CN111372049B - 一种轨道交通危险源识别与智能预警设备及方法 - Google Patents
一种轨道交通危险源识别与智能预警设备及方法 Download PDFInfo
- Publication number
- CN111372049B CN111372049B CN202010164180.2A CN202010164180A CN111372049B CN 111372049 B CN111372049 B CN 111372049B CN 202010164180 A CN202010164180 A CN 202010164180A CN 111372049 B CN111372049 B CN 111372049B
- Authority
- CN
- China
- Prior art keywords
- source
- danger
- dangerous
- hazard
- cleaned
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 15
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种轨道交通危险源识别与智能预警设备及方法。设备包括:危险源识别设备、云端和危险预警设备;危险源识别设备、云端与危险预警设备依次连接,危险源识别设备获取的危险源信息和危险源现场图片编码信号通过云端传输至危险预警设备,危险预警设备将危险源现场图片编码信号转换为危险源现场图片,筛选得到有效的危险源信息和所述有效的危险源信息对应的危险源现场图片,根据所有有效的危险源信息,得到每个危险源导致的事故的风险指数,将每个危险源导致的事故的风险指数与预设事故风险指数阈值进行比较,获得报警信息。本发明能够智能识别城市轨道交通危险源、定量计算危险源发生的可能性和危险源可能造成的损失程度,并及时报警。
Description
技术领域
本发明涉及城市轨道交通运输技术领域,特别是涉及一种轨道交通危险源识别与智能预警设备及方法。
背景技术
近年来,城市轨道交通飞速发展,在城市交通中承担的客流占比逐年提升,越来越成为各大城市解决大客流出行需求的必要手段。城市轨道交通的稳定性是评价运营质量的重要指标,一旦发生城市轨道交通突发事件,轻则可能导致列车延误晚点,影响乘客正常出行,重则可能会导致大客流拥堵,甚至引发城市轨道交通事故。如何降低突发事件的发生频率,提高城市轨道交通安全系数,一直是城市轨道交通领域关注的问题。
随着城市轨道交通网络化运营的不断发展,车站、线路之间的联动效应随之增强,也给危险源识别带来了新的挑战。以往,城市轨道交通线路简单,客流量少,已识别的危险源类别较少,且在单一线路条件下,不会给线网运营造成很大的影响。然而,轨道成网运营后,影响轨道交通安全的不安全因素不断增多,线路上的任何故障,很有可能波及到相邻区间及车站,致使线路断面客流激增。
目前的轨道交通危险源管理多采用“安全评价机制”,即通过比对相关法律规范、标准来保障运营安全,不能定量分析各危险发生的可能性及造成的损失程度。
因此,提供一种能够定量识别轨道交通危险源及危险源风险指数的设备是目前亟待解决的技术问题。
发明内容
本发明的目的是提供一种轨道交通危险源识别与智能预警设备及方法,能够智能识别城市轨道交通危险源、定量计算危险源发生的可能性和危险源可能造成的损失程度,并及时报警。
为实现上述目的,本发明提供了如下方案:
一种轨道交通危险源识别与智能预警设备,所述设备包括:危险源识别设备、云端和危险预警设备;
所述危险源识别设备与所述云端连接,所述危险源识别设备用于获取危险源信息和危险源现场图片编码信号,并将所述危险源信息和所述危险源现场图片编码信号均传输至所述云端;所述危险源信息包括危险源发生位置和危险源类别;
所述云端与所述危险预警设备连接,所述危险预警设备用于获取所述云端的所述危险源信息和所述危险源现场图片编码信号,将所述危险源现场图片编码信号转换为危险源现场图片,根据所述危险源信息和所述危险源现场图片筛选得到有效的危险源信息和所述有效的危险源信息对应的危险源现场图片,存储与显示所述有效的危险源信息和所述有效的危险源信息对应的危险源现场图片,根据存储的所有所述有效的危险源信息,得到每类危险源导致的事故的风险指数,将每类所述危险源导致的事故的风险指数与预设事故风险指数阈值进行比较,获得报警信息。
可选的,所述危险源识别设备包括:录入装置、摄像头、图像传感器和图像编码器;
所述录入装置与所述云端连接,所述录入装置用于获取所述危险源信息,并将所述危险源信息传输至所述云端;
