CN108596364B - 一种化工园区重大危险源动态预警方法 - Google Patents
一种化工园区重大危险源动态预警方法 Download PDFInfo
- Publication number
- CN108596364B CN108596364B CN201810270811.1A CN201810270811A CN108596364B CN 108596364 B CN108596364 B CN 108596364B CN 201810270811 A CN201810270811 A CN 201810270811A CN 108596364 B CN108596364 B CN 108596364B
- Authority
- CN
- China
- Prior art keywords
- variables
- matrix
- correlation
- dynamic
- chemical industry
- 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
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Abstract
本发明涉及一种化工园区重大危险源动态预警方法。本发明采用平行坐标方法对重大危险源中关键环节参数的相关变量进行相关性分析,将筛选出的强相关性变量作为输入变量,在预测之前再利用主成分分析方法,对强相关性变量进行降维。利用递归神经网络动态预测关键生产环节变量。之后利用各关键参数的动态预测结果做危险等级评估。本发明是针对化工园区危险源动态预警中的一些难题提出的一种动态预测预警的方法,该方法具有开放性、鲁棒性、并行性、灵活性、以及对问题的数学形式无特殊要求等特点。
Description
技术领域
本发明属于信息与控制技术领域,涉及到自动化技术,特别是涉及一种化工园区动态预警方法。
背景技术
近年来,随着人们对化工产品需求的提高,化工生产过程正朝着大型化、综合化和复杂化的方向发展,大规模的化工园区成为了我国一种新型的化工生产模式。化工生产过程有着复杂度高、关联性强、生产流程长、设备众多等工艺特点,是一个多变量、系统强耦合、时变、大滞后的过程系统。由于设备发生故障、生产装置老化、人员操作错误、原料特性以及外部环境变化等,工业过程变量会偏离目标值,引发一系列故障。如果不能及时处理,将给工厂生产带来不可避免的经济损失,甚至引起重大安全事故。因此,如果能对故障进行提前的预测预警,便可以防患于未然,在事故发生前部署人员和物资,将事故发生的概率降到最低。
化工生产过程是一个由大量相互关联的变量组成的多变量过程。当一个变量受到干扰而发生变化时,其他的关联变量也会出现一定程度的变化。因而当工业过程某一个设备出现故障或某一个参数由于扰动而发生波动时,就会由于变量间的相关联性使得其他变量出现一系列的变化,所以需要考虑一种可以分析变量相关性的模型。
在化工园区动态预警系统中,预测快速性、预测精度、预测稳定性决定了动态预警系统的性能。目前,化工园区内重大危险源的实时监控,对实时救援与动态救援物资配置有着重要作用。化工园区内重大危险源的实时预测,对提前部署救援物资、安排安全人员排除险情有着重要意义。
目前,化工园区动态预警普遍存在的问题是:1.预测速度较慢,传统方法通常没有考虑化工关键参数之间的相关性,在进行数据分析时,将生产系统内所有变量一并进行统计分析,这势必会增加计算的复杂度。本方法采用平行坐标方法对重大危险源中关键环节参数的相关变量进行相关性分析,将筛选出的强相关性变量作为输入变量,在预测之前再利用主成分分析方法,对强相关性变量做进一步降维处理,这样的方法在保证预测精度的情况下大大简化了后期预测的复杂度,提高了后期算法的预测速度。2.传统的预测方法多采用支持向量机、BP神经网络、概率模型作为预测方法,这些方法只能进行静态的预测,对于工业过程动态预警并不适用,因为将动态时间建模问题转变为静态空间建模问题,势必会导致预测精度的下降。本方法的预测模型采用Elman神经网络,该网络内部具有反馈环节,能够记忆上一时刻输入系统化工生产过程相关性变量的状态信息,能够表达输入与输出之间在时间的延迟,使系统具有适应时变特性的能力3.传统的预测方法通常只考虑了对关键参数的预测,没有将关键参数的预测与重大危险源的动态预警联系起来。本方法将动态预警做了危险等级评估,将评价指标分为了两个层次。第一层是对重大危险源的生产过程中关键生产环节赋予评分,该评分是依据关键生产环节危险程度确定的评估系数。第二层是对每个关键环节参数按照权重进行分配,最终确定危险源的风险等级,因关键生产环节相关参数可以实现动态预测,所以确定的危险源风险等级可以作为动态预警的结果。
