华为矿山智能化暨矿山大模型最佳实践白皮书.pdf

践行深度用云矿山智能化暨矿山大模型最佳实践白皮书编 委 主 任编 委 顾 问编委会委员编 写 成 员责 任 编 辑李 伟 邹志磊刘 健 王立才 韩 硕 蒋旺成 郭振兴 刘 维 尤 鹏 胡玉海 王 飞徐加利 刘 波 曹怀轩 胡立全 项 凌 杨加元 赵 强 陈文丰 顾兴勇 贡 青赵金娥 张 浩 高 桢 张 硕 潘临安 李吉宗 李 杨 谭 伟 曾祖祥 王 宁 张强豪 刘汝琪 高 昊 陈 航 陈泽腾 周志获 王 军 贺 帅蒙俊秀 王 瑞编制委员会P R E P A R A T I O N C O M M I T T E E（排名不分先后）炭行业作为我国重要的传统能源行业，其智能化建设直接关系我国国民经济和社 会智能化的进程，将人工智能、工业物联网、云计算等ICT技术与现代煤炭开发利用深度融合，对提升煤矿安全生产水平、保障煤炭稳定供应具有重要意义。但当前煤炭行业智能化建设工作依然存在资金投入不足、技术标准不一、技术装备落后、研发平台不健全、高端人才匮乏等问题，导致智能化建设滞后于其他行业。同时，传统人工智能开发模式局限于特定的行业场景、特定的数据，面临碎片化、定制化、门槛高等问题，导致无法大规模复制的挑战。近年来，山东能源集团投入200多亿元进行矿井智能化建设，9对国家级智能化示范矿井全部通过验收，在煤矿智能化建设路上走在了全国前列。2022年山东能源集团与华为公司成立联合创新中心，重点围绕煤炭开发利用重大科技需求，叠加双方科学技术、应用场景、行业双跨专家等优势资源，在智能化煤矿建设、煤矿安全管控等领域形成了一批可复制推广的解决方案。山东能源集团引入华为云Stack构建集团总部训练、生产单位边缘推理的云边协同架构，满足“数据不出企”的要求，基于盘古大模型实现人工智能开发模式从“作坊式”到“工业化”的升级迭代，探索出一套可复制的工业化人工智能生产方案，初步实现煤炭行业从人工管理到智能化管理、从被动管理到主动管理的转变。当前，山东能源集团已在兴隆庄煤矿、李楼煤业、济二煤矿等单位开发和实施首批场景应用，实现实时优化工艺参数、识别故障与异常、审核作业规范，以广播提醒、设备联动等方式实现了自动处置闭环，形成了一批应用成果。未来，我们将在盘古视觉大模型和盘古预测大模型的基础上，采用盘古自然语言和多模态大模型，进一步做深决策智慧、企业管理智能化能力。我们将在矿业智能化的基础之上，辐射能源集团其他五大业务板块，加速全产业智能化建设，坚持开放合作、与“巨人”同行，持续深化与华为在技术、管理、文化等方面的交流合作，基于华为云Stack云边协同方案，将盘古大模型复制推广到其他行业，打造行业领先的AI应用平台，深度用云，让行业客户都拥有自己的专属大模型，加速行业智能升级！李伟山东能源集团 党委书记 董事长煤02序言P R E A M B L E前言 1956年达特茅斯会议首次提出人工智能概念以来，人工智 能一直在业界广泛应用。2022年，生成式人工智能系统为代表的大模型，在多项测试中超越人类平均水平，推动了人工智能领域的新一轮创新浪潮。2019年，华为立项研发盘古大模型，历时三年，投入大量人力物力。盘古大模型致力于深耕行业，打造多领域行业大模型和能力集，积极开展行业合作，持续提升在行业领域的专业性，助力行业实现智能升级。2022年，华为与山东能源集团有限公司（以下简称山东能源）及旗下公司云鼎科技股份有限公司（以下简称云鼎科技）达成了战略合作关系，把盘古大模型应用于煤炭行业，在山东能源实现了华为云盘古矿山大模型（以下简称矿山大模型）的落地实践，加速了山东能源的智能化发展。本白皮书全面总结了矿山大模型在山东能源的实践经验，从趋势、方案、运营、商业等方面阐述了我们的实践思路和方法，同时辅以具体的落地场景，期待为各行各业使用大模型提供参考。目前，矿山大模型的实践还在持续开展，我们还将探索自然语言处理、多模态等形态大模型在煤炭行业的应用，随着未来实践的深入，我们的认识也将进一步深化，对白皮书存在的不足之处，欢迎大家批评指正。