礦壓變化作為煤礦智能監(jiān)測的核心指標，在頂板冒落預(yù)警、液壓支護設(shè)計、沖擊地壓防治等場景中起著決定性作用。隨著采掘設(shè)備智能化水平提升，支架工作阻力數(shù)據(jù)可實現(xiàn)秒級采集、圖像式呈現(xiàn)，為實現(xiàn)壓力預(yù)警前置化、處理自動化提供了基礎(chǔ)。通過在采集數(shù)據(jù)的信息挖掘中掌握演化規(guī)律，可提前識別來壓風(fēng)險，并采取相應(yīng)措施。因此，構(gòu)建高適應(yīng)性、高響應(yīng)性的礦壓分析方法是實現(xiàn)智能礦山預(yù)警的核心任務(wù)。

文章來源：《智能礦山》2026年第3期“人工智能”欄目

第一作者：程健，研究員，博士，現(xiàn)任煤炭科學(xué)研究總院有限公司礦山人工智能研究院院長，主要從事機器學(xué)習(xí)與智能優(yōu)化、礦山大數(shù)據(jù)與工業(yè)互聯(lián)網(wǎng)的相關(guān)研究工作。E-mail：jiancheng@tsinghua.org.cn

作者單位：煤炭科學(xué)研究總院；煤炭智能開采與巖層控制全國重點實驗室；天地科技股份有限公司

引用格式：程健，聶林浩，陳思宇，等.大小模型混合驅(qū)動的礦壓分析方法 [J]. 智能礦山，2026，7（3）：34-37.

點擊文末左下角閱讀原文，免費下載閱讀pdf全文

關(guān)注微信公眾號，了解更多礦山智能化建設(shè)進展

礦壓分析中存在的問題

礦壓分析作為煤礦井下風(fēng)險預(yù)警的核心技術(shù)，近年來雖取得了一定進展，但在實際應(yīng)用中仍面臨許多問題。

（1）工況復(fù)雜性高，模型適應(yīng)性差

礦壓的演化過程與多個因素密切相關(guān)，如頂板結(jié)構(gòu)、采高變化、推進速度、地質(zhì)斷層等，呈現(xiàn)出明顯的非線性和階段性特征。在穿越斷層、沖擊地壓敏感區(qū)等場景中，壓力波動劇烈，傳統(tǒng)單一模型無法及時適應(yīng)環(huán)境變化，建模能力下降。

（2）多源數(shù)據(jù)融合難度大

現(xiàn)代礦井監(jiān)測系統(tǒng)部署了支架壓力、微震等多種傳感器，但由于數(shù)據(jù)來源不同、采樣頻率不同、質(zhì)量參差不齊，信息融合難度大，許多模型僅依賴單一壓力信號，忽略了其他輔助特征潛在價值。

（3）缺乏場景意識，難以因地制宜

多數(shù)模型為固定結(jié)構(gòu)，在訓(xùn)練階段假設(shè)數(shù)據(jù)分布穩(wěn)定，難以感知當前工況發(fā)生的變化，模型難以從識別場景-選擇策略的角度自適應(yīng)決策，缺乏靈活決策。

（4）解釋性與操作性不足

基于深度學(xué)習(xí)的模型結(jié)構(gòu)復(fù)雜、參數(shù)繁多，模型結(jié)果缺乏解釋性，難以為現(xiàn)場提供清晰的決策依據(jù)，不利于實際應(yīng)用推廣。

礦壓分析方法

針對前述工況多變、誤差易累積、缺乏場景意識、解釋性不足的問題，提出“認知+計算”的礦壓分析方法。引入大模型作為認知中樞，負責(zé)場景理解與模型調(diào)度，多個小模型作為專家執(zhí)行器，分析不同類型的礦壓演化模式，分為4個核心層級，“認知+計算”的礦壓分析方法整體框架如圖1所示。

圖1 “認知+計算”的礦壓分析方法整體框架

（1）數(shù)據(jù)采集與特征對齊層：接入支架壓力、割煤狀態(tài)、行進速度等數(shù)據(jù)，并與工作面推進量、采高、地質(zhì)描述文本等信息進行統(tǒng)一處理。

