應力、聲-電、通風隱患等多因素實時評估瓦斯災害危險性，實現瓦斯災害超前預警與聯動控制。

(2)火災綜合預警技術。采用束管、光纖測溫、紅外傳感、多功能氣體監測等技術，對內、外因火災等相關因素進行監測，融合發火機理與大數據分析算法對火災進行自動診斷，并與注氮、注漿等防滅火設備進行聯動控制，實現井下火災的智能預測、預警與控制。

(3)礦井水害預警系統?；阢@探技術、高密度電法、地質雷達、核磁共振等技術對礦井水進行實時探測，建立水文實時監測數據庫及水害防治模型庫，基于水害多物理場預警融合預警模型實現水災的超前預測、預警，并與礦井抽排系統實現智能聯動控制。礦井水害預警的重點在于提出水害多物理場預警指標，指導礦井水的抽排治理工作。由于不同水體的預警理論發展程度不同，需要差異性的設計監測方案與預警指標。對于具有成熟水害預測預報理論的底板水、頂板水，在采掘擾動條件下，根據底板水壓、富水性、構造密度、斷層斷距以及頂板冒裂區、富水區等參數與多物理場的耦合關系，通過微震、電法監測這些元素的變化特征，形成底板水、頂板水多物理場監測預警指標。

(4)頂板與沖擊地壓災害預警技術?；谥Ъ芘c圍巖的“三耦合”理論，對液壓支架的載荷與位姿關聯關系進行解耦計算，建立基于載荷與位姿數據模型驅動的工作面頂板災害預測、預警系統，實現工作面頂板災害的智能預測、預警?；陔姶泡椛浞?、電荷法，地震層析成像方法、地音監測法等，建立沖擊地壓精準的全維感知體系；基于沖擊地壓礦井全維信息反演理論和技術、沖擊地壓發生機理與孕育演化模型等，建立沖擊地壓主控因素、災害風險與前兆信息的智能判識方法與預警指標體系，利用智能化沖擊地壓防治技術與裝備，實現沖擊地壓的智能預測、預警與防治。

(5)井下粉塵智能防治技術。井下粉塵不僅容易引發塵肺病，而且還易誘發粉塵爆炸事故?；诜蹓m產生、擴散機理，建立機載式、固定式、移動式等多種方式的塵源智能感知技術與裝備，并與除塵裝置實現智能聯動控制。

(6)煤礦安全態勢融合預警技術。采用統一規范的數據標準，實現瓦斯、水、火、頂板和沖擊地壓等多災種數據的有效融合；采用可視化技術，實現災害監測預警信息的圖形化集成展現；自動構建不同災害、不同參數、指標的數據典型特征圖譜，實現異常數據的自動判識、自動鎖定、回溯分析與趨勢預測；構建基于數據驅動的煤礦安全態勢預警模型，實現煤礦總體安全態勢的大數據預測和分區、分級預警，為礦井安全管理提供決策依據。

7 煤礦智能化技術標準體系

7.1 煤礦智能化標準體系構建原則

煤礦智能化建設是一個多系統、多層次、多領域相互匹配融合的復雜系統工程，建立完整的煤礦智能化技術標準體系是建設智能化煤礦的基礎與指南。研究煤礦智能化標準體系具有十分重要的現實意義和指導作用。