所述摄像头与所述图像传感器连接,所述摄像头用于获取所述危险源现场图片,并将所述危险源现场图片传输至所述图像传感器;
所述图像传感器与所述图像编码器连接,所述图像传感器用于将所述危险源现场图片转换成危险源现场图片电信号,并将所述危险源现场图片电信号传输至所述图像编码器;
所述图像编码器与所述云端连接,所述图像编码器用于对所述危险源现场图片电信号进行压缩编码,获得危险源现场图片编码信号,并将所述危险源现场图片编码信号传输至所述云端。
可选的,所述危险预警设备包括:图像解码器、人机交互界面、PLC和存储单元;
所述图像解码器分别与所述云端和所述人机交互界面连接,所述图像解码器用于获取所述云端的所述危险源现场图片编码信号,并将所述危险源现场图片编码信号解码为所述危险源现场图片,并将所述危险源现场图片传输至所述人机交互界面;
所述人机交互界面分别与所述云端和所述存储单元连接,所述人机交互界面用于显示所述云端的所述危险源信息和所述危险源现场图片,根据所述危险源信息和所述危险源现场图片筛选得到有效的危险源信息和所述有效的危险源信息对应的危险源现场图片,并将所述有效的危险源信息和所述有效的危险源信息对应的危险源现场图片均传输至所述存储单元;
所述PLC分别与所述存储单元和所述人机交互界面连接,所述PLC用于获取所述存储单元的所有有效的危险源信息,根据每类所述有效的危险源信息得到每类所述危险源导致的事故的风险指数,将每类所述危险源导致的事故的风险指数与预设事故风险指数阈值进行比较,获得报警信息,并将所述报警信息传输至所述人机交互界面进行显示。
一种轨道交通危险源识别与智能预警方法,所述方法包括:
获取危险源清单;
利用Apriori算法对所述危险源清单中的每类危险源进行关联分析,得到多类清洗后的危险源;
对多类所述清洗后的危险源进行数据统计,获得每类清洗后的危险源的发生概率;
确定每类所述清洗后的危险源导致的所有事故;
根据每类所述清洗后的危险源的发生概率和每类所述清洗后的危险源导致的所有事故,获得每类所述事故的风险指数;
将每类所述事故的风险指数与预设风险指数阈值进行比较,获得危险报警信息。
可选的,所述对多类所述清洗后的危险源进行数据统计,获得每类清洗后的危险源的发生概率,具体包括:
根据所述清洗后的危险源,获得每类清洗后的危险源的数据统计量;
根据每类所述清洗后的危险源的数据统计量,获得所有清洗后的危险源的数据总量;
其中,Pi为第i类清洗后的危险源的发生概率,Ni为第i类清洗后的危险源的数据统计量,N为所有所述清洗后的危险源的数据总量。
可选的,所述根据每类所述清洗后的危险源的发生概率和每类所述清洗后的危险源导致的所有事故,获得每类所述事故的风险指数,具体包括:
根据所述清洗后的危险源和所述清洗后的危险源导致的所有事故,构建事故树;所述清洗后的危险源为所述事故树的基本事件;所述清洗后的危险源导致的所述事故为所述事故树的顶上事件;
根据所述事故树,获得每个所述顶上事件的所有最小割集;
根据每个所述基本事件的发生概率,获得每个所述顶上事件的每个最小割集的概率;
将每个所述顶上事件的每个最小割集的概率求和,获得每个所述顶上事件的发生概率;
根据每个所述顶上事件,利用定量估计算法,获得每个所述顶上事件造成的损失值;
根据每个所述顶上事件的发生概率和每个所述顶上事件造成的损失值,获得每类所述事故的风险指数。
可选的,所述根据每个所述顶上事件,利用定量估计算法,获得每个所述顶上事件造成的损失值,具体包括:
根据每个所述顶上事件,获得每个所述顶上事件的事故持续时间和事故人员伤亡范围;
根据每个所述顶上事件的事故持续时间,依据定量估计算法确定的时间损失量化赋值表,获得每个所述顶上事件的事故持续时间损失量化赋值;
根据每个所述顶上事件的事故人员伤亡范围,依据定量估计算法确定的人员损失量化赋值表,获得每个所述顶上事件的事故人员伤亡范围损失量化赋值;
其中,Ci为第i个顶上事件造成的损失值,ti为第i个顶上事件的事故持续时间损失量化赋值,di为第i个顶上事件的事故人员伤亡范围损失量化赋值。
可选的,所述根据每个所述顶上事件的发生概率和每个所述顶上事件造成的损失值,获得每类所述事故的风险指数,具体包括:
根据每个所述顶上事件的发生概率,依据事故概率量化赋值表,获得每个所述顶上事件的概率量化赋值;
根据每个所述顶上事件的概率量化赋值和每个所述顶上事件造成的损失的值,利用公式Ri=Qi×Ci,获得每类所述事故的风险指数;
其中,Ri为第i类事故的风险指数,Qi为第i个顶上事件的概率量化赋值,Ci为第i个顶上事件造成的损失值。
可选的,所述将每类所述事故的风险指数与预设风险指数阈值进行比较,获得危险报警信息之后,还包括:
根据所述事故,获得引发所述事故的所有危险源。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过危险源识别设备采集危险源信息和危险源现场图片,通过云端,将危险源信息和危险源现场图片传送至危险预警设备,危险预警设备能够筛选出有效的危险源信息和有效的危险源现场图片,并将其进行存储,统计存储的危险源信息,可以得到每类危险源导致的事故的风险指数,实现了智能识别城市轨道交通危险源、定量计算危险源发生的可能性以及危险源可能造成的损失程度。并且根据风险指数获得相应的报警信息,实现了实时报警,有效地预防了城市轨道交通事件的发生,增加了城市轨道交通运营的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种轨道交通危险源识别与智能预警设备的结构图;
图2为本发明提供的一种轨道交通危险源识别与智能预警设备的原理图;
图3为本发明提供的一种轨道交通危险源识别与智能预警设备的原理图;
图4为本发明提供的一种轨道交通危险源识别与智能预警方法的流程图;
图5为本发明提供的获取危险源清单的原理图;
符号说明:
1-危险源识别设备,2-云端,3-危险预警设备,4-录入装置,5-摄像头,6-图像传感器,7-图像编码器,8-图像解码器,9-人机交互界面,10-存储单元,11-PLC。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
本发明的目的是提供一种轨道交通危险源识别与智能预警设备及方法,能够智能识别城市轨道交通危险源、定量计算危险源发生的可能性和危险源可能造成的损失程度,并及时报警。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的一种轨道交通危险源识别与智能预警设备的结构图。如图1所示,一种轨道交通危险源识别与智能预警设备包括:危险源识别设备1、云端2和危险预警设备3。
危险源识别设备1与云端2连接,危险源识别设备1用于获取危险源信息和危险源现场图片编码信号,并将危险源信息和危险源现场图片编码信号通过无线通讯接口均传输至云端2,如图2所示的RS485接口。危险源信息包括危险源发生位置和危险源类别。危险源信息还包括根据现场获得的危险源的其他相关参数,如发生时段,如图3所示。其中,危险源识别设备1体积较小,可作为手持终端随身携带,以便在发现危险源时及时采集并上传,如图2所示的手持终端1、手持终端2和手持终端n。
云端2与危险预警设备3连接,危险预警设备3位于线网危险源管理中心,危险预警设备3用于获取云端2的危险源信息和危险源现场图片编码信号,将危险源现场图片编码信号转换为危险源现场图片,根据危险源信息和危险源现场图片筛选得到有效的危险源信息和有效的危险源信息对应的危险源现场图片,存储与显示有效的危险源信息和有效的危险源信息对应的危险源现场图片,根据存储的所有有效的危险源信息,得到每类危险源导致的事故的风险指数,将每类危险源导致的事故的风险指数与预设事故风险指数阈值进行比较,获得报警信息。
如图2所示,云端通过RS485接口将危险源信息和危险源现场图片编码信号传输至交换机,交换机的传输利用以太网,使用串口通讯的方式,并依照OPC标准。
危险源识别设备1包括:录入装置4、摄像头5、图像传感器6和图像编码器7。
录入装置4与云端2连接,录入装置4用于获取危险源信息,并将危险源信息传输至云端2。
摄像头5与图像传感器6连接,摄像头5用于获取危险源现场图片,并将危险源现场图片传输至图像传感器6。
图像传感器6与图像编码器7连接,图像传感器6用于将危险源现场图片转换成危险源现场图片电信号,并将危险源现场图片电信号传输至图像编码器7。
图像编码器7与云端2连接,图像编码器7用于对危险源现场图片电信号进行压缩编码,获得危险源现场图片编码信号,并将危险源现场图片编码信号传输至云端2。
危险预警设备3包括:图像解码器8、人机交互界面9、PLC11和存储单元10。
图像解码器8分别与云端2和人机交互界面9(如图5所示的HMI)连接,图像解码器8用于获取云端2的危险源现场图片编码信号,并将危险源现场图片编码信号解码为危险源现场图片,并将危险源现场图片传输至人机交互界面9。
人机交互界面9分别与云端2和存储单元10连接,人机交互界面9用于显示云端2的危险源信息和危险源现场图片,线网危险源管理中心工作人员收到更新提示,并查看危险源信息和危险源现场图片,筛选核实后得到有效的危险源信息和有效的危险源信息对应的危险源现场图片,并将有效的危险源信息和有效的危险源信息对应的危险源现场图片均传输至存储单元10。存储单元10包括数据库和文件,如图5所示,有效的危险源信息导入数据库,有效的危险源信息对应的危险源现场图片保存至文件中。
