CN110516941A - 一种基于大数据分析企业生产隐患方法及装置 - Google Patents

Abstract

本发明公开了一种基于大数据分析企业生产隐患装置，属于石油化工生产大数据技术领域，包括石化企业安全生产数据评估维度模块、用于收集生产数据的石化企业安全生产数据收集装置、用于生成安全生产画像结果的石化企业安全生产画像装置和针对石化企业安全生产画像分析结果的安全生产智能决策应用装置；本发明提出一种基于大数据分析企业生产隐患方法及装置，该装置能自动结合企业安全生产画像与安全生产数据分析，智能发现安全生产的隐患，评估相关风险，提高企业安全生产的自动化监控管理水平。

Description

一种基于大数据分析企业生产隐患方法及装置

技术领域

本发明涉及石油化工生产大数据技术领域，具体是一种基于大数据分析企业生产隐患方法及装置。

背景技术

在企业日常生产中，各类突发的安全事故造成大量人力、财产损失；企业亟需提高安全生产水平来避免巨大损失。识别安全生产隐患、评估安全生产风险是企业提高安全生产水平的重要手段。

以石化行业的生产过程为例，目前行业的安全生产管理，在企业运行中，主要依赖人工检查来保障安全生产：通过定期组织专家进行安全生产检查来发现安全生产隐患、评估安全生产风险，根据安全生产检查结果制定整改方案。人工进行安全生产检查存在检查不规范、检查不全面、检查不及时、成本巨大等问题。安全检查质量受实际安全检查人员主观影响，缺乏科学、统一的标准体系，无法从根本上保障企业安全生产。

企业在日常生产、安全检查、安全事故处理中产生大量数据(包括安全生产的数据)，目前分散在各生产单位，没有充分利用来提升企业安全生产水平，基于大数据与智能分析技术挖掘企业安全生产数据，能够帮助企业提高安全生产水平，具有重大的经济与社会价值，因此，我们提出一种基于大数据分析企业生产隐患方法及装置。

发明内容

本发明的目的在于提供一种基于大数据分析企业生产隐患方法及装置，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于大数据分析企业生产隐患装置，包括石化企业安全生产数据评估维度模块、用于收集生产数据的石化企业安全生产数据收集装置、用于生成安全生产画像结果的石化企业安全生产画像装置和针对石化企业安全生产画像分析结果的安全生产智能决策应用装置；

所述石化企业安全生产数据评估维度模块与石化企业安全生产数据收集装置通过数据通信连接，所述石化企业安全生产数据收集装置与石化企业安全生产画像装置电性连接，石化企业安全生产画像装置双向电性连接有安全生产智能决策应用装置。

作为本发明进一步的方案：企业安全生产数据收集装置为一套标准化服务，能够通过网络终端实时收集石化企业安全生产过程数据，其中，所述标准化服务为一组可以通过网络访问的程序，可以为WEB服务、SOCKET接口。

作为本发明再进一步的方案：所述网络终端包括计算机、手机、传感器、仪器仪表，所述网络包括互联网、移动网络、物联网。

作为本发明再进一步的方案：石化企业安全生产画像装置包括一组大数据存储系统、一套实时计算引擎和一组石化企业安全生产画像模型，大数据存储系统能够存储所有安全生产相关数据。

作为本发明再进一步的方案：所述大数据存储系统包括一套分布式数据库系统和一套分布式文件存储系统。

作为本发明再进一步的方案：所述石化企业安全生产画像模型包括设备检修周期分析模型、设备运行状态评估模型和设备运行故障预测模型。

作为本发明再进一步的方案：安全生产智能决策应用装置包括一套基于大数据的智能评估与决策模型，能够针对石化企业安全生产画像分析结果，发现潜在安全生产隐患、评估企业安全生产事故风险，为企业日常安全生产决策提供智能支撑。

