CN112070215B - 基于bp神经网络的危险态势分析的处理方法及处理装置 - Google Patents
基于bp神经网络的危险态势分析的处理方法及处理装置 Download PDFInfo
- Publication number
- CN112070215B CN112070215B CN202010948216.6A CN202010948216A CN112070215B CN 112070215 B CN112070215 B CN 112070215B CN 202010948216 A CN202010948216 A CN 202010948216A CN 112070215 B CN112070215 B CN 112070215B
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- data
- correction
- network model
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 94
- 238000012545 processing Methods 0.000 title claims abstract description 83
- 238000003672 processing method Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 88
- 210000002569 neuron Anatomy 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 22
- 230000005284 excitation Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 238000011478 gradient descent method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 20
- 238000004519 manufacturing process Methods 0.000 description 20
- 210000002364 input neuron Anatomy 0.000 description 15
- 210000004205 output neuron Anatomy 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于BP神经网络的危险态势分析的处理方法及处理装置，其中处理方法包括：根据车间的历史危险因素数据构建案例库；对案例库中的历史危险因素数据进行预处理，得到预处理后的案例数据；根据危险态势预测要求，建立神经网络模型；根据案例数据对神经网络模型进行训练，得到训练好的目标神经网络；获取车间的当前危险因素数据，并输入至目标神经网络中，得到危险态势预测结果。本发明的实施例，采用BP神经网络设计危险态势分析模型，有效地解决了非确定性危险因素与危险态势之间的非线性关系，提高了分析系统适应能力和可靠性。同时还能及时进行排查解决萌芽状态的车间风险点，降低事故率。
Description
技术领域
本发明涉及车间安全管控技术领域，特别涉及一种基于BP神经网络的危险态势分析的处理方法及处理装置。
背景技术
安全问题的造成往往由危险有害因素诱发产生。车间生产过程中存在诸多危险有害因素，如在生产过程中的人员违规操作、设备误操作、产品意外碰撞损毁等。生产制造过程可涉及有毒、易燃易爆、高温、高压等特殊作业环境，作业设备、作业内容、作业对象等潜在的危险性较大。生产车间的安全管控不仅与生产工人的生命财产息息相关，也与以人为本的发展理念息息相关，所以如何实现安全生产一直是所有生产厂家关注的问题。
近年来，随着传感器技术、计算机网络的发展，人工巡视以及视频监控这类人为因素影响较大,安全保障系数较低的车间安全监测方法先后被淘汰，通过高精度传感器采集生产车间危险因素数据实时传输到后台服务器，实时监控生产车间内的安全生产状况已经成为企业安全生产管控的主流。但是由于车间生产过程中存在诸多不确定因素和难以描述的非线性特征，且管控系统不能及时根据实时数据波动发现风险点，仍会产生许多复杂情况甚至造成重大事故。
发明内容
本发明实施例要达到的技术目的是提供一种基于BP神经网络的危险态势分析的处理方法，通过采用神经网络拟合危险态势与危险因素对应的耦合关系，生成危险态势的综合预测结果，用以解决当前车间的管控系统不能及时根据实时数据波动发现风险点，使得在生产过程中存在安全隐患的问题。
为解决上述技术问题，本发明实施例提供了一种基于BP神经网络的危险态势分析的处理方法，包括：
根据获取到的车间在不同危险态势情况下的历史危险因素数据构建案例库；
对案例库中的历史危险因素数据进行预处理，得到预处理后的案例数据；
根据危险态势预测要求，确定BP神经网路的隐含层数量以及各层的神经元数量，并建立神经网络模型；
根据案例数据对神经网络模型进行训练，得到训练好的目标神经网络；
获取车间的当前危险因素数据，并输入至目标神经网络中，得到危险态势预测结果。
具体地，如上所述的处理方法，对案例库中的历史危险因素数据进行预处理，得到预处理后的案例数据的步骤包括：
根据预设归一化方程对历史危险因素数据进行归一化处理，得到案例数据。