（2）太陽石礦山大模型（認知中樞）：輸入特征信息，通過 prompt 注入地質(zhì)信息與調(diào)度命令的上下文，判斷當前工況場景并輸出推薦小模型，割煤機工作流程如圖2所示。

圖2 割煤機工作流程示意

（3）小模型專家?guī)欤焊鶕?jù)不同工況標簽，選擇對應(yīng)優(yōu)化好的小模型分析數(shù)據(jù)，單模型或多模型協(xié)同推理。加權(quán)組合多個小模型輸出結(jié)果，并輸出預(yù)測值、風(fēng)險等級、置信度等信息。

（4）反饋與自適應(yīng)調(diào)整層：對比結(jié)果與實際礦壓數(shù)據(jù)，形成誤差反饋，用于小模型的再訓(xùn)練和優(yōu)化，也可作為大語言模型學(xué)習(xí)和改進場景識別能力的依據(jù)。

根據(jù)上述問題和實際場景提出對應(yīng)的方法總結(jié)見表1。

表1 問題方法總結(jié)

智能決策與調(diào)度的實現(xiàn)

太陽石礦山大模型在礦壓分析中的作用遠超傳統(tǒng)的分類器或回歸器，是智能決策者的角色，主要通過以下3方面的機制實現(xiàn)。

（1）多模態(tài)語義理解與特征提取

非結(jié)構(gòu)化數(shù)據(jù)解析：LLM（Large Language Model）能夠深度解析采掘工況描述、地質(zhì)報告等非結(jié)構(gòu)化文本信息，從中提取關(guān)鍵實體（如斷層、采高、支護方式等）和語義關(guān)系。

結(jié)構(gòu)化數(shù)據(jù)理解：LLM提取礦壓時間序列特征數(shù)據(jù)，識別其趨勢、周期性等特征。結(jié)合模式識別，將數(shù)值數(shù)據(jù)語義化理解內(nèi)在規(guī)律。

上下文關(guān)聯(lián)推理：LLM融合結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，深度推理上下文關(guān)聯(lián)。當?shù)V壓數(shù)據(jù)顯示異常波動，且地質(zhì)描述中提及工作面正穿越斷層，LLM關(guān)聯(lián)兩者數(shù)據(jù)，推斷出異常波動與斷層活動相關(guān)性。

（2）場景識別與知識圖譜構(gòu)建

構(gòu)建內(nèi)部場景知識圖譜：LLM在預(yù)訓(xùn)練階段就學(xué)習(xí)了海量的通用知識，并通過礦山領(lǐng)域?qū)I(yè)知識進行微調(diào)。此類知識被組織成內(nèi)部礦山場景知識圖譜，包含各種采掘工況、地質(zhì)特征、礦壓響應(yīng)模式之間的復(fù)雜關(guān)系。

實時工況與場景匹配：當接收到當前采掘工況的實時數(shù)據(jù)時，LLM利用強大的推理能力，將當前工況與知識圖譜中的已知場景進行匹配。此過程為復(fù)雜推理任務(wù)，而非簡單的模式匹配。LLM會綜合考慮礦壓數(shù)據(jù)歷史趨勢、當前數(shù)值、變化率，以及采掘進度、地質(zhì)構(gòu)造等所有相關(guān)信息，確定當前場景的類別。

（3）最優(yōu)小模型動態(tài)調(diào)度

決策生成：基于對當前場景的全面理解和匹配，LLM輸出1個決策指令，明確指出當前最適合進行礦壓分析的小模型。此決策過程是LLM輸出1個“選擇概率分布”，然后選擇概率最高的小模型。

動態(tài)調(diào)用：LLM確定了最優(yōu)小模型，會觸發(fā)動態(tài)調(diào)度模塊，將當前實時數(shù)據(jù)（已預(yù)處理）輸入被選定的小模型中進行分析。此動態(tài)的適應(yīng)性模型選擇機制，確保系統(tǒng)總能使用當前工況下性能最佳的模型。

