CN110148290B - 智能感知矿山安全生产预警与防控监管信息化大数据系统 - Google Patents
智能感知矿山安全生产预警与防控监管信息化大数据系统 Download PDFInfo
- Publication number
- CN110148290B CN110148290B CN201910440275.XA CN201910440275A CN110148290B CN 110148290 B CN110148290 B CN 110148290B CN 201910440275 A CN201910440275 A CN 201910440275A CN 110148290 B CN110148290 B CN 110148290B
- Authority
- CN
- China
- Prior art keywords
- data
- safety
- module
- processor
- early warning
- 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
- 230000002265 prevention Effects 0.000 title claims abstract description 55
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 47
- 238000004891 communication Methods 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000013500 data storage Methods 0.000 claims abstract description 48
- 231100000279 safety data Toxicity 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007726 management method Methods 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000007689 inspection Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000012954 risk control Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims 1
- 239000004576 sand Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Signal Processing (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能感知矿山安全生产预警与防控监管信息化大数据系统，包括：现场端，服务端和应用端。现场端包括：第一通信模块、第一处理器、安全数据存储模块、数据接入模块、传感器、现场检查模块、预警指示模块、预警与防控处理模块。服务端包括第二通信模块、第二处理器、数据存储模块、安全标准管理模块以及智能预测模块；本发明还对利用机器学习算法根据数据存储模块中的现场安全大数据，训练系统预测模型的处理过程做了详细说明。本发明实现了复杂安全监管体系下的智能预测，指导管理人员更好地开展矿山生产安全的预警与防控工作，极大降低了安全监管对于人员及素质的高度依赖，可更好地保障矿山生产安全。
Description
技术领域
本发明属于大数据人工智能领域，具体涉及一种智能感知矿山安全生产预警与防控监管信息化大数据系统。
背景技术
安全生产是矿山一切工作开展的前提和基础，矿山安全也一直是安全生产监管工作的重点关注领域之一。目前，各种矿山监测和数据采集技术飞速发展，使得矿山安全生产的可监测性有了很大提高。然而，安全生产是一项系统工程，设备和现场环境数据的采集和监测仅仅是其中的一小环，其它关乎安全生产的人、机、物、环、管理等数据却很难被有效采集和利用，因此安全预警与防控工作很大程度上还得依赖人力来完成；另一方面，由于人员管理素质的问题，矿山安全生产管理或多或少都会有形式大于实际的弊端。
发明内容
本发明的目的在于提供一种智能感知矿山安全生产预警与防控监管信息化大数据系统，有效获取和利用与安全生产有关的人、机、物、环、管理等全方位的安全生产大数据，并加以智能化的处理和应用，实现矿山安全生产的智能感知、预警和防控。
具体技术方案如下：
一种智能感知矿山安全生产预警与防控监管信息化大数据系统,包括：
现场端，所述现场端用于感知矿山现场的安全和运行数据，进行预警与防控分析，并指示安全状态；
服务端，所述服务端与所述现场端通信连接，用于对数据进行存储和处理，同时对矿山现场大数据进行分析和建立预测模型；所述服务端还用于对安全体系标准进行动态管理；
应用端，所述应用端与所述服务端通信连接，访问所述服务端的数据；还用于采集和录入无法自动采集的矿山安全和运行数据。
优选的，所述现场端包括：
第一通信模块，用于与所述服务端建立通信连接和数据收发；
第一处理器，与第一通信模块通讯连接，用于传输通信数据；
安全数据存储模块，与所述第一处理器通讯连接，用于提供安全数据；
数据接入模块，与所述安全数据存储模块通讯连接，用于从所述安全数据存储模块中提取现场安全数据；
传感器，与所述数据接入模块通讯连接，用于采集可直接采集的各类现场安全数据并提供给所述数据接入模块；所述传感器包括：温度传感器、湿度传感器、压力传感器、矿山微震传感器、矿山机械运行数据监测传感器；
现场检查模块，与所述数据接入模块通讯连接，安装于矿山各类生产现场，用于采集间接采集的各类现场安全数据并提供给所述数据接入模块；
预警指示模块，与所述第一处理器通讯连接，用于指示现场的安全状态；
预警与防控处理模块，与所述第一处理器通讯连接，用于预测未来的安全状态信息，并将安全状态信息发送给所述第一处理器；还用于比对实时现场安全数据，直接判断出当前的安全状态。
优选的，所述服务端包括：
第二通信模块，与所述现场端和所述应用端通讯连接，用于数据收发；
第二处理器，与所述第二通信模块通讯连接，用于处理通信数据；还用于训练机器学习模型；
