边缘计算在智慧矿山建设中的应用分析

黎 冠，李志伟，陈 浩，张明月，童 波

（华北科技学院 信息与控制工程学院，北京东燕郊 065201）

0 引言

当前，煤炭行业正朝着可持续、安全高效和绿色现代化的方向发展。 未来的矿业发展将注重建立现代化智能矿山开发与利用体系，通过引入先进技术和创新方法，提升煤炭开采和利用的效率，并实现资源的可持续利用。 为此，国家八部委联合发布《关于加快煤矿智能化发展的指导意见》，加快了智能化煤矿技术演进步伐，为煤矿智能化发展路线提供了基本技术遵循［1，2］。 为加快煤矿智能化发展，必须加强现代化智慧矿山的理论基础研究并推进煤矿智能化技术变革，以提供方法和思路。 这包括持续推动先进技术的研发和应用，如智能化采掘、自动化装备、智能监测与管理系统等。 同时，还需要加强对数据分析、人工智能和边缘计算等前沿技术的应用研究，以实现煤矿生产的智能化和数字化转型。

智慧矿山是指通过互联网、物联网、大数据、人工智能等技术手段，对矿山生产全过程实现智能化、自动化和网络化，从而提高生产效率、降低生产成本、提高安全性和可靠性。 随着信息技术的飞速发展，智慧矿山建设已经成为矿业行业的发展趋势，其中云计算在智慧矿山系统中起到了核心支撑作用。

然而，传统的云计算集中式矿山系统架构采用集中式控制的方式，通过复杂的通信网络来收集信息，并运用统一的云计算或控制中心来处理收集到的数据。 这种架构可以在整体系统中得到最优方案，但是对于分布式的矿山系统而言，仅依赖云计算技术已经无法确保信息传输的稳定性、准确性和及时性。 矿山系统具有波动性和不确定性等特点，一旦发生场景变化，传输大量数据的通信网络就容易受到干扰，导致时延增加，无法对问题进行及时发现和解决，从而对矿山系统安全稳定运行造成潜在威胁。

此外，集中式控制模式下，一旦某条通信线路出现故障，控制中心将无法获取矿山系统的整体信息和实施全局控制，依赖单一的通信可靠性低。 同时，集中式模式可拓展性较差，难以实现分布式设备的即插即用，不能满足矿山控制系统灵活性和机动性要求。 随着数据量的爆炸式增长，基于云计算的大数据处理也显露出许多不足之处，例如时延大、无法支持较大的移动性、数据传输开销、隐私数据损失和不同设备间连接限制［3，4］。 因此，随着智慧矿山建设的不断推进，边缘计算作为一种新型的计算模式，逐渐引起了人们的关注。

边缘计算是将计算和数据存储靠近数据源或数据使用者的一种计算模式，能够提供更快的数据传输速度和更低的时延。 在智慧矿山建设中，边缘计算可以通过在矿山边缘部署计算和存储设备，实现对矿山生产数据的实时处理和分析。 这种方式不仅可以减轻矿山网络数据传输的压力，提高矿山系统的稳定性和可靠性，还可以提高井下终端用户的体验，增强矿山指挥决策的灵活性和机动性。 同时，边缘计算还可以降低矿山能耗和成本，提高矿山生产效率和经济效益。

1 边缘计算的发展历史与技术特点

1.1 边缘计算的发展历史

边缘计算是在靠近物和数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的一种新型计算模型［5］。 “边缘”是指数据源和云数据中心之间路径沿线的资源和设备，尤其是在终端设备附近［6］。 通过以“Edge Computing”为关键词搜索每年的文献量，边缘计算的发展可以分为3 个阶段：技术储备期、快速增长期、稳定发展期。

