摘要：煤礦生產(chǎn)過(guò)程的智能化主要依托于人工智能（AI）技術(shù)分析煤礦工業(yè)數(shù)據(jù)，但單一應(yīng)用場(chǎng)景AI 模型無(wú)法適用于煤礦復(fù)雜的應(yīng)用場(chǎng)景，且僅使用分布式計(jì)算來(lái)處理AI 模型輸入特征值會(huì)導(dǎo)致模型應(yīng)用效率降低。針對(duì)上述問(wèn)題，提出了一種煤礦工業(yè)數(shù)據(jù)AI 模型自動(dòng)推理技術(shù)。該技術(shù)架構(gòu)包括數(shù)據(jù)層、計(jì)算驅(qū)動(dòng)層和模型推理層：數(shù)據(jù)層采集各類監(jiān)測(cè)數(shù)據(jù)并統(tǒng)一存儲(chǔ)，為計(jì)算驅(qū)動(dòng)層提供原始數(shù)據(jù)；計(jì)算驅(qū)動(dòng)層將數(shù)據(jù)層采集的海量原始數(shù)據(jù)轉(zhuǎn)換成煤礦應(yīng)用場(chǎng)景AI 模型輸入特征值，通過(guò)煤礦應(yīng)用場(chǎng)景AI 模型輸入特征值雙計(jì)算引擎自動(dòng)切換機(jī)制，根據(jù)數(shù)據(jù)量自動(dòng)合理地選擇使用基于Spark 的分布式計(jì)算方式或基于Python 的單機(jī)計(jì)算方式，解決了海量數(shù)據(jù)計(jì)算速度慢、數(shù)據(jù)應(yīng)用延遲大的問(wèn)題；模型推理層將特征值輸入應(yīng)用場(chǎng)景AI 模型進(jìn)行推理，引入煤礦應(yīng)用場(chǎng)景AI 模型多觸發(fā)方式協(xié)同推理機(jī)制，通過(guò)定時(shí)觸發(fā)、人為交互觸發(fā)、信號(hào)反饋觸發(fā)3 種觸發(fā)方式，解決了在煤礦復(fù)雜的應(yīng)用條件下單一應(yīng)用場(chǎng)景AI 模型利用效果差的問(wèn)題。測(cè)試和應(yīng)用結(jié)果表明，該技術(shù)可實(shí)現(xiàn)多應(yīng)用場(chǎng)景AI 模型輸入特征值的快速計(jì)算，以及不同應(yīng)用場(chǎng)景AI 模型的快速、自動(dòng)、協(xié)同推理。

關(guān)鍵詞：煤礦人工智能；煤礦工業(yè)數(shù)據(jù)；AI 模型推理；海量數(shù)據(jù)計(jì)算；AI 模型應(yīng)用

中圖分類號(hào)：TD67 文獻(xiàn)標(biāo)志碼：A

0 引言

智能煤礦產(chǎn)生的海量工業(yè)數(shù)據(jù)蘊(yùn)藏著寶貴的信息和潛在的價(jià)值。利用人工智能（ArtificialIntelligence，AI）技術(shù)分析煤礦工業(yè)數(shù)據(jù)，可幫助發(fā)現(xiàn)隱藏在數(shù)據(jù)背后的規(guī)律和趨勢(shì)，預(yù)測(cè)設(shè)備故障和異常情況，優(yōu)化生產(chǎn)過(guò)程和資源配置，從而提高生產(chǎn)效率和安全性，實(shí)現(xiàn)對(duì)煤礦生產(chǎn)過(guò)程的智能監(jiān)測(cè)、優(yōu)化和控制[1-3]。