PLC11分别与存储单元10和人机交互界面9连接,PLC11用于获取存储单元10的所有有效的危险源信息,根据每类有效的危险源信息得到每类危险源导致的事故的风险指数,将每类危险源导致的事故的风险指数与预设事故风险指数阈值进行比较,获得报警信息,并将报警信息传输至人机交互界面9进行显示。
工作人员还可以通过人机交互界面9取消报警信息。
本发明通过危险源识别设备采集危险源信息和危险源现场图片,通过云端,将危险源信息和危险源现场图片传送至危险预警设备,危险预警设备能够筛选出有效的危险源信息和有效的危险源现场图片,并将其进行存储,统计存储的危险源信息,可以得到每类危险源导致的事故的风险指数,实现了智能识别城市轨道交通危险源、定量计算危险源发生的可能性以及危险源可能造成的损失程度。并且根据风险指数获得相应的报警信息,实现了实时报警,有效地预防了城市轨道交通事件的发生,增加了城市轨道交通运营的安全性。
对应于一种轨道交通危险源识别与智能预警设备,本发明还提供了一种轨道交通危险源识别与智能预警方法,如图4所示,方法包括:
S301,获取危险源清单,具体获取方法为:
对城市轨道交通公司展开调查,从车站、区间和车辆等系统逐个排查,获得轨道交通危险管理日志,制定危险源清单,如图5所示。其中,车站包括站台区域、站厅区域、车控室、出入口和楼梯。区间包括站台区域、站厅区域、车控室、出入口和楼梯。车辆包括供电设备、信号故障、车辆故障、轨道和消防设备。
S302,利用Apriori算法对危险源清单中的每类危险源进行关联分析,得到多类清洗后的危险源。
Apriori算法是一种挖掘关联规则的频繁项集算法,本发明利用Apriori算法,分析危险源关联程度,得到频繁项集,频繁项集即为清洗后的危险源数据。
S303,对多类清洗后的危险源进行数据统计,获得每类清洗后的危险源的发生概率,具体包括:
根据清洗后的危险源,获得每类清洗后的危险源的数据统计量,可以通过语句select count(yuan i)from table得出。
根据每类清洗后的危险源的数据统计量,获得所有清洗后的危险源的数据总量,可以通过select count(*)from table得出。
其中,Pi为第i类清洗后的危险源的发生概率,Ni为第i类清洗后的危险源的数据统计量,N为所有清洗后的危险源的数据总量。
S304,确定每类清洗后的危险源导致的所有事故。
S305,根据每类清洗后的危险源的发生概率和每类清洗后的危险源导致的所有事故,获得每类事故的风险指数,具体包括:
根据清洗后的危险源和清洗后的危险源导致的所有事故,构建事故树。清洗后的危险源为事故树的基本事件。清洗后的危险源导致的所有事故为事故树的顶上事件。
根据事故树,获得每个顶上事件的所有最小割集。
根据每个基本事件的发生概率,获得每个顶上事件的每个最小割集的概率。
将每个顶上事件的每个最小割集的概率求和,获得每个顶上事件的发生概率。
根据每个顶上事件,利用定量估计算法,获得每个顶上事件造成的损失值,具体包括:
根据每个顶上事件,获得每个顶上事件的事故持续时间和事故人员伤亡范围。
根据每个顶上事件的事故持续时间,依据定量估计算法确定的时间损失量化赋值表,如表1所示,获得每个顶上事件的事故持续时间损失量化赋值。
表1时间损失量化赋值表
类别 | 1 | 2 | 3 | 4 | 5 | 6 |
时间t | 小于1h | 1~6h | 6~24h | 24h~7d | 7d~30d | 30d以上 |
量化赋值i | 1 | 2 | 3 | 4 | 5 | 6 |
根据每个顶上事件的事故人员伤亡范围,依据定量估计算法确定的人员损失量化赋值表,如表2所示,获得每个顶上事件的事故人员伤亡范围损失量化赋值。
表2人员损失量化赋值表
其中,Ci为第i个顶上事件造成的损失值,ti为第i个顶上事件的事故持续时间损失量化赋值,di为第i个顶上事件的事故人员伤亡范围损失量化赋值。
将事故持续时间损失量化赋值和事故人员伤亡范围损失量化赋值构成事故损失矩阵,如表3所示,事故损失矩阵列出了顶上事件可能造成的所有的损失值。
表3事故损失矩阵
根据每个顶上事件的发生概率和每个顶上事件造成的损失值,获得每类事故的风险指数,具体包括:
根据每个顶上事件的发生概率,依据事故概率量化赋值表,如表4所示,获得每个顶上事件的概率量化赋值。
根据每个顶上事件的概率量化赋值和每个顶上事件造成的损失的值,利用公式Ri=Qi×Ci,获得每类事故的风险指数。
其中,Ri为第i类事故的风险指数,Qi为第i个顶上事件的概率量化赋值,Ci为第i个顶上事件造成的损失值。
