一种面向工业安全的紧急应变管理方法技术

本发明专利技术公开了一种面向工业安全的紧急应变管理方法，涉及工业安全管理技术领域。本发明专利技术包括如下步骤：步骤S1：收集多种危险源发生时的数据，并提取数据特征；步骤S2：将数据特征作为训练集输入神经网络模型进行训练，构建紧急应变预测模型，并确定神经网络的参数；步骤S3：将实时监测的安全数据输入已确定参数的紧急应变预测模型，得到预测结果；步骤S4：将预测结果进行风险等级排序，并匹配对应的紧急应变方案。本发明专利技术通过对各种危险源发生时的数据进行数据特征提取，并将数据特征作为训练集输入神经网络模型进行训练，构建紧急应变预测模型，将实时监测数据输入紧急应变预测模型，并进行风险等级排序，提前预测危险，将危险的影响降到最小。响降到最小。响降到最小。

【技术实现步骤摘要】
一种面向工业安全的紧急应变管理方法


[0001]本专利技术属于工业安全管理
，特别是涉及一种面向工业安全的紧急应变管理方法。

技术介绍

[0002]在工业生产过程中，安全关系到工作人员的生命与健康。工作人员在工作中面临着各种不确定的危险源，比如化学品泄漏、有毒气体扩散、易燃物品着火等。
[0003]针对工业安全面临的危险，各个工业企业都指定有相应的紧急应变措施来应对。尽管如此，对紧急应变来说最有效地方式是提前预测，提前预测能够在危险发生前对其消除，或者将危险的影响降到最小。

