CN103559551A - 一种面向生产企业的安全隐患风险定量评估及预警系统 - Google Patents

Abstract

本发明涉及风险评估及预警领域，尤其涉及一种面向生产企业的安全隐患风险定量评估及预警系统，包括：数据采集终端、云端数据库、预警信息管理系统、数据处理分析模块；所述预警信息管理系统包括基于隐患风险定量的预警预测模型；所述数据处理分析模块包括：基于灰色预测算法调整的安全形势预测建模模型、数据筛选子系统、数据定量化子系统、指标生成子系统和指标图形展示子系统模块。本发明的有益效果在于：1、本发明采用定性分析和数学建模定量计算的策略，帮助企业制定“安全生产预警指标体系”；2、将可能产生的后果予以量化，输出成直观的统计图表，形成动态的反映企业安全生产现状的安全生产预警指数图和趋势分析图。

Description

一种面向生产企业的安全隐患风险定量评估及预警系统

技术领域

本发明涉及风险评估及预警领域，尤其涉及一种面向生产企业的安全隐患风险定量评估及预警系统。

背景技术

安全事故是企业发展过程中一个至关重要的问题，如何在事故发生前进行预防，发生后进行果断、系统的处理，是一个理论性和实践性都很强的重大课题。但目前在我国还没有从一个系统的角度，对企业安全事故风险预警体系进行专门与系统的研究。企业安全事故风险预警是基于对影响企业安全的诸因素进行综合分析评价的基础上，对可能出现的安全事故风险做出预测和警报。在确认险情后，做出风险分析和评估，并借助决策支持系统制定出针对性的应急处理预案，以及时化解或降低风险，将可能发生的灾害损失降低到最小程度。

企业安全事故风险分析是企业安全事故预警的基础，安全预警是在风险分析的基础上，根据风险大小所做出的风险判断和警示行为。为了科学有效地掌握企业的安全状态，及时对企业安全事故危险源预警并采取补救措施，进行企业安全事故风险分析以及安全预警系统的研究就显得尤为迫切和重要了。

鉴于我国目前风险预警体系的不全面，预警机制不够完善的事实，对尚未进行系统研究的企业安全事故风险预警体系问题进行专门与系统的研究具有重大的理论与实践意义。

产存在着巨大的潜在危险。一旦发生安全事故，对企业及社会造成的损失将无法挽回。安全风险管理和控制的目的在于不断辨识企业在安全方面的风险，把风险纳入有效管理范围。对于高危害的风险要立即采取有效的控制方法，防止或遏制风险的进一步恶化，避免造成安全事故。安全事故的风险来源于引发事故的危险源。应用安全事故风险预警模型可以对生产环境中的危险源进行有效管理，对可能造成安全事故的高风险危险源进行有效控制口。

发明内容

本发明为克服上述的不足之处，目的在于提供一种面向生产企业的安全隐患风险定量评估及预警系统，解决现有预警机制不完善的问题，对企业日常录入的隐患排查结果以及从仪器仪表实时监测检测数据的数据进行智能分析，并将可能产生的后果予以量化，以直观的统计图动态反应企业的安全生产现状。

本发明是通过以下技术方案达到上述目的：一种面向生产企业的安全隐患风险定量评估及预警系统，包括：数据采集终端、云端数据库、预警信息管理系统、数据处理分析模块；所述预警信息管理系统包括基于隐患风险定量的预警预测模型；所述数据处理分析模块包括：基于灰色预测算法调整的安全形势预测建模模型、数据筛选子系统、数据定量化子系统、指标生成子系统和指标图形展示子系统模块；所示数据采集终端与云端数据库连接，云端数据库与数据处理分析模块连接，预警信息管理系统与数据处理分析模块连接；所述数据采集终端采集人工或非人工录入数据，采集到的数据上传至云端数据库保存，预警信息管理系统以基于隐患风险定量的预警预测模型制定安全生产预警指标体系，数据处理分析模块结合预警信息管理系统的安全生产预警指标体系建立基于隐患风险定量的预警预测模型并输出预警信息。

