邊緣計算在智慧礦山建設中的應用分析

黎 冠，李志偉，陳 浩，張明月，童 波

（華北科技學院 信息與控制工程學院，北京東燕郊 065201）

0 引言

當前，煤炭行業正朝著可持續、安全高效和綠色現代化的方向發展。 未來的礦業發展將注重建立現代化智能礦山開發與利用體系，通過引入先進技術和創新方法，提升煤炭開采和利用的效率，并實現資源的可持續利用。 為此，國家八部委聯合發布《關于加快煤礦智能化發展的指導意見》，加快了智能化煤礦技術演進步伐，為煤礦智能化發展路線提供了基本技術遵循［1，2］。 為加快煤礦智能化發展，必須加強現代化智慧礦山的理論基礎研究并推進煤礦智能化技術變革，以提供方法和思路。 這包括持續推動先進技術的研發和應用，如智能化采掘、自動化裝備、智能監測與管理系統等。 同時，還需要加強對數據分析、人工智能和邊緣計算等前沿技術的應用研究，以實現煤礦生產的智能化和數字化轉型。

智慧礦山是指通過互聯網、物聯網、大數據、人工智能等技術手段，對礦山生產全過程實現智能化、自動化和網絡化，從而提高生產效率、降低生產成本、提高安全性和可靠性。 隨著信息技術的飛速發展，智慧礦山建設已經成為礦業行業的發展趨勢，其中云計算在智慧礦山系統中起到了核心支撐作用。

然而，傳統的云計算集中式礦山系統架構采用集中式控制的方式，通過復雜的通信網絡來收集信息，并運用統一的云計算或控制中心來處理收集到的數據。 這種架構可以在整體系統中得到最優方案，但是對于分布式的礦山系統而言，僅依賴云計算技術已經無法確保信息傳輸的穩定性、準確性和及時性。 礦山系統具有波動性和不確定性等特點，一旦發生場景變化，傳輸大量數據的通信網絡就容易受到干擾，導致時延增加，無法對問題進行及時發現和解決，從而對礦山系統安全穩定運行造成潛在威脅。

此外，集中式控制模式下，一旦某條通信線路出現故障，控制中心將無法獲取礦山系統的整體信息和實施全局控制，依賴單一的通信可靠性低。 同時，集中式模式可拓展性較差，難以實現分布式設備的即插即用，不能滿足礦山控制系統靈活性和機動性要求。 隨著數據量的爆炸式增長，基于云計算的大數據處理也顯露出許多不足之處，例如時延大、無法支持較大的移動性、數據傳輸開銷、隱私數據損失和不同設備間連接限制［3，4］。 因此，隨著智慧礦山建設的不斷推進，邊緣計算作為一種新型的計算模式，逐漸引起了人們的關注。

邊緣計算是將計算和數據存儲靠近數據源或數據使用者的一種計算模式，能夠提供更快的數據傳輸速度和更低的時延。 在智慧礦山建設中，邊緣計算可以通過在礦山邊緣部署計算和存儲設備，實現對礦山生產數據的實時處理和分析。 這種方式不僅可以減輕礦山網絡數據傳輸的壓力，提高礦山系統的穩定性和可靠性，還可以提高井下終端用戶的體驗，增強礦山指揮決策的靈活性和機動性。 同時，邊緣計算還可以降低礦山能耗和成本，提高礦山生產效率和經濟效益。

1 邊緣計算的發展歷史與技術特點

1.1 邊緣計算的發展歷史

邊緣計算是在靠近物和數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的一種新型計算模型［5］。 “邊緣”是指數據源和云數據中心之間路徑沿線的資源和設備，尤其是在終端設備附近［6］。 通過以“Edge Computing”為關鍵詞搜索每年的文獻量，邊緣計算的發展可以分為3 個階段：技術儲備期、快速增長期、穩定發展期。

