CN117273467B - 一种基于多因素耦合的工业安全风险管控方法及*** - Google Patents
一种基于多因素耦合的工业安全风险管控方法及*** Download PDFInfo
- Publication number
- CN117273467B CN117273467B CN202311536503.6A CN202311536503A CN117273467B CN 117273467 B CN117273467 B CN 117273467B CN 202311536503 A CN202311536503 A CN 202311536503A CN 117273467 B CN117273467 B CN 117273467B
- Authority
- CN
- China
- Prior art keywords
- parameters
- risk
- rescue
- scheme
- initial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000008878 coupling Effects 0.000 title claims abstract description 28
- 238000010168 coupling process Methods 0.000 title claims abstract description 28
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 238000007726 management method Methods 0.000 claims description 108
- 238000007405 data analysis Methods 0.000 claims description 35
- 238000010276 construction Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 14
- 239000000523 sample Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002912 waste 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多因素耦合的工业安全风险管控方法及***,涉及安全管控领域,该基于多因素耦合的工业安全风险管控方法包括以下步骤:S1、获取工业地区参数和工业特征参数;S2、根据工业特征参数获取工业安全参数,并进行权重分配,获取初始风险管控方案;S3、根据工业地区参数获取地区气候参数,并根据工业安全参数和地区气候参数进行计算气候影响参数;S4、根据计算气候影响参数对初始风险管控方案进行更新,获取进阶风险管控方案,并预设初始风险抢救方案。本发明考虑了多种类型的参数,能够全面地理解风险情况,够从多个角度评估风险,提供全面的风险管控和抢救方案。
Description
技术领域
本发明涉及安全管控领域,具体来说,涉及一种基于多因素耦合的工业安全风险管控方法及***。
背景技术
工业安全风险管控是工业生产中一项至关重要的任务,涉及到工人的生命安全,生产设备的完好,以及生产效率的提高,而传统的工业安全风险管控方法通常关注的是工业生产过程中可直观观察的风险因素,例如设备的老化,工人的操作失误,生产环境的变化等,然后根据这些风险因素制定出相应的风险管控措施。
同时近年来,随着大数据和人工智能技术的发展,工业安全风险管控的方法也在发生着变革,现代的工业安全风险管控方法开始从多维度,多因素的角度去考虑风险管控问题,这种方法被称为基于多因素耦合的工业安全风险管控方法,同时通过收集并分析大量的工业生产数据,然后根据这些参数计算出风险管控方案,且多因素耦合可以涵盖更多的影响因素,对多个因素的耦合分析,实现准确地预测和控制***的行为。
但现有基于多因素耦合的工业安全风险管控方法及***的往往忽略一些不易察觉但却可能造成严重风险的因素,例如在不同地区气候变化对工艺生产的影响和地区特性对工业安全风险的影响,这使得现有基于多因素耦合的工业安全风险管控方法及***在进行工业安全风险管控措施时的精准度并不理想,极大的影响了基于多因素耦合的工业安全风险管控方法及***的使用效果。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足,本发明提供了基于多因素耦合的工业安全风险管控方法及***,具备管控精准度高的优点,进而解决精准度不理想的问题。
为实现上述管控精准度高的优点,本发明采用的具体技术方案如下:
根据本发明的一个方面,一种基于多因素耦合的工业安全风险管控方法,包括以下步骤:
S1、获取工业地区参数和工业特征参数;
S2、根据工业特征参数获取工业安全参数,并进行权重分配,获取初始风险管控方案;
S3、根据工业地区参数获取地区气候参数,并根据工业安全参数和地区气候参数进行计算气候影响参数;
S4、根据计算气候影响参数对初始风险管控方案进行更新,获取进阶风险管控方案,并预设初始风险抢救方案;
S5、获取历史风险抢救方案参数,计算历史风险抢救数据,并根据历史风险抢救值和初始风险抢救方案进行预测初始风险抢救值;
S6、根据初始风险抢救值对进阶风险管控方案进行更新,并调整初始风险抢救方案,获取进阶风险抢救方案。
作为优选方案,根据工业特征参数获取工业安全参数,并进行权重分配,获取初始风险管控方案包括以下步骤:
S21、对工业特征参数进行特征提取,并构建特征集;
S22、对特征值进行数据分析,生成权重分配规则;
S23、根据权重分配规则和工业安全参数进行工业参数占比分析;
S24、根据工业参数占比分析结果进行计算初始风险管控方案。