F O R E W O R D自03目录D I R E C T O R Y1.1 大模型引领人工智能发展方向1.3 面向大模型的配套建设已经起步1.2 大模型深入行业，引发范式变革大模型跑步进入展开期各行业迎来发展新范式012.1 矿山智能化正稳步推进2.3 矿山智能化现状挑战2.2 矿山企业确立智能化发展战略2.4 矿山大模型基于1+4+N架构推动矿山智能化升级盘古大模型为行业而生赋能矿山转型升级023.1 关键实践措施阐述3.3 数据安全和模型安全实践3.2 矿山典型业务场景的建设实践矿山大模型最佳建设实践032706-0910-1314-2324-2728-3132-334.1 目标与挑战4.3 专业服务体系建设实践4.4 模型运营管理实践4.2 运营组织体系建设实践矿山大模型最佳运营实践045.1 拓展创新利益联结机制，协同共生、合作共赢5.3 实现战略、组织匹配，标准动作推动落地5.2 面向煤炭行业构建三种矿山大模型落地途径矿山大模型最佳商业实践056.1“大一统”模式构筑企业智能化基座6.3 通过持续运营，释放大模型的价值与潜力6.4 开放思维合作共赢，赋能伙伴成就客户6.2 模型与业务适配，大小模型协同发展矿山大模型为“AI for Industries”提供最佳实践指导06大模型跑步进入展开期各行业迎来发展新范式大模型跑步进入展开期各行业迎来发展新范式大模型跑步进入展开期各行业迎来发展新范式大模型跑步进入展开期各行业迎来发展新范式大模型跑步进入展开期各行业迎来发展新范式各行业迎来发展新范式各行业迎来发展新范式各行业迎来发展新范式各行业迎来发展新范式各行业迎来发展新范式06近年来，人工智能技术发展迅猛，大模型在人工智能发展方向上发挥了重要的引领作用。大模型以其巨大的模型参数规模、大数据预训练和对强大计算能力的需求而著称。通过对大量数据集的预学习，大模型展现出卓越的模型精度和泛化能力，为众多领域提供了革命性的解决方案。以自然语言大模型为例，大模型在处理自然语言任务时表现出了惊人的能力。当模型参数规模达到600多亿时，大模型在翻译和数学能力方面表现出色。当模型参数增加到1300亿时，大模型具备了上下文学习和处理复杂任务的能力。而当模型参数增加到5300亿时，大模型展示出知识组合和情感感知的能力。大模型的智能化表现不仅仅局限于特定的任务。它还实现了从感知理解到生成创造、从专用到通用的全面智能化探索，为我们带来了无尽的创新空间，引领了一场方兴未艾的科技革命和产业变革。国内外多款生成式自然语言大模型的火热出圈，让大众对大模型能进行对话、写诗、作画等任务不再陌生，但这只是大模型应用的冰山一角。大模型只有深入到工业制造、金融科技、生物医药、科学研究等众多行业领域开展应用，才能真正发挥其巨大潜力。面对行业垂直领域的复杂任务，单一形态的大模型显然难以胜任，这就需要多种形态的大模型，来应对行业不同场景。1.1 大模型引领人工智能发展方向1.视觉大模型视觉大模型（以下简称CV大模型）基于海量图像、视频数据和独特技术构筑的视觉基础模型，赋能行业客户，利用少量场景数据对模型微调即可实现特定场景任务。以煤炭行业为例，视觉大模型在出厂前经过上亿视频、图像数据的预训练，提高了模型的泛化性和精度，让矿山碎片化的长尾场景模型从“作坊式”开发，走向基于一个大模型的持续“工业化”生产，极大的降低了长期运营成本。2.预测大模型预测大模型是面向结构化类数据，基于基础模型空间，通过模型推荐、融合两步优化策略，构建图网络架构的AI模型，实现生产工艺优化、供应链调度优化等场景的最优参数控制。仍以煤炭行业为例，预测大模型结合了采集的原煤检验、精煤检验和生产过程数据，实现模型的自动选择和预测方法的自动优化，最终得到重介质洗选方案的最优化参数，下发到生产自控系统，有效保证了产品质量。1.2 大模型深入行业，引发范式变革073.自然语言处理大模型自然语言处理大模型（以下简称NLP大模型）利用大数据预训练，结合多源丰富知识，通过持续学习吸收海量文本数据，不断提升模型效果。在实现行业知识检索回答、文案生成、阅读理解等基础功能的同时，具备代码生成、插件调用、模型调用等高阶特性。以政企场景为例，NLP大模型帮助政企客户脱离“文山会海”的困扰。利用其阅读理解和文案生成能力，实现15种公文规范化生成，公文撰写从原先耗时周级降至天级，同时原先会议流水账被改写成标准会议议程；利用其语义搜索能力，实现最佳文档资料推荐，海量公文查找从天级降至分钟级。4.多模态大模型多模态大模型融合语言和视觉跨模态信息，实现图像生成、图像理解、3D生成和视频生成等应用，面向产业智能化转型提供跨模态能力底座。以金融行业7*24小时智能自助服务场景为例，多模态大模型结合音视频通话、电话语音、文字交互形式，摆脱单一固定类型的限制，用多模态情感计算替代打分评价，获取客户真实有效的反馈，完善客户的情感分析，实现对客户意图、行为的全方面判断，针对不同客户打造“聊得来”的个性化智能客服，实现精准化、个性化、有温度的金融服务。