煤矿行业AI人事系统井下人员定位排班

2023年11月，山西某千万吨级矿井的调度指挥中心，值班矿长盯着大屏幕上的实时定位数据，额头上渗出了细密的汗珠。早班下井的237名矿工中，有6人的定位信号已中断超过30分钟。电话打到工作面，打到皮带巷，打到通风队，没人知道这6个人在哪儿。最终，两名安监员带着便携式定位仪下井找人，在一条老旧的回风巷里发现了他们，原来是区域内的定位基站因潮湿短路停摆了。人没事，但这件事暴露出一个让人脊背发凉的事实：在这个号称“智慧矿山”的矿井里，所谓的人员定位系统，关键时刻掉链子了。而更值得深思的是，当天的人工排班表上，那条回风巷根本不在任何人的作业区域内。排班表和实际轨迹，完全对不上。

这个场景并不是孤例。过去五年，我参与过17座煤矿的数字化改造项目，从陕蒙交界的大型露天矿到云贵川的深井煤矿，从年产不足百万吨的乡镇矿井到年产两千万吨的央企主力矿井。我发现一个共同的规律：井下人员管理的问题，从来不只是“定不到位”或“排不好班”这么简单，而是定位、排班、安全、人事四套逻辑相互割裂，导致了系统性风险。而当AI真正介入这个领域时，它的价值也不在于某个单点功能的升级，而在于将这四个维度重新拧成一股绳。

这篇文章，就是我从17个项目中总结出的经验、判断、数据和踩过的坑。不写泛泛的行业趋势，不讲供应商PPT里的漂亮话，只讲对一个煤矿管理者真正有用的东西。

一、核心结论：AI定位排班的本质不是“省人”，而是“控险”

在煤炭行业谈AI，99%的厂商会把重点放在“降本增效”上。他们会告诉你，AI排班能替代两个调度员，AI定位能节省多少巡检人力。这套话术对财务总监管用，但对安全矿长没用，对矿长也没用。因为煤矿的核心KPI从来不是利润率，而是零死亡、零重伤、零超限。在这个前提下，任何一个系统的价值排序都应该是：安全>合规>效率>成本。

我见过一个很典型的反面案例。2021年，贵州某矿花了300多万上了一套智能排班系统，算法确实先进，基于运筹学的最优排班模型，能把每个班次的人员配置精确到个位数。上线三个月，人力成本确实降了8%，矿上很满意。但第四个月出事了，算法为了追求“最优人员配置”，把两个经验丰富的老瓦斯检查员排到了不同的班次，导致早班的瓦检员对一条新开的掘进面不熟悉，漏查了一个瓦斯异常点，险些酿成事故。事后复盘，问题出在哪？出在算法的目标函数错了。它优化的是“用人最少”，而不是“风险最低”。

这就是我今天要讲的第一个核心判断：AI定位排班系统的第一性原理，不是劳动力优化，而是风险预控。它的底层逻辑应该是，通过实时位置数据和历史轨迹数据，识别出哪些人员组合、哪些时空配置会降低安全冗余，然后动态调整排班方案，把风险概率压缩到最低。效率提升是副产品，不是主产品。

换个角度说，传统的井下人员管理是“事后响应型”的：人找不到了去找，出事了去查轨迹，违章了去追责。而AI要做的是“事前预控型”的：在排班那一刻，系统就能预判哪个方案更安全；在人员下井后，系统能实时识别异常行为并主动预警。这个转变的幅度，不亚于从“马车”到“汽车”的跨越。

我反复跟矿方强调的一个观点是：评估这套系统的ROI，不能只看省了几个人的工资。要看它帮你规避了多少次可能的事故，减少了多少条安监局的整改通知书，在多少次关键调度决策中提供了准确依据。这些价值很难量化，但它才是真正的核心。

