★ 華亭煤業集團有限責任公司 王棟

關鍵詞：煤礦機電設備；遠程監控；自動調節；空間注意力機制

近年來，深度學習和自動化技術已經大量地應用到煤礦機電設備的監控和調節當中。從技術應用角度看，引入基于深度學習的目標檢測技術與智能調節方法，可以大幅地加強監控系統的智能化水平 [1]。 YOLO-v4作為一種優秀的目標檢測算法，雖然有著較高的精度跟速度，但在煤礦環境里，由于圖像質量差、光照不足等因素，性能依舊受到限制。因此，本文提出了一種基于優化YOLO-v4的煤礦機電設備遠程監控技術。該技術融合空間注意力機制來增進監控的精度，并引入依據模型預測控制（Model Predictive Control， MPC）的調節系統來實現設備故障的自動調節。

1   基于優化YOLO-v4網絡的煤礦機電設備遠程監控

地下低照度 、 粉塵干擾等復雜因素使煤礦機電設備的遠程監控工作開展十分困難。本文引入基于深度學習的目標檢測方法，結合空間注意力機制，對YOLO-v4網絡進行優化，實現遠程監控。 YOLO-v4網絡具有較高的檢測精度和較快的處理速度，但是煤礦井下環境中的圖像質量受到多種因素的影響，容易出現光線不均、圖像模糊等問題。本文引入空間注意力機制，可以增強網絡對圖像中顯著特征的關注，并抑制無關背景區域的干擾[2]。

針對煤礦環境中的低質量圖像問題，本文提出了一種像素正則化的空間注意力機制。該機制根據圖像的不同區域的重要性，調整各區域的權重，并應用批量歸一化（Batch Normalization， BN）操作，對輸入圖像的像素進行標準化處理，使每個像素值的方差和均值在訓練過程中保持穩定。使用一個權重矩陣對每個像素進行加權，權重矩陣的大小和計算方法基于圖像中每個區域的顯著性來確定。圖像中顯著區域的權重較大，非顯著區域的權重較小，確保網絡在處理圖像時，能夠優先關注礦工、安全帽等關鍵目標區域，而抑制干擾因素，如不相關的背景或低對比度區域。

空間注意力的像素正則化過程如公式（1）所示：

其中， Bin是輸入的圖像特征，  Ho和σθ分別表示批量歸一化的均值和方差， λ和β為可訓練的仿射變換參數，BUt是歸一化后的輸出特征。

本文將空間注意力機制和YOLO-v4模型融合起來，使用深度可分離卷積網絡結構（MobileNet-v3）作為YOLO-v4的骨干網絡，減少了模型的計算量和參數量，增強了煤礦圖像里核心信息區域的處理能力，使模型即使在光照不均或者有干擾的繁復環境下，依然可以準確地檢測礦工、設備等目標[3]。優化后的YOLO-v4網絡結構如圖1所示。

圖1 優化后的YOLO-v4網絡結構

訓練時，憑借權重改良給圖像的重要區域進行加權處理，可以增強礦工、設備等核心目標的檢測能力，減少背景噪聲、光線不均等因素的干擾。像素權重的計算公式如式（2）所示：

其中，oi表示第個像素的權重，λi為每個像素的正則化因子，Σλj為所有像素的歸一化因子的總和。

訓練完成后，網絡可以更加集中地關注煤礦環境里重要的目標特征，并根據像素的重要性賦予不同的權重，改良模型的關注區域，突出明顯區域的特征，加強模型對重要目標的感知能力。

考慮到煤礦環境中設備計算資源受限的情況，本文將YOLO-v4模型進一步優化為輕量級版本。這個版本具有較強的計算能力和較低的功耗，適合在煤礦井下冗雜的環境里運行。憑借Jetson TX2部署經過改良的YOLO-v4 L-EA模型，可讓邊緣設備實時地實現目標檢測的處理，高效地處理圖像數據，實時地生成目標檢測結果。模型部署時， 使用依據MobileNet-v3的卷積操作， 可以減少計算量以及存儲需求， 將NVIDIA Jetson TX2作為邊緣計算平臺，可以實時處理數據和檢測目標。利用高速網絡接口實現設備間的數據交換，借助本地存儲對圖像數據實行緩存，使目標檢測可以在極短時間內完成，從而使其在保持較高檢測精度的基礎上，也滿足實時監控的計算需求。