作为优选，所述基于隐患风险定量的预警预测模型是这样建立的：

（一）、统计值的计算及数量修正：

（1）设a为死亡项数、b为重伤项数、c为轻伤项数、m为周或月伤害统计值,则m=a*0.5+b*0.3+c*0.1；

（2）设d为周或月实际报告数量、e为周或月平均报告数量、n为报告修正后的指数，则n=m*e/d；

（二）、修正计算：

设f为事故级别率、g为事故修正值、h为隐患整改率修正值、i为培训及演练修正值、k为最终安全生产预警指数，则k=∑（f*n）+g-h-i。

作为优选，所述基于灰色预测算法调整的安全形势预测建模模型是这样建立的：

（1）采用累加生成方式生产数据列：

设有原始数据列x(0)：

x⁽⁰⁾＝{x⁽⁰⁾(k)|k＝1，2，3，…，n}＝{x⁽⁰⁾(1)，x⁽⁰⁾(2)，x⁽⁰⁾(3)，…，x⁽⁰⁾(n)}

即可得到生成数据列x⁽¹⁾：

$x^{\left(1\right)}=\{x^{\left(1\right)}\left(1\right),x^{\left(1\right)}\left(2\right),x^{\left(1\right)}\left(3\right),...,x^{\left(1\right)}\left(n\right)\}=\{x^{\left(0\right)}\left(1\right),x^{\left(0\right)}\left(1\right)+x^{\left(0\right)}\left(2\right),x^{\left(0\right)}\left(1\right)+x^{\left(0\right)}\left(2\right)+x^{\left(0\right)}\left(3\right),...\underset{i=1}{\overset{^}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(i\right)\};$

（2）灰色建模：

对于生成数据列x⁽¹⁾建立一阶灰色微分方程，记成GM（1，1）：

上式方程的解为： $x^{\left(1\right)}(k+1)=[x^{\left(1\right)}\left(1\right)-\frac{u}{a}]e^{-\mathrm{ak}}+\frac{u}{a},$

记参数列为

$\hat{a}=\left[\begin{array}{c}a\\ u\end{array}\right],$

利用最小二乘法求解

$\hat{a}={\left(B^{T}B\right)}^{-1}{B}^T{y}_N,$

式中 $B=\left(\begin{array}{cc}-\frac{1}{2}[x^{\left(1\right)}\left(1\right)+x^{\left(1\right)}\left(2\right)]& 1\\ ...& 1\\ -\frac{1}{2}[x^{\left(1\right)}(n-1)+x^{\left(1\right)}\left(n\right)]& 1\end{array}\right),y_N=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ ...\\ x^{\left(0\right)}\left(n\right)\end{array}\right],$

则 ${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),$ ${\hat{x}}^{\left(1\right)}\left(0\right)=0;$

（3）后验差检查：

后验差比值C定义为：

$C=\sqrt{\frac{S_2^2}{S_1^2}},S_1^2=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{[x^{\left(0\right)}\left(k\right)-\stackrel{\‾}{x}]}^2,S_2^2=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{[q\left(k\right)-\stackrel{\‾}{q}]}^2,$

C越小越好，C小意味着S₂小而S₁大，即尽管原始数据很离散，但按灰色模型计算的估计值与实际值很接近；

小误差频率P定义为残差与残差平均值之差小于给定值0.6745S₁的频率：

$P=P\left\{\right|q\left(k\right)-\stackrel{\&OverBar;}{q}|<0.6745S_1\},\stackrel{\&OverBar;}{q}=\frac{1}{n}\underset{k-1}{\overset{n}{\mathrm{\&Sigma;}}}q\left(k\right);$

（4）残差修正：

如果经过后验差检验，所建灰色模型不合格，可以建立残差模型对原模型进行修正，其步骤为:

