CN116453292B - 一种化工企业生产安全风险等级划分及预警方法 - Google Patents
一种化工企业生产安全风险等级划分及预警方法 Download PDFInfo
- Publication number
- CN116453292B CN116453292B CN202310425033.XA CN202310425033A CN116453292B CN 116453292 B CN116453292 B CN 116453292B CN 202310425033 A CN202310425033 A CN 202310425033A CN 116453292 B CN116453292 B CN 116453292B
- Authority
- CN
- China
- Prior art keywords
- risk
- safety
- coefficient
- risk coefficient
- enterprise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000000126 substance Substances 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 238000012824 chemical production Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000013461 design Methods 0.000 claims abstract description 6
- 238000013210 evaluation model Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 239000003016 pheromone Substances 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 241000257303 Hymenoptera Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Emergency Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种化工企业生产安全风险等级划分及预警方法，属于安全管控技术领域，具体包括：基于未正确使用安全工器具的工作人员的比例得到人员风险系数；基于风险源区域的环境监控数据得到不同风险源的监控风险系数，并根据其大于监控风险设计值的风险源的比例得到风险源风险系数；基于化工生产设备的运行数据得到运行风险系数，基于运行风险系数、水压异常的消防栓的比例得到设备风险系数；基于人员风险系数、设备风险系数、风险源风险系数，构建评估模型得到安全风险系数，并基于安全风险系数进行生产安全风险等级的划分，根据生产安全风险等级确定是否进行预警，从而进一步提升了生产的安全性。
Description
技术领域
本发明属于安全管控技术领域，尤其涉及一种化工企业生产安全风险等级划分及预警方法。
背景技术
为了实现化工企业的生产安全风险的管控，在发明专利授权公告号CN112164208B《一种化工园区的应急方法及应急***》中通过根据风险源的数量、种类及所在区域划分监控区域；在监控区域内，设置与监控区域内风险源对应的环境监测设备，及与环境监测设备关联的安全救援设备；在环境监测设备上，设置与监控区域内风险源对应的报警参数；环境监测设备报警，调取对应的安全救援设备位置、使用信息及应急预演视频，但是却存在以下技术问题：
1、未考虑对存在安全风险的化工生产设备和消防栓的安全状态进行实时监控并进行告警分析，具体的，在化工生产过程中，对于存在安全风险的有毒气体或者液体的输送管道或者反应罐、反应釜等化工生产设备的温度、泄露情况，以及消防栓的水压，若不能进行实时监测，任意一种存在安全风险时，都有可能会导致安全事故的发生或者扩大化，因此若不能进行实时监测，则会使得发生安全事故的可能性增加，同时也无法准确的实现对安全风险等级的准确划分。
2、未考虑对工作人员的安全工器具使用情况等进行实时监控并进行告警分析，具体的，若工作人员没有佩戴安全工器具，同样存在一定的安全隐患，因此若不能进行实时监测，则同样无法准确全面的实现对安全风险等级的准确划分，同样存在较大的安全隐患。
针对上述技术问题，本发明提供了一种化工企业生产安全风险等级划分及预警方法。
发明内容
为实现本发明目的，本发明采用如下技术方案：
根据本发明的一个方面，提供了一种化工企业生产安全风险等级划分及预警方法。
一种化工企业生产安全风险等级划分及预警方法，其特征在于，具体包括：
S11基于企业内部的未正确使用安全工器具的工作人员的比例得到人员风险系数，并基于所述人员风险系数确定是否存在风险，若是，则将企业的安全风险等级划分为最高等级，并输出预警信号，若否，则进入步骤S12；
S12基于企业内部的风险源区域的环境监控数据得到不同风险源的监控风险系数，并基于监控风险系数大于监控风险设计值的风险源的比例得到风险源风险系数，并基于所述风险源风险系数确定是否存在风险，若是，则将企业的安全风险等级划分为最高等级，并输出预警信号，若否，则进入步骤S13；
S13基于存在安全风险的化工生产设备的运行数据得到所述化工生产设备的运行风险系数，基于企业内部的消防栓的水压信号得到水压异常的消防栓的比例，并基于所述运行风险系数、水压异常的消防栓的比例得到设备风险系数，并基于所述设备风险系数确定是否存在风险，若是，则将企业的安全风险等级划分为最高等级，并输出预警信号，若否，则进入步骤S14；