石化企业安全生产智能决策应用装置包括一套标准服务接口，能够通过用户访问终端向用户提供各类安全生产相关服务。

作为本发明再进一步的方案：用户访问终端包括计算机或手机，标准服务接口为可以为WEB服务或SOCKET接口。

一种基于大数据分析企业生产隐患装置的方法，步骤如下：

S1、确定石化企业安全生产数据评估维度，所述石化企业安全生产数据评估维度涵盖设备设施完整性、人员资质、操作流程规范企业安全生产相关内容，设备设施完整性为企业安全生产画像体系的核心内容，描述企业生产中所涉及的设备设施是否完好、是否正常稳定运行；

S2、建立企业安全生产数据收集装置，企业安全生产数据收集装置为一套统一的数据上传服务，企业各类人员或设备使用终端通过各类网络实时上传企业安全生产数据；

S3、石化企业安全生产画像模型构建，所述石化企业安全生产画像模型，为一组企业安全生产智能分析算法，所述企业安全生产画像模型，基于企业历史安全生产大数据学习得到，能够评估各类装置设备运行状态、发现安全生产隐患与风险；

其中，可选的石化企业安全生产画像模型包括：

S31、石化设备检修周期分析模型

所述石化设备检修周期分析模型，通过分析特定设备历史检修、故障数据，来获得最佳设备检修周期，其中，最佳设备检修周期为使该类设备达到最大可用性的检修周期；

其中，设备最大可用性是指固定时间间隔内，达到最大值。其中，t_P为该周期内设备检修总时间，t_M为该周期内设备故障修复总时间，t_N为该周期内设备正常工作总时间；

所述石化设备检修周期分析模型假设设备故障率与检修周期服从二参数韦伯分布：其中，λ(t)为设备故障率，t为设备检修周期，β与η为模型分布参数；

基于此分布，模型得到最佳设备检修周期为：

其中，t_p为设备检修所需时间，计算方法为其中M为设备历史检修次数，t_i为该类设备历史检修每次所花费时间。

其中，参数β与η基于特定设备历史数据使用最小二乘法得到。

其中，t_m为设备故障修复所需时间，计算方法为其中M为设备历史故障次数，t_i为设备历史故障修复所花费时间；

S32、石化设备运行状态评估模型

石化设备运行状态评估模型基于石化设备运行数据分析，获取特定设备正常运行状态参数范围。

其中，石化设备历史运行数据分为正常运行数据、启停机数据、故障数据。

其中，石化设备运行某个参数正常运行参数范围为[f_min,normal，f_max,normal]。

其中f_min,normal为设备正常运行参数范围下界，f_max,normal为设备正常运行参数范围上界。若F_normal为历史所有正常运行参数值，F_unnormal为历史所有异常运行状态参数值，则满足：f_min,normal＜＝f_normal；f_normal＜＝f_max,normal；f_unnormal＞f_max,normal或f_unnormal＜f_min,normal。

其中f_min,normal和f_max,normal值可以由专家进行调整；

S33、石化设备运行故障预测模型

石化设备运行故障预测模型，通过分析特定设备运行参数、故障数据，基于RNN神经网络构建设备运行故障预测模型。其中，设备运行故障预测模型，基于设备当前时刻前20分钟状态数据(s₁,s₂...s₂₀)，预测30分钟内设备出现故障的概率值P。

其中设备运行状态数据s，包括设备所有可以采集到的运行参数，包括设备温度、压力、可燃气体浓度、电机转速与电流大小，设备在某分钟内运行状态数据s为特征向量形式(f₁,f₂...f_n)。其中f_n为该设备第n个运行参数对应归一化值，其中，运行参数归一化值具体计算方法为：其中f_n为该参数归一化值，f_r为该参数实际取值，f_max为该参数取值范围上界，f_min为该参数取值范围下界；

其中，P基于历史数据获取，若该时刻后30分钟内发生事故则P＝1.0，若该时刻后30分钟内没有发生事故P＝0.0，其中，RNN人工神经网络，采用LSTM架构，最长时序为20步；

S4、石化企业安全生产实时画像实时分析企业安全生产过程数据，自动生成并存储企业安全生产画像结果；

S5、石化企业安全生产智能决策应用为一组企业安全生产服务功能，为企业日常安全生产提供直接支持，当设备安全生产风险预警概率值p满足p＞＝P_threshold时，向用户发出警报，其中P_threshold为用户对该类设备设置的警报阈值。

