Research on the coal mine safety big data features and governance method system
-
摘要: 高效分析利用煤矿安全大数据,对于提高煤矿的安全管理水平和生产效率具有重要意义。目前煤矿安全大数据治理存在数据特征不明、治理方法不清等问题,针对该问题,着重分析了煤矿安全大数据特征,得出煤矿安全大数据具有5V特征,即数据体量大(Volume)、数据类型多(Variety)、处理速度快(Velocity)、价值密度低(Value)、真实性(Veracity) ,此外还具有结构化程度不一致的特征。介绍了可应用于煤矿安全管理中的主要数据治理方法及模型,并分为单变量方法、多变量统计分析方法、智能模式识别方法、系统动力学模型和综合集成模型五大类。从主体和客体的视角,提出了煤矿安全大数据治理方法体系,认为数据治理方法的选择必须与智慧矿山的主体、客体的数据治理目标相契合。基于主体的治理方法选择:根据数据主体的需求、层次、担负的任务及安全管理目标确定数据治理具体内容;基于客体的治理方法选择:根据客体对象的时效性、吞吐量要求及安全管理目标确定数据治理具体内容。最后得出煤矿安全大数据治理方法的确定需要在统一目标和统一标准下,根据作用域和作用对象的不同,满足共性和个性需求。Abstract: Efficient analysis and utilization of coal mine safety big data is of great significance for improving the safety management level and production efficiency of coal mines. At present, there are some problems in coal mine safety big data governance, such as unclear data features and governance methods. In order to solve the above problems, this paper emphatically analyzes the features of coal mine safety big data. It is concluded that coal mine safety big data has 5V features, namely, large data volume (Volume), multiple data varieties (Variety), fast processing velocity (Velocity), low value density (Value), veracity (Veracity), and also has the features of inconsistent structural degree. This paper introduces the main data governance methods and models that can be applied to coal mine safety management. The methods are divided into five categories: single variable method, multivariate statistical analysis method, intelligent pattern recognition method, system dynamics model and comprehensive integration model. From the perspective of the subject and object, this paper puts forward a big data governance method system for coal mine safety. It is believed that the selection of data governance methods must be consistent with the data governance goals of the subject and object of intelligent mines. Selection of subject-based governance methods: the specific content of data governance is determined according to the needs, levels, tasks and security management objectives