小模型專家?guī)斓臉?gòu)建與優(yōu)化

小模型專家?guī)斓馁|(zhì)量直接影響整個框架的性能，構(gòu)建與優(yōu)化遵循以下4個方面的原則。

（1）場景劃分與數(shù)據(jù)標注：根據(jù)歷史數(shù)據(jù)和領(lǐng)域?qū)＜抑R，將復(fù)雜采掘工況劃分為若干典型場景，并依照對應(yīng)的歷史礦壓數(shù)據(jù)進行精細標注，小模型并非固定架構(gòu)類型，而是根據(jù)場景特點選擇最合適的模型架構(gòu)。

（2）LSTM（Long Short-Term Memory）：擅長處理具有序列依賴性的數(shù)據(jù)，適用于周期性變化或趨勢明顯的穩(wěn)定采掘工況。

（3）iTransformer/TCN（Inverted Transformer / Temporal Convolutional Network）：在捕捉長距離依賴和復(fù)雜模式方面表現(xiàn)更優(yōu)，適用于礦壓數(shù)據(jù)突變或模式復(fù)雜的場景。

（4）異常檢測模型：集成專門的異常檢測小模型，用于識別沖擊地壓等災(zāi)害前兆的異常礦壓波動。

每個小模型都在對應(yīng)的特定場景數(shù)據(jù)集進行獨立訓(xùn)練和超參數(shù)優(yōu)化。每個小模型充分學(xué)習(xí)該場景的礦壓演化規(guī)律，達到局部最優(yōu)性能。隨著新的采掘工況出現(xiàn)或現(xiàn)有工況變化，小模型專家?guī)斐掷m(xù)迭代和更新，包括新增小模型、對現(xiàn)有小模型再訓(xùn)練和微調(diào)，保持最佳分析能力。

大小模型協(xié)同機制

為實現(xiàn)高效可靠的礦壓數(shù)據(jù)分析，提出協(xié)同融合策略。采用加權(quán)融合策略（權(quán)重可學(xué)習(xí)），結(jié)合小模型輸出結(jié)果與大模型置信度評分，形成最終分析結(jié)果；同時通過反饋機制，持續(xù)收集實際監(jiān)測結(jié)果修正模型參數(shù)，實現(xiàn)在線自適應(yīng)，協(xié)同機制兼顧效率、準確率與可解釋性，適應(yīng)礦山現(xiàn)場對時效性與安全性的雙重要求。

大小模型混合預(yù)測框架實現(xiàn)了認知與計算的深度協(xié)同。大語言模型提供全局的智慧和判斷力，負責(zé)理解復(fù)雜場景和作出最優(yōu)決策；多個小模型提供局部的專業(yè)計算能力，負責(zé)在特定場景下精準分析，得到結(jié)果后大模型對分析結(jié)果給出解釋。大小模型分工協(xié)作模式，整個系統(tǒng)有效應(yīng)對礦壓分析面臨的數(shù)據(jù)動態(tài)變化和場景差異挑戰(zhàn)。

大小模型混合驅(qū)動試驗

針對常見采掘場景，分別訓(xùn)練適配性強的小模型，包括基于LSTM的短期建模器、TCN的中期結(jié)構(gòu)感知器、iTransformer的長序列建模器等，進行小模型專家?guī)斓臉?gòu)建。利用大語言模型對輸入的傳感數(shù)據(jù)、文本描述（如調(diào)度日志）等進行理解，通過prompt方式生成當前場景判別，并匹配模型庫中最適合的子模型進行推理，實現(xiàn)大語言模型調(diào)度機制。大小模型混合驅(qū)動試驗由小模型專家?guī)鞓?gòu)建和大語言模型調(diào)度機制2大核心組成。

（1）小模型專家?guī)鞓?gòu)建

為了構(gòu)建魯棒的小模型專家?guī)?，針對預(yù)先識別出的4種典型采掘工況，分別訓(xùn)練和優(yōu)化不同類型的小模型，見表2，每個小模型均在對應(yīng)的場景數(shù)據(jù)集上獨立訓(xùn)練和超參數(shù)調(diào)優(yōu)，確保在各自擅長領(lǐng)域達到最佳性能。

表2 小模型專家?guī)?/span>

（2）大語言模型調(diào)度機制

基于太陽石礦山大模型，使用大量的礦山領(lǐng)域語料（包括地質(zhì)報告、采掘日志、安全規(guī)程、礦壓異常事件描述等），持續(xù)預(yù)訓(xùn)練和指令微調(diào)，使得LLM能夠理解礦山領(lǐng)域的專業(yè)術(shù)語和上下文信息。