‘2015 年之前’是邊緣計算的技術儲備期。邊緣計算的出現最早可以追溯到1998 年Akamai公司提出的內容分發網絡［7］（content delivery network， CDN）。 CDN 的本質就是將服務器布置在靠近用戶端的一側，使用戶就近獲取服務。 邊緣計算這一概念最早出現在2003 年Akamai 與IBM的一份內部研究項目中，該項目提出“邊緣計算”的目的和解決方案［8］。 微軟亞洲研究院于2008年提出了邊緣計算的概念［9］。 2013 年，諾基亞西門子通信技術有限公司和IBM 公司推出了一款在移動基站中運行應用程序的計算平臺，這是首次使用“Edge Computing”描述邊緣服務［10］。 2015年，戴爾、思科、微軟、ARM、普林斯頓大學聯合成立OpenFog 聯盟。

隨著物聯網技術的發展，邊緣計算在2015-2017 年得到了快速發展。 2015 年，歐洲電信標準協會發布邊緣計算白皮書，闡述了邊緣計算基本架構和實踐技術。 2016 年，ETSI 提出多接入邊緣計算，將邊緣計算從電信蜂窩網絡進一步延伸至其他無線接入網絡（如Wi-Fi）［11］。 同年，華為、中科院沈陽自動化所、中國通信信息研究所、英特爾、ARM等機構牽頭在北京成立了邊緣計算產業聯盟（Edge Computing Consortium ，ECC），目前其成員已突破200 家［12-14］。 2017 年，ECC 推出邊緣計算參考架構2.0，包含業務動態調度、云端部署協調等解決方案。 2017 年，微軟在西雅圖舉辦的開發者大會上推出Azure IoT Edge［15］。 同年，亞馬遜和AWS Greengrass 進入邊緣計算領域，將AWE 云服務拓展至邊緣終端［16］。

2018 年，邊緣計算被推向前臺，并被大眾所熟知，邊緣計算開始穩健發展。 同年，谷歌公司推出兩款大規模開發和部署智能聯網設備的產品：云端芯片Edge TPU 和軟件Cloud IoT Edge，促進了基于人工智能的解決方案的部署［17］。 2019 年，邊緣計算得到廣泛關注，尤其是國內多家科技公司投入更多研發力量：1 月百度發布中國首款智能邊緣計算產品［18］；7 月阿里云發布國內首個全域邊緣節點服務［19］；8 月中國電科發布用于神經網絡邊緣計算的“海雀”處理器［20］，騰訊云推出物聯網邊緣計算平臺［21］；11 月華為發布邊緣計算服務器［22］。

2020 年，隨著5G 網絡建設的穩步推進，迎來了5GMEC 的發展。 1 月，微軟和AT＆T 合作推進5G 邊緣計算服務；3 月，GSMA 發布了《5G時代的邊緣計算：中國的技術和市場發展》報告；6 月，中國電信和中興打造了國內首個5G 邊緣計算智能節點；8 月，中國信息通信研究院、中國移動、中國電信、華為等八家EdgeGallery5G 邊緣計算開源項目創始成員發布業界首個5G 邊緣計算開源平臺Edge Gallery；10 月，騰訊首個5G 邊緣計算中心對外開放。 2021 年，由北京郵電大學、華為云、中國移動研究院、北京大學聯合研發的首顆云原生邊緣計算衛星順利升空并在軌穩定運行，標志著衛星進入云原生時代。如今，邊緣計算正在極大地吸引研究人員的興趣，各行各業也在逐漸引入邊緣計算架構，未來將大力推動各行業智能化發展。 圖1 顯示了從1996 年到2022 年每年邊緣計算論文的發表數量，展現邊緣計算的研究不斷增長的趨勢。

圖1 1996-2022 年邊緣計算論文發表量

表1 邊緣計算發展歷程

1.2 邊緣計算的技術特點

雖然邊緣計算是基于云計算發展而來，但是與云計算并非替代關系，而是對云計算的補充和拓展。 它可以為終端設備提供更加便捷、個性化的服務，提高當前各領域關注的關鍵指標。 邊緣計算具備以下技術特點，可很好地彌補云計算的不足，解決云計算在當前數據量爆炸式增長下面臨的挑戰。

