CN116245677A - 基于人工智能的生产安全管理系统、方法以及存储介质 - Google Patents

基于人工智能的生产安全管理系统、方法以及存储介质 Download PDF

Info

Publication number
CN116245677A
CN116245677A CN202310232977.5A CN202310232977A CN116245677A CN 116245677 A CN116245677 A CN 116245677A CN 202310232977 A CN202310232977 A CN 202310232977A CN 116245677 A CN116245677 A CN 116245677A
Authority
CN
China
Prior art keywords
information
vector
production
determining
dangerous
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
Application number
CN202310232977.5A
Other languages
English (en)
Inventor
赵宏展
马娟
孙晓宇
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.)
Sinopec Internat Petroleum Exploration And Production Corp
China Petroleum and Chemical Corp
Original Assignee
Sinopec Internat Petroleum Exploration And Production Corp
China Petroleum and Chemical Corp
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 Sinopec Internat Petroleum Exploration And Production Corp, China Petroleum and Chemical Corp filed Critical Sinopec Internat Petroleum Exploration And Production Corp
Priority to CN202310232977.5A priority Critical patent/CN116245677A/zh
Publication of CN116245677A publication Critical patent/CN116245677A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于人工智能的生产安全(含职业健康)管理系统、方法以及存储介质。生产安全管理平台配置用于执行以下操作：根据生产要素信息，确定与生产过程相关的危险信息；利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题；利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量；以及根据解向量确定与危险信息对应的建议信息。从而达到能够充分发挥人工智能技术的控制机制、学习机制以及系统动力学机制在生产安全管理中的作用的技术效果。

Description

基于人工智能的生产安全管理系统、方法以及存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种基于人工智能的生产安全管理系统、方法以及存储介质。
背景技术
目前，生产安全已经在生产管理过程中得到了越来越多的重视。例如，国际通用的HSE管理体系得到了越来越广泛的应用，并且基于HSE管理标准的生产安全管理系统也得到了大力发展。其中，生产安全管理系统利用定位系统、环境检测系统以及其他检测系统，对与生产安全相关的信息进行采集，并且通过将采集的信息与HSE管理体系的标准进行比对，识别生产过程中导致危险的健康安全隐患。
已经公开的专利CN115271407A提供了一种基于人工智能的工业互联网数据处理方法及系统，获得数字智能生产线的当前云端业务交互信息进行风险事件捕捉所得的第一事件捕捉报告，然后基于数字智能生产线的先验捕捉报告指示对第一事件捕捉报告进行调整，得到第一跟踪分析报告，再根据潜在风险交互事件的先验捕捉报告指示与第一跟踪分析报告对应的知识单元关系网对第一跟踪分析报告进行校对，得到第一已校对分析报告。如此，能够实现数字智能生产线的第一事件捕捉报告与先验捕捉报告指示的联动分析处理，并充分挖掘第一事件捕捉报告与先验捕捉报告指示的相关性特征，从而所得的第一已校对分析报告能够尽可能准确、完整、可信地对潜在风险交互事件的描述向量进行记录和输出。
已经公开的专利CN115022598A提出了一种水电安全人工智能视频监控系统，其特征在于，包括：电子围栏报警系统、人员着装识别系统、跑冒滴漏监测系统、烟雾烟火报警系统、仪器仪表识别系统、作业风险监测系统、应急指挥大屏系统和水电安全生产人工智能视频监控平台；电子围栏报警系统、人员着装识别系统、跑冒滴漏监测系统、烟雾烟火报警系统、仪器仪表识别系统、作业风险监测系统；其中上述系统分别与水电安全生产人工智能视频监控平台通过内部网络相连接。