二、真实场景：井下人员管理到底难在哪

要理解AI定位排班系统的价值，必须先理解井下人员管理到底有多复杂。我在项目启动会上常做一个测试：让矿上的调度主任画一张流程图，描述从“矿工起床”到“矿工出井”的全过程，包括所有可能的分支和异常情况。结果很有意思，没有一个主任能在一小时内画完整，因为实际流程比他意识到的复杂得多。

1. 空间维度的盲区：你以为全覆盖，其实到处是窟窿

煤矿井下环境对无线信号的衰减极为严重。一个典型的深井煤矿，从井口到最远工作面可能有十几公里，中间要穿过岩层、煤层、金属支护、皮带运输设备，每一种都是信号杀手。目前主流的UWB（超宽带）定位技术在理想环境下精度可达30厘米，但到了井下，受粉尘、湿度、电磁干扰、多径效应的影响，实际精度可能退化到5米甚至更差。更麻烦的是，很多老旧矿井的巷道不是规则的矩形网格，而是几十年开采形成的树杈状、甚至不规则网状结构，存在大量信号死角。

我在陕西某矿做过一次实地测试：带着定位标签，以固定路线走完所有设计作业区域，同时用独立的便携式定位仪做基准对比。结果发现，在系统显示“全覆盖”的区域内，实际存在11个信号盲区，其中3个位于紧急避险硐室附近，这是最不应该有盲区的地方。原因查明后让人哭笑不得：有两个基站的安装位置是按图纸标的坐标放的，但图纸是五年前的，那条巷道后来扩帮了1.5米，基站被新砌的密闭墙挡住了半边天线。

这个教训让我形成了一个至今坚持的原则：任何AI定位系统的评估，第一关不是看算法，而是看基站部署的实测覆盖率和盲区分布图。没有经过实地信号测试的系统，算法再先进也是空中楼阁。

2. 时间维度的滞后：15分钟，足够发生一场事故

很多矿上的定位系统，数据刷新频率是30秒甚至1分钟一次。听起来不慢，但在某些场景下，30秒足够致命。比如一条运输大巷，矿车运行速度每秒3到5米，30秒就是90到150米。如果一个人的定位信号在30秒前显示他在轨道旁，30秒后矿车已经撞上去了，而系统才刚刷新出他的最新位置，黄花菜都凉了。

更隐蔽的问题是，排班表和实际作业时间经常是两张皮。排班表上写着早班8点下井、16点升井，但实际上矿工可能7点半就下去了，也可能因为工作面有情况拖到17点才上来。人工排班系统对这种“弹性”几乎没有任何感知能力，导致调度中心的“在册人数”和“实际人数”常年存在偏差。我在河北某矿做过一次突击核对：当天排班表显示井下应有312人，定位系统却显示329个标签在线，差了17个人。逐一核实后发现，有11人是上一班次因设备检修滞留的，6人是临时调班但未更新排班表。这种偏差表面上是管理问题，但根子上是定位系统和排班系统没有实时联动。

3. 能力维度的错配：排班看资质，不看状态

传统的人工排班，调度员依据的是“人证匹配”，这个人有没有相应的操作证，能不能干这个活。但干过煤矿的人都知道，有资质不等于今天能干活。一个矿工昨晚跟老婆吵架没睡好，今天的精神状态就是潜在隐患；一个瓦斯检查员连续上了6天夜班，第7天的判断力会明显下降；一个刚休完长假回来的老工人，对近期改了路线的回风巷可能完全不熟悉。

这些“人的状态因素”，传统排班系统完全捕捉不到。我见过的最离谱的案例是，某矿的排班系统把两个都有瓦斯检查证的工人排到同一工作面，但其中一个已经三个月没下过井了，另一个是刚培训完的新手，资格证都有，但实际经验天差地别。AI系统要解决的，正是这种“资质合格但能力错配”的隐性风险。

三、常见误区：对AI井下定位排班的四个错误认知

在跟煤矿管理层的交流中，我发现有四类误区反复出现，甚至一些已经上过系统的矿也绕不开。这些误区不澄清，再好的系统也发挥不出应有的价值。

1. 误区一：“定位精度越高越好，厘米级才够用”

