基于物联网的矿山装备数字化运维研究与应用

杨 磊

中信重工机械股份有限公司 河南洛阳 471039

矿山行业是国民经济的战略产业，对保障我国经济和国防安全具有重要的战略意义，国家已陆续出台多项政策来促进其发展[1]。智能化是矿山高质量发展的必由之路，2020 年由国家发改委、能源局等联合印发的《关于加快煤矿智能化发展的指导意见》提出加快推进矿山智能化建设，形成全面感知、实时互联、分析决策、自主学习、动态预测、协同控制的智能系统，实现煤矿开采过程的智能化。在矿山智能化发展的道路上，矿山装备的数字化运维成为智慧矿山的关键。党的十九大报告明确提出“加快建设制造强国，推动互联网、大数据、人工智能和实体经济深度融合”。目前我国矿山装备与生产运营状态差异较大，管理模式各异，先进技术与传统方法交叉，设备运维效率较低，从而造成生产效率低下。因此，矿山装备数字化运维的研究对推动矿山产业的绿色智能发展具有重要意义。

物联网是指通过各种信息传感器实时采集被监控物体的声、光、热等信息，通过网络接入，实现物与物、物与人的泛在连接，实现对被监控物体运行过程的智能化感知、分析和管理。将物联网技术应用到矿山装备数字化运维，能够有效提升矿山作业的效率。因此，面向智慧矿山[2]装备运维的需求，基于现有物联网技术的研究成果[3-4]，提出了一种装备数字化运维体系架构，能够满足未来矿山建设绿色高效生产的要求，推动矿山行业的稳定可持续发展。

1 数字化运维

矿山装备数字化运维是一个集成多学科、多主体、多维空间信息的复杂系统，是矿产资源开采过程中所涉及到装备的各种动态、静态信息的数字化管理、智能化分析和可视化展示，可以对矿山运行过程的设备状态、人员位置、地质构造等数据进行实时采集和分析，从而形成装备智能调度、智能运行、智能维护等决策，为高效生产提供支撑。

基于物联网技术构建矿山装备数字化运维体系，旨在推动矿山生产智能化建设，其具体应用场景包括如下内容。

(1) 矿山场景的实时三维重建 通过感知设备，如无人机、视频摄像头、环境传感器等，对矿山全要素场景进行全方位、高精度的数据采集。通过三维重建技术[5-6]立体呈现矿山不同区域设备的实时运行状况，并结合数据融合方法，基于数字孪生技术，对矿山未来状况进行预测，避免安全风险，提高安全作业的效率，为企业提供进一步的矿产资源储备评估、矿井建设设计等应用支持。与传统的地质测量工作方式相比，节约了大量的时间，提升了检测效率和水平。

(2) 矿山设备状态评估与维护 根据采集设备的数据，包括功率、电流、油压、温度、震动、运行转速等参数，对大型矿山设备进行监测、远程调试、性能评估和能耗管理[7]。然后，利用人工智能技术对矿山设备进行健康评估，结合作业计划提出设备预测性维护方案，实现设备合理有计划的维护，避免设备损坏造成经济损失和施工进度的延误。

(3) 无人设备的协同调度 无人设备的协同调度需要建立在数字化、虚拟化、信息化、智能化、集成化的基础上，综合考虑生产、安全、环境、资源等各类要素，利用机器视觉和人工智能对各类信息进行全面、高效、有序管理，实现无人设备间的协同运行，提高设备的运行效率，达到安全高效低耗生产的目的[8]。

(4) 设备故障的智能化诊断 由于矿山设备运行环境较为复杂，极易发生零部件损坏或老化等现象，从而影响矿山开采的进度。结合人工智能和物联网技术对矿山设备进行智能化诊断，能有效提高设备运行的稳定性和安全性，为矿山开采的安全生产决策提供技术保障[9]。

2 数字化运维的内涵

矿山装备数字化运维的本质是，利用智能感知设备，对矿山运行过程中全要素数据进行智能化采集，并通过网络传输层实现设备间数据的互联互通，形成高效的数据采集体系；然后，通过数据融合方法对采集到的设备、人员、作业环境等数据进行清洗、处理和计算，形成智慧矿山装备数字化管控体系，从而实现矿山装备作业的智能化、可视化以及安全生产管理的一体化。基于物联网进行矿山装备数字化运维，能够实现对矿山装备的智能识别和全面管控；同时，运用三维重建技术，对矿山装备进行全方位的监控和调度，构建综合管理平台，实现安全生产过程的优化；对生产过程的因素进行综合分析，可以提升精细化管理水平，降低事故发生频率，从而推动矿山装备的智能化改造。