‘2015 年之前’是边缘计算的技术储备期。边缘计算的出现最早可以追溯到1998 年Akamai公司提出的内容分发网络［7］（content delivery network， CDN）。 CDN 的本质就是将服务器布置在靠近用户端的一侧，使用户就近获取服务。 边缘计算这一概念最早出现在2003 年Akamai 与IBM的一份内部研究项目中，该项目提出“边缘计算”的目的和解决方案［8］。 微软亚洲研究院于2008年提出了边缘计算的概念［9］。 2013 年，诺基亚西门子通信技术有限公司和IBM 公司推出了一款在移动基站中运行应用程序的计算平台，这是首次使用“Edge Computing”描述边缘服务［10］。 2015年，戴尔、思科、微软、ARM、普林斯顿大学联合成立OpenFog 联盟。

随着物联网技术的发展，边缘计算在2015-2017 年得到了快速发展。 2015 年，欧洲电信标准协会发布边缘计算白皮书，阐述了边缘计算基本架构和实践技术。 2016 年，ETSI 提出多接入边缘计算，将边缘计算从电信蜂窝网络进一步延伸至其他无线接入网络（如Wi-Fi）［11］。 同年，华为、中科院沈阳自动化所、中国通信信息研究所、英特尔、ARM等机构牵头在北京成立了边缘计算产业联盟（Edge Computing Consortium ，ECC），目前其成员已突破200 家［12-14］。 2017 年，ECC 推出边缘计算参考架构2.0，包含业务动态调度、云端部署协调等解决方案。 2017 年，微软在西雅图举办的开发者大会上推出Azure IoT Edge［15］。 同年，亚马逊和AWS Greengrass 进入边缘计算领域，将AWE 云服务拓展至边缘终端［16］。

2018 年，边缘计算被推向前台，并被大众所熟知，边缘计算开始稳健发展。 同年，谷歌公司推出两款大规模开发和部署智能联网设备的产品：云端芯片Edge TPU 和软件Cloud IoT Edge，促进了基于人工智能的解决方案的部署［17］。 2019 年，边缘计算得到广泛关注，尤其是国内多家科技公司投入更多研发力量：1 月百度发布中国首款智能边缘计算产品［18］；7 月阿里云发布国内首个全域边缘节点服务［19］；8 月中国电科发布用于神经网络边缘计算的“海雀”处理器［20］，腾讯云推出物联网边缘计算平台［21］；11 月华为发布边缘计算服务器［22］。

2020 年，随着5G 网络建设的稳步推进，迎来了5GMEC 的发展。 1 月，微软和AT＆T 合作推进5G 边缘计算服务；3 月，GSMA 发布了《5G时代的边缘计算：中国的技术和市场发展》报告；6 月，中国电信和中兴打造了国内首个5G 边缘计算智能节点；8 月，中国信息通信研究院、中国移动、中国电信、华为等八家EdgeGallery5G 边缘计算开源项目创始成员发布业界首个5G 边缘计算开源平台Edge Gallery；10 月，腾讯首个5G 边缘计算中心对外开放。 2021 年，由北京邮电大学、华为云、中国移动研究院、北京大学联合研发的首颗云原生边缘计算卫星顺利升空并在轨稳定运行，标志着卫星进入云原生时代。如今，边缘计算正在极大地吸引研究人员的兴趣，各行各业也在逐渐引入边缘计算架构，未来将大力推动各行业智能化发展。 图1 显示了从1996 年到2022 年每年边缘计算论文的发表数量，展现边缘计算的研究不断增长的趋势。

图1 1996-2022 年边缘计算论文发表量

表1 边缘计算发展历程

1.2 边缘计算的技术特点

虽然边缘计算是基于云计算发展而来，但是与云计算并非替代关系，而是对云计算的补充和拓展。 它可以为终端设备提供更加便捷、个性化的服务，提高当前各领域关注的关键指标。 边缘计算具备以下技术特点，可很好地弥补云计算的不足，解决云计算在当前数据量爆炸式增长下面临的挑战。

