人工智能在煤礦安全監控領域的研究進展

＊王子良 李作淘 闞朝東

（1.黑龍江龍煤鶴崗礦業有限責任公司 興安煤礦 黑龍江 154100 2.黑龍江科技大學 電氣與控制工程學院 黑龍江 150022）

引言

智能煤礦是將人工智能、大數據、工業物聯網等新一代信息技術與傳統采礦相融合，進而為生產保障、安全監控、智能控制等提供服務。2020年2月，由國家發展改革委、能源局等8部委聯合印發了《關于加快煤礦智能化發展的指導意見》，將推動智能化技術與煤炭產業融合發展，標志著煤礦智能化建設全面展開。隨著技術的進步，系統設備不斷增多，其相互協調與配合關系愈加復雜，任何設備故障或異常都將影響生產安全及生產效率[1]。隨著人工智能技術的發展，智能煤礦建設應實現人工智能的核心要素[2]，這在煤礦安全監控系統中具有重要的意義。

近年來，隨著理論算法的不斷創新和計算機硬件計算能力的迅速提升，人工智能技術迎來了跨越式發展。人工智能經歷了從知識驅動方法、數據驅動方法到目前將知識和數據結合起來的人機融合智能時代三個階段。2006年Hinton[3]提出了“深度學習”的概念，為訓練和優化深層結構提供了解決方法，打破了傳統神經網絡的瓶頸，奠定了全新神經網絡架構，在計算機視覺、自然語言處理、數據挖掘等領域被廣泛應用。隨著卷積神經網絡層數的不斷增加，不僅消耗大量的計算資源，而且容易產生梯度消失和梯度爆炸。2015年由何凱明[4]構建實現的深度殘差網絡憑借優異的模型性能獲得了ILSVRC競賽的第一名。該網絡采用了恒等映射對不同的非線性層進行跨層式的連接，從而能夠使參數的訓練更有效率，深度殘差網絡在近些年贏得了學術界和工業界的廣泛關注。

隨著對卷積神經網絡研究的不斷深入，基于深度學習的目標檢測方法得到了快速發展，可以分為基于回歸的目標檢測方法和基于候選區域的目標檢測方法兩大類。基于候選區域的目標檢測方法是分為獲得感興趣的區域和進行目標分類兩步完成，也稱為兩階段檢測方法。這類方法包括R-CNN[5]、Fast R-CNN[6]、Faster R-CNN[7]、R-FCN[8]、Mask R-CNN[9]等。基于回歸的目標檢測方法直接預測定位和類標簽，稱為一階段檢測方法，將兩個任務融入進一個神經網絡中完成，因此減少了網絡的運行時間。兩階段的目標檢測方法的檢測準確率較高，但在速度要求比較快的場景中，例如在嵌入式終端設備中部署應用的時候，其目標檢測速度往往不能達到實時性要求，此時一階段目標檢測方法應用更為廣泛。

1.人工智能在煤礦安全監控領域的研究現狀

(1)礦井人員檢測

為提高煤礦安全生產監督能力，將煤礦安全管理由事后追責變為事前預警，需要對工作人員的不安全行為、重點區域人員入侵等現象進行準確識別，從而對這些異常行為進行及時預警，這對于減少事故的發生起著重要作用。為了對礦工不安全行為進行識別，仝澤友提出了一種雙層光流運動歷史圖檢測方法[10]，引入了高斯金字塔，利用空間梯度對礦工運動信息進行獲取，采用深層遷移學習方法實現對礦工行為識別模型的訓練，滿足了皮帶區礦工不安全行為檢測的需要。李春賀在YOLOv3模型的基礎上融入了注意力機制[11]，設計了一種提取特征能力更強、參數更少的輕量化網絡，具有較快的檢測速度。針對由于標注數據樣本不足導致網絡模型性能下降的問題，趙亮設計的深度神經網絡提取并融合圖像顯著特征[12]，實現了基于弱監督深度學習的選煤生產過程不安全行為檢測。李納森在YOLOv3模型的基礎上提出了P-YOLO方法[13]，將卷積通道按照權重大小進行排列，把冗余的卷積通道刪除，從而減小了模型體積，提高了網絡的運行速度，達到了較好的效果。王國新等將注意力機制引入到YOLOv4－tiny網絡中，采用局部跨信道交互策略和自適應選擇一維卷積核大小的方法[14]，從而提高了輕量型網絡的檢測性能。石永恒等對自建安全帽數據集進行預處理后，使用YOLOv3模型進行訓練，獲得一個較穩定的模型，能夠對礦井作業人員是否佩戴安全帽進行有效檢測，檢測精度以及檢測速度均能滿足實際的需求[15]。為防止煤礦作業人員吸入過量粉塵而導致職業性塵肺病的情況，崔鐵軍等將YOLOv4算法、MTCNN和FaceNet構成的人臉識別算法相結合[16]，對煤礦工人佩戴防塵口罩情況進行檢測，驗證了該方法的適用性和有效性。