(1)給出煤礦智能化標準的總體布局和發展規劃，明確標準工作的現狀、現有需求和未來發展趨勢，指明未來標準化工作重點和發展方向，為標準修訂計劃提供依據。

(2)理順煤礦智能化現有的、正在制定的和計劃制定的所有相關標準之間的相互支撐與相互配合的關系，減少彼此的交叉重疊，有利于明確標準化工作的重點。

(3)對關鍵技術、裝備、行為及派生屬性等進行統一規范，為煤礦智能化長遠發展奠定堅實基礎。

(4)便于全面系統的了解煤礦智能化所需的全部標準的情況，為從事相關工作的人員提供遵循的標準、掌握標準的現狀和發展趨勢提供詳實的信息。

7.2 煤礦智能化標準體系框架

煤礦智能化標準體系的構建是與煤礦智能化技術體系一脈相承的，煤礦智能化標準體系框架，如圖16所示。

圖16 煤礦智能化標準體系框架Fig.16 Coal mine intelligent standard system framework

其中，基礎通用標準子體系是整個煤礦智能化標準體系的支撐基礎，統一對煤礦智能化的認識，為其他各部分設計提供整體參考和指導；信息基礎子體系規范網絡系統和數據中心建設，打通數據傳輸和利用通道，統一數據采集、治理及應用標準，強化網絡和數據安全，為礦井信息化提供基礎支撐；賦能平臺與軟件子體系規范煤礦各類平臺與軟件的系統架構、開發環境、功能要求、評估指標、應用管理等方面標準，促進技術和管理體系革新；生產系統與技術裝備子體系規范生產場景涉及的各子系統智能化關鍵技術、裝備及傳感器等技術要求，由于煤礦生產包括井工煤礦、露天煤礦、洗煤廠組成，其生產系統與生產工藝均不相同，因此標準體系針對其關鍵系統進行梳理時應分別規劃；智慧園區與運維管理子體系規范智能化體系下的人員要求、管理模式要求，建設各智能化系統運維及工業廠區各類保障系統標準，提升智能化煤礦的管理、運行水平。

7.3 煤礦智能化重點標準化方向及領域

7.3.1 基礎通用標準子體系

煤礦智能化基礎通用標準子體系主要包括基礎共性標準、設計標準、安全通用標準、智能化共性技術和評價與評估標準等方面的標準。其主要標準建設方向包括：

(1) 制定煤礦智能化術語和定義、體系架構、智能化煤礦工業互聯網平臺體系架構、邊緣計算總體架構與要求、數字孿生參考架構等基礎共性標準。

(2) 制定煤炭工業智能化礦井設計、綠色礦山建設、智能化生產系統設計、生產保障系統設計、煤礦地面及園區建設技術規范等設計標準。

(3) 制定煤礦井下電氣設備管理規范、煤礦井下防爆電氣設備安全要求、煤礦井下危險場所劃分、煤礦井下電磁兼容安全要求、煤礦智能裝備功能安全要求等安全通用標準。

(4) 制定煤礦智能傳感通用技術、煤礦機器人共性技術、煤礦AI 等智能化共性技術標準。

(5) 制定智能化煤礦建設驗收評價標準、煤礦智能化質量評價、煤礦智能化效益評價、智能化煤礦數據管理能力成熟度評估、智能化煤礦工業互聯網應用成熟度評估等評價與評估標準。