优选地，如上所述的处理方法，根据危险态势预测要求，确定BP神经网路的隐含层数量以及各层的神经元数量，并建立神经网络模型的步骤包括：
根据危险态势预测要求确定BP神经网络的输入层数量、隐含层数量以及输出层数量；
根据所有可能发生的危险因素的数量确定输入层的输入神经元数量；
根据所有可能发生的危险态势的数量确定输出层的输出神经元数量；
根据第一预设算法、输入神经元数量以及输出神经元数量确定隐含层的隐含层神经元数量；
根据输入神经元数量、输出神经元数量、隐含层数量以及隐含层神经元数量，建立神经网络模型。
具体地，如上所述的处理方法，根据案例数据对神经网络模型进行训练，得到训练好的目标神经网络的步骤包括：
初始化神经网络模型的权值、阈值和修正次数；
根据预设的激励函数，得到神经网络模型的输出值；
根据预设的误差函数，得到神经网络模型的误差；
当根据误差或修正次数不满足迭代要求时，根据梯度下降法对神经网络模型进行误差修正，并更新权值和阈值，且修正次数加1；
当根据误差或修正次数满足迭代要求时，确定当前神经网络模型为目标神经网络。
优选地，如上所述的处理方法，根据梯度下降法对神经网络模型进行误差修正，并更新权值和阈值的步骤包括：
根据链式法则确定输入层至隐含层的第一权值修正梯度以及隐含层神经元的第一阈值修正梯度、隐含层至输出层的第二权值修正梯度、输出层神经元的第二阈值修正梯度；
根据第一权值修正梯度以及第一阈值修正梯度，修正并更新输入层至隐含层的第一权值以及隐含层神经元的第一阈值；
根据第二权值修正梯度、第二阈值修正梯度，修正并更新隐含层至输出层的第二权值以及输出层神经元的第二阈值。
具体地，如上所述的处理方法，迭代要求为误差小于一预设误差或者修正次数达到预设迭代次数。
进一步的，如上所述的处理方法，获取车间的当前危险因素数据，并输入至目标神经网络中，得到危险态势预测结果的步骤包括：
获取安装于车间内的传感器组当前采集到车间的当前危险因素数据；
对所述当前危险因素进行所述预处理并输入至所述目标神经网络中，判断当前车间是否正常，且根据累计数据的变化趋势确定车间发生危险的概率。
优选地，如上所述的处理方法，当确定车间发生危险的概率大于预设概率时，进行报警。
本发明的另一优选实施例还提供了一种基于BP神经网络的危险态势分析的处理装置，包括：
第一处理模块，用于根据获取到的车间在不同危险态势情况下的历史危险因素数据构建案例库；
预处理模块，用于对案例库中的历史危险因素数据进行预处理，得到预处理后的案例数据；
模型构建模块，用于根据危险态势预测要求，确定BP神经网路的隐含层数量以及各层的神经元数量，并建立神经网络模型；
模型训练模块，用于根据案例数据对神经网络模型进行训练，得到训练好的目标神经网络；
第二处理模块，用于获取车间的当前危险因素数据，并输入至目标神经网络中，得到危险态势预测结果。
优选地，如上所述的处理装置，模型构建模块包括：
第一处理单元，用于根据危险态势预测要求确定BP神经网络的输入层数量、隐含层数量以及输出层数量；
第二处理单元，用于根据所有可能发生的危险因素的数量确定输入层的输入神经元数量；
第三处理单元，用于根据所有可能发生的危险态势的数量确定输出层的输出神经元数量；
第四处理单元，用于根据第一预设算法、输入神经元数量以及输出神经元数量确定隐含层的隐含层神经元数量；
模型构建单元，用于根据输入神经元数量、输出神经元数量、隐含层数量以及隐含层神经元数量，建立神经网络模型。
具体地，如上所述的处理装置，模型训练模块包括：
初始化单元，用于初始化神经网络模型的权值、阈值和修正次数；
第五处理单元，用于根据预设的激励函数，得到神经网络模型的输出值；
第六处理单元，用于根据预设的误差函数，得到神经网络模型的误差；
第七处理单元，用于当根据误差或修正次数不满足迭代要求时，根据梯度下降法对神经网络模型进行误差修正，并更新权值和阈值，且修正次数加1；
第八处理单元，用于当根据误差或修正次数满足迭代要求时，确定当前神经网络模型为目标神经网络。
优选地，如上所述的处理装置，第三处理单元包括：
第九处理单元，用于根据链式法则确定输入层至隐含层的第一权值修正梯度以及隐含层神经元的第一阈值修正梯度、隐含层至输出层的第二权值修正梯度、输出层神经元的第二阈值修正梯度；
第十处理单元，用于根据第一权值修正梯度以及第一阈值修正梯度，修正并更新输入层至隐含层的第一权值以及隐含层神经元的第一阈值；
第十一处理单元，用于根据第二权值修正梯度、第二阈值修正梯度，修正并更新隐含层至输出层的第二权值以及输出层神经元的第二阈值。
具体地，如上所述的处理装置，迭代要求为误差小于一预设误差或者修正次数达到预设迭代次数。
进一步的，如上所述的处理方法，第二处理模块，包括：
第十二处理单元，用于获取安装于车间内的传感器组当前采集到车间的当前危险因素数据；
第十三处理单元，用于对所述当前危险因素进行所述预处理并输入至所述目标神经网络中，判断当前车间是否正常，且根据累计数据的变化趋势确定车间发生危险的概率。
进一步的，如上所述的处理方法，第二处理模块，还包括：
第十四处理单元，用于当确定车间发生危险的概率大于预设概率时，进行报警。
本发明的再一优选实施例还提供了一种危险态势预测系统，包括：
用于采集车间的危险因素数据的数据采集装置、用于传输危险因素数据的数据传输装置和如上所述的处理装置；
其中，所述数据传输装置分别与所述数据采集装置和所述处理装置通信连接，所述处理装置用于实现上述的基于BP神经网络的危险态势分析的处理方法。
本发明的又一优选实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上所述的基于BP神经网络的危险态势分析的处理方法的步骤。
