成果简介：矿井提升系统是集机、电、液于一体的大型复杂设备，其运行状态直接关系到整个矿山生产人员的生命安全和矿井的生产能力。目前提升系统仍以人工监测为主，辅以少量传感器设备，难以满足矿山智慧化的迫切需求。 在这种背景下，本项目以提升系统全自动，远程智能健康监测和故障预警及精准定位技术为背景，利用多源传感器信息融合技术对采集的数据进行数字化建模，结合已开发的管理系统云平台实现数据的可视化，并提出基于机器学习的故障实时监测和预警技术，从而实现全位置、立体化、远程实时智能健康监测和预警，以及故障位置精准定位，同时可对不同故障类型的振动信号实现更精准的识别和定位。在智能预警方面实现了一种基于智能视频分析的目标检测、定位、分类识别的实时预警系统，对整个矿井的正常运行起到良好的保障作用。 2、主要创新点 基于神经网络的多传感器数据融合分析技术：测量系统可以获取海量的多传感器数据，将各种传感器得到的数据进行多层次、多空间的信息互补和优化组合处理，经过一系列神经网络，最终通过非线性多类支持向量机（SVM）得到诊断结果。 基于云平台的数据存储与多维可视化建模：采用分布式计算架构，基于云的数据挖掘，通过交互式终端获取数据源并加以筛选分析，对数据不停的排列、重组，将复杂的数据信息可视化建模。 基于卷积自动编码器的智能无线振动监测技术对提升机本体设备监测：提出了一种新的深度神经网络 (DNN)，即稀疏表示卷积自动编码器 (SRCAE)，以无监督方式提取振动信号的脉冲分量，用于机械故障诊断。 提出通过视频增强及实时图像对尾绳出现异常事件报警方法：提出采用先进的数字化视频监控技术、AI图像智能识别技术，通过深度学习算法监视和检测尾绳的隐患，利用光端机、交换机、流媒体服务器、智能视频分析服务器和智能分析客户端，实现井下尾绳检测系统自动报警、自动截图、录像的功能。 基于深度学习算法的故障精准定位技术：以提升机轴承为对象，提出基于ResNet与多核联合分布差异的深度迁移故障诊断算法，并使用多模型融合技术，充分学习数据的特征，利用足量带标签源域样本与无标签目标域故障样本训练深度迁移故障诊断模型，边缘诊断层基于训练好的深度迁移故障诊断模型参数，调整参数并重构模型，进而对本地存储的状态数据进行故障特征的识别。 基于视频分析的实时预警系统：利用数字化视频监控技术、AI图像智能识别技术，通过深度学习AI算法监视和检测设备故障。该系统可以自动分析、识别视频图像内的异常状况，产生预警信息，在数秒内完成异常检测及报警，大大缩短了报警时间。