这是一个典型的“技术至上”思维。很多矿在招标时把定位精度作为最核心的指标，要求30厘米甚至更高。但实际运营中，井下定位的真正价值不在于“知道某个人站在巷道的第几块地砖上”，而在于“知道他在哪个区域、他该不该在那里、他停留了多久”。

举个例子。对于人员防碰撞预警来说，把定位精度从3米提升到30厘米，边际收益非常有限，因为矿车和行人的安全距离本身就是以米为单位的。但对于超时滞留预警来说，精度要求就更低了，只要能判断人在某个区域内停留超过阈值即可。真正需要高精度定位的场景其实很少，主要集中在设备定位、自动化采掘等环节，而不是人员管理。

我在做项目评估时常用一个判断：如果一个系统把80%的预算花在把精度从2米提升到0.3米上，那这个项目的性价比大概率是低的。更应该花钱的地方是降低盲区覆盖率、提高数据刷新频率、优化基站冗余配置。

2. 误区二：“AI排班就是自动排班，把人工替代掉就行”

这是最危险的一个误区。我在本文开头讲的贵州矿的案例，问题就出在这里，把AI当成“替代人工”的工具，而不是“辅助决策”的工具。

AI排班的正确定位应该是：由算法生成多个候选排班方案，每个方案附带风险评分和效率评分，然后由调度员在算法推荐的基础上做最终决策。算法的优势在于能同时处理几十个约束条件（安全规程、人员资质、工时限额、历史经验、实时状态），并且能在几分钟内穷举出人工需要几小时才能算完的排列组合。但算法有两个致命短板：一是无法理解“灰色地带”的人情世故和组织文化，二是无法对突发异常做出价值判断。

所以，好的AI排班系统一定不是“一键排班”，而是“算法推荐+人工确认”。调度员不是被替代了，而是被升级了，从计算器变成了决策者。

3. 误区三：“系统上线了，安全问题就解决了”

这句话我在不下十个项目的启动会上听过，无一例外，说这话的矿后来都遇到了麻烦。AI系统不是安全问题的终点，而是安全管理新模式的起点。系统上线只是完成了“工具部署”，真正的难点在于“流程重构”和“习惯改变”。

我总结过一个“AI系统落地三段论”：

1. 第一阶段（1-3个月）：系统跑通了，但人还在按老习惯干活。排班表是AI生成的，但调度员每天都手动改一遍；预警信息弹出来了，但安监员觉得是误报，关掉继续干活。这个阶段的价值几乎为零。
2. 第二阶段（3-6个月）：经过几次真实事件验证（比如系统预警了一个超时滞留，安监员下去确认确实有问题），开始有人认真看系统数据了。预警响应率从不到20%升到60%以上。这个阶段开始产生安全价值。
3. 第三阶段（6个月以上）：排班、定位、预警、考勤、薪酬逐渐打通，系统数据成为日常管理决策的基础。调度员开始主动看数据分析报告，矿长开会时先打开系统大屏。这个阶段，AI的价值才真正释放。

如果你的矿刚上系统三个月，感觉没什么效果，别急着否定系统，先看看是不是还在第一阶段挣扎。绝大多数“系统不好用”的评价，本质上是“组织还没准备好用”。

4. 误区四：“买一套成熟系统装上就能用”

AI定位排班系统跟OA系统、财务软件不一样，它不是一个“标准化产品”，而是一个需要深度定制的解决方案。每一个矿井的巷道布局、人员结构、排班规则、安全规程、甚至企业文化都不一样。一套在内蒙古露天矿跑得很好的系统，照搬到贵州深井煤矿八成会水土不服。

