一种基于物联网的工业生产安全感知模型的构建方法与流程

1.本发明涉及安全生产技术领域，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。


背景技术：

2.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。
3.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。


技术实现要素：

4.鉴于此，本发明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。
5.本发明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。
6.本发明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：
7.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：
8.baseweight＝top_scope*2 mid_scope low_scope*0.5；
9.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；
10.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；
11.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；
12.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；
13.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：
14.convbaseweight＝log(1 log(1 log(baseweight)))
15.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；
16.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]
本发明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]
本发明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，本发明的有益效果在于：
[0033]
本发明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，而并不认为是对本发明的限制。
[0035]
在附图中：
[0036]
图1为本发明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是本发明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何或所有可能组合。
[0039]
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0040]
下面结合附图对本发明实施例作进一步详细说明。
[0041]
本发明实施例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，参见附图图1所示，包括如下步骤：
[0042]
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：
[0043]
baseweight＝top_scope*2 mid_scope low_scope*0.5；
[0044]
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；
[0045]
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；
[0046]
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；
[0047]
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；
[0048]
本实施例中，所述传感器数据包括物联网设备采集的温度、湿度、粉尘浓度、水位、压力等数据；
[0049]
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：
[0050]
convbaseweight＝log(1 log(1 log(baseweight)))
[0051]
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；
[0052]
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：
[0053][0054]
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；
[0055]
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： finalweight＝0.25*convbaseweight 0.75*convhistoryweight
[0056]
其中，finalweight为最终风险权值；
[0057]
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：
[0058][0059]
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；
[0060]
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。
[0061]
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。
[0062]
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。
[0063]
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。
[0064]
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。
[0065]
本发明实施例还提供了一种计算机设备，图2是本发明实施例提供的一种计算机设备的结构示意图；参见附图图2所示，该计算机设备包括：输入装置 23、输出装置24、存储器22和处理器21；所述存储器22，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器21执行，使得所述一个或多个处理器21实现如上述实施例提供的基于物联网的工业生产安全感知模型的构建方法；其中输入装置23、输出装置24、存储器22和处理器21 可以通过总线或者其他方式连接，图2中以通过总线连接为例。
[0066]
存储器22作为一种计算设备可读写存储介质，可用于存储软件程序、计算机可执行程序，如本发明实施例所述的基于物联网的工业生产安全感知模型的构建方法对应的程序指令；存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等；此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件；在一些实例中，存储器22可进一步包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0067]
输入装置23可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入；输出装置24可包括显示屏等显示设备。
[0068]
处理器21通过运行存储在存储器22中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于物联网的工业生产安全感知模型的构建方法。
[0069]
上述提供的计算机设备可用于执行上述实施例提供的基于物联网的工业生产安全感知模型的构建方法，具备相应的功能和有益效果。
[0070]
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的基于物联网的工业生产安全感知模型的构建方法，存储介质是任何的各种类型的存储器设备或存储设备，存储介质包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddr ram、sram、 edo ram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等；存储介质可以还包括其它类型的存储器或其组合；另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统；第二计算机系统可以提供程序指令给第一计算机用于执行。存储介质包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
[0071]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上实施例所述的基于物联网的工业生产安全感知模型的构建方法，还
可以执行本发明任意实施例所提供的基于物联网的工业生产安全感知模型的构建方法中的相关操作。
[0072]
结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
[0073]
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。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。