煤矿安全数字化建设已经走过“系统上线”和“数据上屏”的阶段。现在的核心矛盾是：瓦斯、CO、粉尘、风量、温度、人员定位、视频识别、设备工况、调度记录分别在不同系统里运行，单点指标看起来都正常，但跨系统联动不足，风险从苗头发展到事件时，现场处置仍然依赖电话、经验和人工催办。
百度 SEO 对内容质量的要求，本质上也支持这种工程化表达：页面要能解决真实问题，标题、描述、正文主题一致，正文不能只有营销口号，要有清晰结构、专业术语解释和可执行路径。因此这篇文章不写“AI 很先进”，而是讨论煤矿 AI 安全预警如何落到调度闭环。
一、监测大屏为什么不能等同于安全闭环
监测大屏解决的是“可视化”，但安全管理需要的是“动作链”。如果告警只停留在红黄绿状态、弹窗和声音提示，现场仍然会出现三类断点：第一，告警等级与现场真实风险不匹配，值班人员容易疲劳；第二，告警没有自动匹配责任单位、处置时限和处置标准；第三，处置完成后没有进入模型复盘，下一次类似风险仍然重复发生。
煤矿场景下，AI 的价值不应只放在“识别到人没戴安全帽”这一类单点算法上，而要放在多源数据融合后的风险判断。例如，某一回风巷道瓦斯浓度没有超过硬阈值，但如果同时出现风量波动、局部设备温升、人员长时间停留、视频画面粉尘异常，系统就应该把它识别为“复合风险”，并按规则推送给通风、安全、机电和调度岗位。
二、闭环架构：从数据接入到现场动作
一个可落地的煤矿 AI 安全预警闭环，可以按“感知层、融合层、研判层、调度层、复盘层”设计。每一层都要有明确输出，避免建设时只堆硬件和屏幕。
| 层级 | 核心输入 | 关键输出 | 落地重点 |
|---|---|---|---|
| 感知层 | 瓦斯、CO、风速、粉尘、水文、视频、定位、设备工况 | 统一时间戳与空间位置的数据流 | 先解决数据质量、采样频率、点位编码和离线补传 |
| 融合层 | 多系统数据、巷道拓扑、作业计划、班组信息 | 按工作面、巷道、设备、人员形成风险画像 | 把数据绑定到真实矿图和责任对象，避免只按系统分类 |
| 研判层 | 阈值规则、趋势模型、视频识别、历史事故库 | 风险等级、诱因解释、建议处置动作 | 规则模型先行，机器学习模型逐步叠加，保证可解释 |
| 调度层 | 风险事件、岗位权限、应急预案、时限要求 | 自动派单、升级提醒、处置确认、领导督办 | 与调度台、移动端、短信或企业微信等通知链路打通 |
| 复盘层 | 处置记录、现场照片、二次监测、误报反馈 | 规则优化、点位调整、责任闭环报表 | 把每一次告警变成下一次模型和制度优化的数据 |
三、AI 模型应该先解决哪些高价值问题
煤矿安全系统不适合一开始就追求“大而全”的智能化。更务实的路线是选择高频、高风险、数据基础相对完整的场景先做闭环。
1. 瓦斯与通风联动预警
单一瓦斯阈值容易滞后。更有效的方式是把瓦斯浓度变化率、风速波动、主扇及局扇运行状态、风门开闭、回风巷视频粉尘状态纳入联合判断。系统不只提示“瓦斯异常”，还要给出“疑似通风组织变化”“局部风流短路风险”“需检查风门/局扇/传感器点位”等处置建议。
2. 人员定位与危险区域联动
人员定位不是只用于考勤和应急搜救。它应与作业计划、风险区域、设备运行状态联动。例如检修区域、运输线路、采空区边界、临时封闭区域出现人员停留超时，系统应自动触发班组长确认，并对调度值班人员形成可追踪工单。
3. 视频识别与现场行为管理
视频 AI 最容易被做成展示型功能。真正有价值的是把识别结果嵌入制度动作：皮带跑偏、煤流异常、人员闯入、未按规定佩戴装备、车辆异常停留等事件，要和区域责任、设备编号、班次、现场照片绑定，形成证据链和处置链。
4. 设备健康与安全风险耦合
设备异常往往会放大安全风险。皮带温升、电机振动异常、排水泵运行不稳、局扇状态波动，都不应只进入机电系统，而要进入安全风险池。调度层需要知道这类设备风险可能影响哪个工作面、哪条巷道、哪些人员。
四、实施路径：先闭环，再智能
很多项目失败，不是算法不够强，而是基础治理没有完成。建议按四个阶段推进：
- 第一阶段：数据盘点。梳理所有安全相关系统，明确数据字段、点位编码、更新频率、历史完整度、接口方式和责任部门。
- 第二阶段：事件标准化。把“告警”统一成事件对象，包含位置、等级、诱因、责任人、时限、处置模板和复核方式。
- 第三阶段：闭环派单。先用规则引擎跑通 20 个左右高频风险场景，让每个事件都能被分派、处理、确认和归档。
- 第四阶段：模型优化。在闭环数据积累后，再引入趋势预测、异常检测、风险评分和多模态识别模型，降低误报，提高提前量。
五、验收指标不能只看“功能上线”
安全预警闭环的验收，应从管理效果和工程指标两侧同时评估。建议至少设置以下指标：
| 指标类型 | 建议指标 | 管理意义 |
|---|---|---|
| 预警质量 | 有效预警率、误报率、漏报复盘数、平均提前量 | 判断模型是否真正帮现场提前发现风险 |
| 处置效率 | 平均响应时间、超时工单数、升级督办次数 | 判断调度链路是否从“提醒”变成“动作” |
| 闭环完整度 | 派单率、现场确认率、复核率、归档率 | 判断事件有没有形成完整管理证据链 |
| 持续优化 | 规则调整次数、点位优化数量、重复事件下降率 | 判断系统是否具备自我迭代能力 |
六、最容易踩的三个坑
第一，只重平台，不重流程。平台再漂亮，如果没有岗位职责、处置模板和升级机制，告警仍然会停留在大屏上。
第二，只接数据，不管质量。传感器离线、点位命名混乱、历史数据缺口、视频遮挡，会直接影响模型判断。数据治理必须前置。
第三，只做算法，不做解释。煤矿安全管理要求责任清晰。模型输出必须解释“为什么预警、影响哪里、谁来处理、怎么复核”，否则现场很难信任。