7.3.2 信息基礎設施標準子體系

信息基礎設施標準子體系主要包括礦井信息網絡、數據標準、邊云協同、煤煤礦信息安全等方面的標準。其主要標準建設方向包括：

(1) 制定煤礦有線網絡、無線網絡、組網與網絡設備、聯網與接入設備、通信協議互聯互通等網絡標準。

(2) 制定數據編碼與標識、數據采集、數據治理、數據服務與應用等方面的數據標準。

(3) 制定智能化煤礦數據中心、云計算、邊緣計算、云邊協同管理等方面的云邊協同標準。

(4) 制定煤礦智能化系統建設條件下信息安全防護與信息安全管理方面的信息安全標準。

7.3.3 賦能平臺與軟件標準子體系

賦能平臺與軟件標準子體系包括地理信息平臺，大數據平臺，綜合管控平臺與煤炭工業軟件，人工智能系統，數字孿生系統等方面標準。其主要標準建設方向包括：

(1) 制定煤礦地測數據管理，地理信息軟件系統，礦井地質建模，礦井電子地圖服務等方面的地理信息平臺標準要求。

(2) 制定煤礦大數據平臺通用技術，數據采集與存儲，數據分析與數據建模，數據倉庫，數據服務等方面的大數據平臺標準。

(3) 制定煤礦智能化綜合管控平臺與煤炭工業軟件的技術架構，開發環境，功能要求，評估指標，應用管理方面的綜合管控平臺與煤炭工業軟件標準。

(4) 制定煤炭行業人工智能平臺架構、集成要求、軟硬件產品、評估指標、應用管理等人工智能標準。

(5) 制定煤炭行業數字孿生架構、建模要求、接口、應用等方面的要求。

7.3.4 生產系統與技術裝備標準子體系

針對地下(井工)生產、露天生產和煤礦洗選三大生產場景中的各種智能化生產裝備和系統，規范生產場景涉及的各子系統智能化關鍵技術及裝備等技術要求。

地下(井工)智能化重點建設主動感知、智能決策、自動執行的高效生產系統，主要包括智能地質保障系統、智能建井、智能掘進系統、智能開采系統、智能主煤流運輸系統、智能輔助運輸系統、智能通風與壓風系統、智能供電系統、智能安全監控系統、智能化水資源管理和輔助作業智能化裝備等方面的標準。

智能化露天煤礦將信息化技術與露天煤礦開采工藝進行深度融合，包括智能地質測量開采保障系統、智能穿爆系統、單斗—卡車間斷工藝智能化系統、半連續工藝智能化系統、輪斗連續工藝智能化系統、智能輔助生產系統、智能安全監控系統等方面的標準。

智能洗選系統與裝備標準子體系針對洗選、煤泥制樣和定量裝車等方面主要工藝環節、重要裝備、安全防控智能化為標準建設重點，形成洗選全過程智能感知、智能控制、智能管理與智能決策的技術與管理標準。

7.3.5 智慧園區與運維管理標準子體系

智慧園區與運維管理標準子體系主要包括智能化園區、設備狀態保持、運行維護管理、生產經營管理等方面的標準。其主要標準建設方向包括：

(1) 制定煤礦智能化管理體系涉及的人員要求，崗位設置，管理模式及相配套的管理軟件系統標準。

(2) 制定面向設備全生命周期管理涉及的煤礦設備可靠性要求、設備故障診斷方法與系統、設備維修維護管理等設備狀態保持標準。

(3) 制定智能化礦井運維共性基礎、信息網絡平臺運維、智能控制系統與裝備運維、運行維護保障等運行維護管理標準。

(4) 制定指揮調度中心、智能倉儲與物資調度、園區智能系統和生態治理等智能化園區標準。

8 智能化煤礦巨系統建設實踐

8.1 張家峁煤礦智能化系統建設實踐

智能化煤礦包含十大系統、上百個子系統，各子系統一般獨立進行建設，硬件接口、通信協議、數據格式、業務邏輯等均不相同，整體運行穩定性和可靠性在地質條件漸變或隨機突變的干擾下很難得到保證。針對上述難題，張家峁煤礦遵循打通信息壁壘、消除信息孤島、避免重復建設的原則，提出了復雜巨系統智能化示范礦井建設總體方案，通過建設高速傳輸網絡、礦山地理信息系統、研發安全生產管控一體化平臺等，統一數據接口與編碼標準，如圖17 所示，實現礦井安全生產的統一管控。

圖17 智能化煤礦巨系統總體架構Fig.17 Overall structure of intelligent coal mine giant system

8.1.1 高速傳輸網絡建設

張家峁煤礦根據業務承載要求，將整個企業管理網絡建設成一張覆蓋礦井工業場地、行政辦公、安全生產的獨立網絡，鏈路設計采用萬兆骨干、千兆匯聚、千兆到桌面，WiFi+5G 覆蓋的方式。井上網絡包括辦公管理網絡、生活福利區網絡，井下環網由安全生產控制網絡、視頻監控網絡和礦井無線專網三網獨立成環。

