CN113705074B - 一种化工事故风险预测方法及装置 - Google Patents

一种化工事故风险预测方法及装置 Download PDF

Info

Publication number
CN113705074B
CN113705074B CN202110572740.2A CN202110572740A CN113705074B CN 113705074 B CN113705074 B CN 113705074B CN 202110572740 A CN202110572740 A CN 202110572740A CN 113705074 B CN113705074 B CN 113705074B
Authority
CN
China
Prior art keywords
risk prediction
accident risk
accident
svm
prediction 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
Application number
CN202110572740.2A
Other languages
English (en)
Other versions
CN113705074A (zh
Inventor
吴红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Academy Of Safety Science & Technology
Original Assignee
Jiangsu Academy Of Safety Science & Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Academy Of Safety Science & Technology filed Critical Jiangsu Academy Of Safety Science & Technology
Priority to CN202110572740.2A priority Critical patent/CN113705074B/zh
Publication of CN113705074A publication Critical patent/CN113705074A/zh
Application granted granted Critical
Publication of CN113705074B publication Critical patent/CN113705074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

本申请提供了一种化工事故风险预测方法及装置。所述化工事故风险预测方法包括获取SVM事故风险预测模型；通过PSO算法优化所述SVM事故风险预测模型，从而获取优化后的SVM事故风险预测模型；对所述优化后的SVM事故风险预测模型进行训练，从而获取训练后的SVM事故风险预测模型；获取待预测参数；将所述待预测参数输入所述训练后的SVM事故风险预测模型从而获取预测风险值。本申请解决了化工事故预测技术中事故数据即样本数据稀少的问题，使事故风险值预测精度更高。

