立项原因
煤矿行业设备运维存在专业知识门槛高、故障诊断效率低、运维经验传承困难等问题。传统运维模式依赖人工经验，响应速度慢，且缺乏智能化的故障预警和诊断手段。旨在通过大模型技术与深度学习结合，构建智能化运维平台，提升设备运维效率与安全性。
行业场景与业务背景
煤矿行业作为高危行业，设备运行安全至关重要。提升机、压风机、通风机、排水机、运输机等关键设备一旦发生故障，可能导致生产停滞甚至安全事故。当前行业痛点包括：运维人员专业知识不足导致故障处理不及时；设备运行数据分散缺乏统一分析平台；传统故障诊断依赖人工经验效率低下；设备维修手册和操作规程查阅不便；缺乏智能化的预警和诊断系统。本平台通过集成大语言模型提供智能问答服务，结合YOLO目标检测技术实现设备状态自动识别，构建一体化的智能运维解决方案。
功能模块
项目包含以下核心功能模块：1）大模型智能问答系统：基于通义千问大模型提供设备维护、故障诊断、操作规程等专业问答，支持流式对话、思考链可视化、工具调用等功能；2）AI多模态故障诊断：结合文本、图像、传感器数据进行综合分析，自动生成诊断报告；3）设备实时监控：支持提升机、压风机、通风机、排水机、运输机等设备的实时数据采集与可视化展示；4）YOLO目标检测系统：提供数据集管理、模型训练、推理部署的完整工作流，支持ONNX、BMODEL等格式转换；5）GIS地图可视化：设备位置与状态在地图上的实时展示；6）数据管理：数据集创建、图片标注、标签管理等；7）用户权限管理：基于JWT的认证体系与RBAC权限控制；8）知识库管理：设备运维知识的构建与管理。
主要功能描述
大模型智能问答作为核心亮点，通过流式传输技术实现实时对话响应，支持思考过程可视化展示，用户可以查看模型的推理步骤。系统集成了MCP工具调用能力，能够检索知识库、查询设备信息，提供专业化的运维指导。AI故障诊断模块通过多模态数据分析，结合设备历史运行数据和当前状态，自动分析故障原因并提供处理建议。设备监控模块实时采集设备运行参数，通过ECharts图表进行多维度可视化展示，支持异常预警。YOLO检测系统实现了从数据标注、模型训练到部署的完整流程，支持模型版本管理和格式转换，可应用于设备外观检测、缺陷识别等场景。
1）大模型智能问答前端系统开发：实现了流式对话界面、思考链可视化展示、工具调用渲染等核心功能，使用ReadableStream处理SSE流式数据，实现了实时文本流式渲染；2）前端架构设计与开发：使用Vue3+TypeScript构建前后端分离架构，实现了用户认证、权限管理、路由守卫等基础功能模块；3）设备监控与数据可视化：基于ECharts开发实时数据图表，实现了多维度数据展示和交互；4）API接口设计与集成：设计了RESTful API接口规范，实现了多后端服务的代理配置与路由管理；5）YOLO模型管理功能开发：实现了模型训练、转换、部署相关的前端界面；6）类型安全与代码质量：使用TypeScript实现类型定义，提升代码可维护性。
技术栈与架构
前端采用Vue 3 + TypeScript + Vite构建，使用Element Plus作为UI组件库，Pinia进行状态管理，Vue Router实现路由管理。后端使用Flask + Python，MySQL作为数据库，SQLAlchemy作为ORM，JWT实现身份认证，Flask-SocketIO实现实时通信。AI技术栈包括通义千问大模型（Qwen-Plus）用于智能问答，YOLO（Ultralytics）用于目标检测，PyTorch用于深度学习模型训练，OpenCV用于图像处理。架构采用前后端分离设计，使用Vite代理解决跨域问题，通过Flask-SocketIO实现实时数据推送。
评论