CN114429308A - 一种基于大数据的企业安全风险评估方法及*** - Google Patents

Abstract

本发明涉及一种基于大数据的企业安全风险评估方法及***，属于企业安全风险评估预警技术领域。方法包括以下步骤：获取风险参数对应的实时数据，判断其是否大于设定实时阈值；若大于，则进行第一风险预警；若不大于，计算各采样时刻对应的数据波动程度以及所述风险参数对应的实时风险等级；计算各采样时刻对应的风险发展程度，判断其是否大于设定程度阈值；若大于，则进行第二风险预警；若不大于，构建偏差累积和序列；根据偏差累积和序列计算序列稳定指标，判断序列稳定指标是否大于设定稳定阈值，若大于，则进行第三风险预警。本发明通过判断序列的稳定性指标来判断是否存在潜在危险，实现了对潜在风险的预警，防止了事故的发生。

Description

一种基于大数据的企业安全风险评估方法及***

技术领域

本发明涉及企业安全风险评估预警技术领域，具体涉及一种基于大数据的企业安全风险评估方法及***。

背景技术

企业安全风险评估能够保证企业的安全生产，找出企业生产过程中的安全隐患；特别是化工场所是化工企业发展的聚集区域，作为一个庞大而复杂的***，化工场所存在着大量的危险源，化工场所内的工厂之间紧密联系，输送管道等相互交错，化工生产过程中不同原料相互影响，甚至会产生化学反应，造成严重的安全隐患，导致安全事故发生；同时，事故之间会出现连锁反应，从而造成无法估量的损失。

化工场所的这些风险因素时时刻刻威胁着周围人的生命与财产安全，若不加强管理，就会酿成事故。如何实现对企业安全风险的准确评估预警对提高安全生产有着重要意义。

发明内容

本发明的目的在于提供一种基于大数据的企业安全风险评估方法及***，用于解决现有方法无法实现对企业安全风险的准确评估预警的问题。

为了解决上述问题，本发明的一种基于大数据的企业安全风险评估方法的技术方案，包括以下步骤：

获取风险参数对应的实时数据，判断实时数据是否大于设定实时阈值，所述实时数据根据预设的采样时刻依次采样获得；

若大于，则进行第一风险预警；若不大于，根据实时数据计算各采样时刻对应的数据波动程度以及所述风险参数对应的实时风险等级；

根据所述数据波动程度和实时风险等级计算各采样时刻对应的风险发展程度，判断风险发展程度是否大于设定程度阈值；

若大于，则进行第二风险预警；若不大于，根据各采样时刻对应的风险发展程度构建偏差累积和序列，所述偏差累积和序列中各元素为对应采样时刻之前各风险发展程度与风险发展程度均值之差的累加和；

根据偏差累积和序列计算序列稳定指标，判断序列稳定指标是否大于设定稳定阈值，若大于，则进行第三风险预警。

本发明还提供了一种基于大数据的企业安全风险评估***的技术方案，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述基于大数据的企业安全风险评估方法。

上述评估方法和评估***的有益效果是：本发明基于获取的风险参数对应的实时数据，先对实时数据是否大于设定实时阈值进行判断并设置一级风险预警机制；在实时数据不大于设定实时阈值时，进一步基于数据波动程度和风险参数对应的实时风险等级计算风险发展程度，并判断风险发展程度是否大于设定程度阈值和设置二级风险预警机制；在风险发展程度不大于设定程度阈值时，基于各采样时刻对应的风险发展程度构建偏差累积和序列，通过判断序列的稳定性指标来判断是否存在潜在危险，实现了对潜在风险的预警，防止了事故的发生。

进一步地，所述风险参数为存储罐压力、介质液位、温度或气体浓度。

进一步地，采用如下计算公式计算各采样时刻对应的数据波动程度：

其中，B_i为第i个采样时刻对应的数据波动程度，e_i为第i个采样时刻对应的实时数据值，e_i(0)为第i个采样时刻对应的正常数据值，e(MAX)为各采样时刻对应的实时数据的最大值。

进一步地，采用如下计算公式计算所述风险参数对应的实时风险等级：

其中，τ_i是所述风险参数对应的第i个采样时刻的风险等级，l是所述风险参数对应的标准风险等级，e_i为第i个采样时刻对应的实时数据值，e_i(0)为第i个采样时刻对应的正常数据值。