Description

一种化工事故风险预测方法及装置
技术领域
本申请属于化工事故风险预测技术领域，特别涉及一种化工事故风 险预测方法以及化工事故风险预测装置。
背景技术
化工生产过程极易发生生产安全事故，一旦发生事故，后果非常严 重，因此需要做好事故预测、预防工作。就目前而言，对于化工生产过 程中事故风险的预测多基于DCS系统和传感器所采集工况数据，通过设置 阈值判定方式进行风险预测，缺点包括：一是风险预测依据的数据源单 一，不能够预测生产过程中的系统性风险；二是风险预测具有滞后性， 只有过了某一阈值才能发出警报，此时异常已经出现。很有可能工作人 员来不及进行，或者异常情况己经给化工安全带来损失。
因此，希望有一种技术方案来克服或至少减轻现有技术的至少一个 上述缺陷。
发明内容
本申请的目的是提供了一种化工事故风险预测方法，以解决上述至 少一方面的问题。
在本申请的第一方面，一种化工事故风险预测方法，所述化工事故 风险预测方法包括：
获取SVM事故风险预测模型；
通过PSO算法优化所述SVM事故风险预测模型，从而获取优化后的 SVM事故风险预测模型；
对所述优化后的SVM事故风险预测模型进行训练，从而获取训练后 的SVM事故风险预测模型；
获取待预测参数；
将所述待预测参数输入所述训练后的SVM事故风险预测模型从而获 取预测风险值。
可选地，所述对所述优化后的SVM事故风险预测模型进行训练，从 而获取训练后的SVM事故风险预测模型包括：
获取样本数据集，所述样本数据集包括训练集以及测试集；
通过所述训练集对所述优化后的SVM事故风险预测模型进行训练；
通过所述测试集对所述优化后的SVM事故风险预测模型进行测试， 判断获取的结果是否满足预设精度，若是，则
获取训练后的SVM事故风险预测模型。
可选地，所述获取样本数据集包括：
获取各个化工安全生产事故的原始数据；
根据所述各个化工安全生产事故的原始数据生成所述样本数据集。
可选地，所述根据所述各个化工安全生产事故的原始数据生成所述 样本数据集包括：
根据所述各个化工安全生产事故的原始数据获取致因因素特征，所 述致因因素特征的数量为多个；
根据各个所述化工安全生产事故的原始数据获取每个致因因素特征 的权重值；
根据所述原始数据、致因因素特征以及所述权重值获取样本数据集。
可选地，所述通过PSO算法优化所述SVM事故风险预测模型，从而 获取优化后的SVM事故风险预测模型包括：
通过如下调整公式对所述SVM事故风险预测模型进行优化：
其中，
i为粒子，k是迭代次数，ω为惯性权重。c1和c2是学习因子，表示种 群中个体和全局的性质；c1和c2为常数；r1和r2分布于[0,1]范围内的随机 值。
本申请还提供了一种化工事故风险预测装置，所述化工事故风险预 测装置包括：
模型获取模块，所述模型获取模块用于获取SVM事故风险预测模型；
优化模块，所述优化模块用于通过PSO算法优化所述SVM事故风险 预测模型，从而获取优化后的SVM事故风险预测模型；
训练模块，所述训练模块用于对所述优化后的SVM事故风险预测模 型进行训练，从而获取训练后的SVM事故风险预测模型；
待预测参数获取模块，所述待预测参数获取模块用于获取待预测参 数；
预测模块，所述预测模块用于将所述待预测参数输入所述训练后的 SVM事故风险预测模型从而获取预测风险值。
可选地，所述训练模块包括：
样本数据集获取模块，所述样本数据集获取模块用于获取样本数据 集，所述样本数据集包括训练集以及测试集；
训练集训练模块，所述训练集训练模块用于通过所述训练集对所述 优化后的SVM事故风险预测模型进行训练；
测试集测试模块，所述测试集测试模块用于通过所述测试集对所述 优化后的SVM事故风险预测模型进行测试，判断获取的结果是否满足预 设精度；
训练后模型获取模块，所述训练后模型获取模块用于在所述判断为 是时获取训练后的SVM事故风险预测模型。
可选地，所述样本数据集获取模块包括：
原始数据获取模块，所述原始数据获取模块用于获取各个化工安全 生产事故的原始数据；
样本数据集生成模块，所述样本数据集生成模块用于根据所述各个 化工安全生产事故的原始数据生成所述样本数据集。
本申请还提供了一种电子设备，包括存储器、处理器以及存储在所 述存储器中并能够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如上所述的化工事故风险预测方法。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介 质存储有计算机程序，所述计算机程序被处理器执行时能够实现如上所 述的化工事故风险预测方法。
本申请至少存在以下有益技术效果：
本申请的化工事故风险预测方法采用的PSO-SVM回归模型预测化工 生产过程中事故风险，通过建立的预测指标体系，综合考虑影响事故风 险的因素，对比基于DCS系统和传感器所采集工况数据并通过设置阈值的 预测方式，可做到预测化工生产的系统性事故风险，而非单一工况参数 的异常预警。同时，SVM模型适合小样本数据的回归预测，所以本方法 将PSO-SVM模型用到化工生产事故风险预测技术中，也解决了化工事故 预测技术中事故数据即样本数据稀少的问题，使事故风险值预测精度更 高。
附图说明
图1是本申请一个实施方式提供的化工事故风险预测方法的流程示 意图；
图2是一种电子设备，用于实现图1所示的化工事故风险预测方法。
图3是图1所示的化工事故风险预测方法中的致因因素特征的示意 图。
图4是图1所示的化工事故风险预测方法中的各致因因素在事故风险 中所占的权重值的一级权重示意图。
图5是图1所示的化工事故风险预测方法中的各致因因素在事故风险 中所占的权重值的二级权重示意图。
图6是图1所示的化工事故风险预测方法中的SVM回归预测的结构示 意图。
图7为图1所示的化工事故风险预测方法采用PSO算法优化结果示意 图。
图8为采用本申请的化工事故风险预测方法进行预测的测试集预测 结果示意图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本 申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描 述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具 有相同或类似功能的元件。所描述的实施例是本申请一部分实施例，而 不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在 用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施 例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其 他实施例，都属于本申请保护的范围。下面结合附图对本申请的实施例 进行详细说明。
需要说明的是，在本发明的描述中，术语“第一”、“第二”仅用 于描述目的，而不能理解为指示或暗示相对重要性。
图1是本申请一个实施方式提供的化工事故风险预测方法的流程示 意图。
如图1所示的化工事故风险预测方法包括：
步骤1：获取SVM事故风险预测模型；
步骤2：通过PSO算法(粒子群优化算法)优化所述SVM事故风险预测 模型，从而获取优化后的SVM事故风险预测模型；
步骤3：对优化后的SVM事故风险预测模型进行训练，从而获取训练 后的SVM事故风险预测模型；
步骤4：获取待预测参数；
步骤5：将待预测参数输入训练后的SVM事故风险预测模型从而获取 预测风险值。
