視角·觀點┃中國中煤蔡峰高工：中煤能源煤炭板塊人工智能應用與挑戰

2025年04月15日 15:32 智能礦山雜志責編：戚金榮作者：智能礦山雜志

語音播報

點擊播放

人工智能（簡稱AI）的應用分為運算智能、感知智能、認知智能3個階段。運算智能為基于仿生學研究出的優化算法，通過自適應性學習，以最快速度完成全局優化，實現計算精度和計算時間的平衡；感知智能為機器通過傳感器設備感知物理信息，通過深度學習算法進行信息分析；認知智能為機器具有主動思考和決策能力，基于數據不斷自學習，更新迭代決策能力，輔助甚至代替人類的工作。

文章來源：《智能礦山》2025年第3期“視角·觀點”欄目

第一作者：蔡峰，正高級工程師，博士，現任中國中煤能源集團有限公司煤炭事業部機電裝備（智能化）經理，主要從事煤炭機電、智能化管理工作。E-mail：caifeng@chinacoal.com

作者單位：中國中煤能源集團有限公司

引用格式：蔡峰，胡成軍，王奕鳴.中煤能源煤炭板塊人工智能應用與挑戰[J].智能礦山，2025，6(3)：18-24.

點擊文末左下角閱讀原文，免費下載閱讀pdf全文

關注微信公眾號，了解更多礦山智能化建設進展

目前以機器學習、計算機視覺、自然語言處理為主的AI技術已在煤炭行業廣泛應用，主要體現在以下3個方面。

（1）安全監控與預警

AI在智能安全監控領域，通過部署高清攝像頭和傳感器網絡，結合先進的圖像識別和機器學習算法，實時采集井下視覺信息和環境數據，自動監測人員行為、設備狀態、礦井環境等多項重要指標，在風險發生前及時預警，通知管理人員采取相應措施，避免事故發生。

（2）生產過程優化控制

AI在煤炭生產智能控制方面，通過集成先進的算法和傳感器技術，實時獲取設備運行與環境數據，AI算法分析判斷生產數據，生成優化控制策略，通過自動控制系統，實現對生產過程的自動調優控制。智能控制系統已經在采掘、洗選、通風和輔助運輸等各生產環節實現了自動化和智能化管理，有效提升了煤炭勘探準確性，優化了生產過程資源利用率，提高了生產效率。

（3）輔助決策與管理

AI在決策與管理方面，通過構建工業互聯網平臺，實現煤礦生產、經營和管理等數據收集，AI算法通過大數據挖掘，為企業管理層提供智能化決策支持，輔助制定更加科學的經營決策。

中煤能源AI技術研發與應用

中國中煤能源股份有限公司（簡稱中國中煤）共有生產煤礦65座，目前已建成25座智能化煤礦（其中6座為國家首批智能化示范煤礦）、12個智能化選煤廠、133個智能化采煤工作面，智能化產能超 1.7億t。33處煤礦建成數據中心、31處煤礦建成智能一體化管控平臺、14處煤礦開展5G建設、83臺機器人應用于生產運行現場。

中國中煤在煤炭生產各環節開展了AI的研究與實踐，利用機器視覺、語音識別、無人駕駛、機器學習等技術實現智能監測與風險預警、數據分析與決策支持、機器人作業等工作，減人、增安、提效成果顯著。

1.1 采煤工作面

（1）液壓支架護幫板智能監測

護幫板是液壓支架的重要組成部分，護幫板正常展開或收起，關聯煤壁片幫、采煤機滾筒等安全運行，智能視頻監控實現護幫板狀態遠程監控，并通過機器視覺實時分析護幫板的開合狀態，以及護幫板和采煤機滾筒位置關系。當發現異常時觸發報警時，工作面集控系統和液壓支架電液控制系統數據交互，下發聯動控制命令，控制采煤機停車，保證了采煤工作面安全生產，護幫板監測界面如圖1所示。

undefined

圖1 護幫板監測界面

（2）放頂煤開采工藝參數優化決策

放頂煤工藝參數對頂煤放出率影響較大，放頂煤最優工藝參數可顯著提高煤礦經濟效益及社會效益。在實際生產中，通常采用工藝工業性試驗決策工藝參數花費時間長且需較多人力物力。中煤華晉集團有限公司王家嶺礦采用神經網絡算法，提出了放頂煤工藝參數的優化決策，建立了放頂煤開采工藝參數決策模型，得出了最優的放頂煤開采工藝參數，頂煤放出率由71.48%提高至86.56%。