进一步地，采用如下计算公式计算各采样时刻对应的风险发展程度：

V_i＝τ_i*B_i

其中，V_i是第i个采样时刻对应的风险发展程度，τ_i是所述风险参数对应的第i个采样时刻的风险等级，B_i为第i个采样时刻对应的数据波动程度。

进一步地，所述风险发展程度偏差累积和序列为：{S(1)，...S(a)，...S(m)},其中，

a＝1，2，...，m，V_i是第i个采样时刻对应的风险发展程度,m为采样时刻的总个数。

进一步地，根据风险发展程度偏差累积和序列计算序列稳定指标的方法包括：

采用等同大小的窗口对偏差累积和序列进行划分，得到多个子序列；

对每个子序列进行拟合，得到各子序列对应的数据趋势函数；

根据偏差累积和序列中各元素和所述数据趋势函数计算序列稳定指标。

进一步地，采用如下计算公式计算对应的序列稳定指标：

其中，R(w)为以w×w窗口大小获取子序列时所得到的序列稳定指标值，t(a)为第a个采样时刻对应的子序列的数据趋势函数，w为窗口的边长。

附图说明

图1是本发明的基于大数据的企业安全风险评估方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。

基于大数据的企业安全风险评估方法实施例

本实施例旨在实现对企业安全风险的准确评估，如图1所示，本实施例的企业安全风险评估方法包括以下步骤：

1)获取风险参数对应的实时数据，判断实时数据是否大于设定实时阈值；

本实施例通过设置在化工场所内的传感器、监测仪等数据感知设备对风险参数进行数据采集，本实施例的风险参数为可燃气体浓度，但作为其它实施方式，也可以根据实际需求监测化工场所的温度参数、有毒气体参数、气象监测参数、储罐压力参数等。

本实施例在化工场所内的多个位置均设置有数据感知设备，每一个位置为一个监测点，本实施例对每个监测点采集的实时数据采用相同的分析方法，对于其中一个监测点，根据预设的采样时刻依次采样获得其对应的实时数据，这些采集的实时数据依次为：e₁、e₂、…e_m，其中e₁为第一个采样时刻采集的实时数据，e₂为第二个采样时刻采集的实时数据，e_m为第m个采样时刻采集的实时数据，m为采样时刻的总个数。

实时数据的大小能够直接反映监测点是否存在安全隐患，本实施例将获取的上述实时数据与设定的实时阈值进行比较，通过比较结果来判断监测点是否存在安全隐患。设定的实时阈值即安全参考值，可以根据实际应用场景和采集的风险参数的类型进行设定。

2)若大于，则进行第一风险预警；若不大于，根据实时数据计算各采样时刻对应的数据波动程度以及所述风险参数对应的实时风险等级；

当某个采集时刻的实时数据大于设定实时阈值时，意味着可燃气体浓度值大于安全参考值，很容易发生危险，因此本实施例在实时数据大于设定的实时阈值时进行一级预警，提示相关工作人员对监测点进行检测，防止危险源带来的安全隐患。

当采集的实时数据不大于设定实时阈值时，只能说明采集到的可燃气体的实时浓度值不大于安全参考值，但并不意味着监测点一切正常，没有安全风险，因为风险还有可能正在发展之中，只是还没有通过实时浓度值大于安全参考值的方式表现出来而已。因此，本实施例还在采集的实时数据不大于设定实时阈值时计算各采样时刻对应的数据波动程度以及所述风险参数对应的实时风险等级，以通过数据波动程度和实时风险等级来预测风险发展程度。

数据波动程度主要体现的是采集的实际数据与对应的正常数据之间差异的大小，本实施例具体采用如下计算公式计算各采样时刻对应的数据波动程度：

其中，B_i为第i个采样时刻对应的数据波动程度；e_i为第i个采样时刻对应的实时数据值；e_i(0)为第i个采样时刻对应的正常数据值，也即在没有安全风险的情况下对同一监测点采集的数据值；e(MAX)为各采样时刻对应的实时数据的最大值。

本实施例采用上述公式计算了各采样时刻对应的数据波动程度，作为其它实施方式，可利用其它计算公式计算各采样时刻对应的数据波动程度，但应满足各采样时刻对应的数据波动程度与|e_i-e_i(0)|成正相关关系。

考虑到实际化工场所中，第i个采样时刻对应的正常数据值并不一定为一个数值，还有可能为一个区间，比如说第i个采样时刻对应的正常数据范围为(x，y)，那么可将x和y的均值作为e_i(0)，或者将与e_i差异最小的上述正常数据范围内的值作为e_i(0)。

为了综合分析风险发展程度，本实施例还参考了采集参数的危险等级，当采集参数的危险等级较高时，相同波动程度下的风险发展程度就较大；当采集参数的危险等级较低时，相同波动程度下的风险发展程度就较小。为准确分析采集参数的危险等级对风险发展程度的影响，本实施例还结合采集到的实时数据对采集参数的危险等级进行修正，根据采集到的实时数据相对正常数据值波动的幅度将采集参数的危险等级进行调整；本实施例具体采用如下计算公式计算所述风险参数对应的实时风险等级：