发明内容
本发明针对现有技术的不足,提出了一种化工园区重大危险源动态预警方法。
本发明的技术方案是将危险源动态预警问题转换成危险源中关键环节参数预测问题,然后对预测的各个关键参数进行危险等级评估,在筛选强相关性变量时结合了平行坐标方法和主成分分析,之后将降维处理过多强相关性变量输入Elman神经网络进行预测运算,从而简化了神经网络的计算复杂度,确保预测的时效性。之后对危险源进行了动态危险等级评估。最终确立了一种化工园区重大危险源动态预警方法。
一种化工园区重大危险源动态预警方法,该方法的步骤包括:
步骤1:获取化工园区内各个重大危险源生产环节的信息,包括危险源生产的流程、关键参数、各关键参数在重大危险源中的危险权重和模糊综合评价指标、关键参数的历史数据信息、关键参数的当前动态数据,这些信息通过化工园区安全管理部门和园区工厂生产部门获得;
步骤2:通过步骤1所获得的信息进行平行坐标分析预测变量相关性,并经过主成分分析进行降维优化;
(1)平行坐标分析
利用平行坐标将需要预测关键参数的相关变量组成一个高维数据集合,将该数据集中各个变量用等距离且相互平行的坐标轴表示,每一条轴线代表一个属性维,变量值对应轴上相应位置,这样,每一个关键参数的相关变量都根据其属性值用一条折线段在n条平行轴上表示出来;
(2)主成分分析优化
找出影响高维数据集合某一要素的几个综合指标(维),使综合指标为原来变量的线性拟合;
(3)平行坐标分析与主成分分析进行降维优化:
①平行坐标绘制;将化工园区危险源系统中关键参数的所有相关变量组合为如下的得分矩阵:
在具有笛卡尔坐标系的平面上,得分矩阵S中的每一行Si=[Si1 Si2 … Sik]对应于平行坐标系中由k-1条线段连成的一条折线;这些数据从笛卡尔坐标系映射到平行坐标系中需要进行坐标的转换,因为每一条坐标轴都是等长的,所以将得分矩阵进行0-1均匀化处理;处理后的数据s′i,j与原始数据si,j的关系为其中,Si,max和Si,min分别表示第i个相关性变量的最大值和最小值;
②分析平行坐标,筛选出关键参数的所有相关变量中的强相关性变量;根据步骤①绘制的平行坐标;平行坐标由平行的坐标轴和多段线组成;平行的坐标轴表示重大危险源中各个关键参数的相关性变量,多段线是由这些相关性变量的参数值组成;如果两个变量之间的线是交叉的呈现X型,那么两个变量之间是负相关;如果两个变量之间的线是相互平行的,那么相互之间的关系是正相关;变量之间的线是随机交叉的,那么两者之间没有特别的关系;其中呈现负相关和正相关即为关键参数的所有相关变量中的强相关性变量;
③利用平行坐标方法筛选出的强相关性变量组成数据矩阵X:
④在主成分分析算法中将强相关性变量组成数据矩阵X各变量进行标准化预处理,得到标准化数据矩阵Z:xm的总体均值为xm的总体方差为计算相关矩阵,其中,ZT为标准化数据矩阵Z的转置,n表示矩阵Z的行,m表示矩阵Z的列,计算得到的相关矩阵C由d个主成分组成;
⑤利用雅可比法求相关矩阵C的特征向量wi,i=1,2,…,m和特征值矩阵Λ=diag(λ1,λ2,…,λm),其中λ为特征值,diag表示对角阵;;
⑥将各特征值按从大到小的顺序排序,并对应地调整特征向量列的顺序,使具有最大方差的为第1个主成分,具有次大方差的为第2个主成分,最小的方差的为第d个主成分;
⑦选取方差最大的k个主成分,使k个主成分包含原始数据的大部分信息,选取的k个主成分的累积方差贡献大于总方差的85%,即
⑧由选择的k个主成分的特征向量wi,i=1,2,…,k,得到k个独立的线性组合新变量:
ξ1,ξ2,…,ξk是经过降维处理后重新构造出的k个特征,它们代表所有强相关性变量的主成分,强相关性变量的k个主成分组成的矩阵T为:
步骤3利用强相关性变量的主成分输入Elman神经网络对关键参数进行预测;具体步骤如下:
①Elman神经网络的数学模型为:
式中:y(t)为输出层的输出,u(t)为输入层的外部输入,输入强相关性变量的k个主成分组成的矩阵T,xc(t)为承接层的输出,x(t)为隐含层的输出,w(1)为承接层与隐含层连接权值,w(2)为输入层与隐含层之间的连接权值,w(3)为隐含层与输出层连接权值,θ(1)为隐含层阀值,θ(2)为输出层阀值,其中f()表示神经网络的激活函数;
采用式(2)所示的Sigmoid函数作为神经网络的激活函数:
②Elman神经网络输入层的输入、输出分别为
③α=[1,2,…E1];隐含层的输入、输出分别为:
④β=[1,2,…E2];承接层的输入、输出分别为:
⑤γ=[1,2,…E2];输出层的输入、输出分别是:
μ=[1,2,…E3],其中E1,E2,E3分别是输入层、隐含层和输出层的层数,承接层的层数与隐含层相同;最终得到的y(t)为关键参数的预测值;
步骤4:利用动态评估方法对化工园区重大危险源进行动态等级评估,具体步骤如下:
将危险源动态评价指标分为两个层次,第二层次为关键参数的二级模糊评价,设定为二级模糊综合评价指标;第一层次为化工园区内重大危险源的危险等级,设定为一级模糊综合评价指标;
(1)构建二级模糊综合评价
二级模糊综合评价定义一个关键参数的评判矩阵Rσ=[R1,R2,…,Rσ],关键参数的预测值超过正常阈值的百分比 其中G是关键参数的正常范围最大值,将Rσ与Cσ对应元素进行乘法运算;得到二级模糊综合评价指标矩阵:
Aσ=Cσ·Rσ (12)
(2)构建一级模糊综合评价
根据各关键参数在重大危险源的危险程度,确定一级模糊综合评价的权重:Dσ=[D1,D2,…,Dσ];将由(1)得到的二级模糊综合评价矩阵Aσ=[A1,A2,…,Aσ]与一级模糊综合评价的权重进行点乘运算,得到化工园区内重大危险源的危险等级指标为:
Bp=Aσ·Dσ (13)
p为化工园区危险源的总数;
(3)最后,用评估结果来判断化工园区危险源的动态等级;动态评估等级的确定采用分值法,等级的分值范围见表1;Q为危险源动态指标Bp的值;
表1动态风险等级
本发明的有益效果:本发明针对化工园区动态预警中的一些难题,将重大危险源动态预警策略划分为强相关性分析、危险源关键环节参数预测以及危险源等级动态预警三个部分,提出一种具有较强全局优化能力的配置优化方法,该优化方法具有开放性、鲁棒性、并行性、全局收敛性、灵活性以及对问题的数学形式无特殊要求等特点。
附图说明
图1为Elman神经网络结构图;
图2为化工园区危险源动态评价层次图。
具体实施方式
本发明一种化工园区重大危险源动态预警方法,其特征在于,该方法的步骤包括:
步骤1:获取化工园区内各个重大危险源生产环节的信息,包括危险源生产的流程、关键参数、各关键参数在重大危险源中的危险权重和模糊综合评价指标、关键参数的历史数据信息、关键参数的当前动态数据,这些信息通过化工园区安全管理部门和园区工厂生产部门获得;
步骤2:通过步骤1所获得的信息进行平行坐标分析预测变量相关性,并经过主成分分析进行降维优化:
(1)平行坐标分析
利用平行坐标将需要预测关键参数的相关变量组成一个高维数据集合,将该数据集中各个变量用等距离且相互平行的坐标轴表示,每一条轴线代表一个属性维,变量值对应轴上相应位置,这样,每一个关键参数的相关变量都根据其属性值用一条折线段在n条平行轴上表示出来。该方法实质是将n维欧式空间的一个点,Xi(xi,1,xi,2,…,xi,n)映射成二维平面上的一条折线。其射影几何解释和对偶特性使得该方法可以对化工关键变量进行可视化相关性分析。可以利用较少的数据便可有效地反映出各变量之间的关系。
利用平行坐标虽然可以筛选出强相关性变量,减少预设网络的输入变量,但有些化工生产环节由成百上千的关键环节组成,即使经过了强相关性分析,预测网络的结构依然复杂。这时需要结合主成分分析(PCA)和平行坐标的数据可视化方法PPCP。利用PCA方法对强相关性变量组成的高维数据进行有效的降维处理。
(2)主成分分析优化
在化工生产中,各生产环节的关键参数集中,每个数据维度都不同程度地反映了该数据集的某些信息,并且这些数据维彼此之间存在一定的相关性,因此,该工业数据集在一定程度上有重叠。为了解决高维数据分析过程中维数过多造成的计算量增加问题。本方法考虑化工生产过程参数高维数据集内部结构的相关性,找出影响高维数据集合某一要素的几个综合指标(维),使综合指标为原来变量的线性拟合,可以使综合指标(维)不仅保留原始数据维的主要信息,且彼此间不相关,从而大大减少计算量,同时最大限度地保留原有数据的信息。
(3)平行坐标分析与主成分分析进行降维优化:
③平行坐标绘制。将化工园区危险源系统中关键参数的所有相关变量组合为如下的得分矩阵:
在具有笛卡尔坐标系的平面上,得分矩阵S中的每一行Si=[Si1 Si2 … Sik]对应于平行坐标系中由k-1条线段连成的一条折线。这些数据从笛卡尔坐标系映射到平行坐标系中需要进行坐标的转换,因为每一条坐标轴都是等长的,所以将得分矩阵进行0-1均匀化处理。处理后的数据s′i,j与原始数据si,j的关系为其中,Si,max和Si,min分别表示第i个相关性变量的最大值和最小值。
