煤矿综采工作面机电设备安装回撤的智能协同决策支持系统设计与应用

引言

我国煤矿智能化建设正处于关键发展阶段，截至 2024 年，全国智能化采煤工作面数量已突破 1200 个，占比超过 60% 。然而，作业面空间相对狭窄，宽度仅为 4-6 米左右，并且受瓦斯、粉尘、顶板压力等环境因素影响，使得整个作业过程的复杂程度较高，也带来了一定的安全风险。近年来，数字孪生、AI 优化、物联网等技术在煤矿领域的逐步应用，为上述问题的改善提供了新的思路和方向。本文将从系统需求分析入手，设计分层架构与关键技术模块，并结合实际应用对系统效能进行评估，旨在为综采工作面机电设备安装回撤的智能化升级提供有益的实践参考。

1 系统架构设计

1.1 感知层：数据采集入口

感知层通过部署各类传感器与定位设备，实现对井下安装回撤相关的设备、环境、资源数据的全面采集。在设备状态感知方面，于液压支架安装点部署精度 ±0.1^∘ 的倾角传感器与量程 0-60MPa 的压力传感器，在刮板输送机电机处安装量程- 20～150^∘C 的温度传感器和频率范围 10-1000Hz 的振动传感器，同时为所有设备粘贴存储设备 ID、参数、安装位置的 RFID 标签，并利用识别距离 0-5 米的井下 RFID 阅读器实时定位设备；环境感知则通过每 50 米设置 1 个监测点，部署量程 0-4%CH₄ 、精度 ±0.1% 的瓦斯传感器，量程 0-1000mg/m³ 的粉尘传感器，以及量程 0-60MPa 的顶板压力传感器来实现；资源感知方面，为叉车、吊车安装井下通过 UWB 定位、精度 ±0.5 米的 GPS/北斗定位模块与工况传感器，并通过精度 ±1 米的人员定位卡采集作业人员位置与工种信息。数据传输采用“井下工业以太网 _+4G/ 5G 无线”混合网络，工业以太网负责固定设备数据传输，无线网络负责移动设备数据传输，保障数据丢包率 ⩽1% 。

1.2 数据层：数据存储与融合

数据层通过整合感知层数据与历史数据构建统一数据池，具体包含三大模块：在数据库设计方面，采用 MySQL 关系数据库存储设备参数（如支架尺寸、电机功率）、工序计划（如安装顺序、工期）、资源信息（如吊车型号、人员工种）；利用 InfluxDB 时序数据库存储实时数据（如每秒钟的支架倾角、瓦斯浓度）；借助 MongoDB 非关系数据库存储设备三维模型文件（如 STL 格式）、故障案例文档。在数据清洗与融合环节，通过异常值剔除（如传感器数据超出量程时标记为无效）、数据补全（如传感器离线时用前 5 分钟均值填充）处理原始数据，并采用 Kalman 滤波融合多传感器数据（如融合 UWB 与 RFID 数据提升设备定位精度至 ±0.3 米）。数据接口则开发标准 API 接口，支持与煤矿现有系统（如综采监控系统、设备管理系统）数据互通，实现“一次采集、多方复用”，避免数据孤岛。

1.3 决策层：智能算法核心

决策层作为系统“大脑”，依托数据层数据，借助四大 AI 算法模块实现智能决策：利用 Unity3D 构建综采工作面与设备 1:1 数字孪生模型，将设备参数、实时状态、工序进度映射至虚拟模型，以解决“井下作业不可视”问题，且模型更新频率≥1 次/秒；基于遗传算法，以“工期最短、资源冲突最少”为目标函数，在满足设备尺寸、工艺逻辑、资源能力等约束条件下，通过初始化种群、适应度计算、选择/交叉/变异等步骤优化安装/回撤顺序，如某矿 120 架支架安装规划工期缩短 4 天且无尺寸冲突；采用改进蚁群算法，将资源调度转化为路径优化问题，引入“任务优先级”机制分配叉车、吊车、人员资源，使资源利用率提升 25% ；基于 BP 神经网络构建故障预测模型，根据设备实时状态、环境数据、历史故障数据输出故障类型与概率，并设定不同预警阈值，模型训练准确率达 92% ，可提前2 小时预判支架液压泄漏故障。