S14基于所述人员风险系数、设备风险系数、风险源风险系数，采用基于机器学习算法的评估模型得到所述企业的安全风险系数，并基于所述安全风险系数进行生产安全风险等级的划分，根据生产安全风险等级确定是否进行预警。
通过基于企业内部的未正确使用安全工器具的工作人员的比例得到人员风险系数，从而实现了对人员风险的量化和准确评估，提升了整个企业内部的人员的安全性，同时也降低了发生安全风险的可能性。
通过基于监控风险系数大于监控风险设计值的风险源的比例得到风险源风险系数，从而实现了从存在安全隐患的风险源的比例实现对风险源风险系数的构建，实现了从更加全面的角度对风险源风险系数的评估。
通过基于水压异常的消防栓的比例以及运行风险系数实现对设备风险系数的评估，从而实现了对设备风险的量化评估，同时也保证了设备风险系数评估的全面性，进一步降低了发生安全风险的可能性。
通过按步骤分别进行人员风险、危险源风险、设备风险的评估，从而实现了从安全风险发生后产生的后果的角度实现了对风险的评估，进一步降低了企业的安全风险，保证了整体的安全性。
通过基于人员风险系数、设备风险系数、风险源风险系数实现对企业的安全风险系数的评估，从而同时结合多方面的因素实现了对安全风险系数的评估，保证了评估的准确性和全面性，同时也保证了安全风险等级的划分的可靠性。
另一方面，本申请实施例中提供一种计算机***，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时上述的一种化工企业生产安全风险等级划分及预警方法。
另一方面，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种化工企业生产安全风险等级划分及预警方法。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种化工企业生产安全风险等级划分及预警方法的流程图；
图2是根据实施例1的监控风险系数构建的具体步骤的流程图；
图3是根据实施例1的化工生产设备的运行风险系数构建的具体步骤的流程图；
图4是根据实施例1的安全风险系数构建的具体步骤的流程图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
目前对于化工企业的安全风险的评定往往是基于风险源或者单一的化工生产设备的运行情况，不仅忽略了例如消防栓的可用性、人员的安全风险等，从而无法准确全面的掌握安全风险，进而导致化工企业的安全风险无法在第一时间被准确全面的识别，严重时甚至会导致重大的人身财产损失。
实施例1
为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种化工企业生产安全风险等级划分及预警方法，其特征在于，具体包括：
S11基于企业内部的未正确使用安全工器具的工作人员的比例得到人员风险系数，并基于所述人员风险系数确定是否存在风险，若是，则将企业的安全风险等级划分为最高等级，并输出预警信号，若否，则进入步骤S12；
具体的举个例子，企业内部的未正确使用安全工器具的工作人员的比例通过企业内部的摄像装置进行识别，具体的，若相同的工作人员，未正常使用安全工器具的时间大于2分钟或者一定的时间阈值时，则确定所述工作人员未正确使用安全工器具。
具体的举个例子，若企业内部的未正确使用安全工器具的工作人员为60人，所有的工作人员的人数为100人，则比例为60％，则人员风险系数为0.6。
具体的举个例子，若人员风险系数为0.6，第一阈值为0.2，则将企业的安全风险等级划分为最高等级，并输出预警信号。
具体的，所述企业内部的未正确使用安全工器具的工作人员的比例根据企业内部的监控摄像装置识别得到，并直接将企业内部的未正确使用安全工器具的工作人员的比例作为人员风险系数。
通过基于企业内部的未正确使用安全工器具的工作人员的比例得到人员风险系数，从而实现了对人员风险的量化和准确评估，提升了整个企业内部的人员的安全性，同时也降低了发生安全风险的可能性。
S12基于企业内部的风险源区域的环境监控数据得到不同风险源的监控风险系数，并基于监控风险系数大于监控风险设计值的风险源的比例得到风险源风险系数，并基于所述风险源风险系数确定是否存在风险，若是，则将企业的安全风险等级划分为最高等级，并输出预警信号，若否，则进入步骤S13；
具体的，如图2所示，监控风险系数构建的具体步骤为：
S21基于企业内部的风险源区域的环境监控数据与所述环境监控数据的安全阈值，判断所述环境监控数据是否存在异常，若是，则所述监控风险系数为1，若否，则进入步骤S22；
具体的举个例子，风险源区域根据存在安全风险的区域进行确定，一般来说，放置化工原材料的区域、化工中间产品的区域等区域，当温度或者湿度异常时，存在安全隐患的区域。
具体的举个例子，若换将监控数据中的风速数据为10m/s，而监控数据中的风速数据的安全阈值为8m/s，则确定环境监控数据存在异常，同时监控风险系数为1。
S22基于所述环境监控数据与所述环境监控数据的安全阈值的比值得到环境监控比值，并基于所述环境监控比值构建输入集；
S23将所述输入集传输至基于ACO-BP神经网络算法的预测模型中，得到所述监控风险系数。
具体的举个例子，所述输入集为X＝{T1、H1、V1、Y1}，其中T1、H1、V1、Y1分别为温度数据的环境监控比值、湿度数据的环境监控比值、风速数据的环境监控比值、烟雾数据的环境监控比值。