(41)对累加生成的数据列的各项计算残差：组成残差数据列q⁽⁰⁾：

q⁽⁰⁾＝{q⁽⁰⁾(1)，q⁽⁰⁾(2)，q⁽⁰⁾(3)，…，q⁽⁰⁾(n)}；

（42）将q⁽⁰⁾累加得到残差累加生成数据列q⁽¹⁾；

（43）建立一阶灰色微分方程：

其解为： ${\hat{q}}^{\left(1\right)}(k+1)=(q^{\left(1\right)}\left(1\right)-\frac{u_1}{a_1})e^{-a,k}+\frac{u_1}{a_1},$ 式中，a₁、u₁为待定参数，其求解同a、u；

（44）求残差数据列第k+1项的估计值： ${\hat{q}}^{\left(0\right)}(k+1)={\hat{q}}^{\left(1\right)}(k+1)-{\hat{q}}^{\left(1\right)}\left(k\right);$

（45）将残差估计值

加到生成数据列的对应项上，即得到修正后的模型，修正后生成数据列的第k+1项的估计值为：

${\hat{x}}^{\left(1\right)}(k+1)=[x^{\left(1\right)}\left(1\right)-\frac{u}{a}]e^{-a,k}+\frac{u}{a}+{\hat{q}}^{\left(0\right)}(k+1).$

作为优选，所述数据采集终端包括具有物联网和无线传输模块的传感器模块和无线传输设备，所述具有物联网和无线传输模块的传感器模块包括压力传感器、气体浓度传感器、温度传感器、湿度传感器或液位传感器等传感器中的一种或多种。

作为优选，所述预警信息为统计图表，统计图表包括：安全生产预警指数图和趋势分析图。

本发明的有益效果在于：1、本发明通过帮助对可能导致安全生产事故的非定量因素，采用定性分析和数学建模定量计算的策略，帮助企业制定“安全生产预警指标体系”，可以依据不同企业的特点设定安全筏值、注意筏值、报警筏值以及危险筏值；2、通过对企业日常录入的隐患排查结果以及从仪器仪表实时监测检测数据的数据进行智能分析，并将可能产生的后果予以量化，形成安全生产预警指数；系统定时（按月、周、日、时等进行统计）从企业获取安全生产预警指数，输出成直观的统计图表，形成动态的反映企业安全生产现状的安全生产预警指数图和趋势分析图；3、系统以国家安全生产标准化为规范基础，以当今先进的定量分析及统计技术为手段，充分整合各方面的专家智力资源，对现场检查的第一手数据进行深入挖掘分析，将风险管理贯穿于整个系统功能之中，是一个融合安全管理理论、风险管理技术等多种技术理论的综合安全预警系统。

附图说明

图1是本发明系统的结构示意图；

图2是本发明系统软件的结构示意图；

图3是本发明具体实施例中的安全生产预警指数走势图；

图4是本发明具体实施例中的安全生产预警指数灰色预测模型演练图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例1：如图1所示，一种面向生产企业的安全隐患风险定量评估及预警系统，包括：数据采集终端、云端数据库、预警信息管理系统、数据处理分析模块；所述预警信息管理系统包括基于隐患风险定量的预警预测模型；所述数据处理分析模块包括：基于灰色预测算法调整的安全形势预测建模模型、数据筛选子系统、数据定量化子系统、指标生成子系统和指标图形展示子系统模块；所示数据采集终端与云端数据库连接，云端数据库与数据处理分析模块连接，预警信息管理系统与数据处理分析模块连接；所述数据采集终端采集人工或非人工录入数据，采集到的数据上传至云端数据库保存，预警信息管理系统以基于隐患风险定量的预警预测模型制定安全生产预警指标体系，数据处理分析模块结合预警信息管理系统的安全生产预警指标体系建立基于隐患风险定量的预警预测模型并输出预警信息。

