一种基于物联网的工业生产安全感知模型的构建方法技术

本发明专利技术提供一种基于物联网的工业生产安全感知模型的构建方法，包括以下步骤：将物联网设备的传感器数据分为高、中、低三个区域范围，根据所述传感器数据在所述区域范围的出现频率组合计算原始的基本风险权值；对原始的基本风险权值做数值平滑处理；利用物联网设备的历史数据，统计长期、中期、短期几个时间范围内的历史风险权值；利用历史风险权值、平滑后的基本风险权值计算最终风险权值，建立分类器模型；利用各个传感器数据的所述分类器模型进行融合形成安全感知模型。本发明专利技术方法构建的安全感知模型可以更早的感知异常情况的发生，从而提前预警，避免了安全事故的发生。避免了安全事故的发生。避免了安全事故的发生。

【技术实现步骤摘要】
一种基于物联网的工业生产安全感知模型的构建方法


[0001]本专利技术涉及安全生产
，具体而言，涉及一种基于物联网的工业生产安全感知模型的构建方法。

技术介绍

[0002]工业生产安全的感知、监测、预警、处置和评估五个关键环节是传统安全生产中的重点。
[0003]如何提前预警，避免安全事故的发生，对企业实现安全生产非常重要。

技术实现思路

[0004]鉴于此，本专利技术的目的是利用物联网设备采集的温度、湿度、粉尘浓度、水位、压力等数据，结合安全感知模型，实现对人的不安全行为、物的不安全状态进行感知。
[0005]本专利技术侧重于物联网设备的感知环节，即通过物联网设备的分布式数据采集，以及存储的海量数据，再利用深度学习进行建模分析，建立安全感知模型，利用安全感知模型实现对传感器数据的关联分析，结合安全感知模型，做到提前预警进而避免安全事故的发生。
[0006]本专利技术提供一种基于物联网的工业生产安全感知模型的构建方法，包括如下步骤：
[0007]S1、计算原始的基本风险权值：将物联网设备的传感器数据分为高、中、低三个区域范围，根据所述传感器数据在所述区域范围的出现频率组合计算原始的基本风险权值，计算公式如下：
[0008]baseweight＝top_scope*2+mid_scope+low_scope*0.5；
[0009]其中，baseweight为原始的基本风险权值，top_scope是传感器数据在高风险区出现的频率，mid_scope是传感器数据在中风险区出现的频率， low_scope是传感器数据在低风险区出现的频率，原始的基本风险权值 baseweight的单位为天；
[0010]具体地，公式中top_scope频数乘2，强调top_scope数据出现的重要程度要高于一般情况；
[0011]所述S1步骤的所述传感器数据具有特定的阈值区间，超出所述阈值区间的数据视为异常；
[0012]每种传感器设备感知的数据都是特定，而且有相应阈值区间，超出阈值区间的数据视为异常，但是实际很多情况下，异常的发生之前的较早的一段时间内，传感器数据大部分都是位于厂家定义的安全数值范围内容，因此需要将数据划分为不同的范围区间，每个区间对应权值不一样；
[0013]S2、计算平滑后的基本风险权值：对所述原始的基本风险权值做数值平滑处理，目的是平衡低频、高频数据，计算公式如下：
[0014]convbaseweight＝log(1+log(1+log(baseweight)))
[0015]其中，baseweight为原始的基本风险权值，convbaseweight为平滑后的基本风险权值；
[0016]S3、计算历史风险权值：利用物联网设备的历史数据，统计长期、中期、短期几个时间范围内的历史风险权值，计算公式如下：
[0017][0018]其中，convhistoryweight为历史风险权值，longavg为基本风险权值的长时期的平均值，shortavg为基本风险权值的短时期的平均值，midavg为基本风险权值的中时期的平均值；
[0019]S4、计算最终风险权值：利用所述历史风险权值、所述平滑后的基本风险权值计算最终风险权值，得到分类器模型，计算公式如下：
[0020]finalweight＝0.25*convbaseweight+0.75*convhistoryweight
[0021]其中，finalweight为最终风险权值；
[0022]S5、多个分类器模型组合形成安全感知模型：利用各个传感器数据的所述分类器模型，进行融合形成安全感知模型，计算公式如下：
[0023][0024]其中，P
risk