表4事故概率量化赋值表
根据事故的风险指数,依据风险等级划分表,如表5所示,还可以获得危险事故的风险等级。
表5风险等级划分表
S306,将每类事故的风险指数与预设风险指数阈值进行比较,获得危险报警信息。
步骤S306之后还包括:
根据事故,获得引发事故的所有危险源。
通过以上过程,即实现了轨道交通事故风险的定量分析。
随着数据库中的数据量的增加,相应事故树基本事件概率随之升高,必然会导致顶事件概率的变化。所以,危险预警设备3每5分钟内检索一次数据库相关危险源统计量,根据统计量计算实时危险概率,数据库更新后的第i类危险源发生概率为:Pi′为数据库更新后的第i类危险源发生概率,Ni为第i类清洗后的危险源的数据统计量,N为所有所述清洗后的危险源的数据总量,ΔXi为5分钟内新增危险源i的数据统计量。
根据实时危险概率更新危险源风险指数,实现危险动态评估及预警功能,以供线网危险源管理中心人员发现潜在危险并及时采取处置决策,达到提高城市轨道系统安全性的目的。
本发明的有益效果:
1、本发明实现了轨道交通危险源风险指数的定量分析。
2、本发明可以将图片上传到线网危险源管理中心,便于线网危险源管理中心对现场状况做出更直观的了解和判断,从而采取正确的危险源处置决策。
3、本发明提供的危险源识别设备1体积较小,可以随身携带,方便工作人员在发现危险源后及时将信息录入数据库系统。
4、本发明可以实现危险源数据库的实时更新,并实时计算危险源数据更新后的风险指数,并在风险发生的可能性增大到一定程度时自动报警,实现了对轨道交通危险源的动态监督与管理。
5、本发明提供的一种轨道交通危险源识别与智能预警设备设有高兼容性的数据传输接口,可以兼容各主流设备的传输数据,节省了数据传输时间。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种轨道交通危险源识别与智能预警设备,其特征在于,所述设备包括:危险源识别设备、云端和危险预警设备;
所述危险源识别设备与所述云端连接,所述危险源识别设备用于获取危险源信息和危险源现场图片编码信号,并将所述危险源信息和所述危险源现场图片编码信号均传输至所述云端;所述危险源信息包括危险源发生位置和危险源类别;
所述危险源识别设备包括:录入装置、摄像头、图像传感器和图像编码器;所述危险源识别设备可作为手持终端随身携带,以便在发现危险源时及时采集并上传;
所述云端与所述危险预警设备连接,所述危险预警设备用于获取所述云端的所述危险源信息和所述危险源现场图片编码信号,将所述危险源现场图片编码信号转换为危险源现场图片,根据所述危险源信息和所述危险源现场图片筛选得到有效的危险源信息和所述有效的危险源信息对应的危险源现场图片,存储与显示所述有效的危险源信息和所述有效的危险源信息对应的危险源现场图片,根据存储的所有所述有效的危险源信息,得到每类危险源导致的事故的风险指数,将每类所述危险源导致的事故的风险指数与预设事故风险指数阈值进行比较,获得报警信息;
其中,根据所述危险源信息和所述危险源现场图片筛选得到有效的危险源信息和所述有效的危险源信息对应的危险源现场图片,存储与显示所述有效的危险源信息和所述有效的危险源信息对应的危险源现场图片,根据存储的所有所述有效的危险源信息,得到每类危险源导致的事故的风险指数,将每类所述危险源导致的事故的风险指数与预设事故风险指数阈值进行比较,获得报警信息,具体包括:
获取危险源清单;
利用Apriori算法对所述危险源清单中的每类危险源进行关联分析,得到多类清洗后的危险源;
对多类所述清洗后的危险源进行数据统计,获得每类清洗后的危险源的发生概率,具体包括:
根据所述清洗后的危险源,获得每类清洗后的危险源的数据统计量;
根据每类所述清洗后的危险源的数据统计量,获得所有清洗后的危险源的数据总量;
其中,Pi为第i类清洗后的危险源的发生概率,Ni为第i类清洗后的危险源的数据统计量,N为所有所述清洗后的危险源的数据总量;
确定每类所述清洗后的危险源导致的所有事故;
根据每类所述清洗后的危险源的发生概率和每类所述清洗后的危险源导致的所有事故,获得每类所述事故的风险指数,具体包括:
根据所述清洗后的危险源和所述清洗后的危险源导致的所有事故,构建事故树;所述清洗后的危险源为所述事故树的基本事件;所述清洗后的危险源导致的所述事故为所述事故树的顶上事件;
根据所述事故树,获得每个所述顶上事件的所有最小割集;
根据每个所述基本事件的发生概率,获得每个所述顶上事件的每个最小割集的概率;
将每个所述顶上事件的每个最小割集的概率求和,获得每个所述顶上事件的发生概率;
根据每个所述顶上事件,利用定量估计算法,获得每个所述顶上事件造成的损失值;
