一种基于大小模型融合的煤矿顶板灾害隐患识别方法与流程

本发明涉及煤矿安全监测，具体为一种基于大小模型融合的煤矿顶板灾害隐患识别方法。

背景技术：

1、煤矿顶板灾害是制约煤矿安全生产的主要威胁。随着开采深度增加，地应力增大且地质构造复杂化，顶板灾害的突发性增加。传统的灾害防控方法主要依赖传感器物理量采集与固定阈值报警机制。该机制在灾害物理特征已经显现时才触发警报，存在预警滞后问题，且容易受到井下高浓度粉尘、光照条件变化及电磁干扰等环境因素影响，导致系统的误报率较高。

2、随着人工智能技术的发展，深度学习模型被引入顶板灾害识别任务中以提取工况特征。然而，现有深度学习方案在实际工程应用中存在局限。在数据处理层面，针对微震信号、视频图像及地质文本等多源异构监测数据，现有技术通常仅执行浅层的维度拼接，缺乏跨模态的深层语义对齐机制，无法对多维信息进行综合分析。在执行效率层面，井下边缘设备的计算资源受限，参数结构复杂的神经网络推理时间长，难以满足毫秒级的实时预警要求。

3、采用单一模型架构难以同时兼顾监测时效与识别精度。大参数量级别的通用模型具备跨模态分析与逻辑推理能力，但受制于边缘设备的算力上限无法在井下直接部署运行；轻量化的小模型虽然推理延迟低，但在面对复杂工况时的特征提取能力有限，跨场景应用时识别精度衰减。目前缺乏一种能够有效平衡边缘端实时处理需求与复杂场景深度分析能力的隐患识别机制。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于大小模型融合的煤矿顶板灾害隐患识别方法，解决了现有煤矿顶板灾害识别技术在井下边缘端算力受限条件下难以兼顾监测时效性与识别精度，面对矿井恶劣环境干扰与复杂地质状态时模型识别泛化能力弱，且多源异构数据融合分析深度不足的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、本发明第一方面提供一种基于大小模型融合的煤矿顶板灾害隐患识别方法，包括以下步骤：

4、通过数据采集设备采集多源异构监测数据，边缘计算网关接收所述多源异构监测数据并执行预处理；

5、在云端数据中心部署煤矿行业垂直大模型，并构建顶板灾害防控小模型，将所述煤矿行业垂直大模型作为教师模型，通过知识蒸馏机制引导所述顶板灾害防控小模型进行特征学习；

6、将训练后的所述顶板灾害防控小模型部署于所述边缘计算网关，对预处理后的所述多源异构监测数据执行特征提取，输出局部细节特征向量和初始隐患分类置信度；

7、当所述初始隐患分类置信度低于预设的上限阈值时，将通过所述煤矿行业垂直大模型对所述多源异构监测数据进行特征提取，获得全局语义特征向量,并对所述局部细节特征向量与所述全局语义特征向量执行拼接与加权运算，生成协同融合识别结果；

8、根据所述协同融合识别结果生成结构化预警信息，并将控制指令下发至物理设备。

9、优选的，所述预处理包括以下步骤：

10、结合中值滤波与小波去噪算法剥离所述多源异构监测数据中传感器时序数据的高频噪声，根据3σ准则剔除异常值，调用数值插值算法对时序物理空洞进行平滑补间修复；

11、调用暗通道先验去雾算法估算所述多源异构监测数据中视觉图像数据的环境光照图谱并削弱光学散射，引入retinex增强算法剔除环境全局照明的低频分量，结合自适应直方图均衡化算法输出增强图像序列；

12、采用线性插值重采样算法对时间未对齐的所述多源异构监测数据进行映射对齐，采用归一化计算逻辑将对齐后的数据映射到统一的标准数值范围区间内，封装为多模态数据元组作为预处理后的所述多源异构监测数据。

13、预处理过程针对煤矿井下多源数据的物理特性与干扰类型进行分类处理。针对时序数据的电磁干扰，采用频域滤波与时域插值结合的方式维持基础数据流连贯性；针对低照度与高粉尘环境，从物理光学散射角度分离环境光照特征以还原图像基础特征；通过统一时间戳基准与数值标度解决模态数据的时间维度和量纲不统一问题。

14、优选的，包括以下步骤：

15、所述煤矿行业垂直大模型内部包括文本编码器、图像编码器和时序编码器，所述文本编码器提取所述多源异构监测数据中地质语义特征，转化为高维查询向量并在预先构建的顶板灾害知识图谱中进行检索，若最高相似度得分大于等于检索相似度判定阈值，将检索结果作为上下文提示与原始输入拼接生成推理结论；

