CN112183979A - 一种基于多源信息融合的危化品装卸安全风险评估方法 - Google Patents
一种基于多源信息融合的危化品装卸安全风险评估方法 Download PDFInfo
- Publication number
- CN112183979A CN112183979A CN202010990145.6A CN202010990145A CN112183979A CN 112183979 A CN112183979 A CN 112183979A CN 202010990145 A CN202010990145 A CN 202010990145A CN 112183979 A CN112183979 A CN 112183979A
- Authority
- CN
- China
- Prior art keywords
- accident
- loading
- target
- unloading
- risk assessment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000000126 substance Substances 0.000 title claims abstract description 27
- 238000012502 risk assessment Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 239000000383 hazardous chemical Substances 0.000 title claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 3
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000011002 quantification Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 235000013351 cheese Nutrition 0.000 claims description 3
- 238000010224 classification analysis Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多源信息融合的危化品装卸安全风险评估方法，该方法首先利用贝叶斯网络对危化品装卸作业的安全事件序列进行图解建模，筛选出可供视频识别分析的人员作业行为、物品状态、现场环境等目标特征；然后基于实际应用场景视频数据的智能分析，对违章作业频次等致因因素进行指标量化计算；最后将量化的数据作为贝叶斯网络输入，实现多源信息的融合表达，并结合事故后果得到动态的安全风险评估结果。本发明提供的方法可减少主观因素的不确定性对危化品装卸过程风险评估结果的影响，辅助企业制定具有针对性的控制措施，为企业安全管理决策提供科学合理的技术支持。
Description
技术领域
本发明涉及公共安全技术领域，具体涉及一种基于多源信息融合的危化品装卸安全风险评估方法。
背景技术
化工行业由于现场作业环境复杂，存在大量专用设备设施，且各类岗位人员现场操作涉及环节众多，目标特征解析难度较大，风险研判主观性较强，因此化工领域的视频分析应用场景、范围和深度均十分有限，相关技术研发仍处于起步阶段。目前化工企业主要是通过视频监控、传感监测等技术手段，对作业现场进行在线监控，并将各处监视画面进行集中显示，辅助值班人员统一监管，对现场风险隐患的分析判断主要是通过人工来完成，工作量巨大、且非常容易出现人为失误。
发明内容
针对现有的危化品装卸作业环节中存在的自动化程度较低、工作量繁重和人为失误较多的问题，本发明提出一种基于多源信息融合的危化品装卸安全风险评估方法，该方法将人工智能技术融入到危化品装卸作业的安全监控和预警环节，能够实现危化品装卸装卸作业的动态风险评估。
本发明的目的通过如下的技术方案来实现：
一种基于多源信息融合的危化品装卸安全风险评估方法，其特征在于，该方法包括如下步骤：
S1：利用贝叶斯网络对实际应用场景下的危化品装卸作业的安全事件序列进行图解建模，列举出所有的目标特征，并从中筛选出可供视频识别分析的包含人员作业行为、物品状态、现场环境的目标特征；
S2：对所述的目标特征进行量化，具体分为以下两步：
(1)对采集到的监控视频进行预处理，利用机器学习和背景建模的目标检测方法，识别出每个视频图像中的所述的目标特征中涉及到的目标，并对目标进行标注，然后在视频图像序列中进行多目标跟踪，确定目标轨迹，建立视频分析识别的样本数据集和特征模型库；
(2)根据预设的业务规则和操作规范进行识别分类和回归分析，并结合目标特征本身的特点，直接对可能导致事故的致因因素进行量化，或者，基于系统可靠性和概率风险评估理论，引入贝叶斯公式
通过初始事件识别、系统失效建模、作业人员行为建模以及事件序列量化，综合评估危化品装卸作业安全事故发生概率，从而得到量化后的目标特征；
S3：将S2得到的可能导致隐患的目标特征及其节点概率输入贝叶斯网络中，并结合事故后果得到动态的安全风险评估结果，对贝叶斯网络进行训练，得到训练好的贝叶斯网络；
S4：将新采集的监控视频数据，按照S2的处理步骤，然后将其输入S3训练好的贝叶斯网络中，从而得到实际装卸作业事件的失效概率和后验概率p(z/x)。
进一步地，所述的S1通过如下的子步骤来实现：
以领结图事故致因分析法，对危化品装卸作业所发生的事故演化过程进行逻辑抽象，结合事故树和事件树，分析事件产生的原因和结果，包括事故原因、事故后果、事故前的预防措施、事故后的控制措施、安全屏障，并在瑞士奶酪模型事故致因链的基础上，利用2-4模型展开人员不安全动作分析，分析导致事故发生人的不安全动作的根本原因、间接原因和直接原因，从而得到可能导致事故发生的相关目标特征。
本发明的有益效果如下：