我总结过系统定制化的四个关键维度：

• 巷道适配：基站部署方案必须根据实际巷道测绘数据设计，不能套用标准模板
• 规则适配：排班约束条件必须逐条跟矿方确认，比如“父子不能同班下井”“新工人三个月内不能独立作业”等隐性规则
• 预警阈值适配：不同矿井、不同区域、不同季节的风险阈值都不一样，需要根据历史数据调参
• 组织适配：系统的工作流审批节点、权限体系必须对接矿上的实际管理层级

这四个适配做不到位，再贵再先进的系统也是摆设。

四、专业判断逻辑：如何评估一套AI定位排班系统的真正价值

说了这么多问题和误区，接下来讲讲正向的方法论。当你作为煤矿管理者，面对市面上几十家供应商的方案时，如何判断哪一套系统真正适合你的矿？我总结了五个核心评估维度。

1. 数据质量优先于算法先进

AI圈有句话：“垃圾进，垃圾出”。定位排班系统也一样。算法的先进性只有在数据质量过关的前提下才有意义。而数据质量，主要看四个指标：

（1）定位数据的完整率

指在所有应被覆盖的区域内，定位标签能被有效读取并上报的比例。这个指标应该达到99%以上。低于这个数字，说明存在不可接受的盲区。我在评估时会让厂商拿出实测报告，而不是他们实验室的数据。

（2）定位数据的时间一致性

指同一个标签在不同基站之间的数据时间戳是否对齐。如果A基站的时钟比B基站快2秒，那么一个快速移动的人就可能被系统误判为“瞬移”或“轨迹断裂”。这个问题在技术上不难解决（通过NTP时间同步），但在实际部署中常被忽略。

（3）人员信息与标签信息的映射准确率

听起来很基础，但做起来不简单。一个矿工可能因为换衣服、换设备、代领标签等原因，导致系统里记录的标签持有者和实际下井人不一致。这种映射错误一旦发生，后续所有基于“人”的分析都失去了意义。好的系统应该设计强制性的“人标绑定校验”机制，比如在井口刷卡时自动核验。

（4）排班数据的结构化程度

传统的排班表可能是Excel甚至纸质表格，里面充斥着缩写、备注、临时调整等非结构化信息。这些数据如果不经过清洗和结构化，AI算法根本读不懂。一个负责任的系统供应商，应该在项目启动阶段就投入精力做历史排班数据的清洗和结构化，这是算法训练的前提。

2. 决策闭环比实时监控更重要

很多系统把“实时监控大屏”作为核心卖点，一打开就是酷炫的3D巷道图、跳动的光点、各种仪表盘。但在实际运营中，真正有价值的是从“发现问题”到“处理问题”到“归档问题”的完整闭环。

一个好的闭环应该包含四个环节：

1. 识别：系统自动识别异常（超时滞留、进入禁区、轨迹偏离、人员聚集等），并分级（紧急/重要/一般）
2. 推送：根据异常等级，自动推送到对应的责任人（调度员/安监员/值班矿长），而不是只在大屏上闪烁
3. 处置：责任人在系统内完成处置确认，处置动作被记录（下井核查/电话确认/启动预案等），超时未处置自动升级
4. 归档：异常事件自动归档到安全管理数据库，用于事后分析和规则优化

我在评估系统时，会专门测试这个闭环的完整性和响应速度。测试方法是：让一个测试人员带着标签进入“禁区”，然后掐表看从系统告警到责任人手机收到推送需要多长时间。好的系统应该在5秒以内完成识别和推送，差的系统可能根本触发不了告警（因为阈值设置不合理），或者告警弹在大屏上但没人看。

3. 人机协同：算法推荐的“可解释性”比“准确性”更重要

这是一个容易被忽略但极其重要的判断维度。当一个AI系统给出一份排班方案，调度员如果看不懂“为什么这么排”，他就不敢用，即使这个方案在数学上是最优的。

举个例子。系统推荐把老王从早班调到夜班，理由是“老王过去30天的井下轨迹数据显示，他在早班时段（8-16点）的平均移动速度比夜班时段（0-8点）慢18%，结合他的年龄和岗位特性，推测他在夜班时段的警觉性更高”。如果系统能把这个理由用自然语言展示出来，调度员一看就明白，而且会觉得“这个系统有点东西”。但如果系统只是一个黑盒子，只给出结果不给原因，那调度员大概率会手动改掉这个推荐，回到他习惯的排法。