5.科学计算大模型科学计算大模型采用AI数据建模和AI方程求解的方法，从海量的数据中提取出数理规律，使用神经网络编码微分方程更快更准的解决科学计算问题。以气象领域为例，华为云为行业提供盘古气象大模型，在四十多年的全球天气数据上训练深度神经网络，能够提供全球气象秒级预报，其气象预测结果包括位势、湿度、风速、温度、海平面气压等，由欧洲中期预报中心和中央气象台等实测验证，其在精度和速度方面超越传统数值预测方法。1.人工智能已上升为国家战略，配套政策逐步完善人工智能作为驱动第四次工业革命的重要引擎，深刻影响着经济、产业和各技术学科的发展。为此，世界主要国家纷纷把人工智能在社会各领域的创新发展提升到国家战略地位。2017年，中国发布了新一代人工智能发展规划，旨在构筑人工智能发展的先发优势。2023年，中国发布了生成式人工智能服务管理暂行办法，办法为大模型的产业创新提供了政策导向和法律保障，也为产业监管提供了科学合理和平衡适度的框架。2.人工智能算力网建设，提供基础的算力底座大模型时代，算力是重要生产力，在“东数西算”战略的推动下，智算中心、超算中心和一体化大数据中心已成为国家新基建的重要部分。2022年6月，“中国算力网”一期工程“智算网络”正式上线，以“鹏城云脑”为枢纽节点，跨域纳管了20余个异构算力中心，汇聚算力规模超3E Flops，建成全国智能算力互联体系，实现算力与AI开源服务向全国用户开放。1.3 面向大模型的配套建设已经起步083.数据要素治理探索转向，将促进数据价值释放“十四五”大数据产业发展规划 强调，推动行业数据资产化、产品化，数据要素治理的探索逐渐转向规范数据资源的市场化流通。2023年，国务院组建了国家数据局，负责协调推进数据基础制度建设，统筹数据资源整合共享和开发利用。这些举措将为大模型的发展提供必要的生产资料。4.人工智能进入“百模大战”的新时代科技部新一代人工智能发展研究中心发布的中国人工智能大模型地图研究报告显示，我国研发的大模型数量位居全球第二，目前中国10亿参数规模以上的大模型已发布79个，进入“百模大战”的新时代，充分体现了我国在大模型领域的创新实力和发展潜力。盘古大模型为行业而生赋能矿山转型升级10过以上举措，持续推动智能化建设提档升级。煤炭行业推进智能化建设，依赖人工智能技术的支持，但传统单场景小模型方案存在诸多问题，制约了矿山智能化、规模化建设的发展。以矿山智能应用的业务视角分析单场景小模型方案，存在以下问题：模型可移植性差。传统模式针对一个矿山开发的模型无法直接复用到其它矿山，在一个生产单位训练的模型，转至其它单位应用时准确度明显下降，模型泛化性不足，难以规模化复制。工况变化，精度满足度低。人工智能模型需要响应行业应用的快速变化，工况发生变化时模型的精度、性能、可扩展性等指标无法满足实际生产需求。数据安全风险。传统模式的算法训练需要将煤矿的数据导出到线下开发环境进行训练，过程中数据安全保障困难，存在数据泄露等安全风险。1.政策推动矿山智能化发展煤炭行业按照“四个革命、一个合作”能源安全新战略推进高质量发展。2020年2月，中国发布关于加快煤矿智能化发展的指导意见，明确提出到2025年大型煤矿和灾害严重煤矿基本实现智能化，到2035年各类煤矿基本实现智能化，明确要求将人工智能新技术与现代煤炭开发利用深度融合，实现传统煤矿的智能化转型升级。2.示范案例引导矿山智能化迈向更高水平2023年6月，为加快煤炭行业创新成果应用，国家能源局组织遴选并发布了全国煤矿智能化建设典型案例汇编（2023年），从信息基础设施、智能掘进、智能采煤、智能露天、智能运输、智能防灾、智能洗选等7个方向提出80项智能化煤矿生产建设典型案例，积极引导煤矿智能化建设迈向更高水平。以山东能源为例，作为山东省煤炭行业的龙头企业，自2020年9月全国煤矿智能化建设现场会召开以来，为落实“深化机械化换人、自动化减人，建设一批智能化示范煤矿”要求，树牢“少人则安、高效可靠、实用实效”理念，构建了三项机制，即规划标准引领机制、科学分类建设机制、定期考核评价机制；筑牢了四大支撑，即建好平台支撑、强化技术支撑、筑牢装备支撑、夯实人才支撑；坚持了五个着力，即着力打造示范矿井、着力推进少人无人、着力提升生产效率、着力强化信息建设、着力保障生命安全健康，通2.1 矿山智能化正稳步推进2.3 矿山智能化现状挑战2.2 矿山企业确立智能化发展战略11因此，煤炭行业需要一种更安全、更高效、泛化强、易维护、泛化强的模型解决方案，以应对煤炭行业复杂多变的业务场景，从而推动煤炭行业的智能化建设。