(2)運輸皮帶異常檢測

王義涵針對煤流表面異物檢測問題[17]，對Skip-GANomaly算法進行改進，在此基礎上提出了一種融合注意力機制的無監督異常檢測算法；為了檢測皮帶縱向撕裂，采用深度可分離卷積以及減少通道數和網絡層數的方法對Unet算法結構進行改進，從而提高了檢測速度，符合實時精準檢測的要求。車劍提出了將圖像和聲音特征相融合的輸送帶縱向撕裂檢測方法[18]，首先提取輸送帶損傷的聲譜圖，然后構建3D視聽卷積神經網絡，最后將同一時間內連續的聲譜圖和多幀輸送帶損傷圖像輸入卷積神經網絡，根據輸送帶損傷的不同狀況自動進行特征提取和融合，使輸送帶縱向撕裂整體識別率高達97%。胡江迪采用YOLOv3模型和輔助線激光相結合的方法實現礦用輸送帶縱向撕裂檢測，在井下低照度環境下識別準確率較高[19]。針對礦用輸送帶跑偏問題，通過多種方法對比，采用基于語義分割網絡的皮帶跑偏檢測方法，對目標邊界特征要求較低，檢測識別準確率相對更高。呂志強利用改進后的Faster R-CNN進行皮帶運輸異物識別[20]，選擇VGG16作為特征提取網絡，對矸石和鐵器識別的召回率分別達到97.73%和95.00%，同時具有較快的檢測速度。許鵬提出一種適應于邊緣計算設備的Fire-Dense-YOLO檢測算法[21]，通過加入8層fire模塊以減少參數量，同時引入密集連接和直通層以提高檢測精度，與YOLO-V3-Tiny相比，該算法實現了更快、更準確的煤礦井下皮帶異物檢測。朱彥存提出了基于深度學習的零參考深度曲線估計圖像增強方法[22]，為滿足煤礦井下異物檢測的實時性要求，采用了基于中心點的目標檢測方法，對煤矸石和鐵器的檢測準確率分別達到98.4%和95.5%，滿足了實時性和準確性的需求。

(3)設備故障診斷

采煤機是煤礦開采過程中的核心設備，由于受工作環境的影響其在運行過程中易發生故障。雷一楠利用灰色關聯分析法構建了采煤機健康狀態評估指標體系[23]，建立了基于組合賦權法的采煤機健康狀態評估模型，結合人工蜂群算法多目標優化的優勢，提出了改進DBN的健康狀態識別模型，為準確判斷采煤機的狀態提供了有效的識別方法。為實現對采煤機搖臂齒輪箱中的齒輪和軸承進行故障診斷，王萌構建了深度殘差網絡故障診斷模型[24]，診斷結果可以精準確定故障類型和位置，故障診斷的準確率可以達到99.6%。

礦井提升機是煤礦企業廣泛使用的重要設備，而滾動軸承是礦井提升機中的核心部件，其良好運行是保證提升機正常工作的關鍵。針對無噪聲的軸承振動數據，馬輝提出了一種基于深度神經網絡的雙層次故障診斷算法，可實現精準的故障檢測[25]。對實際噪聲較大以及機械運行負載變化的問題，提出了一種基于域適應批標準化的雙層次神經網絡故障診斷算法，可以完成在復雜工作環境中的提升機軸承故障診斷任務。針對礦用帶式輸送機易發生堆煤故障的問題，藺康利用煤與背景的灰度差對圖像進行閾值分割[26]，從而選取出物料區域，然后通過形態學處理去除干擾，最后根據堆煤檢測的預警閾值線和報警閾值線判斷帶式輸送機是否發生了堆煤故障。