1.2 掘進工作面

掘進設備自動化需解決智能截割和自動錨固2個技術瓶頸。中國中煤通過慣性導航系統+多傳感器+機器視覺技術實現了掘進機精準定位與自主糾偏；利用多傳感器+機器視覺技術精準定位錨桿鉆車鉆孔，實現了掘進機智能截割和錨固流程的自動化運行。已成功應用集自動鋪頂網、自動定位錨護位置、自動噴射藥卷、自動連續打錨桿等功能于一體的全自動錨桿鉆車，實現了錨護工序全流程自動化作業，有效減少了錨桿支護人員及巷道工作面人員數量，可由1名操作司機遙控操作完成，提高了錨桿支護工作的安全性，單根錨桿支護效率提高了25%。

1.3 探放水作業

探水作業為隱蔽工程，存在作業人員假探、漏探、少探等現象，需大量安檢員實時跟蹤探水作業現場。煤礦安裝大量視頻監控設備，安檢員長時間觀看產生疲勞，難以發現異常現象。現場驗收無法比對數據，鉆孔質量難以保證。

基于鉆探作業管控和人員操作監視需求，利用機器視覺對實際場景圖像深度學習訓練，研究工人操作流程，識別作業現場的鉆機運動軌跡和人員姿態，智能監控系統實時判別人員、電力、鉆桿狀態，采用高質量高精度推理算法，計算鉆探深度，輔助求得鉆進速度、鉆進時間，實現了實時監視鉆場探水情況，識別當前井下鉆機工作情況、井下作業人數、鉆探過程鉆進鉆桿數量和鉆孔深度，確保探水鉆孔施工質量，提供了安全監管、科學決策可信數據，探放水作業識別現場如圖2所示。

undefined

圖2 探放水作業識別現場

1.4 主運輸系統

帶式輸送機長時間高強度運轉易出現各種故障，人工監視存在錯漏現象，智能視頻監控代替人工監控，實現了對異常狀態實時自動監測，及時發現和預防設備故障。智能視頻監控精準識別堆煤、大塊煤、異物、水煤、跑偏、輸送帶撕裂等異常情況，整體識別率≥98%，實現了對帶式輸送機安全隱患的智能分析、報警。智能視頻監控系統可實時監測帶式輸送機深度信息，計算煤流量數據，根據調速策略，自動切換輸送帶速度，實現“煤多快跑、煤少慢跑”的節能控制，帶式輸送機智能視頻識別界面如圖3所示。

undefined

圖3 帶式輸送機智能視頻識別界面

1.5 立井提升系統

（1）智能巡檢系統

人工巡檢安全風險大、耗時長、效率低，空間受限存在巡檢盲區，首繩智能監測系統、井筒智能巡檢機器人替代人工巡檢，有效解決了巡檢人員工作環境差、效率低等問題。首繩智能監測系統實現了提升機首繩繩徑、捻距測量與變化計算，鋼絲繩斷絲、磨損、銹蝕等外部狀態分析及預警。井筒智能巡檢機器人安裝在罐籠頂部，應用機器視覺分析井筒罐道偏移、罐耳磨損等，及時發現缺陷。螺栓智能識別應用語音識別技術分析設備異響、管路砂眼漏水等狀況。智能井筒巡檢機器人每日可巡檢罐道梁間隙50余次，螺栓狀態150余次，巡檢效率為人工巡檢10倍，立井提升智能巡檢系統如圖4所示。

圖4 立井提升智能巡檢系統

（2）箕斗卸載監測系統

可靠檢測提升箕斗卸空可避免重載下放、裝載導致的安全事故和生產浪費。箕斗卸載智能監測系統，可實時監測提升箕斗卸載的殘留狀態，超出閾值報警并聯動控制提升機停鉤，識別卸載完成可自動控制進入下一個勾提升流程，每勾時間平均縮短6～8s，提高了主井的提升效率，箕斗卸載監測系統界面如圖5所示。

undefined

圖5 箕斗卸載監測系統界面

1.6 輔助運輸系統

無軌膠輪車有效提升了煤礦生產能力和運輸效率，但因井下道路彎曲、岔路眾多，車輛在行駛過程中存在避讓難或交通堵塞的情況。針對井下復雜交通環境，井下智能交通控制系統實時跟蹤輔助運輸目標，識別井下車輛的行駛狀態、車輛狀況、類型以及人員行為，并智能控制紅綠燈，保證車輛有序高效地通行。智能輔助運輸監控系統界面如圖6所示。

undefined

圖6 智能輔助運輸監控系統界面

1.7 通風系統

礦井通風系統為防止風流短路，常設置多重風門以形成隔斷，風門常為大小門結構，便于人員從小門通行。現有風門多采用人工操作，通行效率較低，且人工推啟動風門安全系數較低，時常發生擠傷行人事故。風門智能控制系統實現了自動識別人員和車輛信息，并自動控制相應風門開啟，具備實時監控風門狀態、記錄違規行為的功能。