与现有技术相比，本发明实施例提供的基于BP神经网络的危险态势分析的处理方法及处理装置，至少具有以下有益效果：
本发明采用BP神经网络设计危险态势分析模型，有效地解决了非确定性的危险因素与危险态势之间的非线性关系，同时该方法可以适应不同外部条件对危险态势预测结果的影响，提高了分析系统的适应能力和可靠性，并且随着时间累计和数据丰富，模型的预测准确率可以不断提高。此外本发明还能够通过实时连续采集的车间危险因素参数进行计算，发现处于萌芽状态的车间风险点，及时进行排查解决进而降低事故率，解决了车间生产过程中安全管控不全面、不及时、不准确的问题。
附图说明
图1为本发明的基于BP神经网络的危险态势分析的处理方法的流程示意图之一；
图2为BP神经网络模型示意图；
图3为本发明的基于BP神经网络的危险态势分析的处理方法的流程示意图之二；
图4为本发明的基于BP神经网络的危险态势分析的处理方法的流程示意图之三；
图5为本发明的基于BP神经网络的危险态势分析的处理方法的流程示意图之四；
图6为本发明的基于BP神经网络的危险态势分析的处理方法的流程示意图之五；
图7为本发明的基于BP神经网络的危险态势分析的处理装置的结构示意图；
图8为本发明的危险态势预测系统的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
参见图1，本发明的一优选实施例提供了一种基于BP神经网络的危险态势分析的处理方法，包括：
步骤S101，根据获取到的车间在不同危险态势情况下的历史危险因素数据构建案例库；
在该实施例中，车间内安装有用于检测车间情况的传感器组，传感器组会实时采集车间情况并进行整理，得到已有车间危险事故对应的危险态势以及在对应危险态势情况下的历史危险因素数据；将从数据库或实时根据传感器的检测得到的危险态势情况下的历史危险因素数据作为案例，并构建案例库，使得可通过对生产车间进行危险态势分析，从历史危险因素数据的原始数据中，获取到能够反映生产车间安全状态并体现危险态势的特征参量，便于进行后续分析危险态势与危险因素数据间的关联关系。优选地，特征参量应体现其中的规律性和敏感性。
步骤S102，对案例库中的历史危险因素数据进行预处理，得到预处理后的案例数据；
在该实施例中对历史危险因素数据进行预处理用于提高BP申请网络模型训练过程中的准确度，提高预测效果。其中，每一案例数据中包括：案例的危险态势以及造成该危险态势的危险因素数据或上述的特征参量。
步骤S103，根据危险态势预测要求，确定BP神经网路的隐含层数量以及各层的神经元数量，并建立神经网络模型；
BP神经网络由输入层、隐含层和输出层连接组成，如图2所示，图中圆形结构表示神经元，根据各组案例数据中的N个矢量数据即可获得待构建BP神经网络输入层神经元数量N，也就是危险因素数据或上述的特征参量的数量，以及输出层神经元数量M，也就是危险态势的数量：根据输入层神经元数量N和输出层神经元数量M可获得隐含层神经元数目K。其中：N、K和M均为正整数。
步骤S104，根据案例数据对神经网络模型进行训练，得到训练好的目标神经网络；
该实施例中对神经网路模型进行训练的过程，包括但不限于，初始化神经网络模型，确定好输入层、隐含层、输出层的个数，为网络提供一组训练样本。对每个训练样本进行多次循环逐层正向计算网络各节点的输入和输出，计算样本的输出误差和总误差，当总误差小于允许误差或者达到指定的迭代次数时，学习过程结束，否则，进行误差反向传播，反向逐层计算网络各节点误差；修正网络连接的权值。
步骤S105，获取车间的当前危险因素数据，并输入至目标神经网络中，得到危险态势预测结果。
将实时采集并预处理后的车间的当前危险因素数据输入到已经训练好的目标神经网络中，通过目标神经网络输出的结构可实时对车间的当前危险态势进行分析，推断是否正常，并可根据累计数据的变化趋势推断车间潜在风险发生的概率。
本发明采用BP神经网络设计危险态势分析模型，有效地解决了非确定性的危险因素与危险态势之间的非线性关系，同时该方法可以适应不同外部条件对危险态势预测结果的影响，提高了分析系统的适应能力和可靠性，并且随着时间累计和数据丰富，模型的预测准确率可以不断提高。此外本发明还能够通过实时连续采集的车间危险因素参数进行计算，发现处于萌芽状态的车间风险点，及时进行排查解决进而降低事故率，解决了车间生产过程中安全管控不全面、不及时、不准确的问题。
需要说明的是，车间危险事故包括：人员伤亡、火灾、爆炸等。
具体地，如上所述的处理方法，对案例库中的历史危险因素数据进行预处理，得到预处理后的案例数据的步骤S102，包括：
根据预设归一化方程对历史危险因素数据进行归一化处理，得到案例数据。
在本发明的一优选实施例中，在进行归一化处理之前，首先根据时间顺序，分别对历史危险因素数据进行特征参量的提取，其中特征参量能够反映生产车间安全状态并体现危险态势例如：温度、湿度、易燃气体浓度、粉尘浓度等；进而可根据不同危险态势对应的历史危险因素数据在相同长度的采样点的权重进行整合及归一化处理；且在归一化处理之后，对归一化处理后的数据以预设数量的数据点为一组进行分割，即可得到用于训练的样本矢量数据即案例数据。
其中，归一化处理时所采用的归一化方程优选为：
其中，ai为危险态势的特征参量的第i个样本数据，n为危险态势的特征参量的样本数据总数，max(ai)和min(ai)分别为危险态势的特征参量的最大值和最小值，xi为危险态势的特征参量归一化处理后的第i个样本数据。
