0.   引　　言

人工智能^[1]是计算机科学、心理学、神经科学和其他多学科的交叉学科，其研究方向主要有机器学习、自然语言处理、计算机视觉、智能控制及知识图谱等。随着人工智能技术的飞速发展，智能家居、医疗保健、金融、交通、工业、教育等各行各业引进人工智能技术，以应对行业中那些繁杂、耗时且劳动密集型的工作任务，煤炭行业也不例外。在煤矿井下生产作业环境中，变电所、运输系统、分选、巡检等存在很多繁琐且重复性高的工作，线路、设备运行维检工作量大。神东煤炭集团平均每小时就会采集到5万余张现场照片，若全部采用人工检查的方式，将极大地耗费时间和人力。因此，神东煤炭近年来利用人工智能算法，对作业场景中的音频、视频及传感器数据进行实时分析，逐步实现作业行为跟踪、带式输送机保护、装备检测等智能化巡检维护。

近年来，人工智能技术被广泛应用，云化人工智能平台级解决方案逐渐成为一种趋势。陈杰^[2]提出了适用于煤矿领域的人工智能平台，主要用于支撑视觉分析监控和调度分析计算方面的人工智能应用。陶洪铸等^[3]主要解决传统人工智能平台人机交互之间的问题。黄安子等^[4]重点提出了一种资源调度方法。从人工智能在煤炭行业的应用及发展情况来看，尽管智能监测与预警技术已经有所应用，并在一定程度上降低了事故的发生率，为煤矿的安全生产提供了有力保障，但仍然存在诸多问题：

1）较复杂的场景AI落地难。王国法^[5]提出采煤工作面自动化问题。机器虽然可以完成简单的重复性操作，通过感知周围环境并实时反馈外界的信息，但还不具备独立思考、判断、推理和决策能力。

2）模型跨场景、跨系统复用性差。各矿井通过不同的厂家实施各种人工智能应用算法，存在不同框架下的模型移植性差，不能跨单位跨场景部署使用的问题，推理结果未形成统一的标准与规范，难以实现平台级的管控与集成。

3）模型算法的快速落地难。传统的人工智能技术应用往往需要人工进行数据采集与标注，构建人工智能训练模型需要大量的数据集，数据集量不足会导致模型准确率低，给矿井人工智能技术应用增加了障碍。

4）数据集、算法资源没有统一进行授权管理与存储。已有数据集、算法资产未进行统一管理，无法保护数据集资产的安全。

5）神东煤炭拥有13个矿井，涉及矿井生产作业面多，传统的监管手段难度大，无法有效管控安全生产的各个环节。

基于神东矿区面临的上述问题，提出一套适用于神东矿区井下场景的人工智能安全生产管控平台技术架构，包括数据采集、数据回传、智能标注、模型训练、智能应用等关键技术^[6-7]，提升人工智能技术的复用性。基于人工智能平台架构，解决人工智能模型开发难度大和适配难等问题，实现大型矿区AI能力全生命周期管理，提升生产效益，保障安全生产。

1.   人工智能在煤矿智能化建设中的应用

人工智能技术是当今世界科技前沿之一，各行业都在积极探索如何利用人工智能技术来提高效率、降低成本、增强生产力。对于煤炭行业来说，人工智能技术同样具有重要的意义。

人工智能是煤矿智能化系统建设的重要技术手段，其应用深度决定了智能矿山信息化水平。具体而言，人工智能技术在煤矿智能化中的应用主要包括：

1）智能化监测。人工智能技术可以通过图像识别^[8-9]、语音识别等技术，对煤矿生产过程中的环境和设备进行实时监测和预警，提高生产安全性和环保性。

2）智能化管理。人工智能技术可以应用于煤矿生产过程中的信息化管理、智能化决策等方面，实现煤矿生产过程的全面信息化和智能化，提高管理水平和生产效率。

3）不安全行为识别。煤矿开采还需要大量的人员参与，但是员工在作业过程中行为动作不规范极易造成安全事故，通过人工智能技术识别员工的不安全行为并及时告警提醒，保障员工生命安全。

4）智能化决策。引入机器决策程序，将人工智能渗透到决策过程中。人工智能技术可以应用于煤矿生产接续、智能掘进、智能回采、智能运输等各种井下生产环节。

2.   人工智能平台架构

神东煤炭矿区13矿分布在晋陕蒙地区，属于大规模的矿井集群，按照“1中心+13边缘+N端边”的模式，从视频领域衍生到结构化数据、文本、音频、自然语言等领域，完善神东的人工智能组织体系，实现人工智能能力外溢。神东矿区人工智能平台整体架构如图1所示，包括AI平台与AI应用。从AI基础设施平台到AI应用的一体化管控平台^[10]，通过私有云平台实现对AI硬件设备的管控，同时兼容各厂商平台，可实现视频识别、图像分割、目标跟踪、行为识别、声音识别、自然语言处理、知识图谱等AI能力。

