张旭辉：根源在于“采掘失衡”4个字。煤矿有句老话：“采掘失衡，掘进先行”。这些年采煤工作面大型化、智能化走得快，采煤能力大幅提升，但掘进还是靠人工一点一点往前磨。掘进速度跟不上采煤速度，整个矿井的产能就卡在掘进这个关键环节。

我在十几年前下井调研，看到掘进机司机在粉尘、噪声、黑暗的环境里凭经验操作，巷道挖歪了要返工，支护还得在空顶区冒险作业，心里很不是滋味。我当时就想：能不能用智能化的办法，让掘进机自己知道“我在哪、该往哪挖、怎么挖”？自从萌生了这个想法，干起来就是十几年（图1）。

图1 煤矿井下掘进工作面工作场景

张旭辉：“智掘”从“想法”到“落地”大致包括以下4个阶段。

（1）早期研究视觉定位，解决“机器在哪”，研发出掘进视觉辅助导引系统，在现场工业性试验中得到认同，增强了井下视觉定位攻关的信心。

（2）多传感器融合解决“视觉被遮挡怎么办”，研发了激光点线合作标靶+单目视觉定位系统，井下应用时达到30 mm（60 m距离），并采用惯性导航等多传感器融合定位方案解决粉尘浓度过大或遮挡问题。

（3）数字孪生和深度强化学习，让机器在虚拟世界里学会自己规划路径。

（4）“智掘”工程落地，把技术拿到井下真刀真枪地干。2022年团队入选陕西省智能掘进技术及装备“科学家+工程师”团队，并被评为“2022年度全国煤矿智能化卓越团队”（图2、图3），十几年的坚持得到行业的高度认可。

图2 团队荣获2022年度全国煤矿智能化卓越团队

图3 2022年度全国煤矿智能化卓越团队证书

团队研究思路可以概括为3个词：看清楚、想明白、干精准。掘进机在地下几百米深的地方，没有GPS信号，首先要让掘进机“知道”自己在哪里、朝向哪；知道了以后，要让它自己规划怎么走、怎么挖；最后才是精准执行。这套逻辑一步步做下来，至今已形成从感知→决策→控制的完整技术闭环（图4）。

图4 自主研发的掘进机精确定位与智能管控系统

张旭辉：“智掘”设备定位精度是一切智能化的基础。团队主要采用3条技术路线。

（1）利用井下巷道已有的激光指向仪

红色激光指向仪设计之初是为工人定向服务，团队让它成为掘进机摄像头的“合作标靶”。摄像头捕捉激光光斑和光束，通过几何关系解算出机身位姿。按照煤矿井下使用中存在的问题不断优化定位方案，团队先后研发了基于2激光束、3激光束和单激光束合作标靶的单目视觉定位方案，大幅降低现场安装和标定的技术难度。在已经发表的《基于单激光束信息的掘锚装备视觉定位方法》中，50 m距离测试平均误差为X轴25 mm、Y轴59 mm、Z轴31 mm，姿态角误差<0.5°。

（2）“视觉+惯性”组合定位

井下粉尘严重，视觉有时会被遮挡，为解决此类问题，团队融合了惯性导航（IMU）技术。视觉正常时用来修正惯导的累积漂移；视觉被遮挡时，惯导能自主推算1～2 min运行轨迹。近几年团队引入LSTM神经网络来预测和补偿惯导的非线性误差，通过对EKF残差进行深度时序建模，学习惯性测量误差随时间变化的非线性规律，并预测位置误差补偿量反馈至滤波前端，从而有效抑制IMU误差累积导致的定位漂移。进一步结合自适应协方差重置、滑动窗口平滑与偏置在线标定，实现了后端误差补偿与前端状态估计的闭环协同优化。此类技术方法在《融合运动先验与LSTM的掘进机视觉-惯性组合定位方法》中进行了详细阐述。

（3）用顶板锚网特征定位

井下顶板铺着密密麻麻的菱形铁丝锚网，纹理丰富。团队设计了一种图像增强算法，让摄像头在低照度下也能提取锚网边缘，再通过线特征匹配定位。60 m巷道测试最大误差为163 mm（图5）。通过多传感器融合定位，可实现无累积误差的巷道定位，误差稳定控制在30 mm以内（图6）。目前这套系统已在10余个矿井应用。

