徐昌泰

（河钢矿业黑山铁矿  河北  承德  067412）

摘要：针对井下人员信息管理难题，本研究设计了多源异构数据集成与实时共享系统。系统采用分层架构，涵盖数据采集、集成、存储、共享及应用层，通过超宽带（UWB）定位、传感器监测、数据清洗融合、实时消息队列等技术，实现井下人员精准定位、信息实时共享与安全预警。应用案例显示：人员定位时间由原来的13 min缩减至2 min，识别准确率由原来的80%提升至99.5%，系统大幅提升了管理效率与安全保障水平。

关键词：井下人员信息；多源异构数据；实时共享系统；安全预警

0  引言

多源异构数据的广泛存在，使得数据难以统一管理和有效利用，严重影响了人员信息管理的效率^[1]。例如，不同设备采集的数据无法自动整合，需要人工进行烦琐的数据转换和匹配，不仅耗费大量时间和人力，还容易出现数据错误和遗漏，进而影响对井下人员情况的准确判断^[2]。在此背景下，数据集成与实时共享对于提升井下人员管理水平、保障安全生产具有至关重要的意义。

1  系统总体架构

本系统采用分层架构设计思想，自下而上划分为数据采集层、数据集成层、数据存储层、实时共享层和应用层。系统架构如图1所示。

图1  井下人员信息多源异构数据集成与实时共享系统架构

数据采集层是系统的数据源头，负责从井下各类设备收集人员信息数据，涵盖人员定位、生命体征、环境参数等多方面数据[3]。数据集成层接收采集的原始数据，进行清洗、转换与融合处理，消除数据噪声与格式差异，形成统一规范的数据。数据存储层将集成后的数据分类存储，包括结构化与非结构化数据，并提供实时数据存储与备份恢复功能。实时共享层借助消息队列中间件实现数据的实时传输与分发，通过标准化接口为上层应用提供数据访问服务。应用层直接面向用户，提供人员信息管理、安全预警、数据分析与决策支持等多样化功能。

2  系统分层设计

2.1  数据采集层设计

选用超宽带（ultra wide band，UWB）定位系统，如 Decawave公司的 DW1000 芯片及相关模块组成的定位标签和基站。UWB 技术具有高精度、抗干扰能力强等优点，定位精度可达 10~30 cm^[4]。在井下主要巷道、工作面、交叉路口等关键位置合理布置基站，确保定位信号全覆盖。人员佩戴的定位标签实时发送信号，基站接收信号并计算标签位置，实现人员精确定位。根据监测需求选择多种传感器。环境监测方面，选用汉威科技的GAS2000系列瓦斯传感器，可实时监测瓦斯浓度，测量范围0~ 100%LEL（燃气浓度，Lower Explosive Limit），精度±3%FS（满量程，FULL SCALES）；温湿度传感器采用建大仁科的RS-WS-N01-2系列，能准确测量井下温度（-40 ℃ ~80 ℃）和湿度（0~100%RH（相对湿度，Relative Humidity））。生命体征监测方面，选用可穿戴式设备，实时采集人员的心率、血压等生命体征数据^[5]。

为确保与各种设备稳定、高效通信，采用应用层协议和轻量级的发布/订阅协议设计数据采集接口。对于支持应用层协议的设备，如部分环境传感器，通过该协议直接读取设备的寄存器数据，实现数据的准确采集。

2.2  数据集成层设计

数据清洗模块采用多种方法去除噪声和错误信息^[6]。对于人员基本信息数据，使用正则表达式校验身份证号码、电话号码等字段的格式；对于定位数据，通过设置合理的位置范围阈值，过滤掉超出井下实际范围的异常定位点；对于传感器采集的数据，采用滑动平均滤波算法，对连续采集的多个数据进行平均处理，消除随机噪声。同时，建立数据质量评估指标体系，对清洗后的数据进行质量评估，确保数据准确性。

数据融合模块运用数据关联算法将不同数据源的关于同一人员的信息进行融合。通过人员编号、身份证号码等唯一标识建立数据关联关系^[7]。例如，将人员定位数据与生命体征监测数据融合，不仅能知道人员在井下的位置，还能实时了解其健康状况；将人员考勤数据与工作面作业数据融合，分析人员的工作效率和任务完成情况。采用基于贝叶斯网络的数据融合算法，综合考虑不同数据源的可靠性和相关性，提高融合数据的准确性。

2.3  数据存储层设计

结合关系型数据库（MySQL）和非关系型数据库（MongoDB）的优势，分别存储结构化和非结构化数据。MySQL用于存储人员基本信息、考勤记录等结构化数据，其具有严格的数据结构和事务处理能力，保证数据的完整性和一致性。MongoDB用于存储人员定位轨迹、传感器采集的原始数据等非结构化数据，其灵活的数据模型和高扩展性能够方便地存储和查询大量非结构化数据。