图  1  神东矿区人工智能平台架构

Figure  1.  Architecture of Shendong artificial intelligence integrated control platform

下载: 全尺寸图片 幻灯片

2.1   基础设施层的云边协同部署

煤矿井下安装部署的设备非常多，尤其是视频类传感器，需要高带宽、低延时的网络传输，在神东矿区云端部署AI推理服务会受到网络带宽、延时的制约，为此使用云边协同的架构，即矿井边缘端部署推理服务，仅将有告警、异常数据推送至云端统一AI管控平台，如图2所示。

图  2  神东矿区云边协同部署

Figure  2.  Cloud edge collaborative deployment diagram of Shendong mining area

下载: 全尺寸图片 幻灯片

矿井设备多，如果全部集中云端，会占用大量的网络带宽，无法实现高可靠、低延时的数据传输，利用云边协同^[11]的架构可在集团公司中心云侧部署模型训练平台和数据集采集管理平台，在矿井边缘

侧部署AI推理平台，实现人工智能在煤矿生产作业场景中多层级的部署应用。让现场设备、矿井边缘设备具备AI 推断等能力，满足实时感知、协同控制的智能化需求。通过中心云部署满足神东矿区使用的工业人工智能微服务平台、大模型平台、多模态数据智能识别及基于AI、大数据等多应业务平台^[12-13]的数据多维综合智能分析应用。

2.2   人工智能框架层

AI开发依赖开发环境和框架，全球10大主流AI框架^[14-16]（TensorFlow、PaddlePaddle、NCNN、TNN、MNN、PyTorch、Caffe、MXNet、MindSpore、OpenCV）包含有AI开发应用所依赖的各种科学计算库，神东人工智能平台集成国内外常用的AI框架，将主流AI深度学习框架及其运行库进行整合优化，基于煤炭行业场景，实现常用的目标检测、图像分类、预测算法、实例分割、OCR、NLP等10大类AI算法作为推理运算核心内置于平台之中，满足不同场景的AI应用需求。为了实现快捷部署，平台集成自动转化工具，可自动将各种模型权重文件转换为ONNX^[17]格式实现部署统一。

2.3   业务功能层的AI训练与推理平台

人工智能开发改变原作坊式、碎片化、定制化、开发门槛高、不能大规模普及应用的问题，提出基于大规模预训练模型，使用模型参数发展到亿级别泛化能力的大模型，通过煤炭行业迁移学习，实现高精度的煤炭行业模型。

AI训练平台通过集成数据标注平台、资源管理、资源监控、容器镜像仓库等能力，提供低门槛的模型训练功能。数据标注平台支持图片、视频、声音、文本的在线标注。

AI推理服务具备AI模型或镜像的管理、服务发布、资源统一调度管理的能力。通过将模型远程部署到端侧或边缘侧实现推理结果输出，推理平台提供预处理、推理、后处理的功能，满足不同场景的特殊需求。推理结果可直接推送至应用平台，通过应用平台统一查看所有模型的推理数据，同时提供API接口供外部系统调用。

2.4   人工智能能力集成层

能力集成需要建立在标准基础之上，标准是技术应用发展的基石，人工智能技术同样需以标准化为根基。人工智能技术涉及软件、硬件、数据、通信、网络^[18]等各大平台的集成，通过制定神东矿区矿山AI软硬件集成规范标准，提升AI应用统一化、规范化、降低AI开发成本，主要包括数据集采集、标注、学习、模型管理、模型部署、推理结果、推理应用等的集成规范与标准，减少未来AI平台烟囱林立，四处冒烟的风险，为行业输出神东经验、神东产品，实现矿山AI的普惠应用。

3.   模型学习训练

3.1   监督学习

监督学习是人工智能模型训练的一种学习方法，监督学习时有1个输入变量和1个输出变量，使用算子来学习从输入到输出进而得出网络模型函数。因为学习时使用了已带有标签的数据集来“监督”模型的训练过程，所以监督学习是一种从已知输入和输出数据中学习的方法。监督学习过程如图3所示，具体包括：

