★ 华亭煤业集团有限责任公司 王栋

关键词：煤矿机电设备；远程监控；自动调节；空间注意力机制

近年来，深度学习和自动化技术已经大量地应用到煤矿机电设备的监控和调节当中。从技术应用角度看，引入基于深度学习的目标检测技术与智能调节方法，可以大幅地加强监控系统的智能化水平 [1]。 YOLO-v4作为一种优秀的目标检测算法，虽然有着较高的精度跟速度，但在煤矿环境里，由于图像质量差、光照不足等因素，性能依旧受到限制。因此，本文提出了一种基于优化YOLO-v4的煤矿机电设备远程监控技术。该技术融合空间注意力机制来增进监控的精度，并引入依据模型预测控制（Model Predictive Control， MPC）的调节系统来实现设备故障的自动调节。

1   基于优化YOLO-v4网络的煤矿机电设备远程监控

地下低照度 、 粉尘干扰等复杂因素使煤矿机电设备的远程监控工作开展十分困难。本文引入基于深度学习的目标检测方法，结合空间注意力机制，对YOLO-v4网络进行优化，实现远程监控。 YOLO-v4网络具有较高的检测精度和较快的处理速度，但是煤矿井下环境中的图像质量受到多种因素的影响，容易出现光线不均、图像模糊等问题。本文引入空间注意力机制，可以增强网络对图像中显著特征的关注，并抑制无关背景区域的干扰[2]。

针对煤矿环境中的低质量图像问题，本文提出了一种像素正则化的空间注意力机制。该机制根据图像的不同区域的重要性，调整各区域的权重，并应用批量归一化（Batch Normalization， BN）操作，对输入图像的像素进行标准化处理，使每个像素值的方差和均值在训练过程中保持稳定。使用一个权重矩阵对每个像素进行加权，权重矩阵的大小和计算方法基于图像中每个区域的显著性来确定。图像中显著区域的权重较大，非显著区域的权重较小，确保网络在处理图像时，能够优先关注矿工、安全帽等关键目标区域，而抑制干扰因素，如不相关的背景或低对比度区域。

空间注意力的像素正则化过程如公式（1）所示：

其中， Bin是输入的图像特征，  Ho和σθ分别表示批量归一化的均值和方差， λ和β为可训练的仿射变换参数，BUt是归一化后的输出特征。

本文将空间注意力机制和YOLO-v4模型融合起来，使用深度可分离卷积网络结构（MobileNet-v3）作为YOLO-v4的骨干网络，减少了模型的计算量和参数量，增强了煤矿图像里核心信息区域的处理能力，使模型即使在光照不均或者有干扰的繁复环境下，依然可以准确地检测矿工、设备等目标[3]。优化后的YOLO-v4网络结构如图1所示。

图1 优化后的YOLO-v4网络结构

训练时，凭借权重改良给图像的重要区域进行加权处理，可以增强矿工、设备等核心目标的检测能力，减少背景噪声、光线不均等因素的干扰。像素权重的计算公式如式（2）所示：

其中，oi表示第个像素的权重，λi为每个像素的正则化因子，Σλj为所有像素的归一化因子的总和。

训练完成后，网络可以更加集中地关注煤矿环境里重要的目标特征，并根据像素的重要性赋予不同的权重，改良模型的关注区域，突出明显区域的特征，加强模型对重要目标的感知能力。

考虑到煤矿环境中设备计算资源受限的情况，本文将YOLO-v4模型进一步优化为轻量级版本。这个版本具有较强的计算能力和较低的功耗，适合在煤矿井下冗杂的环境里运行。凭借Jetson TX2部署经过改良的YOLO-v4 L-EA模型，可让边缘设备实时地实现目标检测的处理，高效地处理图像数据，实时地生成目标检测结果。模型部署时， 使用依据MobileNet-v3的卷积操作， 可以减少计算量以及存储需求， 将NVIDIA Jetson TX2作为边缘计算平台，可以实时处理数据和检测目标。利用高速网络接口实现设备间的数据交换，借助本地存储对图像数据实行缓存，使目标检测可以在极短时间内完成，从而使其在保持较高检测精度的基础上，也满足实时监控的计算需求。