图5 基于锚网特征的掘进机视觉定位方案

图6 基于锚网特征的掘进机视觉定位系统实验验证

张旭辉：记忆犹新。团队带着设备去井下，粉尘大的连笔记本电脑的散热孔都堵了。摄像头采集的图像全是噪点，算法根本认不出激光点。当时心里咯噔一下，实验室里算法跑得再好，下井就是另一回事。回来之后用3个月时间，改进图像预处理算法，并专门在模拟巷道里搭建粉尘环境反复测试。技术就是要经得起“脏活累活”的考验。

张旭辉：“智掘”大脑是数字孪生+深度强化学习。在电脑里给掘进机建一模一样的“虚拟克隆体”——巷道环境、设备结构、运动学模型完全复现。然后让克隆体在虚拟世界里通过强化学习、自己练习：走对了给“奖励”，走错了就“惩罚”。就像围棋AI和自动驾驶AI一样，都是在虚拟世界里“打怪升级”练出来。

团队训练“智掘”大脑解决2件事：机身如何在不撞墙的前提下自主移机，截割头如何沿着最优路径挖出规整的断面。为训练得更聪明，团队改进了PPO（近端策略优化）算法，称之为“Muti-PPO”（图7）。实验结果显示，虚拟智能体规划的路径与目标点误差只有1.2 mm，该精度已经超过很多熟练司机。研究成果“数字孪生驱动的掘进机器人决策控制系统研究”于2022年发表在《煤炭科学技术》。

图7 基于改进PPO算法的钻锚机器人机械臂路径规划方法实验

张旭辉：这是虚实映射的难点。团队构建了1套4层体系框架：感知层、规划层、决策层、控制层，以孪生数据无缝链接物理空间、虚拟空间，借助虚拟检测、虚拟调试、虚拟碰撞等技术，可实现“智掘”设备在实际物理世界几乎难以完成的任务。虚拟智能体产生决策指令，通过工业以太网下发到井下PLC，同时井下传感器实时将数据反馈回更新虚拟模型，形成闭环。

团队做了“虚拟示教记忆截割”，传统的人工示教误差大，改为在虚拟环境里由算法规划出1条理论最优路径，再用这条路径去训练掘进机的滑模控制器。在《悬臂式掘进机视觉伺服截割控制系统研究》文章中，截割头位姿误差控制在18 mm以内，姿态角变化不超过0.7°。相当于让“智掘”设备在“游戏”里练熟后，到现实中直接就能干。

张旭辉：支护是“掘快支慢”的堵点。这几年我们把钻锚机器人也纳入智能体体系，用改进PPO算法训练它自主规划机械臂路径。实验结果显示，机器人自动定位到锚孔位置，终点误差<3.88 mm，锚杆与竖直方向的夹角误差<3°。虽然还不能完全替代人，但已经能让工人从最危险的空顶区撤出来。

张旭辉：主要包括以下2个方面。

（1）自供电传感器

井下设备众多，布线始终是大难题。团队正在研发基于振动能量收集的自供电传感器。当设备震动时，产生电能供给传感器，彻底免去布线烦恼。此项技术一旦成熟，井下感知网络的部署成本将大幅下降。

（2）AR辅助维修平台

当井下设备出现故障时，传统方法是等厂家派人，或者师傅凭经验盲修。团队结合增强现实（AR）技术开发了辅助维修平台，工人戴上AR眼镜，虚拟的维修步骤、零部件拆装动画就会叠加在真实设备上，一步步指引操作，可大幅降低运维门槛。

张旭辉：煤矿智能化发展的一大瓶颈就是数据壁垒。每家单位都捂着自己的数据，算法训练不出来，行业整体进步就慢。团队愿意做“第一个吃螃蟹的人”，公开20万张井下场景标注数据集，供同行免费使用。这不是“吃亏”，而是推动整个生态往前走。“An open dataset for intelligent recognition and classification of abnormal condition in longwall mining”成果以西安科技大学为第一单位发表于Nature子刊《Scientific Data》上。公开数据源免费下载链接：https://chinamai.org.cn/jinrizixun/2111.html，行业研究者都能少走弯路。