其中，归一化的具体作用是归纳统一样本的统计分布性。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的，且sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。归一化是统一在0-1之间的统计概率分布，当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。另外在数据中常存在奇异样本数据，奇异样本数据存在所引起的网络训练时间增加，并可能引起网络无法收敛。为了避免出现这种情况及后面数据处理的方便，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。
参见图3，优选地，如上所述的处理方法，根据危险态势预测要求，确定BP神经网路的隐含层数量以及各层的神经元数量，并建立神经网络模型的步骤S103，包括：
步骤S301，根据危险态势预测要求确定BP神经网络的输入层数量、隐含层数量以及输出层数量；
步骤S302，根据所有可能发生的危险因素的数量确定输入层的输入神经元数量；
步骤S303，根据所有可能发生的危险态势的数量确定输出层的输出神经元数量；
步骤S304，根据第一预设算法、输入神经元数量以及输出神经元数量确定隐含层的隐含层神经元数量；
步骤S305，根据输入神经元数量、输出神经元数量、隐含层数量以及隐含层神经元数量，建立神经网络模型。
在本发明的一具体实施例中，会根据危险态势预测要求确定BP神经网络的输入层数量、隐含层数量以及输出层数量，在此以简单的三层神经网络进行说明，即一个输入层、一个输出层和一个隐含层，其中，输出层输入的为自变量即可能发生的危险因素，根据所有可能发生的危险因素的数量即可得到输入神经元数量；同理，输出层输出的为危险态势，根据所有可能发生的危险态势的数量即可确定输出层的输出神经元数量；隐含层位于输入层和输出层之间，隐含层神经元数量需要根据输入神经元数量以及输出神经元数量确定，其中，优选计算公式为：
其中，f为隐含层神经元数量；m为输入神经元数量；n为输出神经元数量；a为调节常数。在确定输入神经元数量、输出神经元数量、隐含层数量以及隐含层神经元数量之后即可构建神经网络模型。
参见图4，具体地，如上所述的处理方法，根据案例数据对神经网络模型进行训练，得到训练好的目标神经网络的步骤S104，包括：
步骤S401，初始化神经网络模型的权值、阈值和修正次数；
步骤S402，根据预设的激励函数，得到神经网络模型的输出值；
步骤S403，根据预设的误差函数，得到神经网络模型的误差；
步骤S404，当根据误差或修正次数不满足迭代要求时，根据梯度下降法对神经网络模型进行误差修正，并更新权值和阈值，且修正次数加1；
步骤S405，当根据误差或修正次数满足迭代要求时，确定当前神经网络模型为目标神经网络。
在本发明的一具体实施例中，在对神经网络模型进行训练时，首先初始化神经网络模型的各项权值、阈值和修正次数，具体可表示为：为输入层至隐含层的第一权值；为输入层至隐含层的第一阈值；wjk (q)为隐含层至输出层的第二权值；/>为隐含层至输出层的第二阈值；(q)为修正次数，在初始化后q＝0或1。进而当输入层接收到输入后，根据预设的上述权值、阈值以及预设的激励函数即可得到当前训练的输出值，根据预设的误差函数即可得到神经网络的误差。
进一步的，如上所述的处理方法，预设的激励函数为sigmoid函数。
具体地，获取输出值的步骤包括：根据第一预设公式组：
得到输入层第i个样本对应的隐含层第j个样本的输出值Hj，其中g(netj)为激励函数，xi为归一化处理后的第i个样本数据，n为输入层的样本总数；根据第二预设公式组：
得到隐含层第j个样本对应的输出层第k个神经元的输出值Yk，其中g(netj)为激励函数，m为隐含层的样本总数。
误差函数为：
其中，yi表示神经网络的期望输出值，表示神经网络的实际输出值，E(i)为误差。
参见图5，优选地，如上所述的处理方法，根据梯度下降法对神经网络模型进行误差修正，并更新权值和阈值的步骤S404包括：
步骤S501，根据链式法则确定输入层至隐含层的第一权值修正梯度以及隐含层神经元的第一阈值修正梯度、隐含层至输出层的第二权值修正梯度、输出层神经元的第二阈值修正梯度；
步骤S502，根据第一权值修正梯度以及第一阈值修正梯度，修正并更新输入层至隐含层的第一权值以及隐含层神经元的第一阈值；
步骤S503，根据第二权值修正梯度、第二阈值修正梯度，修正并更新隐含层至输出层的第二权值以及输出层神经元的第二阈值。
在本发明的一优先实施例中，优选根据梯度下降法对神经网络模型进行误差修正时，具体为根据链式法则确定输入层至隐含层的第一权值修正梯度Δwjk为：
隐含层神经元的第一阈值修正梯度Δaj为：
隐含层至输出层的第二权值修正梯度Δwjk为：
输出层神经元的第二阈值修正梯度Δbk为：
基于上述，在对根据第一权值修正梯度以及第一阈值修正梯度，修正并更新输入层至隐含层的第一权值以及隐含层神经元的第一阈值时，根据下述的权值的修正公式得到第一权值
根据下述的阈值修正公式得到第一阈值
同理，在根据第二权值修正梯度、第二阈值修正梯度，修正并更新隐含层至输出层的第二权值以及输出层神经元的第二阈值时，根据下述的权值的修正公式得到第二权值
根据下述的阈值修正公式得到第二阈值
其中，η表示学习率，n表示修正次数或迭代次数，n＝1表示第一次修正或迭代，以此类推。