在此基礎(chǔ)上，構(gòu)建用于場景識別和模型調(diào)度的微調(diào)任務(wù)。LLM學(xué)習(xí)將實時礦壓數(shù)據(jù)特征和工況描述映射到最合適的礦壓場景，并推薦相應(yīng)的小模型。隨機選擇屬于不同典型場景的測試數(shù)據(jù)。在每個場景下，觀察LLM能準確推薦出對應(yīng)的小模型。記錄最終結(jié)果。根據(jù)試驗結(jié)果，結(jié)合大模型自身知識給出可解釋的結(jié)果。試驗結(jié)果對比見表3，太陽石礦山大模型能推薦合適的小模型，保證系統(tǒng)魯棒性。

表 3 基準模型、集成模型與大小模型混合預(yù)測在MAE、RMSE指標的試驗結(jié)果對比

（3）對比試驗與性能評估

單一深度學(xué)習(xí)模型：Mamba和iTransformer模型比LSTM有提升，但在所有工況下都使用統(tǒng)一模型，泛化能力在面對多樣化的采掘場景時受到限制。

集成學(xué)習(xí)模型：Ensemble Voting方法通過集成多個小模型，性能優(yōu)于單一模型，展現(xiàn)了在不同場景下使用匹配小模型的潛在優(yōu)勢，但沒有智能場景識別和動態(tài)調(diào)度機制，無法根據(jù)實時工況選擇最優(yōu)小模型，導(dǎo)致其提升有限。

大小模型混合框架性能：筆者提出的大小模型混合框架在所有評估指標上均取得了最佳性能，RMSE和MAE顯著降低，充分證明了該框架的優(yōu)越性。

不同模型在不同階段效果不同，集成模型集合了多個模型的優(yōu)點，但無法根據(jù)實時工況選擇最優(yōu)的小模型，大小模型混合則解決了此問題。

面對多變且未知的采掘工況，LLM的認知推理能力可更好地理解新場景，并從現(xiàn)有小模型庫中尋找最匹配模型，提升了模型泛化能力，在某些小模型表現(xiàn)不佳的情況，LLM的智能調(diào)度也能確保系統(tǒng)選擇次優(yōu)仍可靠的模型，保證了方法的穩(wěn)定性。

總 結(jié)

（1）基于太陽石礦山大模型的大小模型混合框架，用于解決煤礦礦壓建模中面臨的挑戰(zhàn)?？蚣芎诵乃枷胧抢么笳Z言模型的語義理解與推理能力，對礦壓數(shù)據(jù)及采掘場景進行語義分析與場景識別，并通過動態(tài)調(diào)度預(yù)訓(xùn)練的多個針對不同場景優(yōu)化的小模型，實現(xiàn)“認知+計算”協(xié)同。

（2）試驗結(jié)果表明太陽石礦山大模型的大小模型混合框架在多工況任務(wù)中顯著優(yōu)于傳統(tǒng)模型和單一深度學(xué)習(xí)模型，提升了數(shù)據(jù)分析能力，增強了模型泛化能力和實際部署價值，為煤礦智能監(jiān)測和安全生產(chǎn)提供了新的思路和技術(shù)支持。

（3）未來的改進方向是采用更精細場景識別與模型選擇，優(yōu)化大語言模型在復(fù)雜、多變采掘工況下的場景識別能力，探索更精細化的特征工程和更智能化的模型選擇策略，考慮多源異構(gòu)數(shù)據(jù)如地音、微震等異構(gòu)數(shù)據(jù)納入框架，利用大語言模型的多模態(tài)理解能力，實現(xiàn)更全面的礦壓分析，提升其性能和適應(yīng)性。

編輯丨李莎

審核丨趙瑞

煤炭科學(xué)研究總院期刊中心擁有科技期刊21種。其中，SCI收錄1種，Ei收錄5種、CSCD收錄6種、Scopus收錄8種、中文核心期刊9種、中國科技核心期刊11種、中國科技期刊卓越行動計劃入選期刊4種，是煤炭行業(yè)最重要的科技窗口與學(xué)術(shù)交流陣地，也是行業(yè)最大最權(quán)威的期刊集群。