数据存储模块，与所述第二处理器通讯连接，用于接收所述第二通信模块传来的现场安全数据以及系统运行中的所有数据；
安全标准管理模块，与所述第二处理器通讯连接，用于管理和存储安全标准；
智能预测模块，与所述第二处理器通讯连接，用于根据数据存储模块中存储的现场安全大数据，管理机器学习算法训练出的预测模型，并将预测模型同步到现场端的预警与防控处理模块中。
优选的，所述系统的处理过程包括以下步骤：
现场端中的传感器将自动采集到的矿山的安全生产现场数据以及现场检查模块间接采集安全生产现场数据传送给数据接入模块；数据接入模块将接收到安全生产现场数据传送给安全数据存储模块；所述安全数据存储模块接收到安全生产现场数据存储数据，同时将实时数据传送给第一处理器，所述第一处理器将接收到的实时数据通过第一通信模块发送给服务端，同时传送到预警与防控处理模块，所述预警与防控处理模块利用安全体系标准判断当前安全状态，利用机器学习模型来预测安全状态，最终生成安全状态信息，再将安全状态信息传送给第一处理器；第一处理器接收到预警与防控处理模块传来的安全状态信息，控制预警指示模块指示相应的安全状态，并将安全状态信息存储到安全数据存储模块，同时将安全状态信息通过第一通信模块发送给服务端；
所述服务端中的第二通信模块接收到现场端传来的现场安全数据后，将数据传送至第二处理器，第二处理器将接收到的现场安全数据存储到数据存储模块中，同时第二处理器利用机器学习算法根据数据存储模块中的现场安全大数据，训练出系统预测模型，并将训练好的预测模型存储到智能预测模块中，智能预测模块对不同时期的预测模型进行存储和管理，并将最新的预测模型同步到现场端的预警与防控处理模块中；
服务端中的数据通过应用端进行查看和管理，并且通过应用端对安全标准管理模块中的安全体系标准进行管理，安全标准管理模块中最新安全体系标准通过第二处理器发送到第二通信模块，第二通信模块发送至第一通信模块，经第一处理器处理后存储到预警与防控处理模块中。
优选的，所述第二处理器利用机器学习算法根据数据存储模块中的现场安全大数据，训练出系统预测模型的处理过程如下：
S1第二处理器将数据存储模块中的安全大数据进行清洗和分类；
S2第二处理器对分类处理后的安全大数据进行分级处理；
S3对分类分级处理后的安全大数据进行数学建模并训练基本的预测模型；
S4利用基本预测模型，构建系统预测模型，由第二处理器存储到智能预测模块中并通过第二通信模块和第一通信模块同步到现场端的预警与防控处理模块，用于现场端对实时现场数据进行安全状态的预测和指示。
优选的，所述步骤S1的分类处理过程如下：
S101对数据存储模块中有缺陷的数据进行清洗，去除超限、缺项、乱码的数据记录；
S102按照安全管理五要素“人、机、物、环、管理”对清洗后的安全大数据进行分类，并用要素标签进行标记；
S103结合日常安全管理“两体系”的结果，即隐患排查和风险管控的结果，对按要素标记好的数据进行危险性分类，将安全数据按危险性进一步分类为事故类、隐患类和风险类。
优选的，所述步骤S2的分级处理的过程如下：
S201对事故类数据按严重程度分级；
S202对隐患类数据按后果严重性分级；
S203对风险类数据按风险程度分级。
优选的，所述步骤S3的具体处理过程如下：
S301对经过S2步骤处理得到的安全数据分类分级结果统一进行数学分类；
S302对经过分类分级处理后的安全大数据的数据结构建模；
S303第二处理器利用机器学习算法，根据完成分类分级的安全大数据训练出基本预测模型。
有益效果：
1.本发明采用智能大数据系统，该系统包括现场端、服务端、应用端，实现了复杂安全监管体系下的智能预测，指导管理人员更好地开展矿山生产安全的预警与防控工作，极大降低了安全监管对于人员及素质的高度依赖，可更好地保障矿山生产安全。
2.本发明采用的智能大数据系统，设置的现场端与服务端相连，服务端与应用端相连，能够有限实现数据在两个相互连接的模块之间双向传递；现场端、服务端设置了若干模块，各个模块之间配合紧密，实现了数据的有效传输和处理。
3.现场端能够感知矿山现场的安全和运行数据，提高数据的准确性；同时能够根据安全体系标准和感知到的矿山现场数据，进行预警与防控分析，提高安全指示的效率；服务端分别与现场端和应用端通信连接，能够同时存储和处理现场端、应用端上传的数据，提高存储数据的效率；应用端能够采集和录入无法通过传感器自动采集的矿山安全和运行数据，保证了矿山安全和运行数据的采集的完整性。
4.第二处理器利用机器学习算法根据数据存储模块中的现场安全大数据，采用不同要素类别的安全大数据分类训练得到基本预测模型的方法，采用RBF神经网络，分别针对“人”、“机”、“物”、“环”、“管”五大类要素的安全大数据，分别训练得到5个基本预测模型，有效解决了直接使用安全大数据进行预测模型的训练将造成模型造成的收敛困难的问题，同时能够克服即使得到了理论预测模型，在实际使用中也存在着误差的弊端。
5.对数据采用分级处理的方式，分别按照对事故类数据按严重程度分级、对隐患类数据按后果严重性分级、对风险类数据按风险程度分级，上述分级处理的方式提高了处理数据的稳定性和完整性，保证了数据的使用效率。
附图说明：
图1：本发明实施例所述系统的系统框图；
图2：本发明实施例所述现场端结构框图；
图3：本发明实施例所述服务端结构框图；
图4：本发明实施例所述训练系统预测模型处理流程图；
图5：本发明实施例所述系统预测模型框图。
具体实施方式
下面将结合附图和具体实施例来详细说明本发明所述的智能感知矿山安全生产预警与防控监管信息化大数据系统。
参照附图1，本发明所述智能感知矿山安全生产预警与防控监管信息化大数据系统包括：现场端10，服务端20和应用端30。
所述现场端10，一方面用于感知矿山现场的安全和运行数据；另一方面用于根据安全体系标准和感知到的矿山现场数据，进行预警与防控分析，并指示安全状态；所述现场端10还用于与服务端20实现通信连接，一方面将感知到的矿山现场数据上传给服务端20，另一方面接收服务端20发来的安全体系标准和安全生产预警的智能分析模型。
所述服务端20，一方面用于与所述现场端10和所述应用端30进行通信连接，另一方面用于对所述现场端10和应用端30上传的数据进行存储和处理；所述服务端20还用于对矿山现场大数据进行分析和建立预测模型；所述服务端20还用于对安全体系标准进行动态管理.