针对单场景小模型方案的问题，华为推出矿山大模型解决方案，采用“1+4+N”总体架构，以分层解耦架构为特点，结合数据安全和隐私保护技术，利用无监督或自监督学习方法，从行业数据中提取知识，以满足煤炭行业不同业务场景的智能化需求。具体架构如下图所示：2.4 矿山大模型基于1+4+N 架构推动矿山智能化升级以矿山智能应用的开发视角分析单场景小模型方案，存在以下问题：开发效率低。当前大部分人工智能开发者是采用传统“作坊式”开发，针对每个碎片化场景独立地完成模型选择、数据处理、模型优化、模型迭代等一系列开发步骤，无法积累通用知识，且不同领域的调试方法不同，导致开发周期长、效率低。开发门槛高。人工智能开发的全生命周期包括问题定义、数据接入、数据处理、特征工程、模型训练、模型评估及发布、模型管理等环节，高度依赖人工智能专家的经验和算法能力，且当前人工智能领域开发者专业水平参差不齐，缺乏规范的开发流程和高效的调优技巧，需要专业人员持续支持。1个矿山一站式AI平台图 1 支持矿山企业业务板块智能生产模式创新矿山大模型卡扣式胶带接头损坏识别人员入侵立井提升重质密控焦化配煤防冲卸压N个矿山场景化模型4大盘古大模型能力L2场景化模型专业服务辅助运营训练平台推理平台资源调度框架引擎模型部署井下生产工作流安全监察工作流智慧决策工作流经营管理工作流L1场景化工作流物体检测图像分类视频分类异常检测语义分割目标跟踪实例分割姿态估计事件检测结构化数据预测L1开发套件L0视觉大模型预测大模型自然语言大模型多模态大模型科学计算大模型视图识别：分类|检测|分割智能决策：预测|优化|决策对话问答|文案生成|代码生成图文音视频理解：生成|编辑 科学计算：药物研究|气象研究网络存储计算华为云 Stack12“1”是矿山一站式AI平台：华为云面向煤炭行业的智能化推出一站式AI平台，提供全流程的大模型训练与推理服务，具备训练算法管理、作业管理、多开发框架支持、模型统一管理、服务按需部署能力，支持GPU、CPU资源调度与统一管理，帮助用户管理全周期AI工作流，助力应用开发者快速完成模型开发与上线，使能煤炭行业创新AI业务。“4”是矿山大模型的核心能力：L0层大模型由华为已投入大量算力、人力等资源，并基于海量数据预训练而来，包含视觉、预测、自然语言处理、多模态四大基础通用能力，参数已发展到千亿级别，泛化能力强，作为矿山大模型预训练的模型底座，华为拥有完全的知识产权。以L0层大模型为基础，华为面向煤炭行业开展深度合作，把煤炭行业的海量知识，如数百万张矿山图片，结合矿山通用场景，预训练出L1层矿山大模型，包括物体检测、语义分割等开发套件。这些开发套件可以对外授权，开放使用。L1层是煤炭行业的通用模型，能够与矿山具体业务场景结合，训练出L2层场景化模型。“N”是一系列应用于矿山具体业务场景的专属模型：通过遴选、调研矿山业务领域，选择合适类型的L1场景化工作流（以下简称工作流）。在获得授权情况下，可以选择合适的L1层开发套件（以下简称开发套件），否则工作流只能调用预制的开发套件。工作流定义了训练L2层场景化模型的整体流程，实现L2层场景化模型可视化、向导式的训练。L2层场景化模型的生产层面，会根据用户的模型大小需求，从预训练模型中抽取满足需求的模型结构和权重。然后根据数据特点，在抽取后的模型上进行算法调优，生产可分发、部署的推理模型。矿山大模型的优势在于它不仅能有效提升样本训练效率、降低样本标注的人力成本，还能与矿山业务应用深度融合，通过小样本快速训练出需要的场景化模型。同时，矿山大模型具有高泛化性和移植性，能适应矿山的不同业务场景。此外，矿山大模型实现了全栈自主创新，为煤炭行业智能化建设提供了综合解决方案。矿山大模型最佳建设实践14大型矿业集团在建设矿山大模型的过程中面临诸多挑战。由于下属矿山企业信息化程度不同、基础建设各异、技术团队能力参差不齐、对大模型的认识尚且不足，且矿山大模型作为新生事物，缺少行业内的标杆参照，这些因素都增加了建设过程的难度。在山东能源实践中，为了确保实践成功，我们提出以下关键措施：3.1 关键实践措施阐述1.做好顶层设计，集团中心统建，矿山边缘应用通过在（山东能源）集团层面集约化建设统一的矿山大模型，可以统一思想，通过顶层设计明确项目建设的权责，从全局视角拉通业务与技术，明确目标与措施，协同内部资源，实现多元知识的融合，构筑共享的AI能力，支持集团决策和运营，促进集团业务转型和创新发展。