但是，目前的基于HSE管理标准的生产安全管理系统在运行过程中的效果并不理想。基于HSE管理标准的生产安全管理系统主要是通过与已经规定的管理标准进行比对，来识别生产过程中的健康安全隐患。因此，对于HSE管理标准中没有规定的部分，生产安全管理系统不能做出相应的判定。换句话说，HSE管理标准不能充分发挥人工智能技术的控制机制、学习机制以及系统动力学机制在生产安全管理中的作用。从而导致目前的人工智能技术无法深入地应用于生产安全管理。
针对现有的生产安全管理系统不能对生产过程中的健康安全隐患做出灵活的判定，并且人工智能技术不能深入地应用到生产管理系统的技术问题，目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种基于人工智能的生产安全管理系统、方法以及存储介质，以至少解决现有技术中存在的生产安全管理系统不能对生产危险做出灵活的判定，并且人工智能技术不能深入地应用到生产管理系统的技术问题。
根据本公开实施例的一个方面，提供了一种基于人工智能的生产安全管理系统，包括：生产信息采集系统以及生产安全管理平台。其中，生产信息采集系统与生产安全管理平台通信连接，用于采集与生产过程相关的生产要素信息，并将所采集的生产要素信息发送至生产安全管理平台。生产安全管理平台配置用于执行以下操作：根据生产要素信息，确定与生产过程相关的危险信息；利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题；利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量；以及根据解向量确定与危险信息对应的建议信息。
根据本公开实施例的另一方面，提供了一种基于人工智能的生产安全管理方法，包括：根据与生产过程相关的生产要素信息，确定与生产过程相关的危险信息；利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题；利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量；以及根据解向量确定与危险信息对应的建议信息，并将建议信息发送至相关工作人员的终端设备。
根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上所述的方法。
根据本公开实施例的另一个方面，还提供了一种基于人工智能的生产安全管理装置，包括：危险信息确定模块，用于根据与生产过程相关的生产要素信息，确定与生产过程相关的危险信息；问题向量确定模块，用于利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题；解向量确定模块，用于利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量；以及建议信息确定模块，用于根据解向量确定与危险信息对应的建议信息，并将建议信息发送至相关工作人员的终端设备。
根据本公开实施例的另一个方面，还提供了一种基于人工智能的生产安全管理装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：根据与生产过程相关的生产要素信息，确定与生产过程相关的危险信息；利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题；利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量；以及根据解向量确定与危险信息对应的建议信息，并将建议信息发送至相关工作人员的终端设备。
本公开的技术方案基于自然语言处理技术，引入了问题向量和解向量。其中问题向量用于指示在生产过程中与存在的危险信息对应的问题，而解向量则与该危险信息对应的建议信息相关联。并且，问题向量可以构成问题空间，解向量可以构成与问题空间存在映射关系的解空间。并且其中，问题向量和解向量都是通过基于自然语言处理的模型生成的。从而，根据本公开的技术方案，可以根据实际的危险信息对基于自然语言处理的问题向量模型和解向量模型进行训练，使得由问题向量构成的问题空间以及由解向量构成的解空间更加灵活地适应现在的生产安全管理。从而能够充分发挥人工智能技术的控制机制、学习机制以及系统动力学机制在生产安全管理中的作用。解决了现有的生产安全管理系统不能对生产危险做出灵活的判定，并且人工智能技术不能深入地应用到生产管理系统的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：
图1是根据本公开实施例1的第一个方面所述的基于人工智能的生产安全管理系统的示意图；
图2A是根据本公开实施例1的第一个方面所述的生产安全管理平台的硬件结构框图；
图2B是根据本公开实施例1的第一个方面所述的基于人工智能的生产安全管理系统的模块图；
图2C是根据本公开实施例1的第一个方面所述的生产安全管理平台的模块图；
图3是根据本公开实施例1的第一个方面所述生产安全管理平台的操作流程示意图；
图4是根据本公开技术方案中利用问题空间和解空间实现生产安全管理的思路的示意图；
图5A是根据本公开实施例1的第一个方面所述的特征提取模块的示意图；
图5B是根据本公开实施例1的第一个方面根据危险信息生成解向量的各个模块和单元的示意图；