許多學(xué)者利用AI 技術(shù)對(duì)礦井下復(fù)雜場(chǎng)景進(jìn)行建模，并通過(guò)井下實(shí)時(shí)數(shù)據(jù)進(jìn)行模型推理[4]。文獻(xiàn)[5-7]通過(guò)挖掘分析采煤工作面液壓支架的壓力數(shù)據(jù)與行程動(dòng)作數(shù)據(jù)對(duì)中部支架進(jìn)行推理，得到支架的操作策略參數(shù)與操作建議。文獻(xiàn)[8]通過(guò)分析液壓數(shù)據(jù)，對(duì)井下液壓系統(tǒng)進(jìn)行分析建模，從而動(dòng)態(tài)調(diào)整液壓供應(yīng)實(shí)現(xiàn)穩(wěn)壓供液。文獻(xiàn)[9]根據(jù)支架跟機(jī)推進(jìn)數(shù)據(jù)進(jìn)行分析建模，最終實(shí)現(xiàn)支架動(dòng)作智能決策。文獻(xiàn)[10]通過(guò)計(jì)算巷道當(dāng)量距離， 基于改進(jìn)DK（Dijkstra-Kruskal）算法建模，得出逃生路徑規(guī)劃結(jié)果。文獻(xiàn)[11]利用前期積累的煤層地質(zhì)模型數(shù)據(jù)和采煤機(jī)歷史截割數(shù)據(jù)， 基于長(zhǎng)短期記憶（Long-Short Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)煤層厚度分布進(jìn)行預(yù)測(cè)。文獻(xiàn)[12]以采煤機(jī)截割過(guò)程中的狀態(tài)參數(shù)為輸入信號(hào)，采用BP 神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)調(diào)整采煤機(jī)工作參數(shù)來(lái)實(shí)現(xiàn)自適應(yīng)調(diào)速。文獻(xiàn)[13]利用煤巖圖像數(shù)據(jù)，基于生成式對(duì)抗網(wǎng)絡(luò)構(gòu)建模型，實(shí)現(xiàn)了煤巖識(shí)別。上述研究利用AI 技術(shù)實(shí)現(xiàn)了煤礦工業(yè)數(shù)據(jù)的初步挖掘和煤礦單一應(yīng)用場(chǎng)景的AI 建模。然而鑒于煤礦生產(chǎn)系統(tǒng)的復(fù)雜性（多場(chǎng)景、多融合和多數(shù)據(jù)特性），單一應(yīng)用場(chǎng)景AI 模型無(wú)法適用于煤礦復(fù)雜的應(yīng)用場(chǎng)景。另外，在煤礦工業(yè)數(shù)據(jù)挖掘過(guò)程中，由于智能煤礦數(shù)據(jù)具有實(shí)時(shí)性強(qiáng)和數(shù)據(jù)體量大的特征，許多學(xué)者利用分布式計(jì)算處理海量數(shù)據(jù)。文獻(xiàn)[14-17]構(gòu)建了基于大數(shù)據(jù)計(jì)算技術(shù)的計(jì)算平臺(tái)，通過(guò)對(duì)煤礦生產(chǎn)子系統(tǒng)產(chǎn)生的工控?cái)?shù)據(jù)的計(jì)算分析，基本實(shí)現(xiàn)了設(shè)備工況數(shù)據(jù)采集、故障預(yù)判、設(shè)備全生命周期管理。文獻(xiàn)[18]為滿足海量大數(shù)據(jù)的可靠存儲(chǔ)，設(shè)計(jì)了面向大數(shù)據(jù)分析、專為大規(guī)模集群應(yīng)用的分布式文件系統(tǒng)Clover。文獻(xiàn)[19]利用Spark 并行計(jì)算框架接收大量的煤礦實(shí)時(shí)數(shù)據(jù)，對(duì)井下環(huán)境數(shù)據(jù)進(jìn)行并行計(jì)算。文獻(xiàn)[20]利用SparkStreaming 的流處理技術(shù)，減少計(jì)算開(kāi)銷，使預(yù)測(cè)模型更新周期達(dá)到秒級(jí)。然而在多應(yīng)用場(chǎng)景AI 模型應(yīng)用過(guò)程中，僅使用分布式計(jì)算來(lái)處理AI 模型輸入特征值會(huì)降低小批量特征值的計(jì)算速度，導(dǎo)致部分需要小批量特征值的AI 模型應(yīng)用效率降低。

針對(duì)多應(yīng)用場(chǎng)景AI 模型協(xié)同運(yùn)行機(jī)制和數(shù)據(jù)計(jì)算方式，本文提出了一種煤礦工業(yè)數(shù)據(jù)AI 模型自動(dòng)推理技術(shù)?；陔p計(jì)算引擎自動(dòng)切換機(jī)制實(shí)現(xiàn)多應(yīng)用場(chǎng)景AI 模型輸入特征值的快速計(jì)算，通過(guò)多觸發(fā)方式協(xié)同推理機(jī)制實(shí)現(xiàn)多應(yīng)用場(chǎng)景AI 模型的快速、自動(dòng)、協(xié)同推理。

1 技術(shù)架構(gòu)

煤礦工業(yè)數(shù)據(jù)AI 模型自動(dòng)推理技術(shù)架構(gòu)包括數(shù)據(jù)層、計(jì)算驅(qū)動(dòng)層和模型推理層，如圖1 所示。

數(shù)據(jù)層通過(guò)RS485/TCP 等通信協(xié)議將井下各類機(jī)械（采煤機(jī)、液壓支架、刮板輸送機(jī)、泵站等）傳感器產(chǎn)生的各類監(jiān)測(cè)數(shù)據(jù)傳輸至OPC 網(wǎng)關(guān)[21]，統(tǒng)一存儲(chǔ)至原始數(shù)據(jù)池中，為計(jì)算驅(qū)動(dòng)層提供原始數(shù)據(jù)。

計(jì)算驅(qū)動(dòng)層對(duì)數(shù)據(jù)層采集的海量原始數(shù)據(jù)進(jìn)行處理，轉(zhuǎn)換成煤礦應(yīng)用場(chǎng)景AI 模型輸入特征值。煤礦不同應(yīng)用場(chǎng)景AI 模型需要不同的特征值，計(jì)算時(shí)數(shù)據(jù)類型多樣，數(shù)據(jù)量大小不一，數(shù)據(jù)計(jì)算流程與方法不盡相同，計(jì)算驅(qū)動(dòng)層需要協(xié)調(diào)多組特征值計(jì)算（如算力分配、串行并行） ，因此設(shè)計(jì)煤礦應(yīng)用場(chǎng)景AI 模型輸入特征值雙計(jì)算引擎自動(dòng)切換機(jī)制，根據(jù)數(shù)據(jù)處理時(shí)延和數(shù)據(jù)量自動(dòng)選擇基于Spark 的分布式計(jì)算或基于Python 的單機(jī)計(jì)算方式。將計(jì)算得到的特征值分庫(kù)分表存入特征數(shù)據(jù)池中，為模型推理層提供特征值。