0.   引言

智能煤矿产生的海量工业数据蕴藏着宝贵的信息和潜在的价值。利用人工智能（Artificial Intelligence，AI）技术分析煤矿工业数据，可帮助发现隐藏在数据背后的规律和趋势，预测设备故障和异常情况，优化生产过程和资源配置，从而提高生产效率和安全性，实现对煤矿生产过程的智能监测、优化和控制^[1-3]。

许多学者利用AI技术对矿井下复杂场景进行建模，并通过井下实时数据进行模型推理^[4]。文献[5-7]通过挖掘分析采煤工作面液压支架的压力数据与行程动作数据对中部支架进行推理，得到支架的操作策略参数与操作建议。文献[8]通过分析液压数据，对井下液压系统进行分析建模，从而动态调整液压供应实现稳压供液。文献[9]根据支架跟机推进数据进行分析建模，最终实现支架动作智能决策。文献[10]通过计算巷道当量距离，基于改进DK（Dijkstra-Kruskal）算法建模，得出逃生路径规划结果。文献[11]利用前期积累的煤层地质模型数据和采煤机历史截割数据，基于长短期记忆（Long-Short Term Memory，LSTM）神经网络对煤层厚度分布进行预测。文献[12]以采煤机截割过程中的状态参数为输入信号，采用BP神经网络实时调整采煤机工作参数来实现自适应调速。文献[13]利用煤岩图像数据，基于生成式对抗网络构建模型，实现了煤岩识别。上述研究利用AI技术实现了煤矿工业数据的初步挖掘和煤矿单一应用场景的AI建模。然而鉴于煤矿生产系统的复杂性（多场景、多融合和多数据特性），单一应用场景AI模型无法适用于煤矿复杂的应用场景。另外，在煤矿工业数据挖掘过程中，由于智能煤矿数据具有实时性强和数据体量大的特征，许多学者利用分布式计算处理海量数据。文献[14-17]构建了基于大数据计算技术的计算平台，通过对煤矿生产子系统产生的工控数据的计算分析，基本实现了设备工况数据采集、故障预判、设备全生命周期管理。文献[18]为满足海量大数据的可靠存储，设计了面向大数据分析、专为大规模集群应用的分布式文件系统Clover。文献[19]利用Spark并行计算框架接收大量的煤矿实时数据，对井下环境数据进行并行计算。文献[20]利用Spark Streaming的流处理技术，减少计算开销，使预测模型更新周期达到秒级。然而在多应用场景AI模型应用过程中，仅使用分布式计算来处理AI模型输入特征值会降低小批量特征值的计算速度，导致部分需要小批量特征值的AI模型应用效率降低。

针对多应用场景AI模型协同运行机制和数据计算方式，本文提出了一种煤矿工业数据AI模型自动推理技术。基于双计算引擎自动切换机制实现多应用场景AI模型输入特征值的快速计算，通过多触发方式协同推理机制实现多应用场景AI模型的快速、自动、协同推理。

1.   技术架构

煤矿工业数据AI模型自动推理技术架构包括数据层、计算驱动层和模型推理层，如图1所示。

图  1  煤矿工业数据AI模型自动推理技术架构

Figure  1.  Architecture of automatic reasoning technology for coal mine industrial data AI model

下载: 全尺寸图片 幻灯片

数据层通过RS485/TCP等通信协议将井下各类机械（采煤机、液压支架、刮板输送机、泵站等）传感器产生的各类监测数据传输至OPC网关^[21]，统一存储至原始数据池中，为计算驱动层提供原始数据。

计算驱动层对数据层采集的海量原始数据进行处理，转换成煤矿应用场景AI模型输入特征值。煤矿不同应用场景AI模型需要不同的特征值，计算时数据类型多样，数据量大小不一，数据计算流程与方法不尽相同，计算驱动层需要协调多组特征值计算（如算力分配、串行并行），因此设计煤矿应用场景AI模型输入特征值双计算引擎自动切换机制，根据数据处理时延和数据量自动选择基于Spark的分布式计算或基于Python的单机计算方式。将计算得到的特征值分库分表存入特征数据池中，为模型推理层提供特征值。

模型推理层依据模型应用流程、模型触发机制及数据流向，通过Keras，Joblib等AI工具将从特征数据池读取的特征值输入应用场景AI模型进行推理，再将推理结果存入应用数据池中。在模型推理过程中，不同的应用场景AI模型有不同的推理触发方式及触发条件，因此，设计煤矿应用场景AI模型多触发方式协同推理机制，通过定时触发、人为交互触发、信号反馈触发3种模型推理触发方式协同推理。

2.   技术核心

2.1   煤矿应用场景AI模型输入特征值双计算引擎自动切换机制

煤矿应用场景AI模型输入特征值双计算引擎自动切换机制如图2所示。先进行数据量评估，若数据量大于N（N为数据量阈值），则采用分布式计算，否则分布式计算与单机计算同时进行，并记录分布式计算耗时t₁和单机计算耗时t₂。若−t₄＜t₃＜t₄（t₃=t₁−t₂，t₄为时间阈值），即分布式计算和单机计算耗时相差不大，且单机计算资源充足，则优先选择单机计算，否则使用分布式计算。若t₃＜−t₄，即分布式计算耗时比单机计算耗时短得多，则使用分布式计算，否则使用单机计算。

图  2  煤矿应用场景AI模型输入特征值双计算引擎自动切换机制

Figure  2.  Automatic switching mechanism of dual computational engines for AI model input eigenvalues in coal mine application scenario