（1） 實時性（低時延）：邊緣計算的部署使得智能邊緣節點能夠更快速地對數據進行處理并作出決策，而不必依賴云端的計算資源。 將人工智能算法部署在邊緣節點，智能邊緣節點對采集到的數據進行預處理，不再需要將海量的數據上傳到云端，從而極大地減少了邊緣設備與云端之間的數據傳輸量和通信頻次，降低了數據傳輸和遠程計算所帶來的網絡時延，提升實時響應速度，并改善用戶的體驗。 這對于實時性要求較高的應用場景非常重要，如智能交通、工業自動化、智能安防等。

（2） 精確性（準確率高）：邊緣側對采集到的數據進行前端智能處理，通過過濾大量數據，提取出關鍵信息和有價值的數據特征，這種處理方式有效地將數據的處理和分析推向了數據源頭，有效地減少了需要傳輸和處理的數據量，提升了數據傳輸和處理的準確性。 它能夠在邊緣設備上對數據進行實時的融合、過濾和提煉，將更有價值的數據傳輸和處理，為后續的應用和決策提供更準確、可靠的數據支持。

（3） 能耗性（降低能耗）：邊緣計算技術采用分布式架構，將數據處理任務分散到靠近數據源的邊緣節點上。 這種架構能夠在邊緣節點上進行前端過濾、計算和分析，將處理功能盡可能地靠近數據產生的地方。 這樣做使可以避免將大量數據傳輸到中心化的數據中心進行處理，減輕了數據中心的計算負擔。 邊緣計算技術還通過資源調配策略來優化終端設備與云端之間的數據流量。 根據實時需求和網絡狀況，邊緣計算可以動態地調整數據流量的分配，使得只有必要的數據才被傳輸到云端進行處理，減少了不必要的數據交換。這樣做使整個計算系統的數據處理成本和設備能耗得以降低。

（4） 安全性（安全和隱私保護）：邊緣計算位于用戶側，專注于自身范圍內的任務，并在邊緣側處理數據。 它將涉及隱私、原始和關鍵性的數據存儲在本地，無需上傳到云端，僅實時上傳分析結果和統計數據。 這種方式避免了網絡傳輸可能帶來的風險，如數據泄露或劫持。 此外，邊緣計算還可以減輕數據中心受到攻擊后影響全部數據的風險，因為只有部分數據存儲在邊緣節點上，這種做法保護了數據的安全性，即使發生數據中心受到攻擊，也僅影響部分數據而不是全部數據。

（5） 智能化（適應情景變化）：將人工智能部署在具有一定計算能力的邊緣終端，使其具備智能化處理部分計算任務的能力，能夠有效減輕云中心的任務處理壓力。 智能化邊緣終端還具備適應性，可以在場景發生變化時保持正常工作。 它們可以根據實時情況靈活調整計算策略和算法模型，以滿足不同環境下的需求。 當場景發生變化時，智能化邊緣終端還能夠適應場景變化，保持正常工作，提高系統可靠性，并發揮集中式與分布式計算的雙重優勢。

2 邊緣計算應用于智慧礦山的優勢

當前，礦山通信信息系統存在網絡信號差，井下信號覆蓋不全和通信質量差等問題。 對于井下這種場景多變的工作面，無法保證各個部門之間以及工人攜帶通信設備之間的通信實時性與穩定性，會給礦山安全生產工作帶來巨大的信息滯后性，也降低終端使用便捷性。 當發生意外事故時，通信不順暢會給被困人員的生命安全構成威脅，并增大救援難度。 邊緣計算能夠重新定義井下各節點與中心服務器的關系，可以覆蓋井下工作指揮、資源調度管理、事故預警等各個環節，成為未來智慧礦山整體系統架構的重要支撐。 其主要優勢如下：

2.1 減輕礦山網絡數據傳輸壓力

煤礦井下開采區域范圍廣、巷道呈長距離帶狀拓撲，終端智能設備較多，數據量大且數據的復雜性程度高。 相比于云計算，邊緣計算更加接近數據源，能夠在邊緣節點執行數據的存儲和分析任務。 通過在井下布置具備深度學習（DL）算法的邊緣計算節點，可以第一時間對井下各種傳感器和終端設備獲取的大量數據進行存儲、分析和反饋。 這種方式能夠有選擇地卸載和上傳有價值的信息，從而中間數據傳輸的過程，能夠極大地減輕礦山網絡傳輸壓力，為礦山安全生產提供重要的支持。