of data subjects. Selection of object-based governance methods: the specific content of data governance is determined according to the timeliness of object objects, throughput requirements and security management objectives. Finally, it is concluded that the determination of coal mine safety big data governance method needs to meet the common and individual needs according to the different scopes and objects under the unified goal and standard.
-
0. 引言
随着5G、物联网、互联网、大数据、云计算、边缘计算等技术的发展和逐步成熟,智慧矿山的建设开始进入快车道。先进的信息化技术是矿山实现数字化、智能化的基础,5G低时延、大带宽和广覆盖的特点,可有效解决矿山智能化过程中面临的大量传感信息回传、远程控制等问题。然而,矿山环境与公网的5G建设部署场景存在显著差异,矿井现场设备回传的上行带宽需求显著、大带宽需求与低时延高可靠需求共存,井工矿井下无线信号衰减严重、覆盖受限等,都对智慧矿山5G建设提出了更高需求。
近年来,业界学者聚焦矿山5G技术展开了研究。孙继平[1]系统研究了矿用5G技术特性、适用范围和智能化应用场景,提出了矿用5G的总体要求和建设方向。郑小磊等[2]研究了煤矿5G通信系统安全技术要求和检验方法,对煤矿5G安标技术的具体要求和测试方法进行了系统介绍。张立亚[3]研究了矿山场景中基于5G的可视化智能监控技术,分析了5G用于视频监控的传输需求。刘雨燕等[4]研究了5G通信对智慧矿山建设的主要支撑作用。顾义东[5]研究了5G技术在煤矿掘进工作面运输系统中的应用,提出了5G用于智能掘进的传输需求。上述成果主要针对矿用5G的宏观技术发展方向、测试方法和特定应用场景展开研究,缺乏对智慧矿山5G各类应用场景特点的全面梳理。
本文针对智慧矿山建设的主要业务需求进行全面梳理,分析智慧矿山应用场景对通信网络的指标要求,结合矿山5G建设的环境特点,研究智慧矿山5G网络架构、智慧矿山5G关键技术及5G网络资源优化配置方法,确保5G网络对智慧矿山应用场景的全面支撑。
1. 智慧矿山5G应用场景及应用环境特点
1.1 智慧矿山5G应用场景
智慧矿山5G主要承载传感器监测、视频监控、远程控制及自动驾驶等高等级智能化应用的信息传输。
(1) 传感器信息回传需求。利用5G技术的广覆盖特性,对实时监测矿山井下瓦斯、温度、湿度等环境类传感器[6-8]的数据进行采集,并通过5G网络回传至地面数据中心进行实时分析。
(2) 视频信息采集和回传需求。基于5G技术大带宽特性,对部署在井下采、掘、运及机电硐室等关键地点的视频监视数据进行采集和汇聚[9-11],并通过5G网络实时回传至地面监控中心或井下集控中心进行实时分析。
(3) 实时控制信息交互需求。利用5G技术低时延特性,保证矿山通风、排水、电力等控制信息实时交互,以实现精准及时的控制和调整[12-14]。对部分大型设备进行智能化改造,逐步实现远程控制。
(4) 自动驾驶信息采集和回传需求。井下无人驾驶对矿井无线网络的需求极高,5G技术为井下通信网络提供充足的带宽、低时延及精确定位能力。在正常行驶过程中,5G技术将传感器数据和视频数据进行实时回传,当自动驾驶出现问题时,能随时通过远程人工方式进行接管[15-16]。
1.2 智慧矿山5G应用环境特点
由于矿山环境与公网的5G建设部署环境存在差异,智慧矿山5G与公网5G建设的技术要求存在明显不同,具体体现在以下3个方面:
(1) 系统架构方面。《煤矿5G通信系统安全技术要求(试行)》规定,5G系统应能实现独立组网、独立运行,在外部网络故障或断开时,系统应能安全、独立、稳定运行,保证无线通信及数据传输可靠、稳定;应满足井上下安全隔离的相关规定。需要有针对性地构建矿山5G专用系统架构。
(2) 设备接入特点方面。矿井传感器、视频监控设备部署的覆盖面广、设备数量多、传输数据量大,导致矿井上行传输速率需求显著、上行无线传输资源需求高于下行无线传输资源需求,而公众电信网络则以下行传输为主。因此,针对矿山环境5G应用,需要研究上行传输能力增强技术。
(3) 传输业务需求方面。智慧矿山5G承载的业务类型多,上行传输的大带宽需求和下行传输的低时延需求共存,多业务并行传输需要同时满足不同业务、不同链路的差异化传输需求,对承载网和无线网的网络调度能力均提出更高要求。