本发明提供的基于多源信息融合的危化品装卸安全风险评估方法采用了机器视觉技术，对危化品装卸作业所发生的事故进行事故致因分析，并通过接入企业装卸作业实际场景，对由事故致因模式转化的贝叶斯网络进行真实的数据输入，实现危化品装卸装卸作业的动态风险评估。本发明提供的方法可减少主观因素的不确定性对危化品装卸过程风险评估结果的影响，辅助企业制定具有针对性的控制措施，为企业安全管理决策提供科学合理的技术支持。
附图说明
图1是本发明的功能流程图；
图2是致因因素量化示意图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的基于多源信息融合的危化品装卸安全风险评估方法，该方法利用机器视觉技术对危化品装卸作业所发生的事故进行事故致因分析，并通过接入企业装卸作业实际场景，对由事故致因模式转化的贝叶斯网络进行真实的数据输入，实现危化品装卸装卸作业的动态风险评估。具体包括如下三个步骤：
S1：利用贝叶斯网络对实际应用场景下的危化品装卸作业的安全事件序列进行图解建模，列举出所有的目标特征，并从中筛选出可供视频识别分析的包含人员作业行为、物品状态、现场环境的目标特征，如图1所示，具体如下：
以领结图事故致因分析法，对危化品装卸作业所发生的事故演化过程进行逻辑抽象，结合事故树和事件树，分析事件产生的原因和结果，包括事故原因、事故后果、事故前的预防措施、事故后的控制措施、安全屏障，并在瑞士奶酪模型事故致因链的基础上，利用2-4模型展开人员不安全动作分析，分析导致事故发生人的不安全动作的根本原因、间接原因和直接原因，从而得到可能导致事故发生的相关目标特征，如现场环境、装卸物品、作业人员、作业行为；
S2：对所述的目标特征进行量化，具体包括以下两步：
(1)对采集到的监控视频进行预处理，包括增强去噪，排除背景、环境、光线等因素的干扰；利用机器学习和背景建模的目标检测方法，识别出每个视频图像中的所述的目标特征中涉及到的目标，并对目标进行标注，然后在视频图像序列中进行多目标跟踪，确定目标轨迹，建立视频分析识别的样本数据集和特征模型库；
(2)根据预设的业务规则和操作规范进行识别分类和回归分析，并结合目标特征本身的特点，直接对可能导致事故的致因因素进行量化，或者，基于系统可靠性和概率风险评估理论，引入贝叶斯公式
通过初始事件识别、系统失效建模、作业人员行为建模以及事件序列量化，综合评估危化品装卸作业安全事故发生概率，从而得到量化后的目标特征，具体如图2所示；
S3：将S2得到的可能导致隐患的目标特征及其节点概率输入贝叶斯网络中，并结合事故后果得到动态的安全风险评估结果，对贝叶斯网络进行训练，得到训练好的贝叶斯网络；
S4：将新采集的监控视频数据，按照S2的处理步骤，然后将其输入S3训练好的贝叶斯网络中，从而得到实际装卸作业事件的失效概率和后验概率p(z/x)。
根据本发明的方法得到的失效概率和后验概率p(z/x)后，结合事故后果模型给出的严重程度采用风险矩阵法与数值分析法相结合的方法得到装卸作业的风险评估结果，可以给出相应的风险管控措施。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (2)
1.一种基于多源信息融合的危化品装卸安全风险评估方法，其特征在于，该方法包括如下步骤：
S1：利用贝叶斯网络对实际应用场景下的危化品装卸作业的安全事件序列进行图解建模，列举出所有的目标特征，并从中筛选出可供视频识别分析的包含人员作业行为、物品状态、现场环境的目标特征。
S2：对所述的目标特征进行量化，具体分为以下两步：
(1)对采集到的监控视频进行预处理，利用机器学习和背景建模的目标检测方法，识别出每个视频图像中的所述的目标特征中涉及到的目标，并对目标进行标注，然后在视频图像序列中进行多目标跟踪，确定目标轨迹，建立视频分析识别的样本数据集和特征模型库；
(2)根据预设的业务规则和操作规范进行识别分类和回归分析，并结合目标特征本身的特点，直接对可能导致事故的致因因素进行量化，或者，基于系统可靠性和概率风险评估理论，引入贝叶斯公式
通过初始事件识别、系统失效建模、作业人员行为建模以及事件序列量化，综合评估危化品装卸作业安全事故发生概率，从而得到量化后的目标特征；
S3：将S2得到的可能导致隐患的目标特征及其节点概率输入贝叶斯网络中，并结合事故后果得到动态的安全风险评估结果，对贝叶斯网络进行训练，得到训练好的贝叶斯网络；
S4：将新采集的监控视频数据，按照S2的处理步骤，然后将其输入S3训练好的贝叶斯网络中，从而得到实际装卸作业事件的失效概率和后验概率p(z/x)。
2.根据权利要求1所述的基于多源信息融合的危化品装卸安全风险评估方法，其特征在于，所述的S1通过如下的子步骤来实现：
以领结图事故致因分析法，对危化品装卸作业所发生的事故演化过程进行逻辑抽象，结合事故树和事件树，分析事件产生的原因和结果，包括事故原因、事故后果、事故前的预防措施、事故后的控制措施、安全屏障，并在瑞士奶酪模型事故致因链的基础上，利用2-4模型展开人员不安全动作分析，分析导致事故发生人的不安全动作的根本原因、间接原因和直接原因，从而得到可能导致事故发生的相关目标特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010990145.6A CN112183979B (zh) | 2020-09-18 | 2020-09-18 | 一种基于多源信息融合的危化品装卸安全风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010990145.6A CN112183979B (zh) | 2020-09-18 | 2020-09-18 | 一种基于多源信息融合的危化品装卸安全风险评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183979A true CN112183979A (zh) | 2021-01-05 |
| CN112183979B CN112183979B (zh) | 2023-11-28 |
Family
ID=73956827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010990145.6A Active CN112183979B (zh) | 2020-09-18 | 2020-09-18 | 一种基于多源信息融合的危化品装卸安全风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183979B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344326A (zh) * | 2021-04-30 | 2021-09-03 | 西安交通大学 | 多信息融合特殊作业现场动态隐患识别和风险评估系统和方法 |
| CN113537695A (zh) * | 2021-05-28 | 2021-10-22 | 东莞理工学院 | 垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法 |
| CN113591624A (zh) * | 2021-07-16 | 2021-11-02 | 青岛新奥胶南燃气有限公司 | 一种基于统计分析的lng卸车风险预测方法及评估系统 |
| CN113592040A (zh) * | 2021-09-27 | 2021-11-02 | 山东蓝湾新材料有限公司 | 对危化品事故进行分类的方法及装置 |
| CN116308003A (zh) * | 2023-02-06 | 2023-06-23 | 交通运输部水运科学研究所 | 一种基于机器学习的危险货物自动化装卸安全测试方法 |
| CN116862244A (zh) * | 2023-09-04 | 2023-10-10 | 广东鉴面智能科技有限公司 | 一种工业现场视觉ai分析与安全预警系统和方法 |
| CN117557109A (zh) * | 2024-01-11 | 2024-02-13 | 交通运输部水运科学研究所 | 一种船舶数字物理基础设施的融合协同运行方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控系统及方法 |
| CN110866665A (zh) * | 2018-08-27 | 2020-03-06 | 中国石油化工股份有限公司 | 石化生产工艺的风险量化评估方法及系统 |
| CN111523759A (zh) * | 2020-03-18 | 2020-08-11 | 北京理工大学 | 燃气管道动态风险评估方法及装置 |
-
2020
- 2020-09-18 CN CN202010990145.6A patent/CN112183979B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866665A (zh) * | 2018-08-27 | 2020-03-06 | 中国石油化工股份有限公司 | 石化生产工艺的风险量化评估方法及系统 |
| CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控系统及方法 |
| CN111523759A (zh) * | 2020-03-18 | 2020-08-11 | 北京理工大学 | 燃气管道动态风险评估方法及装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344326B (zh) * | 2021-04-30 | 2023-10-10 | 西安交通大学 | 特殊作业现场动态隐患识别和风险评估系统和方法 |
| CN113344326A (zh) * | 2021-04-30 | 2021-09-03 | 西安交通大学 | 多信息融合特殊作业现场动态隐患识别和风险评估系统和方法 |
| CN113537695A (zh) * | 2021-05-28 | 2021-10-22 | 东莞理工学院 | 垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法 |
| CN113537695B (zh) * | 2021-05-28 | 2023-11-21 | 东莞理工学院 | 垃圾焚烧发电厂烟气污染物过量排放风险量化评估方法 |
| CN113591624A (zh) * | 2021-07-16 | 2021-11-02 | 青岛新奥胶南燃气有限公司 | 一种基于统计分析的lng卸车风险预测方法及评估系统 |
| CN113592040A (zh) * | 2021-09-27 | 2021-11-02 | 山东蓝湾新材料有限公司 | 对危化品事故进行分类的方法及装置 |
| CN113592040B (zh) * | 2021-09-27 | 2021-12-03 | 山东蓝湾新材料有限公司 | 对危化品事故进行分类的方法及装置 |
| CN116308003A (zh) * | 2023-02-06 | 2023-06-23 | 交通运输部水运科学研究所 | 一种基于机器学习的危险货物自动化装卸安全测试方法 |
| CN116308003B (zh) * | 2023-02-06 | 2023-11-17 | 交通运输部水运科学研究所 | 一种基于机器学习的危险货物自动化装卸安全测试方法 |
| CN116862244A (zh) * | 2023-09-04 | 2023-10-10 | 广东鉴面智能科技有限公司 | 一种工业现场视觉ai分析与安全预警系统和方法 |
| CN116862244B (zh) * | 2023-09-04 | 2024-03-22 | 广东鉴面智能科技有限公司 | 一种工业现场视觉ai分析与安全预警系统和方法 |
| CN117557109A (zh) * | 2024-01-11 | 2024-02-13 | 交通运输部水运科学研究所 | 一种船舶数字物理基础设施的融合协同运行方法及系统 |
| CN117557109B (zh) * | 2024-01-11 | 2024-04-05 | 交通运输部水运科学研究所 | 一种船舶数字物理基础设施的融合协同运行方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183979B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183979A (zh) | 一种基于多源信息融合的危化品装卸安全风险评估方法 | |
| Baldwin et al. | Hidden structure: Using network methods to map system architecture | |
| Sheikhalishahi et al. | Human factors in maintenance: a review | |
| CN117495210A (zh) | 公路混凝土施工质量管理系统 | |
| Bigonha et al. | The usefulness of software metric thresholds for detection of bad smells and fault prediction | |
| Pham et al. | Supply chain risk management research in construction: a systematic review | |
| CN116151626B (zh) | 风险管控能力评测方法、系统、电子设备及存储介质 | |
| Aboutorab et al. | A survey on the suitability of risk identification techniques in the current networked environment | |
| Khan et al. | Predictive Analytics And Machine Learning For Real-Time Detection Of Software Defects And Agile Test Management | |
| Fernandes et al. | Machine learning and process mining applied to process optimization: bibliometric and systemic analysis | |
| Wang et al. | Safety intelligence toward safety management in a big-data environment: A general model and its application in urban safety management | |
| Brings et al. | A systematic map on verification and validation of emergent behavior in software engineering research | |
| Nowobilski et al. | Methodology based on causes of accidents for forcasting the effects of falls from scaffoldings using the construction industry in Poland as an example | |
| Saha et al. | Artificial Intelligence in Pharmaceutical Manufacturing: Enhancing Quality Control and Decision Making | |
| KR20190081691A (ko) | 머신러닝 알고리즘을 이용한 공정 이상 감지 시스템 및 그 방법 | |
| Katyare et al. | Construction Productivity Analysis in Construction Industry: An Indian Perspective | |
| JP7466479B2 (ja) | 業務改善支援装置、プログラムおよびプログラムを格納した記憶媒体 | |
| dos Santos Junior et al. | Big Bags Reverse Logistics using Business Intelligence and Multi-Criteria Analysis | |
| Machac et al. | Product life cycle risk management | |
| KR20230006945A (ko) | 개별사업장 맞춤형 위험성평가 서비스 제공 시스템 | |
| Darabnia et al. | Analysis and classification of occupational data: a practical comparison | |
| Trautsch | Effects of automated static analysis tools: a multidimensional view on quality evolution | |
| Vicêncio et al. | An intelligent predictive maintenance approach based on end-of-line test logfiles in the automotive industry | |
| CA3133390A1 (en) | Methods and systems for implementing and monitoring process safety management | |
| CN111179010A (zh) | 不合理价格产品的在线公证方法、系统、设备和介质 |
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 |