2.2 提高井下終端用戶體驗

井下終端設備較多，對實時性的要求較高。邊緣計算貼近用戶，為用戶提供各種快速響應服務，可以很好地降低時延，確保指令的實時處理。針對井下應急救援、礦車自動駕駛、自動導引運輸車輛（Automated Guided Vehicle，AGV）及各類井下機器人［23］等時延敏感類業務，引入邊緣計算能夠做出快速反饋，使得井下的終端設備能夠及時響應用戶的指令并進行相應的操作，提高了業務處理的效率和準確性，可以極大提升井下終端用戶業務體驗。

2.3 提高礦山指揮決策的靈活性

在井下部署具備邊緣計算能力的設備，可以實現指揮終端接收井下場景變化情況而不是原始數據，從而輔助指揮終端做出準確判斷，提高應急救援能力。 通過給井下裝備具備邊緣自主性的設備，一些情況下無需占用更高級別的決策資源，可以進行自主的信息處理，突顯了分層決策的能力，提升了礦山指揮的靈活性。 井下搭載人工智能（Artificial Intelligence， AI）算法的邊緣節點也可以根據井下實時數據進行分析和自適應學習，適應井下場景變化，而無需人員手動調整，提高了礦山指揮的靈活性和效率。

2.4 應對井下情景變化的機動性

在井下發生火災、透水、坍塌等應急情景變化時，借助邊緣計算能夠更快地構建應對策略。 當網絡發生波動時，可以放棄某些節點的協同，只保持必要的狀態通信，這些邊緣節點可以依靠自身或者鄰近的邊緣計算資源順利完成任務。 即使在運算或者邊緣服務器遭到破壞時，這些節點仍可以進行獨立工作，確保井下系統的正常運行，提高井下機動性和應急能力。

2.5 降低礦山能耗和成本

邊緣計算可以充分利用當地現有網絡和邊緣設備空閑儲存與計算資源，通過對數據進行過濾、計算和分析，減少數據傳輸量，降低網絡帶寬負載，從而有效降低礦山本地設備的能耗。 邊緣計算在生產環境中可以實現“小規模”部署，依托于就近的邊緣設備進行數據處理和計算。 相比于在本地設備中處理數據，邊緣計算可以降低成本，提高效率，并且更加靈活適應礦山的需求。 這為礦山帶來了更高的能源效率和經濟效益。

3 邊緣計算在智慧礦山應用前景

3.1 關鍵技術

當前，面對潛在的災害威脅，急需運用新技術和新方式來對傳統的礦山系統進行智能化改造，提高安全系數、降低人力成本。 然而，現有的云計算解決方案暴露出諸多問題：云計算需要終端將數據上傳至云端處理，然后再將結果下發到終端，導致網絡通信時延較高，無法對礦山的諸多設備進行實時控制，也無法對大量的數據進行實時分析和處理。 此外，云計算方案中數據在云端和終端之間頻繁傳輸，導致網絡流量過大、礦山數據處理成本和能耗增加；云計算還對帶寬、環境要求較高，難以進行廣泛部署。 邊緣計算可以很好解決這些問題。

由于傳統礦山信息系統存在設備老化、技術更新不及時等問題，礦山在構建邊緣計算架構和實現邊緣設備智能化方面仍然面臨許多挑戰。 通過對礦山信息系統相關技術的研究分析，本節總結出了邊緣計算應用于礦山需要著重研究的邊緣計算關鍵技術，如圖2 所示。

圖2 邊緣計算應用于礦山關鍵技術

（1） 計算卸載。 計算卸載是一種將計算任務從資源受限的移動設備遷移到附近的資源豐富的基礎設施上的技術。 它解決了移動設備在資源存儲、計算性能和能源效率方面的不足。 對井下機器人和移動終端設備，可以通過邊緣卸載技術將計算任務全部或部分遷移到就近的邊緣服務器上執行。 這樣可以提升井下移動終端設備計算能力和續航時間等方面的性能。 借助移動終端設備的代碼解析器、系統解析器和卸載決策引擎等工具，可以制定智能的邊緣卸載策略，以應對井下不同場景的需求。 通過減少時延和降低能耗，計算卸載技術能夠有效改善移動設備的計算體驗。

