马 飞

国能神东煤炭集团有限责任公司

摘要(Abstract)：

针对煤矿矿区地理分散导致集中式AI监测系统带宽占用大、网络延迟高、扩展性差等问题，本文提出一种煤矿矿区AI监测系统的分布式部署方案。该方案基于“中心－边缘”架构，将AI推理任务动态下沉至矿井边缘服务器，通过Django+Celery+Redis 技术栈实现任务分发与处理，结合Docker容器化和Kubernetes编排技术，实现系统统一管理与动态扩展。实验表明，该方案可显著减少跨区域数据传输量（降低带宽占用60%以上）、缩短监测响应延迟（从秒级降至毫秒级），同时支持多推理框架（DeepStream、PyTorch等）和多硬件环境适配，满足煤矿企业集团层面的统一筹划、数据统计与实时监控需求，为煤矿安全生产监测提供高效技术支撑。

关键词(KeyWords)：

煤矿AI监测；分布式部署；边缘计算；Kubernetes；任务调度；Celery

参考文献(References)：

［1］刘媛媛.煤矿安全监控系统技术现状及智能化发展趋势［J］.矿业安全与环保，2021，48（04）：104-108.

［2］王其朝，金光淑，李庆，等.工业边缘计算研究现状与展望［J］.信息与控制，2021，50（03）：257-274.

［3］王凌，吴楚格，范文慧.边缘计算资源分配与任务调度优化综述［J］.系统仿真学报，2021，33（3）：509.

［4］姜德义，魏立科，王翀，等.智慧矿山边缘云协同计算技术架构与基础保障关键技术探讨［J］.煤炭学报，2020，45（1）：484-492.

［5］龚正，吴治辉，王伟，等.Kubernetes 权威指南［M］.电子工业出版社：201610：520.

［6］刘福鑫，李劲巍，王熠弘，等.基于Kubernetes 的云原生海量数据存储系统设计与实现［J］.计算机应用，2020，40（02）：547-552.

［7］莫磊，赵夫乾，赵雷雷.自动化技术在煤矿机电设备中的创新应用研究［J］.新疆钢铁，2025，（3）：259-261.