④分析平行坐标,筛选出关键参数的所有相关变量中的强相关性变量。根据步骤①绘制的平行坐标;平行坐标由平行的坐标轴和多段线组成。平行的坐标轴表示重大危险源中各个关键参数的相关性变量,多段线是由这些相关性变量的参数值组成。如果两个变量之间的线是交叉的呈现X型,那么两个变量之间是负相关。如果两个变量之间的线是相互平行的,那么相互之间的关系是正相关。变量之间的线是随机交叉的,那么两者之间没有特别的关系。
③利用平行坐标方法筛选出的强相关性变量组成数据矩阵X:
④在主成分分析算法中将强相关性变量组成数据矩阵X各变量进行标准化预处理,得到标准化数据矩阵Z:xm的总体均值为xm的总体方差为计算相关矩阵,其中,ZT为标准化数据矩阵Z的转置,n表示矩阵Z的行,m表示矩阵Z的列,计算得到的相关矩阵C由d个主成分组成;
⑤利用雅可比法求相关矩阵C的特征向量wi,i=1,2,…,m和特征值矩阵Λ=diag(λ1,λ2,…,λm),其中λ为特征值,diag表示对角阵;。
⑥将各特征值按从大到小的顺序排序,并对应地调整特征向量列的顺序,使具有最大方差的为第1个主成分,具有次大方差的为第2个主成分,最小的方差的为第d个主成分;
⑦选取方差最大的k个主成分,使k个主成分包含原始数据的大部分信息,选取的k个主成分的累积方差贡献大于总方差的85%,即
⑧由选择的k个主成分的特征向量wi,i=1,2,…,k,得到k个独立的线性组合新变量:
ξ1,ξ2,…,ξk是经过降维处理后重新构造出的k个特征,它们代表所有强相关性变量的主成分,强相关性变量的k个主成分组成的矩阵T为:
步骤3利用强相关性变量的主成分输入Elman神经网络对关键参数进行预测。具体步骤如下:
⑥Elman神经网络的数学模型为:
式中:y(t)为输出层的输出,u(t)为输入层的外部输入,输入强相关性变量的k个主成分组成的矩阵T,xc(t)为承接层的输出,x(t)为隐含层的输出,w(1)为承接层与隐含层连接权值,w(2)为输入层与隐含层之间的连接权值,w(3)为隐含层与输出层连接权值,θ(1)为隐含层阀值,θ(2)为输出层阀值,其中f()表示神经网络的激活函数,网络结构见图1;采用式(2)所示的Sigmoid函数作为神经网络的激活函数:
⑦Elman神经网络输入层的输入、输出分别为
⑧α=[1,2,…E1];隐含层的输入、输出分别为:
⑨β=[1,2,…E2]。承接层的输入、输出分别为:
⑩γ=[1,2,…E2]。输出层的输入、输出分别是:
μ=[1,2,…E3],其中E1,E2,E3分别是输入层、隐含层和输出层的层数,承接层的层数与隐含层相同。最终得到的y(t)为关键参数的预测值。
步骤4:利用动态评估方法对化工园区重大危险源进行动态等级评估,具体步骤如下:
将危险源动态评价指标分为两个层次,第二层次为关键参数的二级模糊评价,设定为二级模糊综合评价指标。第一层次为化工园区内重大危险源的危险等级,设定为一级模糊综合评价指标,具体见图2;
(1)构建二级模糊综合评价
二级模糊综合评价定义一个关键参数的评判矩阵Rσ=[R1,R2,…,Rσ],关键参数的预测值超过正常阈值的百分比 其中G是关键参数的正常范围最大值,将Rσ与Cσ对应元素进行乘法运算。得到二级模糊综合评价指标矩阵:
Aσ=Cσ·Rσ (12)
(2)构建一级模糊综合评价
根据各关键参数在重大危险源的危险程度,确定一级模糊综合评价的权重:Dσ=[D1,D2,…,Dσ];将由(1)得到的二级模糊综合评价矩阵Aσ=[A1,A2,…,Aσ]与一级模糊综合评价的权重进行点乘运算,得到化工园区内重大危险源的危险等级指标为:
Bp=Aσ·Dσ (13)
p为化工园区危险源的总数;
(3)最后,用评估结果来判断化工园区危险源的动态等级。动态评估等级的确定采用分值法,等级的分值范围见表1。Q为危险源动态指标Bp的值。
表1动态风险等级
(6)最终依照危险源动态评估预警的结果,督促安全人员第一时间排除危险源的风险隐患。
Claims (1)
1.一种化工园区重大危险源动态预警方法,其特征在于,该方法的步骤包括:
步骤1:获取化工园区内各个重大危险源生产环节的信息,包括危险源生产的流程、关键参数、各关键参数在重大危险源中的危险权重和模糊综合评价指标、关键参数的历史数据信息、关键参数的当前动态数据,这些信息通过化工园区安全管理部门和园区工厂生产部门获得;
步骤2:通过步骤1所获得的信息进行平行坐标分析预测变量相关性,并经过主成分分析进行降维优化;
(1)平行坐标分析
利用平行坐标将需要预测关键参数的相关变量组成一个高维数据集合,将该数据集合中各个变量用等距离且相互平行的坐标轴表示,每一条轴线代表一个属性维,变量值对应轴上相应位置,这样,每一个关键参数的相关变量都根据其属性值用一条折线段在n条平行轴上表示出来;