数据采集终端包括具有物联网和无线传输模块的传感器模块和无线传输设备，所述具有物联网和无线传输模块的传感器模块包括压力传感器、气体浓度传感器、温度传感器、湿度传感器或液位传感器等传感器中的一种或多种。数据采集终端采集机器设备的数据参数、检测的仪器仪表数据、人工输入的隐患排查数据、隐患排查治理系统导入的数据，可以根据不同企业的特点输入不同的采集数据，并根据不同企业的特点设定安全阀值、注意阀值、报警阀值以及危险阀值。

如图2所示，数据处理分析模块具有：数据抽取、数据去重、数据筛选、自然语处理、智能聚类分类、关键词提取、编码识别、预警分析建模、量化综合统计、数据对比、预警提示、预警指标管理等功能。预警信息管理系统具有：企业基本信息管理、危险源管理、日常巡检管理、隐患记录管理、设备参数记录、数据统计分析、安全趋势分析、安全预警提示、预警月报告输出、系统管理等功能。

本系统包含一种基于隐患风险定量的预警预测模型、基于灰色预测算法调整的安全形势预测建模方法；另外系统可以对隐患信息、安全教育培训信息、应急救援演练信息和安全事故信息进行管理，可以对指标体系、预警筏值进行预设和修改，系统能定期自动生成企业安全形势分析报告。

基于隐患风险定量的预警预测模：该模型以隐患风险定量为基础，同时通过安全教育培训、应急救援和事故信息的定量化修正，最终得到综合预警指数。

（一）统计值的计算

1、可能造成伤害等级

表1伤害等级对应分值表

伤害等级	对应的分值
		a-死亡	0.5
b-重伤	0.3
		c-轻伤	0.1

周或月伤害统计值=A项数*0.5+B项数*0.3+C项数*0.1

2、报告数量修正

为了消除一定时间内隐患排查报告数的不同对安全生产预警图的影响，规定按每周（月）适合本企业的平均数来修正，即对安全检查报告份数进行修正。修正公式：

报告数量修正后的指数=周（月）伤害统计值/周（月）实际报告数量×周（月）平均报告数量

（二）修正计算

1、事故修正

1)事故的发生对安全生产预警指数有一个正的修正，不同级别事故的修正值如下：

表2不同级别事故的修正值表

事故级别	修正值（每起）
		死亡事故	一次修正后指数*100%
重伤事故	一次修正后指数*80%
		轻伤事故	一次修正后指数*50%
财产损失事故	一次修正后指数*30%

2)每次事故的修正值按如下比例分别加在事故发生的当周与其后三周

表3事故不同周的修正值表

事故周	修正值
		事故当周	100%
事故后第一周	80%
		事故后第二周	50%
事故后第三周	20%

2、隐患整改率修正

隐患整改率对安全生产预警指数有一个负的修正，不同数值的隐患整改率修正值如下：

表4隐患整改率修正值表

隐患整改率	修正值（每次）
		大于等于90%	一次修正后指数*30%
小于90%大于等于60%	一次修正后指数*20%
		小于60%大于等于30%	一次修正后指数*10%
小于30%	一次修正后指数*5%

3、培训及演练修正

1)培训和演练对安全生产预警指数有一个负的修正，不同级别的培训、演练修正值如下：

表5培训及演练级别修正值表

培训、演练级别	修正值（每次）
		厂级	一次修正后指数*10%
车间级	一次修正后指数*8%
		班组级	一次修正后指数*5%

2)每次培训、演练的修正值按如下比例分别加在培训、演练进行的当周与其后三周：

表6培训及演练周修正值表

培训、演练周	修正值
		培训、演练当周	100%
培训、演练后第一周	80%
		培训、演练后第二周	50%

培训、演练后第三周

20%

（三）最终指数计算

最终安全生产预警指数=一次修正后的指数+事故修正值-隐患整改率修正值-培训、演练修正值

基于上述值，某公司于5月16日所在周的隐患和危险源情况如下表7所示：

表7某公司于5月16日所在周的隐患和危险源情况汇总表

（一）统计值计算

周或月伤害统计值=A项数*0.5+B项数*0.3+C项数*0.1

=2*0.5+4*0.3+4*0.1=2.6

报告数量修正后的指数=周（月）伤害统计值/周（月）实际报告数量×周（月）平均报告数量

=2.6/15*12=2.08假设平均报告数量为12.

