CN113671914B - 基于人工智能的设备风险检测及安全巡检方法与系统 - Google Patents
基于人工智能的设备风险检测及安全巡检方法与系统 Download PDFInfo
- Publication number
- CN113671914B CN113671914B CN202110928885.1A CN202110928885A CN113671914B CN 113671914 B CN113671914 B CN 113671914B CN 202110928885 A CN202110928885 A CN 202110928885A CN 113671914 B CN113671914 B CN 113671914B
- Authority
- CN
- China
- Prior art keywords
- inspection
- equipment
- degree
- inspected
- routing inspection
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 280
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000012824 chemical production Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 231100001261 hazardous Toxicity 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的设备风险检测及安全巡检方法与系统。该方法根据已巡检设备的潜在风险程度和第一故障概率得到俯视图中每个位置的危险程度；结合未巡检设备的第二故障概率和潜在风险指标得到每个未巡检设备的巡检重要指标，由巡检重要指标得到俯视图中每个位置的巡检重要程度；结合由危险程度和巡检重要程度得到的巡检隐患程度获取巡检人员与未巡检设备之间的最短巡检路径，根据最短巡检路径中每个位置的危险程度和巡检重要程度得到巡检人员对未巡检设备的巡检必要性，由巡检必要性得到巡检人员与未巡检设备之间的关系。在保证巡检人员安全的情况下减少危险事故的发生，提高巡检效率，合理分配巡检人员。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的设备风险检测及安全巡检方法与系统。
背景技术
对于大型化工企业，其生产工艺和生产流水线复杂、设备种类多、仓储吞吐量大，管理困难，容易产生安全隐患。为了保证企业和设备的安全，需要人为的进行巡检，巡检内容包括：流水线设备、存储设备、控制设备、能源设备等，巡检是需要记录各设备的状态。
现有的巡检方法普遍根据巡检时间的长短来制定巡检路线，但是该巡检方法存在巡检效率低、盲目重复巡检、巡检目标主次不分，使得巡检效率低下，更重要的是现有方法不能保证高效巡检的同时降低巡检人员的风险和保障人员安全。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的设备风险检测及安全巡检方法与系统，所采用的技术方案具体如下：
本发明实施例提供了一种基于人工智能的设备风险检测及安全巡检方法，该方法包括：
采集化工生产区域的俯视图；所述俯视图中包括已巡检设备、未巡检设备和巡检人员；
由生产环境获取所述已巡检设备和所述未巡检设备的潜在风险程度；
利用已巡检设备的设备运行数据获取每个所述已巡检设备的第一故障概率；根据所述已巡检设备的所述潜在风险程度获取所述已巡检设备的危险区域中每个位置的潜在风险指标，结合所述第一故障概率和所述潜在风险指标得到所述危险区域中每个位置的危险程度；
由未巡检设备的历史故障概率数据预测所述未巡检设备的第二故障概率；结合所述未巡检设备的所述潜在风险程度和所述第二故障概率得到每个所述未巡检设备的巡检重要指标；利用所述巡检重要指标获取所述未巡检设备的预设区域中每个位置的巡检重要程度；
根据由所述危险程度和所述巡检重要程度得到的巡检隐患程度获取巡检人员与所述未巡检设备之间的最短巡检路径，利用所述最短巡检路径中每个所述位置的所述危险程度和所述巡检重要程度得到所述巡检人员对所述未巡检设备的巡检必要性，由所述巡检必要性得到所述巡检人员与所述未巡检设备之间的对应关系。
进一步地，所述根据预设的所述已巡检设备的潜在风险程度获取所述已巡检设备的危险区域中每个位置的潜在风险指标的方法，包括：
将所述危险区域生成同样大小的热斑区域，结合所述热斑区域中每个位置的热度值和所述潜在风险程度得到每个位置的潜在风险指标。
进一步地，所述利用所述巡检重要指标获取所述未巡检设备的预设区域中每个位置的巡检重要程度的方法，包括：
将所述预设区域生产同样大小的热斑区域，结合所述热斑区域中每个位置的热度值和所述巡检重要指标得到每个位置的巡检重要程度。
进一步地，所述热斑区域外的每个位置的所述热度值为零，则相对应的热斑区域外的每个位置的所述危险程度和所述巡检重要程度为零。
进一步地，所述由所述巡检必要性得到所述巡检人员与所述未巡检设备之间的对应关系的方法，包括：
由每一个所述巡检人员对同一个所述未巡检设备的所述巡检必要性得到所述未巡检设备的第一巡检概率；
由一个所述巡检人员对每个所述未巡检设备的所述巡检必要性得到所述巡检人员的第二巡检概率；
构建所述巡检人员和所述未巡检设备之间的图数据，所述图数据中的边权值是由所述第一巡检概率和所述第二巡检概率得到的；
对所述图数据利用KM算法以确认所述巡检人员与所述未巡检设备之间的对应关系。
进一步地，所述利用所述最短巡检路径中每个位置的所述危险程度和所述巡检重要程度得到所述巡检人员对所述未巡检设备的巡检必要性的方法，包括：
计算所述最短巡检路径中所有位置的所述危险程度的第一总和以及所述巡检重要程度的第二总和；
统计所述最短巡检路径中的像素数量，结合所述第一总和、所述第二总和以及所述像素数量得到所述巡检必要性。
进一步地，所述根据由所述危险程度和所述巡检重要程度得到的巡检隐患程度获取巡检人员与所述未巡检设备之间的最短巡检路径的方法，包括：
由每个位置的所述危险程度和所述巡检重要程度得到相邻位置之间的所述巡检隐患程度；
基于所述巡检隐患程度，利用弗洛伊德算法得到所述最短巡检路径。
进一步地，所述边权值是所述第一巡检概率和所述第二巡检概率的乘积。
进一步地，一种基于人工智能的设备风险检测及安全巡检系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
本发明实施例至少存在以下有益效果：通过危险程度和巡检重要程度得到巡检人员与为未巡检设备之间的最短巡检路径和巡检人员对未巡检设备的巡检必要性，结合最短巡检路径和巡检必要性来分配巡检人员和未巡检设备，既能减小巡检人员在巡检过程中的危险，又能快速巡检到巡检重要性大的设备，同时在保证巡检人员安全的情况下减少危险事故的发生，避免盲目巡检，提高巡检效率，合理分配巡检人员的巡检轨迹。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的设备风险检测及安全巡检方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的设备风险检测及安全巡检方法与系统，其具体实施方式、结构、特征及其作用，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的设备风险检测及安全巡检方法与系统的具体方案。
本发明实施例所针对的具体场景：大型化工厂区域需要定期进行设备的巡检，例如一周或一天巡检一次，但由于设备众多会需要多个巡检人员一起进行巡检。
需要说明的是，巡检的目的是记录每个设备的工作状态，且及时发现存在安全风险的设备，以进行设备的维修或调整。
参照附图1，本发明实施例提供了一种基于人工智能的设备风险检测及安全巡检方法，该方法包括以下具体步骤：
步骤S001，采集化工生产区域的俯视图；俯视图中包括已巡检设备、未巡检设备和巡检人员。
具体的，在化工厂区域内安装摄像机，相机视角斜向朝下，由于相邻相机具有部分重合视野，需要将相机采集的图像进行拼接融合以得到完整的俯视图，其中拼接融合的过程为：对每张图像进行角点检测和角点匹配，通过角点匹配获取仿射变换矩阵，根据仿射变换矩阵将所有图像的视角变为俯视视角，然后对图像进行拼接与融合以得到俯视图，进而在俯视图中能够获取各个设备的位置和设备类型。
优选的，本发明实施例采用YOLOV3获得每个设备的位置和设备类型，在其他实施例中，实施者也可以手动标注出设备的位置和设备类型。
步骤S002，由生产环境获取已巡检设备和未巡检设备的潜在风险程度。
具体的，对于对当前巡检过程中的每个已巡检设备和未巡检设备，根据人为经验和实际的生产环境以及发生故障的次数为每个已巡检设备和未巡检设备分配潜在风险程度，潜在风险程度分为0.0，0.1，……,1.0。潜在风险程度越大说明该设备越危险，所带来的影响越大，即设备所可能引起的安全风险就越大。
步骤S003，利用已巡检设备的设备运行数据获取每个已巡检设备的第一故障概率；根据已巡检设备的潜在风险程度获取已巡检设备的危险区域中每个位置的潜在风险指标，结合第一故障概率和潜在风险指标得到危险区域中每个位置的危险程度。
具体的，不同设备的作用不同，需要记录的设备运行数据也不同，例如气体存储罐体，需要获取其压力、温度、泄漏量等数据；化学反应设备除了需要记录压力、温度以及环境湿度之外还需要记录设备脏污、缺陷等数据；电机、压缩机等动力设备需要额外记录噪声情况、震动情况、电压电流波动情况等数据。
需要说明的是，巡检人员可以通过传感器等仪器测量设备或通过人为感官触觉获得每个设备的设备运行数据。
已巡检设备的设备运行数据是通过不同的数据指标衡量的，将每个已巡检设备的设备运行数据合并且构成已巡检设备的状态向量，且状态向量中的每个维度的取值对应一个数据指标。如果已巡检设备不具有某个设备运行数据，则将该数据对应维度的取值设为0。
将每个已巡检设备的状态向量输入全连接神经网络中获得每个已巡检设备的第一故障概率，故障概率分为11个等级：0.0，0.1，……,1.0。该第一故障概率用于表示已巡检设备在当前状态向量下发生危险的概率或者发生危险的难易程度。
进一步地，每个已巡检设备的设备类型不同，相应的每个已巡检设备的危险区域不同，该危险区域表示已巡检设备所涉及的范围，例如气体泄漏、爆炸时影响的范围。根据人为经验和模拟实验获取每个已巡检设备的危险区域，以已巡检设备的位置为中心、以危险区域的直径大小生成与危险区域同样大小的一个高斯卷积核，该高斯卷积核为热斑区域，结合热斑区域中每个位置的热度值和已巡检设备的潜在风险程度得到危险区域中每个位置的潜在风险指标，即将每个位置的热度值与已巡检设备的潜在风险程度相乘，相乘结果为每个位置的潜在风险指标，进而根据危险区域中每个位置的潜在风险指标构成每个已巡检设备的潜在风险分布，该潜在风险分布表示已巡检设备周围存在的风险大小。
根据每个已巡检设备的潜在风险分布，获取该分布中每个位置的危险程度，具体方法为：任选一个位置i，当位置i是多个已巡检设备的危险区域中的共同位置，也即是多个已巡检设备的危险区域在位置i处相交，则该位置出现危险的情况由这些已巡检设备共同决定。设多个已巡检设备的集合为S，则位置i的危险程度Di为：Di＝∑a∈Spa×fai，其中，pa为集合S中第a个已巡检设备的第一故障概率；fai为第a个已巡检设备在位置i的潜在风险指标。
需要说明的是，由于热斑区域外的每个位置的热度值为0，则该位置的潜在风险指标为0，相对应该位置的危险程度为0。
进一步地，本发明实施例设定危险阈值，通过获取巡检人员的位置，且当该人员所处位置的危险程度大于危险阈值时，进行警报，以防止该巡检人员在该位置长时间逗留或提醒该巡检人员注意安全。
步骤S004，由未巡检设备的历史故障概率数据预测未巡检设备的第二故障概率；结合未巡检设备的潜在风险程度和第二故障概率得到每个未巡检设备的巡检重要指标；利用巡检重要指标获取未巡检设备的预设区域中每个位置的巡检重要程度。
具体的，在当前巡检过程中对于未巡检设备，获取未巡检设备的历史故障概率数据，将历史故障概率数据输入GM(1,1)模型(灰色预测法)中预测出当前巡检过程中未巡检设备的第二故障概率。
进一步地，利用未巡检设备的第二故障概率和潜在风险程度来判断未巡检设备的巡检顺序，具体为：对于一个未巡检设备b，结合未巡检设备b的潜在风险程度gb和第二故障概率
得到未巡检设备b的巡检重要指标Fb，即
巡检重要指标Fa越大表示该设备越可能发生严重安全事故，越需要巡检人员重点或尽快巡检，避免出现严重事故。
进一步地，分别为每个未巡检设备设定预设区域，且每个预设区域是同样大小的，以未巡检设备为中心，生产与预设区域同样大小的热斑区域，结合热斑区域中每个位置的热度值和未巡检设备的巡检重要指标得到每个位置的巡检重要程度，即将每个位置的热度值和巡检重要指标相乘，相乘结果为每个位置的巡检重要程度。由于热斑区域外的每个位置的热度值为0，则对应该位置的巡检重要程度为0。
需要说明的是，当某一个位置为多个未巡检设备的预设区域的交点时，该位置的巡检重要程度为每个未巡检设备在该位置的巡检重要程度中的最大值。
步骤S005，根据由危险程度和巡检重要程度得到的巡检隐患程度获取巡检人员与未巡检设备之间的最短巡检路径，利用最短巡检路径中每个位置的危险程度和巡检重要程度得到巡检人员对未巡检设备的巡检必要性，由巡检必要性得到巡检人员与未巡检设备之间的对应关系。
具体的，由步骤S003和步骤S004能够得到俯视图中每个位置的危险程度和巡检重要程度。由每个位置的危险程度和巡检重要程度得到相邻位置之间的巡检隐患程度；基于所述巡检隐患程度，利用弗洛伊德算法得到最短巡检路径，则具体过程为：
1)计算任意相邻两个位置之间的巡检隐患程度，该巡检隐患程度越小越有助于巡检人员快速脱离危险或快速找到巡检重要程度大的未巡检设备。
具体为：任意选取一个位置P1，同时获取该位置P1在俯视图中的8邻域内的一个相邻位置P2，根据位置P1和位置P2的危险程度和巡检重要程度得到相邻位置之间的巡检隐患程度，则位置P1和位置P2之间的巡检隐患程度的计算方法为：
W＝D(P2)exp(D(P2)-D(P1))+L(P1)exp(L(P1)-(P2))
其中，W为巡检隐患程度；D(P2)为位置P2的危险程度；D(P1)为位置P1的危险程度；L(P1)为位置P1的巡检重要程度；L(P2)为位置P2的巡检重要程度。
2)根据相邻位置之间的巡检隐患程度，利用弗洛伊德算法得到巡检人员到未巡检设备之间的最短巡检路径。
进一步地，利用最短巡检路径中每个位置的危险程度和巡检重要程度得到巡检人员对未巡检设备的巡检必要性，具体方法为：计算最短巡检路径中所有位置的危险程度的第一总和以及巡检重要程度的第二总和；统计最短巡检路径中的像素数量，结合第一总和、第二总和以及像素数量得到巡检必要性。
作为一个示例，计算最短巡检路径中所有位置的危险程度之和α1以及最短巡检路径中所有位置的巡检重要程度之和α2；同时统计该最短巡检路径中的像素数量，该像素数量用于表示巡检路径的长度，通过如下公式得到巡检人员对未巡检设备的巡检必要性。
其中，
为第m个巡检人员对第n个未巡检设备的巡检必要性；Area为像素数量。
进一步地，由每个巡检人员对每个未巡检设备的巡检必要性得到巡检人员与未巡检设备之间的对应关系，具体过程为：
1)由每一个巡检人员对同一个未巡检设备的巡检必要性得到未巡检设备的第一巡检概率。
设有M个巡检人员和N个未巡检设备，根据M个巡检人员对第n个未巡检设备的巡检必要性，得到每一个巡检人员对第n个未巡检设备的第一巡检概率，即
其中βomn为第m个巡检人员对第n个未巡检设备的第一巡检概率，则根据M个巡检人员对第n个未巡检设备的第一巡检概率得到第n个未巡检设备的巡检特征βn＝[βon1,βon2,…,βonM]。
2)由一个巡检人员对每个未巡检设备的巡检必要性得到巡检人员的第二巡检概率。
同理，根据第m个巡检人员对N个未巡检设备的巡检必要性，得到第m个巡检人员对每一个未巡检设备的第二巡检概率，即
其中γomn为第m个巡检人员对第n个未巡检设备的第二巡检概率，则根据第m个巡检人员对N个未巡检设备的第二巡检概率得到第m个巡检人员的巡检特征γn＝[γom1,γom2,…,γomN]。
3)构建巡检人员和未巡检设备之间的图数据，图数据中的边权值是由第一巡检概率和第二巡检概率得到的。
具体的，根据巡检人员和未巡检设备之间的最短巡检路径构建巡检人员和未巡检设备之间的图数据，则图数据中第m个巡检人员与第n个未巡检设备在图数据上的边权值为第一巡检概率和第二巡检概率的乘积，即βomn×γomn。
4)对图数据利用KM算法以确认巡检人员与未巡检设备之间的对应关系。
具体的，对图数据利用KM算法将M个巡检人员和N个未巡检设备进行分配，以得到最佳分配结果，分配结果是指哪个巡检人员巡检哪个未巡检设备。
综上所述，本发明实施例提供了一种基于人工智能的设备风险检测及安全巡检方法，该方法采集化工生产区域的俯视图，根据已巡检设备的危险区域中每个位置的潜在风险指标和该已巡检设备的第一故障概率得到俯视图中每个位置的危险程度；结合未巡检设备的第二故障概率和潜在风险指标得到每个未巡检设备的巡检重要指标，进而由巡检重要指标得到俯视图中每个位置的巡检重要程度；结合相邻位置之间每个位置的危险程度和巡检重要程度得到的巡检隐患程度获取巡检人员与未巡检设备之间的最短巡检路径，根据最短路径中每个位置的危险程度和巡检重要程度得到巡检人员对未巡检设备的巡检必要性，由巡检必要性得到巡检人员与未巡检设备之间的对应关系。通过危险程度和巡检重要程度得到巡检人员与为未巡检设备之间的最短巡检路径和巡检人员对未巡检设备的巡检必要性，结合最短巡检路径和巡检必要性来分配巡检人员和未巡检设备，既能减小巡检人员在巡检过程中的危险，又能快速巡检到巡检重要性大的设备，同时在保证巡检人员安全的情况下减少危险事故的发生，避免盲目巡检，提高巡检效率，合理分配巡检人员的巡检轨迹。
进一步地，本发明实施例提供了一种基于人工智能的设备风险检测及安全巡检系统。该系统包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能的设备风险检测及安全巡检方法实施例中的步骤，例如图1所示的步骤。或者，处理器执行计算机程序时实现上述一种基于人工智能的设备风险检测及安全巡检系统实施例中各单元的功能。
示例性的，计算机程序可以被分割成一个或多个单元，其中一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。其中一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备中的执行过程。
该电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是该电子设备的示例，并不构成对该电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如该电子设备还可以包括输入输出设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，该处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于人工智能的设备风险检测及安全巡检方法，其特征在于，该方法包括：
采集化工生产区域的俯视图；所述俯视图中包括已巡检设备、未巡检设备和巡检人员；
由生产环境获取所述已巡检设备和所述未巡检设备的潜在风险程度；
利用所述已巡检设备的设备运行数据获取每个所述已巡检设备的第一故障概率；根据所述已巡检设备的所述潜在风险程度获取所述已巡检设备的危险区域中每个位置的潜在风险指标，结合所述第一故障概率和所述潜在风险指标得到所述危险区域中每个位置的危险程度；
由所述未巡检设备的历史故障概率数据预测所述未巡检设备的第二故障概率；结合所述未巡检设备的所述潜在风险程度和所述第二故障概率得到每个所述未巡检设备的巡检重要指标；利用所述巡检重要指标获取所述未巡检设备的预设区域中每个位置的巡检重要程度；
根据由所述危险程度和所述巡检重要程度得到的巡检隐患程度获取所述巡检人员与所述未巡检设备之间的最短巡检路径，利用所述最短巡检路径中每个所述位置的所述危险程度和所述巡检重要程度得到所述巡检人员对所述未巡检设备的巡检必要性，由所述巡检必要性得到所述巡检人员与所述未巡检设备之间的对应关系；
所述由所述巡检必要性得到所述巡检人员与所述未巡检设备之间的对应关系的方法，包括：
由每一个所述巡检人员对同一个所述未巡检设备的所述巡检必要性得到所述未巡检设备的第一巡检概率，所述第一巡检概率的计算公式为：
其中βomn为第m个所述巡检人员对第n个所述未巡检设备的第一巡检概率，
为第m个所述巡检人员对第n个所述未巡检设备的巡检必要性；M为所述巡检人员的数量；
由一个所述巡检人员对每个所述未巡检设备的所述巡检必要性得到所述巡检人员的第二巡检概率，所述第二巡检概率的计算公式为：
其中γomn为第m个所述巡检人员对第n个所述未巡检设备的所述第二巡检概率，N为所述未巡检设备的数量；
构建所述巡检人员和所述未巡检设备之间的图数据，所述图数据中的边权值是由所述第一巡检概率和所述第二巡检概率得到的，将所述第一巡检概率和所述第二巡检概率之间的乘积作为边权值；
对所述图数据利用KM算法以确认所述巡检人员与所述未巡检设备之间的对应关系；
所述利用所述最短巡检路径中每个位置的所述危险程度和所述巡检重要程度得到所述巡检人员对所述未巡检设备的巡检必要性的方法，包括：
计算所述最短巡检路径中所有位置的所述危险程度的第一总和以及所述巡检重要程度的第二总和；
统计所述最短巡检路径中的像素数量，结合所述第一总和、所述第二总和以及所述像素数量得到所述巡检必要性，所述巡检必要性的计算公式为：
其中α1为所述第一总和，α2为所述第二总和，Area为所述像素数量；
所述根据由所述危险程度和所述巡检重要程度得到的巡检隐患程度获取巡检人员与所述未巡检设备之间的最短巡检路径的方法，包括：
由每个位置的所述危险程度和所述巡检重要程度得到相邻位置之间的所述巡检隐患程度，所述巡检隐患程度的计算公式为：W＝D(P2)exp(D(P2)-D(P1))+L(P1)exp(L(P1)-L(P2))，其中W为所述巡检隐患程度，D(P2)为位置P2的所述危险程度；D(P1)为位置P1的所述危险程度；L(P1)为位置P1的所述巡检重要程度；L(P2)为位置P2的所述巡检重要程度；位置P2是位置P1的相邻位置；
基于所述巡检隐患程度，利用弗洛伊德算法得到所述最短巡检路径。
2.如权利要求1所述的方法，其特征在于，所述根据所述已巡检设备的潜在风险程度获取所述已巡检设备的危险区域中每个位置的潜在风险指标的方法，包括：
将所述危险区域生成同样大小的热斑区域，结合所述热斑区域中每个位置的热度值和所述潜在风险程度得到每个位置的潜在风险指标。
3.如权利要求1所述的方法，其特征在于，所述利用所述巡检重要指标获取所述未巡检设备的预设区域中每个位置的巡检重要程度的方法，包括：
将所述预设区域生产同样大小的热斑区域，结合所述热斑区域中每个位置的热度值和所述巡检重要指标得到每个位置的巡检重要程度。
4.如权利要求2或3所述的方法，其特征在于，所述热斑区域外的每个位置的所述热度值为零，则相对应的热斑区域外的每个位置的所述危险程度和所述巡检重要程度为零。
5.一种基于人工智能的设备风险检测及安全巡检系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～4任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110928885.1A CN113671914B (zh) | 2021-08-13 | 2021-08-13 | 基于人工智能的设备风险检测及安全巡检方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110928885.1A CN113671914B (zh) | 2021-08-13 | 2021-08-13 | 基于人工智能的设备风险检测及安全巡检方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113671914A CN113671914A (zh) | 2021-11-19 |
| CN113671914B true CN113671914B (zh) | 2022-05-17 |
Family
ID=78542772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110928885.1A Active CN113671914B (zh) | 2021-08-13 | 2021-08-13 | 基于人工智能的设备风险检测及安全巡检方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113671914B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758296B (zh) * | 2022-04-19 | 2023-02-24 | 国网湖北省电力有限公司黄石供电公司 | 一种基于vr技术的电网设备远程监测方法及系统 |
| CN115081652A (zh) * | 2022-07-13 | 2022-09-20 | 国网湖北省电力有限公司黄石供电公司 | 一种基于图像识别技术的电力巡检方法及系统 |
| CN115174436B (zh) * | 2022-09-07 | 2022-12-06 | 浙江省邮电工程建设有限公司 | 一种通信机房自动巡检机器人控制方法与系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4528533B2 (ja) * | 2004-02-03 | 2010-08-18 | 株式会社東芝 | 原子力発電プラント機器検査方法および原子力発電プラント機器検査システム |
| KR101813840B1 (ko) * | 2017-08-22 | 2017-12-29 | 국민건강보험공단 | 위험도 평가분석을 이용하여 감사업무를 수행하기 위한 시스템 및 그 방법 |
| CN110674966A (zh) * | 2019-06-05 | 2020-01-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种电力电缆巡检路径优化方法及装置 |
| CN110826818B (zh) * | 2019-11-21 | 2023-08-15 | 中冶华天工程技术有限公司 | 多个巡检员对多个站点进行巡检任务规划和路径设计方法 |
| CN113112635B (zh) * | 2021-04-12 | 2022-11-15 | 滁州博格韦尔电气有限公司 | 一种智能设备用常规巡检系统 |
-
2021
- 2021-08-13 CN CN202110928885.1A patent/CN113671914B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113671914A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113671914B (zh) | 基于人工智能的设备风险检测及安全巡检方法与系统 | |
| Hu et al. | Engineering design under uncertainty and health prognostics | |
| Wei | FIOWHM operator and its application to multiple attribute group decision making | |
| CN111627015B (zh) | 小样本缺陷识别方法、装置、设备及存储介质 | |
| CN114333424B (zh) | 一种桥梁防船撞监测预警系统 | |
| CN112639495A (zh) | 一种电池检测的方法和装置 | |
| Zheng et al. | An extended interval type-2 fuzzy ORESTE method for risk analysis in FMEA | |
| Zhang et al. | An extended PROMETHEE-II-based risk prioritization method for equipment failures in the geothermal power plant | |
| Holenstein et al. | Collision avoidance in a behavior-based mobile robot design | |
| CN114254055A (zh) | 机房设备的故障分析方法、装置、计算机设备、存储介质 | |
| CN115686908A (zh) | 一种数据处理方法及相关设备 | |
| Mauša et al. | Multivariate logistic regression prediction of fault-proneness in software modules | |
| CN116595756A (zh) | 基于数字孪生的数据中心智能化运维方法及装置 | |
| CN115965354A (zh) | 一种燃料电池能源站运维系统和方法 | |
| Kim et al. | PHM experimental design for effective state separation using Jensen–Shannon divergence | |
| Al-Hussaini et al. | Seeking human help to manage plan failure risks in semi-autonomous mobile manipulation | |
| CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
| CN107330884A (zh) | 着火点检测方法及装置 | |
| CN111524108B (zh) | 一种变电站设备检测方法及设备 | |
| US7877234B1 (en) | System and method for statistically monitoring and analyzing sensed conditions | |
| CN117454563A (zh) | 基于风险频率的泄漏探测覆盖率检测方法及装置 | |
| Kamal et al. | A data-driven Bayes approach for investigating International Safety Management Code-sourced detention of ships in Port State Controls | |
| Tang et al. | Insulator self-explosion detection method based on deep learning for transmission line components in ultrahigh voltage aerial images | |
| JP6785715B2 (ja) | 正常異常判別装置、正常異常判別方法、及び正常異常判別システム | |
| Li et al. | The effect of shipowners’ effort in vessels accident: A Bayesian network approach |
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 |