基于工業互聯網的煤礦綜采設備信息模型研究

摘要：煤礦綜采工作面設備來自不同廠商，接口不統一、數據系統和業務邏輯不同，造成數據壁壘，系統間數據交互慢。基于工業互聯網架構，提出了包括設備層、接入層、邊緣層、PaaS 層、應用層的智能化綜采技術架構；基于該架構，將煤礦綜采設備作為整體數據對象，設計了一種煤礦綜采設備信息模型構建方法，定義了屬性、方法、事件、報警4 個關鍵要素和建模規則，從而實現各物理實體與異構系統之間的無縫通信，即對綜采設備信息資源進行定義、描述和關聯，提供完備、統一的數據對象表達、描述和操作模型；針對綜采設備信息模型屬性元素過多的問題，提出了一種基于重要度和語義相似度的屬性元素優化機制。采用上述方法建立了華陽新材料科技集團有限公司一礦81004 工作面綜采設備信息模型，對綜采設備電動機運行情況進行評價，結果表明基于該模型可監測工作面所有電動機短時間內啟動次數、多電動機設備啟動功率平衡和運行效率，并形成分析結果，為決策工作提供數據支持。

關鍵詞：綜采工作面；綜采設備；工業互聯網；信息模型；屬性元素優化

中圖分類號：TD67 文獻標志碼：A

0 引言

隨著煤礦智能化技術發展，各類信息化體系和基礎設施基本建立，有效地提升了安全生產管理能力。但煤炭行業發展面臨新形勢和新要求，當前的信息化發展水平與煤礦企業管理方式的創新能力還不足[1]。煤礦生產系統龐大，眾多子系統形成了一個大規模復雜運行體系。該體系雖然工業化程度很高（機械化程度達90% 以上，生產能力可達千萬噸級），但信息化程度不足[2]。煤礦內部信息往往來源于不同的工業設備、軟硬件平臺、操作系統、網絡環境等，如DCS（Distributed Control System， 集散控制系統） 、PLC 等底層控制系統， 上層的MES（Manufacturing Execution System， 生產執行系統） 、PLM（Product Life-cycle Management，產品生命周期管理）系統、ERP（Enterprise Resource Planning，企業資源計劃）系統等通常來自不同的廠家，易出現數據壁壘[3]。

綜采工作面是煤礦生產核心系統[4]，具有采煤機、液壓支架等8 大系統、3 000～5 000 個數據點位，是多設備、多廠家、跨系統、多變量的多源異構數據控制系統。各系統在數據對接過程中需要頻繁進行數據點表與語義對應，導致系統互聯和數據共享成本激增，且不具備可移植性[5]。針對該問題，亟需采用統一的綜采工作面信息模型對數據進行梳理和組織，定義統一描述格式，實現物理對象向數據對象的轉換，解決系統間數據交互慢的問題。

煤炭行業信息模型研發目前處于起步階段。本文參考工業互聯網架構[6]，提出智能化綜采技術架構，將煤礦綜采設備作為整體數據對象[7]，構建了一種智能化綜采設備信息模型，并將其應用于華陽新材料科技集團有限公司一礦81004 綜采工作面，實現了設備運行評價。

1 工業互聯網信息模型

信息模型是工業互聯網領域應用程序、系統和設備之間實現信息互聯、互通、互操作的基礎。目前主流的信息模型來源于工業垂直領域，不同領域不同廠家的信息模型互通性和適用范圍存在局限性。如：基于Automation ML 的信息模型主要用于實現生產系統間工程信息的標準化，解決工程實施過程中信息交換和集成問題，如實現產線上機器人、機械臂等相關對象間的信息互通； 基于InstrumentML 的信息模型主要用于實現儀表信息的標準化，包括儀表身份標志信息和儀表應用屬性信息，以及儀表基本特性信息；基于Pack ML 的信息模型主要用于包裝過程描述，處于信息化應用層，可實現機器狀態與操作模式的信息標準化；OPC UA（Open PlatformCommunications-Unified Architecture，開放平臺通信?統一架構）信息模型主要包括機器人信息模型、機床信息模型、機器視覺信息模型和塑料加工機械信息模型[8-12]。上述信息模型難以覆蓋工業互聯網全面互聯、互通、互操作的需求。

我國工業互聯網產業聯盟于2020 年提出了工業互聯網信息模型，基本架構如圖1 所示。該模型可實現數據和信息在全要素、全價值鏈、全產業鏈的無縫傳遞，使異構的應用程序、系統等在數據層面相互“理解”，從而實現數據互操作與信息集成。