16、所述图像编码器和所述时序编码器分别对所述多源异构监测数据提取图像特征向量和时序特征向量，利用线性投影矩阵映射至同一语义空间，计算所述地质语义特征生成的查询矩阵与所述图像特征向量和所述时序特征向量表达矩阵的内积相似度，转化为权重分布，进行加权求和输出所述全局语义特征向量。

17、结合检索生成机制与跨模态注意力计算。利用检索匹配确认当前工况与历史案例的相似度，提供历史工况参照数据；通过跨模态注意力机制以地质文本语义为基础条件，对图像与时序数据提取结构变化和数值突变特征，完成异构数据的特征级对齐。

18、优选的，通过知识蒸馏机制引导所述顶板灾害防控小模型进行特征学习，包括以下步骤：

19、提取所述教师模型输出风险类别的原始判定数值，引入温度参数对所述原始判定数值进行指数归一化平滑处理生成软标签概率分布，计算所述顶板灾害防控小模型预测概率与所述软标签概率分布之间的kl散度损失；

20、在所述顶板灾害防控小模型与所述教师模型对应的中间层之间添加由1×1点卷积构成的特征适配层，将低维特征投影至高维空间，计算投影后的特征矩阵与所述教师模型特征矩阵之间的l2范数距离作为特征对齐损失；

21、联合所述kl散度损失、所述特征对齐损失和交叉熵分类损失对所述顶板灾害防控小模型进行反向传播更新。

22、知识蒸馏机制从输出分布和特征空间两层结构传递特征表征。温度参数平滑机制使分类概率具备类别间的隐式关联信息；特征适配层解决两级模型网络规模导致的特征维度不匹配问题，使小模型获取大模型的高维特征表达能力。

23、优选的，将训练后的所述顶板灾害防控小模型部署于所述边缘计算网关前，对所述顶板灾害防控小模型进行结构优化，包括以下步骤：

24、构建双支路特征提取架构作为所述顶板灾害防控小模型，所述双支路特征提取架构中的视觉支路采用深度可分离卷积提取视觉空间特征，时序编码分支采用一维卷积提取物理量变化趋势，在所述双支路特征提取架构的骨干网络中植入se-net通道注意力机制模块；

25、采用后训练量化技术统计激活值分布区间建立线性映射关系，将32位浮点型参数转换为8位整型参数，按权重矩阵绝对值大小执行结构化网络剪枝操作。

26、模型优化流程分离视觉与时序特征提取通道，利用深度可分离卷积减少模型参数量；量化与剪枝操作降低网络结构存储占用以及前向传播计算负载，适应边缘硬件计算资源限制。

27、优选的，还包括以下步骤：

28、若所述初始隐患分类置信度大于等于所述上限阈值且分类结果为隐患，直接采纳所述分类结果生成预警信息，若分类结果为正常状态，直接清空当前滑动窗口的缓存数据以释放资源；

29、若所述初始隐患分类置信度低于所述上限阈值，获取输出所述初始隐患分类置信度的时间戳，提取所述时间戳前后设定时间段内的所述多源异构监测数据，与所述局部细节特征向量合并上传至所述云端数据中心，激活所述煤矿行业垂直大模型提取所述全局语义特征向量。

30、联动判定机制平衡了算力分布与业务处理时效。当置信度大于等于上限阈值时由边缘设备执行判定逻辑；当置信度低于上限阈值时调用云端资源，减少无效数据传输引发的通讯链路阻塞。

31、优选的，将所述局部细节特征向量与所述全局语义特征向量输入所述煤矿行业垂直大模型执行拼接与加权运算，包含以下步骤：

32、采用通道拼接操作将所述局部细节特征向量与所述全局语义特征向量合并为联合特征向量，输入自注意力模块拆分为多个子特征空间；

33、在每个子特征空间内部通过全连接层线性投影为查询向量、键向量和值向量，计算所述查询向量与所述键向量的点积获取特征相对重要度权重，将所述特征相对重要度权重与所述值向量相乘，重新拼接并经过一层线性映射得出联合表达，根据所述联合表达获取特征级融合结果作为所述协同融合识别结果。

34、运算过程通过多头注意力结构解析不同层级的拼接特征，自适应评估局部图像物理纹理与全局地质语义在当前场景数据中的贡献度，避免直接降维导致的特征丢失。

35、优选的，生成协同融合识别结果，包含以下步骤：

36、提取所述多源异构监测数据中视觉图像数据的图像全局亮度分布的均值和图像拉普拉斯算子方差，并提取所述多源异构监测数据中地质模型的构造落差的最大绝对值以及微震监测的单次最大释放能量，将所述构造落差的最大绝对值与所述单次最大释放能量转化为地质风险标量值；

