人工智能在煤矿安全监控领域的研究进展

人工智能在煤矿安全监控领域的研究进展

袁德铁

天地（常州）自动化股份有限公司   江苏常州   213000

摘要:智能煤矿是将人工智能、大数据、工业物联网等新一代信息技术与传统采矿相融合，进而为生产保障、安全监控、智能控制等提供服务。2020年2月，由国家发展改革委、能源局等8部委联合印发了《关于加快煤矿智能化发展的指导意见》，将推动智能化技术与煤炭产业融合发展，标志着煤矿智能化建设全面展开。随着技术的进步，系统设备不断增多，其相互协调与配合关系愈加复杂，任何设备故障或异常都将影响生产安全及生产效率。随着人工智能技术的发展，智能煤矿建设应实现人工智能的核心要素，这在煤矿安全监控系统中具有重要的意义。

关键词：人工智能；智能煤矿；安全监控系统

中图分类号：TD76文献标识码：A

引言

随着当前煤炭资源不断整合，大型、超大型煤炭企业和矿井相继出现，矿井煤炭产量随着采煤技术的不断革新也随之突飞猛进，大采高、高产量屡创纪录，成绩喜人。但是随之而来的也有对安全管理带来的诸多挑战，许多安全技术和安全措施也必须随之进行更新换代，以适应新的需求。在这样的背景下，作为煤矿“六大系统”之一的煤矿安全监控系统进行了全面升级，各项技术指标均出现质的飞跃，但是随着新技术的应用，在保证煤矿安全监控系统功能齐全、运行可靠方面给煤矿企业安全监控系统运行维护带来新的挑战。

1 智能视频监控系统架构及组成

该系统包括前端图像采集设备、前端智能分析设备、传输网络、监控中心设备、后端智能分析设备、视频综合管控软件等部分，硬件上提供了视频接入和拓展接口，软件提供了图像的采集、存储、显示、分析、控制等功能。架构前端采集设备包括各类型视频采集设备，包含隔爆摄像仪、本安摄像仪、本安球机、本安热像仪、智能摄像仪、多目拼接摄像仪、车载摄像仪、便携摄像仪等，其中智能摄像仪具备一定的智能分析功能，可自主完成视频的智能分析，并输出分析结果。前端智能分析设备为井下视频分析边缘服务器，实现井下视频接入和高实时性视频算法解析，提供了开关量、RS485、以太网等通信网络接口。传输网络为煤矿工业以太光纤环网，提供满足摄像仪接入和视频信号实时传输的网络通道。地面监控中心设备为中心管理及流媒体服务器、存储服务器或NVR硬盘录像机等，主要包括中心服务模块、存储服务模块、流媒体服务模块、电视墙服务模块、报警服务模块、配置客户端模块及操作客户端模块。

2 煤矿安全监控系统运行现状

煤矿安全监控系统普遍采用三级网络架构，包括由环网交换机、光纤组成的一级环网，由分站、通信电缆、网线或光纤组成的二级分站主传输网络，由传感器、通信电缆组成的传感器网络。现代化大型矿井中，井田面积大，巷道长度长，由此决定安全监控系统网络庞大，又由于现代化矿井供电系统集约化设计，导致盘区变电所等环网交换机的理想布置地点之间距离增加，造成单个环网交换机下分站主传输网络覆盖面积被迫增加。现代化矿井采掘工作面顺槽布置长度可以达到5000m之多，安全监控分站至环网交换机之间的主传输缆线往往能达到6000m甚至更远，由此造成主传输信号衰减严重。信号衰减往往是安全监控设备出现通信异常和抗干扰能力降低的主要原因。目前煤矿安全监控系统配套设备中除设备电源箱外，普遍采用本质安全型电气设备，受本质安全型电气设备对电压、电流和功耗的限制，在传感器布置安装过程中，往往会出现因传感器安装位置距离分站电源距离远、同一传感器缆线接入传感器数量过多、功耗过高或通信缆线受损造成缆线电阻增大等原因，造成传感器网络缆线末端压降损耗大，处于末端的传感器供电电压不足，出现传感器无法正常启动或启动后工作不稳定等故障。