2 智能化綜采技術架構

工業互聯網平臺按照功能可劃分為邊緣層、PaaS 層和應用層。邊緣層提供海量工業數據接入、轉換、數據預處理、邊緣分析應用等功能。PaaS 層提供資源管理、工業數據與模型管理、工業建模分析等功能。應用層提供工業創新應用、開發者社區、應用商店、應用二次開發集成等功能。要實現綜采工作面多源異構數據融合分析，需要對設備接口、設備協議、信息模型進行標準化的規范[13-14]。基于工業互聯網架構，提出智能化綜采技術架構，如圖2所示。該架構自下向上分為設備層、接入層、邊緣層、PaaS 層、應用層[15-16]。

設備層主要包括采煤機、液壓支架、供電等設備或系統，是數據采集的前端。接入層和邊緣層是對接口和協議的規范[17]。目前綜采工作面系統主要的物理接口和通信協議見表1，本文以標準OPC UA工業協議為基礎構建接入層和邊緣層，可有效解決物理接口和通信協議不同導致數據無法傳輸的問題。PaaS 層和應用層是對數據和信息模型的規范。

基于智能化綜采技術架構，將煤礦綜采設備作為整體數據對象，構建智能化綜采設備信息模型。通過虛實設備之間的映射，指定系統中靜態和動態行為的描述，實現各種物理對象和異構系統之間的無縫通信，即對煤礦綜采設備信息資源進行定義、描述和關聯，提供完備、統一的數據對象表達、描述和操作模型。

3 綜采設備信息模型

煤礦綜采設備信息模型由屬性、方法、事件、報警、子信息模型組成，如圖3 所示。5 個組成部分均為可選，但至少應包含其中1 個。信息模型建模支持嵌套規則，信息模型可包含子信息模型，子信息模型仍可包含子信息模型。

3.1 屬性

屬性是表示設備性質、狀態和特征的數據，包括靜態屬性和動態屬性2 類。靜態屬性是指設備基本不變的一些固有性質和特征數據，包括基礎屬性、網絡屬性，其中基礎屬性為設備的基礎定義數據，用于設備辨識和管理，網絡屬性為設備網絡配置的相關數據。動態屬性為設備運行狀態和過程數據，包括狀態屬性和配置屬性，其中狀態屬性描述設備工作狀態，配置屬性為設備設定值或配置參數。

3.1.1 屬性規則設置

定義屬性所采用的規則見表2。

3.1.2 屬性元素優化

針對屬性元素的不同特征，結合設備廠家點表信息可知，1 臺設備的屬性元素可能有100 個以上。

屬性元素過多會導致信息模型過于復雜，屬性元素過少可能導致模型表達不足。因此，本文提出根據屬性元素的重要度和語義相似度對屬性元素進行優化。

設屬性元素在建模過程中的重要度為V，閾值為Vt。根據Vt 將屬性元素分為4 類：① 必用的屬性元素，V=1；② 常用的屬性元素，Vt＜V＜1；③ 不常用的屬性元素， 0＜ V≤Vt； ④ 不用的屬性元素， V=0。Vt 可根據應用場景設置，本文取0.5。將所有屬性元素中重要度大于Vt 的提取出來，得到初步優化的屬性元素[18-19]。

根據屬性元素之間的關系計算語義相似度，如圖4 所示。假設元素之間的語義相似度范圍為[0，1]。如果2 個屬性元素之間有1 條連接路徑，說明二者是相關的。如Cn（n=1， 2， ···， N，N 為節點總數）為C1 的母語義節點，這2 個節點之間的語義相似度為1=n。同樣，若Ci的上m?1 層和Cj的上n?1 層為同一母語義節點， 則Ci和Cj的語義相似度為（1=m） （1=n）。如果2 個屬性元素之間沒有連接路徑，則其語義相似度為0。1 個屬性元素與其自身的語義相似度為1。

以煤礦綜采工作面普通架（單架）屬性為例說明屬性元素優化過程。參照設備廠家點表信息，提取出63 個屬性元素，見表3。

根據重要度優化液壓支架信息模型的屬性元素，結果如下。

1） 靜態屬性。設備型號、設備類型、安標信息對于煤礦行業是必須考慮的屬性元素，重要度設為1。在設備驗收時會用到制造商名稱、制造日期、協議版本、硬件版本4 種屬性元素， 其重要度設為0.5～1。在設備使用時會用到設備編號、設備在用狀態、工作面編號、巷道編號、位置信息5 種屬性元素，重要度設為1。上述情況下均不使用工廠批次和序列號2 種屬性元素，其重要度設為0～0.5，予以刪除。

