煤炭工业是我国的基础产业,关系着国家经济发展的命脉。煤矿采掘设备作为煤矿生产工作中的大型设备,在发生故障时快速定位故障原因并对其进行有效的维护是采掘工作中的重要内容。随着煤矿采掘技术的不断成熟,设备的复杂度也越来越高。然而,从业人员水平参差不齐、行业内海量碎片化的信息难以得到高效充分利用,使煤矿采掘设备维护的工作效率难以提升,因此亟需建立一套知识管理体系,整合煤矿采掘设备的数据,挖掘隐含在文本内的知识。知识图谱是描述现实世界中复杂关系的有效模型,能够直观地展示并丰富现有知识,构建煤矿采掘设备维护领域知识图谱能够有效解决上述问题。由于煤矿采掘设备维护领域缺少完备的数据集,本文着眼于煤矿采掘设备维护的相关需求,参考中国煤炭工业协会发布的煤矿设备检修服务通用要求并结合领域专家建议,设置了采掘设备领域7个关键实体类型和8个关系类型,构建了煤矿采掘设备维护领域实体数据集CMEM-Entity与关系数据集CMEM-Relation。针对煤矿采掘设备维护领域命名实体识别任务中存在的问题,如中文文本的多义性难以表示、文本特征提取困难以及领域实体字符长、专业术语多、结构不规范等,本文通过对现有的命名实体识别模型Bi LSTM-CRF进行改进,引入了BERT语言预训练模块,并将LSTM替换为其轻量级的变体模型GRU,提出了BERT-Bi GRU-CRF命名实体识别模型。实验表明BERT-Bi GRU-CRF模型比传统模型在训练速度和F1值方面上均有所提升,在CMEM-Entity领域数据集上的F1值达到了74.32%,能够准确高效地完成煤矿采掘设备维护领域命名实体识别的任务。针对煤矿采掘设备维护领域的关系抽取任务,为降低关系抽取任务中对人工标注的依赖,提高模型对于煤矿采掘设备维护领域的针对性,本文基于远程监督学习的思想,在PCNN的基础上引入多关系注意力机制,提出了PCNN-MRA模型,深度挖掘潜藏在样本集合中的实体关系,解决了PCNN模型信息丢失的问题。通过在NYT公共数据集和CMEM-Relation领域数据集上进行实验,实验结果表明,在公共数据集上PCNN-MRA模型比传统模型在AUC值上有所提高,在领域数据集实验中的AUC值达到了0.8325,具有较强的领域针对性。最后,本文选用Neo4j图数据库将抽取到的实体和关系数据进行存储,并开发了具有可视化展示、知识查询和知识管理功能的煤矿采掘设备维护可视化管理平台,帮助用户快速定位故障原因并找到解决方案。本文共有图36幅,表24个,参考文献81篇。