作为优选方案,根据工业地区参数获取地区气候参数,并根据工业安全参数和地区气候参数进行计算气候影响参数包括以下步骤:
S31、预设气候影响规则,并根据气候影响规则对地区气候参数进行影响特征参数提取;
S32、根据影响特征参数和工业安全参数构建数据分析模型,通过数据分析模型计算预测气候影响参数,并对预测气候影响参数进行验证调整;
S33、将调整后的预测气候影响参数作为气候影响参数输出。
作为优选方案,根据影响特征参数和工业安全参数构建数据分析模型,通过数据分析模型计算预测气候影响参数,并对预测气候影响参数进行验证调整包括以下步骤:
S321、对影响特征参数和工业安全参数进行数据清洗,并进行归一化处理;
S322、根据处理的后的影响特征参数和工业安全参数进行合并,获取模型构建参数,并将模型构建参数分为训练集和测试集;
S323、根据模型构建参数进行构建数据分析模型,并将模型构建参数的训练集带入数据分析模型进行梯度下降算法进行优化;
S324、将模型构建参数的测试集带入优化后的数据分析模型进行精度检测。
作为优选方案,根据模型构建参数进行构建数据分析模型的计算公式为:
其中,F为气候影响参数;
d为数据分析模型的调整因子;
G1为影响特征参数权重值;
G2为工业安全参数权重值;
x1为影响特征参数的特征值;
x2为工业安全参数的特征值。
作为优选方案,获取历史风险抢救方案参数,计算历史风险抢救数据,并根据历史风险抢救数据和初始风险抢救方案进行预测初始风险抢救值包括以下步骤:
S51、获取历史风险抢救方案参数并进行数据预处理;
S52、根据处理后的历史风险抢救方案参数计算历史风险抢救数据;
S53、根据历史风险抢救数据对初始风险抢救方案进行对比分析,获取初始风险抢救值;
S54、对初始风险抢救值进行验证调整,并将调整后的初始风险抢救值作为预测初始风险抢救值输出。
作为优选方案,根据历史风险抢救数据对初始风险抢救方案进行对比分析,获取初始风险抢救值包括以下步骤:
S531、预设抢救匹配规则,并根据抢救匹配规则对初始风险抢救方案与历史风险抢救数据进行匹配;
S532、预设特征提取参数,根据配合结果对初始风险抢救方案与历史风险抢救数据进行特征提取,获取初始风险抢救特征值和历史风险抢救特征值;
S533、对初始风险抢救特征值和历史风险抢救特征值进行比对,并根据比对结果进行分析,获取初始风险抢救值。
作为优选方案,对初始风险抢救特征值和历史风险抢救特征值进行比对,并根据比对结果进行分析,获取初始风险抢救值包括以下步骤:
S5331、采用欧几里德距离算法对初始风险抢救特征值和历史风险抢救特征值的相似度计算;
S5332、根据相似度计算结果进行可视化转换,并根据可视化转换结果进行统计分析,获取初始风险抢救值。
作为优选方案,根据初始风险抢救值对进阶风险管控方案进行更新,并调整初始风险抢救方案,获取进阶风险抢救方案包括以下步骤:
S61、预设进阶风险管控方案更新规则,根据进阶风险管控方案更新规则对初始风险抢救值进行更新判断;
S62、根据更新判断结果进行进阶风险管控方案更新,并根据初始风险抢救方案生成更新风险抢救方案;
S63、对更新风险抢救方案进行分析验证,并根据验证结果对更新风险抢救方案进行调整;
S64、将调整后的更新风险抢救方案作为进阶风险抢救方案输出,并记录进阶风险抢救方案的抢救方案参数。
根据本发明的另一个方面,一种基于多因素耦合的工业安全风险管控***,该***包括:
初始参数获取模块,用于获取工业地区参数和工业特征参数;
权重分配模块,用于根据工业特征参数获取工业安全参数,并进行权重分配,获取初始风险管控方案;
影响参数模块,用于根据工业地区参数获取地区气候参数,并根据工业安全参数和地区气候参数进行计算气候影响参数;
更新管控模块,用于根据计算气候影响参数对初始风险管控方案进行更新,获取进阶风险管控方案,并预设初始风险抢救方案;
历史参数获取模块,用于获取历史风险抢救方案参数,计算历史风险抢救数据,并根据历史风险抢救值和初始风险抢救方案进行预测初始风险抢救值;
抢救更新模块,用于根据初始风险抢救值对进阶风险管控方案进行更新,并调整初始风险抢救方案,获取进阶风险抢救方案;
初始参数获取模块、权重分配模块、影响参数模块、更新管控模块、历史参数获取模块及抢救更新模块依次连接。
与现有技术相比,本发明提供了基于多因素耦合的工业安全风险管控方法及***,具备以下有益效果:
(1)本发明考虑了多种类型的参数,能够全面地理解风险情况,同时能够通过考虑工业特征参数,地区气候参数,历史风险抢救方案参数等,够从多个角度评估风险,提供全面的风险管控和抢救方案,并通过使用历史数据进行预测,预判未来可能出现的风险,从而提前做好准备,更好地应对可能出现的风险,从而提高其抵抗风险的能力。
(2)本发明通过使用数据分析和模型构建,能够精确地预测风险和抢救值,帮助决策者更准确地了解风险情况,从而制定更精确的管控和抢救方案,提高使用时的效果,使用更新规则和验证调整,能够持续地调整和优化风险管控和抢救方案,且随着情况的变化,能够适应新的情况,从而保持其有效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中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发明的一些实施例,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。
图1是根据本发明实施例的基于多因素耦合的工业安全风险管控方法的方法流程图;
图2是根据本发明实施例的基于多因素耦合的工业安全风险管控***的***框图。
图2中:
1、初始参数获取模块;2、权重分配模块;3、影响参数模块;4、更新管控模块;5、历史参数获取模块;6、抢救更新模块。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种基于多因素耦合的工业安全风险管控方法及***。
