摘要: 为推进极端边缘计算在智能矿山建设中的应用和改善当前瓦斯浓度预测模型“端-云”架构实时性不足的问题，提出了一种基于多元信息融合的轻量型双分支瓦斯浓度预测模型，并部署在极边缘设备上，实现了实时智能预测与模型的动态更新。首先，以山东某煤矿工作面监测数据为样本，利用Pearson相关系数分析温度、粉尘等多源输入与瓦斯浓度的相关性，构建了强相关数据输入复杂分支进行深层提取和弱相关数据输入轻量分支处理的双分支网络模型，有效降低了模型计算量并满足轻量化部署要求。与传统的CNN、LSTM、GRU及其组合模型进行对比实验，结果表明新模型在测试集上的RMSE、MAE和MAPE相比基准模型最大降幅分别达14.6%、19.2% 和 18.2%。随后设计了瓦斯浓度预警模型，结果表明预警效果明显。接着，基于微型机器学习(TinyML)技术，将轻量化模型部署在极边缘设备STM32F4上。实验显示，模型能够准确预测瓦斯浓度变化趋势，其单次推理平均功耗、推理延时与能耗分别为22.80 mW、16.49 ms和0.376 mJ，展现出良好的边缘推理效率。最后，为应对极边缘端模型因数据分布波动而产生的概念漂移问题，提出了一种基于迁移学习的“端-边”协同在线学习策略。该策略支持在极边缘端进行模型动态更新，从而持续保障预测的准确性与实时性，为井下瓦斯浓度的长期可靠监测提供了可行方案。