表示由多个传感器数据组成的安全感知模型，N代表传感器的个数，k为整数，从0开始计数，0≤k≤N/2，p代表由步骤S4生成的每个传感器的分类器模型产生的最终风险权值；
[0025]集成学习(Ensemble Learning)也可称作提升(Boosting)方法，广泛用于分类和回归任务，使用一些(不同的)方法改变原始训练样本的分布，从而构建多个不同的分类器，并将这些分类器线性组合得到一个更强大的分类器，形成安全感知模型，来做最后的决策。
[0026]进一步地，所述S4步骤的所述建立分类器模型的方法包括：通过朴素贝叶斯、SVM、KNN算法中的一种或多种建立分类器模型。
[0027]进一步地，所述S4步骤的所述建立分类器模型的方法包括：将每种传感器的数据组成分类的类别。
[0028]进一步地，所述S4步骤的所述分类器模型是建立在分类器的每一个类别的特征向量服从正态分布的基础上的。
[0029]进一步地，所述S4步骤的所述建立分类器模型的方法包括：分类器中的整个分布函数设为一个高斯分布，每一类别一组系数；当给定训练数据，算法估计每一个类别的向量均值和方差矩阵，根据每一个类别的向量均值和方差矩阵建立分类器模型。
[0030]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述所述基于物联网的工业生产安全感知模型的构建方法的步骤。
[0031]本专利技术还提供一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述基于物联网的工业生产安全感知模型的构建方法的步骤。
[0032]与现有技术相比，本专利技术的有益效果在于：
[0033]本专利技术利用阈值区间与权值的结合，将每种传感器的数据组成分类的类别，建立分类器模型，利用分类器模型再构建安全感知模型，通过多模型融合的集成学习最终形成安全感知模型，可以更早的感知异常情况的发生，从而提前预警，避免了安全事故的发生。
附图说明
[0034]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。
[0035]在附图中：
[0036]图1为本专利技术一种基于物联网的工业生产安全感知模型的构建方法的流程图。图2是本专利技术实施例的计算机设备的构成示意图。
具体实施方式
[0037]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和产品的例子。
[0038]在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物联网的工业生产安全感知模型的构建方法，其特征在于，包括以下步骤：S1、将物联网设备的传感器数据分为高、中、低三个区域范围，根据所述传感器数据在所述区域范围的出现频率组合计算原始的基本风险权值，计算公式如下：baseweight＝top_scope*2+mid_scope+low_scope*0.5；其中，baseweight为原始的基本风险权值，top_scope是传感器数据在高风险区出现的频率，mid_scope是传感器数据在中风险区出现的频率，low_scope是传感器数据在低风险区出现的频率，所述baseweight的单位为天；S2、对所述原始的基本风险权值做数值平滑处理，计算公式如下：convbaseweight＝log(1+log(1+log(baseweight)))其中，baseweight为原始的基本风险权值，convbaseweight为平滑后的基本风险权值；S3、利用物联网设备的历史数据，统计长期、中期、短期几个时间范围内的历史风险权值，计算公式如下：其中，convhistoryweight为历史风险权值，longavg为基本风险权值的长时期的平均值，shortavg为基本风险权值的短时期的平均值，midavg为基本风险权值的中时期的平均值；S4、利用所述历史风险权值、所述平滑后的基本风险权值计算最终风险权值，建立分类器模型，计算公式如下：finalweight＝0.25*convbaseweight+0.75*convhistoryweight其中，finalweight为最终风险权值；S5、利用各个传感器数据的所述分类器模型，进行融合形成安全感知模型，计算公式如下：其中，P

【专利技术属性】
技术研发人员：罗敏静，葛隆文，
申请(专利权)人：广州智能科技发展有限公司，
类型：发明
国别省市：