现结合附图和具体实施方式对本发明进一步说明,根据本发明的一个实施例,如图1所示,根据本发明实施例的基于多因素耦合的工业安全风险管控方法,包括以下步骤:
S1、获取工业地区参数和工业特征参数;
具体的,从工业园区获取,工业地区基本情况,如地理位置、面积范围等,主要企业类型和产业布局情况,工业园区内重要基础设施参数,如能源供应、交通运输等;从企业直接获取,企业产品或服务类型,主要生产工艺流程,工业设备参数,如设备数量、产能规模等,及原辅料储存和使用情况,工业废水、废气排放情况。
从政府部门获取,该地区工业发展规划和产业政策,企业准入许可和年检监管报告,统计公报中工业企业和产值数据,并从开放数据平台获取,国家***相关行业和区域数据,气候数据平台历史天气数据,高精度卫星遥感影像识别工业布局,再进行实地调研取样,现场采集企业问卷和访谈,了解企业未公开的特殊情况。
S2、根据工业特征参数获取工业安全参数,并进行权重分配,获取初始风险管控方案;
具体的,所述根据工业特征参数获取工业安全参数,并进行权重分配,获取初始风险管控方案包括以下步骤:
S21、对工业特征参数进行特征提取,并构建特征集;
具体的,将收集到的原始工业特征参数按照不同维度分类整理,如地理位置特征、产业类型特征、设备配置特征等,对每一类特征参数进行编码表示,如用数字表示产业类型,用坐标表示地理位置等,方便后续数值计算和分析,并对每一类特征参数提取其主要统计量,如产能规模取最大值、平均值等,设备数量取总数等,再对部分参数提取其变化规律,如产量季节变化趋势等,提取出趋势特征。
对部分参数进行数值转换,如将产能转换为等级表示等,提取出调整后的语义特征,对相关特征参数进行组合,提取出派生特征,如设备密度等,对特征参数进行规格化处理,如最小最大规范化,对特征参数进行去噪和缺失值处理,整理得到的各类特征,构建完整的特征集,包括:基本统计量特征、趋势特征、语义特征、派生特征、规格化后的数值特征及对特征集进行评估,筛选重要特征。
S22、对特征值进行数据分析,生成权重分配规则;
具体的,对特征值采集样本数据进行描述统计分析,了解各特征值的分布情况,使用相关分析法,如皮尔逊相关分析算法,分析特征值之间的相关性,筛选出强相关特征值,使用因子分析法对特征值进行降维处理,提取出主成分特征,使用决策树或随机森林等方法对样本数据进行建模,得到每个特征在模型中的重要性得分;
针对预测目标,使用回归分析法建立特征值与目标值之间的关系模型,分析各特征在模型中的系数大小,并对上述分析结果进行综合评估,给每个特征赋予初步权重,相关性和主成分分析结果,低相关和主成分特征权重高,决策树重要性分数,分数高特征权重高,回归分析系数值,系数值大特征权重高;
将带有初步权重的样本数据,导入深度学习模型进行端到端训练,分析深度学习每个特征层的权重,与初步权重进行比较,修正生成最终权重,对最终权重进行规范化处理,确保权重和为1,作为特征权重分配规则,并使用新样本验证权重规则的有效性和优化空间。
S23、根据权重分配规则和工业安全参数进行工业参数占比分析;
具体的,收集工业企业的各项安全参数,如消防设施参数、安全生产管理参数等,将各安全参数进行编码表示和规格化处理,与特征集匹配,根据预先构建的特征权重分配规则,给各安全参数分配相应的权重,将各安全参数按权重进行加权处理,得到加权后的安全参数值,再将工业企业的各项特征参数进行规格化处理,与安全参数统一规格,对特征参数和加权后的安全参数分别求和,分别计算其在总和中的占比,对比特征参数和安全参数的占比情况,安全参数占比高,表明安全投入较多,特征参数占比高,可能存在安全隐患,个别参数占比偏高,需要重点检查,根据占比结果给出安全评估,识别重点参数和短板,并定期重复分析,监测参数占比变化情况,为企业提供决策参考,如是否需要增加安全投入等。
S24、根据工业参数占比分析结果进行计算初始风险管控方案。
具体的,识别分析结果中安全参数和特征参数占比不平衡的关键点,根据参数属性,给这些关键点划分风险级别,如高风险、中风险、低风险等,对每级风险进行风险因素分析,确认可能导致风险的内外部原因,参考行业标准和案例,为每类风险制定初始预防控制措施,高风险,增强监测,限制生产等,中风险,增加检查频率,完善应急预案等,低风险,培训宣传,普查隐患等,根据企业实际情况,调整和优化控制措施,形成初步风险管控方案,将方案中的关键节点设置为风险指标,定期评估指标情况,根据评估结果及时修订方案,保证风险管控措施的科学性和针对性,并将修订后的方案提交管理层审核通过,并在企业内部推广执行。
在步骤S2中,采用数据驱动的方式,以工业企业实际情况为依据,构建出与企业匹配的风险管控方案,有利于提高方案的实效性,通过特征提取、数据分析等手段,对企业各项参数进行全面评估,识别重点风险点,有针对性地为企业制定管控措施,使用权重分配规则,给参数赋予不同重要程度,更准确地反映参数影响,为后续工作提供参考依据,并通过参数占比分析,动态监测参数变化情况,有助于及时发现问题和调整方案,制定风险级别和对应控制措施,使方案具有操作性,易于企业实施,定期评估和修订方案,保证方案的科学性和针对性,更好服务企业安全管理,整个过程数据驱动,结合定量和定性分析,提高方案的可靠性和权威性,为企业提供初步风险管控体系,有利于企业建立和完善自身的安全管理体系。
S3、根据工业地区参数获取地区气候参数,并根据工业安全参数和地区气候参数进行计算气候影响参数;
具体的,所述根据工业地区参数获取地区气候参数,并根据工业安全参数和地区气候参数进行计算气候影响参数包括以下步骤:
S31、预设气候影响规则,并根据气候影响规则对地区气候参数进行影响特征参数提取;