(2)主成分分析优化
找出影响高维数据集合某一要素的几个综合指标,使综合指标为原来变量的线性拟合;
(3)平行坐标分析与主成分分析进行降维优化:
①平行坐标绘制;将化工园区危险源系统中关键参数的所有相关变量组合为如下的得分矩阵:
在具有笛卡尔坐标系的平面上,得分矩阵S中的每一行Si=[Si1 Si2 … Sik]对应于平行坐标系中由k-1条线段连成的一条折线;这些数据从笛卡尔坐标系映射到平行坐标系中需要进行坐标的转换,因为每一条坐标轴都是等长的,所以将得分矩阵进行0-1均匀化处理;处理后的数据S′i,j与原始数据Si,j的关系为其中,Si,max和Si,min分别表示第i个相关性变量的最大值和最小值;
②分析平行坐标,筛选出关键参数的所有相关变量中的强相关性变量;根据步骤①绘制的平行坐标;平行坐标由平行的坐标轴和多段线组成;平行的坐标轴表示重大危险源中各个关键参数的相关性变量,多段线是由这些相关性变量的参数值组成;如果两个变量之间的线是交叉的呈现X型,那么两个变量之间是负相关;如果两个变量之间的线是相互平行的,那么相互之间的关系是正相关;变量之间的线是随机交叉的,那么两者之间没有特别的关系;其中呈现负相关和正相关即为关键参数的所有相关变量中的强相关性变量;
③利用平行坐标方法筛选出的强相关性变量组成数据矩阵X:
④在主成分分析算法中将强相关性变量组成数据矩阵X各变量进行标准化预处理,得到标准化数据矩阵Z:其中 计算相关矩阵,其中,ZT为标准化数据矩阵Z的转置,n表示矩阵Z的行,m表示矩阵Z的列,计算得到的相关矩阵C由d个主成分组成;
⑤利用雅可比法求相关矩阵C的特征向量wi,i=1,2,…,m和特征值矩阵Λ=diag(λ1,λ2,…,λm),其中λ为特征值,diag表示对角阵;;
⑥将各特征值按从大到小的顺序排序,并对应地调整特征向量列的顺序,使具有最大方差的为第1个主成分,具有次大方差的为第2个主成分,最小的方差的为第d个主成分;
⑦选取方差最大的k个主成分,使k个主成分包含原始数据的大部分信息,选取的k个主成分的累积方差贡献大于总方差的85%,即
⑧由选择的k个主成分的特征向量wi,i=1,2,…,k,得到k个独立的线性组合新变量:
ξ1,ξ2,…,ξk是经过降维处理后重新构造出的k个线性组合新变量,它们代表所有强相关性变量的主成分,强相关性变量的k个主成分组成的矩阵T为:
步骤3利用强相关性变量的主成分输入Elman神经网络对关键参数进行预测;具体步骤如下:
①Elman神经网络的数学模型为:
式中:y(t)为输出层的输出,u(t)为输入层的外部输入,输入强相关性变量的k个主成分组成的矩阵T,xc(t)为承接层的输出,x(t)为隐含层的输出,w(1)为承接层与隐含层连接权值,w(2)为输入层与隐含层之间的连接权值,w(3)为隐含层与输出层连接权值,θ(1)为隐含层阀值,θ(2)为输出层阀值,其中f()表示神经网络的激活函数;
采用式(2)所示的Sigmoid函数作为神经网络的激活函数:
②Elman神经网络输入层的输入、输出分别为
③α=[1,2,…E1];隐含层的输入、输出分别为:
④β=[1,2,…E2];承接层的输入、输出分别为:
⑤γ=[1,2,…E2];输出层的输入、输出分别是:
μ=[1,2,…E3],其中E1,E2,E3分别是输入层、隐含层和输出层的层数,承接层的层数与隐含层相同;最终得到的y(t)为关键参数的预测值;
步骤4:利用动态评估方法对化工园区重大危险源进行动态等级评估,具体步骤如下:
将危险源动态评价指标分为两个层次,第二层次为关键参数的二级模糊评价,设定为二级模糊综合评价指标;第一层次为化工园区内重大危险源的危险等级,设定为一级模糊综合评价指标;
(1)构建二级模糊综合评价
二级模糊综合评价定义一个关键参数的评判矩阵Rσ=[R1,R2,…,Rσ],关键参数的预测值超过正常阈值的百分比 其中G是关键参数的正常范围最大值,将Rσ与Cσ对应元素进行乘法运算;得到二级模糊综合评价指标矩阵:
Aσ=Cσ·Rσ (12)
(2)构建一级模糊综合评价
根据各关键参数在重大危险源的危险程度,确定一级模糊综合评价的权重:Dσ=[D1,D2,…,Dσ];将二级模糊综合评价矩阵Aσ=[A1,A2,…,Aσ]与一级模糊综合评价的权重进行点乘运算,得到化工园区内重大危险源的危险等级指标为:
Bp=Aσ·Dσ (13)
p为化工园区危险源的总数;