1.4 应用层：用户交互出口

应用层通过 PC 端、移动端、井下触控屏等多终端，为技术员、调度员、安全员等不同用户提供个性化功能：技术员端支持设备模型查看、工序方案编辑与参数查询，可在 1 分钟内生成 PDF 格式工序报告；调度员端可展示资源实时位置与任务状态，支持手动干预资源分配并自动生成资源利用率报表；安全员端能实时显示风险预警列表，在数字孪生模型上标注预警位置，推送处置建议并记录处置结果形成闭环；井下触控屏安装于采面入口处，防护等级达 IP67，支持作业人员通过触控与物理按键查询工序和设备位置、查看安全预警信息，适应井下粉尘环境。

2 系统优化方向

2.1 网络实时性提升

受限于煤矿井下巷道狭长、电磁干扰强等复杂环境，当前网络通信存在显著瓶颈。特别是在采面深部、拐角等区域，无线信号衰减严重，实测数据传输延迟高达1.2-1.5 秒，严重影响设备状态实时监控与远程协同决策。针对这一问题，可部署井下 Mesh 自组网系统，通过构建多跳中继网络拓扑，实现信号的智能路由与动态补偿。该系统采用 5G+Wi-Fi6 融合通信技术，在保障防爆安全的前提下，将信号覆盖范围扩展至巷道末端，数据传输速率提升至 100Mbps 以上，确保设备运行参数、环境监测数据等关键信息毫秒级传输，为实时决策提供可靠支撑。

2.2 模型精度优化

现有设备数字孪生模型多基于宏观结构构建，对部件级细节刻画不足。以液压支架为例，螺栓连接、铰接部位等关键结构未纳入模型，导致无法精准预测部件级故障。引入 BIM（建筑信息模型）技术，可对机电设备进行全生命周期数字化建模，实现从整机到零部件的毫米级精度还原。通过嵌入应力应变传感器、振动监测装置，将实时运行数据与数字孪生模型深度耦合，建立基于力学仿真的故障预测算法。例如，针对螺栓松动故障，可通过分析振动频谱特征与预紧力变化规律，提前 72 小时发出预警，有效降低设备突发故障风险。

2.3 算法自学习能力增强

当前 BP 神经网络模型依赖人工采集标注数据进行更新，存在数据滞后、覆盖场景单一等问题，导致故障预警准确率徘徊在 85% 左右。引入联邦学习技术，可构建多矿协同的分布式训练架构，在各矿区本地加密处理数据的基础上，通过参数加密交换实现跨区域联合训练。利用区块链技术记录训练过程，确保数据不可篡改与溯源。经实测，采用联邦学习优化的模型在综采设备故障预测中，预警准确率可提升至 96.3% ，同时减少 70% 以上的人工标注工作量，显著增强系统的自适应能力与泛化性能。

结束语

煤矿综采工作面机电设备安装回撤的智能协同决策支持系统，尝试通过感知技术、数字孪生与 AI 算法的有机结合，对传统模式进行优化。系统采用分层架构设计，致力于实现数据采集至应用环节的有效衔接，借助四大核心算法模块，探索机电设备安装回撤工序、资源调配及风险防控的智能化管理路径。随着前沿技术在煤矿行业的逐步渗透，该系统有望在现有基础上，朝着“全流程自主决策”的方向持续演进，助力煤矿实现安装回撤作业的无人化与自适应运行，为行业智能化转型注入新的活力，推动煤炭产业向更加安全、高效、绿色的方向发展。

参考文献

[1]郝文哲.综采工作面回撤通道施工工艺优化应用[J].江西煤炭科技，2024（4）：36-39.

[2]冯聪.煤矿综采工作面机电设备安装撤除技术研究[J].内蒙古煤炭经济,2024,(24):46-48.

[3]钟成东,张洪,胡建康.煤矿综采工作面机电设备快速安装回撤工艺[J].现代制造技术与装备,2025,61(04):169-171.