本申请的化工事故风险预测方法采用的PSO-SVM回归模型预测化工 生产过程中事故风险，通过建立的预测指标体系，综合考虑影响事故风 险的因素，对比基于DCS系统和传感器所采集工况数据并通过设置阈值的 预测方式，可做到预测化工生产的系统性事故风险，而非单一工况参数 的异常预警。同时，SVM模型适合小样本数据的回归预测，所以本方法 将PSO-SVM模型用到化工生产事故风险预测技术中，也解决了化工事故 预测技术中事故数据即样本数据稀少的问题，使事故风险值预测精度更 高。
在本实施例中，对优化后的SVM事故风险预测模型进行训练，从而 获取训练后的SVM事故风险预测模型包括：
获取样本数据集，样本数据集包括训练集以及测试集；
通过训练集对优化后的SVM事故风险预测模型进行训练；
通过测试集对所述优化后的SVM事故风险预测模型进行测试，判断 获取的结果是否满足预设精度，若是，则
获取训练后的SVM事故风险预测模型。
在本实施例中，获取样本数据集包括：
获取各个化工安全生产事故的原始数据；具体地，在本实施例中， 获取近年较大及以上化工安全生产事故调查报告；基于事故致因2-4模型 从事故调查报告中读取各事故致因因素，统计分析事故致因因素特征。
根据各个化工安全生产事故的原始数据生成样本数据集。具体地， 根据事故调查报告读取的事故致因因素统计特征，结合专家经验，确定 预测指标，通过建立判断矩阵，进而得出预测指标对应权重。在本实施 例中，各个化工安全生产事故的原始数据采用2015年至2019年5年期间我 国化工安全生产事故中的各个原始数据。
在本实施例中，根据所述各个化工安全生产事故的原始数据生成样 本数据集包括：
根据各个化工安全生产事故的原始数据获取致因因素特征，致因因 素特征的数量为多个；
根据各个所述化工安全生产事故的原始数据获取每个致因因素特征 的权重值；
根据所述原始数据、致因因素特征以及所述权重值获取样本数据集。 具体地，根据所述预测指标及对应权重值，利用matlab生成每组样本对应 各指标不同风险等级区间的指标值，并计算每组样本数据对应的事故风 险值。
在本实施例中，利用2-4致因模型分析统计2015年至2019年5年期间我 国化工安全生产事故的致因因素特征。
在本实施例中，如图3所示，本申请的致因因素特征包括：违规违章 操作、安全知识不足、决策不符合管理规定、设备设施设计工艺缺陷、 安全防护设施缺失、安全警示标识缺失、设备设施存在故障隐患、自动 化控制系统故障、安全规章制度、教育培训、安全管理制度等。
在本实施例中，(2)利用层次分析法结合事故案例致因因素分析统 计致因因素，确定各致因因素在事故风险中所占的权重值。
其中，各致因因素在事故风险中所占的权重值可以分为一级权重值 以及二级权重值，在本实施例中，一级权重值以及二级权重值组成事故 风险预测指标体系，具体可参看下表、图4以及图5。
在本实施例中，建立25组预测指标参数值样本数据，涵盖5个风险 程度等级，即风险值非常低(0,20]、风险值较低(20,40]、风险值一般(40,60]、 风险值较高(60,80]、风险值非常高(80,100]。基于各指标参数值αij，根据 事故风险预测指标体系中一级指标权重wi及相对应的二级指标权重wij， 由公式可计算得到每组样本数据的事故风险值，风险值计算公式：
(1)得到样本的风险值(即样本数据集)如下表所示。
在本实施例中，SVM事故风险预测模型具体如下：
选择核函数并训练SVM模型
需要利用核函数将非线性样本转变为高维空间的线性可分问题，核 函数可表示如下：
得到支持向量机线性回归函数f(x)：
样本数据中前20组数据作为训练集输入SVM模型。x为输入值，f(x) 为预测的风险值，SVM回归预测的结构示意图如图6所示。
在本实施例中，通过PSO算法优化所述SVM事故风险预测模型，从 而获取优化后的SVM事故风险预测模型包括：
具体地，优化的参数包括惩罚因子和核函数参数。本实施案例选择 径向基核函数(RBF)，RBF具备很好的局部性，对线性和非线性样本数据 集均适用，是SVM非线性回归中最常选择的核函数。
令代入式(4),则得到：
K(X,Xi)＝exp(-g||x-xi||2) (5)
在参数寻优过程中，需要对粒子进行迭代和调整，通过不断迭代调 整寻找到最优解。搜索空间是D维，粒子总数为m，第i个粒子在N纬空间 中的位置可表述为Xi＝(Xi1,Xi2,...,XiD)，速度表述为νi＝(νi1,νi2,...,νiD)，粒 子通过一步步调整进行更新，调整公式如下：
i为粒子，k是迭代次数，ω为惯性权重。c1和c2是学习因子，表示种 群中个体和全局的性质。在计算过程中c1和c2为常数。r1和r2分布于[0,1] 范围内的随机值。通过粒子寻优计算最终确定惩罚因子为4.0611，核函数 参数为0.01。寻优计算结果如图7所示。
根据优化后的PSO-SVM模型对第21至25组样本数据作预测，预测结 果良好如图8所示。
本申请还提供了一种化工事故风险预测装置，所述化工事故风险预 测装置包括模型获取模块、优化模块、训练模块、待预测参数获取模块 以及预测模块，模型获取模块用于获取SVM事故风险预测模型；优化模 块用于通过PSO算法优化所述SVM事故风险预测模型，从而获取优化后 的SVM事故风险预测模型；训练模块用于对所述优化后的SVM事故风险预测模型进行训练，从而获取训练后的SVM事故风险预测模型；待预测 参数获取模块用于获取待预测参数；预测模块用于将待预测参数输入训 练后的SVM事故风险预测模型从而获取预测风险值。
在本实施例中，训练模块包括样本数据集获取模块、训练集训练模 块、训练后模型获取模块以及测试集测试模块，其中，
样本数据集获取模块用于获取样本数据集，样本数据集包括训练集 以及测试集；
训练集训练模块用于通过训练集对优化后的SVM事故风险预测模型 进行训练；
测试集测试模块用于通过测试集对优化后的SVM事故风险预测模型 进行测试，判断获取的结果是否满足预设精度；
训练后模型获取模块用于在判断为是时获取训练后的SVM事故风险 预测模型。
在本实施例中，样本数据集获取模块包括原始数据获取模块以及样 本数据集生成模块，原始数据获取模块用于获取各个化工安全生产事故 的原始数据；样本数据集生成模块用于根据所述各个化工安全生产事故 的原始数据生成所述样本数据集。
本申请还提供了一种电子设备，包括存储器、处理器以及存储在所 述存储器中并能够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如上所述的化工事故风险预测方法。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介 质存储有计算机程序，所述计算机程序被处理器执行时能够实现如上所 述的化工事故风险预测方法。
图2是能够实现根据本申请一个实施例提供的化工事故风险预测方 法的电子设备的示例性结构图。
如图2所示，电子设备包括输入设备501、输入接口502、中央处理器 503、存储器504、输出接口505以及输出设备506。其中，输入接口502、 中央处理器503、存储器504以及输出接口505通过总线507相互连接，输 入设备501和输出设备506分别通过输入接口502和输出接口505与总线 507连接，进而与电子设备的其他组件连接。具体地，输入设备504接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器 503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信 息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器 504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备 506将输出信息输出到电子设备的外部供用户使用。
也就是说，图2所示的电子设备也可以被实现为包括：存储有计算机 可执行指令的存储器；以及一个或多个处理器，该一个或多个处理器在 执行计算机可执行指令时可以实现结合图1描述的化工事故风险预测方 法。
在一个实施例中，图2所示的电子设备可以被实现为包括：存储器 504，被配置为存储可执行程序代码；一个或多个处理器503，被配置为 运行存储器504中存储的可执行程序代码，以执行上述实施例中的化工事 故风险预测方法。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输 入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储 器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动，媒体 可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、 数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但 不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存 取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储 器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或 其他内存技术、只读光盘只读存储器(CD-ROM)、数据多功能光盘(DVD) 或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任 何其他非传输介质，可用于存储可以被计算设备访问的信息。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计 算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例 或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或 多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不 限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
此外，显然“包括”一词不排除其他单元或步骤。装置权利要求中 陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬 件来实现。第一、第二等词语用来标识名称，而不标识任何特定的顺序。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方 法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上， 流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部 分，模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻 辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接 连地标识的方框实际上可以基本并行地执行，他们有时也可以按相反的 顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中 的每个方框、以及框图和/或总流程图中的方框的组合，可以用执行规定 的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与 计算机指令的组合来实现。
在本实施例中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(Field-Programmable 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。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存 储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据， 实现装置/终端设备的各种功能。存储器可主要包括存储程序区和存储数 据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程 序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据 手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储 器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬 盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全 数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存 储器件、闪存器件、或其他易失性固态存储器件。
在本实施例中，装置/终端设备集成的模块/单元如果以软件功能单元 的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可 读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全 部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计 算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器 执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计 算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可 执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算 机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、 计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存 储器(RAM，Random Access Memory)、电载波信号、电信信号以及软 件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司 法管辖区内立法和专利实践的要求进行适当的增减。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而 非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域 的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方 案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者 替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神 和范围。

Claims (4)

1.一种化工事故风险预测方法，其特征在于，所述化工事故风险预测方法包括：
获取SVM事故风险预测模型；
通过PSO算法优化所述SVM事故风险预测模型，从而获取优化后的SVM事故风险预测模型；
对所述优化后的SVM事故风险预测模型进行训练，从而获取训练后的SVM事故风险预测模型；
获取待预测参数；
将所述待预测参数输入所述训练后的SVM事故风险预测模型从而获取预测风险值；
所述对所述优化后的SVM事故风险预测模型进行训练，从而获取训练后的SVM事故风险预测模型包括：
获取样本数据集，所述样本数据集包括训练集以及测试集；
通过所述训练集对所述优化后的SVM事故风险预测模型进行训练；
通过所述测试集对所述优化后的SVM事故风险预测模型进行测试，判断获取的结果是否满足预设精度，若是，则
获取训练后的SVM事故风险预测模型；
所述获取样本数据集包括：
获取各个化工安全生产事故的原始数据；
根据所述各个化工安全生产事故的原始数据生成所述样本数据集；
所述根据所述各个化工安全生产事故的原始数据生成所述样本数据集包括：
根据所述各个化工安全生产事故的原始数据获取致因因素特征，所述致因因素特征的数量为多个；
根据各个所述化工安全生产事故的原始数据获取每个致因因素特征的权重值；
根据所述原始数据、致因因素特征以及所述权重值获取样本数据集。
2.一种化工事故风险预测装置，其特征在于，所述化工事故风险预测装置包括：
模型获取模块，所述模型获取模块用于获取SVM事故风险预测模型；
优化模块，所述优化模块用于通过PSO算法优化所述SVM事故风险预测模型，从而获取优化后的SVM事故风险预测模型；
训练模块，所述训练模块用于对所述优化后的SVM事故风险预测模型进行训练，从而获取训练后的SVM事故风险预测模型；
待预测参数获取模块，所述待预测参数获取模块用于获取待预测参数；
预测模块，所述预测模块用于将所述待预测参数输入所述训练后的SVM事故风险预测模型从而获取预测风险值；
所述训练模块包括：
样本数据集获取模块，所述样本数据集获取模块用于获取样本数据集，所述样本数据集包括训练集以及测试集；
训练集训练模块，所述训练集训练模块用于通过所述训练集对所述优化后的SVM事故风险预测模型进行训练；
测试集测试模块，所述测试集测试模块用于通过所述测试集对所述优化后的SVM事故风险预测模型进行测试，判断获取的结果是否满足预设精度；
训练后模型获取模块，所述训练后模型获取模块用于在所述判断为是时获取训练后的SVM事故风险预测模型；
所述样本数据集获取模块包括：
原始数据获取模块，所述原始数据获取模块用于获取各个化工安全生产事故的原始数据；
样本数据集生成模块，所述样本数据集生成模块用于根据所述各个化工安全生产事故的原始数据生成所述样本数据集；
所述根据所述各个化工安全生产事故的原始数据生成所述样本数据集包括：
根据所述各个化工安全生产事故的原始数据获取致因因素特征，所述致因因素特征的数量为多个；
根据各个所述化工安全生产事故的原始数据获取每个致因因素特征的权重值；
根据所述原始数据、致因因素特征以及所述权重值获取样本数据集。
3.一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够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所述的化工事故风险预测方法。
4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能够实现如权利要求1所述的化工事故风险预测方法。
CN202110572740.2A 2021-05-25 2021-05-25 一种化工事故风险预测方法及装置 Active CN113705074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110572740.2A CN113705074B (zh) 2021-05-25 2021-05-25 一种化工事故风险预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110572740.2A CN113705074B (zh) 2021-05-25 2021-05-25 一种化工事故风险预测方法及装置

Publications (2)

Publication Number Publication Date
CN113705074A CN113705074A (zh) 2021-11-26
CN113705074B true CN113705074B (zh) 2024-03-08

Family

ID=78648039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110572740.2A Active CN113705074B (zh) 2021-05-25 2021-05-25 一种化工事故风险预测方法及装置

Country Status (1)

Country Link
CN (1) CN113705074B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331411B (zh) * 2022-08-10 2023-05-30 中国平安财产保险股份有限公司 基于人工智能的建筑事故预警方法及相关设备
CN117009831B (zh) * 2023-10-07 2023-12-08 山东世纪阳光科技有限公司 一种精细化工事故风险预测评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020434A (zh) * 2012-11-30 2013-04-03 南京航空航天大学 一种基于粒子群优化的最小二乘支持向量机组合预测方法
WO2017128455A1 (zh) * 2016-01-25 2017-08-03 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN108647753A (zh) * 2018-05-04 2018-10-12 桂林电子科技大学 一种基于bim和rfid技术的施工现场风险预警方法
CN109767090A (zh) * 2018-12-27 2019-05-17 浙江省天正设计工程有限公司 一种化学危险工艺风险智能监控方法
CN110837979A (zh) * 2019-11-18 2020-02-25 吉旗物联科技（上海）有限公司 基于随机森林的安全驾驶风险预测方法及装置
CN112132435A (zh) * 2020-09-16 2020-12-25 上海作本化工科技有限公司 一种基于半定量计算的化工风险评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020434A (zh) * 2012-11-30 2013-04-03 南京航空航天大学 一种基于粒子群优化的最小二乘支持向量机组合预测方法
WO2017128455A1 (zh) * 2016-01-25 2017-08-03 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN108647753A (zh) * 2018-05-04 2018-10-12 桂林电子科技大学 一种基于bim和rfid技术的施工现场风险预警方法
CN109767090A (zh) * 2018-12-27 2019-05-17 浙江省天正设计工程有限公司 一种化学危险工艺风险智能监控方法
CN110837979A (zh) * 2019-11-18 2020-02-25 吉旗物联科技（上海）有限公司 基于随机森林的安全驾驶风险预测方法及装置
CN112132435A (zh) * 2020-09-16 2020-12-25 上海作本化工科技有限公司 一种基于半定量计算的化工风险评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于支持向量机的化工企业安全预警模型研究;关文玲;王少莉;朱晓莉;;天津理工大学学报;20170815(04);16-20 *

Also Published As

Publication number Publication date
CN113705074A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN109598095B (zh) 评分卡模型的建立方法、装置、计算机设备和存储介质
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN113705074B (zh) 一种化工事故风险预测方法及装置
CN110399268B (zh) 一种异常数据检测的方法、装置及设备
CN111368887B (zh) 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN111966995A (zh) 一种基于用户行为的用户权限动态管控方法和装置以及设备
CN110414715B (zh) 一种基于社团检测的客流量预警方法
CN113965389B (zh) 一种基于防火墙日志的网络安全管理方法、设备及介质
CN112905667A (zh) 无人驾驶信息存储和回放方法、装置及存储介质
CN116539994A (zh) 基于多源时间序列数据的变电站主设备运行状态检测方法
CN114662772A (zh) 交通噪音预警方法、模型训练方法、装置、设备及介质
CN112433952B (zh) 深度神经网络模型公平性测试方法、系统、设备及介质
CN111091863A (zh) 一种存储设备故障检测方法及相关装置
CN112651172B (zh) 一种降雨峰值类型划分方法、装置、设备和存储介质
CN110322153A (zh) 监控事件处理方法及系统
CN113220551A (zh) 指标趋势预测及预警方法、装置、电子设备及存储介质
CN117521063A (zh) 基于残差神经网络并结合迁移学习的恶意软件检测方法及装置
CN112579847A (zh) 生产数据的处理方法和装置、存储介质及电子设备
CN116010951A (zh) 电力区块链智能合约安全检测方法、装置、设备及介质
CN114398235B (zh) 基于融合学习和假设检验的内存回收趋势预警装置及方法
CN114154864A (zh) 针对电力微气象监测数据的质量评估方法及处理器
CN114757166A (zh) 自然语言理解系统的评估方法、装置及网络设备
CN114358422A (zh) 研发进度的异常预测方法及装置、存储介质和电子设备
CN111385342B (zh) 一种物联网行业识别方法、装置、电子设备及存储介质
CN116541252B (zh) 一种机房故障日志数据处理方法及装置

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