这涉及到AI在煤矿落地的一个核心原则：算法必须可解释。不是因为技术需要，而是因为信任需要。一线矿工和管理者不会信任一个他们看不懂的决策系统。

4. 弹性架构：系统必须能应对“不确定性”

煤矿井下最大的确定性就是“充满不确定性”。突发的设备故障、临时的人员请假、上级的突击检查、恶劣天气导致的运输中断，这些都会打乱排班计划。一个好的AI系统不能假设“一切按计划进行”，而必须内置应对不确定性的弹性机制。

具体来说，弹性架构应该包含三个能力：

（1）实时重排能力

当一个班次中有人员临时无法下井时，系统能在30秒内完成局部重排，而不是推翻整个排班表重新算。重排逻辑应该优先保证安全约束不被破坏，其次才是效率最优。

（2）多场景预案能力

系统应该预置多种极端场景的预案（如瓦斯超限紧急撤人、运输中断导致人员滞留等），并在对应场景触发时自动激活。这些预案不是靠AI实时计算的，而是提前跟矿方一起制定的，AI只负责在条件满足时快速调用。

（3）脱机运行能力

井下的网络环境不稳定，必须有脱机运行机制。定位标签应该具备本地存储能力，断网时继续记录轨迹，恢复连接后自动补传。排班系统也应该有本地缓存，不能因为网络断了就完全停摆。

5. 与人事系统的深度打通

最后这个维度，在很多项目中被忽略了，但在我看来恰恰是决定长期价值的关键。井下定位排班系统产生的所有数据，出勤记录、工时统计、轨迹分析、异常事件，最终都要进入企业的人事管理系统，用于薪酬计算、绩效考核、安全积分、培训计划等。

如果这两套系统是割裂的，就会出现一个尴尬的情况：系统显示某矿工本月井下作业时长210小时，但HR系统里记录的是按排班表推算的176小时。34小时的偏差，对应的是实打实的薪酬差异。我在一个项目中发现，仅因为定位数据和考勤数据不同步，矿方每年多支出的加班费就超过40万元，不是员工虚报，而是系统之间数据不互通导致的计算误差。

对于煤矿企业来说，井下定位排班系统与HR系统的打通，不仅是效率问题，更是合规问题。安监部门来检查时，需要看到的是“实际下井记录”而非“排班计划”；劳动监察部门关注的是“实际工时”而非“理论工时”。这两套数据必须能从同一套源头追溯。

在实践中，选择什么样的人事系统来对接也很关键。对于年产300万吨以上、员工规模超过1000人的大型煤矿，建议选择具备开放API接口、支持定制化对接的专业HR系统。比如服务中大型企业的I人事系统，其优势在于能够将井下定位数据自动同步为考勤和工时数据，减少人工核对的环节。但需要注意的是，I人事这样的通用HR系统并不具备井下定位排班的功能，它扮演的角色是“数据消费方”和“管理集成方”。真正的定位排班AI引擎，仍然需要由专业的矿山安全软件厂商提供。两者之间的关系是：井下系统负责“生产数据”，人事系统负责“消费数据”。选型时，必须确认两套系统的接口兼容性和数据字段映射关系，这个工作在项目启动阶段就要列入计划，不能等到系统上线了才发现数据传不过去。

五、具体案例与数据观察

接下来用两个真实案例说明前面的判断逻辑如何在实践中落地。需要说明的是，出于商业保密和安全生产的考量，案例中的矿方名称和具体产量数据做了脱敏处理，但关键过程和结论都是真实的。

