人工智能在煤礦安全監(jiān)控領(lǐng)域的研究進(jìn)展

＊王子良 李作淘 闞朝東

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

引言

智能煤礦是將人工智能、大數(shù)據(jù)、工業(yè)物聯(lián)網(wǎng)等新一代信息技術(shù)與傳統(tǒng)采礦相融合，進(jìn)而為生產(chǎn)保障、安全監(jiān)控、智能控制等提供服務(wù)。2020年2月，由國家發(fā)展改革委、能源局等8部委聯(lián)合印發(fā)了《關(guān)于加快煤礦智能化發(fā)展的指導(dǎo)意見》，將推動智能化技術(shù)與煤炭產(chǎn)業(yè)融合發(fā)展，標(biāo)志著煤礦智能化建設(shè)全面展開。隨著技術(shù)的進(jìn)步，系統(tǒng)設(shè)備不斷增多，其相互協(xié)調(diào)與配合關(guān)系愈加復(fù)雜，任何設(shè)備故障或異常都將影響生產(chǎn)安全及生產(chǎn)效率[1]。隨著人工智能技術(shù)的發(fā)展，智能煤礦建設(shè)應(yīng)實現(xiàn)人工智能的核心要素[2]，這在煤礦安全監(jiān)控系統(tǒng)中具有重要的意義。

近年來，隨著理論算法的不斷創(chuàng)新和計算機(jī)硬件計算能力的迅速提升，人工智能技術(shù)迎來了跨越式發(fā)展。人工智能經(jīng)歷了從知識驅(qū)動方法、數(shù)據(jù)驅(qū)動方法到目前將知識和數(shù)據(jù)結(jié)合起來的人機(jī)融合智能時代三個階段。2006年Hinton[3]提出了“深度學(xué)習(xí)”的概念，為訓(xùn)練和優(yōu)化深層結(jié)構(gòu)提供了解決方法，打破了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的瓶頸，奠定了全新神經(jīng)網(wǎng)絡(luò)架構(gòu)，在計算機(jī)視覺、自然語言處理、數(shù)據(jù)挖掘等領(lǐng)域被廣泛應(yīng)用。隨著卷積神經(jīng)網(wǎng)絡(luò)層數(shù)的不斷增加，不僅消耗大量的計算資源，而且容易產(chǎn)生梯度消失和梯度爆炸。2015年由何凱明[4]構(gòu)建實現(xiàn)的深度殘差網(wǎng)絡(luò)憑借優(yōu)異的模型性能獲得了ILSVRC競賽的第一名。該網(wǎng)絡(luò)采用了恒等映射對不同的非線性層進(jìn)行跨層式的連接，從而能夠使參數(shù)的訓(xùn)練更有效率，深度殘差網(wǎng)絡(luò)在近些年贏得了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。

隨著對卷積神經(jīng)網(wǎng)絡(luò)研究的不斷深入，基于深度學(xué)習(xí)的目標(biāo)檢測方法得到了快速發(fā)展，可以分為基于回歸的目標(biāo)檢測方法和基于候選區(qū)域的目標(biāo)檢測方法兩大類?；诤蜻x區(qū)域的目標(biāo)檢測方法是分為獲得感興趣的區(qū)域和進(jìn)行目標(biāo)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?；诨貧w的目標(biāo)檢測方法直接預(yù)測定位和類標(biāo)簽，稱為一階段檢測方法，將兩個任務(wù)融入進(jìn)一個神經(jīng)網(wǎng)絡(luò)中完成，因此減少了網(wǎng)絡(luò)的運行時間。兩階段的目標(biāo)檢測方法的檢測準(zhǔn)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(shè)備中部署應(yīng)用的時候，其目標(biāo)檢測速度往往不能達(dá)到實時性要求，此時一階段目標(biāo)檢測方法應(yīng)用更為廣泛。