设X=2.08，即一次修正后指数

（二）修正计算

1.事故修正

假设统计周期为5月1日到31日，5月共发生5起事故，死亡2起，重伤1起，轻伤1起，财产损失1起。

事故发生情况：

5月1日发生一起死亡事故；

5月7日发生一起重伤事故；

5月16日发生二起事故，一起死亡，一起轻伤；

5月31日发生一起财产损失事故。

计算5月16日所在周的修正值，其中X为报告数量修正后的指数：

5月16日当周事故修正值：X*100%*100%+X*50%*100%

5月1日事故修正值在本周的影响：X*100%*50%

5月7日事故修正值在本周的影响：X*80%*80%

事故修正值=X*100%*100%+X*50%*100%+X*100%*50%+X*80%*80%

=5.4912

2.隐患整改率修正：隐患总数10条，假设隐患已整改8条；

隐患整改率为8/10=0.8，

隐患整改率修正值=X*20%=0.416；

3.培训及演练修正：

参考事故修正值计算方法，假设此值为Y；

（三）最终指数计算：

最终安全生产预警指数=一次修正后的指数+事故修正值-隐患排查率修正值-培训及演练修正值=X+5.4912-0.416-Y

基于灰色预测算法调整的安全形势预测建模包括以下步骤：

1.数据生成。采用累加生成方式进行数据处理。就是对同一数据列中各项数据依次累加得到新的数据列。累加前的数据列成为原始数据列，累加后生成的数据列成为生成数据列。

设有原始数据列x⁽⁰⁾：

x⁽⁰⁾＝{x⁽⁰⁾(k)|k＝1，2，3，…，n)＝{x⁽⁰⁾(1)，x⁽⁰⁾(2)，x⁽⁰⁾(3)，…，x⁽⁰⁾(n)}

即可得到生成数据列x⁽¹⁾：

$x^{\left(1\right)}=\{x^{\left(1\right)}\left(1\right),x^{\left(1\right)}\left(2\right),x^{\left(1\right)}\left(3\right),...,x^{\left(1\right)}\left(n\right)\}=\{x^{\left(0\right)}\left(1\right),x^{\left(0\right)}\left(1\right)+x^{\left(0\right)}\left(2\right),x^{\left(0\right)}\left(1\right)+x^{\left(0\right)}\left(2\right)+x^{\left(0\right)}\left(3\right),...\underset{i=1}{\overset{^}{\mathrm{\&Sigma;}}}{x}^{\left(0\right)}\left(i\right)\}$

（二）灰色建模：

对于生成数据列x⁽¹⁾建立一阶灰色微分方程，记成GM（1，1）：

上式方程的解为： $x^{\left(1\right)}(k+1)=[x^{\left(1\right)}\left(1\right)-\frac{u}{a}]e^{-\mathrm{ak}}+\frac{u}{a}$

记参数列为

$\hat{a}=\left[\begin{array}{c}a\\ u\end{array}\right]$

利用最小二乘法求解

$\hat{a}={\left(B^{T}B\right)}^{-1}{B}^T{y}_N$

式中 $B=\left(\begin{array}{cc}-\frac{1}{2}[x^{\left(1\right)}\left(1\right)+x^{\left(1\right)}\left(2\right)]& 1\\ ...& 1\\ -\frac{1}{2}[x^{\left(1\right)}(n-1)+x^{\left(1\right)}\left(n\right)]& 1\end{array}\right),y_N=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ ...\\ x^{\left(0\right)}\left(n\right)\end{array}\right]$