2） 狀態屬性。運行狀態、左右前柱壓力、左右后柱壓力、推移行程、支架高度、頂梁俯仰角度、頂梁傾斜角度、故障是必須考慮的屬性元素，重要度設為1。特定需求下可能使用支架功能、掩護梁傾斜角度、四連桿傾斜角度、底座俯仰角度、底座傾斜角度、一級護幫行程、一級護幫接近開關、一級護幫壓力、二級護幫接近開關、三級護幫接近開關，將其重要度設為0.5～1。

3） 配置屬性。支架編號、編號增向、主控時間是必須考慮的屬性元素，重要度設為1。特定需求下可能使用前柱補壓上限、前柱補壓下限、前柱目標壓力、前柱補壓時間、前柱補壓間隔、前柱補壓次數、后柱補壓上限、后柱補壓下限、后柱目標壓力、后柱補壓時間、后柱補壓間隔、后柱補壓次數、降柱延時、降柱時間、抬底延時、抬底時間、移架時間、推溜時間、推溜目標行程、鄰架最大差值、推溜允許壓力、收護幫時間、伸護幫時間、收伸縮梁時間、伸伸縮梁時間、反沖洗時間，將其重要度設為0.5～1。

根據語義相似度對屬性元素進行優化。建立支架信息模型，部分模型如圖5 所示。計算得到屬性元素之間的語義相似度，見表4。

本文中語義相似度閾值設為0.25，即2 個屬性元素之間語義相似度大于0.25 可聚類。從表4 可看出：① 靜態屬性中，設備類型與設備型號之間、設備編號與設備型號之間、設備編號與設備類型之間的語義相似度均大于0.25，因此這3 種屬性元素聚類為設備型號，刪除設備類型和設備編號；工作面編號和位置信息之間、巷道編號與位置信息之間的語義相似度大于0.25，將這3 種屬性元素聚類為位置信息，刪除工作面編號和巷道編號。② 動態屬性中，故障與運行狀態之間的語義相似度大于0.25，聚類為運行狀態，刪除故障。

優化后的液壓支架信息模型屬性元素見表5。對比表3 和表5 可看出，屬性元素由63 個減少至54 個，降幅為14.3%。

3.2 方法

方法為設備的操作方式或自身功能，定義方法所采用的規則見表6。

3.3 事件

事件是設備產生的某些重要信息的記錄。定義事件所采用的規則見表7。

3.4 報警

報警是需要確認相關狀態的事件類型。定義報警采用的規則見表8。

4 信息模型與實體設備關系

建立設備信息模型是實現綜采設備數字孿生的基礎。信息模型與實體設備之間存在映射關系，如圖6 所示。

綜采設備信息模型分為組件級、設備級、多設備級模型。組件級模型是指一個整體中的關鍵組件構成的信息模型。以采煤機截割電動機為例，建立其信息模型，如圖7 所示。通過對關鍵組件建模，將分散的設備數據、工藝數據、維修數據以屬性、方法、事件、報警的形式轉換為標準化的模型數據。

以采煤機為例，將多個標準化的組件級信息模型通過定義邏輯關系相互關聯，組合成設備級信息模型，如圖8 所示。

多設備級信息模型如圖9 所示。將整個綜采工作面設備抽象為數字化模型，每臺設備具有各自的子模型（組件級信息模型），通過定義設備與設備之間的邏輯關系，將多臺設備相互關聯，實現跨系統、跨設備的互聯、互通、互操作。

綜采設備信息模型包括采煤機信息模型、液壓支架信息模型、刮板輸送機信息模型、轉載機信息模型、破碎機信息模型、帶式輸送機信息模型、供液系統信息模型、供電系統信息模型。綜采設備信息模型與實例對應關系見表9。

5 模型應用

按照本文方法建立華陽新材料科技集團有限公司一礦8403 綜采工作面綜采設備信息模型。以綜采設備電動機運行評價為例，基于建立的信息模型監測電動機短時間內啟動次數，并對多電動機設備啟動功率平衡、運行效率進行分析。

綜采工作面電動機主要在采煤機、液壓支架等設備中，如圖10 所示。采用本文方法建立電動機信息模型，具體參考采煤機截割電動機信息模型建立過程。

基于綜采設備信息模型建立的監測系統平臺可顯示電動機短時間內啟動次數，如圖11 所示。根據統計結果進行評價，若3 min 內啟動少于2 次（包括2 次）則評定為優，多于2 次評定為差。