1. 案例一：陕西某大型矿井，从“信号盲区补课”开始的AI之路

这个矿年产1200万吨，员工超过3000人，井下同时作业人数常年在400人以上。2022年初，矿方决定引入AI定位排班系统，预算充足，目标是建成“西北地区智慧矿山标杆”。

但项目启动后第一个月，我们就踩了一个大坑。系统安装团队按图纸完成了基站的部署，系统上线那天，大屏上的定位数据确实很漂亮，全矿覆盖，信号满格。但实地测试的结果让所有人傻眼了：三条主要运输大巷的定位精度在8米以上，两个掘进面的信号严重漂移，最离谱的是一个紧急避险硐室完全没信号。原因前面已经说过了，图纸和实际巷道不符，加上部分区域存在强烈的电磁干扰。

我们花了整整两个月时间，做了三件事：一是对全矿17公里巷道重新进行了实地信号测绘，绘制了真实的信号覆盖热力图；二是基于实测数据，调整了基站位置和天线角度，新增了11个补充基站；三是建立了基站状态的实时监测和自动告警机制，确保任何一个基站出问题都能在5分钟内被发现。

补完这堂“信号课”之后，AI排班系统才真正开始发挥作用。上线第六个月，系统通过轨迹分析识别出一个规律：每周三的早班，有7名矿工的实际行走路线与排班任务路线存在15%到25%的偏差。进一步排查发现，这7个人都是住在矿区南侧宿舍的，而周三早上南侧的澡堂热水供应不稳定，导致他们急匆匆洗完澡后走了一条“抄近道”的非标准路线去工作面。这条近道穿过了两个不常有人走的联络巷，一旦发生事故，救援人员根本想不到去那里找人。

这个发现让矿方管理层非常震惊。过去靠人工方式，这种“习惯性违章”完全不可能被发现。AI系统不需要刻意检查谁，它只是在分析“排班路线”和“实际路线”的匹配度时，自动标记了异常。这正是我在前面说的，AI的价值不在于替代人工，而在于发现人工发现不了的规律。

截至2024年底，这个矿的系统运行数据如下：井下人员定位完整率从上线前的84%提升到99.1%，排班方案的人工修改率从每周14次降到3次，异常事件预警的响应时间从平均23分钟降到5分钟以内。更重要的是，系统上线以来，该矿未发生一起因人员位置不明导致的调度失误。

2. 案例二：贵州某中型矿井，预算有限，如何把钱花在刀刃上

第二个案例完全不同。这个矿年产不到200万吨，员工约600人，管理层对AI系统有需求但预算非常有限。矿长跟我说了一句很实在的话：“我知道你们那套东西好，但我没那么多钱。你告诉我，就一两百万预算，怎么搞？”

这种情况下，必须做取舍。我跟他一起梳理了矿上的实际痛点，排出了优先级：

1. 最急需：井下人员实时位置可视化（因为发生过两次“人找不到”的虚惊）
2. 次要需求：智能排班（目前人工排班虽然慢，但没出过大问题）
3. 锦上添花：高级分析功能（轨迹预测、行为画像等）

最后确定的方案是：先上定位硬件和基础软件，用UWB技术覆盖关键区域（工作面、运输大巷、主要硐室），暂不追求全覆盖；排班模块先用轻量版，只实现“排班表电子化”和“定位-排班比对”两个核心功能；预算大头花在基站和标签上，软件部分先上基础版，后续再迭代。

这个方案花了大概130万。上线后半年，效果超出了矿方的预期。虽然定位覆盖只有78%，但已经覆盖了90%以上的作业区域；排班比对功能上线第一个月就发现了17次“实际下井人员与排班表不符”的情况，倒逼了排班管理流程的规范化。矿长后来跟我说，这套系统“不够先进但够用”，而且因为投入可控，后续还有预算做二期升级。