设计实时数据库采用TimescaleDB，它基于PostgreSQL扩展而来，专为时间序列数据优化[8]。将井下人员信息的实时数据存储在TimescaleDB中，利用其分区表和索引技术，实现高效的数据插入和查询。例如，按照时间维度对人员定位数据进行分区存储，当查询某一时间段内的人员位置信息时，能够快速定位到相应分区，提高查询效率。采用定期全量备份和实时增量备份相结合的策略。每天凌晨进行全量备份，将所有数据备份到磁带库或云存储。

2.4  实时共享层设计

构建消息队列中间件选用Apache Kafka。Kafka具有高吞吐量、低延迟、可扩展性强等特点，适合处理井下大量实时数据。将集成后的数据作为消息发布到Kafka的不同主题中，如“人员定位主题”“生命体征主题”等。有需求的用户和系统作为使用者订阅相应的主题，实时接收数据消息，实现数据的实时传输与分发。

设计实时数据接口采用RESTful风格，使用超文本传输协议进行数据传输。接口返回数据格式为一种基于JavaScript语言的轻量级的数据交换格式（JavaScript object notation，JSON），定义清晰的接口文档，包括接口地址、请求方法、请求参数、返回参数等信息。上层应用系统通过调用这些接口获取实时人员信息，同时接口具备权限认证和访问控制机制，采用标准授权协议2.0进行身份验证，确保只有授权用户和系统能够访问实时数据。

2.5  应用层设计

开发人员信息管理应用，基于Spring Boot和Vue.js技术框架。提供人员基本信息查询功能，用户可通过输入人员编号、姓名等关键词快速查询人员的详细资料；人员定位跟踪功能，在地图上实时显示人员位置和运动轨迹；人员考勤统计功能，自动生成考勤报表，包括出勤天数、迟到早退次数、请假情况等，并支持报表导出功能。

设计安全预警应用，根据人员位置、工作状态等信息设置安全阈值。当人员进入危险区域或长时间未移动时，系统通过短信（使用阿里云短信服务）和声光报警（在井下相关区域安装声光报警器）方式及时发出预警。同时，结合环境参数如瓦斯浓度、温度等设置环境安全阈值，当超过阈值时触发预警，提醒人员采取安全措施。

实现数据分析与决策支持应用，采用Python的Pandas、Numpy和Scikit-learn库进行数据挖掘分析。对历史数据进行分析，挖掘人员行为模式、工作规律以及潜在的安全隐患。

3  系统关键技术实现

3.1  数据集成算法实现

本系统采用基于多字段匹配与权重分配的数据关联算法，以建立不同数据源中人员信息的关联关系。不同数据源可能包含人员编号、身份证号、工牌号、设备介质访问控制(media access control, MAC) 地址等标识信息。首先，对各数据源的标识字段进行预处理，统一数据格式，去除空格、特殊字符等。例如，对于身份证号，确保其长度为 18位且格式正确；对于设备MAC地址，统一转换为标准的6组十六进制数表示形式。然后，为每个标识字段分配权重，权重的确定依据该字段在唯一标识人员方面的准确性和可靠性。如身份证号具有唯一性和法定性，权重设为0.6；人员编号在企业内部唯一，权重设为0.3；工牌号可能存在重复使用情况，权重设为0.1。

在关联过程中，计算不同数据记录之间的相似度。对于每对记录，将各标识字段的匹配情况进行量化，若字段完全匹配则得分为1，部分匹配根据相似程度给予相应分数，不匹配得分为0。然后根据各字段权重计算加权相似度。当加权相似度超过设定的阈值（如0.7）时，判定这两条记录关联到同一人员。例如，数据源A记录包含人员编号“EMP001”、身份证号“1105”、工牌号“WK001”；数据源B记录包含人员编号“EMP001”、身份证号“1105”、设备MAC地址“00:1A:2B:3C:4D:5E”。通过计算，这两条记录的身份证号完全匹配，人员编号也相同，加权相似度达到0.9，超过阈值，从而确定它们关联到同一人员。

3.2  实时数据传输与共享实现

本系统选用Apache Kafka作为消息队列中间件。首先进行Kafka集群的安装与配置，在多台服务器上分别安装Kafka服务，并配置好ZooKeeper集群（用于协调Kafka集群）。

在发布数据时，生产者（数据集成层）使用Kafka的Java客户端库将集成后的数据发布到指定的主题中。例如，创建一个名为“personnel_realtime_data”的主题，生产者通过设置主题名称、数据内容和分区策略等参数，将数据发送到Kafka集群。订阅者（实时共享层的相关应用）同样使用Kafka客户端库订阅该主题，当有新数据发布到主题时，Kafka会将数据推送给订阅者。订阅者接收到数据后，进行相应的处理，如数据解析、存储或展示。

