我国煤矿多以井工矿为主,受地质和开采条件限制,多数煤矿生产系统复杂,井下生产环境差,作业人员多,隐患问题突出,极易发生事故。为了实现安全生产,煤矿设置安全监察部门、技术科室和专业人员进行安全监察、检查和隐患排查治理等工作,投入了大量人力、财力和物力,但仍未能彻底解决安全生产问题。随着现代信息通讯技术的快速发展和广泛应用,煤矿信息化工作正逐渐从数字矿山、感知矿山建设阶段,向智慧矿山建设阶段推进,这不仅将为煤矿安全生产工作提供强有力的技术支撑,而且将推动煤矿安全管理手段和模式创新。当前,自动化、物联网、互联网、云计算和人工智能等技术已开始在煤矿生产和管理工作中得到应用,并由此产生了大量的数值、音频、视频和图片等各种数据和信息,如何利用这些信息资源解决煤矿隐患智能识别和综合治理等安全管理问题已成为关注和研究的热点。因此,本文以智慧矿山各系统通过监测、感知和运行产生的各种数据为基础,构建训练数据集,设计了两类基于AI智能算法的隐患识别模型,并将其与云计算、大数据和AI技术进行整合,构建了能够应用于实际生产环境的集成化系统。具体内容如下:分析了煤矿安全隐患大数据特点,并据此将其分为视频图像数据和时间序列数据。在此基础上,总结了蕴含在不同类型数据中的隐患特征,并对隐患进行了分类。将视频图像中的隐患分为静态类型隐患、动态类型隐患和复杂类型隐患,将时间序列中的隐患分为基于数值预测识别的隐患和基于分类类型识别的隐患,初步给出了针对这五种类型隐患的识别方法。在此基础上,采用多种方法构建了训练数据集。视频图像类训练数据主要包括网上的公共数据,井下实地采集的数据以及通过3D引擎生成的合成数据,本文采用了Mix Up、Cut Mix,Mosaic等多种方法对数据集进行增强处理;时间序列类训练数据主要包括煤矿各类监测监控和感知系统采集的井下实地数据,本文采用Time Gan模型对真实数据进行模拟合成。通过对视频图像类训练数据和时间序列类训练数据的增强和合成处理,实现了对训练数据的扩充。构建了基于视频图像数据的不同类别隐患智能识别模型。采用数据增强和数据合成方法扩充训练数据集。在此基础上,采用Yolo X目标检测模型,构建了静态类型隐患识别模型,实现针对不带安全帽、皮带异物、火灾等隐患的智能识别,识别准确率达到89.9%,并采用Deep Sort算法实现了对隐患目标的追踪;基于Yolo X模型,采用Alpha Pose姿态检测模型和ST-GCN模型,构建了动态类型隐患识别模型,实现了对井下打闹、摔倒、睡觉等不安全行为等隐患的智能识别,识别准确率达到90.0%;采用规则推理方法,综合上述模型和Mono Flex单目3D目标检测模型,构建复杂场景隐患识别模型,实现对横跨皮带、违规扒车、行车不行人以及非皮带专用摄像头场景下皮带异物等复杂隐患的智能识别,对上述四种隐患的识别准确率分别达到了88%、92%、90%和89%。经测试,采用数据增强方法使Yolo X和Alpha Pose模型的准确率分别提升了2.8%和2.2%,基于UE4 3D引擎生成的合成数据使Yolo X、Alpha Pose、ST-GCN、Mono Flex四个模型的准确率分别提升了4.3%、4.8%、6.6%和3.2%。实验结果表明,本文采用的数据增强和数据合成方法能够有效提升模型的训练效果,构建的基于视频图像数据的不同类别隐患智能识别模型,可以利用视频图像数据快速、准确识别煤矿安全隐患。构建了基于时间序列数据的不同类别隐患智能识别模型。采用基于Time Gan的数据合成方法扩充数据集和预训练策略,以提升模型训练效果。以瓦斯浓度预测和采煤机过热跳闸故障预测为例,采用NLP模型中的LSTM、GRU、GPT模型分别构建了基于数值预测的隐患识别模型和基于分类类型的隐患识别模型,实现了利用两种时间序列对相应隐患的识别。并采用Stacking方法将三种模型进行融合,进一步提升了隐患识别的准确率。在瓦斯浓度预测的任务中,三种模型的RMSE分别达到了0.143、0.141和0.138,MAPE分别达到了1.12%、1.16%和1.11%,Stacking融合模型的RMSE和MAPE分别达到了0.131和0.98%。在采煤机过热跳闸故障预测任务中,三种模型的准确率分别达到了84.5%、83.6%和85.4%,用于衡量二分类问题综合性能的F1-Score指标分别达到了0.496、0.480和0.517,Stacking融合模型的准确率和F1-Score分别达到了89.2%和0.595。经测试,预训练策略和基于Time Gan模型生成的合成数据使Stacking融合模型在采煤机过热跳闸故障预测任务中的准确率分别提升了6.9%和3.6%,F1-Score分别提升了0.156和0.074。实验结果表明,本文采用的预训练策略和Time Gan数据合成方法能够提升模型的训练效果,构建的基于时间序列数据的不同类别隐患智能识别模型可以利用时间序列数据快速、准确地识别煤矿安全隐患,采用融合模型具有比单个模型更好的识别效果。设计了整合基于视频图像数据和时间序列数据隐患智能识别模型的集成化系统。为了实现构建的上述模型在实践中的应用,将其与云计算、AI和大数据技术进行整合,设计并初步开发了一套煤矿安全隐患智能识别系统。系统底层环境基于Kubernetes+Docker搭建,能够灵活配置和部署系统的各个模块。采用基于Flink的大数据框架,构建了煤矿隐患数据仓库,实现了井下数据实时汇聚和存储,为模型提供了数据源。设计了隐患整体识别流程,基于Nvidia Trinton Inference Server和Deep Stream技术实现了模型的在线部署和推理,基于Tensor RT技术实现了模型的优化,基于Vue框架实现了桌面端和移动端两套应用层APP的设计。