2   煤矿机电设备自动调节

数据采集环节， 监控系统实时获取设备运行数据，记录温度、压力、震动、转速等核心参数，通过无线传感器网络把数据传输到中央控制平台，平台完成数据的初步清洗和预处理后，输入控制算法完成实时分析与推理。系统依据深度学习和机器学习模型，自动地判断设备运行状态是否正常，识别潜在故障风险。确定有故障后，设备运行调节引入了MPC方法，依据设备的历史数据和目前状态预测后续行为。当系统检测到设备参数超出正常阈值时， MPC算法会根据模型调节设备的输入参数， 实现设备运行状态的自动调节[4]。模型预测控制的调节模型如公式（3）所示：

（3）

在此公式中，uk是第k时刻的控制输入， yk+i k是第k时刻对未来时刻的输出预测值， yref  k+i是参考值， Q和R分别是加权矩阵，用于平衡控制精度和输入的大小。通过最小化预测误差和控制量的惩罚， MPC算法能够实现设备运行参数的动态优化。

依据集成的知识图谱技术， 系统从设备运行数据、故障日志、专家经验等多源异构数据里提取信息，生成推理规则。系统检测到设备异常时，推理引擎会凭借知识图谱匹配历史的故障实例，快速地诊断故障类型，推理出故障的根因。根据诊断的结果，系统会启动相应的自动调节方案， 修正设备状态。当轴承温度异常升高时，推理引擎会融合设备工作环境跟历史故障数据来分析，判断问题可能源于润滑不足或者磨损过度。根据推理结果，系统依靠自动调节模块让润滑系统得到调节，增加润滑油流量，实现温度下降，防止设备更深一步地损坏。

给定设备监测数据下故障发生的概率计算过程如公式（4）所示：

在该公式中， P( Fault I X)是给定设备监测数据x下故障发生的概率，P(xl Fault )是故障发生时监测数据的条件概率，P( Fault )是故障的先验概率， P(x)是监测数据的边际概率。引入贝叶斯推理方法，对设备故障的类型和发生概率进行推断，可以帮助智能调节系统做出合理的决策。

为了确保调节策略能够持续适应煤矿环境的变化，系统集成了自学习的能力，可以依据新的故障数据跟运行状态一直地更新调节模型。自适应学习算法如公式（5）：

其中，k是当前模型参数，a是学习率，V,J(k )是损失函数关于参数的梯度[5]。在这一过程中，系统通过不断学习新的数据，更新调节策略，确保在不同环境和操作条件下，模型能够自动调整优化方案。

3   实验研究

为验证本文提出的煤矿机电设备远程监控与自动调节技术的实际应用效果，本研究选用矿工识别、设备振动异常、设备温度异常三种异常情况，记录系统的监控准确率和响应时间。实验得到的结果如图2所示。

图2 监控准确率实验结果

由图2可知，引入本文方法前，监控系统在矿工识别和设备故障监测中的准确率普遍较低，而引入空间注意力机制后其准确率提高了15%~20%，尤其是在设备故障检测方面的提升更为明显。由此可知，空间注意力机制使系统能够对图像中的关键信息区域进行加权，减少了背景噪声和干扰的影响。尤其在矿工识别和设备状态监测任务中，其可以提升系统对小目标和远距离目标的识别能力。同时，自动调节系统通过实时调整传感器的采集参数，使监控系统能根据环境变化优化数据质量，进一步提升了故障检测的准确性。