2. 矿山5G网络架构
矿山5G网络架构采用核心网+承载网+接入网的总体架构,如图1所示。
矿山5G核心网利用专网通信平台进行用户数据计算和管理,将用户面功能(User Plane Function,UPF)单元和多接入边缘计算(Multi-acess Edge Computing,MEC)单元下沉至矿区,实现矿山5G独立组网、独立运行功能,并支持低时延传输。核心网的业务管理功能(Service Management Function,SMF)用于实现传输业务管理。核心网通过与承载网的智能传输网(Smart Transport Network,STN)设备对接,控制数据在内网/外网的流向。矿山5G终端在5G网络注册后,核心网根据接入点的数据网络名称(Data Network Name,DNN)和无线基站归属,确定下沉的UPF,用户面数据经过基站和STN设备,之后回传到下沉的UPF,进而通往矿山数据中心的防火墙,再接入内网。矿山5G 承载网用于实现井上下数据交换,其核心交换机设备集成信息安全模块进行数据安全审计监测和传输控制,实现井上下数据安全隔离;承载网的STN设备采用网络切片和QoS(Quality of Service,服务质量)管理模块,对不同业务进行信道划分和隔离,实现多业务共存信道隔离,保障传输性能。矿山5G接入网采用基站控制器+基站汇集器+基站+终端的方式,实现井下5G信号分区、按需覆盖。基站与终端之间的空中接口通过载波聚合技术为上行大带宽传输提供更多资源。针对不同传输需求指标,采用不同的空口资源调度机制,同时保障下行低时延传输和上行大带宽传输性能。
3. 矿山5G关键技术与应用
为满足矿山5G的多样化应用场景、上行大带宽传输和增强覆盖需求,对网络切片及QoS机制、灵活空口资源调度机制和载波聚合等关键技术进行研究,支持矿山5G有效应用。矿用5G关键技术及承载应用的关系见表1。
表 1 矿用5G关键技术与承载应用的关系Table 1. Relationship between key technologies and carrying application of mine 5G关键技术 传感器类
应用视频类
应用实时控制类
应用自动驾驶类
应用网络切片及
QoS机制支撑技术 支撑技术 支撑技术 支撑技术 灵活空口资源
调度机制基于配置预
留资源承载基于请求调
度方式承载基于配置预
留资源承载基于请求调
度方式承载载波聚合 − 支撑技术 − − 3.1 网络切片及QoS机制
网络切片技术及QoS机制是5G 承载网关键技术,共同实现在同一网络中不同业务数据需求。QoS机制为不同业务定义具体的传输参数指标。网络切片技术是将同一物理网络系统划分为不同的逻辑单元,多个逻辑单元独立组成虚拟网络,即网络切片。每个网络切片都可被视为一个独立的网络,能够承载对应的QoS指标。当传输具体业务时, 网络切片按照传输业务的QoS指标,将业务数据映射到不同的切片资源上进行传输,按照不同业务需求进行资源配置。根据对矿山业务的需求分析,将矿山5G网络划分为传感器切片、视频回传类切片、实时控制类切片、远程控制类切片4种。传感器切片对应瓦斯、温度、湿度等环境传感器,属于小带宽、广覆盖通用切片。视频回传类切片对应矿区、园区、巷道、工作面等视频监控信息回传场景,属于大带宽通用切片。实时控制类切片对应通风、排水、机电控制及其他实时控制类场景,属于低时延、小带宽切片。远程控制类切片对应自动驾驶、远程驾驶、远程控制类场景,属于大带宽、低时延切片。其中,低时延切片的数据必须通过下沉UPF,从而保障信息传送和控制时延。对于非低时延类切片,可通过公网回传至园区数据中心。对于各类切片的具体实现,需要在承载网中设计网络切片和QoS指标管理模块,实现切片资源与QoS指标映射,保障业务传输性能。
3.2 灵活空口资源调度机制
针对接入网空口无线传输需求,设计灵活的空口资源调度机制。灵活的空口资源调度机制能够根据不同业务传输数据包的特点,灵活使用不同的空口资源调度方法,确保矿山5G多样化业务传输需求得到全面满足。
根据典型业务传输的数据包特点,大带宽业务以大包传输为主,时延要求不高,适合采用资源请求−业务缓存报告资源分配−业务缓存−数据传输资源分配的空口资源调度方式,该方式流程较为复杂,但能够实现空口资源按需调度,保证带宽。而低时延高可靠业务则主要传输控制类信息,数据包以小包为主,数据量较小但时延要求极高,适合采用无线资源块资源预留方式,即针对低时延业务(如矿山远程控制类切片和实时控制类业务),直接采用预留的专用空口资源(如30%的空口资源)进行传输,达到降低时延的效果。
3.3 载波聚合技术
由于矿山业务的种类和需求较多,且存在大量的视频类大带宽数据需要上传,当单一频段无法满足上行传输需求时,通过载波聚合技术,将多个连续或非连续的载波聚合成更大的带宽,为矿用5G传输引入更多的传输资源,有效支撑矿山5G的大带宽传输需求。