企业安全生产风险预警能够将短期内可能发生的设备故障推送给用户，供用户参考，避免各类故障发生。

与现有技术相比，本发明的有益效果是：本发明提出一种基于大数据分析企业生产隐患方法及装置，该方法基于大数据处理技术与智能算法，通过特定数据评估模型(石化设备检修周期分析模型、石化设备运行状态分析模型、石化设备运行故障预测模型等)挖掘企业安全生产数据生成企业安全生产画像。相关石化企业安全生产画像能够基于一套统一、科学、规范的标准化体系，涵盖企业安全生产的相关维度，为企业安全生产提供基础支撑。

本发明提出一种基于大数据分析企业生产隐患方法及装置，该装置能自动结合企业安全生产画像与安全生产数据分析，智能发现安全生产的隐患，评估相关风险，提高企业安全生产的自动化监控管理水平。

附图说明

图1为基于大数据分析企业生产隐患方法的流程示意图。

具体实施方式

下面结合具体实施方式对本发明的技术方案作进一步详细地说明，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

实施例1

如图1所示，一种基于大数据分析企业生产隐患装置，包括石化企业安全生产数据评估维度模块、用于收集生产数据的石化企业安全生产数据收集装置、用于生成安全生产画像结果的石化企业安全生产画像装置和针对石化企业安全生产画像分析结果的安全生产智能决策应用装置；

所述石化企业安全生产数据评估维度模块与石化企业安全生产数据收集装置通过数据通信连接，所述石化企业安全生产数据收集装置与石化企业安全生产画像装置电性连接，石化企业安全生产画像装置双向电性连接有安全生产智能决策应用装置；

所述石化企业安全生产数据评估维度模块是基于一套标准化的石化企业安全生产数据评估维度。其中，所述标准化的石化企业安全生产数据评估维度，以设施完整性相关维度为核心，涵盖石化企业所有安全生产相关维度；

其中，所述设施完整性相关维度用来表征企业设备运行状况，涵盖企业所有安全生产相关设施设备，其中，企业安全生产设施设备包括生产、防护、运输、监测、应急、环保等设备设施；企业设施完整性维度描述相关设备是否缺失、设备运行参数(压力、温度、物质浓度等)、设备检修状态(检修时间等)。

企业安全生产数据收集装置为一套标准化服务，能够通过网络终端实时收集石化企业安全生产过程数据，其中，所述标准化服务为一组可以通过网络访问的程序，可以为WEB服务、SOCKET接口等；

其中，所述网络终端包括计算机、手机、传感器、仪器仪表等，所述网络包括互联网、移动网络、物联网等。

可选的石化企业安全生产过程数据包括石化企业生产设备设施数据(各类设备安装、启停、维修、故障、实时运行参数等)、石化企业安全检查数据(各类安全检查时间、发现隐患、处置措施等)、石化企业安全生产事故数据(事故类型、发生时间、发生原因、相关设备、相关设备运行参数等)。

石化企业安全生产画像装置是企业安全生产数据的基础分析、存储平台，石化企业安全生产画像装置包括一组大数据存储系统、一套实时计算引擎和一组石化企业安全生产画像模型，大数据存储系统能够存储所有安全生产相关数据，石化企业安全生产画像模型能够持续自动分析企业安全生产大数据，生成安全生产画像结果。

所述大数据存储系统包括一套分布式数据库系统和一套分布式文件存储系统。

所述石化企业安全生产画像模型包括设备检修周期分析模型、设备运行状态评估模型和设备运行故障预测模型等，其中，设备检修周期分析模型，能够基于设备运行数据、设备检修数据、设备故障数据评估确定设备合理检修周期，其中，设备运行状态评估模型能够基于设备运行数据、设备故障数据，评价设备当前运行状态是否出现异常。

