4、数据基础与采集：煤矿生产数据、设备数据、能耗数据、安全数据的来源、采集方式与数据质量要求

煤矿智能化商业测算模型的可靠性，本质上取决于输入数据的质量与完整性。无论是设备故障预测、能耗优化、安全风险预警，还是产能与成本测算，若底层数据缺失、失真或延迟，再精妙的算法模型也会沦为“垃圾进、垃圾出”的摆设。本章将系统梳理煤矿四大核心数据域——生产、设备、能耗、安全——的数据来源、采集技术路径与质量管控要求，为后续商业测算模型构建奠定坚实的数据底座。

4.1 生产数据：来源、采集与关键指标

4.1.1 核心原理与数据范围

生产数据是煤矿商业测算模型中最基础的“量”的维度，直接决定产能、销量、成本分摊等核心测算参数。生产数据涵盖原煤产量、掘进进尺、采煤工作面推进度、洗选产量、商品煤量、矸石量、停产误时等。这些数据既反映“产出结果”，也反映“生产过程效率”。

4.1.2 采集方式与操作流程

生产数据的采集应遵循“自动化为主、人工为辅”的原则。具体操作流程如下：

1. 源头自动化采集：在主力皮带运输机上安装电子皮带秤（精度±0.5%），通过称重传感器和速度传感器实时计算瞬时流量与累计产量，数据经PLC上传至矿井工业环网。
2. 设备工况关联：采煤机、转载机、破碎机的运行状态（电流、启停）与产量数据进行时间戳对齐，用于判断“有电无产”或“有产无电”的异常工况。
3. 人工录入补充：掘进进尺、巷道验收等无法全自动采集的数据，由验收员通过防爆手机或矿端APP录入，系统自动关联班次、位置和人员信息。
4. 数据校验与修正：每日早班前，调度员对比皮带秤累计量与煤仓料位变化量，偏差超过±3%时触发校准流程。

4.1.3 实战场景：产量数据异常排查

背景：某年产300万吨的综采矿井，商业测算模型显示近一周吨煤电耗异常升高15%，但设备运行记录显示采煤机开机率正常。

排查过程：首先调取皮带秤日累计产量数据，发现与煤仓料位计推算产量偏差达6.8%；进一步检查皮带秤仪表，发现称重传感器桥路电压漂移，导致称重偏低约4%；同时发现夜班产量数据存在人工修改痕迹（调度员为“平衡”报表手动调整）。

处理措施：① 更换称重传感器并重新标定；② 在数据采集系统中增加“人工修改留痕+审批流”功能；③ 建立产量数据三方校验机制（皮带秤、煤仓料位、销售过磅）。

结果：修正后吨煤电耗恢复至正常水平，模型测算精度提升，避免了因数据失真导致的错误节能投资决策。

4.1.4 常见误区与复盘

• 误区一：认为产量数据就是“调度报表上的数字”，忽视报表数据与现场仪表数据的差异。
• 误区二：只采集产量结果，不采集生产状态（如误时原因），导致模型无法区分“设备故障减产”与“计划性检修减产”。
• 复盘要点：生产数据必须形成“仪表采集→系统汇聚→人工复核→异常追溯”的闭环，且所有修改操作应留痕可审计。

4.2 设备数据：状态监测与健康管理

4.2.1 核心原理与数据范围

设备数据是煤矿智能化商业测算模型中“效率与维护成本”的核心输入。设备数据包括主通风机、提升机、采煤机、掘进机、皮带运输机、水泵、空压机等关键设备的运行参数（电流、电压、转速、温度、振动、压力、流量）和健康状态数据（轴承故障频率、齿轮箱磨损、绝缘老化等）。设备数据的价值在于支撑预测性维护，减少非计划停机，从而优化维护成本与产量损失之间的平衡。

4.2.2 采集方式与传感器部署

4.2.3 数据质量要求与处理流程

设备数据质量的核心要求是时序完整性和信号有效性。振动数据若存在丢包或断流，频谱分析将失去意义；温度数据若传感器漂移，趋势判断将失真。建议执行以下流程：

1. 数据清洗：剔除传感器断线产生的“死值”（如-9999）、超出物理量程的异常尖峰。
2. 重采样与对齐：将不同采样频率的数据统一重采样至模型所需频率（如振动特征值按分钟聚合），并确保多源数据时间戳对齐。
3. 特征提取：对原始振动波形提取RMS、峰值因子、峭度、边频带能量等特征，减少数据存储压力并提升模型输入质量。
4. 标定管理：建立传感器标定台账，振动传感器建议每6个月标定一次，温度传感器每年校验一次。