1.人工智能在煤礦安全監(jiān)控領(lǐng)域的研究現(xiàn)狀

(1)礦井人員檢測

為提高煤礦安全生產(chǎn)監(jiān)督能力，將煤礦安全管理由事后追責(zé)變?yōu)槭虑邦A(yù)警，需要對工作人員的不安全行為、重點區(qū)域人員入侵等現(xiàn)象進(jìn)行準(zhǔn)確識別，從而對這些異常行為進(jìn)行及時預(yù)警，這對于減少事故的發(fā)生起著重要作用。為了對礦工不安全行為進(jìn)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(jìn)行獲取，采用深層遷移學(xué)習(xí)方法實現(xiàn)對礦工行為識別模型的訓(xùn)練，滿足了皮帶區(qū)礦工不安全行為檢測的需要。李春賀在YOLOv3模型的基礎(chǔ)上融入了注意力機(jī)制[11]，設(shè)計了一種提取特征能力更強(qiáng)、參數(shù)更少的輕量化網(wǎng)絡(luò)，具有較快的檢測速度。針對由于標(biāo)注數(shù)據(jù)樣本不足導(dǎo)致網(wǎng)絡(luò)模型性能下降的問題，趙亮設(shè)計的深度神經(jīng)網(wǎng)絡(luò)提取并融合圖像顯著特征[12]，實現(xiàn)了基于弱監(jiān)督深度學(xué)習(xí)的選煤生產(chǎn)過程不安全行為檢測。李納森在YOLOv3模型的基礎(chǔ)上提出了P-YOLO方法[13]，將卷積通道按照權(quán)重大小進(jìn)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(wǎng)絡(luò)的運行速度，達(dá)到了較好的效果。王國新等將注意力機(jī)制引入到Y(jié)OLOv4－tiny網(wǎng)絡(luò)中，采用局部跨信道交互策略和自適應(yīng)選擇一維卷積核大小的方法[14]，從而提高了輕量型網(wǎng)絡(luò)的檢測性能。石永恒等對自建安全帽數(shù)據(jù)集進(jìn)行預(yù)處理后，使用YOLOv3模型進(jìn)行訓(xùn)練，獲得一個較穩(wěn)定的模型，能夠?qū)ΦV井作業(yè)人員是否佩戴安全帽進(jìn)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(yè)人員吸入過量粉塵而導(dǎo)致職業(yè)性塵肺病的情況，崔鐵軍等將YOLOv4算法、MTCNN和FaceNet構(gòu)成的人臉識別算法相結(jié)合[16]，對煤礦工人佩戴防塵口罩情況進(jìn)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(jìn)行改進(jìn)，在此基礎(chǔ)上提出了一種融合注意力機(jī)制的無監(jiān)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(shù)和網(wǎng)絡(luò)層數(shù)的方法對Unet算法結(jié)構(gòu)進(jìn)行改進(jìn)，從而提高了檢測速度，符合實時精準(zhǔn)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(gòu)建3D視聽卷積神經(jīng)網(wǎng)絡(luò)，最后將同一時間內(nèi)連續(xù)的聲譜圖和多幀輸送帶損傷圖像輸入卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)輸送帶損傷的不同狀況自動進(jìn)行特征提取和融合，使輸送帶縱向撕裂整體識別率高達(dá)97%。胡江迪采用YOLOv3模型和輔助線激光相結(jié)合的方法實現(xiàn)礦用輸送帶縱向撕裂檢測，在井下低照度環(huán)境下識別準(zhǔn)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(wǎng)絡(luò)的皮帶跑偏檢測方法，對目標(biāo)邊界特征要求較低，檢測識別準(zhǔn)確率相對更高。呂志強(qiáng)利用改進(jìn)后的Faster R-CNN進(jìn)行皮帶運輸異物識別[20]，選擇VGG16作為特征提取網(wǎng)絡(luò)，對矸石和鐵器識別的召回率分別達(dá)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(yīng)于邊緣計算設(shè)備的Fire-Dense-YOLO檢測算法[21]，通過加入8層fire模塊以減少參數(shù)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(xiàn)了更快、更準(zhǔn)確的煤礦井下皮帶異物檢測。朱彥存提出了基于深度學(xué)習(xí)的零參考深度曲線估計圖像增強(qiáng)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(biāo)檢測方法，對煤矸石和鐵器的檢測準(zhǔn)確率分別達(dá)到98.4%和95.5%，滿足了實時性和準(zhǔn)確性的需求。