则 ${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),$ ${\hat{x}}^{\left(1\right)}\left(0\right)=0.$

3.后验差检验

通常通过后验差比值C和小误差频率P进行后验差检验，根据表综合评价灰色模型精度。

原始数据列的平均值和方差分别为：

表8后验差检验精度等级表

精度等级	小误差频率P	后验差比值C
			好	≥0.95	≤0.35
合格	≥0.8	≤0.5
			勉强	≥0.7	≤0.65
不合格	<0.7	>0.65

$\stackrel{\&OverBar;}{x}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}^{\left(0\right)}\left(k\right)$ $S_1^2=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{[x^{\left(0\right)}\left(k\right)-\stackrel{\&OverBar;}{x}]}^2$

则整个数据列所有数据列的残差的平均值

和方差分别为：

$\stackrel{\&OverBar;}{q}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}q\left(k\right)$ $S_2^2=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{[q\left(k\right)-\stackrel{\&OverBar;}{q}]}^2$

后验差比值C定义为：

$C=\sqrt{\frac{S_2^2}{S_1^2}}$

C越小越好，C小意味着S₂小而S₁大，即尽管原始数据很离散，但按灰色模型计算的估计值与实际值很接近。

小误差频率P定义为残差与残差平均值之差小于给定值0.6745S₁的频率：

$P=P\left\{\right|q\left(k\right)-\stackrel{\&OverBar;}{q}|<0.6745S_1\},\stackrel{\&OverBar;}{q}=\frac{1}{n}\underset{k-1}{\overset{n}{\mathrm{\&Sigma;}}}q\left(k\right)$

4.残差修正

如果经过后验差检验，所建灰色模型不合格，可以建立残差模型对原模型进行修正，其步骤为:

(1)对累加生成的数据列的各项计算残差：

$q^{\left(0\right)}\left(k\right)=x^{\left(1\right)}\left(k\right)-{\hat{x}}^{\left(1\right)}\left(k\right)$

组成残差数据列q⁽⁰⁾：

q⁽⁰⁾＝{q⁽⁰⁾(1)，q⁽⁰⁾(2)，q⁽⁰⁾(3)，…，q⁽⁰⁾(n)}；

(2)将q⁽⁰⁾累加得到残差累加生成数据列q⁽¹⁾；

（3）建立一阶灰色微分方程：

其解为： ${\hat{q}}^{\left(1\right)}(k+1)=(q^{\left(1\right)}\left(1\right)-\frac{u_1}{a_1})e^{-a,k}+\frac{u_1}{a_1},$ 式中，a₁、u₁为待定参数，其求解同a、u；

（4）求残差数据列第k+1项的估计值： ${\hat{q}}^{\left(0\right)}(k+1)={\hat{q}}^{\left(1\right)}(k+1)-{\hat{q}}^{\left(1\right)}\left(k\right)$

（5）将残差估计值

加到生成数据列的对应项上，即得到修正后的模型，修正后生成数据列的第k+1项的估计值为：

${\hat{x}}^{\left(1\right)}(k+1)=[x^{\left(1\right)}\left(1\right)-\frac{u}{a}]e^{-a,k}+\frac{u}{a}+{\hat{q}}^{\left(0\right)}(k+1).$

以某化工企业安全预警指数为例：

表9某化工安全预警指数数据表

其趋势图的数学模型步骤为：

x⁽⁰⁾＝{5.33，6.72，15.34，15.09，9.74，7.6，5.2，6.92，5.78，4.9}

x⁽¹⁾＝{5.33，12.05，27.39，42.48，52.22，59.82，65.02，71.94，77.72，82.62}

$B=\left[\begin{array}{cc}-8.69& 1\\ -19.72& 1\\ -34.935& 1\\ -47.35& 1\\ -56.02& 1\\ -62.42& 1\\ -68.48& 1\\ -74.83& 1\\ -80.17& 1\end{array}\right]y_N=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ x^{\left(0\right)}\left(4\right)\\ x^{\left(0\right)}\left(5\right)\\ x^{\left(0\right)}\left(6\right)\\ x^{\left(0\right)}\left(7\right)\\ x^{\left(0\right)}\left(8\right)\\ x^{\left(0\right)}\left(9\right)\\ x^{\left(0\right)}\left(10\right)\end{array}\right]=\left[\begin{array}{c}6.72\\ 15.34\\ 15.09\\ 9.74\\ 7.6\\ 5.2\\ 6.92\\ 5.78\\ 4.9\end{array}\right]$