具体的规划设计如下图：图2 客户基于盘古矿山大模型，一站式开发场景模型6大业务创新集团总部中心训练盘古矿山大模型华为云 Stack一站式AI平台生产单位边缘推理AI边缘计算站点40+场景AI辅助煤流运输安全监管皮带跑偏识别人员入侵检测采煤转载装运异常AI智能控制卡扣式胶带接头的AI监测煤仓运行异常状态监控违规穿越皮带检测皮带发烟发火检测煤量分级估计皮带堆煤检测皮带异物检测卡堵预警水煤检测穿仓预警穿仓检测人员摔倒识别巡检合规性监测劳动保护用品穿戴规范性监测关键岗位行为状态监护人员误入危险区域皮带跑偏识别违规穿越皮带检测皮带堆煤检测人员摔倒识别煤量分级估计车辆检测皮带异物检测皮带发烟发火检测掘进安全智能监管其他行业可复制场景敲帮问顶动作监测危险区域人员安全监控临时支护有效性监测截割部落地监测顶板支护作业监测人员摔倒监测煤矿限员立井提升多绳摩擦提升系统尾绳运行监测立井提升井底堆煤监测人员出入井统计人员跟随检测防冲监管焦化煤炭智能洗选重介选煤分选密度智能控制选煤煤泥水浓缩加药智能控制采煤转载装运异常AI智能控制焦化配煤智能应用防冲卸压施工孔深监管关键岗位行为状态监护巡检合规性监测架空乘人装置规范性监控劳动保护用品穿戴规范性监测人员误入危险区域9大专业智能化采煤掘进防冲主运辅运提升安监洗选焦化模型部署样本反馈非正常即异常边学边用云边协同15云边协同是规划的显著特点，在中心实现统一的人工智能开发、训练和运维，训练获得的推理模型被分发部署到位于生产单位的边缘节点，以支撑业务场景应用。在AI服务推理过程中，在边缘节点完成数据获取、推理识别、告警处置的业务闭环，并可通过接口将异常样本回传到中心云，中心接收、存储异常样本，定期启动再训练，生成新版本的推理模型，并重新分发到边缘，形成飞轮效应，实现AI服务的迭代优化。2.结合场景技术选型，采用试点先行策略逐步建设矿山大模型的建设，需要深入了解业务需求和应用场景，分析业务数据特点，规划选用的基模型，适配开发套件，制定可行的技术方案。如防冲卸压场景，通过现场摄像头采集的视频数据开展业务，符合CV大模型能力范畴，经实验证明，钻杆识别准确率高于钻孔识别，适用事件检测开发套件，以此为基础进一步开展场景化模型的训练工作。矿山大模型的建设不是一蹴而就的过程，首先需要全面梳理矿山智能化场景，做好场景分类；然后选取具有代表性的业务场景进行应用试点，树立标杆；最后，横向不断推动新类型业务场景试点工作开展，纵向基于试点开发的模型成果，在更多同类型业务场景中推广应用。在山东能源的实践中，梳理的智慧化场景类型超过40个。以配煤为例，作为炼焦的核心工序，对通过大模型实现降本增效需求强烈，被列为先行试点场景，试点单位也选择了源煤类型多样、业务复杂的炼焦厂，以期通过试点发现和解决各种问题和不足，从而验证大模型的成效，为更广泛的推广和应用打下基础。3.实施标准化的工作流程，有序推进业务场景智能化建设制定标准化工作流程，涵盖需求分析、设计、开发、测试和试运行等各环节，不仅有利于提高场景智能化建设的效率，也有利于（山东能源）集团评估建设所需资源，厘清工作界面，提前开展资源筹备，合理规划进度，从而保障目标达成。矿山大模型建设实践的工作流程可以参考下图：场景业务调研建议人员：解决方案架构师、矿方专家核心工作：调研矿山的业务场景现状、业务流程、业务痛点、智能化价值、现场环境等 现场工勘建议人员：解决方案架构师、算法工程师、矿方专家核心工作：开展现场工勘，输出工勘报告，如对视频点位工勘、对摄像头安装给予指导等 方案设计建议人员：解决方案架构师、算法工程师、应用开发工程师、矿方专家核心工作：开展方案总体设计，含算法模型设计、应用设计、算法对接设计、系统集成对接设计等，输出相关文档后进行三方评审 模型部署调优建议人员：算法工程师核心工作：算法模型持续训练调优 工作流开发建议人员：算法工程师核心工作：开发业务场景下的工作流 环境准备及数据采集建议人员：矿方专家核心工作：组织现场环境整改，如调整摄像头位置；采集样本数据，确保数据满足算法需求 应用开发建议人员：应用开发工程师核心工作：开展应用开发，实现与算法模型的集成对接，输出场景化AI应用的需求说明 测试联调建议人员：算法工程师、应用开发工程师核心工作：在应用与模型算法之间，完成端到端的功能联调 试运行建议人员：业务场景建设、开发、运维、应用的相关人员核心工作：制定试运行计划，保障试运行系统稳定，结合问题持续微调、优化模型算法，收集用户反馈和建议，评估、总结试运行成果等16图3 矿山大模型建设实践的工作流程将“统一标准、统一架构、统一数据规范”落到实处，进一步释放智能矿山工业互联网在行业的价值，最终实现“煤矿工人穿西装打领带采煤”。