2   煤礦機電設備自動調節

數據采集環節， 監控系統實時獲取設備運行數據，記錄溫度、壓力、震動、轉速等核心參數，通過無線傳感器網絡把數據傳輸到中央控制平臺，平臺完成數據的初步清洗和預處理后，輸入控制算法完成實時分析與推理。系統依據深度學習和機器學習模型，自動地判斷設備運行狀態是否正常，識別潛在故障風險。確定有故障后，設備運行調節引入了MPC方法，依據設備的歷史數據和目前狀態預測后續行為。當系統檢測到設備參數超出正常閾值時， MPC算法會根據模型調節設備的輸入參數， 實現設備運行狀態的自動調節[4]。模型預測控制的調節模型如公式（3）所示：

（3）

在此公式中，uk是第k時刻的控制輸入， yk+i k是第k時刻對未來時刻的輸出預測值， yref  k+i是參考值， Q和R分別是加權矩陣，用于平衡控制精度和輸入的大小。通過最小化預測誤差和控制量的懲罰， MPC算法能夠實現設備運行參數的動態優化。

依據集成的知識圖譜技術， 系統從設備運行數據、故障日志、專家經驗等多源異構數據里提取信息，生成推理規則。系統檢測到設備異常時，推理引擎會憑借知識圖譜匹配歷史的故障實例，快速地診斷故障類型，推理出故障的根因。根據診斷的結果，系統會啟動相應的自動調節方案， 修正設備狀態。當軸承溫度異常升高時，推理引擎會融合設備工作環境跟歷史故障數據來分析，判斷問題可能源于潤滑不足或者磨損過度。根據推理結果，系統依靠自動調節模塊讓潤滑系統得到調節，增加潤滑油流量，實現溫度下降，防止設備更深一步地損壞。

給定設備監測數據下故障發生的概率計算過程如公式（4）所示：

在該公式中， P( Fault I X)是給定設備監測數據x下故障發生的概率，P(xl Fault )是故障發生時監測數據的條件概率，P( Fault )是故障的先驗概率， P(x)是監測數據的邊際概率。引入貝葉斯推理方法，對設備故障的類型和發生概率進行推斷，可以幫助智能調節系統做出合理的決策。

為了確保調節策略能夠持續適應煤礦環境的變化，系統集成了自學習的能力，可以依據新的故障數據跟運行狀態一直地更新調節模型。自適應學習算法如公式（5）：

其中，k是當前模型參數，a是學習率，V,J(k )是損失函數關于參數的梯度[5]。在這一過程中，系統通過不斷學習新的數據，更新調節策略，確保在不同環境和操作條件下，模型能夠自動調整優化方案。

3   實驗研究

為驗證本文提出的煤礦機電設備遠程監控與自動調節技術的實際應用效果，本研究選用礦工識別、設備振動異常、設備溫度異常三種異常情況，記錄系統的監控準確率和響應時間。實驗得到的結果如圖2所示。

圖2 監控準確率實驗結果

由圖2可知，引入本文方法前，監控系統在礦工識別和設備故障監測中的準確率普遍較低，而引入空間注意力機制后其準確率提高了15%~20%，尤其是在設備故障檢測方面的提升更為明顯。由此可知，空間注意力機制使系統能夠對圖像中的關鍵信息區域進行加權，減少了背景噪聲和干擾的影響。尤其在礦工識別和設備狀態監測任務中，其可以提升系統對小目標和遠距離目標的識別能力。同時，自動調節系統通過實時調整傳感器的采集參數，使監控系統能根據環境變化優化數據質量，進一步提升了故障檢測的準確性。