其中，设备运行故障预测模型，能够基于设备运行数据、设备故障数据、设备检修数据预测设备在未来一段时间内可能出现故障的风险。

安全生产智能决策应用装置包括一套基于大数据的智能评估与决策模型，能够针对石化企业安全生产画像分析结果，发现潜在安全生产隐患、评估企业安全生产事故风险，为企业日常安全生产决策提供智能支撑。

石化企业安全生产智能决策应用装置包括一套标准服务接口，能够通过用户访问终端向用户提供各类安全生产相关服务。

其中，标准服务接口，可以为WEB服务、SOCKET接口等。

其中，用户访问终端包括计算机、手机等。

其中，各类安全生产相关服务包括：企业安全生产隐患排查、企业安全生产风险预警、企业安全生产智能评分等。

其中，企业安全生产隐患排查，能够向用户提示企业安全生产存在隐患，帮助用户快速定位、解决安全生产隐患。

其中，企业安全生产风险预警，能够向用户提示企业近期可能发生的安全生产风险及相关因素，帮助企业防范事故发生。

其中，企业安全生产智能评分，能够基于统一评分标准，综合分析企业所有安全生产相关维度为企业安全生产水平智能打分。

实施例2

一种基于大数据分析企业生产隐患方法，步骤如下：

S1、确定石化企业安全生产数据评估维度，所述石化企业安全生产数据评估维度涵盖设备设施完整性、人员资质、操作流程规范等企业安全生产相关内容，设备设施完整性为企业安全生产画像体系的核心内容，描述企业生产中所涉及的设备设施是否完好、是否正常稳定运行，包括各类设备设施安全生产过程中所有可以采集到的运行参数(压力、温度、转速等)，石化企业安全生产数据评估维度为企业所有生产过程数据的集合；

石化企业重点关注的装置与设备包括加热炉、催化裂化装置、焦化装置、电解装置、污水处理装置、加热设备、泵、储油罐、仪器仪表等；

S2、建立企业安全生产数据收集装置，企业安全生产数据收集装置为一套统一的数据上传服务，企业各类人员或设备使用终端通过各类网络实时上传企业安全生产数据；

其中，所述数据上传服务为一组可以通过网络访问的程序，包括WEB服务、SOCKET接口等，所述各类人员或设备包括企业管理人员、企业车间操作人员、企业安全检查人员、企业联网设备等，所述终端包括计算机、手机、传感器、仪器仪表等，所述网络包括互联网、移动网络、物联网等，所述企业安全生产数据类型包括：纯文本数据、结构化数据、图像数据、语音数据等；

其中，所述企业安全生产数据包括企业安全生产设备设施数据、企业人员数据、企业安全检查数据、企业安全生产事故数据等，所述企业安全生产设备设施数据包括企业各类生产设备设施安装配置数据、企业各类生产设备设施维修保养记录数据、企业各类生产设备设施实时运行状态数据(温度、压力、转速等)、企业各类生产设备设施启动关停数据等，所述企业人员数据包括企业各类岗位人员配备数据、企业各岗位人员在岗数据、企业各岗位人员资质数据、企业各岗位人员培训记录数据、企业各岗位人员健康数据等，所述企业安全检查数据包括企业各类检查日期、检查相关问题设备隐患、整改措施等，所述企业安全生产事故数据包括企业安全生产事故时间、类型、事故原因、相关设备、相关设备运行参数、相关规范等；

S3、石化企业安全生产画像模型构建，所述石化企业安全生产画像模型，为一组企业安全生产智能分析算法，所述企业安全生产画像模型，基于企业历史安全生产大数据学习得到，能够评估各类装置设备运行状态、发现安全生产隐患与风险；

其中，可选的石化企业安全生产画像模型包括：

S31、石化设备检修周期分析模型

所述石化设备检修周期分析模型，通过分析特定设备历史检修、故障数据，来获得最佳设备检修周期，其中，最佳设备检修周期为使该类设备达到最大可用性的检修周期；

其中，设备最大可用性是指固定时间间隔内，达到最大值；其中，t_P为该周期内设备检修总时间，t_M为该周期内设备故障修复总时间，t_N为该周期内设备正常工作总时间；