(3)最后,用评估结果来判断化工园区危险源的动态等级;动态评估等级的确定采用分值法,等级的分值范围见表1;Q为危险源动态指标Bp的值;
表1 动态风险等级
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810270811.1A CN108596364B (zh) | 2018-03-29 | 2018-03-29 | 一种化工园区重大危险源动态预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810270811.1A CN108596364B (zh) | 2018-03-29 | 2018-03-29 | 一种化工园区重大危险源动态预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596364A CN108596364A (zh) | 2018-09-28 |
CN108596364B true CN108596364B (zh) | 2021-09-21 |
Family
ID=63623971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810270811.1A Active CN108596364B (zh) | 2018-03-29 | 2018-03-29 | 一种化工园区重大危险源动态预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596364B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261272B (zh) * | 2019-07-05 | 2020-08-18 | 西南交通大学 | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 |
CN112465357A (zh) * | 2020-11-30 | 2021-03-09 | 天津大学 | 基于模糊推理的化工过程运行状态可靠性在线评估方法 |
CN116245345B (zh) * | 2023-05-11 | 2023-08-11 | 山东世纪优服数据服务有限公司 | 一种可视化的智慧园区安全管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903013A (zh) * | 2012-08-06 | 2013-01-30 | 华南理工大学 | 化工园区风险分析及布局优化系统 |
CN103914622A (zh) * | 2014-04-04 | 2014-07-09 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
CN103984310A (zh) * | 2014-05-12 | 2014-08-13 | 华迪计算机集团有限公司 | 基于多源遥感数据的化工园区环境污染检测方法和装置 |
KR20150131801A (ko) * | 2014-05-16 | 2015-11-25 | 한국지질자원연구원 | 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 |
CN205427601U (zh) * | 2016-03-16 | 2016-08-03 | 南京安元科技有限公司 | 安全生产在线监测监控预警系统 |
-
2018
- 2018-03-29 CN CN201810270811.1A patent/CN108596364B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903013A (zh) * | 2012-08-06 | 2013-01-30 | 华南理工大学 | 化工园区风险分析及布局优化系统 |
CN103914622A (zh) * | 2014-04-04 | 2014-07-09 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
CN103984310A (zh) * | 2014-05-12 | 2014-08-13 | 华迪计算机集团有限公司 | 基于多源遥感数据的化工园区环境污染检测方法和装置 |
KR20150131801A (ko) * | 2014-05-16 | 2015-11-25 | 한국지질자원연구원 | 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 |