具体地，如上所述的处理方法，迭代要求为误差小于一预设误差或者修正次数达到预设迭代次数。
在本发明的一优选实施例中，迭代要求为误差小于一预设误差或者修正次数达到预设迭代次数，其中，当误差小于预设误差时，确定当前的神经网络模型已达到准确度需求，无需再次进行迭代，提高效率。当修正次数达到预设迭代次数时，确定已完成预设的迭代要求，即满足设计需求，此时也可根据迭代完成后的神经网络模型进行预测。
参见图6，进一步的，如上所述的处理方法，获取车间的当前危险因素数据，并输入至目标神经网络中，得到危险态势预测结果的步骤S105，包括：
步骤S601，获取安装于车间内的传感器组当前采集到车间的当前危险因素数据；
步骤S602，对所述当前危险因素进行所述预处理并输入至所述目标神经网络中，判断当前车间是否正常，且根据累计数据的变化趋势确定车间发生危险的概率。
在本发明的另一具体实施例中，在得到目标神经网络后，通过获取安装于车间内的传感器组检测到的车间的当前危险因素数据，对该当前危险因素数据进行上述的预处理使其满足目标神经网络的输入要求，进而使得在将预处理后的数据输入至目标神经网络时，目标神经网络可得得到输出值，根据输出值即可判断车间当前是否正常，同时根据当前时刻对应的输出值以及前预设时刻的输出值可确定输出值的变化趋势，进而可通过累计数据的变化趋势推断车间潜在危险发生的概率。
进一步的，如上所述的处理方法，当确定车间发生危险的概率大于预设概率时，进行报警。
在该实施例中BP神经网络根据输入数据及历史数据综合推算出当前车间生产过程中存在风险的概率，当概率超过初始设定的预设概率时，将发出风险预警，通过发送报警信息至管理员、控制报警装置声、光报警中的至少一项进行报警。
本发明的实施例，采用BP神经网络设计危险态势分析模型，有效地解决了非确定性危险因素与危险态势之间的非线性关系，同时该方法可以适应不同外部条件对态势预测结果的影响，提高了分析系统适应能力和可靠性，并且随着时间累计和数据丰富，模型的预测准确率可以不断提高。此外本发明还能够通过实时连续采集的车间危险因素参数进行计算，发现处于萌芽状态的车间风险点，及时进行排查解决进而降低事故率，解决了车间生产过程中安全管控不全面、不及时、不准确的问题。
参见图7，本发明的另一优选实施例还提供了一种基于BP神经网络的危险态势分析的处理装置，包括：
第一处理模块701，用于根据获取到的车间在不同危险态势情况下的历史危险因素数据构建案例库；
预处理模块702，用于对案例库中的历史危险因素数据进行预处理，得到预处理后的案例数据；
模型构建模块703，用于根据危险态势预测要求，确定BP神经网路的隐含层数量以及各层的神经元数量，并建立神经网络模型；
模型训练模块704，用于根据案例数据对神经网络模型进行训练，得到训练好的目标神经网络；
第二处理模块705，用于获取车间的当前危险因素数据，并输入至目标神经网络中，得到危险态势预测结果。
优选地，如上所述的处理装置，模型构建模块包括：
第一处理单元，用于根据危险态势预测要求确定BP神经网络的输入层数量、隐含层数量以及输出层数量；
第二处理单元，用于根据所有可能发生的危险因素的数量确定输入层的输入神经元数量；
第三处理单元，用于根据所有可能发生的危险态势的数量确定输出层的输出神经元数量；
第四处理单元，用于根据第一预设算法、输入神经元数量以及输出神经元数量确定隐含层的隐含层神经元数量；
模型构建单元，用于根据输入神经元数量、输出神经元数量、隐含层数量以及隐含层神经元数量，建立神经网络模型。
具体地，如上所述的处理装置，模型训练模块包括：
初始化单元，用于初始化神经网络模型的权值、阈值和修正次数；
第五处理单元，用于根据预设的激励函数，得到神经网络模型的输出值；
第六处理单元，用于根据预设的误差函数，得到神经网络模型的误差；
第七处理单元，用于当根据误差或修正次数不满足迭代要求时，根据梯度下降法对神经网络模型进行误差修正，并更新权值和阈值，且修正次数加1；
第八处理单元，用于当根据误差或修正次数满足迭代要求时，确定当前神经网络模型为目标神经网络。
进一步的，如上所述的处理装置，预设的激励函数为sigmoid函数。
优选地，如上所述的处理装置，第三处理单元包括：
第九处理单元，用于根据链式法则确定输入层至隐含层的第一权值修正梯度以及隐含层神经元的第一阈值修正梯度、隐含层至输出层的第二权值修正梯度、输出层神经元的第二阈值修正梯度；
第十处理单元，用于根据第一权值修正梯度以及第一阈值修正梯度，修正并更新输入层至隐含层的第一权值以及隐含层神经元的第一阈值；
第十一处理单元，用于根据第二权值修正梯度、第二阈值修正梯度，修正并更新隐含层至输出层的第二权值以及输出层神经元的第二阈值。
具体地，如上所述的处理装置，迭代要求为误差小于一预设误差或者修正次数达到预设迭代次数。
进一步的，如上所述的处理方法，第二处理模块，包括：
第十二处理单元，用于获取安装于车间内的传感器组当前采集到车间的当前危险因素数据；
第十二处理单元，用于对所述当前危险因素进行所述预处理并输入至所述目标神经网络中，判断当前车间是否正常，且根据累计数据的变化趋势确定车间发生危险的概率。
本发明的处理装置的实施例是与上述处理方法的实施例对应的处理装置，上述处理方法实施例中的所有实现手段均适用于该处理装置的实施例中，也能达到相同的技术效果。
参见图8，本发明的再一优选实施例还提供了一种危险态势预测系统，包括：
用于采集车间的危险因素数据的数据采集装置801、用于传输危险因素数据的数据传输装置802和如上所述的处理装置803；
