人工智能在煤矿安全监控领域的研究进展

＊王子良 李作淘 阚朝东

（1.黑龙江龙煤鹤岗矿业有限责任公司 兴安煤矿 黑龙江 154100 2.黑龙江科技大学 电气与控制工程学院 黑龙江 150022）

引言

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[1]。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[2]，这在煤矿安全监控系统中具有重要的意义。

近年来，随着理论算法的不断创新和计算机硬件计算能力的迅速提升，人工智能技术迎来了跨越式发展。人工智能经历了从知识驱动方法、数据驱动方法到目前将知识和数据结合起来的人机融合智能时代三个阶段。2006年Hinton[3]提出了“深度学习”的概念，为训练和优化深层结构提供了解决方法，打破了传统神经网络的瓶颈，奠定了全新神经网络架构，在计算机视觉、自然语言处理、数据挖掘等领域被广泛应用。随着卷积神经网络层数的不断增加，不仅消耗大量的计算资源，而且容易产生梯度消失和梯度爆炸。2015年由何凯明[4]构建实现的深度残差网络凭借优异的模型性能获得了ILSVRC竞赛的第一名。该网络采用了恒等映射对不同的非线性层进行跨层式的连接，从而能够使参数的训练更有效率，深度残差网络在近些年赢得了学术界和工业界的广泛关注。

随着对卷积神经网络研究的不断深入，基于深度学习的目标检测方法得到了快速发展，可以分为基于回归的目标检测方法和基于候选区域的目标检测方法两大类。基于候选区域的目标检测方法是分为获得感兴趣的区域和进行目标分类两步完成，也称为两阶段检测方法。这类方法包括R-CNN[5]、Fast R-CNN[6]、Faster R-CNN[7]、R-FCN[8]、Mask R-CNN[9]等。基于回归的目标检测方法直接预测定位和类标签，称为一阶段检测方法，将两个任务融入进一个神经网络中完成，因此减少了网络的运行时间。两阶段的目标检测方法的检测准确率较高，但在速度要求比较快的场景中，例如在嵌入式终端设备中部署应用的时候，其目标检测速度往往不能达到实时性要求，此时一阶段目标检测方法应用更为广泛。

1.人工智能在煤矿安全监控领域的研究现状

(1)矿井人员检测

为提高煤矿安全生产监督能力，将煤矿安全管理由事后追责变为事前预警，需要对工作人员的不安全行为、重点区域人员入侵等现象进行准确识别，从而对这些异常行为进行及时预警，这对于减少事故的发生起着重要作用。为了对矿工不安全行为进行识别，仝泽友提出了一种双层光流运动历史图检测方法[10]，引入了高斯金字塔，利用空间梯度对矿工运动信息进行获取，采用深层迁移学习方法实现对矿工行为识别模型的训练，满足了皮带区矿工不安全行为检测的需要。李春贺在YOLOv3模型的基础上融入了注意力机制[11]，设计了一种提取特征能力更强、参数更少的轻量化网络，具有较快的检测速度。针对由于标注数据样本不足导致网络模型性能下降的问题，赵亮设计的深度神经网络提取并融合图像显著特征[12]，实现了基于弱监督深度学习的选煤生产过程不安全行为检测。李纳森在YOLOv3模型的基础上提出了P-YOLO方法[13]，将卷积通道按照权重大小进行排列，把冗余的卷积通道删除，从而减小了模型体积，提高了网络的运行速度，达到了较好的效果。王国新等将注意力机制引入到YOLOv4－tiny网络中，采用局部跨信道交互策略和自适应选择一维卷积核大小的方法[14]，从而提高了轻量型网络的检测性能。石永恒等对自建安全帽数据集进行预处理后，使用YOLOv3模型进行训练，获得一个较稳定的模型，能够对矿井作业人员是否佩戴安全帽进行有效检测，检测精度以及检测速度均能满足实际的需求[15]。为防止煤矿作业人员吸入过量粉尘而导致职业性尘肺病的情况，崔铁军等将YOLOv4算法、MTCNN和FaceNet构成的人脸识别算法相结合[16]，对煤矿工人佩戴防尘口罩情况进行检测，验证了该方法的适用性和有效性。

(2)运输皮带异常检测

王义涵针对煤流表面异物检测问题[17]，对Skip-GANomaly算法进行改进，在此基础上提出了一种融合注意力机制的无监督异常检测算法；为了检测皮带纵向撕裂，采用深度可分离卷积以及减少通道数和网络层数的方法对Unet算法结构进行改进，从而提高了检测速度，符合实时精准检测的要求。车剑提出了将图像和声音特征相融合的输送带纵向撕裂检测方法[18]，首先提取输送带损伤的声谱图，然后构建3D视听卷积神经网络，最后将同一时间内连续的声谱图和多帧输送带损伤图像输入卷积神经网络，根据输送带损伤的不同状况自动进行特征提取和融合，使输送带纵向撕裂整体识别率高达97%。胡江迪采用YOLOv3模型和辅助线激光相结合的方法实现矿用输送带纵向撕裂检测，在井下低照度环境下识别准确率较高[19]。针对矿用输送带跑偏问题，通过多种方法对比，采用基于语义分割网络的皮带跑偏检测方法，对目标边界特征要求较低，检测识别准确率相对更高。吕志强利用改进后的Faster R-CNN进行皮带运输异物识别[20]，选择VGG16作为特征提取网络，对矸石和铁器识别的召回率分别达到97.73%和95.00%，同时具有较快的检测速度。许鹏提出一种适应于边缘计算设备的Fire-Dense-YOLO检测算法[21]，通过加入8层fire模块以减少参数量，同时引入密集连接和直通层以提高检测精度，与YOLO-V3-Tiny相比，该算法实现了更快、更准确的煤矿井下皮带异物检测。朱彦存提出了基于深度学习的零参考深度曲线估计图像增强方法[22]，为满足煤矿井下异物检测的实时性要求，采用了基于中心点的目标检测方法，对煤矸石和铁器的检测准确率分别达到98.4%和95.5%，满足了实时性和准确性的需求。