（2） 流動性管理。 在井下礦山環境中，由于場景的變化、實時數據監控和井下工作人員的高流動性，要求云計算中心和邊緣側具備高效的資源分配能力，以實現云邊協同響應。 這樣可以使得礦山的各個邊緣節點、終端設備和角色能夠充分利用系統資源。 流動性管理是關鍵，其中包括資源發現和資源切換。 資源發現旨在確保移動中的終端用戶能夠快速發現周圍可用的資源，并選擇最適合的資源。 邊緣計算中的資源發現需要同時考慮用戶資源發現的速度和應用程序提供服務的連續性。 通過有效的資源發現機制，用戶可以及時獲取到所需的計算資源，從而滿足其需求。資源切換是指當用戶移動時，移動應用程序可以在多個設備之間切換使用計算資源。 邊緣計算的資源切換可以將相關服務移動到不同的站點，以保證服務的連續性。 通過實現高效的資源分配和無縫的服務切換，礦山系統可以滿足不斷變化的需求，并確保各個角色和終端設備充分利用系統資源，提高礦山的工作效率和響應能力。

（3） 模型壓縮。 為了實現邊緣設備的智能化，需要應用大量的人工智能（AI）模型。 例如，在礦井環境中，可以采用深度神經網絡（DNN）模型來適應場景變化或識別火焰等任務。 然而，由于AI 模型通常較大且計算復雜，邊緣設備的存儲資源有限。 因此，需要考慮采用模型壓縮技術來解決這個問題。 一種方法是通過網絡剪枝和量化，轉移／壓縮卷積濾波器以及進行知識提取等方式來壓縮模型。 這些技術可以從一個過度參數化的大模型中學習出一個小巧而緊湊的模型，以適應邊緣設備的資源限制。 通過模型壓縮技術，可以將大型的AI 模型轉化為在邊緣側能夠運行的小型模型。 這樣，邊緣設備就能夠高效地進行智能決策和數據處理，而無需過多的存儲和計算資源。 這種邊緣側的智能化能夠提高系統的響應速度，降低網絡傳輸延遲，并減少對云端的依賴。

（4） 邊緣高速緩存。 礦井在維持日常工作時，井下探測和監測設備需要頻繁地讀取相關內容，將內容提前緩存到分布式節點，設備可以就近獲取內容，從而大大減少查詢和部署時延，避免內容的重復傳輸，緩解網絡壓力，同時可以提高用戶體驗度。 基于預測算法建立預測模型，制定智能應對礦山場景變化的邊緣卸載策略，可以提高內容分發效率，降低帶寬占用。 這將有助于改善礦井工作的實時性和效率，提升礦山運營的整體水平，并提供更好的用戶體驗。 Tran T X 等人［10］提出了協作的邊緣緩存方式，同步進行邊緣緩存和邊緣處理，從而提高緩存的性能，減少數據的傳輸。

（5） 數據安全和隱私保護。 邊緣計算為分布式架構，邊緣計算架構中的邊緣設備越智能，就越容易成為惡意攻擊的目標。 傳統的數據安全保護方法和復雜的加密算法在邊緣計算環境下可能不再適用。 聯邦學習（Federated Learning ，FL）是一項新技術，可以描述為分布式人工智能學習，基于保護匿名性的多方機器學習［24］，它分散性地保護隱私。 聯邦學習方案中用戶與云服務器無需進行用戶數據傳輸，因為在本地使用數據訓練模型，用戶只需將訓練結果上傳到中央服務器，所以聯邦學習中每個參與者傳輸的不再是原始數據，而是經過訓練的子模型。 中央服務器會分析來自參與者的模型，融合它們并生成最優模型，然后將最優模型下發給各個邊緣設備進行更新，從而增強了邊緣設備的安全性和隱私保護能力。