总之，大型矿业集团建设矿山大模型是实现智能化转型升级的必然选择，有助于实现安全生产和降本增效的目标。我们将通过介绍矿山大模型在煤炭开采、煤炭洗选、煤炭加工三个关键工序中典型场景的应用，详细阐述我们的具体实践。1.防冲卸压煤炭生产过程中的井下作业是煤炭开采中最具挑4.智能矿山工业互联网“三个统一”架构是确保大模型建设取得实效的关键保障近年来，华为矿山军团和大型煤炭生产企业、行业伙伴在矿山智能化建设实践中，探索出“统一标准、统一架构”的智能矿山工业互联网作为煤矿智能化的必经之路，通过“统一数据规范”充分发挥数据作为核心生产要素的价值已经成为行业普遍诉求。华为矿山军团以“少人无人、安全、高效”采矿的愿景驱动，把握工业互联网的特点，与行业共同努力，基于“三个统一”落实“七大转变”推进智能矿山工业互联网建设，将数字技术深度融合到矿山生产流程中。为此，矿山军团不仅将持续投入技术创新，也将以更开放的平台，广泛联合生态伙伴和科研院所，共同服务于矿山智能化建设。同时，华为矿山军团还将分享自身技术，与行业优秀伙伴一道积极参与标准的完善，切实3.2 矿山典型业务场景的建设实践统一接口协议统一数据格式智能物联操作系统F5GIPv6+5GWi-Fi 6IoT工业承载网矿山工业互联网平台数字平台盘古矿山大模型开发使能 数据使能应用使能 集成使能安全生产中心决策指挥中心综合集控中心经营管理中心智能运维中心矿山数字孪生图4 煤矿工业互联网架构统一标准统一架构统一数据规范华为云 Stack17图5 矿山大模型和矿企应用协同、云边协同的智能化解决方案中心云（集团）工业环网边缘节点（矿山）边华为IVS3800视频云存算检平台防冲卸压AI模型（L2层）中心训练平台矿山一站式AI平台华为产品面矿山智能应用面边缘推理模型（Atlas人工智能计算平台）人工智能应用平台（矿端）人工智能应用平台（集团端）网端井下摄像头1视频流视频流样本数据抽取模型下发故障告警上报统计数据回传异常样本回传（边用边学）告警联动设备信号数据采集井下摄像头2视频流井下摄像头视频流井下反控摄像头（矿鸿）视频流控制信号控制流井下设备广播告警样本标注异常样本标注异常样本回传（边用边学）推理结果主动推送（边用边学）视频流战性和危险性的环节，尤其是采掘施工作业。这项作业环境艰苦，且工人流动性较大，因此安全问题尤为重要。在采掘施工过程中，预防冲击地压是重中之重，钻孔卸压是一种有效的防治方法，它能显著改善煤（岩）体的应力状态，降低冲击地压的风险。在钻孔施工中，钻孔深度是防冲卸压工程最关键参数，是人工核验的重点，通过矿山大模型，对钻孔施工情况进行实时监测，对钻孔深度自动核验，对孔深不足及时告警，避免漏检、迟检，可以显著提升矿山安全生产目标。挑战传统的防冲卸压施工监管方式，采用井下录制视频、井上对视频逐个进行人工核验。这种方式无法实时查看井下施工过程，针对突发情况难以做出反应。同时，人工鉴别视频，不仅审核工作量大，效率低，还会导致漏检或误检。此外，面对大量视频资料，监管人员也难以查询和统计钻孔卸压的施工质量。这都影响了防冲卸压施工监管的效率和准确性。方案针对防冲卸压场景，我们提出了一种基于矿山大模型和矿企应用协同、云边协同的智能化解决方案，方案设计如下图：18方案中，首先从井下摄像头的视频流中抽取训练样本，这些样本包含钻机、钻杆、施工人员取杆动作等信息，并对其进行标注。接着，在中心训练平台完成防冲卸压场景化模型的训练。训练好的推理模型被下发到矿山边缘节点，以实现卸压孔施工质量的智能化核验，同时对卸压钻孔进行工程统计。推理结果将通过服务接口推送（云鼎科技）已建的人工智能应用平台，由其进行业务处理。对于不合格的卸压工程，例如孔深不足等问题，人工智能应用平台将及时对现场进行声光数字化告警，甚至直接下发控制指令，以使物联设备自动停机。在日常运行过程中，如果出现误报或未知异常等样本数据，这些数据将经过标注处理后，推送回中心训练平台，定期对模型迭代训练，并重新下发，实现边用边学。整个过程中，仅需少量人工参与。成效矿山大模型在防冲卸压场景实践中，实现了显著的效果。首先，它减少了审核工作量，降低了约80%的人工审核工作量。