研究設計了適用于煤礦特殊環境的井上下5G 組網方案，在井下復雜環境中測試，5G 現有基站的覆蓋半徑至少可以達到150 m，目標覆蓋區域整體覆蓋良好，下載最高速率933.4 Mbps，上傳最高速率128.4 Mbps，可保障網絡傳輸和語音的正常通訊。

8.1.2 煤礦安全生產管控一體化平臺

基于煤礦安全生產智能化管控平臺、煤礦大數據與數據管理平臺以及煤礦智能化綜合監控平臺構建了煤礦安全生產管控一體化平臺，為生產系統的集成管理和決策分析提供基礎支撐。

(1) 煤礦安全生產智能化管控平臺以煤炭工業大數據中心為數據底座，以智能礦山基礎軟件平臺為基礎平臺，通過運行調度管控中心、安全環保管理中心、工程技術管理中心、支持保障管理中心與智能分析決策等5 個業務應用中心，支撐煤礦各業務系統高效運行，逐步實現煤礦企業數據資產沉淀，從而提升礦井智能科學決策水平及高質量發展。

(2) 煤礦大數據與數據管理平臺實現數據資源的集中管理，滿足煤礦數據消費需求，為綜合管控平臺提供數據支撐。數據管理平臺需要提供包括煤礦數據管理、煤礦數據融合、煤礦數據服務、煤礦數據管控等四大類功能或服務，充分利用大數據基礎平臺完成煤礦的數據底座建設，確保對煤礦數據進行安全、可靠、有效的管理。

(3) 煤礦智能化綜合監控平臺通過集成礦井已建設的各類安全生產監測監控子系統數據，實現對煤礦作業現場安全生產狀況的全方位感知，并根據安全生產管理及運行調度中心業務應用要求，實現對作業現場傳感監測的協同控制，達到安全高效生產的目標。

8.1.3 智能化生產及輔助系統

將5G 技術應用于智能化采煤工作面，張家峁煤礦建成了1 個5G+厚煤層、2 個中厚煤層、1 個薄煤層智能化綜采工作面，在現有設備運行數據自動化監測及遠程集控的基礎上，進一步優化數據挖掘與分析輔助決策，實現了智能化綜采工作面內無人操作，設備開機率提升20%，整體生產效率提高30%。

針對掘錨一體機高精度導航、關鍵位置自主檢測、遠程多機協同控制等難題，研發了掘錨一體機+錨運破一體機智能化快速掘進系統，實現了掘錨機組自主導航與自動成形自動化控制，研發了掘進工作面數字化遠程操控平臺，實現了巷道掘進最高日進尺120 m，月進尺達到2 702 m。

研發建設了智能通風系統、全煤流智能運輸系統、礦井水資源智能管理系統、多場景巡檢機器人等，實現了井上下23 個機房碉室、66 個操作崗位的“有人巡檢、無人值守”。

8.1.4 智慧園區建設

以先進的物聯網、人工智能等技術為基礎，將園區視頻、照明、倉儲、云數據中心、樓宇管理等內容進行集成管控，構建了一套業務全數字化、系統全連接、數據全融合的智慧園區綜合管控系統。其中，智慧園區云數據中心采用分布式云計算數據中心技術架構支撐園區業務，通過虛擬化平臺和自動化管理平臺，采用融合架構構建資源池，實現了物理分散、邏輯統一的管理與運維，并向園區各部門、各人員提供統一服務；視頻云平臺、物聯網平臺、GIS 平臺、集成通信平臺、應用集成平臺等形成視頻資源池、園區地圖+地圖資源池、通信資源池、園區數據資源池等，實現了園區內信息統一采集、存儲、計算、管理和應用，并通過統一的園區業務前臺系統，在數據融合的基礎上，實現了煤礦智慧、綠色、生態園區的協同運行。