所述应用端30，一方面用于与所述服务端20建立通信连接，并通过软件来访问服务端20的数据；另一方面还用于采集和录入无法通过传感器自动采集的矿山安全和运行数据，例如：工作人员的工作状态、隐患排查和风险管控等数据。所述的应用端30包括但不限于PC计算机、平板电脑、手机等。
参照附图2，所述现场端10包括：
第一通信模块101、第一处理器102、安全数据存储模块103、数据接入模块104、传感器105、现场检查模块106、预警指示模块107、预警与防控处理模块108。
所述第一通信模块101，用于与服务端20建立通信连接和数据收发；
所述第一处理器102，一方面用于处理第一通信模块101传来的通信数据，另一方面用于从安全数据存储模块103中提取安全数据，处理后传给预警与防控处理模块108；所述第一处理器102还用于根据预警与防控处理模块传来的安全状态信息，控制预警指示模块107指示相应的安全状态；
所述安全数据存储模块103，用于接收和存储数据接入模块104传来的现场安全数据；
所述数据接入模块104，用于接收传感器105以及现场检查模块106传来的现场安全数据；
所述传感器105，安装于矿山各类生产现场，用于采集可直接采集的各类现场安全数据，包括但不限于：温度传感器、湿度传感器、压力传感器、矿山微震传感器、矿山机械运行数据监测传感器；
所述现场检查模块106，安装于矿山各类生产现场，用于采集间接采集的各类现场安全数据，例如，工具是否按规章摆放、现场人员配置是否符合标准、危险作业是否配置监管专员等因技术手段或客观条件限制需要依赖人力间接采集的数据，由现场人员通过现场检查模块106录入数据。所述现场检查模块106可以是一系列物理按键，也可以是触摸屏虚拟按键，现场人员根据现场情况，操作按键实现现场安全数据的间接采集；
所述预警指示模块107，用于指示现场的安全状态；所述预警指示模块107可以是灯光指示，声音提示，也可以是通过显示屏显示内容信息或上述任意两种或三种的组合以达到指示的目的；
所述预警与防控处理模块108，一方面利用其内存储的安全体系标准，比对实时现场安全数据，直接判断出当前的安全状态；另一方面利用其内与服务端同步的系统预测模型预测未来的安全状态信息，并将安全状态信息发送给第一处理器102。
参照附图3，所述服务端20包括：第二通信模块201、第二处理器202、数据存储模块203、安全标准管理模块204以及智能预测模块205；
所述第二通信模块201，用于与现场端10和应用端30建立通信连接和数据收发；
所述第二处理器202，一方面用于处理与现场端10以及应用端30的通信数据，另一方面用于利用数据存储模块203中的安全大数据训练机器学习模型；
所述数据存储模块203，用于接收第二通信模块201传来的现场安全数据以及系统运行中的所有数据；
所述安全标准管理模块204，在安全监管中，监管标准是根据最新法律法规的要求而不断变化的，本发明设计有安全标准管理模块204用于管理和存储安全标准。
所述智能预测模块205，用于根据数据存储模块203中存储的现场安全大数据，管理机器学习算法训练出的预测模型，并将预测模型同步到现场端的预警与防控处理模块108中。
在本实施例中，所述传感器105将自动采集到的矿山的安全生产现场数据传送给数据接入模块105；另一方面，现场人员通过操作现场检查模块106间接采集安全生产现场数据，同时数据传送给数据接入模块104；数据接入模块105将接收到安全生产现场数据传送给安全数据存储模块103。所述安全数据存储模块103接收到安全生产现场数据一方面存储数据，另一方面将实时数据传送给第一处理器102，第一处理器102将接收到的实时数据一方面通过第一通信模块101发送给服务端20，另一方面传送到预警与防控处理模块108，所述预警与防控处理模块108利用安全体系标准来判断当前安全状态，同时利用机器学习模型来预测安全状态，最终生成安全状态信息，再将安全状态信息传送给第一处理器102；第一处理器102接收到预警与防控处理模块108传来的安全状态信息后，一方面控制预警指示模块107指示相应的安全状态，并将安全状态信息存储到安全数据存储模块103，另一方面将安全状态信息通过第一通信模块101发送给服务端20。
所述服务端20中的第二通信模块201接收到现场端10传来的现场安全数据后，将数据传送至第二处理器202，第二处理器202将接收到的现场安全数据存储到数据存储模块203中，另一方面第二处理器202利用机器学习算法根据数据存储模块203中的现场安全大数据，训练出系统预测模型，并将训练好的预测模型存储到智能预测模块205中，智能预测模块205一方面对不同时期的预测模型进行存储和管理，另一方面将最新的预测模型同步到现场端10的预警与防控处理模块108中。
操作人员可通过应用端30查看和管理服务端20中的数据，并且可通过应用端30对安全标准管理模块204中的安全体系标准进行管理，安全标准管理模块204中最新安全体系标准通过第二处理器202发送到第二通信模块201，第二通信模块201发送至第一通信模块101，经第一处理器102处理后存储到预警与防控处理模块108中。所述安全标准是指国家法律法规标准规定的硬性要求，预警与防控处理模块108接收到第一处理器102传来的现场安全数据，通过比对安全标准可直接判断出当前安全状态。