张旭辉：西安科技大学机电团队这些年在大家关心和帮助下迅速成长，离不开像西安科技大学原副校长马宏伟教授，陕西省矿山机电装备智能检测与控制重点实验室学术委员会主任王国法院士，陕西省百人计划特聘专家张广明教授等国内外专家的指导。从甘当“人梯”到善作“嫁衣”，变的是角色，不变的是托举后辈、成全团队的初心。新一代机电人以此为师，更以此砺己，在煤矿智能化无人化的征途上，面对‘卡脖子’难题，我们敢于亮剑、善于攻关，让理论深扎大地，让成果落地生金，让每一位成员都能披甲上阵、建功立业。

团队里毛清华教授现在已经成长为国内煤矿机电方面知名专家，现任西安科技大学机械工程学院副院长，承担了多项重大国家项目，主攻煤矿智能机电装备研发、多源信息融合精确定位与导航控制方面的研究，取得了一系列喜人成果。

杨文娟副教授是团队图像处理方面负责人，已经发表很多高水准论文，在煤矿井下视觉应用方面深耕，在井下视觉定位与导航、采掘环境“人-机-环”感知与异常识别方面做了很好的研究。她读博期间为了1个定位模型，连续3个月泡在实验室，节假日都没回家。

张超是团队里最早一批接触智能矿山的学生，后来成为《智能矿山》创刊号的作者之一。他从跟着团队做实验，到独立承担项目，再到现在成长为技术骨干，这个过程就是“传帮带”最好的例证。

团队目前包括教师10多位、博硕士研究生50多位。团队能做的就是给年轻教师搭好台子，让他们“唱戏”，发挥聪明才智，直面行业难题，与行业发展共呼吸，在职业道路上走得会更快更远。每年假期，实验室里几乎没人休息，团队成员都觉得这事有价值，值得拼，能解决井下实际困难。

张旭辉：（1）聚焦技术落地：“大屏指挥中心”固然重要，更要重视“人-机-环”感知难题，恶劣环境下的感知与决策需要行业性协同攻关，多解决现场定位、协同、可靠性这些真问题。

（2）推动标准化：不同厂家设备数据不互通，平台不兼容，此为行业通病。

（3）重视智能化人才的培养：再好的系统建好后，没人会用、没人愿用，等于白建。

张旭辉：应该包括4个明确的技术方向。

（1）多模态信息融合定位：把视觉、惯导、激光雷达、虚实匹配等多种感知技术深度集成，让机器在任何恶劣环境下都能“看清”。

（2）面向复杂工况的智能控制：遇到断层、夹矸、淋水，机器能自主调整截割参数，而不是等着工人来干预。

（3）AI驱动的工作面虚实共智：虚拟大脑和真实身体配合得更默契，实现“远程预演、现场执行”。

（4）数字孪生驱动的虚拟调试：任何新工艺、新设备，都先在虚拟世界反复演练，确保万无一失再投入井下。

我们不追求一步到位的“无人化”，但力争3～5年内，在条件合适的巷道实现常态化“少人化”，作业人员在安全的地面集控中心，井下只留巡检机器人。这条路我们走了十几年，不怕再多走几年。

在西安科技大学机械工程学院的实验室里，张旭辉教授团队的师生们依然在忙碌。电脑屏幕上，自主研发的智能掘进管控系统正在运行，强化学习得到的掘进轨迹一次次优化，新研发的随掘地质探测、3D电子围栏、孪生驱动监控数据一行行呈现；实验平台上，自供电无线监测节点闪烁着微光，掘锚机上的2个多自由度钻臂演练着识孔、钻孔等全套工艺。

团队用10余年时间，让“笨重”的掘进机长出了“眼睛”和“大脑”。从最初30 mm的定位误差，到如今10余个矿井的实地应用，从单台机器控制到数字孪生驱动的设备群协同，这群“做嫁衣”的人，正在一步步把采掘失衡的硬骨头啃下来。

正如张旭辉教授所说：“智能化不是炫技，是让矿工更安全、更体面地工作。”这或许就是“智掘”之路最朴素的初心。