1.8 反“三違”系統

智能視頻監控系統構建了井下安全“天網”，計算機視覺技術融入煤礦安全生產各環節，所屬煤礦所有作業場所實現智能視頻全覆蓋，形成了人工篩查為主、智能視頻識別為輔，場景智能視頻識別、人工甄別數據、示范場景精準推送的逐級遞進安全管理模式，反“三違”系統識別界面如圖7所示。

undefined

圖7 反“三違”系統識別界面

1.9 智能綜合管控

基于語音識別、語義理解、語音合成3大核心技術，研發了智能語音調度系統，調度員通過語音向集控平臺下發指令，智能語音調度系統準確識別輸入語音，并精確反饋查詢信息。改變了傳統使用電腦手動操作或多人配合調取的方式，縮短操作路徑，高效匯總生產事件信息，助力礦井調度高效化運轉。目前已完成20余項指令意圖配置，適配100多種語音命令。構建了煤炭行業專業詞庫，包括2000余個煤炭行業專業術語，支持多種方言輸入和輸出，已在中煤陜西榆林大海則煤業有限公司等多家煤礦部署上線。

1.10 露天礦無人駕駛技術

無人駕駛技術是露天礦山智能化高效發展的關鍵路徑。中國中煤積極引進無人駕駛技術，應用深度學習、蟻群算法，動態優化多車同時卸載的最優行車路線；應用機器視覺實例分割算法，實時監測道路不平整度，動態優化行車路線。中煤平朔集團有限公司東露天礦已經實現7臺無人礦用卡車安全員分批次下車編組運行。無人礦用卡車裝載區效率為人工73%、運輸道路效率為98%、卸載區效率為74%。無人駕駛系統降低作業人員工作強度，增加采運管理靈活度，減少運營成本，露天礦用卡車無人駕駛系統管理界面如圖8所示。

undefined

圖8 露天礦用卡車無人駕駛系統管理界面

1.11 選煤廠AI技術應用

以選煤工藝為核心的AI技術在選煤各環節開展了研究與實踐。

（1）智能重介控制系統

智能重介控制系統包括在線灰分分析算法、自抗擾精準控制算法、分選密度參數在線學習算法、灰分密度調節因子模型、重介智能控制模式識別模型等，通過粒子群算法和大量數據將可選性曲線的理論最優值，推送給邊緣側的智能控制系統，并根據實際效果修正數據，通過多頻次、小幅度、連續性調整，整個選煤環節達到最優狀態。

（2）智能化浮選控制系統

開發了粒徑-灰分在線學習模型、粒徑-灰分推算灰量校正模型、浮選初設參數動態模型、基于案例推理的加藥算法控制模型等，精確預測復選藥劑量，實現浮選過程參數的智能化調控。智能化浮選控制系統投運后，壓濾精煤板數占比由81%提高到84%，浮選藥劑噸使用降低了13%。

煤礦AI技術應用挑戰

AI大模型為超大規模預訓練模型，具有億量級參數，學習海量數據中蘊含的特征、結構，具有強大的邏輯推理和分析能力。但是AI大模型的訓練需要大量生產數據，中國中煤積極推進搭建集團公司統一的AI大模型平臺，整合集團資源，推動典型場景算法模型的研發與投用。但是，AI技術在實際中仍受煤礦實際應用場景的多方面條件限制。

2.1 AI模型應用成熟度低

（1）訓練數據獲取難，算法模型準確率低

AI模型構建以大量實際數據為基礎，煤礦數據樣本小、獲取成本高、生產數據量少、原始數據質量差、異常數據少、正負樣本差距大、缺乏標記樣本等問題，導致AI模型準確性低。

（2）煤炭生產場景復雜，技術適應性差

煤層地質條件多變，井下生產環境復雜，各煤礦應用場景差異大，研發的煤礦AI模型是針對特定礦、特定場景的小模型，相同場景的模型算法無法直接應用于不同煤礦，需要定制化模型設計和參數調整，智能化應用成本高、復制難度大，模型泛化能力面臨極大挑戰。

2.2 煤礦數據基礎建設不足

當前，煤礦智能化數據利用率較低，生產運營過程中產生的大量數據資源尚未得到充分挖掘和利用，未能實現生產流程全數字化，未完全打通生產控制系統、經營管理系統、安全管理系統等，“信息孤島”問題仍存在，多源數據融合、各系統各設備間的協同控制基礎數據平臺建設不足。

2.3 人才儲備缺乏

（1）專業人才缺乏

AI技術行業門檻較高，在數學基礎、計算機技術以及數據處理和分析能力等方面均有較高要求。煤炭行業的業務模式、運營需求和技術應用與新興的高科技行業存在差距。工作環境惡劣、強度大，薪資待遇相對較低，導致煤炭企業難以引進優秀人工智能人才。

（2）管理人員缺乏

部分煤礦尚未建立智能化職能部門，智能化建設規劃與管理通常由機電部門兼職，人員對智能化技術熟悉程度不足，難以有效推進AI技術的落地應用。