技术实现思路

[0004]本专利技术的目的在于提供一种面向工业安全的紧急应变管理方法，通过对各种危险源发生时的数据进行数据特征提取，并将数据特征作为训练集输入神经网络模型进行训练，构建紧急应变预测模型，解决了现有的问题。
[0005]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0006]本专利技术为一种面向工业安全的紧急应变管理方法，包括如下步骤：
[0007]步骤S1：收集多种危险源发生时的数据，并提取数据特征；
[0008]步骤S2：将数据特征作为训练集输入神经网络模型进行训练，构建紧急应变预测模型，并确定神经网络的参数；
[0009]步骤S3：将实时监测的安全数据输入已确定参数的紧急应变预测模型，得到预测结果；
[0010]步骤S4：将预测结果进行风险等级排序，并匹配对应的紧急应变方案。
[0011]作为一种优选的技术方案，所述步骤S1中，收集多种危险源发生时的数据以及该危险源决策信息构建危险源故障信息数据库和故障决策信息库；对所述危险源故障信息数据库和故障决策信息库内的数据进行预处理。
[0012]作为一种优选的技术方案，所述预处理通过对危险源故障信息数据库和故障决策信息库内的数据提取，提取故障标签和决策标签时，先定义标签属性等级，然后分别定量标签和定性标签的属性，最后对定量标签和定性标签赋予权重。
[0013]作为一种优选的技术方案，提取所述数据特征时，采用模型计算、分组聚合或表达式计算的方式，模型计算过程中派生数据是以历史数据和模型数据的指标作为自变量，分组聚合是按照不同维度进行的分组聚合数据，聚合函数包括：合计、平均、最大值、最小值、加权平均值，表达式计算是以自变量在相同的维度背景下通过表达式对数据进行运算。
[0014]作为一种优选的技术方案，所述步骤S2中，将故障标签和决策标签进行建模，并利用信息库得到故障标签和决策标签的因果关系，获取区分因果关系和非因果关系的边界阈值。
[0015]作为一种优选的技术方案，所述紧急应变预测模型训练的过程中，将标签对应的数据特征输入自编码神经网络的同时，将输入数据特征自身当作神经网络的训练目标，进行前向传播以后得到该数据特征对应的隐含表达，然后表达计算神经网络损失，最后反向传播更新全网网络权重，输入数据特征到神经网络，计算自编码神经网络损失层的损失函数。
[0016]作为一种优选的技术方案，所述紧急应变预测模型得到故障标签和决策标签，将提取的故障特征和决策特征送入神经网络中的分类器进行分类，计算故障特征的损失值和决策特征的损失值，共同反向调节深度卷积神经网络中的所有权重，使得所有权重的加权损失和最低，完成对紧急应变预测模型的训练。
[0017]作为一种优选的技术方案，所述神经网络模型包括输入层、卷积层、池化层、全连接层和输出分类层；所述卷积神经网络模型的激活函数为不饱和非线性函数f(x)＝max(0,x)；所述卷积神经网络模型具体包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层。
[0018]作为一种优选的技术方案，所述神经网络模型的参数包括下述各项的至少其中之一：
[0019]第一卷积层具有16个1
×
13尺寸卷积核；
[0020]第二卷积层具有32个1
×
13尺寸的卷积核；
[0021]第三卷积层具有64个1
×
11尺寸的卷积核；
[0022]第四卷积层具有128个1
×
11尺寸的卷积核；
[0023]第五卷积层具有256个1
×
9尺寸的卷积核；
[0024]池化层的尺寸为1
×
2，步长为2；
[0025]全连接层的神经元个数为1024；
[0026]输出分类层包括Softmax分类器。
[0027]作为一种优选的技术方案，所述步骤S4中，根据匹配规则和权重值进行因果分析和数据对比，并利用决策库和推理基准得到初步的搜索结果，将关键词与大数据进行因果分析和比对后，进行数据解释、数据建模和结果解释，推理得到匹配结果。
[0028]本专利技术具有以下有益效果：
[0029]本专利技术通过对各种危险源发生时的数据进行数据特征提取，并将数据特征作为训练集输入神经网络模型进行训练，构建紧急应变预测模型，将实时监测数据输入紧急应变预测模型，并根据结果进行风险等级排序，提前预测危险，将危险的影响降到最小。
[0030]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0031]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1为本专利技术实施例一的一种面向工业安全的紧急应变管理方法流程图；
[0033]图2为本专利技术实施例二的数据特征向量进行聚类流程图；
[0034]图3为本专利技术实施例三的搭建神经网络模型具体流程图。
具体实施方式
[0035]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0036]此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0037]实施例一
[0038]请参阅图1所示，本专利技术为一种面向工业安全的紧急应变管理方法，包括如下步骤：
[0039]步骤S1：收集多种危险源发生时的数据，并提取数据特征；收集多种危险源发生时的数据以及该危险源决策信息构建危险源故障信息数据库和故障决策信息库；对危险源故障信息数据库和故障决策信息库内的数据进行预处理。预处理通过对危险源故障信息数据库和故障决策信息库内的数据提取，提取故障标签和决策标签时，先定义标签属性等级，然后分别定量标签和定性标签的属性，最后对定量标签和定性标签赋予权重。提取数据特征时，采用模型计算、分组聚合或表达式计算的方式，模型计算过程中派生数据是以历史本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向工业安全的紧急应变管理方法，其特征在于，包括如下步骤：步骤S1：收集多种危险源发生时的数据，并提取数据特征；步骤S2：将数据特征作为训练集输入神经网络模型进行训练，构建紧急应变预测模型，并确定神经网络的参数；步骤S3：将实时监测的安全数据输入已确定参数的紧急应变预测模型，得到预测结果；步骤S4：将预测结果进行风险等级排序，并匹配对应的紧急应变方案。2.根据权利要求1所述的一种面向工业安全的紧急应变管理方法，其特征在于，所述步骤S1中，收集多种危险源发生时的数据以及该危险源决策信息构建危险源故障信息数据库和故障决策信息库；对所述危险源故障信息数据库和故障决策信息库内的数据进行预处理。3.根据权利要求2所述的一种面向工业安全的紧急应变管理方法，其特征在于，所述预处理通过对危险源故障信息数据库和故障决策信息库内的数据提取，提取故障标签和决策标签时，先定义标签属性等级，然后分别定量标签和定性标签的属性，最后对定量标签和定性标签赋予权重。4.根据权利要求1所述的一种面向工业安全的紧急应变管理方法，其特征在于，提取所述数据特征时，采用模型计算、分组聚合或表达式计算的方式，模型计算过程中派生数据是以历史数据和模型数据的指标作为自变量，分组聚合是按照不同维度进行的分组聚合数据，聚合函数包括：合计、平均、最大值、最小值、加权平均值，表达式计算是以自变量在相同的维度背景下通过表达式对数据进行运算。5.根据权利要求1所述的一种面向工业安全的紧急应变管理方法，其特征在于，所述步骤S2中，将故障标签和决策标签进行建模，并利用信息库得到故障标签和决策标签的因果关系，获取区分因果关系和非因果关系的边界阈值。6.根据权利要求1所述的一种面向工业安全的紧急应变管理方法，其特征在于，所述紧急应变预测模型训练的过程中，将标签对应的数据特征输入自编码神经网络的同时，将输入数据特征自身当作神经网络的训练目标，进行前向传播以后得到该数据特征对应的...

【专利技术属性】
技术研发人员：胡增，贾玮民，汪刚，
申请(专利权)人：中用科技有限公司，
类型：发明
国别省市：