在数百米深的井下，开采人员无法用眼睛判断前方到底是煤炭还是岩石。采煤机滚筒每多切割一寸岩石，就意味着设备磨损加剧、粉尘浓度飙升、精煤回收率下降——甚至可能引发顶板事故。
西安科技大学齐爱玲副教授团队开发出 SSIC-former 智能预测模型，首次融合集中式注意力机制(CAM)、交互卷积块(ICB)与锐度感知最小化(SAM)三大模块，对煤岩界面轨迹进行高精度预测。实测数据显示：平均绝对误差仅 6.37 mm，平均绝对百分比误差 2.79%，决定系数高达 0.99，单样本推理时间仅 0.0066 s，性能全面超越 LSTM、Crossformer 等主流模型。
看不见的地层：煤岩界面为何成为“百年难题”
煤岩界面是煤层与上下岩层之间的分界线。由于煤田形成过程中地质条件复杂多变，这一界面往往起伏不定、毫无规律。在长达数十年的煤炭智能开采历程中，让采煤机在高速截割中精准切煤而不伤岩，始终是行业最大的技术瓶颈之一。
早期的采煤机依靠“记忆截割”：先由人工操作开采一个循环，记录截割轨迹，之后采煤机重复该路径。如“透明地质”方案需预先获取详尽的煤岩层地质数据。这些方法高度依赖历史数据，一旦遇到地质条件突变，记忆轨迹立刻“失灵”，必须由人工紧急介入。
除记忆截割外，业界还尝试过γ射线探测、雷达探测、声学探测、红外热成像等多种技术路线。但井下几百米处煤尘飞扬、机械设备剧烈振动、电磁干扰严重，单一传感器获取的信号极易被噪声淹没，在实际生产过程中难以精准识别出煤岩分界面。
从“黑箱”到“透视”：SSIC-former 模型三大技术引擎
为从根本上解决煤岩界面高精度预测难题，以齐爱玲副教授为首的研究团队历时数年，提出了一种基于多通道关联互补特征的预测模型——SSIC-former，其核心结构融合了三大创新技术：
引擎一：集中式注意力机制——全局数据的“侦察兵”
采煤机在工作面运行时，会从多个传感器源源不断输出海量数据：截割电机的电流与转矩、摇臂的振动与倾角、滚筒的高度与位置……煤岩界面轨迹本质上是一个多变量时序数据，不同变量之间存在复杂的隐藏关联，高精度预测极为困难。
传统的注意力机制面对井下粉尘、电磁干扰混入的异常数据时，容易被局部“假信号”带偏。CAM 模块的做法是：先将所有通道信息汇总成全局特征，再与每个通道逐一交互，从中精准提取出跨通道的关联互补信息。这就好比一个经验丰富的指挥员，在嘈杂的战场中能准确甄别出最关键的情报，过滤掉无关噪音。
引擎二：交互卷积块——局部波动的“细节捕捉器”
煤岩界面的变化既有局部突变也有大范围起伏，单一尺度的卷积核难以兼顾。ICB 模块采用多尺度设计：小尺度核负责识别界面微小的高频波动，大尺度核感知宏观的地层起伏趋势。两者动态交互、特征互补，使模型在细节变化上“毫厘不漏”，整体把握上也“大局不偏”。
引擎三：锐度感知最小化——鲁棒训练的“优化大师”
井下数据噪声严重且分布高度不确定，传统优化方法极易使模型陷入“局部最优”的陷阱。SAM 策略的核心哲学极为巧妙：它不再寻找单个最低点，而是引导模型在平坦且稳定的区域寻找解。这样训练出的模型对微小扰动不敏感，在真实井下复杂工况下依然保持高水平预测稳定性。
三大引擎之外的关键协同模块
SSIC-former 的工作流程始于可逆实例归一化，它能有效消除不同作业条件下数据幅值分布的非平稳性，保证输入信号的干净稳定。之后采用滑动窗口方法将连续数据切割成训练样本。经过 CAM 和 ICB 的双重特征提取，残差融合模块进一步强化特征表达。最后，经过 SAM 优化的网络通过投影层输出预测结果，形成“数据预处理—特征提取—优化训练—结果输出”的完整智能闭环。
实测数据：毫米级精度驱动的行业拐点
为检验 SSIC-former 的真实效果，研究团队在井下实际采煤工作面采集了多通道运行数据，并搭建了基于 Transformer 架构的深度学习预测框架。
决定性性能数据呈现如下：
| 核心性能指标 | 实测数值 | 说明 |
|---|---|---|
| 平均绝对误差 | 6.37 mm | 相当于一枚一元硬币的厚度 |
| 平均绝对百分比误差 | 2.79% | 仅有不到 3% 的预测偏差 |
| 均方根误差 | 8.08 mm | 离散程度极低 |
| 决定系数 R² | 0.99 | 预测曲线几乎与真实界面完全重合 |
| 单样本推理时间 | 0.0066 s | 在 Transformer 类模型中速度最快，完美匹配采煤机实时作业的低延迟需求 |
研究团队将 SSIC-former 与 LSTM、Crossformer、Nonstationary_Transformer、FPPformer、iTransformer、PatchTST 六大主流模型逐一对比。在以上全部五项精度指标上，SSIC-former 均独占鳌头。SSIC-former 的综合优势不仅体现在平均误差极小，更在于其面对不同地质条件下的泛化能力远优于对比模型。
这意味着：当采煤机以每分钟数米的速度前进时，智能系统能以超越人眼的精准度预判滚筒前方 0.2 米处的顶板岩层走势，提前发出调高指令，真正实现“吃煤不吃岩”的精细作业。
应用前景与行业变革
采煤机作业中，每多切一寸岩石，精煤回收率便会下降，刀具磨损将加剧，粉尘和火花也会大幅增加，甚至可能诱发顶板事故。
SSIC-former 直接将预测误差锁定在数毫米级别，最大优势在于打通了“实时感知—智能分析—精准决策—主动执行”的全链条闭环。采煤机滚筒不再被动地按历史轨迹运行，而是根据 AI 秒级预测结果自动调高，极大降低了岩石混入率和设备损耗。
本研究受到国家自然科学基金(项目号 61674121)和碑林区科技计划(GX1612)的联合资助，标志着中国煤矿智能化技术从“人工操控”向“自主感知”迈出了实质性一步。以 SSIC-former 为代表的 AI 预测技术一旦大范围应用，井下矿工数量有望持续减少，无人化采煤工作面将从顶层设计变为矿区常态，煤炭工业的安全、高效与绿色底色将真正绘就。