3 人工智能在煤矿安全监控领域的应用

3.1 视频识别算法实现

通过收集大量样本数据，制作标签区分不同的状态，并通过反向传播不断迭代优化模型，最终达到收敛，形成神经网络模型。训练数据集的数量及质量是识别算法准确率的保障。为提高识别算法的准确率，需要根据不同的现场安装环境及使用场景，补充完善训练样本集，对识别算法进行持续优化训练。由于在模型训练时需要大运算量硬件支持，所以模型训练一般在云端数据中心上完成。云端数据中心一般由专用AI服务器硬件和训练平台软件组成，是系统的中心管理节点，也是边缘计算的管控端。云端数据中心负责进行大量样本数据的采集、管理、标注等，然后对标注完成的数据进行训练，形成更新迭代的新模型，训练好的模型运行于边缘计算设备，如井下前端智能摄像仪、地面视频分析服务器等。其前端设备为普通摄像仪，实现图像样本数据的采集感知。由此形成的“云-边-端”协同的系统架构，实现了样本数据持续增量上传，云端持续优化训练识别模型，新模型运行于边端验证准确率，保证了视频识别模型的完整闭环管理。

3.2 通信线路的布置

通信线路布置过程中需要考虑传感器在日常使用和维护中可能出现的各种情况，如掘进工作面T1和T2甲烷传感器需要随工作面的掘进不断向前延设，延设过程中会造成传感器通信中断，而配电硐室安设的传感器则是长期固定的，如果将工作面传感器和配电硐室传感器接入同一线路或同一分站端口，延设工作面传感器时将会影响配电硐室传感器稳定运行。因此应将不同维护类型的传感器线路分开布置，并接入不同的端口，可以减少因传感器维护、延设造成的同级传感器故障影响范围。掘进工作面布置传感器时，宜将位置长期固定的机电硐室监测传感器、风机开停监测传感器等布置在同一线路上，掘进面需要同时延设的传感器布置在一条线路上。这样在工作面延设传感器时，出现故障的传感器就控制在需要延设的传感器范围内，而不会造成其他传感器干扰性故障，从而增加系统稳定性。同时在线路布置过程中，要与动力电缆、变频器等设备保持一定距离，减少对线路的电磁干扰。

4 存在问题及未来研究方向

虽然现阶段图像识别、目标检测方法取得了很大的进步，但是在煤矿安全监控领域人工智能技术起步较晚，在技术研发以及应用过程中都存在瓶颈问题。首先，具有数量足够多的训练样本是深度学习的前提条件，然而搜集数据样本及进行标注需要大量的人力和时间，并且异常或故障等数据相对数量较少，存在正负样本分布不均匀的问题，因此会降低算法模型的性能以及泛化能力。进一步深入研究弱监督或者无监督机器学习方法，逐步减少人工标注样本的数量，提升获取数据集的质量，以提高模型的泛化能力。对深度学习框架中不具可解释性的缺陷进行改进和完善，并通过优化神经网络的结构，改进模型的损失函数、激活函数等, 提升算法模型的鲁棒性。针对边缘终端设备计算力有限的情况下，通过量化操作和网络剪枝等方法实现模型压缩，构建轻量型网络结构，在AI专用芯片领域，进一步研发计算处理单元的硬件结构，实现以低功耗的处理单元对网络推理加速，促进人工智能算法模型在煤矿领域的落地应用。

结束语

随着煤矿智能化建设的不断推进，智能视频分析技术在多个监控场景中得到了应用，并取得了一定的应用效果。但同样也存在视频采集设备可维护性不好、成像质量不高、识别准确率无法保证等问题，还需要继续在设备环境适用性、成像效果、分析准确率等方面进行持续改进提升，使得分析结果真正起到决策控制作用。

参考文献

[1] 张立亚.矿山智能视频分析与预警系统研究［J］.工矿自动化，2017，43（11）：16-20.

[2] 王国新,王珂硕.基于注意力机制的煤矿井下行人检测的轻量化网络结构[J].黑龙江科技大学学报,2021,31(06):824-829.