多電動機設備啟動功率平衡分析如圖12 所示。平臺可顯示多電動機設備運行期間加速時間超過±5% 次數、不平衡度峰值、峰值時電流、達到峰值次數。從圖12 可看出， 2022?04?07T13： 00?2022?04?08T13：00，帶式輸送機電動機啟動和運行不平衡度峰值達到20% 的次數為64。根據分析結果，建議檢查是否存在輸送帶松導致打滑、主從動輥尺寸不一致問題。

電動機運行效率分析如圖13 所示。平臺可顯示設備運行時間、空載運行時間、帶載運行時間，以及效率計算結果。經分析得出， 2022?04?07T13： 00?2022?04?08T13：00，后部刮板輸送機空載運行時間長、效率低，建議結合該時期產量，檢查是否有開空溜不放煤現象。

6 結論

1） 基于工業互聯網架構，提出了包括設備層、傳輸層、邊緣層、PaaS 層、應用層的智能化綜采技術架構。在接入層和邊緣層提出以標準OPC UA 工業協議為基礎的協議規范，解決了物理接口和通信協議不同導致數據無法傳輸的問題。

2） 將煤礦綜采設備作為整體數據對象，提出一種綜采設備信息模型構建方法，定義了屬性、方法、事件、報警4 個關鍵要素和建模規則，實現了綜采設備多源異構數據融合分析。

3） 在華陽新材料科技集團有限公司一礦8403 工作面進行建模方法驗證。以工作面綜采設備電動機信息模型為例，進行電動機運行評價。基于該模型可監測工作面所有電動機短時間內啟動次數、多電動機設備啟動功率平衡、運行效率，并形成分析結果，為決策工作提供數據支持。

4） 目前僅針對綜采設備構建了技術架構和信息模型，下一步將該建模方法應用于礦井其他系統，致力于通信協議、語法和語義標準化工作。

參考文獻（References）：

[ 1 ]王國法，劉峰，孟祥軍，等. 煤礦智能化（初級階段）研究與實踐[J]. 煤炭科學技術，2019，47（8）：1-36.

WANG Guofa， LIU Feng， MENG Xiangjun， et al.Research and practice on intelligent coal mineconstruction（primary stage） [J]. Coal Science andTechnology，2019，47（8）：1-36.

[ 2 ]王國法，范京道，徐亞軍，等. 煤炭智能化開采關鍵技術創新進展與展望[J]. 工礦自動化， 2018， 44（2） ：5-12.

WANG Guofa， FAN Jingdao， XU Yajun， et al.Innovation progress and prospect on key technologies ofintelligent coal mining[J]. Industry and MineAutomation，2018，44（2）：5-12.

[ 3"]工業互聯網產業聯盟. 工業互聯網信息模型白皮書（征求意見稿）[EB/OL]. [2023-11-30]. http：//www.aiialliance.org/index/c316/n47.html.

Alliance of Industrial Internet. Industrial Internetinformation model white paper（consultative document）[EB/OL]. [2023-11-30]. http：//www.aii-alliance.org/index/c316/n47.html.

[ 4 ]王金華，黃樂亭，李首濱，等. 綜采工作面智能化技術與裝備的發展[J]. 煤炭學報，2014，39（8）：1418-1423.

WANG Jinhua， HUANG Leting， LI Shoubin， et al.Development of intelligent technology and equipment infully-mechanized coal mining face[J]. Journal of ChinaCoal Society，2014，39（8）：1418-1423.

[ 5"]杜毅博，張乘風，鞏師鑫. 基于OPC UA 的智能化綜采工作面信息模型[J]. 工礦自動化，2022，48（2）：42-48.

DU Yibo， ZHANG Chengfeng， GONG Shixin.Information model of intelligent fully mechanizedworking face based on OPC UA[J]. Industry and MineAutomation，2022，48（2）：42-48.

[ 6 ]王健全，馬彰超，孫雷，等. 工業網絡體系架構的演進、關鍵技術及未來展望[J]. 工程科學學報， 2023，45（8）：1376-1389.

WANG Jianquan， MA Zhangchao， SUN Lei， et al.Evolution， key technology， prospects， and applicationsof industrial network architecture[J]. Chinese Journal ofEngineering，2023，45（8）：1376-1389.