3.2 智慧礦山邊緣計算平臺系統架構

要實現智慧礦山的建設，關鍵在于構建云邊協同、數據交互、實時監控和快速響應的邊緣計算平臺系統。 參考目前發布的Edge X Foundry 和Kube Edge 開源平臺架構設計提出構想，設計了一種煤礦邊緣計算系統的整體架構，其中邊緣計算平臺由云、邊、端三層架構構成，以下介紹各層的功能以及組成如圖3 所示。

圖3 智慧礦山邊緣計算平臺系統架構

首先是云層，云服務器擁有強大的計算以及儲存能力，負責算法訓練、數據分析和邊緣節點基礎設施管理以及圖像處理、大數據分析，提供設備管理、資源調配管理、模型訓練等功能。 此外云層可以永久性保存邊緣層的計算報告，完成邊緣層無法完成的全局信息處理任務和無法處理的分析數據任務。

其次是邊緣層，邊緣層主要負責對井下監控數據的采集、分析和傳輸。 它連接了底層的各種設備和上層的云服務，起到了橋梁的作用。 邊緣層由邊緣節點和邊緣管理器兩部分組成。 邊緣節點是部署在整個架構邊緣的硬件設備，包括邊緣服務器、邊緣控制器、邊緣網關等。 這些設備具備計算、網絡和存儲資源，在邊緣層承擔數據采集和前端處理等功能。 邊緣節點通過與各種終端設備連接，將其采集到的數據進行處理并傳輸給上層的云服務進行進一步分析和應用。 邊緣管理器是邊緣層的另一重要組成部分，它負責對邊緣節點進行管理和協調。 邊緣管理器是以軟件的形式管理邊緣節點的狀態、資源利用情況等，并根據需要進行任務調度和資源分配，以保證邊緣層的高效運行。

最后是端層，端層由井下各種終端設備組成，端層的主要功能包括實時監控、井下日常工作維護以及煤炭運輸等任務。 它采集原始數據，并將數據上傳到邊緣層進行儲存和計算。 整體架構由模型驅動統一服務的框架，實現了自動化控制、分析和優化。

4 基于邊緣計算智慧礦山解決方案

關于邊緣計算的具體應用有很多討論，但是在煤礦中應用邊緣計算的工作卻很少，本文對邊緣計算在煤礦中的研究應用進行了調研，詳細分析了邊緣計算在煤礦中的應用研究的相關文章。發現目前在煤礦監測監控體系中應用邊緣計算的研究相對較多，結合上述對邊緣計算應用于礦山的優勢、關鍵技術以及架構等方面的闡述，本節將對邊緣計算應用于礦山安全監測監控系統的具體場景解決方案進行分析。

4.1 業務場景

礦山安全監測監控系統是一種用于實時監測和控制礦山環境的系統，主要用來監測礦山甲烷濃度、溫度、濕度、礦塵濃度等重要指標，實現重要指標超限報警并執行相應安全保護措施的系統，起到安全避險的預警作用。 國內外研究表明，做好對危險源的有效監控和預警工作可以有效降低事故的發生概率。 采礦屬于高危行業，井下場景復雜，監控監測設備復雜繁多，數據處理任務復雜，產生龐大的數據量，對數據的實時性處理要求較高。

礦山安全監控監測系統通常包括環境監測系統和工況監測系統兩個主要部分，每個系統又由一些子系統組成（如圖4 所示）。 比如，環境監測系統包括瓦斯危險報警系統和火災危險報警系統等部分，而工況監測系統則包括皮帶機異常監測系統和綜采面監測系統等部分。 環境監測系統是用于實時檢測和監控礦井內環境因素的子系統。工況監測系統則是用于監測和控制礦井內工作狀態的子系統。 通過環境監測系統和工況監測系統的協同工作，礦山安全監測監控系統能夠全面監控和控制礦井的環境因素和工作狀態，及時發現異常情況并采取相應的預警和措施，以保障礦山的安全和生產的正常進行。 這些子系統在整個系統中扮演著重要的角色，共同構建起了一個全面而可靠的礦山安全監測監控系統。