（1） 实时性（低时延）：边缘计算的部署使得智能边缘节点能够更快速地对数据进行处理并作出决策，而不必依赖云端的计算资源。 将人工智能算法部署在边缘节点，智能边缘节点对采集到的数据进行预处理，不再需要将海量的数据上传到云端，从而极大地减少了边缘设备与云端之间的数据传输量和通信频次，降低了数据传输和远程计算所带来的网络时延，提升实时响应速度，并改善用户的体验。 这对于实时性要求较高的应用场景非常重要，如智能交通、工业自动化、智能安防等。

（2） 精确性（准确率高）：边缘侧对采集到的数据进行前端智能处理，通过过滤大量数据，提取出关键信息和有价值的数据特征，这种处理方式有效地将数据的处理和分析推向了数据源头，有效地减少了需要传输和处理的数据量，提升了数据传输和处理的准确性。 它能够在边缘设备上对数据进行实时的融合、过滤和提炼，将更有价值的数据传输和处理，为后续的应用和决策提供更准确、可靠的数据支持。

（3） 能耗性（降低能耗）：边缘计算技术采用分布式架构，将数据处理任务分散到靠近数据源的边缘节点上。 这种架构能够在边缘节点上进行前端过滤、计算和分析，将处理功能尽可能地靠近数据产生的地方。 这样做使可以避免将大量数据传输到中心化的数据中心进行处理，减轻了数据中心的计算负担。 边缘计算技术还通过资源调配策略来优化终端设备与云端之间的数据流量。 根据实时需求和网络状况，边缘计算可以动态地调整数据流量的分配，使得只有必要的数据才被传输到云端进行处理，减少了不必要的数据交换。这样做使整个计算系统的数据处理成本和设备能耗得以降低。

（4） 安全性（安全和隐私保护）：边缘计算位于用户侧，专注于自身范围内的任务，并在边缘侧处理数据。 它将涉及隐私、原始和关键性的数据存储在本地，无需上传到云端，仅实时上传分析结果和统计数据。 这种方式避免了网络传输可能带来的风险，如数据泄露或劫持。 此外，边缘计算还可以减轻数据中心受到攻击后影响全部数据的风险，因为只有部分数据存储在边缘节点上，这种做法保护了数据的安全性，即使发生数据中心受到攻击，也仅影响部分数据而不是全部数据。

（5） 智能化（适应情景变化）：将人工智能部署在具有一定计算能力的边缘终端，使其具备智能化处理部分计算任务的能力，能够有效减轻云中心的任务处理压力。 智能化边缘终端还具备适应性，可以在场景发生变化时保持正常工作。 它们可以根据实时情况灵活调整计算策略和算法模型，以满足不同环境下的需求。 当场景发生变化时，智能化边缘终端还能够适应场景变化，保持正常工作，提高系统可靠性，并发挥集中式与分布式计算的双重优势。

2 边缘计算应用于智慧矿山的优势

当前，矿山通信信息系统存在网络信号差，井下信号覆盖不全和通信质量差等问题。 对于井下这种场景多变的工作面，无法保证各个部门之间以及工人携带通信设备之间的通信实时性与稳定性，会给矿山安全生产工作带来巨大的信息滞后性，也降低终端使用便捷性。 当发生意外事故时，通信不顺畅会给被困人员的生命安全构成威胁，并增大救援难度。 边缘计算能够重新定义井下各节点与中心服务器的关系，可以覆盖井下工作指挥、资源调度管理、事故预警等各个环节，成为未来智慧矿山整体系统架构的重要支撑。 其主要优势如下：

2.1 减轻矿山网络数据传输压力

煤矿井下开采区域范围广、巷道呈长距离带状拓扑，终端智能设备较多，数据量大且数据的复杂性程度高。 相比于云计算，边缘计算更加接近数据源，能够在边缘节点执行数据的存储和分析任务。 通过在井下布置具备深度学习（DL）算法的边缘计算节点，可以第一时间对井下各种传感器和终端设备获取的大量数据进行存储、分析和反馈。 这种方式能够有选择地卸载和上传有价值的信息，从而中间数据传输的过程，能够极大地减轻矿山网络传输压力，为矿山安全生产提供重要的支持。