2.1 新的挑战

面向矿山装备的数字化运维将对底层设备感知、数据的安全传输、数据存储与处理和应用层的装备运维提出了新的挑战。

(1) 信息感知 资源开采过程中会产生大量的矿物粉尘及噪声，对智能感知设备的数据采集造成了巨大的挑战。

(2) 数据安全传输 异构边缘网络和设备是矿山采集数据传输的关键组成部分，若遭受网络攻击会对矿山设备的安全造成重大危害，异构网络下的数据安全传输是矿山设备数字化运维的关键。

(3) 数据存储与处理 非结构性数据存储与处理成为矿山装备数字化运维的新挑战，企业需要解决复杂结构数据的存储与管理难题，建立一个矿山全场景的数据管理平台，快速整合和管理数据。

(4) 装备运维 矿山装备运行时，若出现故障后再进行补救性抢修，就有可能对工程进度造成巨大影响。因此，如何基于采集数据进行故障预测与维护成为矿山装备数字化运维的关键。

2.2 应对技术

面对矿山装备数字化运维的这些挑战，目前研究提出了多种应对技术，包括云计算、智能决策、大数据分析、数字孪生和物联网等。

(1) 数字孪生 数字孪生是指通过集成物理反馈数据，并辅以人工智能和机器学习等方法，在信息化平台建立一个虚拟化模型[10]。根据物理场景的实时反馈信息，对虚拟化模型做出相应改变。虚拟化模型根据历史数据和专业知识，通过自学习机制对未来场景变化做出预测，并反馈实体物理场景。

(2) 云计算 云计算是指通过网络将巨大的数据计算任务分解成多个子任务，通过多个云服务器处理和分析，得到各子任务的处理结果。

(3) 机器学习 针对感知装备数据，利用机器学习技术对多源异构数据进行融合，依据历史信息建立设备状态特征库，结合生成设备的特殊性，执行智能决策，形成设备的健康状况分析和预测性维护建议。机器学习主要解决矿山装备运维的智慧性问题。

3 数字化运维体系架构

面向矿山装备运行维护方面的需求，提出了由设备感知层、网络传输层、数据智能分析与挖掘层和服务应用层组成的 4 层结构模型，各层内容及层间关系如图 1 所示。

图1 矿山装备数字化运维架构Fig.1 Architecture of digital operation and maintenance of mining equipment

3.1 设备状态感知层

围绕矿山现场环境、大型开采移动设备和固定设备等对象，分析环境变化对智能传感器的影响机理，基于物联网技术，利用红外像机、检测器、激光雷达、无人机、智能传感器等设备对矿山场景和开采设备进行数据采集。基于数据处理与清洗技术对采集的多源异构原始数据进行修补，提高感知数据的准确性。利用长短时记忆网络对感知信息进行层级分析，提取矿山设备的状态特征，为设备的故障预测、协同调度和维护提供数据基础。

3.2 网络传输层

矿山智能装备感知设备的实时数据传输可能面临被拦截、监听和篡改等安全风险，因此，需要保证网络节点间数据传输的可靠性和安全性。首先，利用设备唯一标识符建立接入网络设备的双重身份认证机制，保障接入设备的安全可信性；然后，基于公开标识和隐形标识建立轻量级动态双重密钥加解密方法，保证传输数据的隐私性；最后，利用签名算法保障传输数据的不可伪造性和完整性。网络数据传输模型如图 2 所示，网络传输层的作用是将设备感知层采集到的数据安全可靠地传输至数据分析层。

图2 网络数据传输模型Fig.2 Network data transmission model

3.3 数据智能分析与挖掘层

数据中心根据采集的数据，对装备状态进行智能分析并挖掘其中的关键信息，主要包括以下内容。

(1) 数据融合 利用人工智能和大数据技术，综合分析多种信息源采集到的数据，提出矿山设备多源信息的属性关联与匹配模式，建立多源、异构、异步信息融合模型，辅助作业人员及工业控制系统进行决策判断和行动规划。

(2) 数据存储 对从网络传输层获取的设备运行和环境特征数据，基于先验知识与领域知识，建立具有自学习与自更新能力的知识图谱，构造访问路径自主动态更新策略，实现融合信息的协同存储与共享，为上层应用提供支持。

(3) 数据挖掘 集成神经网络、聚类分析、决策树等方法，结合分布式计算，实现各类设备运行状态的分析与识别，构建设备运行机理与数据挖掘相结合的设备状态演化规律分析框架，利用设备长期运行过程中积累的多源数据和人工智能方法实现设备运行状态与数据间的关联分析，建立矿山设备数据的解析和挖掘模型，为应用层提供决策。