所述石化设备检修周期分析模型假设设备故障率与检修周期服从二参数韦伯分布：其中，λ(t)为设备故障率，t为设备检修周期，β与η为模型分布参数；

基于此分布，模型得到最佳设备检修周期为：

其中，t_p为设备检修所需时间，计算方法为其中M为设备历史检修次数，t_i为该类设备历史检修每次所花费时间；

其中，参数β与η基于特定设备历史数据使用最小二乘法得到；

其中，t_m为设备故障修复所需时间，计算方法为其中M为设备历史故障次数，t_i为设备历史故障修复所花费时间；

S32、石化设备运行状态评估模型

石化设备运行状态评估模型基于石化设备运行数据分析，获取特定设备正常运行状态参数范围；

其中，石化设备历史运行数据分为正常运行数据、启停机数据、故障数据；

其中，石化设备运行某个参数正常运行参数范围为[f_min,normal，f_max,normal]；

其中f_min,normal为设备正常运行参数范围下界，f_max,normal为设备正常运行参数范围上界；若F_normal为历史所有正常运行参数值，F_unnormal为历史所有异常运行状态参数值，则满足：f_min,normal＜＝f_normal；f_normal＜＝f_max,normal；f_unnormal＞f_max,normal或f_unnormal＜f_min,normal；

其中f_min,normal和f_max,normal值可以由专家进行调整；

S33、石化设备运行故障预测模型

石化设备运行故障预测模型，通过分析特定设备运行参数、故障数据，基于RNN神经网络构建设备运行故障预测模型；其中，设备运行故障预测模型，基于设备当前时刻前20分钟状态数据(s₁,s₂...s₂₀)，预测30分钟内设备出现故障的概率值P；

其中设备运行状态数据s，包括设备所有可以采集到的运行参数，包括设备温度、压力、可燃气体浓度、电机转速与电流大小，设备在某分钟内运行状态数据s为特征向量形式(f₁,f₂...f_n)；其中f_n为该设备第n个运行参数对应归一化值，其中，运行参数归一化值具体计算方法为：其中f_n为该参数归一化值，f_r为该参数实际取值，f_max为该参数取值范围上界，f_min为该参数取值范围下界；

其中，P基于历史数据获取，若该时刻后30分钟内发生事故则P＝1.0，若该时刻后30分钟内没有发生事故P＝0.0，其中，RNN人工神经网络，采用LSTM架构，最长时序为20步；

S4、石化企业安全生产实时画像，石化企业安全生产实时画像为一套标准数据分析流程，包括一套实时计算引擎、一套智能分析算法，能够实时分析企业安全生产过程数据，自动生成并存储企业安全生产画像结果；

其中，所述实时计算引擎为一组实时计算程序，能够实时处理企业安全生产数据，得到装置设备运行状态评估值，其中状态数据包括设备所有运行参数数据s，设备检修时间间隔t；

其中，所述智能分析算法包括石化企业安全生产画像模型，能够根据装置设备实时状态数据判断机器是否运行异常、是否超期未检；

其中，设备是否超期未检判定方法为：其中，t为设备距离上次检修时间，T为该类设备最佳检修周期；

其中，设备运行状态判定方法为：其中s为设备当前运行状态，feature为运行状态s的一个运行参数值；其中gf为设备某个运行参数运行状态是否正常的判断函数，f_min,normal为设备正常运行参数范围下界，f_max,normal为设备正常运行参数范围上界；

其中，企业安全生产画像结果由安全生产画像装置实时保存到安全生产数据存储平台；

S5、安全生产智能决策应用，石化企业安全生产智能决策应用为一组企业安全生产服务功能，能够为企业日常安全生产提供直接支持；

可选的石化企业安全生产智能决策应用包括企业安全生产状况查看、企业安全生产隐患提示、企业安全生产风险预警、企业安全生产评分；

其中，企业安全生产状况查看，能够将企业所有装置设备检修、待检、超期未检情况展示给用户，其中，待检设备为在一周内即将到达下次检修时间的设备，其中，超期未检设备为当前时间距离该设备上次检修时间超过检修周期的设备；