2.2 提高井下终端用户体验

井下终端设备较多，对实时性的要求较高。边缘计算贴近用户，为用户提供各种快速响应服务，可以很好地降低时延，确保指令的实时处理。针对井下应急救援、矿车自动驾驶、自动导引运输车辆（Automated Guided Vehicle，AGV）及各类井下机器人［23］等时延敏感类业务，引入边缘计算能够做出快速反馈，使得井下的终端设备能够及时响应用户的指令并进行相应的操作，提高了业务处理的效率和准确性，可以极大提升井下终端用户业务体验。

2.3 提高矿山指挥决策的灵活性

在井下部署具备边缘计算能力的设备，可以实现指挥终端接收井下场景变化情况而不是原始数据，从而辅助指挥终端做出准确判断，提高应急救援能力。 通过给井下装备具备边缘自主性的设备，一些情况下无需占用更高级别的决策资源，可以进行自主的信息处理，突显了分层决策的能力，提升了矿山指挥的灵活性。 井下搭载人工智能（Artificial Intelligence， AI）算法的边缘节点也可以根据井下实时数据进行分析和自适应学习，适应井下场景变化，而无需人员手动调整，提高了矿山指挥的灵活性和效率。

2.4 应对井下情景变化的机动性

在井下发生火灾、透水、坍塌等应急情景变化时，借助边缘计算能够更快地构建应对策略。 当网络发生波动时，可以放弃某些节点的协同，只保持必要的状态通信，这些边缘节点可以依靠自身或者邻近的边缘计算资源顺利完成任务。 即使在运算或者边缘服务器遭到破坏时，这些节点仍可以进行独立工作，确保井下系统的正常运行，提高井下机动性和应急能力。

2.5 降低矿山能耗和成本

边缘计算可以充分利用当地现有网络和边缘设备空闲储存与计算资源，通过对数据进行过滤、计算和分析，减少数据传输量，降低网络带宽负载，从而有效降低矿山本地设备的能耗。 边缘计算在生产环境中可以实现“小规模”部署，依托于就近的边缘设备进行数据处理和计算。 相比于在本地设备中处理数据，边缘计算可以降低成本，提高效率，并且更加灵活适应矿山的需求。 这为矿山带来了更高的能源效率和经济效益。

3 边缘计算在智慧矿山应用前景

3.1 关键技术

当前，面对潜在的灾害威胁，急需运用新技术和新方式来对传统的矿山系统进行智能化改造，提高安全系数、降低人力成本。 然而，现有的云计算解决方案暴露出诸多问题：云计算需要终端将数据上传至云端处理，然后再将结果下发到终端，导致网络通信时延较高，无法对矿山的诸多设备进行实时控制，也无法对大量的数据进行实时分析和处理。 此外，云计算方案中数据在云端和终端之间频繁传输，导致网络流量过大、矿山数据处理成本和能耗增加；云计算还对带宽、环境要求较高，难以进行广泛部署。 边缘计算可以很好解决这些问题。

由于传统矿山信息系统存在设备老化、技术更新不及时等问题，矿山在构建边缘计算架构和实现边缘设备智能化方面仍然面临许多挑战。 通过对矿山信息系统相关技术的研究分析，本节总结出了边缘计算应用于矿山需要着重研究的边缘计算关键技术，如图2 所示。

图2 边缘计算应用于矿山关键技术

（1） 计算卸载。 计算卸载是一种将计算任务从资源受限的移动设备迁移到附近的资源丰富的基础设施上的技术。 它解决了移动设备在资源存储、计算性能和能源效率方面的不足。 对井下机器人和移动终端设备，可以通过边缘卸载技术将计算任务全部或部分迁移到就近的边缘服务器上执行。 这样可以提升井下移动终端设备计算能力和续航时间等方面的性能。 借助移动终端设备的代码解析器、系统解析器和卸载决策引擎等工具，可以制定智能的边缘卸载策略，以应对井下不同场景的需求。 通过减少时延和降低能耗，计算卸载技术能够有效改善移动设备的计算体验。