(3)设备故障诊断

采煤机是煤矿开采过程中的核心设备，由于受工作环境的影响其在运行过程中易发生故障。雷一楠利用灰色关联分析法构建了采煤机健康状态评估指标体系[23]，建立了基于组合赋权法的采煤机健康状态评估模型，结合人工蜂群算法多目标优化的优势，提出了改进DBN的健康状态识别模型，为准确判断采煤机的状态提供了有效的识别方法。为实现对采煤机摇臂齿轮箱中的齿轮和轴承进行故障诊断，王萌构建了深度残差网络故障诊断模型[24]，诊断结果可以精准确定故障类型和位置，故障诊断的准确率可以达到99.6%。

矿井提升机是煤矿企业广泛使用的重要设备，而滚动轴承是矿井提升机中的核心部件，其良好运行是保证提升机正常工作的关键。针对无噪声的轴承振动数据，马辉提出了一种基于深度神经网络的双层次故障诊断算法，可实现精准的故障检测[25]。对实际噪声较大以及机械运行负载变化的问题，提出了一种基于域适应批标准化的双层次神经网络故障诊断算法，可以完成在复杂工作环境中的提升机轴承故障诊断任务。针对矿用带式输送机易发生堆煤故障的问题，蔺康利用煤与背景的灰度差对图像进行阈值分割[26]，从而选取出物料区域，然后通过形态学处理去除干扰，最后根据堆煤检测的预警阈值线和报警阈值线判断带式输送机是否发生了堆煤故障。

(4)矿井瓦斯浓度预测

为保障煤矿安全生产，提高矿井瓦斯浓度预测的准确性具有重要意义。贾澎涛等应用随机森林和Hilbert-Huang变换方法对瓦斯监测数据进行预处理[27]，然后采用经过粒子群优化的卷积神经网络对数据进行空间特征提取，最后构建了PSO-CNN-aBiGRU瓦斯浓度预测模型，该模型有效提高了瓦斯浓度预测精度。付华等对LSTM模型进行了改进，引入Softsign函数更好地解决梯度问题[28]，使网络收敛更快且不容易出现饱和，针对LSTM中存在较多超参数的问题，结合量子粒子群算法对其进行优化，并利用核主成分分析对测量指标降维，与ELM、PSO-SVM、PSO-BP以及GRU模型对比，得到改进的瓦斯涌出量软测量模型具有更高的精度和效率。王泓锦通过构建瓦斯单变量及多变量预测模型[29]，研究了氧气、一氧化碳、二氧化碳、温度以及风速因素对瓦斯浓度趋势变化的影响，设计长短期记忆网络与卷积神经网络融合结构预测瓦斯浓度变化趋势，该系统的研发及验证工作已经完成，并且部署在实际煤矿生产环境中试运行，结果表明该系统增强了瓦斯监控的预警能力，具有较强的应用价值。王智鹏对影响工作面瓦斯浓度的因素进行分析[30]，在GRU模型的基础上进行了优化，结合粒子群算法建立了PCA-PSO-GRU模型，并将该模型与Kafka系统和RDD数据集相结合，建立了基于Spark Streaming瓦斯浓度预警框架，预警准确率达到了90%以上，为瓦斯灾害防治和矿井安全生产提供了支持。

2.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。其次，构建性能优良的深度神经网络是实现良好检测效果的关键，但是由于缺少理论支撑，在训练过程中需要不断优化网络结构并且要做大量的调参试验，整个过程耗时耗力，同时容易出现欠拟合或者过拟合的现象。很多性能优良的算法模型也对算力有较高的要求，如果硬件配置不够充分，则对检测的精确度以及处理效率会产生很大的影响，而煤矿安全监控对模型预测的精确度和实时性往往都有较高的要求，因此很多算法模型在煤矿终端设备部署应用时面临着诸多困难。

针对以上众多瓶颈问题，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。

3.总结

建设智能化煤矿是煤炭工业发展的必由之路，而近年来人工智能、大数据、物联网等技术的快速发展为智能化煤矿提供了技术支撑。本文总结了人工智能技术在矿井人员检测、运输皮带异常检测、设备故障诊断、矿井瓦斯浓度预测四个领域的应用。由于矿井环境因素的影响，弱监督或者无监督学习方法、提高模型的泛化能力、建立轻量型网络结构以及算法模型在边缘终端设备中的部署等将是未来进一步研究的方向。