(4)礦井瓦斯濃度預測

為保障煤礦安全生產，提高礦井瓦斯濃度預測的準確性具有重要意義。賈澎濤等應用隨機森林和Hilbert-Huang變換方法對瓦斯監測數據進行預處理[27]，然后采用經過粒子群優化的卷積神經網絡對數據進行空間特征提取，最后構建了PSO-CNN-aBiGRU瓦斯濃度預測模型，該模型有效提高了瓦斯濃度預測精度。付華等對LSTM模型進行了改進，引入Softsign函數更好地解決梯度問題[28]，使網絡收斂更快且不容易出現飽和，針對LSTM中存在較多超參數的問題，結合量子粒子群算法對其進行優化，并利用核主成分分析對測量指標降維，與ELM、PSO-SVM、PSO-BP以及GRU模型對比，得到改進的瓦斯涌出量軟測量模型具有更高的精度和效率。王泓錦通過構建瓦斯單變量及多變量預測模型[29]，研究了氧氣、一氧化碳、二氧化碳、溫度以及風速因素對瓦斯濃度趨勢變化的影響，設計長短期記憶網絡與卷積神經網絡融合結構預測瓦斯濃度變化趨勢，該系統的研發及驗證工作已經完成，并且部署在實際煤礦生產環境中試運行，結果表明該系統增強了瓦斯監控的預警能力，具有較強的應用價值。王智鵬對影響工作面瓦斯濃度的因素進行分析[30]，在GRU模型的基礎上進行了優化，結合粒子群算法建立了PCA-PSO-GRU模型，并將該模型與Kafka系統和RDD數據集相結合，建立了基于Spark Streaming瓦斯濃度預警框架，預警準確率達到了90%以上，為瓦斯災害防治和礦井安全生產提供了支持。

2.存在問題及未來研究方向

雖然現階段圖像識別、目標檢測方法取得了很大的進步，但是在煤礦安全監控領域人工智能技術起步較晚，在技術研發以及應用過程中都存在瓶頸問題。首先，具有數量足夠多的訓練樣本是深度學習的前提條件，然而搜集數據樣本及進行標注需要大量的人力和時間，并且異常或故障等數據相對數量較少，存在正負樣本分布不均勻的問題，因此會降低算法模型的性能以及泛化能力。其次，構建性能優良的深度神經網絡是實現良好檢測效果的關鍵，但是由于缺少理論支撐，在訓練過程中需要不斷優化網絡結構并且要做大量的調參試驗，整個過程耗時耗力，同時容易出現欠擬合或者過擬合的現象。很多性能優良的算法模型也對算力有較高的要求，如果硬件配置不夠充分，則對檢測的精確度以及處理效率會產生很大的影響，而煤礦安全監控對模型預測的精確度和實時性往往都有較高的要求，因此很多算法模型在煤礦終端設備部署應用時面臨著諸多困難。

針對以上眾多瓶頸問題，進一步深入研究弱監督或者無監督機器學習方法，逐步減少人工標注樣本的數量，提升獲取數據集的質量，以提高模型的泛化能力。對深度學習框架中不具可解釋性的缺陷進行改進和完善，并通過優化神經網絡的結構，改進模型的損失函數、激活函數等,提升算法模型的魯棒性。針對邊緣終端設備計算力有限的情況下，通過量化操作和網絡剪枝等方法實現模型壓縮，構建輕量型網絡結構，在AI專用芯片領域，進一步研發計算處理單元的硬件結構，實現以低功耗的處理單元對網絡推理加速，促進人工智能算法模型在煤礦領域的落地應用。

3.總結

建設智能化煤礦是煤炭工業發展的必由之路，而近年來人工智能、大數據、物聯網等技術的快速發展為智能化煤礦提供了技術支撐。本文總結了人工智能技術在礦井人員檢測、運輸皮帶異常檢測、設備故障診斷、礦井瓦斯濃度預測四個領域的應用。由于礦井環境因素的影響，弱監督或者無監督學習方法、提高模型的泛化能力、建立輕量型網絡結構以及算法模型在邊緣終端設備中的部署等將是未來進一步研究的方向。