其次，它实现了从隔天核验变为退杆结束后实时出结果，打钻深度不足时系统会发送告警，井上冲击地压监控中心可以实时查看井下工程作业情况。最后，它的使用也十分方便，可以对所有卸压工程进行100%审核，并自动记录和跟踪识别结果，方便按照卸压工程地点和时间进行快速查找和统计。2.重介密控煤炭洗选是煤炭生产过程中的重要环节，对于清洁生产、节能减排以及提高煤炭价值具有关键作用。重介质分选法因其高效分选、强适应性和低密度分选等优点在煤炭洗选生产现场广泛应用。然而，重介分选密度控制一直是难点，过去依赖人工经验，且缺乏可靠的数据分析系统，容易导致分选指标异常、精煤回收损失，影响到选煤的经济效益。现在，通过矿山大模型实现密度控制智能化，利用预测模型推送设定密度值，能够保证产品质量并提高精煤产率。挑战重介分选系统通过对各个洗选模块的参数进行精细化控制，确保洗选质量的稳定性和可靠性。然而，选煤厂在控制参数调整方面仍面临三大挑战:一是选煤厂多，入选煤种齐全，产线结构多样，工艺基本涵盖了国内所有主导选煤工艺，因此参数调整依赖于个人经验，这导致集团整体上缺乏一致性，洗选质量参差不齐，难以统一标准；二是参数的调优过程需要大量反复迭代，导致调优效率低、成本高，三是人工经验只能提供粗略调整，无法寻找到最优的经济效益控制参数。近年来，智能化选煤厂建设在自动化、信息化方面取得了较大地提高，但在智能化方面可借鉴的成熟技术相对较少。特别是在重介分选密度控制系统利用智能化技术实现产品质量精准控制和增产提效方面，业界虽有探索，目前尚无成功案例，缺少相关经验参考。方案重介分选密度控制系统智能化的关键是构建重介密控算法模型，利用算法模型的预测能力，对生产数据实时分析，预测出最优的工艺参数组合。同时，算法模型要具备自学习能力，不断进化，在保证产品质量的前提下，实现增产提效的目标。我们的解决方案如下图所示：19重介密控模型被分为训练态和推理态两部分。训练态主要负责数据收集、样本构建、模型训练和部署等任务。推理态则负责数据预处理、算法推理、优化求解和最优参数下发等任务。在训练阶段，我们以生产机理和生产数据为基础，通过对煤质、生产工艺和生产数据的深入分析，构建出适应选煤厂需求的重介密控算法模型。在推理阶段，我们以实时生产数据为输入，包括灰分和煤量、介质入料压力、重介悬浮液密度、磁性物含量、精煤的灰分和煤量等数据，利用模型的分析预测能力，提供最优的工艺参数组合。这些参数组合再与矿端智能应用系统整合，通过生产控制系统将结果应用于生产过程中。重介密控算法模型是L2层场景化模型，它是通过L1层结构化数据预测开发套件训练生成，其底层依赖于预测大模型能力。预测大模型由两部分构成:基模型选择和图网络融合。首先，通过基本算法，产生一组候选算法和搜索空间。然后，使用超参数搜索算法来找到最佳的超参数，并将基模型输入到层次网络中进行训练。层次网络的输出会被再次用作下一次基模型选择和超参数搜索的输入。这个过程会重复多次，以便从多个基模型中得到层次网络的输出。最后，通过图神经网络对这些输出进行聚合，以得到最终的预测结果。同时，如果需要，也可以通过添加基础算法算子的方式，将其它训练好的基模型加入到预测大模型中，进行图神经网络的汇聚，而不需要修改其它的基模型和层次网络，以及图神经网络的结构。得益于此，重介密控算法模型具备强大的自学习能力。它可以吸收各种结构化生产数据，持续自我更新，迭代出新的算法模型，以适应生产条件的改变，并能够在众多选煤厂开展推广。成效重介密控场景的实践，是盘古预测大模型技术首次用于选煤生产，对重介密控参数的预测为行业首创，效果达到了国家智能化选煤厂验收办法智能分选的要求。该技术的应用有效保证了产品质量，提高了精煤产率。原煤检验数据精煤检验数据生产过程数据图6 构建重介密控算法模型模型训练：数据知识+专家知识+机理知识模型推理：智能工艺参数推荐 数据知识根据目标切换不同优化模式多目标智能优化决策数据接收数据处理模型预测模型评估模型更新控制决策 决策服务重介密控预测模型 预测服务专家知识机理知识 最优工艺参数反馈20图7 焦化配煤智能化方案数据加密脱敏业务系统库存数据销售数据运营数据机理&经验对象存储服务OBS工艺数据煤化度数据灰成分数据黏结性数据其他检验数据原料煤/配煤数据数据预处理焦化配煤模型求解模型特征工程模型构建一站式AI平台焦炭数据基本组成成分指标数据冷强和热强指标数据边侧（焦化厂）中心云焦炭质量预测配煤比例优化自动配比API接口业务智能多域协同决策人工智能使能云上数据管理数据整合3.