經過智慧煤礦巨系統項目的建設，張家峁煤礦實現了系統級數據融合，數據利用率大幅度提高。建設的智能化綜合管控平臺具備了信息實時反饋、生產精準組織、裝備自適應控制、安全智能分析、趨勢動態預測功能。構建了防塵、防瓦斯、防滅火智能協同安全保障系統，全方位提升了礦井智能化安全管控水平。

8.2 檸條塔煤礦機器人集群建設實踐

按照國家煤礦安全監察局《煤礦機器人重點研發目錄》分類，當前的煤礦機器人分為掘進、采煤、運輸、安控和救援五大類，服務于智能化煤礦的地質、掘進、采煤、主輔運、供電排水等數十個子系統[38]。傳統煤礦機器人的控制模式多是每臺機器人獨立配套控制系統，由人工開啟動作指令或定期完成工作，各機器人之間缺乏統一調度，沒有和智能化煤礦主系統進行有效的交互，難以充分發揮機器人的作用；同時當前煤礦機器人以巡檢類為主，受限于作業環境復雜及防爆等特殊要求，在各類輔助作業崗位還缺乏成熟的作業類機器人。針對煤礦機器人集群管控需求，構建了機器人集群管控與調度平臺，研發了機器人集群協同控制關鍵技術。

(1)煤礦復雜應用場景下目標定位識別方法。研發了基于多視覺傳感器的煤礦巷道場景多元信息拼接算法，利用外參計算實現RGB 圖像、點云的多元信息拼接融合，從而自動分辨出目標物體的位置信息，如圖18 所示；建立多維特征空間對目標進行全局特征描述，基于投影映射關系實現目標關鍵點的抓取，實現機器人精準作業。

圖18 基于視覺的目標識別方法Fig.18 Visual object recognition method

(2)煤礦機器人標準化接入技術。為保證機器人數據接入標準化及數據模型對象化，采用基于OPC UA 的統一機器人通信協議與中間件進行開發，煤礦機器人數據標準化處理流程如圖19 所示。OPC UA使用面向服務的體系結構實現數據交換，基于TCP/IP 協議，采用3 次握手原則，通過通信堆棧發送消息，確保數據傳輸的可靠性。將OPC UA 應用于煤礦機器人信息交互，一方面針對已通過OPC 進行數據傳輸的采掘工作面機器人群、輔助作業機器人群等進行協議升級，構建其對象化的信息模型，形成包括機器人基本信息、姿態信息、控制信息一體快速擴展的對象；另一方面，通過構建協議中間件，實現協議自適應轉換。

圖19 煤礦機器人數據標準化處理流程Fig.19 Data standardization process of coal mine robot

(3)機器人作業調度策略。為解決區域范圍內的突發問題，同時也能完成區域內正常的巡檢作業任務，提出同類機器人覆蓋作業調度策略。采用網格化管理，將同類機器人應用場景劃分為若干區域，按區域分配機器人來保障每一場景下的正常巡檢。網格化管理以調度時間為準，調度時間是衡量機器人響應快慢的主要指標，在有限的機器人資源配置下，進行合理部署才能保障區域內機器人響應時間最短。在日常調度指揮中，單體機器人自主調度和同類機器人覆蓋作業調度雖然是2 種不同類型的資源部署方法，但兩者在實際應用中往往相互結合使用。首先對關鍵緊急場景進行任務下達，在此基礎上再進行區域移動巡檢作業的部署。