实时数据接口开发过程如下。

首先，接口定义采用RESTful风格，使用超文本传输协议进行数据传输。定义接口地址，如“/api/realtime/personnel”，请求方法为向服务器发索取数据（GET）或向服务器提交数据（POST）。

其次，参数传递方面，对于GET请求，将参数附加在统一资源定位符后，如“/api/realtime/personnel?personId=123”；对于POST请求，将参数放在请求体中，采用 JSON格式，如“{＂personId＂:＂123＂}”。

最后，数据格式转换在接口处理过程中完成。当接收到请求后，接口服务端对请求参数进行解析，从数据库或其他数据源获取相应的实时人员信息数据，然后将数据转换为JSON格式返回给客户端。例如，返回的数据格式为“{＂personId＂:＂123＂,＂position＂:{＂x＂:100,＂y＂:200},＂status＂:＂normal＂}”。

3.3  数据安全与隐私保护实现

本系统采用高级加密标准（advanced encryption standard，AES）算法对敏感数据进行加密存储和传输。在数据存储时，对于人员的身份证号、银行卡号等敏感信息，使用 AES算法进行加密。例如，使用Java的加密库（javax.crypto），生成AES密钥，对数据进行加密后存储到数据库中。在数据传输过程中，同样使用AES算法对数据进行加密。客户端和服务器端协商好加密密钥，客户端将待传输的数据加密后发送给服务器端，服务器端使用相同的密钥进行解密，确保数据在传输过程中的保密性。

身份认证采用基于用户名和密码的方式，结合短信验证码进行二次验证。用户在登录系统时，输入用户名和密码，系统验证用户名和密码的正确性。同时，向用户绑定的手机发送短信验证码，用户输入验证码后完成二次验证。

访问控制机制通过角色权限分配实现。定义不同的角色，如管理员、普通用户等，为每个角色分配不同的权限，如数据查询、数据修改、系统管理等。当用户登录系统后，系统根据用户的角色确定其可访问的资源和可执行的操作，防止非法用户访问系统数据。例如，普通用户只能查询人员基本信息，而不能修改系统配置参数。

4  系统应用案例分析

选取某大型金属矿开采企业作为系统应用试点。该企业井下作业区域广、人员众多，人员信息管理难度大，安全保障任务重，对提升人员信息管理效率和安全保障水平有迫切需求。系统部署时，在井下关键位置，如巷道、工作面、交叉路口等，安装UWB定位基站，为井下人员配备基于Decawave DW1000芯片的定位标签。同时，在井上机房搭建服务器集群，安装数据采集、集成、存储、共享及应用等各层软件系统。通过井下工业以太网将定位设备、传感器等采集的数据传输至井上服务器进行处理。如表1所示，通过应用前后对比可知，该系统应用后，人员定位查询时间由应用前的13min缩短至2min,考勤统计时间由之前的3d缩短至8min，定位准确率由80%提升至99.5%。

表1  系统应用前后对比

5  结语

本文构建的井下人员信息多源异构数据集成与实时共享系统，有效解决了数据分散、管理低效等问题。实际应用案例表明：该系统能够精准定位人员位置，实时共享关键信息，及时发出安全预警，为井下作业提供了强有力的安全保障。随着物联网、大数据等技术的不断发展，本系统将进一步优化升级，实现更高效的数据处理与更智能的决策支持，为矿山行业的安全生产管理贡献更大力量。

参考文献

[1]宋海明.基于超宽带技术的煤矿井下人员定位方法设计[J].自动化应用,2025(11):58-60.

[2]王福,李银涛,哈生义.基于自适应特征矫正的金属矿山井下人员定位图像跟踪研究[J].有色金属(矿山部分),2025,77(3):68-76.

[3]李明锋,常建明.基于5G和UWB融合基站的煤矿井下人员定位系统研究[J].中国宽带,2025(5):121-123.

[4]贾佳,秦冬冬,王霞.基于BP极大似然估计井下人员定位方法研究[J].煤炭技术,2025,44(5):224-228.

[5]陈宏昌,梁业生,黄孝平.结合5G技术和Chan-Taylor算法的井下人员定位研究[J].金属矿山,2025(6):161-167.

[6]常少锋.煤矿井下人员的智能化平台设计[J].能源与节能,2025(3):57-60.

[7]宋巍.基于信息同步技术的井下人员定位终端无线升级方案设计[J].信息记录材料,2025,26(3):144-146,149.

[8]武宏旺.基于ZigBee无线技术的煤矿人员定位技术与应用[J].自动化应用,2025(3):92-94.