圖4 礦山監控監測系統種類

傳統的礦山安全監測監控系統采用集中式控制，系統分為地面工作站和井下工作站。 地面工作站由若干計算機組成，對整個監控系統進行控制。 井下各工作站負責多路傳感器數據的采集和驅動相應的執行機構并讓信號轉換成易于傳輸的信號傳輸到地面中心計算機，地面中心計算機對數據進行處理、存儲和分析并發布命令傳輸到相應執行機構，比如控制聲光報警、斷電、井下LED顯示等機構的運行。 這種架構的優勢是將多個節點接入到中心節點，結構簡單。 但是系統的最關鍵的部分是中心計算機，一旦中心工作站和網絡通道出現問題，就可能會導致整個系統的癱瘓，給井下工作人員帶來安全隱患。

4.2 邊緣計算解決方案

針對礦山安全監測監控系統存在的不足，目前大多數的解決方案是構建云平臺，實現數據的遠程實時監控。 該方案將采集到的照片、視頻信息和數據傳輸到服務器進行處理和分析。 然而，這種方式會導致數據傳輸量大，占用了較大的網絡資源，并且在云端與終端的傳輸產生時延，無法及時傳輸重要指令。 基于邊緣計算的解決方案可以很好彌補這些不足之處，邊緣計算的特點是分布式，分布式系統易于拓展，適合在礦井中搭建，系統由分布在不同地理位置上的多個服務器相互配合協作，實現對礦山各個部分安全的監測監控。同時，該系統的各個部分采用并聯方式，即使任意一個部分發生故障，也不會影響整個系統的正常運行。

在該解決方案中，邊緣網關和邊緣控制器與所有邊緣監測監控設備連接，同時邊緣節點集成了人工智能模塊。 這樣可以對區域終端監控監測設備采集到的數據實現就近分析和處理，并將異常結果傳輸到服務器，從而減少大量無效數據的傳輸。 當邊緣服務器遭到破壞或者網絡中斷時，離線狀態下的邊緣節點可以獨立運行，執行相應的應急處置策略。 另外，邊緣網關和邊緣控制器的另一端連接到云端，通過借助云端更強大的計算能力，云端可以根據數據進行深度學習，建立深度學習模型，并定時更新邊緣節點深度學習模型，不斷提升邊緣節點的智能化水平，增強安全監測監控能力，從而提升礦山安全監測監控系統的整體性能和效果。

以下是一些目前基于邊緣計算的礦山安全監測監控體系應用解決方案，屈世甲等［25］結合Edge X Foundry 平臺架構，設計了煤礦安全監測系統邊緣網關的整體架構。 通過運用該架構，將原有的火災9 步處理流程優化為4 步處理流程，分析得出基于邊緣計算的監測監控體系在系統井下深度融合、區域安全融合分析和處置方面相比較現有監測監控體系都有一定的優勢。 文獻［26］ 中使用軟件定義網絡（SDN） 和容器（Docker）技術，成功搭建了邊緣計算網絡模型，并使用所搭建的邊緣計算平臺，將其與Zigbee 技術結合實現了礦山環境控制系統。 該系統可以充分使用邊緣網絡的計算和存儲資源來實現礦山內部環境的監測和控制，更好地保證系統的實時性和安全性，保證礦區的工作效率和安全系數。 徐鵬等［27］構建了基于邊緣計算的煤礦井下皮帶異物檢測系統，對皮帶異物進行實時視頻檢測。 結果表明，該系統具有良好的實時性以及較高的準確性，可為煤礦企業安全生產提供有效保障。 針對工作面現有甲烷監測點不足，無法滿足智慧礦山建設中工作面甲烷感知、分析和預警需求的問題，建立了基于邊緣計算的甲烷邊緣監測模式的系統架構，解決了工作面區域基于邊緣計算的甲烷感知和傳輸問題［28］。

通過對目前的礦山安全監測監控體系和基于邊緣計算的礦山安全監測監控系統進行比較分析，我們可以得出以下結論：基于邊緣計算的安全監測監控系統在數據處理、安全監控和設備融合等方面具有顯著的優勢。 邊緣計算可以有效提高安全監測監控體系的實時性、高效性和安全性，為礦山安全管理提供更加可靠和智能的解決方案。