3.5 GHz频段是目前全球5G部署的主流频段,单载波最大带宽为100 MHz,能够提供较高的传输速率。但智慧矿山5G应用场景对上行传输带宽需求显著,3.5 GHz单频段难以确保传输需求得到全面满足。采用载波聚合技术可在使用3.5 GHz载波进行传输的同时,额外聚合2.1 GHz的载波(载波带宽可为20,50 MHz),从而拥有更多传输资源,同时根据频率越低则覆盖距离越大的基本原理,可实现增强覆盖。载波聚合技术下2.1,3.5 GHz频段的主要配置参数见表2和表3。
表 2 载波聚合频段上行主要配置参数Table 2. Main uplink configuration parameters of the carrier aggregation frequency band参数 2.1 GHz 3.5 GHz 信道带宽/MHz 20 50 100 时隙配置 FDD FDD 23∶45(按需配置) 基站噪声系数/dB 2.5 2.5 3.5 上行干扰余量/dB 3 3 2 穿透损耗/dB 20 20 23.4 边缘覆盖率/% 75 75 75 传播模型 3GPP UMa 3GPP UMa 3GPP UMa 表 3 载波聚合频段下行主要配置参数Table 3. Main downlink configuration parameters of the carrier aggregation frequency band参数 2.1 GHz 3.5 GHz 信道带宽/MHz 20 50 100 时隙配置 FDD FDD 23∶45(按需配置) 终端噪声系数/dB 7 7 7 终端接收增益 0 0 3 下行干扰余量/dB 7 5 5 穿透损耗/dB 20 20 23.4 边缘覆盖率/% 75 75 75 传播模型 3GPP UMa 3GPP UMa 3GPP UMa 载波聚合终端支持主载波(3.5 GHz)和辅载波,基站通过配置主载波上的MAC(Media Access Control,媒体接入控制层)和RRC(Radio Resource Control,无线资源控制层)参数,实现SCell(Secondary Cell,辅小区)状态配置,从而实现辅载波激活或释放。SCell的状态包含SCell配置未激活、SCell 配置且激活、SCell 未配置3种状态。终端初始接入、切换入或重建入小区时会触发SCell的配置,如果需要使用辅载波,则申请激活SCell,进入配置且激活状态,否则SCell处于配置未激活状态。当不再需要SCell或测量到信号质量更好的SCell,则申请激活当前的SCell,从而释放辅载波或变更到信号质量更好的辅载波。SCell状态转移如图2所示。
4. 结论
(1) 归纳了智慧矿山5G应用场景类型,梳理了主要应用场景的通信需求,指出传感器信息回传类应用具有广覆盖需求、视频信息采集和回传类应用具有上行大带宽传输需求、实时控制信息交互类应用具有下行低时延传输需求、自动驾驶信息采集和回传类应用具有上行大带宽和下行低时延共存的差异化传输需求。
(2) 分析了智慧矿山5G应用的环境特点和技术要求,提出了核心网+承接网+接入网的矿用5G网络总体架构。该5G网络总体架构的核心网通过UPF和MEC下沉,支持矿山5G需要独立组网、独立运行的建设要求,井下部署基站控制器+基站汇集器+基站+终端,实现5G信号分区、按需覆盖。
(3) 研究了矿山5G关键技术方案。① 网络切片与QoS机制,能够实现传输网不同应用的按需资源分配,满足差异化传输需求。② 灵活的空口资源调度机制能够根据不同业务传输数据包的特点,灵活使用不同的空口资源调度方法,确保矿山5G多样化业务传输需求得到全面满足。③ 载波聚合技术可在单一频段无法满足上行传输需求时,将多个连续或非连续的载波聚合成更大的带宽,为矿用5G传输引入更多的传输资源,有效支撑矿山5G的大带宽传输需求。
-
表 1 SVM和ANN的主要特性
Table 1 The main features of SVM and ANN
主要特性 SVM ANN 数据要求 适用于一定规模的高维数据 适用于大规模的数据集 解释性 结果易解释 结果较难解释 鲁棒性 对噪声和离群点具有一定鲁棒性 对噪声和离群点较敏感 精度 精度较高,与特征选取相关 精度高,与训练数据相关 -
[1] 谭章禄,王美君. 智慧矿山数据治理概念内涵、发展目标与关键技术[J]. 工矿自动化,2022,48(5):6-14. TAN Zhanglu,WANG Meijun. Research on the concept connotation,development goal and key technologies of data governance for smart mine[J]. Journal of Mine Automation,2022,48(5):6-14.