監控響應時間對比結果如圖3所示。

圖3 監控響應時間對比結果

由圖3可知， 引入自動調節后的系統顯著減少了設備故障識別和響應的時間，從傳統系統的10秒左右縮短至5秒以下。傳統監控系統的響應時間較長，主要原因在于監控數據的處理和故障識別過程過度依賴于人工經驗，所以很難在短時間內對復雜情況進行響應。而引入自動調節和深度學習技術后的系統，通過實時監測和預測機制，可以根據數據的實時變化調整檢測策略，并對關鍵數據進行優先處理，這樣就大大提高了系統對突發故障的響應速度，即便是在礦井復雜環境下，系統也能夠快速識別異常并及時作出響應。

為了進一步驗證自動調節系統的有效性，我們分析了系統引入本文調節技術前后的性能，得到實驗結果如表1所示。

表1 調節效果對比表

表1的數據說明， 自動調節系統大幅地縮短了故障恢復時間，礦工異常以及設備振動異常的恢復時間分別減少了12秒和13秒，增強幅度超過40%；調節后的設備穩定性評分整體上升，礦工異常以及設備溫度異常情況下穩定性增進超過5分； 自動調節系統可以明顯地減少設備故障發生后的停機時間，特別是在電力供應故障的情況下，停機時間減少了30%。

根據表1的效果對比，自動調節系統可以快速地識別故障，迅速地完成自我調節，改良設備運行參數，減少停機時間以及恢復時間。特別是在設備出現礦工安全設備異常、設備溫度異常等故障的情況下，調節系統可以實時地干預，避免設備因故障而長時間停機或者更深一步損壞。設備異常處理時，傳統的方法總是依賴人工判斷，恢復時間長且穩定性差，自動調節的方法則通過實時地調整以及改良，保證了設備在最短時間內恢復到正常的運行狀態。

4   結束語

本文提出的遠程監控與自動調節技術，能夠有效提升煤礦機電設備的監控精度、響應速度及調節效果，具體表現如下：

（1）監控系統性能提升：本文提出的優化YOLO-v4網絡結合空間注意力機制顯著提升了煤礦設備遠程監控系統的準確性。實驗表明，在設備故障檢測和礦工識別任務中，系統監控準確率提高了15%~20%，尤其在圖像質量較差和干擾較多的情況下，系統準確率提升尤為顯著。

（2）響應時間優化：通過引入自動調節與深度學習技術，監控系統的響應時間得到了顯著縮短。實驗數據顯示， 傳統系統的響應時間約為10秒， 而引入自動調節后的系統響應時間降低至5秒以下，提升了50%以上，確保了系統能夠快速識別和處理突發故障。

（3）自動調節效果顯著：自動調節系統通過基于MPC的方法，能夠根據設備的歷史數據和實時狀態進行預測和調節，有效降低了故障恢復時間，提升了設備穩定性。實驗結果表明，調節后系統設備恢復時間平均減少了40%以上，設備的穩定性評分提升了5分，停機時間也顯著減少，增強了設備的運行安全性和穩定性。

作者簡介：

王   棟（1984-），男，甘肅天水人，工程師，學士，現就職于華亭煤業集團有限責任公司，研究方向為煤礦自動化綜采 。

參考文獻：

[1] 張天峰. 深度學習在煤礦機電設備檢測技術中的應用研究[J]. 自動化儀表, 2025, 46 (2) : 102 - 106.

[2] 張敏, 李玉福. 煤礦機電設備智能化改造與升級策略研究[J]. 工礦自動化, 2024, 50 (S2) : 201 - 204.

[3] 雷佳俊, 趙星宇, 白應光, 等. 煤礦機電設備維修與管理工作研究[J]. 工礦自動化, 2023, (S2) : 146 - 149.

[4] 王明, 劉建莊. 面向煤礦機電設備維護的深度學習故障預測技術研究[J]. 機械與電子, 2025, 43 (8) : 67 - 72.

[5] 李白, 屈永剛, 陳昌兵. 基于知識圖譜技術的煤礦機電設備智能故障處理系統的研究與應用[J]. 工礦自動化, 2025, 51 (S1) : 55 - 60.

摘自《自動化博覽》2026年4月刊