期刊簡介

《智能礦山》（月刊，CN 10-1709/TN，ISSN 2096-9139）是由中國煤炭科工集團有限公司主管、煤炭科學(xué)研究總院有限公司主辦的聚焦礦山智能化領(lǐng)域產(chǎn)學(xué)研用新進展的綜合性技術(shù)刊物。

主編：王國法院士

刊載欄目：企業(yè)/團隊/人物專訪政策解讀視角·觀點智能示范礦井對話革新·改造學(xué)術(shù)園地、專題報道等。

投稿網(wǎng)址：www.chinamai.org.cn（期刊中心-作者投稿）

?? 征稿函詳見鏈接： 征稿┃《智能礦山》面向廣大讀者征稿，歡迎投稿

期刊成果：創(chuàng)刊5年來，策劃出版了“中國煤科煤礦智能化成果”“陜煤集團智能化建設(shè)成果”“聚焦煤炭工業(yè)‘十四五’高質(zhì)量發(fā)展”等特刊/專題30多期。主辦“煤礦智能化重大進展發(fā)布會”“煤炭清潔高效利用先進成果發(fā)布會”“《智能礦山》理事、特約編輯年會暨智能化建設(shè)論壇”“智能礦山零距離”“礦山智能化建設(shè)運維與技術(shù)創(chuàng)新高新研修班”等活動20余次。組建了理事會、特約編輯團隊、卓越人物等千余人產(chǎn)學(xué)研用高端協(xié)同辦刊團隊，打造了“刊-網(wǎng)-號-群-庫”全覆蓋的1+N全媒體傳播平臺，全方位發(fā)布礦山智能化領(lǐng)域新技術(shù)、新產(chǎn)品、新經(jīng)驗。

?? 具體詳見鏈接：《智能礦山》創(chuàng)刊5周年回顧

聯(lián)系人：李編輯 010-87986441

郵發(fā)代號：82-476

?? 期刊訂閱詳見鏈接：歡迎訂閱┃《智能礦山》雜志2026年訂閱開始了！

往期薦讀

• 行業(yè)聚焦┃煤炭無人化開采數(shù)智技術(shù)研討會暨成果發(fā)布會成功舉辦

• 行業(yè)聚焦┃2025年礦山智能化建設(shè)運維與技術(shù)創(chuàng)新高級研修班成功在威海舉辦

• 行業(yè)聚焦┃2025智慧礦山技術(shù)創(chuàng)新與產(chǎn)業(yè)發(fā)展論壇（新疆）成功召開

• 行業(yè)聚焦┃2024年煤炭清潔高效利用智能化成果發(fā)布暨選煤廠智能化建設(shè)論壇順利召開

• 征稿┃《智能礦山》面向廣大讀者征稿，歡迎投稿

• 歡迎訂閱┃《智能礦山》雜志2026年訂閱開始了！

• 行業(yè)聚焦┃2024年煤礦智能化重大進展發(fā)布會成功召開

• 《智能礦山》創(chuàng)刊5周年回顧

• 王國法院士煤礦智能化觀點集錦

• 新書訂閱 ┃《中國煤礦智能化發(fā)展報告（2024年）》（王國法，劉峰 主編）

• 訂閱┃探秘太陽石的奧秘 呈現(xiàn)煤的真身：太陽石系列科普叢書重磅發(fā)售

往期特刊

中國煤科特刊

陜煤集團特刊

神東專欄

重大進展特刊

露天礦特刊

理事、特約編輯特刊

紅柳林煤礦特刊

創(chuàng)新技術(shù)特刊

創(chuàng)刊號

版權(quán)聲明

本刊對已出版文章持有電子版、網(wǎng)絡(luò)版及進行網(wǎng)絡(luò)技術(shù)交流和與各網(wǎng)絡(luò)數(shù)據(jù)庫合作的權(quán)利，稿酬一次性付清，版權(quán)歸本刊與作者共同所有，如不同意，請在投稿時聲明。

---

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實相關(guān)內(nèi)容。若對該稿件內(nèi)容有任何疑問或質(zhì)疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。