其中，所述数据传输装置802分别与所述数据采集装置801和所述处理装置803通信连接，所述处理装置803用于实现上述的基于BP神经网络的危险态势分析的处理方法。
在按照生产工艺流程以及管理过程，在对生产全过程进行危险源辨识和风险分析评价，获得了全局和局部关键工位安全问题，对人、物、环等因素进行识别，并进行危险有害因素形式化、标准化表征。在本发明提供的危险态势预测系统中，数据采集装置801主要采集两部分的危险因素数据，一是通过各类传感器组8011实时监控反馈所得数据，主要包括车间内是否出现明火，车间内温度及湿度实时反馈数据，车间内酒精、丙酮、汽油气体浓度数据，车间内粉尘浓度数据几大类；另一个来源是通过危险行为识别软件装单元8012实现对现场操作人员行为是否有违章操作的监控。数据传输装置802接受数据采集装置801发来的数据，打包处理之后经通信单元8021，通过网络接口将数据发送给处理装置803，处理装置803采用服务器对数据进行处理和存储。
本发明的又一优选实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上所述的基于BP神经网络的危险态势分析的处理方法的步骤。
此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于BP神经网络的危险态势分析的处理方法，其特征在于，包括：
根据获取到的车间在不同危险态势情况下的历史危险因素数据构建案例库；
对所述案例库中的所述历史危险因素数据进行预处理，得到预处理后的案例数据；
根据危险态势预测要求，确定BP神经网路的隐含层数量以及各层的神经元数量，并建立神经网络模型；
根据所述案例数据对所述神经网络模型进行训练，得到训练好的目标神经网络；
获取所述车间的当前危险因素数据，并输入至所述目标神经网络中，得到危险态势预测结果；
根据所述案例数据对所述神经网络模型进行训练，得到训练好的目标神经网络，包括：
初始化所述神经网络模型的权值、阈值和修正次数；
根据预设的激励函数，得到所述神经网络模型的输出值；
根据预设的误差函数，得到所述神经网络模型的误差；
当根据所述误差或所述修正次数不满足迭代要求时，根据梯度下降法对所述神经网络模型进行误差修正，并更新所述权值和所述阈值，且所述修正次数加1；
当根据所述误差或所述修正次数满足所述迭代要求时，确定当前所述神经网络模型为所述目标神经网络；
其中，根据第一预设公式组Hj＝g(netj)，得到输入层第i个样本对应的隐含层第j个样本的输出值Hj，g(netj)为激励函数，xi为归一化处理后的第i个样本数据，n为输入层的样本总数；/>为输入层至隐含层的第一权值；/>为输入层至隐含层的第一阈值；(q)为修正次数，在初始化后q＝0或1；
根据第二预设公式组Yk＝g(netk)，得到隐含层第j个样本对应的输出层第k个神经元的输出值Yk，g(netk)为激励函数，m为隐含层的样本总数；wjk (q)为隐含层至输出层的第二权值；/>为隐含层至输出层的第二阈值；
误差函数为yi表示神经网络的期望输出值，/>表示神经网络的实际输出值，E(i)为误差。
2.根据权利要求1所述的处理方法，其特征在于，所述对所述案例库中的所述历史危险因素数据进行预处理，得到预处理后的案例数据的步骤包括：
根据预设归一化方程对所述历史危险因素数据进行归一化处理，得到所述案例数据。
3.根据权利要求1所述的处理方法，其特征在于，所述根据所述案例数据对所述神经网络模型进行训练，得到训练好的目标神经网络的步骤包括：
初始化所述神经网络模型的权值、阈值和修正次数；
根据预设的激励函数，得到所述神经网络模型的输出值；
根据预设的误差函数，得到所述神经网络模型的误差；
当根据所述误差或所述修正次数不满足迭代要求时，根据梯度下降法对所述神经网络模型进行误差修正，并更新所述权值和所述阈值，且所述修正次数加1；
当根据所述误差或所述修正次数满足所述迭代要求时，确定当前所述神经网络模型为所述目标神经网络。
4.根据权利要求3所述的处理方法，其特征在于，所述根据梯度下降法对所述神经网络模型进行误差修正，并更新所述权值和所述阈值的步骤包括：
根据链式法则确定所述输入层至隐含层的第一权值修正梯度以及所述隐含层神经元的第一阈值修正梯度、所述隐含层至所述输出层的第二权值修正梯度、所述输出层神经元的第二阈值修正梯度；
根据所述第一权值修正梯度以及所述第一阈值修正梯度，修正并更新所述输入层至所述隐含层的第一权值以及所述隐含层神经元的第一阈值；
根据所述第二权值修正梯度、所述第二阈值修正梯度，修正并更新所述隐含层至所述输出层的第二权值以及所述输出层神经元的第二阈值。
5.根据权利要求1所述的处理方法，其特征在于，所述获取所述车间的当前危险因素数据，并输入至所述目标神经网络中，得到危险态势预测结果的步骤包括：
获取安装于车间内的传感器组当前采集到所述车间的当前危险因素数据；
对所述当前危险因素进行所述预处理并输入至所述目标神经网络中，判断当前车间是否正常，且根据累计数据的变化趋势确定车间发生危险的概率。
6.根据权利要求5所述的处理方法，其特征在于，当确定车间发生危险的概率大于预设概率时，进行报警。
7.一种基于BP神经网络的危险态势分析的处理装置，其特征在于，包括：
第一处理模块，用于根据获取到的车间在不同危险态势情况下的历史危险因素数据构建案例库；
预处理模块，用于对所述案例库中的所述历史危险因素数据进行预处理，得到预处理后的案例数据；
模型构建模块，用于根据危险态势预测要求，确定BP神经网路的隐含层数量以及各层的神经元数量，并建立神经网络模型；