[ 7 ]葛世榮. 煤礦智采工作面概念及系統架構研究[J]. 工礦自動化，2020，46（4）：1-9.

GE Shirong. Research on concept and systemarchitecture of smart mining workface in coal mine[J].Industry and Mine Automation，2020，46（4）：1-9.

[ 8 ]劉洋. 面向工業場景的OPC UA 信息模型建模研究與應用[D]. 杭州：浙江大學，2023.

LIU Yang. Research and application of OPC UAinformation model construction for industrial fields[D].Hangzhou：Zhejiang University，2023.

[ 9 ]王立平，張兆坤，邵珠峰，等. 機床制造加工數字化車間信息模型及其應用研究[J]. 機械工程學報，2019，55（9）：154-165.

WANG Liping， ZHANG Zhaokun， SHAO Zhufeng，et al. Research on the information model of digitalmachining workshop for machine tools and itsapplications[J]. Journal of Mechanical Engineering，2019，55（9）：154-165.

[10]張卡. 面向石化智能工廠測控與控制設備的信息模型設計與驗證[J]. 當代化工研究，2023（23）：194-196.

ZHANG Ka. Information model design and verificationof measurement and control equipment forpetrochemical intelligent plant[J]. Modern ChemicalResearch，2023（23）：194-196.

[11]李迪，張柳，張春華，等. 基于AutomationML 的信息物理生產線系統模型驅動開發方法[J]. 機械設計與制造，2021（10）：295-299，303.

LI Di，ZHANG Liu，ZHANG Chunhua，et al. A modeldrivenapproach to cyber-physical production linesystem development based on AutomationML[J].Machinery Design amp; Manufacture， 2021（10） ： 295-299，303.

[12]李鋒，張坤，原麗娜. 基于OPC UA 的紡織智能染整車間信息模型研究與實現[J]. 紡織學報，2020，41（2）：149-154.

LI Feng， ZHANG Kun， YUAN Li'na. Research andimplementation of information model for textileintelligent dyeing and finishing workshop based on OPCUA[J]. Journal of Textile Research， 2020， 41（2） ：149-154.

[13]王國法，任懷偉，龐義輝，等. 煤礦智能化（初級階段）技術體系研究與工程進展[J]. 煤炭科學技術，2020，48（7）：1-27.

WANG Guofa， REN Huaiwei， PANG Yihui， et al.Research and engineering progress of intelligent coalmine technical system in early stages[J]. Coal Scienceand Technology，2020，48（7）：1-27.

[14]王國法，杜毅博，任懷偉，等. 智能化煤礦頂層設計研究與實踐[J]. 煤炭學報，2020，45（6）：1909-1924.

WANG Guofa，DU Yibo，REN Huaiwei，et al. Top leveldesign and practice of smart coal mines[J]. Journal ofChina Coal Society，2020，45（6）：1909-1924.

[15]孟慶勇，顧闖. 煤礦工業互聯網信息安全風險評估[J].工礦自動化，2019，45（8）：43-47.

MENG Qingyong， GU Chuang. Information securityrisk assessment of industrial Internet of coal mine[J].Industry and Mine Automation，2019，45（8）：43-47.

[16]崔竟成. 煤礦云邊協同智能云盒系統設計研究[J]. 煤炭技術，2022，41（7）：206-209.

CUI Jingcheng. Design and research of coal mine cloudboxsystem based on cloud edge collaboration[J]. CoalTechnology，2022，41（7）：206-209.

[17]余思聰，黃穎，劉陽，等. 工業互聯網信息模型發展現狀及趨勢研究[J]. 信息通信技術與政策， 2020（6） ：36-41.

YU Sicong， HUANG Ying， LIU Yang， et al. Researchon the development status and trend of industrial Internetinformation model[J]. Information and CommunicationsTechnology and Policy，2020（6）：36-41.

[18]YU Sicong，HUANG Ying，DU Tao，et al. The proposalof a modeling methodology for an industrial internetinformation model[J]. PeerJ Computer Science， 2022，8. DOI：10.7717/PEERJ-CS.1150.

[19]涂凡，黃海松，姚立國. 面向離散車間制造信息本體建模的研究[J]. 機械設計與制造，2018（2）：263-266.

TU Fan， HUANG Haisong， YAO Liguo. Research onontology modeling of manufacturing information fordiscrete workshop[J]. Machinery Design amp; Manufacture，2018（2）：263-266.

基金項目：國家重點研發計劃資助項目（2022YFB3402002）；國家自然科學基金重點支持項目（U22A2047）。