监控响应时间对比结果如图3所示。

图3 监控响应时间对比结果

由图3可知， 引入自动调节后的系统显著减少了设备故障识别和响应的时间，从传统系统的10秒左右缩短至5秒以下。传统监控系统的响应时间较长，主要原因在于监控数据的处理和故障识别过程过度依赖于人工经验，所以很难在短时间内对复杂情况进行响应。而引入自动调节和深度学习技术后的系统，通过实时监测和预测机制，可以根据数据的实时变化调整检测策略，并对关键数据进行优先处理，这样就大大提高了系统对突发故障的响应速度，即便是在矿井复杂环境下，系统也能够快速识别异常并及时作出响应。

为了进一步验证自动调节系统的有效性，我们分析了系统引入本文调节技术前后的性能，得到实验结果如表1所示。

表1 调节效果对比表

表1的数据说明， 自动调节系统大幅地缩短了故障恢复时间，矿工异常以及设备振动异常的恢复时间分别减少了12秒和13秒，增强幅度超过40%；调节后的设备稳定性评分整体上升，矿工异常以及设备温度异常情况下稳定性增进超过5分； 自动调节系统可以明显地减少设备故障发生后的停机时间，特别是在电力供应故障的情况下，停机时间减少了30%。

根据表1的效果对比，自动调节系统可以快速地识别故障，迅速地完成自我调节，改良设备运行参数，减少停机时间以及恢复时间。特别是在设备出现矿工安全设备异常、设备温度异常等故障的情况下，调节系统可以实时地干预，避免设备因故障而长时间停机或者更深一步损坏。设备异常处理时，传统的方法总是依赖人工判断，恢复时间长且稳定性差，自动调节的方法则通过实时地调整以及改良，保证了设备在最短时间内恢复到正常的运行状态。

4   结束语

本文提出的远程监控与自动调节技术，能够有效提升煤矿机电设备的监控精度、响应速度及调节效果，具体表现如下：

（1）监控系统性能提升：本文提出的优化YOLO-v4网络结合空间注意力机制显著提升了煤矿设备远程监控系统的准确性。实验表明，在设备故障检测和矿工识别任务中，系统监控准确率提高了15%~20%，尤其在图像质量较差和干扰较多的情况下，系统准确率提升尤为显著。

（2）响应时间优化：通过引入自动调节与深度学习技术，监控系统的响应时间得到了显著缩短。实验数据显示， 传统系统的响应时间约为10秒， 而引入自动调节后的系统响应时间降低至5秒以下，提升了50%以上，确保了系统能够快速识别和处理突发故障。

（3）自动调节效果显著：自动调节系统通过基于MPC的方法，能够根据设备的历史数据和实时状态进行预测和调节，有效降低了故障恢复时间，提升了设备稳定性。实验结果表明，调节后系统设备恢复时间平均减少了40%以上，设备的稳定性评分提升了5分，停机时间也显著减少，增强了设备的运行安全性和稳定性。

作者简介：

王   栋（1984-），男，甘肃天水人，工程师，学士，现就职于华亭煤业集团有限责任公司，研究方向为煤矿自动化综采 。

参考文献：

[1] 张天峰. 深度学习在煤矿机电设备检测技术中的应用研究[J]. 自动化仪表, 2025, 46 (2) : 102 - 106.

[2] 张敏, 李玉福. 煤矿机电设备智能化改造与升级策略研究[J]. 工矿自动化, 2024, 50 (S2) : 201 - 204.

[3] 雷佳俊, 赵星宇, 白应光, 等. 煤矿机电设备维修与管理工作研究[J]. 工矿自动化, 2023, (S2) : 146 - 149.

[4] 王明, 刘建庄. 面向煤矿机电设备维护的深度学习故障预测技术研究[J]. 机械与电子, 2025, 43 (8) : 67 - 72.

[5] 李白, 屈永刚, 陈昌兵. 基于知识图谱技术的煤矿机电设备智能故障处理系统的研究与应用[J]. 工矿自动化, 2025, 51 (S1) : 55 - 60.

摘自《自动化博览》2026年4月刊