图5C是根据本公开实施例1的第一个方面根据危险信息生成解向量的各个模型的示意图；
图6A是根据本公开实施例1的第一个方面的变形例所述的生产安全管理平台的模块图；
图6B是根据本公开实施例1的第一个方面的变形例所述的特征提取模块的示意图；
图6C是根据本公开实施例1的第一个方面的变形例中根据危险信息生成解向量的各个模块和单元的示意图；
图6D是根据本公开实施例1的第一个方面的变形例中根据危险信息生成解向量的各个模型的示意图；
图7是根据本公开实施例1的第二个方面所述的基于人工智能的生产安全管理方法的流程示意图；
图8是根据本公开实施例2所述的基于人工智能的生产安全管理装置的示意图；以及
图9是根据本公开实施例3所述的基于人工智能的生产安全管理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例，提供了一种基于人工智能的生产安全管理系统。图1示出了根据本实施例所述的基于人工智能的生产安全管理系统的示意图。图2B示出了生产安全管理系统的模块图。参考图1和图2B所示，生产安全管理系统包括：生产信息采集系统100、生产安全管理平台200以及相关工作人员的终端设备300。其中，生产信息采集系统100与生产安全管理平台200通信连接，用于采集与生产过程相关的生产要素信息，并将所采集的生产要素信息发送至生产安全管理平台200。从而生产安全管理平台200可以接收生产信息采集系统100所采集的生产要素信息，并且根据所收集的生产要素信息，生成与生产安全相关的建议信息，并将建议信息发送至相关工作人员的终端设备300。
并且进一步地，图2A示出了生产安全管理平台的硬件结构框图。如图2A所示，生产安全管理平台200可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、用于通信功能的传输装置以及输入/输出接口。其中存储器、传输装置以及输入/输出接口通过总线与处理器连接。本领域普通技术人员可以理解，图2A所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，生产安全管理平台200还可包括比图2A中所示更多或者更少的组件，或者具有与图2A所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到生产安全管理平台200中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至生产安全管理平台200。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括生产安全管理平台200的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此处需要说明的是，在一些可选实施例中，上述图2A所示的生产安全管理平台200可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图2A仅为特定具体实例的一个实例，并且旨在示出可存在于上述生产安全管理平台中的部件的类型。
此外，参考图1和图2B所示，生产信息采集系统100包括现场生产要素检测系统110～150、员工信息录入终端160以及边缘设备170。
其中，现场生产要素检测系统110～150设置于工作场所，用于检测与生产过程相关的现场生产要素信息。具体地，参考图1和图2B所示，现场生产要素检测系统例如可以包括：危险物质检测系统110，用于检测生产现场的危险物质(例如有毒气体等)的状态信息，例如是否存在危险物质，以及危险物质的浓度等等；危险能量检测系统120，用于检测生产现场的危险能量(例如热能以及电能等危险能量)的状态信息，例如是否存在热能、电能等危险能量，以及危险能量的大小等；工作设备检测系统130，用于检测生产现场中工作设备的状态信息(例如，工作设备的强度、刚度、密封、生产过程中组件的运转状态(例如速度、压强等)；危险生物检测系统140，用于检测生产现场中存在危险生物(例如，致病微生物、细菌、病毒、真菌、危险动物以及危险植物等)的状态信息，例如生产现场中是否存在危险生物，以及危险生物的数量密度等；以及作业布置检测系统150，用于检测生产现场的作业布置的状态信息，(例如，室内地面是否湿滑、室内作业场所杂乱情况、梯架缺陷以及房屋基础下沉情况等)。以上检测系统可以通过设置于生产现场的传感器进行检测，也可以通过工作人员携带相应的检测设备在生产现场进行检测。此外，参考图1和图2B所示，边缘设备170设置于生产现场，用于将现场生产要素检测系统110～150检测的现场生产要素信息传输至生产安全管理平台200。
此外，员工信息录入终端160与生产安全管理平台200通信连接，用于向生产安全管理平台200录入与生产过程相关的员工生产要素信息。例如，工作人员可以通过员工信息录入终端160录入与生产过程相关的员工生产要素信息，包括：员工在工作工程中的工作强度、工作时间、健康信息、情绪信息以及危险行为信息等。
此外图2C进一步示出了生产安全管理平台200的程序模块示意图。参见图2C所示，生产安全管理平台200包括现场生产要素数据库210、员工生产要素数据库220、统计信息数据库230、特征提取模块240、问题向量模块250、解向量模块260、建议信息生成模块270。关于以上程序模块，将在下文中详细说明。