具体的举个例子，蚁群算法具备良好的全局寻优能力，优化BP神经网络时，根据训练样本的输出误差和期望误差对比结果调整蚂蚁寻径时的信息素量和路径选择，不断重复优化BP神经网络的权值和阈值初始值，
其中所述基于ACO-BP神经网络算法的预测模型构建的具体步骤为：
1)令BP神经网络有M个待优化的权值和阈值，每个权值和阈值设为n个随机非零值，并组成集合IPi(1≤i≤M)；
2)初始时刻，m只蚂蚁中第(1≤k≤M)k只蚂蚁从集合IPi出发，根据状态转移概率从集合IPi中挑选一个元素j；当从所有集合中挑选完元素后，构成BP神经网络的一组权值和阈值；
3)当m只蚂蚁全部完成循环，即可得到m组初始权值和阈值，构建BP神经网络并进行训练；记录网络训练时误差最小的一组权值和阈值，比较最小误差和期望误差大小，若大于期望误差，则执行步骤4)，否则执行步骤6)；
4)对集合IPi(1≤i≤M)中每个元素的信息素量进行调整，调整公式为：
5)重复步骤2)和3)直到所有蚂蚁收敛于同一条最优路径或者达到最大迭代次数。
6)利用蚁群算法筛选出的最优BP神经网络初始权值和阈值，进一步训练神经网络，满足训练条件后退出。
具体的举个例子，信息素因子反映了蚂蚁运动过程中路径上积累的信息素浓度对后续蚁群的指导作用程度，信息素因子越大，算法极易陷入局部极值；为提高算法的搜索效率，通过动态调整参数信息素因子来改进状态转移概率。
具体的举个例子，所述信息素因子的计算公式为：
其中，αmin为初始值，αmax为最大值，n为最大迭代次数阈值，NC为当前迭代次数，rand(1,1.1)为取值范围在1到1.1之间的随机数。
具体的，所述环境监控数据包括温度数据、湿度数据、风速数据、烟雾数据。
通过基于监控风险系数大于监控风险设计值的风险源的比例得到风险源风险系数，从而实现了从存在安全隐患的风险源的比例实现对风险源风险系数的构建，实现了从更加全面的角度对风险源风险系数的评估。
S13基于存在安全风险的化工生产设备的运行数据得到所述化工生产设备的运行风险系数，基于企业内部的消防栓的水压信号得到水压异常的消防栓的比例，并基于所述运行风险系数、水压异常的消防栓的比例得到设备风险系数，并基于所述设备风险系数确定是否存在风险，若是，则将企业的安全风险等级划分为最高等级，并输出预警信号，若否，则进入步骤S14；
具体的举个例子，化工生产设备的运行数据包括运行温度、运行湿度、运行电压、运行电流。
具体的，如图3所示，所述化工生产设备的运行风险系数构建的具体步骤为：
S31基于存在安全风险的化工生产设备的运行数据与所述运行数据的安全阈值，判断所述运行数据是否存在异常，若是，则所述运行风险系数为1，若否，则进入步骤S32；
具体的举个例子，若化工生产设备的运行电流数据为100A，运行数据的安全阈值为90A，则运行数据则存在异常，运行风险系数为1。
S32基于所述运行数据与所述运行数据的安全阈值的比值得到运行风险比值，并基于所述运行风险比值构建输入集；
S33将所述输入集传输至基于ACO-BP神经网络算法的评估模型中，得到所述化工生产设备的基础运行风险系数；
S34基于所述化工生产设备的危险系数对所述基础运行风险系数进行修正得到所述运行风险系数，其中所述化工生产设备的危险系数根据所述化工设备发生故障时的影响面积和危害程度，采用专家打分的方式进行确定。
具体的，化工生产设备的危险系数的取值范围为0到1之间，其中危险系数越大，则所述化工生产设备发生故障时的危害程度越高。
具体的举个例子，当化工生产设备的危险系数为0.9时，基础运行风险系数为0.6，则修正后的运行风险系数为0.6+0.9x0.6/10＝0.654。
具体的举个例子，当化工生产设备的危险系数大于一定阈值后，则通过固定的补偿项与基础运行风险系数相加得到修正后的运行风险系数，当危险系数不大于阈值时，则将基础运行风险系数作为修正后的运行风险系数。
具体的，当所述化工生产设备的运行风险系数大于第一运行风险阈值或者所述水压异常的消防栓的比例大于第一比例阈值时，则将所述设备风险系数设置为1。
具体的，所述设备风险系数的计算公式为：
其中P为水压异常的消防栓的比例，P1为比例阈值，R1为化工生产设备的运行风险系数，min()为取最小值函数。
通过分段函数的构建，从而充分考虑到不同的水压异常的消防栓的比例下，对设备风险的影响，进一步保证了设备风险系数构建的准确性和全面性。
通过基于水压异常的消防栓的比例以及运行风险系数实现对设备风险系数的评估，从而实现了对设备风险的量化评估，同时也保证了设备风险系数评估的全面性，进一步降低了发生安全风险的可能性。
S14基于所述人员风险系数、设备风险系数、风险源风险系数，采用基于机器学习算法的评估模型得到所述企业的安全风险系数，并基于所述安全风险系数进行生产安全风险等级的划分，根据生产安全风险等级确定是否进行预警。
具体的，如图4所示，所述安全风险系数构建的具体步骤为：
S41基于所述设备风险系数、风险源风险系数构建生产安全风险输入集，并基于所述生产安全风险输入集，采用基于BP神经网络算法的预测模型，得到生产安全风险系数；
S42基于所述生产安全风险系数确定是否存在安全风险，若是，则将所述企业的安全风险系数设置为1，若否，则进入步骤S43；
具体的举个例子，若生产安全风险系数为0.8，第五阈值为0.6，则将所述企业的安全风险系数设置为1，说明此时的生产安全风险较高。
S43基于所述生产安全风险系数、人员风险系数构建风险输入集，并将所述风险输入集传输至基于ACO-BP神经网络算法的风险评估模型中，得到所述企业的安全风险系数。
具体的举个例子，所述风险输入集为Q1＝{P2、P3}，其中P2、P3分别为生产安全风险系数和人员风险系数。