根据每个所述顶上事件的发生概率和每个所述顶上事件造成的损失值,获得每类所述事故的风险指数;
将每类所述事故的风险指数与预设风险指数阈值进行比较,获得危险报警信息。
2.根据权利要求1所述的轨道交通危险源识别与智能预警设备,其特征在于,所述危险源识别设备包括:录入装置、摄像头、图像传感器和图像编码器;
所述录入装置与所述云端连接,所述录入装置用于获取所述危险源信息,并将所述危险源信息传输至所述云端;
所述摄像头与所述图像传感器连接,所述摄像头用于获取所述危险源现场图片,并将所述危险源现场图片传输至所述图像传感器;
所述图像传感器与所述图像编码器连接,所述图像传感器用于将所述危险源现场图片转换成危险源现场图片电信号,并将所述危险源现场图片电信号传输至所述图像编码器;
所述图像编码器与所述云端连接,所述图像编码器用于对所述危险源现场图片电信号进行压缩编码,获得危险源现场图片编码信号,并将所述危险源现场图片编码信号传输至所述云端。
3.根据权利要求1所述的轨道交通危险源识别与智能预警设备,其特征在于,所述危险预警设备包括:图像解码器、人机交互界面、PLC和存储单元;
所述图像解码器分别与所述云端和所述人机交互界面连接,所述图像解码器用于获取所述云端的所述危险源现场图片编码信号,并将所述危险源现场图片编码信号解码为所述危险源现场图片,并将所述危险源现场图片传输至所述人机交互界面;
所述人机交互界面分别与所述云端和所述存储单元连接,所述人机交互界面用于显示所述云端的所述危险源信息和所述危险源现场图片,根据所述危险源信息和所述危险源现场图片筛选得到有效的危险源信息和所述有效的危险源信息对应的危险源现场图片,并将所述有效的危险源信息和所述有效的危险源信息对应的危险源现场图片均传输至所述存储单元;
所述PLC分别与所述存储单元和所述人机交互界面连接,所述PLC用于获取所述存储单元的所有有效的危险源信息,根据每类所述有效的危险源信息得到每类所述危险源导致的事故的风险指数,将每类所述危险源导致的事故的风险指数与预设事故风险指数阈值进行比较,获得报警信息,并将所述报警信息传输至所述人机交互界面进行显示。
4.一种轨道交通危险源识别与智能预警方法,其特征在于,所述方法包括:
获取危险源清单;
利用Apriori算法对所述危险源清单中的每类危险源进行关联分析,得到多类清洗后的危险源;
对多类所述清洗后的危险源进行数据统计,获得每类清洗后的危险源的发生概率,具体包括:
根据所述清洗后的危险源,获得每类清洗后的危险源的数据统计量;
根据每类所述清洗后的危险源的数据统计量,获得所有清洗后的危险源的数据总量;
其中,Pi为第i类清洗后的危险源的发生概率,Ni为第i类清洗后的危险源的数据统计量,N为所有所述清洗后的危险源的数据总量;
确定每类所述清洗后的危险源导致的所有事故;
根据每类所述清洗后的危险源的发生概率和每类所述清洗后的危险源导致的所有事故,获得每类所述事故的风险指数,具体包括:
根据所述清洗后的危险源和所述清洗后的危险源导致的所有事故,构建事故树;所述清洗后的危险源为所述事故树的基本事件;所述清洗后的危险源导致的所述事故为所述事故树的顶上事件;
根据所述事故树,获得每个所述顶上事件的所有最小割集;
根据每个所述基本事件的发生概率,获得每个所述顶上事件的每个最小割集的概率;
将每个所述顶上事件的每个最小割集的概率求和,获得每个所述顶上事件的发生概率;
根据每个所述顶上事件,利用定量估计算法,获得每个所述顶上事件造成的损失值;
根据每个所述顶上事件的发生概率和每个所述顶上事件造成的损失值,获得每类所述事故的风险指数;
将每类所述事故的风险指数与预设风险指数阈值进行比较,获得危险报警信息。
5.根据权利要求4所述的轨道交通危险源识别与智能预警方法,其特征在于,所述根据每个所述顶上事件,利用定量估计算法,获得每个所述顶上事件造成的损失值,具体包括:
根据每个所述顶上事件,获得每个所述顶上事件的事故持续时间和事故人员伤亡范围;
根据每个所述顶上事件的事故持续时间,依据定量估计算法确定的时间损失量化赋值表,获得每个所述顶上事件的事故持续时间损失量化赋值;
根据每个所述顶上事件的事故人员伤亡范围,依据定量估计算法确定的人员损失量化赋值表,获得每个所述顶上事件的事故人员伤亡范围损失量化赋值;
其中,Ci为第i个顶上事件造成的损失值,ti为第i个顶上事件的事故持续时间损失量化赋值,di为第i个顶上事件的事故人员伤亡范围损失量化赋值。
6.根据权利要求4所述的轨道交通危险源识别与智能预警方法,其特征在于,所述根据每个所述顶上事件的发生概率和每个所述顶上事件造成的损失值,获得每类所述事故的风险指数,具体包括:
根据每个所述顶上事件的发生概率,依据事故概率量化赋值表,获得每个所述顶上事件的概率量化赋值;
根据每个所述顶上事件的概率量化赋值和每个所述顶上事件造成的损失的值,利用公式Ri=Qi×Ci,获得每类所述事故的风险指数;
其中,Ri为第i类事故的风险指数,Qi为第i个顶上事件的概率量化赋值,Ci为第i个顶上事件造成的损失值。
7.根据权利要求4所述的轨道交通危险源识别与智能预警方法,其特征在于,所述将每类所述事故的风险指数与预设风险指数阈值进行比较,获得危险报警信息之后,还包括:
根据所述事故,获得引发所述事故的所有危险源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164180.2A CN111372049B (zh) | 2020-03-11 | 2020-03-11 | 一种轨道交通危险源识别与智能预警设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164180.2A CN111372049B (zh) | 2020-03-11 | 2020-03-11 | 一种轨道交通危险源识别与智能预警设备及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111372049A CN111372049A (zh) | 2020-07-03 |
CN111372049B true CN111372049B (zh) | 2021-10-08 |
Family
ID=71212494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010164180.2A Active CN111372049B (zh) | 2020-03-11 | 2020-03-11 | 一种轨道交通危险源识别与智能预警设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111372049B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521710A (zh) * | 2011-12-22 | 2012-06-27 | 上海建科工程咨询有限公司 | 一种建筑施工质量安全在线风险评估系统 |
CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
CN106127408A (zh) * | 2016-07-04 | 2016-11-16 | 贵州省交通规划勘察设计研究院股份有限公司 | 基于事故树的道路安全状况评价方法 |
CN106127607A (zh) * | 2016-06-24 | 2016-11-16 | 广西电网有限责任公司南宁供电局 | 一种电力事故上下层级原因相关度的分析方法 |
CN109087474A (zh) * | 2018-09-28 | 2018-12-25 | 广州市盟果科技有限公司 | 一种基于大数据的轨道交通安全维护方法 |
CN109751038A (zh) * | 2017-11-01 | 2019-05-14 | 中国石油化工股份有限公司 | 一种定量评测油气井井筒完整性的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8243098B2 (en) * | 2009-06-16 | 2012-08-14 | Mitre Corporation | Authoritative display for critical systems |
CN108596511A (zh) * | 2018-05-09 | 2018-09-28 | 中国铁路总公司 | 一种基于二元决策图算法的接触网失效风险评估方法 |
CN110163500B (zh) * | 2019-05-21 | 2023-07-18 | 重庆科技学院 | 一种基于模糊故障树的储油罐区火灾爆炸风险评估方法 |
-
2020
- 2020-03-11 CN CN202010164180.2A patent/CN111372049B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521710A (zh) * | 2011-12-22 | 2012-06-27 | 上海建科工程咨询有限公司 | 一种建筑施工质量安全在线风险评估系统 |
CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