基于上述实施例，参照图4，所述第二处理器202利用机器学习算法根据数据存储模块203中的现场安全大数据，训练系统预测模型的处理过程如下：
S1第二处理器202将数据存储模块203中的安全大数据进行清洗和分类，分类处理过程如下：
S101对数据存储模块203中有缺陷的数据进行清洗，去除超限、缺项、乱码的数据记录；
S102按照安全管理五要素“人(人员)、机(机器及设备)、物(物料)、环(作业环境)、管理”对清洗后的安全大数据进行分类，并用要素标签进行标记；
S103结合日常安全管理“两体系”(隐患排查和风险管控)的结果，对按要素标记好的数据进行危险性分类，将安全数据按危险性进一步分类为事故类、隐患类和风险类；
S2第二处理器202对分类处理后的安全大数据进行分级处理；
分级处理的过程如下：
S201对事故类数据按严重程度分级；
分级依据按照国家法律法规标准，为了更清楚的说明分级方法，下面例举本实施例的一种情况，参照表1事故分级方法为：
表1本发明实施例事故分级准则
S202对隐患类数据按后果严重性分级；
分级依据按照国家法律法规标准，为了更清楚的说明分级方法，下面列举本实施例的一种情况，参照表2隐患分级方法为：
表2本发明实施例隐患分级准则
S203对风险类数据按风险程度分级；
分级依据按照国家法律法规标准和风险程度计算得到，为了更清楚的说明分级方法，下面例举本实施例的一种情况，采用风险矩阵对风险程度的分级的方法为：
风险矩阵法(简称LS)，R＝L×S，其中R是危险性(也称风险度)，事故发生的可能性与事件后果的结合，L是事故发生的可能性，取值参照表3；S是事故后果严重性，取值参照表4；R值越大，说明该系统危险性大、风险大；依据R值对风险类数据进行分类的方法参照表5。
表3事故发生的可能性(L)判断准则
表4事件后果严重性(S)判别准则
对风险类数据查表后得到其L和S值，根据公式R＝L×S得到风险类数据的风险度，然后依据表5对风险类数据进行分级；
表5风险等级判定准则(R值)及控制措施
S3对分类分级处理后的安全大数据进行数学建模并训练基本的预测模型；
S301对经过S2步骤处理得到的安全数据分类分级结果统一进行数学分类；
为了方便数学预测模型的处理，首先需要对经S2步骤分类分级处理后的安全大数据进行统一的数学分类，数学分类原则是，安全数据分类分级的每一种结果均具有唯一的数学分类表达，本实施例中，数学分类方法见表6，表中的Y＝{Yi(1≤i≤13)}表示唯一的数学分类表达结果：
S302对经过分类分级处理后的安全大数据的数据结构建模：
①要素分类标签为“人”的数据为：
其中DHi表示要素分类标签为“人”的第i条记录，n表示要素分类标签为“人”的数据共有n个属性，
表示Dhi中第j(1≤j≤n)个属性的值。其对应的分类分级结果的数学分类为
②要素分类标签为“机”的数据为：
其中DDi表示要素分类标签为“机”的第i条记录，t表示要素分类标签为“机”的数据共有t个属性，
表示DDi中第j(1≤j≤t)个属性的值。其对应的分类分级结果的数学分类为
③要素分类标签为“物”的数据为：
其中DOi表示要素分类标签为“物”的第i条记录，s表示要素分类标签为“物”的数据共有s个属性，
表示DOi中第j(1≤j≤s)个属性的值。其对应的分类分级结果的数学分类为
④要素分类标签为“环”的数据为：
其中DEi表示要素分类标签为“环”的第i条记录，w表示要素分类标签为“环”的数据共有w个属性，
表示DEi中第j(1≤j≤w)个属性的值。其对应的分类分级结果的数学分类为
⑤要素分类标签为“管”的数据为：
其中DMi表示要素分类标签为“管”的第i条记录，r表示要素分类标签为“管”的数据共有r个属性，
表示DMi中第j(1≤j≤r)个属性的值。其对应的分类分级结果的数学分类为
S303第二处理器202利用机器学习算法，根据完成分类分级的安全大数据训练出基本预测模型；
因为不同要素类别的安全大数据，其特性及影响因素千差万别，若直接使用安全大数据进行预测模型的训练将造成模型很难收敛或者即使得到了理论预测模型，在实际使用中也存在着误差非常大的弊端。为了解决该问题，本发明实施例采用不同要素类别的安全大数据分类训练得到基本预测模型的方法。具体地，本发明实施例采用RBF神经网络，分别针对“人”、“机”、“物”、“环”、“管”五大类要素的安全大数据，分别训练得到5个基本预测模型。在训练时，训练集的输入样本和输出样本数据为：
要素标签为“人”的训练样本的输入集为
其中ch表示要素标签为“人”的训练集样本总数；其对应的输出集为
同理，再选取一定数量的样本数据作为测试集，以测试训练得到的预测模型的误差表现。
同样地，要素标签为“机”的训练样本的输入集为
其中cd表示要素标签为“机”的训练集样本总数；其对应的输出集为
同理，再选取一定数量的样本数据作为测试集，以测试训练得到的预测模型的误差表现。
要素标签为“物”的训练样本的输入集为
其中co表示要素标签为“物”的训练集样本总数；其对应的输出集为
同理，再选取一定数量的样本数据作为测试集，以测试训练得到的预测模型的误差表现。
要素标签为“环”的训练样本的输入集为
其中ce表示要素标签为“环”的训练集样本总数；其对应的输出集为
同理，再选取一定数量的样本数据作为测试集，以测试训练得到的预测模型的误差表现。
要素标签为“管”的训练样本的输入集为
其中cm表示要素标签为“管”的训练集样本总数；其对应的输出集为