具体的举个例子，所述基于ACO-BP神经网络算法的风险评估模型的构建的具体步骤以上已经介绍，此处不再进行赘述。
具体的，当所述企业的安全风险系数小于或者等于第一风险阈值时，将所述企业的安全风险等级划分为无风险，当所述企业的安全风险系数大于第一风险阈值时，将所述企业的安全风险等级划分为一般等级，并提升所述运行数据和所述环境监控数据的监控频率，当所述企业的安全风险系数大于第二风险阈值时，将所述企业的安全风险等级划分为最高等级，并输出预警信号，所述第二风险阈值大于第一风险阈值。
通过按步骤分别进行人员风险、危险源风险、设备风险的评估，从而实现了从安全风险发生后产生的后果的角度实现了对风险的评估，进一步降低了企业的安全风险，保证了整体的安全性。
通过基于人员风险系数、设备风险系数、风险源风险系数实现对企业的安全风险系数的评估，从而同时结合多方面的因素实现了对安全风险系数的评估，保证了评估的准确性和全面性，同时也保证了安全风险等级的划分的可靠性。
实施例2
本申请实施例中提供一种计算机***，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种化工企业生产安全风险等级划分及预警方法。
具体的，本实施例还提供了一种计算机***，该计算机***包括通过***总线连接的处理器、存储器、网络接口和数据库；其中，该计算机***的处理器用于提供计算和控制能力；该计算机***的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的一种化工企业生产安全风险等级划分及预警方法。
实施例3
本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种化工企业生产安全风险等级划分及预警方法。
具体的，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在本申请所提供的几个实施例中，应该理解到，所揭露的***和方法，也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (6)
1.一种化工企业生产安全风险等级划分及预警方法，其特征在于，具体包括：
S11基于企业内部的未正确使用安全工器具的工作人员的比例得到人员风险系数，并基于所述人员风险系数确定是否存在风险，若是，则将企业的安全风险等级划分为最高等级，并输出预警信号，若否，则进入步骤S12；
S12基于企业内部的风险源区域的环境监控数据得到不同风险源的监控风险系数，并基于监控风险系数大于监控风险设计值的风险源的比例得到风险源风险系数，并基于所述风险源风险系数确定是否存在风险，若是，则将企业的安全风险等级划分为最高等级，并输出预警信号，若否，则进入步骤S13；
监控风险系数构建的具体步骤为：
基于企业内部的风险源区域的环境监控数据与所述环境监控数据的安全阈值，判断所述环境监控数据是否存在异常，若是，则所述监控风险系数为1，若否，则进入下一步骤；
基于所述环境监控数据与所述环境监控数据的安全阈值的比值得到环境监控比值，并基于所述环境监控比值构建输入集；
将所述输入集传输至基于ACO-BP神经网络算法的预测模型中，得到所述监控风险系数；
S13基于存在安全风险的化工生产设备的运行数据得到所述化工生产设备的运行风险系数，基于企业内部的消防栓的水压信号得到水压异常的消防栓的比例，并基于所述运行风险系数、水压异常的消防栓的比例得到设备风险系数，并基于所述设备风险系数确定是否存在风险，若是，则将企业的安全风险等级划分为最高等级，并输出预警信号，若否，则进入步骤S14；
所述化工生产设备的运行风险系数构建的具体步骤为：
基于存在安全风险的化工生产设备的运行数据与所述运行数据的安全阈值，判断所述运行数据是否存在异常，若是，则所述运行风险系数为1，若否，则进入下一步骤；
基于所述运行数据与所述运行数据的安全阈值的比值得到运行风险比值，并基于所述运行风险比值构建输入集；
将所述输入集传输至基于ACO-BP神经网络算法的评估模型中，得到所述化工生产设备的基础运行风险系数；
基于所述化工生产设备的危险系数对所述基础运行风险系数进行修正得到所述运行风险系数，其中所述化工生产设备的危险系数根据所述化工设备发生故障时的影响面积和危害程度，采用专家打分的方式进行确定；
S14基于所述人员风险系数、设备风险系数、风险源风险系数，采用基于机器学习算法的评估模型得到所述企业的安全风险系数，并基于所述安全风险系数进行生产安全风险等级的划分，根据生产安全风险等级确定是否进行预警；
所述安全风险系数构建的具体步骤为：
基于所述设备风险系数、风险源风险系数构建生产安全风险输入集，并基于所述生产安全风险输入集，采用基于BP神经网络算法的预测模型，得到生产安全风险系数；
基于所述生产安全风险系数确定是否存在安全风险，若是，则将所述企业的安全风险系数设置为1，若否，则进入下一步骤；
基于所述生产安全风险系数、人员风险系数构建风险输入集，并将所述风险输入集传输至基于ACO-BP神经网络算法的风险评估模型中，得到所述企业的安全风险系数。
2.如权利要求1所述的一种化工企业生产安全风险等级划分及预警方法，其特征在于，所述企业内部的未正确使用安全工器具的工作人员的比例根据企业内部的监控摄像装置识别得到。
3.如权利要求1所述的一种化工企业生产安全风险等级划分及预警方法，其特征在于，所述环境监控数据包括温度数据、湿度数据、风速数据、烟雾数据。