3.4 服务应用层

基于物联网、云计算技术和人工智能技术，创建一个设备数字化运维服务平台，形成计算能力强、灵活性高的应用服务层。服务应用层主要包含以下 4 个方面的应用。

(1) 设备数字化三维重建 基于数据智能分析与挖掘层的结果，从几何、物理、行为、规则等多个维度对矿山设备运行状况进行刻画和描述，同时融合机器学习算法对模型进行优化，从多层次角度对模型组装和融合形成设备要素虚拟重构模型。通过对矿山设备要素模型进行配置形成以应用为导向的矿山设备管理系统的数字孪生模型，再基于生产过程动态数据对仿真模型施加约束、初始化和输入设置，精准构建矿山设备仿真模型。最后利用时域最大误差限评价法和模型降阶算法对误差进行自适应降阶，并自主优化矿山设备全要素模型生成简化降阶模型，实现对矿山生产设备仿真模型高效实时处理，为矿山开采设备的协同调度、生产设备故障预测和设备的预测性维护提供服务支持。

(2) 设备的协同调度 生产设备的协同调度是提升矿山开采生产效率的关键。基于人员、设备、开采任务、开采位置等多源融合信息，分析矿山生产过程的动态演化规律，构建生产任务的多目标约束函数，利用生成式对抗网络技术生成调度序列样本数据，将其输入多层神经网络，基于粒子群优化算法训练神经网络，获得神经网络的最优权重和阈值，以逼近优化目标函数，形成生产设备任务调度模型。

(3) 智能化的设备故障诊断 准确、及时的矿山设备健康状况评估和智能化的设备故障诊断是矿山顺利开采的基础。在单个设备状态评估方面，依据设备运行历史信息建立状态特征库，基于自监督表示学习，基于 Transformer 机制的双流循环神经网络行为对设备状态进行识别分析，根据设备运行过程中产生的各种信息判别设备运行状态是否存在异常，并判定产生故障的原因和部位，依据设备组件间的内在联系，提出设备故障诊断方法。

(4) 设备的预测性维护 基于矿山设备健康状况信息，考虑生产设备的联通性、业务相关性等因素，构建生产设备健康状况视图，探索生产设备健康状况退化模型，引入生成式对抗网络分析生产设备健康状况发展趋势，构建生产设备全局健康状况态势模型，为预防性维护提供数据基础，深入分析生产设备健康状况态势，基于先验知识构建设备监控状况评估模型，并按照健康等级给出预测性维护策略，避免由于突发故障造成生产损失。

4 技术应用

基于物联网的矿山装备数字化运维技术形成的矿山装备运维物联网平台，主要应用于大型工业设备的运行监测、远程调试、性能评估、能耗管理和故障诊断。

该平台可以实时采集获取整个生产系统的运行数据，并采用机器学习、神经网络、统计回归、机理分析、数据融合和频谱分析等技术，开发了面向整个生产过程的仿真数学模型、设备性能评估模型、设备故障诊断模型和设备预测维护模型。通过生产过程的仿真模型和设备性能评估模型运行数据的仿真分析，可进行整个工业设备生产过程的优化，提升用户企业的生产效率。同时通过设备故障诊断模型和预测维护模型，对关键设备的运行状况进行实时监控和诊断预测，可实现设备的健康管理和故障预测与诊断，从而优化用户的检修和维护水平，提升设备的可靠性和作业率。

该平台提供了智能装备的全生命周期分析方法，通过构建支撑设备状态监控、性能预测和故障诊断功能的数据库管理系统，分析系统业务模型和数据信息流向，在研究静态数据和运行状态动态数据的存储策略基础上，构造设备本征数据库、诊断系统专家知识库和故障诊断模型库。采用粗糙集、决策树、模糊推理等手段，基于数据库系统设备历史数据，逐步精确化系统本征参数，实现设备特征库的自动更新，最终实现智能装备的性能分析、工况识别、故障诊断、故障报警和预测维护等功能，大幅提高全生命周期过程中装备的智能化水平。

5 结语

从矿山设备数字化运维建设发展需求出发，利用物联网技术，提出了面向矿山设备运维的 4 层体系架构，并对各层内容进行了阐述，最后给出了数字化运维技术的应用。矿山设备数字化运维需要经历一个长期发展的过程，随着大数据、人工智能、区块链技术的发展，需结合机器视觉和人工智能技术不断对其进行智能化升级，增强系统的智慧性，推动矿山产业的健康发展。