其中，企业安全生产隐患提示，能够将企业所有设备异常情况展示给用户，包括异常设备名称、设备出现异常时间、出现异常次数信息；其中，设备异常情况包括设备未启用、设备运行异常；

其中，企业安全生产风险预警，能够基于设备故障预测模型，结合设备当前时间内状态，评估设备未来30分钟内出现故障的概率p；

当设备安全生产风险预警概率值p满足p＞＝P_threshold时，向用户发出警报，其中P_threshold为用户对该类设备设置的警报阈值；

企业安全生产风险预警能够将短期内可能发生的设备故障推送给用户，供用户参考，避免各类故障发生；

其中，企业安全生产状况评分，能够综合分析企业安全生产画像结果，按照统一标准为企业安全生产状况评分；

其中，企业安全生产状况评分方法为score＝100-w₁*r₁-w₂*r₂-w₃*r₃；其中，r₁为企业设备超期未检率，r₂为企业设备异常率，r₃为企业设备故障预警值；其中w₁为企业设备超期未检权重(30)，w₂为企业设备异常权重(35)，w₃为企业设备故障预警权重(35)；

其中，企业安全生产评分值反应了企业安全生产水平，评分值越大说明企业安全生产水平越高。

相关的方法由Python语言开发实现，完成了一种基于生产大数据分析石油化工企业生产隐患问题的方法及装置的全部处理过程。

本发明的有益效果是：

本发明提出一种基于大数据分析企业生产隐患方法及装置，该方法基于大数据处理技术与智能算法，通过特定数据评估模型(石化设备检修周期分析模型、石化设备运行状态分析模型、石化设备运行故障预测模型等)挖掘企业安全生产数据生成企业安全生产画像。相关石化企业安全生产画像能够基于一套统一、科学、规范的标准化体系，涵盖企业安全生产的相关维度，为企业安全生产提供基础支撑。

本发明提出一种基于大数据分析企业生产隐患方法及装置，该装置能自动结合企业安全生产画像与安全生产数据分析，智能发现安全生产的隐患，评估相关风险，提高企业安全生产的自动化监控管理水平。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种基于大数据分析企业生产隐患装置，其特征在于，包括石化企业安全生产数据评估维度模块、用于收集生产数据的石化企业安全生产数据收集装置、用于生成安全生产画像结果的石化企业安全生产画像装置和针对石化企业安全生产画像分析结果的安全生产智能决策应用装置；

所述石化企业安全生产数据评估维度模块与石化企业安全生产数据收集装置通过数据通信连接，所述石化企业安全生产数据收集装置与石化企业安全生产画像装置电性连接，石化企业安全生产画像装置双向电性连接有安全生产智能决策应用装置。

2.根据权利要求1所述的基于大数据分析企业生产隐患装置，其特征在于，企业安全生产数据收集装置为一套标准化服务，所述标准化服务为一组可以通过网络访问的程序，为WEB服务或SOCKET接口。

3.根据权利要求2所述的基于大数据分析企业生产隐患装置，其特征在于，网络终端包括计算机、手机、传感器、仪器仪表，所述网络包括互联网、移动网络、物联网。

4.根据权利要求1-3任一所述的基于大数据分析企业生产隐患装置，其特征在于，石化企业安全生产画像装置包括一组大数据存储系统、一套实时计算引擎和一组石化企业安全生产画像模型。

5.根据权利要求1所述的基于大数据分析企业生产隐患装置，其特征在于，所述大数据存储系统包括一套分布式数据库系统和一套分布式文件存储系统。

6.根据权利要求1所述的基于大数据分析企业生产隐患装置，其特征在于，所述石化企业安全生产画像模型包括设备检修周期分析模型、设备运行状态评估模型和设备运行故障预测模型。

7.根据权利要求1-3任一所述的基于大数据分析企业生产隐患装置，其特征在于，石化企业安全生产智能决策应用装置包括一套标准服务接口，用户访问终端包括计算机或手机，标准服务接口为可以为WEB服务或SOCKET接口。