同理，再选取一定数量的样本数据作为测试集，以测试训练得到的预测模型的误差表现。
利用上述训练样本数据，采用RBF神经网络的方法训练得到预测模型的详细步骤，本领域技术人员可参考现有技术或工具，例如matlab工具软件，本发明不做具体限定。
经上述处理后，将得到对应于“人”、“机”、“物”、“环”、“管”五大要素的五个基本预测模型，分别设为NetH、NetD、NetO、NetE、NetM。
S4利用基本预测模型，构建系统预测模型，由第二处理器202存储到智能预测模块205中并通过第二通信模块201和第一通信模块101同步到现场端的预警与防控处理模块108，用于现场端10对实时现场数据进行安全状态的预测和指示；
经S3步骤处理后，得到了五个基本预测模型，这样系统就具备了根据不同要素的输入数据ph、pd、po、pe、pm来预测各要素安全状态th、td、to、te、tm的能力。但安全是一项系统工程，在预测出各要素的安全状态后，还需要预测系统的安全状态，本发明在五个基本预测模型基础上，再加入综合预测模型NetS来实现系统预测模型，所述综合预测模型NetS的样本的输入集PS＝{TH，TD，TO，TE，TM}，输出集为TS＝Ys，(Ys∈Y)Ys为对应于输入的每条样本数据状态下，整个系统危险性等级最高的结果，危险性等级参照表6所示，从上到下顺序，危险性等级降低。同样采用RBF神经网络来训练得到综合预测模型NetS。
参照附图5，五个基本预测模型的预测输出值一方面直接得到相应各要素的安全状态th、td、to、te、tm，另一方面将各安全状态输入到综合预测模型NetS中，得到系统整体安全状态的预测结果ts,进一步地th、td、to、te、tm和ts共同组成了系统安装状态的预测结果。
第二处理器202将构建完成的系统预测模型存储到智能预测模块205中，并通过第二通信模块201将系统预测模型发送到第一通信模块101，进而同步到预警与防控处理模块108中。
这样预警与防控处理模块108就可以根据采集到的现场实时数据预测未来安全状态，并通过第一处理器102控制预警指示模块107指示当前以及未来安全状态，同时将分析结果上传至服务端20，最终通过应用端30可实时掌握矿山安全生产情况，实现安全生产的预警与防控。
综上所述，便实现了本发明所述智能感知矿山安全生产预警与防控监管信息化大数据系统，本发明实现了复杂安全监管体系下的智能预测，指导管理人员更好地开展矿山生产安全的预警与防控工作，极大降低了安全监管对于人员及素质的高度依赖，可更好地保障矿山生产安全。
以上仅为本发明的较佳实施例，并不用于限制本发明，任何在本发明基础上所做的等效替换，均应在本发明的保护范围。
Claims (4)
1.一种智能感知矿山安全生产预警与防控监管信息化大数据系统,其特征在于，包括：
现场端(10)，所述现场端(10)用于感知矿山现场的安全和运行数据，进行预警与防控分析，并指示安全状态；
服务端(20)，所述服务端(20)与所述现场端(10)通信连接，用于对数据进行存储和处理，同时对矿山现场大数据进行分析和建立预测模型；所述服务端(20)还用于对安全体系标准进行动态管理；
应用端(30)，所述应用端(30)与所述服务端(20)通信连接，访问所述服务端(20)的数据；还用于采集和录入无法自动采集的矿山安全和运行数据；
所述现场端(10)包括：
第一通信模块(101)，用于与所述服务端(20)建立通信连接和数据收发；
第一处理器(102)，与第一通信模块(101)通讯连接，用于传输通信数据；
安全数据存储模块(103)，与所述第一处理器(102)通讯连接，用于提供安全数据；
数据接入模块(104)，与所述安全数据存储模块(103)通讯连接，用于从所述安全数据存储模块(103)中提取现场安全数据；
传感器(105)，与所述数据接入模块(104)通讯连接，用于采集可直接采集的各类现场安全数据并提供给所述数据接入模块(104)；所述传感器(105)包括：温度传感器、湿度传感器、压力传感器、矿山微震传感器、矿山机械运行数据监测传感器；
现场检查模块(106)，与所述数据接入模块(104)通讯连接，安装于矿山各类生产现场，用于采集间接采集的各类现场安全数据并提供给所述数据接入模块(104)；
预警指示模块(107)，与所述第一处理器(102)通讯连接，用于指示现场的安全状态；
预警与防控处理模块(108)，与所述第一处理器(102)通讯连接，用于预测未来的安全状态信息，并将安全状态信息发送给所述第一处理器(102)；还用于比对实时现场安全数据，直接判断出当前的安全状态；
所述服务端(20)包括：
第二通信模块(201)，与所述现场端(10)和所述应用端(30)通讯连接，用于数据收发；
第二处理器(202)，与所述第二通信模块(201)通讯连接，用于处理通信数据；还用于训练机器学习模型；
数据存储模块(203)，与所述第二处理器(202)通讯连接，用于接收所述第二通信模块(201)传来的现场安全数据以及系统运行中的所有数据；
安全标准管理模块(204)，与所述第二处理器(202)通讯连接，用于管理和存储安全标准；
智能预测模块(205)，与所述第二处理器(202)通讯连接，用于根据数据存储模块(203)中存储的现场安全大数据，管理机器学习算法训练出的预测模型，并将预测模型同步到现场端(10)的预警与防控处理模块(108)中；