CN106127607A (zh) * | 2016-06-24 | 2016-11-16 | 广西电网有限责任公司南宁供电局 | 一种电力事故上下层级原因相关度的分析方法 |
CN106127408A (zh) * | 2016-07-04 | 2016-11-16 | 贵州省交通规划勘察设计研究院股份有限公司 | 基于事故树的道路安全状况评价方法 |
CN109751038A (zh) * | 2017-11-01 | 2019-05-14 | 中国石油化工股份有限公司 | 一种定量评测油气井井筒完整性的方法 |
CN109087474A (zh) * | 2018-09-28 | 2018-12-25 | 广州市盟果科技有限公司 | 一种基于大数据的轨道交通安全维护方法 |
Non-Patent Citations (1)
Title |
---|
基于模糊事故树的地铁运营火灾风险评估;朱文敏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190115;第11页第2章-第73页第6章最后1行 * |
Also Published As
Publication number | Publication date |
---|---|
CN111372049A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310632B (zh) | 路况主观评价及信息交互的方法 | |
CN112801338A (zh) | 一种城市轨道交通线网运营突发情况下的辅助决策方法及系统 | |
US20210291614A1 (en) | Health protection system for passengers on a train in a polluted indoor environment and method thereof | |
CN105976116B (zh) | 基于物联网的消防安全动态评价方法及系统 | |
CN110675625B (zh) | 智慧交通大数据方法及系统 | |
CN111445106A (zh) | 一种用电采集设备故障处理作业现场安全控制方法及系统 | |
CN106507315A (zh) | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 | |
CN112884325A (zh) | 一种客站设备应用分析及健康状况评价方法及系统 | |
CN112579975A (zh) | 一种基于大数据可视化分析的环境参数监测管理系统 | |
CN106276469A (zh) | 一种电梯应急处理系统及应急处理方法 | |
CN204508484U (zh) | 电梯维保监察装置 | |
CN113159393A (zh) | 客运站大客流感知预警方法、装置、电子设备和存储介质 | |
CN112233003A (zh) | 一种绿色智能客站系统及集成方法 | |
CN108995675A (zh) | 一种轨道交通运营风险智能识别预警系统及方法 | |
CN113554319A (zh) | 一种安全风险综合评定系统及方法 | |
CN116307728A (zh) | 一种基于大数据分析的地铁线路运行风险管理系统 | |
CN105225193A (zh) | 一种基于多重回归模型的扇区运行性能综合指数的方法及系统 | |
CN116822764A (zh) | 一种消防可视化智能应急指挥系统 | |
CN111372049B (zh) | 一种轨道交通危险源识别与智能预警设备及方法 | |
CN105923020A (zh) | 铁路编组站自动化驼峰解体预告报警系统 | |
CN117610932B (zh) | 一种基于人工智能的公交运营风险管控系统 | |
CN113935571A (zh) | 一种加油站安全风险评估分级方法及系统 | |
CN110837944A (zh) | 调度方法、装置及系统 | |
CN114358539A (zh) | 一种基于风险的铁路运营安全判识方法 | |
RU2725354C1 (ru) | Способ повышения надежности систем железнодорожной автоматики и телемеханики с оценкой его эффективности |
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 |