（2） 流动性管理。 在井下矿山环境中，由于场景的变化、实时数据监控和井下工作人员的高流动性，要求云计算中心和边缘侧具备高效的资源分配能力，以实现云边协同响应。 这样可以使得矿山的各个边缘节点、终端设备和角色能够充分利用系统资源。 流动性管理是关键，其中包括资源发现和资源切换。 资源发现旨在确保移动中的终端用户能够快速发现周围可用的资源，并选择最适合的资源。 边缘计算中的资源发现需要同时考虑用户资源发现的速度和应用程序提供服务的连续性。 通过有效的资源发现机制，用户可以及时获取到所需的计算资源，从而满足其需求。资源切换是指当用户移动时，移动应用程序可以在多个设备之间切换使用计算资源。 边缘计算的资源切换可以将相关服务移动到不同的站点，以保证服务的连续性。 通过实现高效的资源分配和无缝的服务切换，矿山系统可以满足不断变化的需求，并确保各个角色和终端设备充分利用系统资源，提高矿山的工作效率和响应能力。

（3） 模型压缩。 为了实现边缘设备的智能化，需要应用大量的人工智能（AI）模型。 例如，在矿井环境中，可以采用深度神经网络（DNN）模型来适应场景变化或识别火焰等任务。 然而，由于AI 模型通常较大且计算复杂，边缘设备的存储资源有限。 因此，需要考虑采用模型压缩技术来解决这个问题。 一种方法是通过网络剪枝和量化，转移／压缩卷积滤波器以及进行知识提取等方式来压缩模型。 这些技术可以从一个过度参数化的大模型中学习出一个小巧而紧凑的模型，以适应边缘设备的资源限制。 通过模型压缩技术，可以将大型的AI 模型转化为在边缘侧能够运行的小型模型。 这样，边缘设备就能够高效地进行智能决策和数据处理，而无需过多的存储和计算资源。 这种边缘侧的智能化能够提高系统的响应速度，降低网络传输延迟，并减少对云端的依赖。

（4） 边缘高速缓存。 矿井在维持日常工作时，井下探测和监测设备需要频繁地读取相关内容，将内容提前缓存到分布式节点，设备可以就近获取内容，从而大大减少查询和部署时延，避免内容的重复传输，缓解网络压力，同时可以提高用户体验度。 基于预测算法建立预测模型，制定智能应对矿山场景变化的边缘卸载策略，可以提高内容分发效率，降低带宽占用。 这将有助于改善矿井工作的实时性和效率，提升矿山运营的整体水平，并提供更好的用户体验。 Tran T X 等人［10］提出了协作的边缘缓存方式，同步进行边缘缓存和边缘处理，从而提高缓存的性能，减少数据的传输。

（5） 数据安全和隐私保护。 边缘计算为分布式架构，边缘计算架构中的边缘设备越智能，就越容易成为恶意攻击的目标。 传统的数据安全保护方法和复杂的加密算法在边缘计算环境下可能不再适用。 联邦学习（Federated Learning ，FL）是一项新技术，可以描述为分布式人工智能学习，基于保护匿名性的多方机器学习［24］，它分散性地保护隐私。 联邦学习方案中用户与云服务器无需进行用户数据传输，因为在本地使用数据训练模型，用户只需将训练结果上传到中央服务器，所以联邦学习中每个参与者传输的不再是原始数据，而是经过训练的子模型。 中央服务器会分析来自参与者的模型，融合它们并生成最优模型，然后将最优模型下发给各个边缘设备进行更新，从而增强了边缘设备的安全性和隐私保护能力。