得到 ${\hat{x}}^{\left(1\right)}(k+1)=136.768-131.438e^{-0.0993k}.$

利用软件所做出的图形如图2所示。可以看出，用前10周的数据进行灰色预测，基本上符合原始数据。

但利用数学模型进行预测时发现，预测值小于实际数值，可以进行残差计算进行修正或分析其预测值偏小的原因。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (5)

1.一种面向生产企业的安全隐患风险定量评估及预警系统，其特征在于包括：数据采集终端、云端数据库、预警信息管理系统、数据处理分析模块；所述预警信息管理系统包括基于隐患风险定量的预警预测模型；所述数据处理分析模块包括：基于灰色预测算法调整的安全形势预测建模模型、数据筛选子系统、数据定量化子系统、指标生成子系统和指标图形展示子系统模块；所示数据采集终端与云端数据库连接，云端数据库与数据处理分析模块连接，预警信息管理系统与数据处理分析模块连接；所述数据采集终端采集人工或非人工录入数据，采集到的数据上传至云端数据库保存，预警信息管理系统以基于隐患风险定量的预警预测模型制定安全生产预警指标体系，数据处理分析模块结合预警信息管理系统的安全生产预警指标体系建立基于隐患风险定量的预警预测模型并输出预警信息。

2.根据权利要求1所述的一种面向生产企业的安全隐患风险定量评估及预警系统，其特征在于，所述基于隐患风险定量的预警预测模型是这样建立的：

（一）、统计值的计算及数量修正：

（1）设a为死亡项数、b为重伤项数、c为轻伤项数、m为周或月伤害统计值,则m=a*0.5+b*0.3+c*0.1；

（2）设d为周或月实际报告数量、e为周或月平均报告数量、n为报告修正后的指数，则n=m*e/d；

（二）、修正计算：

设f为事故级别率、g为事故修正值、h为隐患整改率修正值、i为培训及演练修正值、k为最终安全生产预警指数，则k=∑（f*n）+g-h-i。

3.根据权利要求1所述的一种面向生产企业的安全隐患风险定量评估及预警系统，其特征在于，所述基于灰色预测算法调整的安全形势预测建模模型是这样建立的：

（1）采用累加生成方式生产数据列：

设有原始数据列x⁽⁰⁾：

x⁽⁰⁾＝{x⁽⁰⁾(k)|k＝1，2，3…，n}＝x⁽⁰⁾(1)，x⁽⁰⁾(2)，x⁽⁰⁾(3)，…，x⁽⁰⁾(n)}

即可得到生成数据列x⁽¹⁾：

$x^{\left(1\right)}=\{x^{\left(1\right)}\left(1\right),x^{\left(1\right)}\left(2\right),x^{\left(1\right)}\left(3\right),...,x^{\left(1\right)}\left(n\right)\}=\{x^{\left(0\right)}\left(1\right),x^{\left(0\right)}\left(1\right)+x^{\left(0\right)}\left(2\right),x^{\left(0\right)}\left(1\right)+x^{\left(0\right)}\left(2\right)+x^{\left(0\right)}\left(3\right),...\underset{i=1}{\overset{^}{\mathrm{\&Sigma;}}}{x}^{\left(0\right)}\left(i\right)\};$ （2）灰色建模：