[2] 谭章禄,吴琦. 智慧矿山理论与关键技术探析[J]. 中国煤炭,2019,45(10):30-40. TAN Zhanglu,WU Qi. Analysis and discussion of smart mine theory and key technologies[J]. China Coal,2019,45(10):30-40.
[3] 王国法,王虹,任怀伟,等. 智慧煤矿2025情景目标和发展路径[J]. 煤炭学报,2018,43(2):295-305. WANG Guofa,WANG Hong,REN Huaiwei,et al. 2025 scenarios and development path of intelligent coal mine[J]. Journal of China Coal Society,2018,43(2):295-305.
[4] 王龙康. 煤矿安全隐患层次分析与预警方法研究[D]. 北京: 中国矿业大学(北京), 2015. WANG Longkang. The hierarchy analysis for hidden danger and research on early warning method in coal mine[D]. Beijing: China University of Mining & Technology-Beijing, 2015.
[5] 陈孝慈. 煤矿安全隐患管理知识发现研究[D]. 北京: 中国矿业大学(北京), 2021. CHEN Xiaoci. Research on knowledge discovery of coal mine safety hidden peril management[D]. Beijing: China University of Mining & Technology-Beijing, 2021.
[6] PROVOST F,FAWCETT T. Data science and its relationship to big data and data-driven decision making[J]. Big Data,2013,1(1):51-59. DOI: 10.1089/big.2013.1508
[7] GOLDSTON D. Big data:data wrangling[J]. Nature,2008,455:15. DOI: 10.1038/455015a
[8] REICHMAN O J,JONES M B,SCHILDHAUER M P. Challenges and opportunities of open data in ecology[J]. Science,2011,331(6018):703-705. DOI: 10.1126/science.1197962
[9] GUPTA U G,GUPTA A. Vision:a missing key dimension in the 5V big data framework[J]. Journal of International Business Research and Marketing,2016,1(3):46-52.
[10] 何敏. 智能煤矿数据治理框架与发展路径[J]. 工矿自动化,2020,46(11):23-27. HE Min. Framework and development path of data governance in intelligent coal mine[J]. Industry and Mine Automation,2020,46(11):23-27.
[11] 王国法,刘峰,庞义辉,等. 煤矿智能化——煤炭工业高质量发展的核心技术支撑[J]. 煤炭学报,2019,44(2):349-357. WANG Guofa,LIU Feng,PANG Yihui,et al. Coal mine intellectualization:the core technology of high quality development[J]. Journal of China Coal Society,2019,44(2):349-357.
[12] 谭章禄,王美君. 智能化煤矿数据归类与编码实质、目标与技术方法[J]. 工矿自动化,2023,49(1):56-62,72. TAN Zhanglu,WANG Meijun. The essence,goal and technical method of intelligent coal mine data classification and coding[J]. Journal of Mine Automation,2023,49(1):56-62,72.
[13] WU Xindong,KUMAR V,QUINLAN J R,et al. Top 10 algorithms in data mining[J]. Knowledge and Information Systems,2008,14:1-37. DOI: 10.1007/s10115-007-0114-2
[14] FREITAS A A. A review of evolutionary algorithms for data mining[M]//MAIMON O, ROKACH L. Data mining and knowledge discovery handbook. New York: Springer, 2010: 371-400.
[15] GRABMEIER J,RUDOLPH A. Techniques of cluster algorithms in data mining[J]. Data Mining and Knowledge Discovery,2002,6:303-360. DOI: 10.1023/A:1016308404627
[16] 赵勇, 林辉. 大数据革命[M]. 北京: 电子工业出版社, 2014. ZHAO Yong, LIN Hui. Big data revolution[M]. Beijing: Publishing House of Electronics Industry, 2014.