此外，图3示出了生产安全管理平台200的操作的流程示意图。参考图3所示，生产安全管理平台200配置用于执行以下操作：
S302：根据生产要素信息，确定与危险过程相关的危险信息；
S304：利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题；
S306：利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量；以及
S308：根据解向量确定与危险信息对应的建议信息，并将建议信息发送至相关工作人员的终端设备。
具体地，参见图2C所示，生产安全管理平台200从边缘设备170接收由现场生产要素检测系统110～150采集的现场生产要素信息，并将其存储至现场生产要素数据库210；从员工信息录入终端160接收员工与生产过程相关的员工生产要素信息，并将其存储至员工生产要素数据库220。然后，统计信息数据库230对现场生产要素数据库210以及员工生产要素数据库220中的信息进行统计和梳理。从而特征提取模块240可以从统计信息数据库230中提取与特定的工作单位、特定的部门或者特定的员工对应的危险信息(S302)，并根据根据危险信息生成相应的特征向量。
具体地，参考图5A所示，特征提取模块240包括信息提取单元241、第一特征编码单元242a、第二特征编码单元242b、特征融合单元243以及特征向量单元244。其中信息提取单元241从统计信息数据库230中提取与特定的工作单位、特定的部门或者特定的员工对应的危险信息。
然后，问题向量模块250利用基于自然语言处理的问题向量模型，确定与危险信息对应的问题向量(S304)。其中该问题向量用于指示生产过程中与危险信息对应的问题。并且，该问题向量例如是基于融合特征向量生成的，从而包含有与危险信息对应的问题相关的语义特征。其中关于问题向量模块250以及问题向量的进一步的细节，将在后文中详细说明。
然后解向量模块260接收问题向量模块250所产生的问题向量，并且利用基于自然语言处理的解向量模型，生成与该问题向量对应的解向量(S306)。其中该解向量与该危险信息对应的建议信息相关联。其中，该解向量例如也是基于融合特征向量生成的。关于解向量模块260以及解向量的进一步的细节，将在后文中详细说明。
然后建议信息生成模块270根据解向量模块260所生成的解向量，确定与解向量对应的建议信息(S308)。生产安全管理平台将建议信息发送至相关人员的终端设备300以便指导相关工作人员进行改进，以尽快消除生产过程中的危险，避免出现后续的生产安全事故。
正如背景技术中所述的，目前的基于HSE管理标准的生产安全管理系统在运行过程中的效果并不理想。基于HSE管理标准的生产安全管理系统主要是通过与已经规定的管理标准进行比对，来识别生产过程中的安全隐患。因此，对于HSE管理标准中没有规定的部分，生产安全管理系统不能做出相应的判定。换句话说，HSE管理标准不能充分发挥人工智能技术的控制机制、学习机制以及系统动力学机制在生产安全管理中的作用。从而导致目前的人工智能技术无法深入地应用于生产安全管理。
有鉴于此，本公开的技术方案基于自然语言处理技术，引入了问题向量和解向量。其中图4示出了用于说明本公开的技术方案的思想的示意图。参考图4所示，根据本公开的技术方案，首先从受控对象(例如能量/危险物质，员工动作/行为/状态等)的信息中获取生产要素信息(例如，现场生产要素信息和/或员工生产要素信息等)。然后在问题空间中根据危险信息确定相应的问题向量。然后基于向量空间与解空间之间的空间映射，根据问题向量确定与危险信息对应的解向量，然后根据解向量确定与危险信息对应的建议信息。然后将建议信息提供给相关工作人员对受控对象进行相应的管理，以避免生产安全事故的产生。
其中问题向量用于指示在生产过程中存在的与危险信息对应的问题，而解向量则与该危险信息对应的建议信息相关联。并且，问题向量可以构成问题空间，解向量可以构成与问题空间存在映射关系的解空间。并且其中，问题向量和解向量都是通过基于自然语言处理的模型生成的。从而，根据本公开的技术方案，可以根据实际的危险信息对基于自然语言处理的问题向量模型和解向量模型进行训练，使得由问题向量构成的问题空间以及由解向量构成的解空间更加灵活地适应现在的生产安全管理。从而能够充分发挥人工智能技术的控制机制、学习机制以及系统动力学机制在生产安全管理中的作用。解决了现有的生产安全管理系统不能对生产危险做出灵活的判定，并且人工智能技术不能深入地应用到生产管理系统的技术问题。
可选地，根据生产要素信息，确定与生产过程相关的危险信息的操作，包括：根据预设的统计规则，从生产要素信息统计与目标对象关联的生产要素信息；以及根据与目标对象关联的生产要素信息，确定与目标对象的生产过程相关的危险信息。
具体地，参见图2C所示，生产安全管理平台200部署有统计信息数据库230。其中统计信息数据库230从现场生产要素数据库210接收现场生产要素检测系统110～150检测的现场生产要素信息以及从员工生产要素数据库220接收与生产过程相关的员工生产要素信息，并进行梳理和统计。
从而统计信息数据库230可以根据预设的统计规则，统计与目标对象关联的现场生产要素信息和/或员工生产要素信息。例如，统计信息数据库230可以统计与指定单位关联的现场生产要素信息以及员工生产要素信息，或者可以统计与指定部门关联的现场生产要素信息以及员工生产要素信息，或者可以统计与指定员工关联的现场生产要素信息和/或员工生产要素信息。