3.2 智慧矿山边缘计算平台系统架构

要实现智慧矿山的建设，关键在于构建云边协同、数据交互、实时监控和快速响应的边缘计算平台系统。 参考目前发布的Edge X Foundry 和Kube Edge 开源平台架构设计提出构想，设计了一种煤矿边缘计算系统的整体架构，其中边缘计算平台由云、边、端三层架构构成，以下介绍各层的功能以及组成如图3 所示。

图3 智慧矿山边缘计算平台系统架构

首先是云层，云服务器拥有强大的计算以及储存能力，负责算法训练、数据分析和边缘节点基础设施管理以及图像处理、大数据分析，提供设备管理、资源调配管理、模型训练等功能。 此外云层可以永久性保存边缘层的计算报告，完成边缘层无法完成的全局信息处理任务和无法处理的分析数据任务。

其次是边缘层，边缘层主要负责对井下监控数据的采集、分析和传输。 它连接了底层的各种设备和上层的云服务，起到了桥梁的作用。 边缘层由边缘节点和边缘管理器两部分组成。 边缘节点是部署在整个架构边缘的硬件设备，包括边缘服务器、边缘控制器、边缘网关等。 这些设备具备计算、网络和存储资源，在边缘层承担数据采集和前端处理等功能。 边缘节点通过与各种终端设备连接，将其采集到的数据进行处理并传输给上层的云服务进行进一步分析和应用。 边缘管理器是边缘层的另一重要组成部分，它负责对边缘节点进行管理和协调。 边缘管理器是以软件的形式管理边缘节点的状态、资源利用情况等，并根据需要进行任务调度和资源分配，以保证边缘层的高效运行。

最后是端层，端层由井下各种终端设备组成，端层的主要功能包括实时监控、井下日常工作维护以及煤炭运输等任务。 它采集原始数据，并将数据上传到边缘层进行储存和计算。 整体架构由模型驱动统一服务的框架，实现了自动化控制、分析和优化。

4 基于边缘计算智慧矿山解决方案

关于边缘计算的具体应用有很多讨论，但是在煤矿中应用边缘计算的工作却很少，本文对边缘计算在煤矿中的研究应用进行了调研，详细分析了边缘计算在煤矿中的应用研究的相关文章。发现目前在煤矿监测监控体系中应用边缘计算的研究相对较多，结合上述对边缘计算应用于矿山的优势、关键技术以及架构等方面的阐述，本节将对边缘计算应用于矿山安全监测监控系统的具体场景解决方案进行分析。

4.1 业务场景

矿山安全监测监控系统是一种用于实时监测和控制矿山环境的系统，主要用来监测矿山甲烷浓度、温度、湿度、矿尘浓度等重要指标，实现重要指标超限报警并执行相应安全保护措施的系统，起到安全避险的预警作用。 国内外研究表明，做好对危险源的有效监控和预警工作可以有效降低事故的发生概率。 采矿属于高危行业，井下场景复杂，监控监测设备复杂繁多，数据处理任务复杂，产生庞大的数据量，对数据的实时性处理要求较高。

矿山安全监控监测系统通常包括环境监测系统和工况监测系统两个主要部分，每个系统又由一些子系统组成（如图4 所示）。 比如，环境监测系统包括瓦斯危险报警系统和火灾危险报警系统等部分，而工况监测系统则包括皮带机异常监测系统和综采面监测系统等部分。 环境监测系统是用于实时检测和监控矿井内环境因素的子系统。工况监测系统则是用于监测和控制矿井内工作状态的子系统。 通过环境监测系统和工况监测系统的协同工作，矿山安全监测监控系统能够全面监控和控制矿井的环境因素和工作状态，及时发现异常情况并采取相应的预警和措施，以保障矿山的安全和生产的正常进行。 这些子系统在整个系统中扮演着重要的角色，共同构建起了一个全面而可靠的矿山安全监测监控系统。