模型训练模块，用于根据所述案例数据对所述神经网络模型进行训练，得到训练好的目标神经网络；
第二处理模块，用于获取所述车间的当前危险因素数据，并输入至所述目标神经网络中，得到危险态势预测结果；
所述模型训练模块包括：
初始化单元，用于初始化神经网络模型的权值、阈值和修正次数；
第五处理单元，用于根据预设的激励函数，得到神经网络模型的输出值；
第六处理单元，用于根据预设的误差函数，得到神经网络模型的误差；
第七处理单元，用于当根据误差或修正次数不满足迭代要求时，根据梯度下降法对神经网络模型进行误差修正，并更新权值和阈值，且修正次数加1；
第八处理单元，用于当根据误差或修正次数满足迭代要求时，确定当前神经网络模型为目标神经网络；
其中，根据第一预设公式组Hj＝g(netj)，得到输入层第i个样本对应的隐含层第j个样本的输出值Hj，g(netj)为激励函数，xi为归一化处理后的第i个样本数据，n为输入层的样本总数；/>为输入层至隐含层的第一权值；/>为输入层至隐含层的第一阈值；(q)为修正次数，在初始化后q＝0或1；
根据第二预设公式组Yk＝g(netk)，得到隐含层第j个样本对应的输出层第k个神经元的输出值Yk，g(netk)为激励函数，m为隐含层的样本总数；wjk (q)为隐含层至输出层的第二权值；/>为隐含层至输出层的第二阈值；
误差函数为yi表示神经网络的期望输出值，/>表示神经网络的实际输出值，E(i)为误差。
8.一种危险态势预测系统，其特征在于，包括：
用于采集车间的危险因素数据的数据采集装置、用于传输危险因素数据的数据传输装置和如权利要求7所述的处理装置；
其中，所述数据传输装置分别与所述数据采集装置和所述处理装置通信连接，所述处理装置用于实现如权利要求1至6任一项所述的基于BP神经网络的危险态势分析的处理方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于BP神经网络的危险态势分析的处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010948216.6A CN112070215B (zh) | 2020-09-10 | 2020-09-10 | 基于bp神经网络的危险态势分析的处理方法及处理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010948216.6A CN112070215B (zh) | 2020-09-10 | 2020-09-10 | 基于bp神经网络的危险态势分析的处理方法及处理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070215A CN112070215A (zh) | 2020-12-11 |
| CN112070215B true CN112070215B (zh) | 2023-08-29 |
Family
ID=73663528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010948216.6A Active CN112070215B (zh) | 2020-09-10 | 2020-09-10 | 基于bp神经网络的危险态势分析的处理方法及处理装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070215B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488417B (zh) * | 2020-12-14 | 2022-06-21 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于lbp和神经网络的电网运行特征感知方法及系统 |
| CN112801541B (zh) * | 2021-02-25 | 2023-06-09 | 交通运输部天津水运工程科学研究所 | 一种危险化学品道路运输风险动态评估及风险导航方法 |
| CN112908446B (zh) * | 2021-03-20 | 2022-03-22 | 张磊 | 一种内分泌科药液自动混合控制方法 |
| CN113270194A (zh) * | 2021-04-22 | 2021-08-17 | 深圳市雅士长华智能科技有限公司 | 一种基于云计算的健康数据管理系统 |
| CN113410871A (zh) * | 2021-04-30 | 2021-09-17 | 广东电网有限责任公司东莞供电局 | 一种应急发电车配置方法及计算机网络系统 |
| CN116821622B (zh) * | 2023-06-29 | 2024-02-13 | 广西昌洲天然药业有限公司 | 基于神经网络实现积雪草总苷的提取效果分析方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0692199A (ja) * | 1992-04-28 | 1994-04-05 | Takata Kk | 神経回路網による衝突状態予測システム |
| WO2019184124A1 (zh) * | 2018-03-30 | 2019-10-03 | 平安科技（深圳）有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