37、将所述图像全局亮度分布的均值、所述图像拉普拉斯算子方差及所述地质风险标量值三项指标进行线性归一化处理后加权求和，生成环境复杂度指数；

38、构建stacking集成学习框架，采用逻辑回归分类器作为元分类器，根据所述环境复杂度指数的大小区间动态分配所述煤矿行业垂直大模型与所述顶板灾害防控小模型的决策权重；

39、将所述煤矿行业垂直大模型与所述顶板灾害防控小模型输出的预测概率作为元特征输入所述元分类器，结合所述决策权重进行加权计算生成所述协同融合识别结果；若所述煤矿行业垂直大模型与所述顶板灾害防控小模型输出的预测概率差值的绝对值超过设定差值阈值，触发防冲突屏障拦截判定指令请求人工复核。

40、决策级协同融合利用外部环境干扰程度与地质波动建立动态调节规则。当视觉前端可靠程度因物理环境变化下降时提升地质推理权重，当两类异构模型输出结果差异过大时通过防冲突屏障拦截控制指令。

41、优选的，根据所述协同融合识别结果生成结构化预警信息，并将控制指令下发至物理设备，包括以下步骤：

42、设定滑动判定窗口，当所述视觉图像数据的相邻帧中同类标签目标的欧氏距离小于空间关联阈值时，判定为同一物理位置的连续显现特征并累计触发预警频次，当所述触发预警频次占比超过频次占比阈值且联合预测概率持续高于设定概率阈值时，生成包含隐患位置和预警级别的所述结构化预警信息，否则归类为瞬态噪点并从事件追踪队列中剔除；

43、基于所述结构化预警信息匹配自动化联动策略：

44、当所述预警级别为蓝色预警时，对关联坐标区域高亮显示；当所述预警级别为黄色预警时，启动所述物理设备中的声光报警器；当所述预警级别为橙色预警时，向所述物理设备中的电液控制系统主机发送联动补压指令控制升柱操作提升初撑力；当所述预警级别为红色预警时，向所述物理设备中的可编程逻辑控制器下发急停闭锁指令切断综采设备动力电源，联动全矿井广播系统下发人员撤离指令。

45、硬件联动控制依托时空关联算法降低瞬态信号扰动引发的单点误报率，确保在特征满足空间连续性且概率达到阈值时输出联动指令。

46、本发明第二方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本发明第一方面提供的一种基于大小模型融合的煤矿顶板灾害隐患识别方法。

47、本发明提供了一种基于大小模型融合的煤矿顶板灾害隐患识别方法。具备以下有益效果：

48、1、本发明通过在云端部署煤矿行业垂直大模型并在边缘端部署经过知识蒸馏与结构优化的小模型，建立了云边协同的隐患识别架构。边缘计算网关利用优化后的小模型对监测数据进行特征提取与初步分类，单帧处理延迟控制在100ms以内；当初始隐患分类置信度低于上限阈值时，触发云端大模型进行全局语义特征提取与加权运算在降低边缘设备算力负载与通讯网络带宽占用的同时，利用大模型的跨场景泛化能力排除了粉尘与光照变化造成的干扰特征，使隐患识别的误报率降低至5%以下，漏报率降低至2%以下。

49、2、本发明的预处理阶段采用频域滤波与暗通道先验去雾算法，剥离井下高浓度粉尘与低照度环境产生的物理噪声；触发云端分析时，通过文本、图像与时序编码器将异构数据映射至同一语义空间，并结合预先构建的顶板灾害知识图谱进行查询检索。将实时多模态数据与历史地质案例建立特征关联，在适应断层与构造应力区等复杂地质条件的同时，为系统输出的分类结果提供了基于历史案例的逻辑参照条件，增加了预警信息的可解释性。

50、3、本发明利用环境复杂度指数动态分配大小模型的决策权重，通过stacking集成学习框架生成协同融合识别结果；同时设定滑动判定窗口与空间关联阈值，将物理位置连续显现的特征作为预警触发条件，剔除瞬态噪点造成的误判。基于生成的结构化预警信息，系统直接匹配自动化联动策略，向电液控制系统或可编程逻辑控制器下发升柱补压或急停闭锁等控制指令，将顶板灾害的预警周期前置到24h-48h区间，构筑了从多源数据监测到物理硬件控制的闭环作业流程。