图  3  基于监督学习的标注训练流程

Figure  3.  Annotation training process based on supervised learning

下载: 全尺寸图片 幻灯片

1）数据集采集：采集用于训练和测试的数据集，可以是正相关数据，也可是负相关数据，数据集可通过生产现场、问卷调查、网络爬虫等多途径获取。

2）数据预处理：在进行数据训练前，需要对数据进行预处理以消除噪声、去除异常值、转换数据格式等。

3）数据标注：通过人工标识数据特征值，并进行归一化处理形成可训练的数据集。

4）训练集划分：标注完成的数据集需要划分为训练集和测试集。训练集用于模型训练，测试集用于模型评估。可使用留出法、交叉验证等方法划分数据集，划分比例一般为7∶3或8∶2。

5）模型训练：使用已标注好的训练集中的数据进行模型训练。训练时算法会尝试学习输入特征与目标输出之间的关系，通过调整网络模型参数生成权重文件。

6）模型评估：使用测试集对训练好的模型进行评估，以检验模型在其他数据上的泛化能力。常用的评估指标包括精确率、召回率、F1分数。

7）模型优化：根据评估结果，需要对模型进行优化，例如修改特征工程、尝试不同的算法、调整参数等。经过不断迭代生成最佳模型。

8）模型部署：将训练好的模型部署到实际应用场景中，对新的输入数据进行推理预测。

9）模型更新：随着模型部署到生产环境后，可能因数据集收集不充分需要增加补充数据集，进行增量学习和重新训练来更新模型以满足后期的应用。

3.2   半监督学习

半监督学习结合监督学习和无监督学习的特点，利用少量已标注的数据以及大量未标注的数据进行训练，并通过推理进行自动标注。在应用半监督学习时，尽量减少人工标注数据的投入，同时借助于未标注数据进行知识发现和模型优化，半监督学习能够显著提高模型的准确性和训练效率^[19]。

半监督学习是通过少量数据集对模型进行初步训练，剩余的大量数据集通过模型自动识别并标注，最后通过人工确认完成数据集的快速标注。半监督学习算法训练步骤如图4所示，主要包括：

图  4  基于半监督学习的智能标注流程

Figure  4.  Intelligent annotation process based on semi supervised learning

下载: 全尺寸图片 幻灯片

1） 数据准备： 从已有数据集中选择少量的样本进行人工标注。数据集采集也可以使用初步训练好的模型自动采集。

2）模型训练：使用预训练模型进行算法训练，如常用目标检测算法YOLO进行模型的训练。

3）自动标注剩余样本：通过模型识别剩余样本，自动从大量的未标注样本中找出有价值样本进行标注，将标注结果输出成标注文件。

4）难例确认： 标注完成后需要人工确定自动标注情况，不满足的难例样本会优先提示人工确认，人工确认完后重新加入训练集，经过多轮重复迭代输出模型。

5） 评估准确率： 经过多轮的训练与人工确认评估模型的准确率，不合格时通过标注完善、增加数据集提升模型的准确率。

3.3   迁移学习

传统的训练学习是从零开始学习，需要进行大量的数据集收集及网络参数调整，训练周期长。迁移学习的核心是将预训练的模型重新用于另一个模型的训练中。将存在一定相关性的任务模型进行迁移复用，解决传统模型训练需要大量数据训练的问题，但是如果预训练模型与任务模型相关性大，则不可使用迁移学习。

4.   人工智能在煤矿领域关键应用

4.1   专家系统的开发

专家系统也称专家咨询系统，是较为复杂的智能系统。专家系统能够提供如人一般解决问题的能力，最核心的是知识训练与学习，如近期火爆全球在各行业都有很好应用的ChatGPT知识问答系统，其原理就是通过学习全球知识来生成语言类大模型，以满足全球用户的问答需求。

随着煤矿智能化发展的推进，矿井的知识结构越显复杂，员工现有的知识体系难以满足矿井系统日益复杂的计算需要，因此亟需建设专家系统。通过专家系统学习煤矿行业的安全规程、操作规程、专业知识、矿井运行数据等知识，收集学习并形成矿井专业知识图谱^[20-21]，应用于煤矿生产设计、故障诊断、生产管理、安全管理等场景，大大提高矿井的智能化水平。

4.2   煤矿井下机器人的研发应用

煤矿井下除了采煤和巡检作业，还有大量的辅助类作业，如安装管路、掏水窝子、喷浆等，长期以来煤矿辅助作业方式落后，工人劳动强度大、安全风险高，各煤矿企业注重机械化换人的研究，已有研发专用的辅助作业机器人代替人工作业，将工人从繁重的体力劳动中解放出来。