图4 矿山监控监测系统种类

传统的矿山安全监测监控系统采用集中式控制，系统分为地面工作站和井下工作站。 地面工作站由若干计算机组成，对整个监控系统进行控制。 井下各工作站负责多路传感器数据的采集和驱动相应的执行机构并让信号转换成易于传输的信号传输到地面中心计算机，地面中心计算机对数据进行处理、存储和分析并发布命令传输到相应执行机构，比如控制声光报警、断电、井下LED显示等机构的运行。 这种架构的优势是将多个节点接入到中心节点，结构简单。 但是系统的最关键的部分是中心计算机，一旦中心工作站和网络通道出现问题，就可能会导致整个系统的瘫痪，给井下工作人员带来安全隐患。

4.2 边缘计算解决方案

针对矿山安全监测监控系统存在的不足，目前大多数的解决方案是构建云平台，实现数据的远程实时监控。 该方案将采集到的照片、视频信息和数据传输到服务器进行处理和分析。 然而，这种方式会导致数据传输量大，占用了较大的网络资源，并且在云端与终端的传输产生时延，无法及时传输重要指令。 基于边缘计算的解决方案可以很好弥补这些不足之处，边缘计算的特点是分布式，分布式系统易于拓展，适合在矿井中搭建，系统由分布在不同地理位置上的多个服务器相互配合协作，实现对矿山各个部分安全的监测监控。同时，该系统的各个部分采用并联方式，即使任意一个部分发生故障，也不会影响整个系统的正常运行。

在该解决方案中，边缘网关和边缘控制器与所有边缘监测监控设备连接，同时边缘节点集成了人工智能模块。 这样可以对区域终端监控监测设备采集到的数据实现就近分析和处理，并将异常结果传输到服务器，从而减少大量无效数据的传输。 当边缘服务器遭到破坏或者网络中断时，离线状态下的边缘节点可以独立运行，执行相应的应急处置策略。 另外，边缘网关和边缘控制器的另一端连接到云端，通过借助云端更强大的计算能力，云端可以根据数据进行深度学习，建立深度学习模型，并定时更新边缘节点深度学习模型，不断提升边缘节点的智能化水平，增强安全监测监控能力，从而提升矿山安全监测监控系统的整体性能和效果。

以下是一些目前基于边缘计算的矿山安全监测监控体系应用解决方案，屈世甲等［25］结合Edge X Foundry 平台架构，设计了煤矿安全监测系统边缘网关的整体架构。 通过运用该架构，将原有的火灾9 步处理流程优化为4 步处理流程，分析得出基于边缘计算的监测监控体系在系统井下深度融合、区域安全融合分析和处置方面相比较现有监测监控体系都有一定的优势。 文献［26］ 中使用软件定义网络（SDN） 和容器（Docker）技术，成功搭建了边缘计算网络模型，并使用所搭建的边缘计算平台，将其与Zigbee 技术结合实现了矿山环境控制系统。 该系统可以充分使用边缘网络的计算和存储资源来实现矿山内部环境的监测和控制，更好地保证系统的实时性和安全性，保证矿区的工作效率和安全系数。 徐鹏等［27］构建了基于边缘计算的煤矿井下皮带异物检测系统，对皮带异物进行实时视频检测。 结果表明，该系统具有良好的实时性以及较高的准确性，可为煤矿企业安全生产提供有效保障。 针对工作面现有甲烷监测点不足，无法满足智慧矿山建设中工作面甲烷感知、分析和预警需求的问题，建立了基于边缘计算的甲烷边缘监测模式的系统架构，解决了工作面区域基于边缘计算的甲烷感知和传输问题［28］。

通过对目前的矿山安全监测监控体系和基于边缘计算的矿山安全监测监控系统进行比较分析，我们可以得出以下结论：基于边缘计算的安全监测监控系统在数据处理、安全监控和设备融合等方面具有显著的优势。 边缘计算可以有效提高安全监测监控体系的实时性、高效性和安全性，为矿山安全管理提供更加可靠和智能的解决方案。