所述第二处理器(202)利用机器学习算法根据数据存储模块中的现场安全大数据，训练出系统预测模型的处理过程如下：
S1第二处理器(202)将数据存储模块(203)中的安全大数据进行清洗和分类；
S2第二处理器(202)对分类处理后的安全大数据进行分级处理；
S3对分类分级处理后的安全大数据进行数学建模并训练基本的预测模型；所述S3的具体方法如下：
S301对经过S2步骤处理得到的安全数据分类分级结果统一进行数学分类；
S302对经过分类分级处理后的安全大数据的数据结构建模：
①要素分类标签为“人”的数据为：
其中DHi表示要素分类标签为“人”的第i条记录，n表示要素分类标签为“人”的数据共有n个属性，
表示Dhi中第j(1≤j≤n)个属性的值；其对应的分类分级结果的数学分类为
②要素分类标签为“机”的数据为：
其中DDi表示要素分类标签为“机”的第i条记录，t表示要素分类标签为“机”的数据共有t个属性，
表示DDi中第j(1≤j≤t)个属性的值；其对应的分类分级结果的数学分类为
③要素分类标签为“物”的数据为：
其中DDi表示要素分类标签为“物”的第i条记录，s表示要素分类标签为“物”的数据共有s个属性，
表示DOi中第j(1≤j≤s)个属性的值；其对应的分类分级结果的数学分类为
④要素分类标签为“环”的数据为：
其中DEi表示要素分类标签为“环”的第i条记录，w表示要素分类标签为“环”的数据共有w个属性，
表示DEi中第j(1≤j≤w)个属性的值；其对应的分类分级结果的数学分类为
⑤要素分类标签为“管”的数据为：
其中DMi表示要素分类标签为“管”的第i条记录，r表示要素分类标签为“管”的数据共有r个属性，
表示DMi中第j(1≤j≤r)个属性的值；其对应的分类分级结果的数学分类为
S303第二处理器202利用机器学习算法，根据完成分类分级的安全大数据训练出基本预测模型；
采用RBF神经网络，分别针对“人”、“机”、“物”、“环”、“管”五大类要素的安全大数据，分别训练得到5个基本预测模型；在训练时，训练集的输入样本和输出样本数据为：
要素标签为“人”的训练样本的输入集为
其中ch表示要素标签为“人”的训练集样本总数；其对应的输出集为
同理，再选取一定数量的样本数据作为测试集，以测试训练得到的预测模型的误差表现；
同样地，要素标签为“机”的训练样本的输入集为
其中cd表示要素标签为“机”的训练集样本总数；其对应的输出集为
同理，再选取一定数量的样本数据作为测试集，以测试训练得到的预测模型的误差表现；
要素标签为“物”的训练样本的输入集为
其中co表示要素标签为“物”的训练集样本总数；其对应的输出集为
同理，再选取一定数量的样本数据作为测试集，以测试训练得到的预测模型的误差表现；
要素标签为“环”的训练样本的输入集为
其中ce表示要素标签为“环”的训练集样本总数；其对应的输出集为
同理，再选取一定数量的样本数据作为测试集，以测试训练得到的预测模型的误差表现；
要素标签为“管”的训练样本的输入集为
其中cm表示要素标签为“管”的训练集样本总数；其对应的输出集为
同理，再选取一定数量的样本数据作为测试集，以测试训练得到的预测模型的误差表现；
经上述处理后，将得到对应于“人”、“机”、“物”、“环”、“管”五大要素的五个基本预测模型，分别设为NetH、NetD、NetO、NetE、NetM；
S4采用RBF神经网络来训练得到综合预测模型NetS，同时将五个基本预测模型的结果作为综合预测模型的输入，构建系统预测模型，由第二处理器(202)存储到智能预测模块中并通过第二通信模块(201)和第一通信模块(101)同步到现场端(10)的预警与防控处理模块(108)，用于现场端(10)对实时现场数据进行安全状态的预测和指示。
2.如权利要求1所述的智能感知矿山安全生产预警与防控监管信息化大数据系统，其特征在于，所述系统的处理过程包括以下步骤：
现场端(10)中的传感器(105)将自动采集到的矿山的安全生产现场数据以及现场检查模块(106)间接采集安全生产现场数据传送给数据接入模块(104)；数据接入模块(104)将接收到安全生产现场数据传送给安全数据存储模块(103)；所述安全数据存储模块(103)接收到安全生产现场数据存储数据，同时将实时数据传送给第一处理器(102)，所述第一处理器(102)将接收到的实时数据通过第一通信模块(101)发送给服务端(20)，同时传送到预警与防控处理模块(108)，所述预警与防控处理模块(108)利用安全体系标准判断当前安全状态，利用机器学习模型来预测安全状态，最终生成安全状态信息，再将安全状态信息传送给第一处理器(102)；第一处理器(102)接收到预警与防控处理模块(108)传来的安全状态信息，控制预警指示模块(107)指示相应的安全状态，并将安全状态信息存储到安全数据存储模块(103)，同时将安全状态信息通过第一通信模块(101)发送给服务端(20)；
所述服务端(20)中的第二通信模块(201)接收到现场端(10)传来的现场安全数据后，将数据传送至第二处理器(202)，第二处理器(202)将接收到的现场安全数据存储到数据存储模块(203)中，同时第二处理器(202)利用机器学习算法根据数据存储模块(203)中的现场安全大数据，训练出系统预测模型，并将训练好的预测模型存储到智能预测模块(205)中，智能预测模块(205)对不同时期的预测模型进行存储和管理，并将最新的预测模型同步到现场端的预警与防控处理模块(108)中；