具体的,预设气候影响规则库。根据气候类型,温度、降水等对不同行业和特征参数设置影响级别,如温度对电力行业影响大等,收集地区多年气候数据,如平均温度、降水天数等,根据规则库匹配气候类型到对应特征参数,并标注影响级别,对气候数据进行统计分析,提取影响特征,如温度,提取年平均温度、极端高温天数等,如降水,提取年降水天数、最大连降水天数等,对特征进行数值转换,如将温度转换为等级表示,按影响级别对特征进行加权,重视规则中影响大的特征,整合加权后的特征,构建地区气候影响特征集,选择代表性气候站,重复上述过程提取代表性样本,对样本进行规格化,构建可用于后续工作的标准化数据集,定期更新规则和样本数据,提升特征提取质量。
S32、根据影响特征参数和工业安全参数构建数据分析模型,通过数据分析模型计算预测气候影响参数,并对预测气候影响参数进行验证调整;
具体的,所述根据影响特征参数和工业安全参数构建数据分析模型,通过数据分析模型计算预测气候影响参数,并对预测气候影响参数进行验证调整包括以下步骤:
S321、对影响特征参数和工业安全参数进行数据清洗,并进行归一化处理;
具体的,检查参数值是否完整,是否存在异常值或缺失值,根据具体参数属性,使用统计方法识别并处理异常值,根据缺失值比例和相关性,使用平均值、中位数等方法补充缺失值,过滤低相关性特征,保留对结果影响较大的特征,采用最小-最大规格化方法,将不同类型和量纲的特征转换到同一规格空间内,将各个清洗和规格化后的单个参数整合为一个样本数据集,将数据集随机划分为训练数据集和测试数据集,在测试数据集上验证数据规格化和特征选择的效果,随数据不断积累,定期重复上述过程进行数据清洗和特征优化。
S322、根据处理的后的影响特征参数和工业安全参数进行合并,获取模型构建参数,并将模型构建参数分为训练集和测试集;
具体的,将影响特征参数和工业安全参数整合为一个数据集,且每个样本包含所有参数值,对数据集进行编号,为每个样本赋予唯一ID,并添加标签列,根据预设标准,如安全评级等,为每个样本赋予相应的目标标签,将得到的带ID和标签的完整数据集定义为模型构建参数集,对参数集进行随机采样,将采样比例为70%的样本作为训练集,剩余30%的样本作为测试集,检查训练集和测试集样本是否满足以下条件,样本数量和比例分配是否符合预期,目标标签类别是否成比例分布在两个集合中,两个集合是否存在样本ID重复问题,根据检查结果,如有必要可重新采样到满足条件的训练集和测试集,再将处理好的训练集和测试集保存为不同文件或数据库表,作为模型训练和验证的输入。
S323、根据模型构建参数进行构建数据分析模型,并将模型构建参数的训练集带入数据分析模型进行梯度下降算法进行优化;
具体的,所述根据模型构建参数进行构建数据分析模型的计算公式为:
其中,F为气候影响参数;
d为数据分析模型的调整因子;
G1为影响特征参数权重值;
G2为工业安全参数权重值;
x1为影响特征参数的特征值;
x2为工业安全参数的特征值。
S324、将模型构建参数的测试集带入优化后的数据分析模型进行精度检测。
S33、将调整后的预测气候影响参数作为气候影响参数输出。
在步骤S3中,考虑了工业地区的气候影响因素,将气候参数纳入风险评估中,使风险管控更全面和科学,并通过提取和计算气候影响参数弥补了这个不足,使用数据分析模型定量计算气候影响参数,替代主观判断,提高参数准确性,且通过收集大量历史数据,构建数据模型定量计算可以反映实际情况,比仅依靠主观经验更准确,将气候影响参数反馈到风险管控方案中,使管控措施针对性更强,根据不同气候条件对风险点的影响程度,优化管控措施,使资源投入更有效,同时预设了风险抢救预案,提前做好应急准备。事故发生时能更快速有效进行处置,降低后果,方便实施和持续优化,定期收集数据和更新模型,使风险管理能与时俱进
S4、根据计算气候影响参数对初始风险管控方案进行更新,获取进阶风险管控方案,并预设初始风险抢救方案;
具体的,将气候影响参数导入到初始风险管控方案中,对各风险点的特征进行补充,根据气候参数对风险点的影响程度,如温度对某点影响大,重新评估各风险点的级别,针对气候影响较大的风险点,优化和强化原有的管控措施,对新的高风险点制定专项管控措施,整合优化后的各项管控措施,形成进阶风险管控方案,根据可能出现的风险事故类型,为各级风险点制定初步抢救预案,高风险点预设重大事故应急预案,中风险点预设一般事故抢救流程,低风险点预设日常隐患排查预案,完善预案细节,明确应急预案的组织架构、人员分工、物资保障等内容,定期检查和更新管控方案与抢救预案,保证与实际情况同步。
S5、获取历史风险抢救方案参数,计算历史风险抢救数据,并根据历史风险抢救值和初始风险抢救方案进行预测初始风险抢救值;
具体的,所述获取历史风险抢救方案参数,计算历史风险抢救数据,并根据历史风险抢救数据和初始风险抢救方案进行预测初始风险抢救值包括以下步骤:
S51、获取历史风险抢救方案参数并进行数据预处理;
具体的,收集历史风险事故报告及应急抢救记录,提取相关参数,确定参数集,如事故类型、损失程度、抢救措施、耗时成本等,检查参数完整性,发现和处理缺失值,识别和处理异常值,如通过箱线图剔除离群值,统一不同格式的参数为标准格式,如文本转数字标签,规范化不同单位的参数,如将成本转换为同一个货币单位,对时间序列数据如耗时进行格式转换,提取特征如最长,对分类参数如事故类型进行编码,为回归或分类问题提供输入,将处理后的每个历史案例整合成一个样本数据点,对样本数据集进行划分,部分用于后续模型训练,部分留作测试,检查处理后数据集的整体质量,如分布、相关性等,建立清洗后参数数据集与原始记录的映射表,便于追溯。
S52、根据处理后的历史风险抢救方案参数计算历史风险抢救数据;
具体的,计算不同类型风险事故的发生频率和比例,计算不同级别风险事故的发生频率和比例,计算不同抢救措施的使用频率和成功率,计算平均抢救耗时和成本,以及不同因素影响耗时和成本的情况,计算不同部门参与抢救的人员和物资投入,根据时间序列,分析事故数量的季节性和年度变化规律,对分类参数进行频数统计,比如不同区域的事故分布,使用聚类算法,分析不同类型事故的关联性,建立事故-结果模型,评估影响抢救效果的关键因素,对比事故处理前后的损失,计算历史抢救工作的效果,对历史数据进行可视化,直观展示分析结果。