焦化配煤焦炭是焦化行业炼焦的产物，炼焦是煤炭加工产业的重要部分。近年来，由于上游炼焦煤资源稀缺和价格上涨，以及下游钢厂对焦炭高质量和稳定性的要求提高，给焦化厂带来了巨大的成本压力。焦化厂的成本中，配煤成本占80%以上，传统配煤技术依赖人工经验，只有几个固定函数关系，实现成本和质量兼顾，具有挑战性。为了解决这些问题，我们通过矿山大模型构建人工智能配煤系统，实现了智能配煤，提高了配煤的准确性和稳定性，达到了降本增效的目标。挑战炼焦生产的炼焦煤煤种多杂，其中焦煤和肥煤品质较好，但稀缺且价格较高，占炼焦煤比重仅约 1/3。实际生产中需要通过配煤，将多煤种按适当比例配合，这直接影响到炼焦主要产品焦炭的质量。然而，焦炭质量的预测目前主要依赖于人工经验或小焦炉试验。人工经验配煤易导致质量波动，难以沉淀配煤经验。小焦炉试验时间长达1-2天，且只能做定性分析。同时，人工配煤在成本和质量之间往往难以实现最优平衡，为保证质量达标，原料煤配比趋于保守，从而增加炼焦原料成本。此外，国内煤炭资源虽丰富但地域差异明显，仅凭人工经验难以及时调整配煤结构，这限制了用煤范围的扩大。方案焦化配煤智能化核心要解决三个目标，即焦炭质量预测、配煤比例优化和自动配比，我们提出的方案与重介密控场景类似，基于预测大模型能力训练出焦炭质量预测模型，但为了快速获得配煤的最优解，还需要构建求解模型来计算，解决方案如下图所示：21部署到焦化厂边缘节点的焦化配煤业务系统，首先将运营数据、焦炭数据、原料煤、配合煤及工艺参数等结构化采集、处理、整合，然后以脱敏加密的方式上传到中心云的对象存储中，用于训练焦化配煤模型和预测焦炭质量使用，业务系统在生产过程中调用中心的API接口，实时获取焦炭质量预测、配煤比例优化和自动配比结果，以实现配煤的智能化。为获得质量和成本平衡的最优解，要考虑所有配煤场景的制约因素和动态变量的交叉及融合,非常复杂。求解模型将运筹学和AI相结合，可以根据上传数据结合配煤师配比方案高效计算出优化配比，并结合焦化配煤预测模型，生成优化前后两个方案产出焦炭的质量指标，由配煤师确认结果，并决定最终下发生产的配煤方案。成效以矿山大模型为基础建设的智能焦化配煤系统，应用于炼焦厂后，切实达到了降本增效目标，炼焦配比验证时间从1至2天缩短至1至2分钟，平均每吨配合煤成本可节约数元。同时，通过端到端的数据的打通、采集、存储，为焦化厂提供了可追溯、可分析的数据，为原料煤采购、煤种选择和煤质评估提供了数据支撑。此外，该系统还辅助了新配煤师快速上岗，扩展了老配煤师的思路，提升了煤种选择的广度。矿山大模型涉及大量的训练数据，同时也会累积众多场景化模型，这些数据和模型都是矿山企业的重要资产，围绕数据和模型的全生命周期，我们构建了安全保障方案，包括以下方面：数据采集：数据生产和采集环节的数据体量大、种类多、来源杂，需要建立数据分级分类管理制度进行管理，对敏感数据进行识别和脱敏处理。同时对数据中可能存在的含偏样本、伪造样本、对抗样本实现过滤，从而保障数据生产安全。数据传输：数据传输过程，需要采用安全传输协议，并对数据进行加密处理，保障数据传输安全。数据存储：运用高效的加密算法对数据进行加密存储，防止未经授权访问、修改或破坏数据等安全问题。部署密钥管理服务，实现密匙全生命周期安全管理。同时通过集群容灾、数据备份和硬盘保护等多种策略保障数据存储安全。数据访问：采用多因子认证机制，对用户身份进行验证和授权，防止因为数据的恶意非法访问，而导致数据泄露、窃取、滥用等严重后果。数据使用：针对数据使用的安全问题，可采用数据匿名化、数据脱敏等技术，保障数据在授权范围内被访问、处理，防止数据窃取、隐私泄露、损毁等安全问题发生。数据销毁：采用数据关联销毁、软销毁与硬销毁结合的方式，彻底销毁或删除数据，防止数据销毁不彻底、数据内容被恶意恢复等情况。模型加密防窃取：使用对称加密算法对参数文件或推理模型进行加密，使用时直接加载密文模型完成推理和训练。模型动态混淆技术防窃取：使用控制流混淆算法对模型的结构进行改造混淆，使得混淆后的模型3.3 数据安全和模型安全实践22即使被窃取，也不会泄露真实的结构和权重。在模型使用时，只要传入正确的密码或者自定义函数，就能正常使用模型进行推理，且推理结果精度无损。模型防攻击：通过对抗样本监测和对抗训练，提升模型安全性。同时，通过差分隐私训练、抑制隐私保护机制，减少模型隐私泄漏的风险。矿山大模型最佳运营实践