CN205427601U (zh) * | 2016-03-16 | 2016-08-03 | 南京安元科技有限公司 | 安全生产在线监测监控预警系统 |
Non-Patent Citations (2)
Title |
---|
Daily rainfall forecasting using artificial neural networks for early warning of landslides;S. Renuga Devi et al.;《 2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI)》;20141201;第2218-2224页 * |
重大危险源事故风险预警技术研究;孙金凤 等;《中国安全生产科学技术》;20100430;第6卷(第2期);第44-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108596364A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN111902781B (zh) | 用于控制系统的设备和方法 | |
El-Midany et al. | A proposed framework for control chart pattern recognition in multivariate process using artificial neural networks | |
CN108596364B (zh) | 一种化工园区重大危险源动态预警方法 | |
Perry et al. | Control chart pattern recognition using back propagation artificial neural networks | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
CN111476299A (zh) | 一种改进型卷积神经网络及基于其的电网智能告警系统 | |
CN106682159A (zh) | 一种阈值配置方法 | |
Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
CN113221442B (zh) | 一种电厂设备健康评估模型的构建方法及装置 | |
CN112711912B (zh) | 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质 | |
Tang et al. | Dual attention bidirectional generative adversarial network for dynamic uncertainty process monitoring and diagnosis | |
CN114118982A (zh) | 云计算和边缘计算结合的生产控制系统 | |
Othman et al. | Abnormal patterns detection in control charts using classification techniques | |
CN117270482A (zh) | 基于数字孪生的汽车工厂控制系统 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
Purintrapiban et al. | Neural networks for detecting cyclic behavior in autocorrelated process | |
CN111158338A (zh) | 一种基于主成分分析的化工风险监测方法 | |
CN112418577A (zh) | 一种工业产品生产过程的可视化监控方法及系统 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
Ak et al. | Ensemble neural network model for predicting the energy consumption of a milling machine | |
CN114390376A (zh) | 火灾大数据远程探测与预警系统 |
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 |