未来煤矿井下在机器人应用方面应融合创新，全面推进多种作业类机器人应用，真正实现“无人则安”。通过人工智能技术将视觉、大数据分析、机器学习、自然语言处理、知识图谱等技术深度融合，突破自主学习^[22]、自主行为、自主决策等关键核心技术。

4.3   智脑综合决策

未来可将各智能子系统得出的结果输入至智脑大模型^[23]中，结合时间、地点、设备、环境信息实现智能综合决策，并指挥煤矿采掘、生产、监测、经营分析等具体业务，如图5所示。

图  5  智脑大模型综合决策

Figure  5.  Comprehensive decision making of intelligent brain model

下载: 全尺寸图片 幻灯片

5.   人工智能技术在煤矿井下的应用实践

神东矿区在人工智能应用、算法研究方面坚持自主创新、自主研发，形成了数据集仓库、算法仓库、AI训练平台、AI推理平台，搭建了一体化管控平台统一管控，提供开放的API供煤矿相关子系统集成与调用，扩展AI能力的输出。目前已收集相关数据集9万张，研发模型场景25个，识别告警结果2万余次，主要应用成果如下。

5.1   工业视频行人不行车检测

如图6所示，行人不行车项目主要用于检测出在现场作业车辆周围的人群，通过采集目标区域视频流，将其输入至权重模型中，检测视频流中的待检测目标，判断视频流中移动作业车辆周围是否出现作业人员，若出现则及时告警并推送给相关人员。通过前后帧图像的跟踪检测，计算出车辆的移动量，进而实现行人不行车的不安全行为识别。移动量像素值计算公式为

图  6  行人不行车检测

Figure  6.  Detection of pedestrian failure

下载: 全尺寸图片 幻灯片

其中，w₁、h₁为前1帧检测到的防爆车像素宽、高；w₂、h₂为后1帧检测到的防爆车像素宽、高。

该模型算法以车辆移动像素值为阈值，在10像素时F1值最大，精确率87%，召回率86%，如图7所示。

图  7  模型评估报告折线图

Figure  7.  Model evaluation report line chart

下载: 全尺寸图片 幻灯片

5.2   工业视频运行智能检测

工业视频运行智能检测项目主要用于检测煤矿工业摄像头模糊程度，效果如图8所示。通过对大量摄像头视频流抽帧，将得到的图像进行分类处理，训练出AI模型。部署后对矿井下的实时视频数据进行识别检测，出现异常在平台告警，通过对检测结果研判，如出现错误识别再回传训练学习优化算法，形成良好的飞轮效应。该模型使用全卷积网络（FCN）进行分类识别，可以将每个物体的特征提取出来，实现分类预测。

图  8  摄像头状态检测

Figure  8.  Camera status detection

下载: 全尺寸图片 幻灯片

该模型算法的精确率达93%，召回率87%，如图9所示。

图  9  模型评估报告折线图

Figure  9.  Model evaluation report line chart

下载: 全尺寸图片 幻灯片

5.3   工业视频主运输系统安全监测

主运输系统安全监测^[24-25]项目主要用于检测在矿井环境下带式输送机的运行状态，效果如图10所示，如带式输送机卡子发生断裂等，通过采集目标区域视频流，将其输入权重模型中识别判断视频流中的带式输送机头卡子处（即输送带连接处）是否发生断裂，出现异常则及时推送给相关人员进行更换。

图  10  输送带卡子损坏识别

Figure  10.  Identification of belt clip damage

下载: 全尺寸图片 幻灯片

该模型算法在阈值0.8时精确率达93%，召回率82%，如图11所示。

图  11  模型评估报告折线图

Figure  11.  Model evaluation report line chart

下载: 全尺寸图片 幻灯片

6.   结　　论

1）利用人工智能技术与场景的深度融合，开展跨学科研究与实践，为行业在安全管理、生产效率提升及事故预防等关键问题提供了创新的技术解决方案。通过引入智能算法和模型，不仅提高了煤矿的智能化水平，还为传统煤矿的持续改进和科技发展探索了新的途径。

2）通过大型煤炭企业建立公共的AI算力平台，为各煤矿提供公共的AI能力，实现AI的普惠应用。降低各煤矿的成本，大大缩小了各矿井的智能化建设的差距。

3）通过多模态数据的融合与智能识别，“煤矿大脑”基于时间、空间、井下运行数据等各类信号，为安全应急管理提供决策支持，实现超前风险识别与预警。