服务端(20)中的数据通过应用端(30)进行查看和管理，并且通过应用端(30)对安全标准管理模块(204)中的安全体系标准进行管理，安全标准管理模块(204)中最新安全体系标准通过第二处理器(202)发送到第二通信模块(201)，第二通信模块(201)发送至第一通信模块(101)，经第一处理器(102)处理后存储到预警与防控处理模块(108)中。
3.如权利要求1所述的智能感知矿山安全生产预警与防控监管信息化大数据系统，其特征在于，所述步骤S1的分类处理过程如下：
S101对数据存储模块(203)中有缺陷的数据进行清洗，去除超限、缺项、乱码的数据记录；
S102按照安全管理五要素“人、机、物、环、管理”对清洗后的安全大数据进行分类，并用要素标签进行标记；
S103结合日常安全管理“两体系”的结果，即隐患排查和风险管控的结果，对按要素标记好的数据进行危险性分类，将安全数据按危险性进一步分类为事故类、隐患类和风险类。
4.如权利要求1所述的智能感知矿山安全生产预警与防控监管信息化大数据系统，其特征在于，所述步骤S2的分级处理的过程如下：
S201对事故类数据按严重程度分级；
S202对隐患类数据按后果严重性分级；
S203对风险类数据按风险程度分级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910440275.XA CN110148290B (zh) | 2019-05-24 | 2019-05-24 | 智能感知矿山安全生产预警与防控监管信息化大数据系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910440275.XA CN110148290B (zh) | 2019-05-24 | 2019-05-24 | 智能感知矿山安全生产预警与防控监管信息化大数据系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110148290A CN110148290A (zh) | 2019-08-20 |
| CN110148290B true CN110148290B (zh) | 2022-04-19 |
Family
ID=67593192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910440275.XA Active CN110148290B (zh) | 2019-05-24 | 2019-05-24 | 智能感知矿山安全生产预警与防控监管信息化大数据系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110148290B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113449959A (zh) * | 2021-05-13 | 2021-09-28 | 陕西陕煤黄陵矿业有限公司 | 一种矿山人员行为治理系统及平台 |
| CN113671862A (zh) * | 2021-06-30 | 2021-11-19 | 云南昆钢电子信息科技有限公司 | 一种应用于地下矿山有轨运输电机车掉道预测的系统及方法 |
| CN114093129B (zh) * | 2021-10-15 | 2023-07-21 | 重庆地质矿产研究院 | 基于5g智能通讯的矿山地质环境智能监测与预警方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102917031A (zh) * | 2012-09-25 | 2013-02-06 | 浙江图讯科技有限公司 | 一种用于面向工矿企业的安全生产云服务平台的数据计算系统 |
| US8653968B2 (en) * | 2009-12-23 | 2014-02-18 | Pulse Energy Inc. | Systems and methods for predictive building energy monitoring |
| CN107065794A (zh) * | 2017-03-24 | 2017-08-18 | 广州劲联智能科技有限公司 | 一种基于gis地理信息平台的智能安监管理系统及实现方法 |
| WO2017210698A1 (en) * | 2016-06-03 | 2017-12-07 | Suncoke Technology And Developement Llc. | Methods and systems for automatically generating a remedial action in an industrial facility |
| CN109441547A (zh) * | 2018-12-29 | 2019-03-08 | 煤炭科学技术研究院有限公司 | 一种采掘工作面煤与瓦斯突出实时监测预警系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330579A (zh) * | 2017-05-26 | 2017-11-07 | 陈曦 | 一种hse风险分级管控系统 |