下载: 全尺寸图片 幻灯片

2.2   煤矿应用场景AI模型多触发方式协同推理机制

在单一应用场景AI模型推理应用时设计如下3种推理触发方式。

1） 定时触发。定时触发是指结合模型的推理时间及在应用模型时收集模型输入数据的最大过程时间来确定触发模型推理的时间间隔，以该时间间隔定时触发模型推理过程。

2） 人为交互触发。人为交互触发是指用户通过工业场景APP发送请求后，触发对应的应用场景AI模型推理过程。

3） 信号反馈触发。信号反馈触发是指在后台维护线程，持续从原始数据池中接收工控信号，当工控信号满足模型触发条件时，触发模型推理过程。

若距离上次触发模型推理过程的时间间隔小于阈值，则模型推理过程不会再触发，避免不必要的频繁计算。

在多应用场景AI模型协同推理时，为提高推理效率、避免多模型推理时互相干扰，以多线程方式并行执行多应用场景AI模型推理过程，同时根据各应用场景AI模型的应用需求及数据条件确定模型推理触发方式。

3.   技术测试

为测试技术的可行性，编写测试程序并嵌入液压支架支护质量辨识分析模型^[6]（简称模型1）和智采工作面中部液压支架集群自动化后人工调控决策模型^[7]（简称模型2）。测试架构如图3所示。

图  3  测试架构

Figure  3.  Testing architecture

下载: 全尺寸图片 幻灯片

在1台独立搭载Windows Server操作系统的服务器上部署数据采集器。该服务器配备24核5220R处理器、32 GiB内存和4 TiB固态硬盘。将原始数据存储在服务器的InfluxDB数据库中，应用数据和特征数据则存储在服务器的MySQL数据库中。

将3台操作系统为Linux的服务器分为1个主节点和2个从节点。在3台服务器上部署Spark分布式环境，同时在主节点服务器上部署测试程序的运行环境。

3.1   AI模型输入特征值双计算引擎自动切换测试

分别使用基于Python的单机计算和基于Spark的分布式计算对数据进行处理，结果如图4所示。可看出当数据量小于5 000万条时，使用基于Python的单机计算和基于Spark的分布式计算均可对数据进行处理，且在数据量小于2 200万条时，基于Python的单机计算处理速度更快；但当数据量超过5 000万条时，基于Python的单机计算会出现内存溢出问题，无法对数据进行处理。

图  4  数据处理速率对比

Figure  4.  Comparison of data processing rate

下载: 全尺寸图片 幻灯片

模型1应用时，抽取1 d的支架压力数据（约4 000万条），按照每5 min进行分组求均值来作为模型1的输入特征值。模型2应用时，抽取最近0.5 h的支架压力数据和行程数据（约70万条），经过归一化后作为模型2的输入特征值。模型1和模型2在计算输入特征值时，各计算方式耗时对比见表1。结果显示使用双计算引擎自动切换机制可针对各应用场景AI模型输入特征值的计算需求自主选择快速的计算方式。

表  1  模型输入特征值计算耗时对比

Table  1.  Comparison of time consumption for model input eigenvalue

模型	仅单机计算 耗时/s	仅分布式计算 耗时/s	双计算引擎自动 切换耗时/s
模型1	344	100	100
模型2	3	18	3

下载: 导出CSV 

| 显示表格

3.2   AI模型多触发方式协同推理测试

设置模型1定时触发时间间隔为10 min，模型2定时触发时间间隔为5 min，模型1、模型2部分推理记录见表2。可看出模型1和模型2的3种触发方式均生效，且在2023−09−01T16:15:04时，模型1和模型2同时触发推理，并行执行模型推理过程。

表  2  模型部分触发推理记录

Table  2.  Partially triggered reasoning record of models

模型	模型推理触发时间	触发方式	推理耗时/s
模型1	2023−09−01T16:15:04	定时触发	1.7
模型2	2023−09−01T16:15:04	定时触发	1.5
模型2	2023−09−01T16:17:36	信号反馈触发	1.5
模型1	2023−09−01T16:19:25	人为交互触发	1.7
模型2	2023−09−01T16:22:36	定时触发	1.5
模型1	2023−09−01T16:29:25	定时触发	1.7

下载: 导出CSV 

| 显示表格

4.   技术应用

依据模型1和模型2应用的需要，开发煤矿工业场景APP，并嵌入操作日志模块以便验证煤矿工业数据AI模型自动推理技术的有效性。

APP部署应用于山西潞安矿业（集团）有限责任公司高河煤矿2312工作面，经过6个月以上的工业现场试运行，应用结果见表3。

表  3  应用结果

Table  3.  Application results

模型	模型触发次数	特征值计算平均耗时/s	模型调用平均耗时/s
模型1	29420	100.6	1.57
模型2	57620	3.8	1.42

下载: 导出CSV 

| 显示表格

从表3可看出，模型1、模型2均在工业现场运转稳定，且能根据各模型输入特征值计算需要合理选择快速的计算方式，降低模型输入特征值计算耗时，实现模型的快速调用。

5.   结论

1） 煤矿工业数据AI模型自动推理技术架构包括数据层、计算驱动层和模型推理层。其中计算驱动层通过煤矿应用场景AI模型输入特征值双计算引擎自动切换机制，根据数据量自动合理地选择使用基于Spark的分布式计算方式或基于Python的单机计算方式，解决了海量数据计算速度慢、数据应用延迟大的问题；模型推理层引入煤矿应用场景AI模型多触发方式协同推理机制，通过定时触发、人为交互触发、信号反馈触发3种触发方式，解决了在煤矿复杂的应用条件下单一应用场景AI模型利用效果差的问题。

2） 通过实验测试和煤矿现场部署应用，验证了该技术可实现多应用场景AI模型输入特征值的快速计算，以及不同应用场景AI模型的快速、自动、协同推理。