(3)設(shè)備故障診斷

采煤機(jī)是煤礦開采過程中的核心設(shè)備，由于受工作環(huán)境的影響其在運行過程中易發(fā)生故障。雷一楠利用灰色關(guān)聯(lián)分析法構(gòu)建了采煤機(jī)健康狀態(tài)評估指標(biāo)體系[23]，建立了基于組合賦權(quán)法的采煤機(jī)健康狀態(tài)評估模型，結(jié)合人工蜂群算法多目標(biāo)優(yōu)化的優(yōu)勢，提出了改進(jìn)DBN的健康狀態(tài)識別模型，為準(zhǔn)確判斷采煤機(jī)的狀態(tài)提供了有效的識別方法。為實現(xiàn)對采煤機(jī)搖臂齒輪箱中的齒輪和軸承進(jìn)行故障診斷，王萌構(gòu)建了深度殘差網(wǎng)絡(luò)故障診斷模型[24]，診斷結(jié)果可以精準(zhǔn)確定故障類型和位置，故障診斷的準(zhǔn)確率可以達(dá)到99.6%。

礦井提升機(jī)是煤礦企業(yè)廣泛使用的重要設(shè)備，而滾動軸承是礦井提升機(jī)中的核心部件，其良好運行是保證提升機(jī)正常工作的關(guān)鍵。針對無噪聲的軸承振動數(shù)據(jù)，馬輝提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的雙層次故障診斷算法，可實現(xiàn)精準(zhǔn)的故障檢測[25]。對實際噪聲較大以及機(jī)械運行負(fù)載變化的問題，提出了一種基于域適應(yīng)批標(biāo)準(zhǔn)化的雙層次神經(jīng)網(wǎng)絡(luò)故障診斷算法，可以完成在復(fù)雜工作環(huán)境中的提升機(jī)軸承故障診斷任務(wù)。針對礦用帶式輸送機(jī)易發(fā)生堆煤故障的問題，藺康利用煤與背景的灰度差對圖像進(jìn)行閾值分割[26]，從而選取出物料區(qū)域，然后通過形態(tài)學(xué)處理去除干擾，最后根據(jù)堆煤檢測的預(yù)警閾值線和報警閾值線判斷帶式輸送機(jī)是否發(fā)生了堆煤故障。

(4)礦井瓦斯?jié)舛阮A(yù)測

為保障煤礦安全生產(chǎn)，提高礦井瓦斯?jié)舛阮A(yù)測的準(zhǔn)確性具有重要意義。賈澎濤等應(yīng)用隨機(jī)森林和Hilbert-Huang變換方法對瓦斯監(jiān)測數(shù)據(jù)進(jìn)行預(yù)處理[27]，然后采用經(jīng)過粒子群優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行空間特征提取，最后構(gòu)建了PSO-CNN-aBiGRU瓦斯?jié)舛阮A(yù)測模型，該模型有效提高了瓦斯?jié)舛阮A(yù)測精度。付華等對LSTM模型進(jìn)行了改進(jìn)，引入Softsign函數(shù)更好地解決梯度問題[28]，使網(wǎng)絡(luò)收斂更快且不容易出現(xiàn)飽和，針對LSTM中存在較多超參數(shù)的問題，結(jié)合量子粒子群算法對其進(jìn)行優(yōu)化，并利用核主成分分析對測量指標(biāo)降維，與ELM、PSO-SVM、PSO-BP以及GRU模型對比，得到改進(jìn)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(gòu)建瓦斯單變量及多變量預(yù)測模型[29]，研究了氧氣、一氧化碳、二氧化碳、溫度以及風(fēng)速因素對瓦斯?jié)舛融厔葑兓挠绊?，設(shè)計長短期記憶網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)融合結(jié)構(gòu)預(yù)測瓦斯?jié)舛茸兓厔?，該系統(tǒng)的研發(fā)及驗證工作已經(jīng)完成，并且部署在實際煤礦生產(chǎn)環(huán)境中試運行，結(jié)果表明該系統(tǒng)增強(qiáng)了瓦斯監(jiān)控的預(yù)警能力，具有較強(qiáng)的應(yīng)用價值。王智鵬對影響工作面瓦斯?jié)舛鹊囊蛩剡M(jìn)行分析[30]，在GRU模型的基礎(chǔ)上進(jìn)行了優(yōu)化，結(jié)合粒子群算法建立了PCA-PSO-GRU模型，并將該模型與Kafka系統(tǒng)和RDD數(shù)據(jù)集相結(jié)合，建立了基于Spark Streaming瓦斯?jié)舛阮A(yù)警框架，預(yù)警準(zhǔn)確率達(dá)到了90%以上，為瓦斯災(zāi)害防治和礦井安全生產(chǎn)提供了支持。