这个案例的启示是：AI定位排班系统不是“有钱的上全套，没钱的别碰”。关键在于根据实际痛点做优先级排序，分阶段投入，让每一分钱都花在能产生直接价值的环节。

六、不同场景下的行动建议

煤矿行业的一大特点是差异性极大。年产2000万吨的央企主力矿井和年产60万吨的乡镇煤矿，在人员结构、管理水平、预算规模、安全压力等方面完全不同。因此，不存在一套放之四海皆准的方案。以下是针对三类典型矿井的具体建议。

1. 年产500万吨以上大型矿井：建体系，不是上系统

这类矿井通常已有基础的定位系统和信息化管理平台，不缺硬件，缺的是将定位数据、排班数据、人事数据、安全数据融为一体的决策体系。

行动重点：

• 不要重复建设定位硬件，先做数据质量评估，补齐盲区和时延短板
• 重点投入AI排班算法和预警模型，建立“算法推荐+人工确认”的协同机制
• 打通井下系统与地面HR系统（如已使用I人事等平台，优先通过API对接实现数据同步），实现“下井即考勤、轨迹即工时”
• 建立专职的数据运维团队，保证系统的长期稳定运行和数据质量
• 以季度为单位做系统效果评估，指标包括预警响应率、排班采纳率、工时计算准确率等

预期投入：300万-800万（不含已有硬件投资），建设周期6-12个月。

2. 年产100-500万吨中型矿井：先补数据短板，再上智能模块

这类矿井是最需要精细化规划的。预算有限但安全压力不小，不能像大矿那样一步到位，但也不能像小矿那样只做最低配置。

行动重点：

• 先做定位覆盖的实测评估，优先消灭关键区域（工作面、运输大巷、紧急避险设施附近）的盲区
• 排班系统先上轻量版，实现排班电子化和定位比对，解决“排班表与实际不符”的基础问题
• AI功能采用“先跑起来再优化”的策略：算法先用通用模型，积累6个月数据后再做定制化调优
• 预留与HR系统对接的接口，但不必一次性全部打通，可先做考勤数据的自动同步
• 控制硬件成本：标签选用工业级而非军工级，基站数量按“关键区域全覆盖+次要区域可接受盲区”的原则配置

预期投入：100万-300万，可分两期投入，建设周期6-12个月。

3. 年产100万吨以下小型矿井：解决“有无”问题，不求“最好”

小型矿井的特点是人员少、巷道简单、预算紧张。对它们来说，最急迫的需求往往不是AI排班，而是基本的井下人员位置可视化。我在多个小矿调研时发现，很多矿的“定位系统”其实是靠电话汇报来维持的，每个工作面每小时打一次电话报人数和位置。

行动重点：

• 优先部署基础UWB或蓝牙定位系统，实现“人能看到在哪”的最低要求
• 排班暂不引入AI，但至少实现电子化排班表，并与定位系统做基本的比对
• 预警功能聚焦最核心的两类：进入禁区告警和超时滞留告警，不做复杂分析
• 数据记录保留至少90天，满足安监检查的最低要求
• 软件尽量选用SaaS化轻量产品，降低本地部署和维护成本

预期投入：30万-80万，建设周期2-4个月。

七、不同情况下的取舍

在实际决策中，煤矿管理者经常面临两难选择。以下是最常见的四个取舍问题，我给出基于经验的专业判断。

1. 自研还是采购？

有些大型煤炭集团有自己的信息化子公司，具备一定的软件开发能力。要不要自研一套AI定位排班系统？我的判断是：定位硬件和基础平台建议采购成熟方案，AI算法层可以考虑自研或联合开发。

原因很简单：定位硬件（基站、标签、网络设备）是成熟的工业产品，自研的性价比极低，而且涉及射频、防爆等专业认证，门槛太高。但AI排班算法和预警模型是可以自研的，因为不同矿井的排班规则和风险特征差异太大，通用的算法模型往往需要大量定制化工作。如果有自己的技术团队，基于成熟的定位平台做二次开发，是性价比最高的路径。