S53、根据历史风险抢救数据对初始风险抢救方案进行对比分析,获取初始风险抢救值;
具体的,所述根据历史风险抢救数据对初始风险抢救方案进行对比分析,获取初始风险抢救值包括以下步骤:
S531、预设抢救匹配规则,并根据抢救匹配规则对初始风险抢救方案与历史风险抢救数据进行匹配;
具体的,定义匹配维度,如事故类型、风险级别等可能影响抢救的因素,为每一个匹配维度设定匹配规则,如相同类型完全匹配,一级差异允许匹配等,将初始抢救方案中的每个抢救方案元素抽取出匹配维度值,将历史数据中的每个案例抽取出匹配维度值,根据预设的匹配规则,对比两个匹配维度值集合,判断是否匹配,统计每个初始抢救方案元素匹配的历史案例数量,对未匹配的元素,进一步细化匹配规则后重新匹配,记录最终的匹配结果,包括,完全匹配的元素和案例数量,部分匹配的元素和案例数量,未匹配的元素和原因,分析匹配结果,评估初始方案的代表性和完整性。
S532、预设特征提取参数,根据配合结果对初始风险抢救方案与历史风险抢救数据进行特征提取,获取初始风险抢救特征值和历史风险抢救特征值;
具体的,根据匹配维度和结果,确定可能影响抢救效果的主要特征,如事故类型、风险级别等,预设特征提取规则,如某特征取值方式、转换方法,根据匹配结果,将匹配的初始方案和历史案例提取特征值,对未匹配的数据,根据特征定义进行特征值转换或补充,提取的特征值包括,初始方案特征值,各匹配初始方案的特征向量,历史案例特征值,各匹配历史案例的特征向量,对特征值进行规范化处理,如最小最大规范化,分析特征值分布,评估特征表达能力,建立初始方案特征值与历史案例特征值的映射表,记录特征提取过程和参数,保证可解释性和重复性。
S533、对初始风险抢救特征值和历史风险抢救特征值进行比对,并根据比对结果进行分析,获取初始风险抢救值。
具体的,所述对初始风险抢救特征值和历史风险抢救特征值进行比对,并根据比对结果进行分析,获取初始风险抢救值包括以下步骤:
S5331、采用欧几里德距离算法对初始风险抢救特征值和历史风险抢救特征值的相似度计算;
具体的,将初始方案和历史案例提取后的特征值标准化处理,如最小最大规范化,对每个初始方案特征值与所有历史案例特征值进行欧几里德距离计算,计算出每个初始方案与所有历史案例的距离矩阵,取每个初始方案对应的最小距离值,即与其最相似的历史案例的距离,距离值越小,表示两个特征值向量越相似,统计不同距离区间内的匹配对数,评估整体匹配程度,对距离较大的匹配对,进一步分析原因,调整特征或匹配规则,记录计算过程和结果,分析特征表达效果。
S5332、根据相似度计算结果进行可视化转换,并根据可视化转换结果进行统计分析,获取初始风险抢救值。
具体的,将每个初始方案与其最相似的历史案例的距离值进行可视化,如散点图,将距离值区间进行分组,统计每个距离区间内的匹配对数,绘制柱状图,对距离较小和较大的匹配对,绘制其特征值分布的盒线图,分析差异,对不同特征之间的相关性进行可视化,如热力图,将初始方案和匹配历史案例进行聚类,观察聚类结果,根据统计分析,评估整体匹配效果,调整特征或匹配规则,确定匹配度高的初始方案-历史案例匹配对作为样本,根据匹配对,为初始方案提取支持度高的历史抢救方案,整合多个高支持度历史方案,确定初始风险抢救方案,记录分析过程和结论,形成初步抢救方案报告。
S54、对初始风险抢救值进行验证调整,并将调整后的初始风险抢救值作为预测初始风险抢救值输出。
具体的,将初步初始抢救方案应用到部分历史案例上进行模拟验证,统计方案应用效果,如成功率、平均成本等指标,对比实际历史结果,计算误差,找出方案应用不佳场景,根据验证结果,调整初步方案的参数或规则,优化不足之处,重新进行特征提取、匹配计算和统计分析,评估调整效果,重复进行多轮迭代验证和调整,直到效果满意,将最后调整优化后的初始抢救方案定为预测结果,记录预测过程,初步方案获取过程,各轮验证结果,每个调整点及理由,预测方案参数,对预测结果进行解释性分析,阐述其合理性,输出最终预测的初始风险抢救方案值。
在步骤S5中,利用大量历史数据进行学习,可以更全面和准确地了解风险事故的特征和规律,为预测提供更丰富的参考依据,通过对历史数据的分析计算,可以提取出影响风险抢救的关键因素和规律,为特征选择和建模提供依据,同时将历史成功案例的抢救方案提取出来,作为预测初始方案的参考样本,并采用匹配、特征提取和相似度计算等方法,定量评估初始方案与历史案例的相似程度,为预测提供数值支持,且进行多轮验证可以检验和调整预测结果,提高预测准确性和可靠性,记录整个预测过程和依据,提高预测结果的解释性和可解释性。
S6、根据初始风险抢救值对进阶风险管控方案进行更新,并调整初始风险抢救方案,获取进阶风险抢救方案。
具体的,所述根据初始风险抢救值对进阶风险管控方案进行更新,并调整初始风险抢救方案,获取进阶风险抢救方案包括以下步骤:
S61、预设进阶风险管控方案更新规则,根据进阶风险管控方案更新规则对初始风险抢救值进行更新判断;
具体的,确定可能需要更新的条件,如新风险因素出现、法规变更等,为每种更新条件设定触发阈值,比如新风险占比超过20%等,持续监测更新条件,收集新数据,对比监测数据与更新规则,判断是否满足任一更新条件,如果满足条件,进入更新流程,重新提取新特征和样本,重复初始模型训练预测流程,进行多轮验证与调整,输出新预测值,如果不满足条件,继续监测,记录每次监测结果和判断依据,定期重新评估规则是否需要调整,输出最新预测值,并给出更新原因说明。
S62、根据更新判断结果进行进阶风险管控方案更新,并根据初始风险抢救方案生成更新风险抢救方案;