5 礦山智能化發展建議

通過上述對邊緣計算的概念、架構、關鍵技術以及具體應用場景的闡述，我們可以看到邊緣計算在智慧礦山建設中起到的重要作用，它有助于智慧礦山各個部分的融合，實現對礦山的精確化和智能化管理。 然而，盡管邊緣計算在學術和工業架構中不斷進行改進和研究，但是目前邊緣計算還處于技術膨脹期，在設備異構性、設備可拓展性、網絡資源分配以及如何保障網絡安全等方面仍然面臨著很多的問題和挑戰。 礦山中存在大量設備和網關，這些邊緣節點具有多種不同形式的固件、操作系統、軟件和虛擬機。 而且，這些節點來自不同的廠商，需要各個廠商進行管理和維護。這種高度異構的環境給排除故障、更新設備和維護網絡安全帶來了很大的挑戰，也增加了成本和工作量。 綜上所述，在智慧礦山整體系統實施過程中，提出了以下建議：

（1） 制定礦山邊緣計算技術相關標準和協議。 目前邊緣計算聯盟、Linux 基金會、歐洲電信標準化協會等組織接連發布邊緣計算架構，可見各科技公司對邊緣計算的重視程度。 我們應該積極推進多方合作，尋求跨廠商的互聯互通，開展多部門和多領域之間的合作，解決面臨的實際問題，并盡早制定較為全面的邊緣計算技術標準和規范，各個廠商可以按照這些標準和規范進行設備設計和配套，實現邊緣計算與礦山的無縫銜接。此外，標準化還有助于提高系統的互操作性，使得不同供應商的設備和節點能夠更好地互相通信和協作。 通過多方合作和積極推動標準化進程，我們可以加速邊緣計算與礦山的融合，實現智能化保障，并促進整個行業的發展。

（2） 研發異構邊緣設備協同技術。 礦山邊緣設備數量龐大且種類繁多，不同設備在不同場景下可能有不同的運用方式。 為了解決這個問題，邊緣計算需要一個統一的虛擬化平臺來模擬實際情況，并完善其中的仿真機制，供研究人員試驗、仿真、測試，以評估邊緣計算在不同場景下的可行性。 而不是直接用于邊緣設備，以此降低成本，以便統一設備之間的異構性，實現不同廠商、不同領域之間的邊緣協同。 IoT Sim-Edge［29］是目前最完整的工具，但仍然缺乏仿真機制的實現。 因此，我們需要進一步完善仿真機制，以更好地支持礦山邊緣計算的研究和應用。

（3） 加強安全保障。 在邊緣計算網絡的高度異構性下，不同的設備和應用程序對安全性的要求也不同。 因此，在礦山邊緣計算架構中，必須研發涵蓋云、邊、端各環節的身份管理、訪問控制、數據傳輸安全保護機制，以維護礦山邊緣計算架構各層實體資產以及網絡安全。 對聯邦學習、深度學習模型優化、模型裁剪等技術深入研究，能夠制定針對礦山不同場景的系統安全保障方案，確保礦山邊緣計算的安全可靠性。

6 結論

（1） 本文介紹了邊緣計算的概念以及發展歷程，并分析了其技術特點、典型架構和發展趨勢。通過調研和分析，認為邊緣計算可以為智慧礦山的建設提供助力。 同時，本文總結了邊緣計算在智慧礦山中的優勢，并歸納了相關關鍵技術，提出了一種智慧礦山邊緣計算系統架構。

（2） 本文分析了傳統礦山安全監測監控體系和基于邊緣計算的礦山安全監測監控體系的不同處理流程。 認為采用基于邊緣計算的監測監控體系可以有效提高實時性、高效性和安全性。

（3） 根據目前邊緣計算存在的問題和挑戰，提出了礦山智能化發展的建議。 希望這些建議能夠推動智慧礦山的建設，并為進一步研究礦山邊緣計算的理論、技術和工程應用提供參考。