(4)機器人集群管控與協同調度平臺。機器人集群管控與協同調度平臺在技術架構層面分為機器人群層、通信接入層、應用服務層、數據發布層與數據交互層，如圖20 所示。

機器人群層：包括掘進類機器人、采煤類機器人、運輸類機器人等各類機器人裝置及傳感監測信息，包括機器人本體數據、位置數據、動作姿態數據及視頻信息等。

通信接入層：主要通過WiFi/4G/5G/工業以太網構建機器人數據傳輸的網絡鏈路，實現對現場機器人的各類數據采集、對象化建模、數據處理及存儲管理。

應用服務層：作為機器人集群管控平臺的平臺底座，對上層具體業務所需的海量數據進行分析和處理。

數據發布層：應用數據共享服務，實現對各類機器人對象化數據、專業算法模型輸計算結果數據基于Restful、WebAPI、OPC 等方式的數據共享與發布；

數據交互層：結合前端機器人在數據孿生、仿真交互及協同控制等需求，應用HTML5、GIS 地圖、U3D、圖表、圖形等多種模式的業務應用交互。

隨著更多種類機器人在井下的應用，系統將根據所制定的任務策略和充電調度策略，實現機器人作業和充電的智能化，有效提升作業管理水平和機器人集群的協同作業效率；同時，利用底層設備提供的海量基礎礦山數據，平臺層運用人工智能技術構建數據模型，實現數據驅動下的機器人智能管控；此外，支持5G 網絡數據接入業務，利用其高速率、低時延、高可靠特性，后期將實現機器人集群的遠程控制和全過程仿真，進一步提升智慧礦山架構下的生產設備安全管控能力。

9 金屬礦(井工)智能化建設實踐

近年來，我國地下金屬礦山開采正在向信息化、自動化、智能化方向快速發展，山東黃金、紫金礦業、新疆有色、江鎢、江銅、洛鉬、中國黃金等國內大型礦業集團都已啟動智慧礦山建設，礦業領域向智能化、無人化方向的發展進程將不斷加快，打造智慧金屬礦山成為我國礦業發展的必經之路。

9.1 金屬礦智能化開采技術架構與關鍵技術

金屬礦(井工)智能開采技術是以智能開采共性關鍵技術為支撐、以智能化采礦裝備與工作系統為載體，以智能化、無人化、高效化開采為目標的現代化礦山開采技術，整體發展趨勢是開采工藝連續化、開采環境透明化、作業裝備智能化、生產調度與控制協同化、安全作業無人化、集群控制規?；?，金屬礦山(井工)智能化開采技術總體架構如圖21 所示。

基于金屬礦(井工)智能化開采技術總體架構，進一步梳理明確了金屬礦智能開采關鍵技術：

(1)金屬礦(井工)泛在信息采集技術。建立了金屬礦泛在信息采集傳輸控制協議，可全面兼容各類常見的通信協議及數據接口，打破了傳統裝備間因物理接口互異及協議不兼容導致的數據交互瓶頸，為金屬礦山智能化開采提供可靠的數據支撐。

(2)金屬礦(井工)井下無線通信技術。形成了分布式多層次復合網絡架構，攻克了井下裝備行駛中自主對等通信、基站快速切換及冗余傳輸技術難題，實現了井下無線網絡無盲區覆蓋、高速率傳輸和高可靠通信。

(3)井下高精度定位與智能導航技術。形成了基于激光掃描測量、航跡推測、UWB 定位、信標修正等多元信息融合的精確定位技術及基于路徑規劃與路徑跟蹤的導航技術，可有效支撐地下金屬礦無軌裝備的高精度定位和自主導航。

(4)地下裝備智能控制技術。通過多種采礦裝備的自動化與智能化改造，形成了一批具有自主知識產權的先進地下金屬礦山裝備智能控制技術，如車輛自主精確制動、遠程裝礦/自動卸礦、障礙物檢測、鏟運機精準自動卸載等。

(5)地下金屬礦多裝備協同控制技術。構建了鑿巖臺車、鏟運機、破碎機、礦用卡車、有軌電機車等典型智能作業裝備的運動學、動力學模型，實現了“一對多臺”“一對多類”的裝備集控操作，將離散裝備聚合于一個平臺進行控制，大幅提高了系統的集成度。

(6)井下無人采礦作業多區域安全控制技術?；跓o人作業安全區域規劃、精確定位、移動閉塞聯鎖及防碰撞控制等技術，建立了區域安全調度模型與信號調度系統，實現了地下智能裝備在作業過程中的多區域安全指揮與監控。