具体的,如果判断需要更新,进入更新流程,根据新数据重新提取特征,获取新特征值,应用更新规则,对原模型进行重训练或者重新建模,进行多轮验证,调整模型参数直至满足效果要求,输出经过更新后的新模型作为进阶风险管控模型,应用新模型,预测新的初始风险抢救值,根据新旧预测值和实际情况,对比分析差异原因,参考初始方案,结合新预测值生成更新后的风险抢救方案,记录更新过程,更新条件触发、新特征、新模型、新预测值、更新方案,输出最终的更新风险抢救方案,持续监测,实现动态更新机制。
S63、对更新风险抢救方案进行分析验证,并根据验证结果对更新风险抢救方案进行调整;
具体的,将更新方案应用于一部分历史案例,进行回测模拟,统计和分析方案应用效果,如成功率、成本等指标,对比实际历史结果,计算误差,找出应用不佳场景,对比原始和更新方案,分析两者差异和更新带来的影响,根据验证结果,调整更新方案的参数或规则部分,优化不足条件处理流程,修正过于宽泛或具体的条件限定,重新计算相关阈值,重复进行多轮迭代验证和调整,记录每轮结果,找出问题原因和优化点,当效果满意并稳定时,定为最终更新方案,分析说明优化过程和结果,输出经过多轮验证与调整后的最终更新风险抢救方案。
S64、将调整后的更新风险抢救方案作为进阶风险抢救方案输出,并记录进阶风险抢救方案的抢救方案参数。
具体的,将多轮验证与调整后的最终更新方案定为进阶风险抢救方案,输出进阶风险抢救方案,包括方案名称、适用范围、关键条件限定、处理流程、重要参数、其他需要说明内容、记录方案参数,如触发更新条件及阈值、特征选择、模型类型及算法、验证指标标准、优化调整记录、归档原始数据、过程记录和所有版本的方案,开放接口,实现方案动态调用,建立反馈机制,持续完善方案,说明方案输出流程及意义,解决问题、提高效率、保证可靠性。
根据本发明另一个实施例,如图2所示,提供了一种基于多因素耦合的工业安全风险管控***,该***包括:
初始参数获取模块1,用于获取工业地区参数和工业特征参数;
权重分配模块2,用于根据工业特征参数获取工业安全参数,并进行权重分配,获取初始风险管控方案;
影响参数模块3,用于根据工业地区参数获取地区气候参数,并根据工业安全参数和地区气候参数进行计算气候影响参数;
更新管控模块4,用于根据计算气候影响参数对初始风险管控方案进行更新,获取进阶风险管控方案,并预设初始风险抢救方案;
历史参数获取模块5,用于获取历史风险抢救方案参数,计算历史风险抢救数据,并根据历史风险抢救值和初始风险抢救方案进行预测初始风险抢救值;
抢救更新模块6,用于根据初始风险抢救值对进阶风险管控方案进行更新,并调整初始风险抢救方案,获取进阶风险抢救方案;
所述初始参数获取模块1、所述权重分配模块2、所述影响参数模块3、所述更新管控模块4、历史参数获取模块5及所述抢救更新模块6依次连接。
综上所述,借助于本发明的上述技术方案,通过本发明考虑了多种类型的参数,能够全面地理解风险情况,同时能够通过考虑工业特征参数,地区气候参数,历史风险抢救方案参数等,够从多个角度评估风险,提供全面的风险管控和抢救方案,并通过使用历史数据进行预测,预判未来可能出现的风险,从而提前做好准备,更好地应对可能出现的风险,从而提高其抵抗风险的能力。
此外,本发明通过使用数据分析和模型构建,能够精确地预测风险和抢救值,帮助决策者更准确地了解风险情况,从而制定更精确的管控和抢救方案,提高使用时的效果,使用更新规则和验证调整,能够持续地调整和优化风险管控和抢救方案,且随着情况的变化,能够适应新的情况,从而保持其有效性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于多因素耦合的工业安全风险管控方法,其特征在于,包括以下步骤:
S1、获取工业地区参数和工业特征参数;
S2、根据工业特征参数获取工业安全参数,并进行权重分配,获取初始风险管控方案;
S3、根据工业地区参数获取地区气候参数,并根据工业安全参数和地区气候参数进行计算气候影响参数;
S4、根据计算气候影响参数对初始风险管控方案进行更新,获取进阶风险管控方案,并预设初始风险抢救方案;
S5、获取历史风险抢救方案参数,计算历史风险抢救数据,并根据历史风险抢救值和初始风险抢救方案进行预测初始风险抢救值;
S6、根据初始风险抢救值对进阶风险管控方案进行更新,并调整初始风险抢救方案,获取进阶风险抢救方案;
所述根据工业特征参数获取工业安全参数,并进行权重分配,获取初始风险管控方案包括以下步骤:
S21、对工业特征参数进行特征提取,并构建特征集;
S22、对特征值进行数据分析,生成权重分配规则;
S23、根据权重分配规则和工业安全参数进行工业参数占比分析;
S24、根据工业参数占比分析结果进行计算初始风险管控方案;
所述根据工业地区参数获取地区气候参数,并根据工业安全参数和地区气候参数进行计算气候影响参数包括以下步骤:
S31、预设气候影响规则,并根据气候影响规则对地区气候参数进行影响特征参数提取;
S32、根据影响特征参数和工业安全参数构建数据分析模型,通过数据分析模型计算预测气候影响参数,并对预测气候影响参数进行验证调整;
S33、将调整后的预测气候影响参数作为气候影响参数输出;
所述根据初始风险抢救值对进阶风险管控方案进行更新,并调整初始风险抢救方案,获取进阶风险抢救方案包括以下步骤:
S61、预设进阶风险管控方案更新规则,根据进阶风险管控方案更新规则对初始风险抢救值进行更新判断;
S62、根据更新判断结果进行进阶风险管控方案更新,并根据初始风险抢救方案生成更新风险抢救方案;
S63、对更新风险抢救方案进行分析验证,并根据验证结果对更新风险抢救方案进行调整;
S64、将调整后的更新风险抢救方案作为进阶风险抢救方案输出,并记录进阶风险抢救方案的抢救方案参数。
2.根据权利要求1所述的一种基于多因素耦合的工业安全风险管控方法,其特征在于,所述根据影响特征参数和工业安全参数构建数据分析模型,通过数据分析模型计算预测气候影响参数,并对预测气候影响参数进行验证调整包括以下步骤:
S321、对影响特征参数和工业安全参数进行数据清洗,并进行归一化处理;
S322、根据处理的后的影响特征参数和工业安全参数进行合并,获取模型构建参数,并将模型构建参数分为训练集和测试集;
S323、根据模型构建参数进行构建数据分析模型,并将模型构建参数的训练集带入数据分析模型进行梯度下降算法进行优化;
S324、将模型构建参数的测试集带入优化后的数据分析模型进行精度检测。
3.根据权利要求2所述的一种基于多因素耦合的工业安全风险管控方法,其特征在于,所述根据模型构建参数进行构建数据分析模型的计算公式为:
其中,F为气候影响参数;
d为数据分析模型的调整因子;
G1为影响特征参数权重值;
G2为工业安全参数权重值;
x1为影响特征参数的特征值;
x2为工业安全参数的特征值。
4.根据权利要求1所述的一种基于多因素耦合的工业安全风险管控方法,其特征在于,所述获取历史风险抢救方案参数,计算历史风险抢救数据,并根据历史风险抢救数据和初始风险抢救方案进行预测初始风险抢救值包括以下步骤:
S51、获取历史风险抢救方案参数并进行数据预处理;
S52、根据处理后的历史风险抢救方案参数计算历史风险抢救数据;
S53、根据历史风险抢救数据对初始风险抢救方案进行对比分析,获取初始风险抢救值;
S54、对初始风险抢救值进行验证调整,并将调整后的初始风险抢救值作为预测初始风险抢救值输出。
5.根据权利要求4所述的一种基于多因素耦合的工业安全风险管控方法,其特征在于,所述根据历史风险抢救数据对初始风险抢救方案进行对比分析,获取初始风险抢救值包括以下步骤:
S531、预设抢救匹配规则,并根据抢救匹配规则对初始风险抢救方案与历史风险抢救数据进行匹配;
S532、预设特征提取参数,根据配合结果对初始风险抢救方案与历史风险抢救数据进行特征提取,获取初始风险抢救特征值和历史风险抢救特征值;
S533、对初始风险抢救特征值和历史风险抢救特征值进行比对,并根据比对结果进行分析,获取初始风险抢救值。
6.根据权利要求5所述的一种基于多因素耦合的工业安全风险管控方法,其特征在于,所述对初始风险抢救特征值和历史风险抢救特征值进行比对,并根据比对结果进行分析,获取初始风险抢救值包括以下步骤:
S5331、采用欧几里德距离算法对初始风险抢救特征值和历史风险抢救特征值的相似度计算;
S5332、根据相似度计算结果进行可视化转换,并根据可视化转换结果进行统计分析,获取初始风险抢救值。
7.一种基于多因素耦合的工业安全风险管控***,用于实现权利要求1-6中任一项所述的基于多因素耦合的工业安全风险管控方法,其特征在于,该***包括:
初始参数获取模块(1),用于获取工业地区参数和工业特征参数;
权重分配模块(2),用于根据工业特征参数获取工业安全参数,并进行权重分配,获取初始风险管控方案;
影响参数模块(3),用于根据工业地区参数获取地区气候参数,并根据工业安全参数和地区气候参数进行计算气候影响参数;
更新管控模块(4),用于根据计算气候影响参数对初始风险管控方案进行更新,获取进阶风险管控方案,并预设初始风险抢救方案;
历史参数获取模块(5),用于获取历史风险抢救方案参数,计算历史风险抢救数据,并根据历史风险抢救值和初始风险抢救方案进行预测初始风险抢救值;
抢救更新模块(6),用于根据初始风险抢救值对进阶风险管控方案进行更新,并调整初始风险抢救方案,获取进阶风险抢救方案;
所述初始参数获取模块(1)、所述权重分配模块(2)、所述影响参数模块(3)、所述更新管控模块(4)、历史参数获取模块(5)及所述抢救更新模块(6)依次连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311536503.6A CN117273467B (zh) | 2023-11-17 | 2023-11-17 | 一种基于多因素耦合的工业安全风险管控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311536503.6A CN117273467B (zh) | 2023-11-17 | 2023-11-17 | 一种基于多因素耦合的工业安全风险管控方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117273467A CN117273467A (zh) | 2023-12-22 |
CN117273467B true CN117273467B (zh) | 2024-01-26 |
Family
ID=89204844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311536503.6A Active CN117273467B (zh) | 2023-11-17 | 2023-11-17 | 一种基于多因素耦合的工业安全风险管控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273467B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382407A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 一种风险管控方法、装置、电子设备和存储介质 |
CN113159615A (zh) * | 2021-05-10 | 2021-07-23 | 麦荣章 | 一种工业控制***信息安全风险智能测定***及方法 |
CN113627735A (zh) * | 2021-07-16 | 2021-11-09 | 宁夏建设投资集团有限公司 | 工程建设项目安全风险的预警方法及*** |
CN114049026A (zh) * | 2021-11-22 | 2022-02-15 | 码客工场工业科技(北京)有限公司 | 一种基于层次分析法的工业互联网标识解析风险评估方法 |