5 矿山智能化发展建议

通过上述对边缘计算的概念、架构、关键技术以及具体应用场景的阐述，我们可以看到边缘计算在智慧矿山建设中起到的重要作用，它有助于智慧矿山各个部分的融合，实现对矿山的精确化和智能化管理。 然而，尽管边缘计算在学术和工业架构中不断进行改进和研究，但是目前边缘计算还处于技术膨胀期，在设备异构性、设备可拓展性、网络资源分配以及如何保障网络安全等方面仍然面临着很多的问题和挑战。 矿山中存在大量设备和网关，这些边缘节点具有多种不同形式的固件、操作系统、软件和虚拟机。 而且，这些节点来自不同的厂商，需要各个厂商进行管理和维护。这种高度异构的环境给排除故障、更新设备和维护网络安全带来了很大的挑战，也增加了成本和工作量。 综上所述，在智慧矿山整体系统实施过程中，提出了以下建议：

（1） 制定矿山边缘计算技术相关标准和协议。 目前边缘计算联盟、Linux 基金会、欧洲电信标准化协会等组织接连发布边缘计算架构，可见各科技公司对边缘计算的重视程度。 我们应该积极推进多方合作，寻求跨厂商的互联互通，开展多部门和多领域之间的合作，解决面临的实际问题，并尽早制定较为全面的边缘计算技术标准和规范，各个厂商可以按照这些标准和规范进行设备设计和配套，实现边缘计算与矿山的无缝衔接。此外，标准化还有助于提高系统的互操作性，使得不同供应商的设备和节点能够更好地互相通信和协作。 通过多方合作和积极推动标准化进程，我们可以加速边缘计算与矿山的融合，实现智能化保障，并促进整个行业的发展。

（2） 研发异构边缘设备协同技术。 矿山边缘设备数量庞大且种类繁多，不同设备在不同场景下可能有不同的运用方式。 为了解决这个问题，边缘计算需要一个统一的虚拟化平台来模拟实际情况，并完善其中的仿真机制，供研究人员试验、仿真、测试，以评估边缘计算在不同场景下的可行性。 而不是直接用于边缘设备，以此降低成本，以便统一设备之间的异构性，实现不同厂商、不同领域之间的边缘协同。 IoT Sim-Edge［29］是目前最完整的工具，但仍然缺乏仿真机制的实现。 因此，我们需要进一步完善仿真机制，以更好地支持矿山边缘计算的研究和应用。

（3） 加强安全保障。 在边缘计算网络的高度异构性下，不同的设备和应用程序对安全性的要求也不同。 因此，在矿山边缘计算架构中，必须研发涵盖云、边、端各环节的身份管理、访问控制、数据传输安全保护机制，以维护矿山边缘计算架构各层实体资产以及网络安全。 对联邦学习、深度学习模型优化、模型裁剪等技术深入研究，能够制定针对矿山不同场景的系统安全保障方案，确保矿山边缘计算的安全可靠性。

6 结论

（1） 本文介绍了边缘计算的概念以及发展历程，并分析了其技术特点、典型架构和发展趋势。通过调研和分析，认为边缘计算可以为智慧矿山的建设提供助力。 同时，本文总结了边缘计算在智慧矿山中的优势，并归纳了相关关键技术，提出了一种智慧矿山边缘计算系统架构。

（2） 本文分析了传统矿山安全监测监控体系和基于边缘计算的矿山安全监测监控体系的不同处理流程。 认为采用基于边缘计算的监测监控体系可以有效提高实时性、高效性和安全性。

（3） 根据目前边缘计算存在的问题和挑战，提出了矿山智能化发展的建议。 希望这些建议能够推动智慧矿山的建设，并为进一步研究矿山边缘计算的理论、技术和工程应用提供参考。