[17] 李航. 统计学习方法[M]. 2版. 北京: 清华大学出版社, 2019. LI Hang. Statistical learning methods[M]. 2nd ed. Beijing: Tsinghua University Press, 2019.
[18] 刘年平. 煤矿安全生产风险预警研究[D]. 重庆: 重庆大学, 2012. LIU Nianping. Research on risk early warning in mine safety production[D]. Chongqing: Chongqing University, 2012.
[19] NASSAJI H. Qualitative and descriptive research:data type versus data analysis[J]. Language Teaching Research,2015,19(2):129-132. DOI: 10.1177/1362168815572747
[20] 谭章禄,吴琦. 基于层级链参考模型的智慧矿山建设问题分析[J]. 矿业科学学报,2022,7(2):257-266. TAN Zhanglu,WU Qi. Analysis of the problems of smart mine construction based on the layer-level-chain reference model[J]. Journal of Mining Science and Technology,2022,7(2):257-266.
[21] 谭章禄,王美君. 智能化煤矿数据治理概念模型及技术架构研究[J]. 矿业科学学报,2023,8(2):242-255. TAN Zhanglu,WANG Meijun. Research on the conceptual model and technical architecture of data governance for intelligent coal mine[J]. Journal of Mining Science and Technology,2023,8(2):242-255.
-
期刊类型引用(14)
1. 刘通,但德东,陈大明. 5G+智慧矿山应用中的高可靠性保障. 邮电设计技术. 2025(02): 83-87 . 百度学术
2. 蔡勇,王晓彬,姚梦珂,戴鹏. 5G网络能力提升方案研究与应用. 无线互联科技. 2024(09): 106-110 . 百度学术
3. 张绍斌. 矿用5G综合基站设计及应用. 工矿自动化. 2024(S1): 57-60 . 本站查看
4. 张科学,张立亚,李晨鑫,魏春贤,高鹏. 基于5G的电液控设备邻架控制方法. 工矿自动化. 2024(S1): 165-168 . 本站查看
5. 黎一冰,韩文成,何义华,谢晓斌. 露天矿山5G立体覆盖波束的场景化研究与实践. 中国矿业. 2024(S2): 139-144 . 百度学术
6. 黎一冰,韩文成,王仁福,卿启林,车长路. 露天矿山5G全连接智能采矿无线网络设计及应用. 中国矿业. 2024(S2): 127-132 . 百度学术
7. 邢震,韩安,陈晓晶,陈海舰,沈毅. 基于工业互联网的智能矿山灾害数字孪生研究. 工矿自动化. 2023(02): 23-30+55 . 本站查看
8. 牛克洪,牛天勇,刘名宇. 基于创新趋势研判方法的煤炭产业发展走势研究. 中国煤炭. 2023(03): 11-15 . 百度学术
9. 李晨鑫. 矿用5G通信演进技术研究. 工矿自动化. 2023(03): 6-12 . 本站查看
10. 武熙,李珂,孟庆灵,赵佳伟. 矿用带式输送机头部智能清扫器研究与设计. 金属矿山. 2023(08): 253-259 . 百度学术
11. 李新,葛祥吉,刘更庆,李仕宾. 基于5G+技术的智慧化矿山建设研究. 内蒙古煤炭经济. 2023(13): 127-129 . 百度学术
12. 杨志华,李娜,高天. 井工矿5G专网无线覆盖方案研究. 邮电设计技术. 2023(09): 10-14 . 百度学术
13. 王耀. 基于5G工业互联网的井工煤矿信息化技术研究. 工矿自动化. 2023(S1): 29-31 . 本站查看
14. 李强,钟仕军,赖亚寒,宋仕斌. 基于多频融合5G专网的智慧矿山安全管理研究. 现代计算机. 2023(21): 30-35 . 百度学术
其他类型引用(4)