(7)無人采礦生產運營一體化集控平臺?；诙涕g隔控制理論，搭建了集設計、規劃、運營和評價于一體的無人采礦生產運營集控平臺，實現了生產計劃、鑿巖、爆破、鏟裝運輸、溜井破碎、集中運輸等生產工序的高效協同作業、集成管控與智能調度。

9.2 金屬礦(井工)典型智能開采裝備

近年來，我國地下金屬礦智能開采裝備技術水平得到了快速發展，已研發出一批具有國際領先水平的智能化采礦裝備，基本實現了遠程遙控作業及部分環節的自主作業。

(1)地下智能鏟運機。以井下智能通信、井下精確定位與智能導航及智能調度控制等技術為支撐的地下智能鏟運機已經具備了遠程遙控鏟裝、自動稱重計量、巷道環境及設備狀態感知、巷道內智能行駛等功能。近年來，井下無人作業鏟運機已在山東三山島、安徽羅河等多個礦山部署應用。

(2)地下智能礦用汽車。已研發出35 t 交流電傳動智能礦用汽車，具備視距遙控、遠程遙控及自主行駛等模式，并在山東黃金進行了工業試驗，實現了巷道空間檢測、智能輔助駕駛、遙控和自主運行功能。

(3)地下智能裝藥車。已實現了智能尋孔、智能送管、電液比例負載敏感控制、自主行駛等功能，并在首鋼集團、酒鋼集團等推廣應用。裝藥機構控制、裝藥過程控制、起爆彈自動裝填等技術也得到了突破，為我國地下智能裝藥車完全智能自主化作業提供支撐。

(4)智能中深孔全液壓鑿巖臺車。具備智能開孔、智能鑿巖、智能防卡、包容尋優、頻率匹配、巖石特性采集、自動接卸桿和異常工況處理等智能化功能，可實現在無人干預下自主完成整個鑿巖作業的高智能化控制，顯著提高鑿巖效率。

當前，我國礦山企業正處于全面轉型的關鍵時期。隨著淺部及易采礦產資源的日益減少，我國金屬礦山響應“向地球深部進軍”的國家號召，開采深度不斷增加，礦山現場工況條件進一步惡劣，對智能化裝備與技術的需求也更加迫切?！笆奈濉逼陂g，我國地下金屬礦智能開采領域需要進一步攻克礦井開采連續化、無人裝備作業集群化難題，將5G、工業互聯網、大數據、人工智能等新的技術手段引入到傳統的礦山企業中，形成以點帶面、示范引領的良好局面，推動我國金屬礦產開發利用領域的高質量發展。

10 結語與展望

智慧礦山建設是一項復雜的系統工程，隨著新一代信息技術與礦山開發利用技術的融合和迭代發展，智慧礦山建設理念、技術架構、標準體系等也隨之不斷更新和完善。其發展趨勢與展望如下：

(1)深入開展非接觸式智能感知原理、海量多源異構數據融合分析、智能精準控制理論、智能精準探測與高精度地質建模、井上下設備智能精準定位與導航、復雜環境與開采系統耦合機理、重大危險源致災機理與智能預測預警、礦山智能柔性生產供給理論、智慧管理模式等基礎理論研究，構建智慧復雜巨系統的知識圖譜，為礦山智能化提升奠定理論基礎。

(2)深入開展井上下5G 應用場景的探索與實踐，推進5G 在井下裝備遠程操控、集群化作業和高危區域無人化作業等場景的應用，進一步提升5G 在露天礦山采掘運輸等關鍵環節的應用水平，實現5G、人工智能、大數據等數字技術和傳統礦山技術的融合發展。