| CN109636055A (zh) * | 2018-12-21 | 2019-04-16 | 中国安全生产科学研究院 | 一种非煤矿山安全生产风险预测预警平台 |
-
2019
- 2019-05-24 CN CN201910440275.XA patent/CN110148290B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8653968B2 (en) * | 2009-12-23 | 2014-02-18 | Pulse Energy Inc. | Systems and methods for predictive building energy monitoring |
| CN102917031A (zh) * | 2012-09-25 | 2013-02-06 | 浙江图讯科技有限公司 | 一种用于面向工矿企业的安全生产云服务平台的数据计算系统 |
| WO2017210698A1 (en) * | 2016-06-03 | 2017-12-07 | Suncoke Technology And Developement Llc. | Methods and systems for automatically generating a remedial action in an industrial facility |
| CN107065794A (zh) * | 2017-03-24 | 2017-08-18 | 广州劲联智能科技有限公司 | 一种基于gis地理信息平台的智能安监管理系统及实现方法 |
| CN109441547A (zh) * | 2018-12-29 | 2019-03-08 | 煤炭科学技术研究院有限公司 | 一种采掘工作面煤与瓦斯突出实时监测预警系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐磊等."基于大数据的矿井灾害预警模型".《煤矿安全》.2018,(第3期), * |
| 李玮瑶等."基于大数据的矿山地质灾害预警模型".《地质灾害》.2018, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110148290A (zh) | 2019-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148290B (zh) | 智能感知矿山安全生产预警与防控监管信息化大数据系统 | |
| CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
| CN108846585A (zh) | 一种煤矿隐患处理管理系统 | |
| CN102866313A (zh) | 电力隧道电缆运行状态综合监控方法 | |
| CN117371952B (zh) | 一种多项目协同管理系统 | |
| CN117196066A (zh) | 智慧运维信息分析模型 | |
| CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
| CN111628570B (zh) | 水电站安全监测故障诊断方法及系统 | |
| CN117172556B (zh) | 一种桥梁工程的施工风险预警方法与系统 | |
| CN110728381A (zh) | 一种基于rfid和数据处理的发电厂智能巡检方法及系统 | |
| CN116579601B (zh) | 矿山安全生产风险监测预警系统及方法 | |
| CN117194919A (zh) | 一种生产数据分析系统 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| CN113689123A (zh) | 一种天然气模块化采集智能管理平台 | |
| CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
| CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
| CN117649207A (zh) | 一种建筑施工管理系统 | |
| CN116703148B (zh) | 基于云计算的矿山企业风险画像方法 | |
| CN106649034B (zh) | 一种可视化智能运维方法及平台 | |
| CN114118678B (zh) | 一种基于边缘物联网的炼铁厂管理系统及其架构方法 | |
| CN115481941A (zh) | 一种多功能区联合的智能化安防管理方法及系统 | |
| CN106713387A (zh) | 百万千瓦级核电站应急数据采集系统 | |
| CN113779125A (zh) | 一种施工安全信息管理方法及系统 | |
| CN117220759B (zh) | 用于实现全域安全分析的移动终端状态管理系统及方法 |
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 |