2.存在問題及未來研究方向

雖然現(xiàn)階段圖像識別、目標(biāo)檢測方法取得了很大的進(jìn)步，但是在煤礦安全監(jiān)控領(lǐng)域人工智能技術(shù)起步較晚，在技術(shù)研發(fā)以及應(yīng)用過程中都存在瓶頸問題。首先，具有數(shù)量足夠多的訓(xùn)練樣本是深度學(xué)習(xí)的前提條件，然而搜集數(shù)據(jù)樣本及進(jìn)行標(biāo)注需要大量的人力和時間，并且異?；蚬收系葦?shù)據(jù)相對數(shù)量較少，存在正負(fù)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(gòu)建性能優(yōu)良的深度神經(jīng)網(wǎng)絡(luò)是實現(xiàn)良好檢測效果的關(guān)鍵，但是由于缺少理論支撐，在訓(xùn)練過程中需要不斷優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)并且要做大量的調(diào)參試驗，整個過程耗時耗力，同時容易出現(xiàn)欠擬合或者過擬合的現(xiàn)象。很多性能優(yōu)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(chǎn)生很大的影響，而煤礦安全監(jiān)控對模型預(yù)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(shè)備部署應(yīng)用時面臨著諸多困難。

針對以上眾多瓶頸問題，進(jìn)一步深入研究弱監(jiān)督或者無監(jiān)督機(jī)器學(xué)習(xí)方法，逐步減少人工標(biāo)注樣本的數(shù)量，提升獲取數(shù)據(jù)集的質(zhì)量，以提高模型的泛化能力。對深度學(xué)習(xí)框架中不具可解釋性的缺陷進(jìn)行改進(jìn)和完善，并通過優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，改進(jìn)模型的損失函數(shù)、激活函數(shù)等,提升算法模型的魯棒性。針對邊緣終端設(shè)備計算力有限的情況下，通過量化操作和網(wǎng)絡(luò)剪枝等方法實現(xiàn)模型壓縮，構(gòu)建輕量型網(wǎng)絡(luò)結(jié)構(gòu)，在AI專用芯片領(lǐng)域，進(jìn)一步研發(fā)計算處理單元的硬件結(jié)構(gòu)，實現(xiàn)以低功耗的處理單元對網(wǎng)絡(luò)推理加速，促進(jìn)人工智能算法模型在煤礦領(lǐng)域的落地應(yīng)用。

3.總結(jié)

建設(shè)智能化煤礦是煤炭工業(yè)發(fā)展的必由之路，而近年來人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術(shù)的快速發(fā)展為智能化煤礦提供了技術(shù)支撐。本文總結(jié)了人工智能技術(shù)在礦井人員檢測、運輸皮帶異常檢測、設(shè)備故障診斷、礦井瓦斯?jié)舛阮A(yù)測四個領(lǐng)域的應(yīng)用。由于礦井環(huán)境因素的影響，弱監(jiān)督或者無監(jiān)督學(xué)習(xí)方法、提高模型的泛化能力、建立輕量型網(wǎng)絡(luò)結(jié)構(gòu)以及算法模型在邊緣終端設(shè)備中的部署等將是未來進(jìn)一步研究的方向。