(3)推進礦山企業數字化轉型升級，全面提升礦山各業務系統的數字化水平；開展礦山數據治理及應用的探索實踐，制定礦山統一的數據規范與通訊協議標準，開發礦山行業數據模型，實現系統自主決策與控制，支撐礦山智能化升級；開展礦山災害大數據融合分析與智能監測預警平臺建設，構建礦山災害智能預警模型，實現礦山安全狀態綜合評判和分區、分級預警。研發自主可控的終端/裝備操作系統，加強數據應用平臺安全管理，規范數據交換共享安全、應用安全、出境安全，營造礦業數據新生態。

(4)加快突破智慧礦山關鍵技術與裝備，研發應用一批具備復雜環境感知、智能人機交互、靈活精準控制、群體實時協同等特征的智能化裝備，重點研發高精度、多功能、高可靠智能傳感器，研發高精度地質探測技術與裝備，開發煤礦GIS+BIM 技術，研發高效永磁變頻技術裝備，研發智能高效破巖(煤)技術、自適應支護技術、智能運輸技術等，優化基于透明地質的智能化無人開采技術；研發井下低功耗、高精度、多功能環境監測傳感器，深化水、火、瓦斯、粉塵、頂板等災害發生機理與防治技術研究，開發井下避災路線智能規劃系統。研發推廣露天礦山電鏟-卡車-輔助設備無人駕駛技術裝備，開發露天礦山智能化半連續/連續開采技術裝備，提高露天礦山智能化水平。研究礦山智能柔性生產技術體系，開發礦產資源智能柔性開發供給運行模式與平臺，保障礦產資源安全穩定供給。

(5)聚焦礦山裝備產業創新發展，加快推進傳感器、控制器、高端芯片、關鍵材料、高性能檢測設備、工業基礎軟件等的研發應用，提升礦山重型裝備的可靠性與保障能力；加快推動智慧裝備研發應用，全面提升礦山生產經營管理全流程的智能化水平；積極推進礦山裝備成套化、智能化、高端化、綠色化轉型升級，構建礦山智能裝備制造全產業鏈條、全生命周期服務的高端制造產業集群。

(6)針對機器人技術在煤礦應用過程中的基礎理論、關鍵技術裝備和系統平臺難題，重點開展煤礦井下機器人精準定位、自主感知與決策、精準導航與調度、機器人避障、機器人集群管控與動力續航管理、輕型防爆材料等基礎共性關鍵技術，鼓勵開展煤礦機器人防爆安全設計理論及方法、長續航高能量密度機器人動力技術、井下受限封閉環境下機器人自主精準定位導航技術、機器人高可靠抗干擾通信技術、煤礦復雜環境下智能感知與險情識別技術、煤礦井下機器人集群協同控制技術等研究，推進煤礦機器人集群應用。在研發推廣工作面巡檢機器人的基礎上，重點研發井下復雜環境高效作業類機器人，加快井下機器人集群與應用平臺的研發應用，推進危險崗位機器人作業，減輕工人勞動強度，提高工作效率和質量，最大程度減少煤礦安全隱患。

(7)推進相關院校礦業工程類專業的優化調整，探索創新型、綜合化智能采礦人才培養新模式，加快“智能采礦工程”新專業師資與教材建設，融入智能采礦方向新技術、滿足智能采礦新需要、匯聚智能采礦發展優質資源，加快培養具備新一代信息與采礦技術等多學科交叉知識和創新能力的高素質復合型人才。

(8)推進智慧礦山建設由目前單個系統智能化向智能整體化、系統化邁進，推進礦山從系統智能化向礦山全域、全生命周期、全產業鏈智能系統化邁進，逐步建成生產環境全時時空感知、生產過程自主可控、生產安全閉環管控、生產要素智能柔性配置的現代礦山數字化智能化高質量運行體系。按照生產規模、地質條件、災害情況、煤層賦存條件等指標，建立“實施應用—及時反饋—持續迭代”的礦山智能化動態發展機制，實現人的智慧與礦山智能系統的有效融合。