其中，τ_i是所述风险参数对应的第i个采样时刻的风险等级；l是所述风险参数对应的标准风险等级，当风险参数确定时，其对应的标准风险等级为定值；e_i为第i个采样时刻对应的实时数据值；e_i(0)为第i个采样时刻对应的正常数据值。

本实施例采用上述公式计算了风险参数对应的实时风险等级，作为其它实施方式，可利用其它计算公式计算风险参数对应的实时风险等级，但应满足各风险参数对应的实时风险等级与风险参数对应的标准风险等级和|e_i-e_i(0)|均成正相关关系。

3)根据所述数据波动程度和实时风险等级计算各采样时刻对应的风险发展程度，判断风险发展程度是否大于设定程度阈值；

在计算得到了数据波动程度和实时风险等级的基础上，本实施例采用如下计算公式计算各采样时刻对应的风险发展程度：

V_i＝τ_i*B_i

其中，V_i是第i个采样时刻对应的风险发展程度。

本实施例采用上述公式计算了各采样时刻对应的风险发展程度，作为其它实施方式，可利用其它计算公式计算各采样时刻对应的风险发展程度，但应满足各采样时刻对应的风险发展程度与数据波动程度和实时风险等级均成正相关关系。

当V_i较大时，意味着第i个采样时刻的风险发展程度较大，监测点存在风险的可能性较大。本实施例将各采样时刻对应的风险发展程度与设定程度阈值进行比较，判断风险发展程度是否大于设定程度阈值，以根据比较结果判断监测点是否存在较大风险。

4)若大于，则进行第二风险预警；若不大于，根据各采样时刻对应的风险发展程度构建偏差累积和序列；

当风险发展程度大于设定程度阈值时，意味着监测点存在较大风险，对监测点进行二级预警，以提示相关工作人员对监测点进行检测，防止危险源带来的安全隐患。

当风险发展程度不大于设定程度阈值时，为了实现对风险的提前预警，本实施例还根据各采集时刻对应的风险发展程度构建偏差累积和序列，以通过分析偏差累积和序列来分析监测点的潜在风险。

对于各采集时刻对应的风险发展程度构成的序列V＝{V₁，V₂，...V_m}，构建其对应的风险发展程度偏差累积和序列为：{S(1)，...S(a)，...S(m)},其中，

a＝1，2，...，m。

5)根据偏差累积和序列计算序列稳定指标，判断序列稳定指标是否大于设定稳定阈值，若大于，则进行第三风险预警。

当偏差累积和序列内的各元素越杂乱不稳定时，意味着监测点的风险发展越不稳定，监测点存在风险的可能性就越高；本实施例具体通过分析偏差累积和序列的序列稳定指标来判断监测点是否存在潜在风险；具体过程如下：

①选取固定大小的窗口对偏差累积和序列进行划分，窗口在进行序列划分时，保证不重叠，也即采用多个等同大小且互不相交的窗口对序列进行划分，窗口大小为w×w，则对应窗口个数为：

考虑到序列长度不能完全保证是窗口大小的整数倍，将会导致序列末尾处有部分数据信息不能被完全利用，从而降低***的评估效果。因此，本实施例为保证序列信息的完整性，从序列末端开始，通过等大小的多个窗口再对序列数据进行划分一次，至此，即可得到2×Q个等长的子序列；

②对于获取的每个子序列内的数据进行拟合，可得到对应的子序列数据趋势函数t(a)，a＝1，2，...，m，，对子序列的数据趋势函数的拟合可以采用多项式拟合、最小二乘法等方法进行拟合，本实施例采用最小二乘法进行数据拟合，得到各子序列的数据趋势函数，然后根据局部子序列相对于整体序列的变化，去分析偏差累积和序列的稳定情况，基于偏差累积和序列以及子序列数据趋势函数构建序列稳定分析模型，用于检测序列的稳定情况，所述序列稳定分析模型具体为：

其中，R(w)为以w×w窗口大小获取子序列时所得到的序列稳定指标值，w为窗口的边长。

③分别以不同的窗口大小对序列进行数据划分，计算基于不同窗口尺度下的序列稳定指标，最后取不同窗口尺度下所有序列稳定指标的均值，作为最终的序列稳定指标R_j。

针对每个序列即可的到对应的预测指标，根据所述风险预测指标模型，设置稳定阈值，当预测指标高于稳定阈值时，将对***设置三级预警，认为该风险参数存在较高的风险性，工作人员将及时采取相应措施，防止风险事故的发生；稳定阈值的大小可以根据实际需要进行设定。