对于生成数据列x⁽¹⁾建立一阶灰色微分方程，记成GM（1，1）：

上式方程的解为： $x^{\left(1\right)}(k+1)=[x^{\left(1\right)}\left(1\right)-\frac{u}{a}]e^{-\mathrm{ak}}+\frac{u}{a},$

记参数列为

$\hat{a}=\left[\begin{array}{c}a\\ u\end{array}\right],$

利用最小二乘法求解

$\hat{a}={\left(B^{T}B\right)}^{-1}{B}^T{y}_N,$

式中 $B=\left(\begin{array}{cc}-\frac{1}{2}[x^{\left(1\right)}\left(1\right)+x^{\left(1\right)}\left(2\right)]& 1\\ ...& 1\\ -\frac{1}{2}[x^{\left(1\right)}(n-1)+x^{\left(1\right)}\left(n\right)]& 1\end{array}\right),y_N=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ ...\\ x^{\left(0\right)}\left(n\right)\end{array}\right],$

则 ${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),$ ${\hat{x}}^{\left(1\right)}\left(0\right)=0;$

（3）后验差检查：

后验差比值C定义为：

$C=\sqrt{\frac{S_2^2}{S_1^2}},S_1^2=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{[x^{\left(0\right)}\left(k\right)-\stackrel{\&OverBar;}{x}]}^2,S_2^2=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{[q\left(k\right)-\stackrel{\&OverBar;}{q}]}^2,$

C越小越好，C小意味着S₂小而S₁大，即尽管原始数据很离散，但按灰色模型计算的估计值与实际值很接近；

小误差频率P定义为残差与残差平均值之差小于给定值0.6745S₁的频率：

$P=P\left\{\right|q\left(k\right)-\stackrel{\&OverBar;}{q}|<0.6745S_1\},\stackrel{\&OverBar;}{q}=\frac{1}{n}\underset{k-1}{\overset{n}{\mathrm{\&Sigma;}}}q\left(k\right);$

（4）残差修正：

如果经过后验差检验，所建灰色模型不合格，可以建立残差模型对原模型进行修正，其步骤为:

(41)对累加生成的数据列的各项计算残差：组成残差数据列q⁽⁰⁾：

q⁽⁰⁾={q⁽⁰⁾(1)，q⁽⁰⁾(2)，q⁽⁰⁾(3)，…，q⁽⁰⁾(n)}；

(42)将q⁽⁰⁾累加得到残差累加生成数据列q⁽¹⁾；

（43）建立一阶灰色微分方程：

其解为： ${\hat{q}}^{\left(1\right)}(k+1)=(q^{\left(1\right)}\left(1\right)-\frac{u_1}{a_1})e^{-a,k}+\frac{u_1}{a_1},$ 式中，a₁、u₁为待定参数，其求解同a、u；

（44）求残差数据列第k+1项的估计值： ${\hat{q}}^{\left(0\right)}(k+1)={\hat{q}}^{\left(1\right)}(k+1)-{\hat{q}}^{\left(1\right)}\left(k\right);$

（45）将残差估计值

加到生成数据列的对应项上，即得到修正后的模型，修正后生成数据列的第k+1项的估计值为：

${\hat{x}}^{\left(1\right)}(k+1)=[x^{\left(1\right)}\left(1\right)-\frac{u}{a}]e^{-a,k}+\frac{u}{a}+{\hat{q}}^{\left(0\right)}(k+1).$

4.根据权利要求1所述的一种面向生产企业的安全隐患风险定量评估及预警系统，其特征在于，所述数据采集终端包括具有物联网和无线传输模块的传感器模块和无线传输设备，所述具有物联网和无线传输模块的传感器模块包括压力传感器、气体浓度传感器、温度传感器、湿度传感器或液位传感器等传感器中的一种或多种。

5.根据权利要求1所述的一种面向生产企业的安全隐患风险定量评估及预警系统，其特征在于，所述预警信息为统计图表，统计图表包括：安全生产预警指数图和趋势分析图。

Images