4.如权利要求1所述的一种化工企业生产安全风险等级划分及预警方法，其特征在于，所述设备风险系数的计算公式为：其中P为水压异常的消防栓的比例，P1为比例阈值，R1为化工生产设备的运行风险系数，min（）为取最小值函数。
5.一种计算机***，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行权利要求1-4任一项所述的一种化工企业生产安全风险等级划分及预警方法。
6.一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-4任一项所述的一种化工企业生产安全风险等级划分及预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310425033.XA CN116453292B (zh) | 2023-04-20 | 2023-04-20 | 一种化工企业生产安全风险等级划分及预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310425033.XA CN116453292B (zh) | 2023-04-20 | 2023-04-20 | 一种化工企业生产安全风险等级划分及预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116453292A CN116453292A (zh) | 2023-07-18 |
| CN116453292B true CN116453292B (zh) | 2023-12-22 |
Family
ID=87133341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310425033.XA Active CN116453292B (zh) | 2023-04-20 | 2023-04-20 | 一种化工企业生产安全风险等级划分及预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116453292B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151478B (zh) * | 2023-10-31 | 2024-01-26 | 南京南工应急科技有限公司 | 一种基于卷积神经网络的化工企业风险预警方法及*** |
| CN118072495A (zh) * | 2024-04-24 | 2024-05-24 | 山东安迪新型材料有限公司 | 一种基于数据分析的化工反应釜运行警报*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2801942A1 (en) * | 2013-05-09 | 2014-11-12 | Rockwell Automation Technologies, Inc. | Risk assessment for industrial systems using big data |
| CN112783100A (zh) * | 2019-11-06 | 2021-05-11 | 中国石油化工股份有限公司 | 存储器、化工企业安全生产风险预警方法、设备和装置 |
| CN114331055A (zh) * | 2021-12-13 | 2022-04-12 | 上海异工同智信息科技有限公司 | 企业安全生产风险预警方法、装置、设备和存储介质 |
| CN115099573A (zh) * | 2022-05-25 | 2022-09-23 | 河南鑫安利安全科技股份有限公司 | 一种安全生产管理平台 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007005975A2 (en) * | 2005-07-01 | 2007-01-11 | Valen Technologies, Inc. | Risk modeling system |
-
2023
- 2023-04-20 CN CN202310425033.XA patent/CN116453292B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2801942A1 (en) * | 2013-05-09 | 2014-11-12 | Rockwell Automation Technologies, Inc. | Risk assessment for industrial systems using big data |
| CN112783100A (zh) * | 2019-11-06 | 2021-05-11 | 中国石油化工股份有限公司 | 存储器、化工企业安全生产风险预警方法、设备和装置 |
| CN114331055A (zh) * | 2021-12-13 | 2022-04-12 | 上海异工同智信息科技有限公司 | 企业安全生产风险预警方法、装置、设备和存储介质 |
| CN115099573A (zh) * | 2022-05-25 | 2022-09-23 | 河南鑫安利安全科技股份有限公司 | 一种安全生产管理平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116453292A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116453292B (zh) | 一种化工企业生产安全风险等级划分及预警方法 | |