本实施例采用多个等同大小且互不相交的窗口对序列进行划分，在得到了R(w)之后还进一步计算了R_j，作为其它实施方式，可通过滑动设定大小的窗口对序列进行划分，此种情况下可直接将计算得到的R(w)作为序列稳定指标。

本实施例基于获取的风险参数对应的实时数据，先对实时数据是否大于设定实时阈值进行判断并设置一级风险预警机制；在实时数据不大于设定实时阈值时，进一步基于数据波动程度和风险参数对应的实时风险等级计算风险发展程度，并判断风险发展程度是否大于设定程度阈值和设置二级风险预警机制；在风险发展程度不大于设定程度阈值时，基于各采样时刻对应的风险发展程度构建偏差累积和序列，通过判断序列的稳定性指标来判断是否存在潜在危险，实现了对潜在风险的预警，防止了事故的发生。

基于大数据的企业安全风险评估***实施例

本实施例的基于大数据的企业安全风险评估***包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于大数据的企业安全风险评估方法实施例所描述的基于大数据的企业安全风险评估方法。

由于基于大数据的企业安全风险评估方法实施例中已经对基于大数据的企业安全风险评估方法进行了说明，此处就不再赘述。

需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (9)

1.一种基于大数据的企业安全风险评估方法，其特征在于，包括以下步骤：

获取风险参数对应的实时数据，判断实时数据是否大于设定实时阈值，所述实时数据根据预设的采样时刻依次采样获得；

若大于，则进行第一风险预警；若不大于，根据实时数据计算各采样时刻对应的数据波动程度以及所述风险参数对应的实时风险等级；

根据所述数据波动程度和实时风险等级计算各采样时刻对应的风险发展程度，判断风险发展程度是否大于设定程度阈值；

若大于，则进行第二风险预警；若不大于，根据各采样时刻对应的风险发展程度构建偏差累积和序列，所述偏差累积和序列中各元素为对应采样时刻之前各风险发展程度与风险发展程度均值之差的累加和；

根据偏差累积和序列计算序列稳定指标，判断序列稳定指标是否大于设定稳定阈值，若大于，则进行第三风险预警。

2.根据权利要求1所述的基于大数据的企业安全风险评估方法，其特征在于，所述风险参数为存储罐压力、介质液位、温度或气体浓度。

3.根据权利要求1所述的基于大数据的企业安全风险评估方法，其特征在于，采用如下计算公式计算各采样时刻对应的数据波动程度：

其中，B_i为第i个采样时刻对应的数据波动程度，e_i为第i个采样时刻对应的实时数据值，e_i(0)为第i个采样时刻对应的正常数据值，e(MAX)为各采样时刻对应的实时数据的最大值。

4.根据权利要求1所述的基于大数据的企业安全风险评估方法，其特征在于，采用如下计算公式计算所述风险参数对应的实时风险等级：

其中，τ_i是所述风险参数对应的第i个采样时刻的风险等级，l是所述风险参数对应的标准风险等级，e_i为第i个采样时刻对应的实时数据值，e_i(0)为第i个采样时刻对应的正常数据值。

5.根据权利要求1所述的基于大数据的企业安全风险评估方法，其特征在于，采用如下计算公式计算各采样时刻对应的风险发展程度：

V_i＝τ_i*B_i

其中，V_i是第i个采样时刻对应的风险发展程度，τ_i是所述风险参数对应的第i个采样时刻的风险等级，B_i为第i个采样时刻对应的数据波动程度。

6.根据权利要求1所述的基于大数据的企业安全风险评估方法，其特征在于，所述风险发展程度偏差累积和序列为：{S(1)，...S(a)，...S(m)},其中，

V_i是第i个采样时刻对应的风险发展程度,m为采样时刻的总个数。

7.根据权利要求6所述的基于大数据的企业安全风险评估方法，其特征在于，根据风险发展程度偏差累积和序列计算序列稳定指标的方法包括：

采用等同大小的窗口对偏差累积和序列进行划分，得到多个子序列；

对每个子序列进行拟合，得到各子序列对应的数据趋势函数；

根据偏差累积和序列中各元素和所述数据趋势函数计算序列稳定指标。

8.根据权利要求7所述的基于大数据的企业安全风险评估方法，其特征在于，采用如下计算公式计算对应的序列稳定指标：

其中，R(w)为以w×w窗口大小获取子序列时所得到的序列稳定指标值，t(a)为第a个采样时刻对应的子序列的数据趋势函数，w为窗口的边长。

9.一种基于大数据的企业安全风险评估***，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-8任一项所述的基于大数据的企业安全风险评估方法。

Images