8.一种如权利要求1-7任一所述的基于大数据分析企业生产隐患装置的方法，其特征在于，步骤如下：

S1、确定石化企业安全生产数据评估维度，所述石化企业安全生产数据评估维度涵盖设备设施完整性、人员资质、操作流程规范企业安全生产相关内容，设备设施完整性为企业安全生产画像体系的核心内容，描述企业生产中所涉及的设备设施是否完好、是否正常稳定运行；

S2、建立企业安全生产数据收集装置，企业安全生产数据收集装置为一套统一的数据上传服务，企业各类人员或设备使用终端通过各类网络实时上传企业安全生产数据；

S3、石化企业安全生产画像模型构建，所述石化企业安全生产画像模型，为一组企业安全生产智能分析算法，所述企业安全生产画像模型，基于企业历史安全生产大数据学习得到，能够评估各类装置设备运行状态、发现安全生产隐患与风险；

其中，可选的石化企业安全生产画像模型包括：

S31、石化设备检修周期分析模型

所述石化设备检修周期分析模型，通过分析特定设备历史检修、故障数据，来获得最佳设备检修周期，其中，最佳设备检修周期为使该类设备达到最大可用性的检修周期；

其中，设备最大可用性是指固定时间间隔内，达到最大值；其中，t_P为该周期内设备检修总时间，t_M为该周期内设备故障修复总时间，t_N为该周期内设备正常工作总时间；

所述石化设备检修周期分析模型假设设备故障率与检修周期服从二参数韦伯分布：其中，λ(t)为设备故障率，t为设备检修周期，β与η为模型分布参数；

基于此分布，模型得到最佳设备检修周期为：

其中，t_p为设备检修所需时间，计算方法为其中M为设备历史检修次数，t_i为该类设备历史检修每次所花费时间，参数β与η基于特定设备历史数据使用最小二乘法得到，t_m为设备故障修复所需时间，计算方法为其中M为设备历史故障次数，t_i为设备历史故障修复所花费时间；

S32、石化设备运行状态评估模型，石化设备运行状态评估模型基于石化设备运行数据分析，获取特定设备正常运行状态参数范围；

其中，石化设备历史运行数据分为正常运行数据、启停机数据、故障数据；石化设备运行某个参数正常运行参数范围为[f_min,normal，f_max,normal]；f_min,normal为设备正常运行参数范围下界，f_max,normal为设备正常运行参数范围上界；若F_normal为历史所有正常运行参数值，F_unnormal为历史所有异常运行状态参数值，则满足：f_min,normal＜＝f_normal；f_normal＜＝f_max,normal；f_unnormal＞f_max,normal或f_unnormal＜f_min,normal；

S33、石化设备运行故障预测模型

石化设备运行故障预测模型，通过分析特定设备运行参数、故障数据，基于RNN神经网络构建设备运行故障预测模型；其中，设备运行故障预测模型，基于设备当前时刻前20分钟状态数据(s₁,s₂...s₂₀)，预测30分钟内设备出现故障的概率值P，

其中设备运行状态数据s，包括设备所有可以采集到的运行参数，包括设备温度、压力、可燃气体浓度、电机转速与电流大小，设备在某分钟内运行状态数据s为特征向量形式(f₁,f₂...f_n)；其中f_n为该设备第n个运行参数对应归一化值，其中，运行参数归一化值具体计算方法为：其中f_n为该参数归一化值，f_r为该参数实际取值，f_max为该参数取值范围上界，f_min为该参数取值范围下界；

其中，P基于历史数据获取，若该时刻后30分钟内发生事故则P＝1.0，若该时刻后30分钟内没有发生事故P＝0.0，其中，RNN人工神经网络，采用LSTM架构，最长时序为20步；

S4、石化企业安全生产实时画像实时分析企业安全生产过程数据，自动生成并存储企业安全生产画像结果；

S5、石化企业安全生产智能决策应用为一组企业安全生产服务功能，为企业日常安全生产提供直接支持，当设备安全生产风险预警概率值p满足p＞＝P_threshold时，向用户发出警报，其中P_threshold为用户对该类设备设置的警报阈值。