CN114757590A (zh) * | 2022-06-14 | 2022-07-15 | 江苏金恒信息科技股份有限公司 | 基于大数据分析的企业运营风险预警及管控*** |
CN116128421A (zh) * | 2022-09-23 | 2023-05-16 | 北京清创美科环境科技有限公司 | 一种耦合污染源排放和解析的大气污染管控方案生成方法 |
CN116384748A (zh) * | 2023-04-10 | 2023-07-04 | 中国环境科学研究院 | 基于环境监测的工业企业环境健康风险分级方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102564285B1 (ko) * | 2020-06-19 | 2023-08-08 | 한국전자통신연구원 | 온라인 베이지안 퓨샷 학습 방법 및 장치 |
-
2023
- 2023-11-17 CN CN202311536503.6A patent/CN117273467B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382407A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 一种风险管控方法、装置、电子设备和存储介质 |
CN113159615A (zh) * | 2021-05-10 | 2021-07-23 | 麦荣章 | 一种工业控制***信息安全风险智能测定***及方法 |
CN113627735A (zh) * | 2021-07-16 | 2021-11-09 | 宁夏建设投资集团有限公司 | 工程建设项目安全风险的预警方法及*** |
CN114049026A (zh) * | 2021-11-22 | 2022-02-15 | 码客工场工业科技(北京)有限公司 | 一种基于层次分析法的工业互联网标识解析风险评估方法 |
CN114757590A (zh) * | 2022-06-14 | 2022-07-15 | 江苏金恒信息科技股份有限公司 | 基于大数据分析的企业运营风险预警及管控*** |
CN116128421A (zh) * | 2022-09-23 | 2023-05-16 | 北京清创美科环境科技有限公司 | 一种耦合污染源排放和解析的大气污染管控方案生成方法 |
CN116384748A (zh) * | 2023-04-10 | 2023-07-04 | 中国环境科学研究院 | 基于环境监测的工业企业环境健康风险分级方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117273467A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951984B (zh) | 一种***健康度动态分析预测方法及装置 | |
WO2021073343A1 (zh) | 通信***的故障根因分析方法、装置、***和计算机存储介质 | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及*** | |
CN113221441B (zh) | 一种电厂设备健康评估的方法及装置 | |
CN114676822B (zh) | 一种基于深度学习的多属性融合空气质量预报方法 | |
CN117172556B (zh) | 一种桥梁工程的施工风险预警方法与*** | |
CN113627735A (zh) | 工程建设项目安全风险的预警方法及*** | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及*** | |
CN113036913A (zh) | 一种综合能源设备状态监测方法及装置 | |
CN111507603A (zh) | 一种在产企业环境风险现状评估方法和*** | |
CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
CN116561519A (zh) | 基于电网大数据的电碳排放过程监测方法和*** | |
CN115719283A (zh) | 一种智能化会计管理*** | |
CN117670028A (zh) | 基于物联网监测的除尘***风险动态评估及分级预警方法 | |
CN115953252A (zh) | 一种建工安责险保费的确定方法 | |
CN115204583A (zh) | 化工园区区域风险分级管控评估分析方法、***及装置 | |
CN111582603A (zh) | 基于多源信息融合的煤与瓦斯突出的智能预警方法 | |
CN113221442B (zh) | 一种电厂设备健康评估模型的构建方法及装置 | |
KR101884908B1 (ko) | 빅데이터 분석 기반 신뢰도 예측 장치 | |
CN117273467B (zh) | 一种基于多因素耦合的工业安全风险管控方法及*** | |
CN116957534A (zh) | 一种预测智能电表更换数量的方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN115345414A (zh) | 一种输油气管道工控网络信息安全性评价方法及*** | |
CN114331175A (zh) | 一种城市安全绩效数据集中统计评估方法及*** | |
CN117217625B (zh) | 一种基于数据分析的企业***方法及装置 |
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 |