| CN110928988A (zh) * | 2019-10-29 | 2020-03-27 | 南京理工大学 | 一种厂房内安全隐患危险等级的快速预估方法 |
| CN111381573A (zh) * | 2018-12-27 | 2020-07-07 | 北京安控科技股份有限公司 | 一种工业控制系统安全性的预测方法和系统 |
-
2020
- 2020-09-10 CN CN202010948216.6A patent/CN112070215B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0692199A (ja) * | 1992-04-28 | 1994-04-05 | Takata Kk | 神経回路網による衝突状態予測システム |
| WO2019184124A1 (zh) * | 2018-03-30 | 2019-10-03 | 平安科技（深圳）有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
| CN111381573A (zh) * | 2018-12-27 | 2020-07-07 | 北京安控科技股份有限公司 | 一种工业控制系统安全性的预测方法和系统 |
| CN110928988A (zh) * | 2019-10-29 | 2020-03-27 | 南京理工大学 | 一种厂房内安全隐患危险等级的快速预估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于GA-BP神经网络的建筑工程事故预测研究;郭健 等;《哈尔滨师范大学自然科学学报》;20151231;第31卷(第1期);第76-79页第1-2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112070215A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070215B (zh) | 基于bp神经网络的危险态势分析的处理方法及处理装置 | |
| CN108490889B (zh) | 基于te模型的智能工厂安全大数据数据源发生方法及装置 | |
| CN108199795B (zh) | 一种设备状态的监测方法和装置 | |
| CN108833416B (zh) | 一种scada系统信息安全风险评估方法及系统 | |
| CN106844663B (zh) | 一种基于数据挖掘的船舶碰撞风险评估方法及系统 | |
| CN107886235A (zh) | 一种耦合确定性与不确定分析的火灾风险评估方法 | |
| CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
| CN112580995A (zh) | 施工安全大数据监督系统与安全风险动态评估方法 | |
| CN106209829A (zh) | 一种基于告警策略的网络安全管理系统 | |
| CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
| KR102231588B1 (ko) | 항공안전점검 감독장치 | |
| CN112215458A (zh) | 灾害分析方法和电子设备 | |
| CN114997682A (zh) | 一种基于大数据的施工现场安全监测系统及方法 | |
| CN114429308A (zh) | 一种基于大数据的企业安全风险评估方法及系统 | |
| CN115481940A (zh) | 一种基于大数据的油气管道区域风险监测系统 | |
| CN113849774A (zh) | 基于寿命分析和健康监测的设备智能维护平台 | |
| CN112765257A (zh) | 一种基于时序序列预测温度的环境采集系统设计的方法 | |
| CN116911571A (zh) | 一种矿山运行与维护监控系统 | |
| CN113935571A (zh) | 一种加油站安全风险评估分级方法及系统 | |
| Andreev et al. | Fire alarm systems construction on artificial intelligence principles | |
| Pang et al. | Research on quantitative risk assessment method of dust explosion based on Bayesian network | |
| CN116305699B (zh) | 一种基于全方位感知的管道监督系统 | |
| Andrade et al. | Wildfire Emergency Response Hazard Extraction and Analysis of Trends (HEAT) through Natural Language Processing and Time Series | |
| CN113743015B (zh) | 火灾场景数据获取方法、介质及电子设备 | |
| CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 |
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 |