| US10769570B2 (en) | Artificial intelligence based risk and knowledge management | |
| US10192170B2 (en) | System and methods for automated plant asset failure detection | |
| US11120127B2 (en) | Reconstruction-based anomaly detection | |
| Serdio et al. | Improved fault detection employing hybrid memetic fuzzy modeling and adaptive filters | |
| Aziz et al. | A study on gradient boosting algorithms for development of AI monitoring and prediction systems | |
| Satta et al. | A dissimilarity-based approach to predictive maintenance with application to HVAC systems | |
| Amin et al. | Dynamic process safety assessment using adaptive Bayesian network with loss function | |
| Alamu et al. | ESP data analytics: use of deep autoencoders for intelligent surveillance of electric submersible pumps | |
| CN116398823A (zh) | 一种基于算法的燃气管道检测预警***及方法 | |
| CN116067524B (zh) | 一种用于油浸变压器内部组件的实时温度监测方法 | |
| CN116055900B (zh) | 一种基于摄像装置的图像质量修正方法 | |
| US11320813B2 (en) | Industrial asset temporal anomaly detection with fault variable ranking | |
| Arunthavanathan et al. | Remaining useful life estimation using fault to failure transformation in process systems | |
| Mesa-Jiménez et al. | Early warning signals of failures in building management systems | |
| Shevach et al. | Towards performance prognostics of a launch valve | |
| CN112990706A (zh) | 危化品仓储环境风险预警方法 | |
| Yang et al. | Machine learning in process safety and asset integrity management | |
| RU2689090C2 (ru) | Способ оценки уровня безопасности сложной технической системы | |
| Nickdoost et al. | A composite index framework for quantitative resilience assessment of road infrastructure systems | |
| US20230049871A1 (en) | Event analysis support apparatus, event analysis support method, and computer-readable recording medium | |
| CA3036543A1 (en) | Methods and systems for implementing and monitoring process safety management | |
| Belhaj Salem et al. | Prognostic and Classification of the Dynamic Degradation in a Mechanical System Using Variance Gamma Process. Mathematics 2021, 9, 254 | |
| Vanem et al. | Dynamical Linear Models for Condition Monitoring with Multivariate Sensor Data. | |
| Lee | Estimation of Residual Useful Life and Tracking of Real-time Damage Paths of Rubble-Mound Breakwaters Using Stochastic Wiener Process |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |