CN114065619A - 加油站危险预警方法及装置 - Google Patents
加油站危险预警方法及装置 Download PDFInfo
- Publication number
- CN114065619A CN114065619A CN202111331430.8A CN202111331430A CN114065619A CN 114065619 A CN114065619 A CN 114065619A CN 202111331430 A CN202111331430 A CN 202111331430A CN 114065619 A CN114065619 A CN 114065619A
- Authority
- CN
- China
- Prior art keywords
- accident
- early warning
- gas station
- keyword information
- danger
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013058 risk prediction model Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 66
- 238000004880 explosion Methods 0.000 description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 230000000391 smoking effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 239000003345 natural gas Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 239000002341 toxic gas Substances 0.000 description 4
- 231100000572 poisoning Toxicity 0.000 description 3
- 230000000607 poisoning effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种加油站危险预警方法及装置，所述加油站危险预警方法包括：对采集到的加油站的监控数据进行预处理，得到所述监控数据对应的多个关键词信息；获取所述关键词信息对应的权重值；其中，所述权重值是根据所述关键词信息在事故集中出现的比例确定的，所述事故集由加油站事故案例和危险预警案例得到；将所述关键词信息以及对应的权重值输入预先训练的危险预测模型，以使所述危险预测模型输出所述监控数据对应的风险类型及风险等级，以生成危险预警信号进行预警。本申请可及时发现可能存在的危险因素，减少事故的发生，降低人员伤亡和财产损失。
Description
技术领域
本发明涉及加油站安全检测和事故预警技术领域，具体涉及一种加油站危险预警方法及装置。
背景技术
在传统的危险因素分析工作中，通常工作人员会根据行业标准、发生过的事故案例等来分析潜在的危险因素以及可能导致的事故，制定有针对性的措施预防事故发生。而在工作人员人工对事故案例进行分析时，需要检索大量日常检查报告、事故调查报告等文件，耗费时间的同时，也可能受到工作人员自身的各项因素影响，准确率也无法得到保障。
在加油站中，由于加油站中大量储存易燃易爆的物质，发生安全事故的后果是极其严重的，轻则造成大量财产损失，重则导致人员伤亡，因比起发生事故后进行补救，在事故发生前对现场潜在的危险因素进行辨识并制定有针对性的预防措施无疑是更加有效且必要的。通过对大量事故案例进行分析发现，加油站中的危险因素分布较广，油品罐区、卸油区、加油区、输油管线、锅炉房、配电室都存在有危险因素，这都可能是导致事故发生的原因。
由此可见，需要一种使用更加有效的方法对加油站的危险因素进行分析从而预防事故发生的方法。
发明内容
针对现有技术中存在的上述技术问题，减少事故的发生，降低人员伤亡和财产损失，一方面，本申请提供一种加油站危险预警方法，该方法包括：
对采集到的加油站的监控数据进行预处理，得到所述监控数据对应的多个关键词信息；
获取所述关键词信息对应的权重值；其中，所述权重值是根据所述关键词信息在事故集中出现的比例确定的，所述事故集由加油站事故案例和危险预警案例得到；
将所述关键词信息以及对应的权重值输入预先训练的危险预测模型，以使所述危险预测模型输出所述监控数据对应的风险类型及风险等级，以生成危险预警信号进行预警。
在一实施例中，所述监控数据包括：摄像头采集到的图像、麦克风采集到的音频以及传感器采集到的参数；
所述对采集到的加油站的监控数据进行预处理，包括：
对摄像头采集到的图像进行识别，得到所述图像对应的描述语句；对所述描述语句进行分词、去停用词、数据清洗，得到所述图像对应的关键词信息；或
对麦克风采集到的语音进行语义识别，得到所述语音对应的关键词信息；或
对传感器采集到的参数进行参数识别，得到所述参数对应的关键词信息。
在一实施例中，所述获取所述关键词信息对应的权重值，包括：
获取多个事故集，每个事故集包括事故关键词，每个事故集对应一个加油站事故案例或一个危险预警案例；
将所述关键词信息与所述事故集的事故关键词进行匹配，得到所述关键词信息在所述事故集中出现的比例；
根据所述比例得到所述关键词信息对应的权重值。
在一实施例中，预先训练危险预测模型的步骤包括：
根据所述事故集生成训练数据集；
使用所述训练数据集对神经网络模型进行训练，得到所述危险预测模型。
在一实施例中，所述根据所述事故集生成训练数据集，包括：
根据所述事故集对应的事故描述及事故影响，得到所述事故集对应的严重程度代表值及事故类型；
根据所述事故集中的事故类型及事故原因，得到所述事故集对应的发生概率代表值；
根据所述严重程度代表值以及所述发生概率代表值确定所述事故集对应的风险等级；
根据所述事故集、所述事故集对应的风险等级及风险类型生成所述训练数据集。
在一实施例中，所述加油站危险预警方法还包括：
根据所述危险预警信号对应的处理结果数据判断本次危险预警是否准确；
若是，则根据所述监控数据生成最新危险预警案例及对应的最新事故集；
根据所述最新事故集更新所述危险预警模型。
另一方面，本申请还提供一种加油站危险预警装置，该装置包括：
关键词提取模块，用于对采集到的加油站的监控数据进行预处理，得到所述监控数据对应的多个关键词信息；
权重计算模块，用于获取所述关键词信息对应的权重值；其中，所述权重值是根据所述关键词信息在事故集中出现的比例确定的，所述事故集由加油站事故案例和危险预警案例得到；
危险预测模块，用于将所述关键词信息以及对应的权重值输入预先训练的危险预测模型，以使所述危险预测模型输出所述监控数据对应的风险类型及风险等级，以生成危险预警信号进行预警。
在一实施例中，所述权重计算模块包括：
事故集获取单元，用于获取多个事故集，每个事故集包括事故关键词，每个事故集对应一个加油站事故案例或一个危险预警案例；
关键词匹配单元，用于将所述关键词信息与所述事故集的事故关键词进行匹配，得到所述关键词信息在所述事故集中出现的比例；
权重值计算单元，用于根据所述比例得到所述关键词信息对应的权重值。
在一实施例中，所述的加油站危险预警装置还包括：
结果判断模块，用于根据所述危险预警信号对应的处理结果数据判断本次危险预警是否准确；
事故集更新模块，用于当本次危险预警准确时，根据所述监控数据生成最新危险预警案例及对应的最新事故集；
模型更新模块，用于根据所述最新事故集更新所述危险预警模型。
本申请一方面还提供一种电子设备，包括：
中央处理器、存储器、通信模块，所述存储器中存储有计算机程序，所述中央处理器可调用所述计算机程序，所述中央处理器执行所述计算机程序时实现上述加油站危险预警方法。
本申请一方面还提供一种计算机存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现上述加油站危险预警方法。
本申请的加油站危险预警方法及装置结合大量的事故案例分析，对加油站的油品罐区、卸油区、加油区、输油管线、锅炉房及配电室等多个区域进行监测，实时预测火灾、爆炸及中毒事故的发生，并提出预警信号提示工作人员，本申请可及时发现可能存在的危险因素，减少事故的发生，降低人员伤亡和财产损失。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例的加油站危险预警方法的示意图。
图2为本申请另一实施例的加油站危险预警方法的示意图。
图3为本申请另一实施例的加油站危险预警方法的示意图。
图4为本申请的预先训练危险预测模型的示意图。
图5为本申请的预先训练危险预测模型的另一示意图。
图6为本申请另一实施例的加油站危险预警方法的示意图。
图7为本申请一实施例的加油站危险预警装置的示意图。
图8为本申请另一实施例的加油站危险预警装置的示意图。
图9为本申请另一实施例的加油站危险预警装置的示意图。
图10为本申请的一种电子设备的示意图。
具体实施方式
本申请提供一种加油站危险预警方法，如图1所示，该方法包括以下步骤S101～步骤S103：
步骤S101，对采集到的加油站的监控数据进行预处理，得到所述监控数据对应的多个关键词信息。
具体地，采集到的加油站的监控数据包括但不限于摄像头采集到的图像、麦克风采集到的音频、传感器采集到的参数以及来自客户端的输入数据。其中，摄像头、麦克风及传感器可布设于加油站的油品罐区、卸油区、加油区、输油管线、锅炉房及配电室等多个区域，以监测加油站各个角落的状态。来自客户端的输入数据例如是工作人员现场采集到并通过客户端录入的数据。
在步骤S101中对数据进行预处理的过程主要包括对采集到的监控数据进行分析转换为关键词信息，可以理解的是，本步骤中得到的关键词信息为至少一个，通常情况下包括多个关键词信息。该步骤将摄像头采集到的图像、麦克风采集到的音频、传感器采集到的参数以及来自客户端的输入数据等多种类型的数据统一转换为关键词信息，数据类型的统一便于后续步骤的进行。具体的转换步骤将在后续实施例中详细进行说明。
步骤S102，获取所述关键词信息对应的权重值；其中，所述权重值是根据所述关键词信息在事故集中出现的比例确定的，所述事故集由加油站事故案例和危险预警案例得到。
首先，这里对事故集进行解释，本申请的事故集是根据加油站事故案例和危险预警案例得到的。具体地，加油站事故案例例如可以是《加油站百例事故分析》中的部分或全部案例，危险预警案例例如可以是加油站工作人员在日常工作中采集到的可能引发危险的分析报告。对加油站事故案例和危险预警案例进行分析，从各案例的事故名称、事故描述、事故影响等信息中提取出事故类型、事故原因、事故等级、事故发生位置以及事故关键词，并将上述所有信息进行组合得到一个事故集。每一个事故集与一个加油站事故案例或危险预警案例对应。其中，事故类型包括但不限于火爆炸、油品流失、毒气泄漏；事故原因包括但不限于恶劣天气、误操作、管理不规范等；事故等级可根据人员伤亡和财产损失程度进行划分，例如划分为三个事故等级；事故发生位置主要指事故发生的源头位置。
对加油站事故案例和危险预警案例进行分析时，包括去停用词、分词、数据清洗等步骤。通过去停用词可得到简洁的关键词；分词可通过Python下的Jieba分词工具包实现，将各案例转化为事故关键词；数据清洗可通过处理无效值、缺失值等功能的工具包实现，进而删除无关信息和无效信息，统一事故集的数据格式。
本步骤中确定关键词信息对应的权重值时，首先将得到的关键词信息与事故集中的事故关键词进行匹配，得到各关键词信息在事故集中出现的比例。并根据各关键词信息对应的比例计算关键词信息对应的权重值。其中，权重值的计算方法将在后续实施例中详细进行说明。
步骤S103，将所述关键词信息以及对应的权重值输入预先训练的危险预测模型，以使所述危险预测模型输出所述监控数据对应的风险类型及风险等级，以生成危险预警信号进行预警。
具体地，本步骤使用预先训练的危险预测模型进行危险预警。将关键词信息以及对应的权重值输入危险预测模型，危险预测模型会输出对应的风险类型及风险等级，即步骤S101中获取的监控数据可能引发的风险类型和风险等级，然后生成危险预警信号提醒工作人员及时排查和防范。在一可能的实施例中，风险类型包括但不限于着火爆炸、油品流失、毒气泄漏等。风险等级可以事故集中的事故类型、事故原因、事故影响等信息为依据，根据事故造成的人员伤亡数、财产损失等进行划分，在一可能的实施例中，风险等级按照严重程度依次降低可划分为一级风险、二级风险、三级风险。
这里需要说明的是，可根据危险预测模型输出的风险类型和风险等级的不同生成不同的危险预警信号。例如，对于火爆炸、油品流失、毒气泄漏等不同风险类型可分别使用不同颜色的指示灯进行提示，对于一级风险、二级风险、三级风险等可分别使用不同的音频进行提示。危险预警信号通常以指示灯加音频的形式输出，以使工作人员快速判断可能引发的风险类型和风险等级，以及时采取相应的防护救助措施。
本申请的加油站危险预警方法参考历史发生的加油站事故案例和危险预警案例，以多种不同的手段实时监测加油站各个区域的参数，对加油站可能引起的危险进行预警，并以不同的危险预警信号提示工作人员风险类型和风险等级，可及时提醒工作人员进行危险排查，有效减少加油站危险事故的发生，降低人员伤亡和财产损失，同时对加油站的安全管理机制的完善提供帮助。
在一实施例中，如图2所示，步骤S101，对采集到的加油站的监控数据进行预处理，得到所述监控数据对应的多个关键词信息，具体包括以下步骤：
针对不同类型的监控数据：摄像头采集到的图像、麦克风采集到的音频、传感器采集到的参数以及来自客户端的输入数据，本实施例分别提供不同的预处理过程。
具体地，对于摄像头采集到的图像的处理，包括以下两个步骤：
步骤S1011，对摄像头采集到的图像进行图像识别、语句生成，得到所述图像对应的描述语句。
具体地，对摄像头采集到的图像进行图像识别，得到对应的关键词字段，使用语句生成方法对关键词字段进行组合，并补充对应的助词等词汇，生成完整通常的描述语句；
步骤S1012，对所述描述语句进行分词、去停用词、数据清洗，得到所述图像对应的关键词信息。
对描述语句重新进行分词、去停用词、数据清洗等操作，得到摄像头采集的图像对应的关键词信息，此处的关键词信息为至少一个。
例如，假设一摄像头采集到的图像中有一工作人员在抽烟，根据摄像头的布设位置、工作人员的行为分析得到的描述语句例如是“区域A中有一工作人员在抽烟，该区域内存在一油罐车”，对该描述语句进行分析后得到的关键词信息例如是“危险行为”、“抽烟”、“区域A”、“油罐车”。
对于麦克风采集到的语音的处理，包括以下两个步骤：
步骤S1013，对麦克风采集到的语音进行语义识别，得到所述语音对应的描述语句。
步骤S1012，对所述描述语句进行分词、去停用词、数据清洗，得到所述语音对应的关键词信息。
对于传感器采集到的参数的处理，包括以下步骤：
步骤S1014，对传感器采集到的参数进行参数识别和阈值比较，得到所述参数对应的关键词信息。
具体地，传感器例如可以是温度传感器、湿度传感器、可燃气体浓度传感器、毒性气体浓度传感器、烟雾传感器等。对于传感器采集到的参数，首先识别参数的类型并获取该参数对应的安全阈值，安全阈值为预先设置的；然后比较该参数值是否处于安全阈值内，和/或判断该参数的变化幅度是否存在异常，根据判断结果生成对应的关键词信息。
例如，假设天然气浓度传感器监测到的天然气浓度在过去十分钟内的迅速上升，且传感器附近的天然气浓度已超出对应的安全阈值，结合天然其浓度传感器的布设位置B，则可得到关键词“天然气泄漏”、“漏点大”、“位置B”等关键词信息。
对于来自客户端的输入数据的处理：本实施例中，来自客户端的输入数据可能包括图像、文本、音频等多种类型的数据，因此，针对不同类型的数据，其处理方式参照对摄像头采集到的图像、麦克风采集到的语音、传感器采集到的参数的处理方式即可得到对应的关键词信息。
本实施例中，图像识别、语句生成、语义识别、分词、去停用词及数据清洗等步骤均采用现有技术中的方法，现有技术中能达到上述目的的方法均可适用于本申请。
在一实施例中，如图3所示，步骤S102，获取所述关键词信息对应的权重值，具体包括以下步骤：
步骤S1021，获取多个事故集，每个事故集包括事故关键词，每个事故集对应一个加油站事故案例或一个危险预警案例。其中，事故集可参照前述实施例步骤S102中的说明。
步骤S1022，将所述关键词信息与所述事故集的事故关键词进行匹配，得到所述关键词信息在所述事故集中出现的比例。
具体地，对于步骤S101中得到的每一个关键词信息，均与获取到的多个事故集的事故关键词进行匹配。例如，假设第一个关键词信息为“吸烟”，分别查找各事故集的事故关键词中是否出现“吸烟”，并记录出现“吸烟”的事故集的数量。以出现“吸烟”的事故集的数量除以事故集的总数，即可计算得到“吸烟”这一关键词信息在事故集中出现的比例。重复上述步骤即可得到所有关键词信息对应的比例。
步骤S1023，根据所述比例得到所述关键词信息对应的权重值。
具体地，在步骤S1022中，已经分别得到多个关键词信息对应的比例。这里假设一共有N(N为正整数，N≥1)个关键词信息，关键词信息表示为Kn(1≤n≤N)，关键词信息对应的比例表示为Rn(1≤n≤N)，则关键词信息Kn对应的权重值可表示为：
Wn＝Rn/(R1+R2+…+Rn)(1≤n≤N，N≥1，N为正整数)
本申请的危险预测模型是预先训练的，在一实施例中，如图4所示，预先训练危险预测模型的步骤包括：
步骤S401，根据所述事故集生成训练数据集。
步骤S402，使用所述训练数据集对神经网络模型进行训练，得到所述危险预测模型。
本实施例中，以事故集作为神经网络模型的训练数据。需要说明的是，同一个事故集的事故类型、事故原因以及事故关键词之间，都有强关联关系，例如，假设一个案例分析得出的事故类型是火爆炸，在分析该案例时，得到的可能引发火爆炸的原因有危险区域吸烟、工具撞击产生火花引发火爆炸等，显然，吸烟引发火爆炸的可能性远高于因工具撞击产生火花引发火爆炸的可能性。因此，吸烟与火爆炸之间便是强关联关系，而工具撞击火花与火爆炸之间不是强关联关系。因此，使用事故集训练神经网络模型后，神经网络模型即可根据输入的关键词信息及权重值得到与该关键词信息具有强关联关系的事故类型和事故等级。
在一实施例中，如图5所示，步骤S401，根据所述事故集生成训练数据集，具体包括以下步骤：
步骤S4011，根据所述事故集对应的事故描述及事故影响，得到所述事故集对应的严重程度代表值及事故类型。
具体地，从事故集对应的事故描述及事故影响中，获取事故类型以及事故对应的人员伤亡数量和财产损失金额，根据人员伤亡数量和财产损失程度得到事故对应的严重程度代表值。在一可能的实施例中，分别以1、2、3、4、5表示严重程度逐渐增加。实际应用中，可包括更多或更少的严重程度代表值，本申请不以此为限。
步骤S4012，根据所述事故集中的事故类型及事故原因，得到所述事故集对应的发生概率代表值。
具体地，这里需要结合多个事故集进行计算，假设对于一事故集，其对应的第一事故类型由第一事故原因引发，统计所有事故集中事故类型与该第一事故类型相同的事故集的数量，以及事故类型与该第一事故类型相同的事故集中事故原因与该第一事故原因相同的事故集数量。事故类型与该第一事故类型相同的事故集中事故原因与该第一事故原因相同的事故集数量除以所有事故集中事故类型与该第一事故类型相同的事故集的数量即可得到该事故集对应的发生概率代表值。
本实施例中，发生概率代表值体现了某一事故原因引发某一类型的事故的可能性，在一可能的实施例中，可能性可划分为5个范围：0-0.2、0.2-0.4、0.4-0.6、0.6-0.8和0.8-1。实际应用中，可划分更多或更少的可能性范围，本申请不以此为限。
步骤S4013，根据所述严重程度代表值以及所述发生概率代表值确定所述事故集对应的风险等级。
具体地，可以预设一个风险等级评估表如下表1所示：
表1：风险等级评估表
本实施例中的风险等级评估表可由专家进行评估得到。可以理解的是，以上所述的风险等级评估表仅为一种示例，实际应用中，可划分更多或更少的风险等级。
步骤S4014，根据所述事故集、所述事故集对应的风险等级及风险类型生成所述训练数据集。
在一实施例中，如图6所示，所述加油站危险预警方法还包括以下步骤：
步骤S104，根据所述危险预警信号对应的处理结果数据判断本次危险预警是否准确；其中，所述处理结果数据主要是通过客户端输入的，包括但不限于是否存在针对本次危险预警信号采取防护措施的记录数据。当存在记录数据时，则表示本次危险预警准确；当不存在记录数据，并接收到了关闭危险预警信号的指令时，则表示本次危险预警不准确。
步骤S105，若是，则根据所述监控数据生成最新危险预警案例及对应的最新事故集。
当本次危险预警准备时，根据本次危险预警对应的监控数据生成最新危险预警案例，并按照本申请前述实施例中描述的事故集的生成方法生成该最新危险预警案例对应的最新事故集。
步骤S106，根据所述最新事故集更新所述危险预警模型。
生成最新事故集后，根据该最新事故集对危险预警模型进行更新，以使危险预警模型的结果更加准确。
本申请的加油站危险预警方法结合大量的事故案例分析，对加油站的油品罐区、卸油区、加油区、输油管线、锅炉房及配电室等多个区域进行监测，实时预测火灾、爆炸及中毒事故的发生，并提出预警信号提示工作人员，本申请可及时发现可能存在的危险因素，减少事故的发生，降低人员伤亡和财产损失。
基于同一发明构思，本申请实施例还提供了一种加油站危险预警装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于加油站危险预警装置解决问题的原理与加油站危险预警方法相似，因此加油站危险预警装置的实施可以参见加油站危险预警方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
如图7所示，本申请提供的加油站危险预警装置具体包括：
关键词提取模块701，用于对采集到的加油站的监控数据进行预处理，得到所述监控数据对应的多个关键词信息；
权重计算模块702，用于获取所述关键词信息对应的权重值；其中，所述权重值是根据所述关键词信息在事故集中出现的比例确定的，所述事故集由加油站事故案例和危险预警案例得到；
危险预测模块703，用于将所述关键词信息以及对应的权重值输入预先训练的危险预测模型，以使所述危险预测模型输出所述监控数据对应的风险类型及风险等级，以生成危险预警信号进行预警。
在一实施例中，如图8所示，所述权重计算模块702包括：
事故集获取单元7021，用于获取多个事故集，每个事故集包括事故关键词，每个事故集对应一个加油站事故案例或一个危险预警案例；
关键词匹配单元7022，用于将所述关键词信息与所述事故集的事故关键词进行匹配，得到所述关键词信息在所述事故集中出现的比例；
权重值计算单元7023，用于根据所述比例得到所述关键词信息对应的权重值。
在一实施例中，如图9所示，所述的加油站危险预警装置还包括：
结果判断模块704，用于根据所述危险预警信号对应的处理结果数据判断本次危险预警是否准确；
事故集更新模块705，用于当本次危险预警准确时，根据所述监控数据生成最新危险预警案例及对应的最新事故集；
模型更新模块706，用于根据所述最新事故集更新所述危险预警模型。
本申请的加油站危险预警装置结合大量的事故案例分析，对加油站的油品罐区、卸油区、加油区、输油管线、锅炉房及配电室等多个区域进行监测，实时预测火灾、爆炸及中毒事故的发生，并提出预警信号提示工作人员，本申请可及时发现可能存在的危险因素，减少事故的发生，降低人员伤亡和财产损失。
本发明还提供一种电子设备，参见图10，所述电子设备100具体包括：
中央处理器(processor)110、存储器(memory)120、通信模块(Communications)130、输入单元140、输出单元150以及电源160。
其中，所述存储器(memory)120、通信模块(Communications)130、输入单元140、输出单元150以及电源160分别与所述中央处理器(processor)110相连接。所述存储器120中存储有计算机程序，所述中央处理器110可调用所述计算机程序，所述中央处理器110执行所述计算机程序时实现上述实施例中的加油站危险预警方法中的全部步骤。
本申请的实施例还提供一种计算机存储介质，用于存储计算机程序，所述计算机程序可被处理器执行。所述计算机程序被处理器执行时实现本发明所提供的任一加油站危险预警方法。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。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。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种加油站危险预警方法，其特征在于，包括：
对采集到的加油站的监控数据进行预处理，得到所述监控数据对应的多个关键词信息；
获取所述关键词信息对应的权重值；其中，所述权重值是根据所述关键词信息在事故集中出现的比例确定的，所述事故集由加油站事故案例和危险预警案例得到；
将所述关键词信息以及对应的权重值输入预先训练的危险预测模型，以使所述危险预测模型输出所述监控数据对应的风险类型及风险等级，以生成危险预警信号进行预警。
2.根据权利要求1所述的加油站危险预警方法，其特征在于，所述监控数据包括：摄像头采集到的图像、麦克风采集到的音频以及传感器采集到的参数；
所述对采集到的加油站的监控数据进行预处理，包括：
对摄像头采集到的图像进行识别，得到所述图像对应的描述语句；对所述描述语句进行分词、去停用词、数据清洗，得到所述图像对应的关键词信息；或
对麦克风采集到的语音进行语义识别，得到所述语音对应的关键词信息；或
对传感器采集到的参数进行参数识别，得到所述参数对应的关键词信息。
3.根据权利要求1所述的加油站危险预警方法，其特征在于，所述获取所述关键词信息对应的权重值，包括：
获取多个事故集，每个事故集包括事故关键词，每个事故集对应一个加油站事故案例或一个危险预警案例；
将所述关键词信息与所述事故集的事故关键词进行匹配，得到所述关键词信息在所述事故集中出现的比例；
根据所述比例得到所述关键词信息对应的权重值。
4.根据权利要求1所述的加油站危险预警方法，其特征在于，预先训练危险预测模型的步骤包括：
根据所述事故集生成训练数据集；
使用所述训练数据集对神经网络模型进行训练，得到所述危险预测模型。
5.根据权利要求4所述的加油站危险预警方法，其特征在于，所述根据所述事故集生成训练数据集，包括：
根据所述事故集对应的事故描述及事故影响，得到所述事故集对应的严重程度代表值及事故类型；
根据所述事故集中的事故类型及事故原因，得到所述事故集对应的发生概率代表值；
根据所述严重程度代表值以及所述发生概率代表值确定所述事故集对应的风险等级；
根据所述事故集、所述事故集对应的风险等级及风险类型生成所述训练数据集。
6.根据权利要求4所述的加油站危险预警方法，其特征在于，还包括：
根据所述危险预警信号对应的处理结果数据判断本次危险预警是否准确；
若是，则根据所述监控数据生成最新危险预警案例及对应的最新事故集；
根据所述最新事故集更新所述危险预测模型。
7.一种加油站危险预警装置，其特征在于，包括：
关键词提取模块，用于对采集到的加油站的监控数据进行预处理，得到所述监控数据对应的多个关键词信息；
权重计算模块，用于获取所述关键词信息对应的权重值；其中，所述权重值是根据所述关键词信息在事故集中出现的比例确定的，所述事故集由加油站事故案例和危险预警案例得到；
危险预测模块，用于将所述关键词信息以及对应的权重值输入预先训练的危险预测模型，以使所述危险预测模型输出所述监控数据对应的风险类型及风险等级，以生成危险预警信号进行预警。
8.根据权利要求7所述的加油站危险预警装置，其特征在于，所述权重计算模块包括：
事故集获取单元，用于获取多个事故集，每个事故集包括事故关键词，每个事故集对应一个加油站事故案例或一个危险预警案例；
关键词匹配单元，用于将所述关键词信息与所述事故集的事故关键词进行匹配，得到所述关键词信息在所述事故集中出现的比例；
权重值计算单元，用于根据所述比例得到所述关键词信息对应的权重值。
9.一种电子设备，其特征在于，包括：
中央处理器、存储器、通信模块，所述存储器中存储有计算机程序，所述中央处理器可调用所述计算机程序，所述中央处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的加油站危险预警方法。
10.一种计算机存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的加油站危险预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111331430.8A CN114065619A (zh) | 2021-11-11 | 2021-11-11 | 加油站危险预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111331430.8A CN114065619A (zh) | 2021-11-11 | 2021-11-11 | 加油站危险预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114065619A true CN114065619A (zh) | 2022-02-18 |
Family
ID=80274907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111331430.8A Pending CN114065619A (zh) | 2021-11-11 | 2021-11-11 | 加油站危险预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114065619A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116558574A (zh) * | 2023-06-29 | 2023-08-08 | 深圳市秒加能源科技有限公司 | 基于大数据的气站安全监测方法和装置 |
-
2021
- 2021-11-11 CN CN202111331430.8A patent/CN114065619A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116558574A (zh) * | 2023-06-29 | 2023-08-08 | 深圳市秒加能源科技有限公司 | 基于大数据的气站安全监测方法和装置 |
| CN116558574B (zh) * | 2023-06-29 | 2023-09-26 | 深圳市秒加能源科技有限公司 | 基于大数据的气站安全监测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111917877A (zh) | 物联网设备的数据处理方法及装置、电子设备、存储介质 | |
| US9152604B2 (en) | System and method for event logging in a technical installation or a technical process | |
| JP5132630B2 (ja) | 対応行動予測システムおよび対応行動予測方法 | |
| CN111160802B (zh) | 预设方案评估方法及装置 | |
| CN108734201B (zh) | 基于分层原因分析法的核电厂经验反馈事件的分类方法及系统 | |
| KR20210073895A (ko) | 현장조건과 사고사례를 이용한 작업자의 위험도 예측 시스템 및 그 방법 | |
| CN114065619A (zh) | 加油站危险预警方法及装置 | |
| Mizuno et al. | A cross-project evaluation of text-based fault-prone module prediction | |
| CN115222303B (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
| CN111832974A (zh) | 车辆故障预警方法及存储介质 | |
| KR20210108340A (ko) | 언어학적 분석 기법을 이용한 it 인프라 장애 학습 및 분석 시스템 | |
| CN110826882A (zh) | 燃气管线韧性评估方法及装置 | |
| CN109543044B (zh) | 一种事件与法律条文自动匹配系统及匹配方法 | |
| CN111475556A (zh) | 一种数据采集方法、设备、服务器及可读存储介质 | |
| CN114819419B (zh) | 一种基于大数据的应急指挥方法、系统和可读存储介质 | |
| CN115145623A (zh) | 软件业务系统的白盒监控方法、装置、设备和存储介质 | |
| CN113538171A (zh) | 一种电站安全监测系统 | |
| CN113254733A (zh) | 基于大数据平台的信息分析方法、系统及存储介质 | |
| KR102512285B1 (ko) | 상담 노동자를 위한 스트레스 대응 시스템 및 방법 | |
| CN115099637B (zh) | 一种安全风险智能化管控方法、设备及系统 | |
| CN117614743B (zh) | 网络诈骗的预警方法及其系统 | |
| CN112286986B (zh) | 一种基于企业族谱的产权分析管理系统 | |
| CN112149939A (zh) | 一种企业污染风险监测系统及防控分析方法 | |
| CN116795998A (zh) | 一种继电保护缺陷诊断知识图谱的构建方法、装置及介质 | |
| CN117390244A (zh) | 政务系统中事件数据的分析方法、装置、设备及存储介质 |
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 |