我在某央企集团见过一个比较成功的模式：集团统一采购UWB定位平台（硬件+基础软件），然后在平台上自研排班算法和预警模型，适配旗下不同矿井的需求。这种模式既避免了“重复造轮子”，又保留了核心算法的自主可控。

2. 全套系统还是模块化部署？

供应商当然希望你买全套，定位、排班、预警、分析四个模块一起上。但我的建议是：除大型矿井外，模块化部署、分期上线是更务实的选择。

原因有二：一是模块化部署可以降低单次投入，缓解预算压力；二是分步上线给组织留出了适应时间。一下子把所有功能都推到一线，员工接受不了，系统就成了摆设。我的经验是，先上定位和基础预警，让大家先习惯“数据化”的工作方式，3到6个月后再上排班模块，再过3个月上高级分析功能。这样节奏更稳，落地效果更好。

3. 高精度还是高性价比？

前面已经分析过，定位精度不是越高越好。对于人员管理场景，2到5米的精度配合区域判断逻辑，已经能满足95%以上的安全需求。把精度从5米提升到0.3米，需要增加2到3倍的基站密度，投入产出比很低。

但有一个例外：如果你的矿有大量的自动化设备（无人矿车、智能采掘机等）需要在井下运行，那高精度定位就变得必要了，因为设备避碰需要亚米级精度。这种情况下，投入高精度UWB是合理的。但如果只是管人，5米精度够用。

4. 一次性建成还是持续迭代？

很多矿在立项时追求“一步到位”，把未来五年的需求都塞进一期建设里。这种做法风险很高。因为井下环境、管理制度、人员结构都在变化，今天设计的功能明天可能就不适用了。

我更推崇“持续迭代”的模式：先上线一个最小可用版本，在实际使用中收集反馈和数据，然后每季度做一次功能迭代。这样的好处是系统始终跟实际需求对齐，不会出现“建完了就过时了”的尴尬。当然，这要求供应商有持续服务的能力，所以在选型时要重点考察供应商的长期服务意愿和客户口碑。

结语：回到原点

写了这么多技术分析、案例拆解、决策框架，最后想回到一个最朴素的出发点上。煤矿行业的一切技术投入，最终都指向同一个目标：让每一个下井的人，都能平安上来。AI定位排班系统不是用来炫技的，不是用来应付检查的，不是用来写PPT的。它是用来在矿工和危险之间，多设置一道屏障。

如果你正在考虑为自己的矿引入这套系统，我的建议是：

1. 先做一次彻底的定位覆盖实测，搞清楚你的矿到底有多少盲区，定位数据质量到底怎么样。这是所有后续工作的基础，花一两万做一次实测，比花几百万上错系统划算得多。
2. 梳理你的排班规则和异常案例，把过去两年发生的“人找不到”“排班出错”“超时滞留”等事件整理出来。这些是你评估系统功能优先级的最重要依据。
3. 拜访两到三家已经上线类似系统的矿井，不要只听供应商讲，要听同行讲。问他们上线后最大的问题是什么，最没想到的坑是什么。这些一手经验比任何技术白皮书都有价值。
4. 在立项时就规划好与HR系统的对接方案，不要让井下数据成为信息孤岛。如果你的矿已经使用I人事或其他HR系统，务必在技术方案中明确接口标准和数据字段的映射关系。
5. 给自己和团队设定合理的预期：系统上线前三个月效果有限是正常的，六到十二个月进入价值释放期也是正常的。不要因为短期看不到效果就否定系统，也不要因为系统运行正常就放松管理。

最后说一句我在每个项目结束时都会跟矿方说的话：最好的安全管理系统，不是功能最多的那个，而是被一线人员真正用起来的那个。再先进的AI，也需要人的信任和配合才能发挥作用。请把系统落地的重心，放在“让人愿意用”上，而不是“让技术更先进”上。

这条路不容易，但值得走。