煤炭选煤厂人—机—环境耦合的智能风险评估与预警

为何保持选煤厂安全至关重要

选煤厂是在煤炭燃烧发电或用于工业前对原煤进行清洗和分级的场所。厂内布满高速运行的机械、粉尘、噪声和水——这些条件极易对工人构成危险。本研究探讨了如何将结构化的风险分析与现代计算机视觉相结合，把传统监控摄像头转变为智能守护者，实时监测人机距离并在事故发生前向工人发出警示。

繁忙工地中的隐蔽危险

在选煤厂内，危险来自多个方向。破碎机与振动筛可能抛出大块煤块或脱落零件；密相系统将含磨料的浆体在高压下输送，泄漏时会形成强劲喷射。潮湿环境中的高压电气设备可能因绝缘失效带来风险，皮带运输与料场易积聚可燃煤尘，一旦点燃可能发生爆炸。池体、浓缩器和滤压机存在溺水与挤压风险。长期粉尘暴露也会损害工人的肺部健康。作者采用了名为4M1E的结构化清单——从人员、机器、材料、方法和环境五个维度入手——对厂区内的多样风险进行了映射。

为可能伤人的因素排序

并非所有设备的危险性相同，团队因此以系统化方式对风险等级进行评级。他们构建了故障树——一种从严重事故（例如输送机在工人靠近时意外启动致伤）向后推理的小故障组合的逻辑图。这有助于突出薄弱环节，如未执行挂牌断电程序、电气控制故障和缺失防护装置。基于国际风险管理标准，他们将事件发生的可能性与结果的严重性结合起来，并应用加权方法平衡设备因素、环境条件与人的行为。最终形成类似“交通信号灯”的等级体系，其中例如皮带输送机和振动筛被标为需要最严格管控的高风险项。

教会摄像头“看”距离

为了将书面分析转化为行动，研究人员在普通监控摄像头上应用了一种现代目标检测算法YOLOv10。该软件使计算机能够在每帧视频中实时识别人员和设备。鉴于选煤厂常有粉尘、光线暗淡且管道结构杂乱，团队为算法加入了注意力模块以帮助其聚焦图像中信息量最大的部分，并采用更智能的多尺度信息融合方式。他们还改进了预测位置与实际位置匹配的判定方法，以确保在环境恶劣时对工人和设备的边界框仍能保持稳定且准确。

从像素到车间警报

检测目标只是问题的一半；系统还必须判断何时人员过于接近危险区域。团队没有采用昂贵的3D摄像机或激光扫描器，而是采用了巧妙的折衷方案：用已知宽度的标定物对单目摄像头进行标定，从而将图像中的像素距离转换为地面上的近似真实距离。基于该设置，软件持续测量每名人员与周边设备之间的间距。如果工人进入警戒区，屏幕上会出现可视警示；进入更近的危险区则触发声音报警并自动截取照片和记录日志，生成谁在何时何地做了何事的证据。在受控测试中，该系统的距离估计平均误差约为6厘米，报警触发时间约为0.3秒。

将智能预警付诸实践

该系统在一家真实的选煤厂进行了试点，重点覆盖被评为高风险的输送通道和滤板区。典型一天内它会产生约十五条有效警示，捕捉到诸如工人靠近运转设备或未佩戴安全帽等不安全行为。由于每次事件都附有图像和时间戳，安全管理者可以定位违规高发的时段与地点——例如交接班时段——并据此调整巡检与监管安排。在一个月内，这些高峰时段记录到的违规行为下降了约40%，表明实时提示与可追溯证据的结合在现场改变了行为。

对更安全的煤炭作业意味着什么

简言之，本研究表明，将系统化风险分级与智能摄像头配合，可帮助选煤厂从事后响应转向实时预防。该方法并不声称能够穷尽人类行为或组织文化的所有复杂性，其准确性也依赖于摄像头布置、照明条件以及检测模型的本地再训练。尽管如此，通过清晰识别最危险的设备、自动监测人员接近情况并记录每次警示，该方法为将现有视频系统转变为主动安全伙伴提供了务实路径——有助于在这一工业挑战性极高的环境中挽救生命、减少伤害。

引用: Zhao, Y., Hu, Y. & Shi, Q. Intelligent risk assessment and early warning for human–machine–environment coupling in coal preparation plants. Sci Rep 16, 12503 (2026). https://doi.org/10.1038/s41598-026-42874-5

关键词: 选煤安全, 计算机视觉监测, 工业风险评估, 人机交互, 预警系统