4.2.4 实战案例：主通风机轴承故障预测

背景：某矿主通风机配置了在线振动监测系统，采样频率为10kHz，每日产生约1.7GB原始数据。商业测算模型需要判断是否值得投入预测性维护系统。

关键数据：连续3个月的振动RMS趋势显示，电机驱动端轴承振动从2.1mm/s缓慢上升至3.8mm/s（ISO 10816报警阈值为4.5mm/s），同时频谱图中出现明显的轴承外圈故障特征频率（BPFO）及其谐波。

分析判断：模型预测轴承剩余寿命约3~4周，若继续运行可能导致非计划停机（预计停产损失约80万元/天），而计划性更换轴承成本（含备件、人工、停产损失）约15万元。

操作步骤：① 将振动数据接入预测模型，输出健康度评分（从82分降至61分）；② 安排一周后计划检修窗口更换轴承；③ 更换后振动RMS恢复至1.8mm/s。

结果对比：预测性维护节省约65万元（80万×3天 - 15万），且避免了因突发故障导致的安全风险。

4.3 能耗数据：分项计量与能效分析

4.3.1 核心原理与数据范围

能耗数据是商业测算模型中“变动成本”的关键组成部分，煤矿能耗成本通常占生产成本的15%~25%。能耗数据包括电力（主井提升、通风、排水、压风、采掘、洗选等分项）、水耗、瓦斯发电量、燃油消耗等。分项计量是能耗数据采集的核心原则——只有将能耗细化到具体设备或工艺环节，才能精准测算吨煤电耗、吨煤水耗等效率指标。

4.3.2 采集方式与系统架构

能耗数据采集通常基于智能电表（支持Modbus/DL/T 645协议）和能耗监测系统。系统架构分为三层：

• 感知层：在6kV/10kV高压侧和0.4kV低压侧安装多功能电表，采集电压、电流、有功功率、无功功率、功率因数、电度等参数。
• 传输层：通过RS485总线或工业以太网将电表数据汇聚至能耗采集器，再上传至矿端能耗管理平台。
• 应用层：能耗平台进行分项统计、趋势分析、异常报警、能效对标。

4.3.3 数据质量要求

4.4 安全数据：感知、预警与合规

4.4.1 核心原理与数据范围

安全数据是煤矿商业测算模型中“风险成本”和“合规成本”的底层支撑。安全数据包括：环境监测数据（瓦斯浓度、一氧化碳、氧气、温度、风速、粉尘）、人员定位数据（井下人员数量、位置、滞留时间）、矿压监测数据（支架压力、顶板离层）、视频AI数据（违章行为识别、区域入侵）等。安全数据的特殊性在于其高实时性和强合规性——瓦斯超限数据必须秒级响应，且数据存储需满足监管要求（通常不少于6个月）。

4.4.2 采集方式与系统要求

安全数据采集必须遵循《煤矿安全监控系统通用技术要求》（AQ 6201）等规范。关键采集方式包括：

• 环境传感器：瓦斯传感器（激光/催化燃烧式）、CO传感器（电化学式）、风速传感器（超声波/机械式），通过矿用安全监控分站接入，采用RS485或CAN总线传输。
• 人员定位：采用UWB（超宽带）或RFID技术，定位精度要求≤30cm（UWB），每30秒上报一次位置信息。
• 视频AI：在关键巷道、工作面安装防爆摄像仪，通过边缘计算盒子进行违章行为（未戴安全帽、跨越皮带等）实时识别，识别结果与人员定位数据联动。

4.4.3 数据质量与商业测算的关联

安全数据质量直接影响商业测算中的“安全成本”和“风险溢价”。例如：

• 瓦斯浓度数据的准确性决定了瓦斯抽采与利用的测算精度（影响瓦斯发电收益模型）；
• 人员定位数据的完整性影响“单班下井人数”的合规成本测算；
• 矿压监测数据的连续性影响顶板维护成本的预测。

4.5 数据质量综合管控体系

4.5.1 数据质量评价指标体系

4.5.2 数据质量管控流程

1. 源头治理：传感器定期标定、电表精度校验、人工录入界面增加逻辑校验（如产量不能为负、进尺不能超过理论最大值）。
2. 过程监控：建立数据质量看板，实时展示各数据域的完整性、实时性指标，异常时自动告警。
3. 事后追溯：对进入数据仓库的数据进行质量评分，低于阈值的数据打上“低质量”标签，在商业测算模型中自动降权或剔除。
4. 持续改进：每月召开数据质量分析会，针对重复出现的问题（如某传感器频繁断线）制定整改措施。