从而特征提取模块240的信息提取单元241可以从统计信息数据库230提取与指定单位、指定部门或者指定员工关联的现场生产要素信息以及员工生产要素信息，作为与指定单位、指定部门或指定员工在生产过程中的生产要素信息。
然后，信息提取单元241从所提取的生产要素信息中，根据预设规则确定危险信息。例如，现场存在危险物质和/或危险物质浓度达到预定阈值；现场存在危险能量和/或危险能量的大小达到预定阈值；现场的工作设备强度低于预定阈值、刚度低于预定阈值、密封性不足等；现场中存在危险生物和/或危险生物的数量密度达到预定阈值；现场的室内地面湿滑、室内作业场所杂乱、梯架缺陷或房屋基础下沉等；从而，危险信息提取模块可以从生产要素信息中确定与指定单位、指定部门或者指定员工关联的危险信息，以便进行进一步的分析。
从而根据本公开的技术方案，可以针对目标对象(例如指定单位、指定部门或者指定员工)进行有针对性地危险信息收集和分析，并进行进一步的生产安全的管理。
可选地，根据与所述目标对象关联的生产要素信息，确定与目标对象的生产过程相关的危险信息的操作，还包括：根据与目标对象关联的现场生产要素信息，确定预设周期内与目标对象的生产过程相关的多个危险信息，构成危险信息序列。
其中，现场生产要素信息包括生产过程中除了员工生产要素之外的生产要素的信息。优选地，现场生产要素信息包括以下的至少一种信息：生产现场的危险物质的状态信息；生产现场的危险能量的状态信息；生产现场中工作设备的状态信息；生产现场中存在危险生物的状态信息；以及生产现场的作业布置的状态信息。
优选地，特征提取模块240的信息提取单元241可以根据预设周期，从统计信息数据库230提取预设周期内与指定单位、指定部门或者指定员工关联的现场生产要素信息。例如，信息提取单元241可以提取最近1个月内与指定单位、指定部门或指定员工关联的现场生产要素信息。该现场生产要素信息例如是通过现场生产要素检测系统110～150所检测现场生产要素信息。包括：通过危险物质检测系统110检测的生产现场的危险物质(例如有毒气体等)的状态信息，例如是否存在危险物质，以及危险物质的浓度等等；通过危险能量检测系统120检测的生产现场的危险能量(例如热能以及电能等危险能量)的状态信息，例如是否存在热能、电能等危险能量，以及危险能量的大小等；通过工作设备检测系统130检测的生产现场中工作设备的状态信息(例如，工作设备的强度、刚度、密封、生产过程中组件的运转状态(例如速度、压强等)；通过危险生物检测系统140检测生产现场中存在危险生物(例如，致病微生物、细菌、病毒、真菌、危险动物以及危险植物等)的状态信息，例如生产现场中是否存在危险生物，以及危险生物的数量密度等；以及通过作业布置检测系统150检测的生产现场的作业布置的状态信息(例如，室内地面是否湿滑、室内作业场所杂乱情况、梯架缺陷以及房屋基础下沉情况等)等。
然后，信息提取单元241从所提取的现场生产要素信息中确定与指定单位、指定部门或指定员工关联的危险信息。例如，由指定单位管理或指定部门管理的生产现场出现的危险信息，或者是由指定员工负责的生产现场的设备、布置工作中出现的危险信息等。
然后，信息提取单元241将所确定的危险信息按照时间顺序进行排序，从而构成危险信息序列。
从而根据本公开的技术方案可以按照时间顺序统计目标对象在预定周期(例如1个月内，1周内或者1个季度内)出现的危险信息的情况，并且按照时间顺序进行排序。从而有助于根据目标对象在预定周期内出现的危险信息之间的关联性，确定与危险信息相关的问题所在，有助于提出更加有针对性的建议。
可选地，利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题的操作，包括：从预先设置的热独码编码库中确定分别与危险信息序列中的不同危险信息对应的第一特征码；确定与危险信息对应的员工；从热独码编码库中确定与所确定的员工生产要素信息对应的第二特征码；将第一特征码和第二特征码融合生成与不同危险信息对应的融合特征码，从而构成融合特征码序列；通过基于词嵌入的词向量模型，生成与融合特征码序列对应的融合特征向量序列；以及通过基于注意力机制的问题向量模型，生成与融合特征向量序列对应的问题向量序列。
具体地，在特征提取模块240的信息提取单元241从现场生产要素信息中提取到危险信息以后，第一特征编码单元242a根据危险信息序列中的危险信息，从预先设置的热独码编码库中确定与该危险信息对应的热独码(即第一特征码)。
其中下面的表1中示出了热独码编码库中所设置的多个不同的危险信息的类型以及对应的热独码：
表1
Figure BDA0004121112590000081
/>
Figure BDA0004121112590000091
其中，ri(i≥1)为与危险信息对应的热独码，例如：
与危险信息“设备强度不够”对应的热独码为
r1＝[1 0 0 0 0 0......]T
与危险信息“设备刚度不够”对应的热独码为
r2＝[0 1 0 0 0 0......]T
以此类推。
从而，第一特征编码单元242a根据信息提取单元241所提取的危险信息序列中的危险信息，生成与该危险信息对应的热独码(即第一特征码)，例如第一特征编码单元242a从信息提取单元241所接收的危险信息序列如下面表2所示：
表2
Figure BDA0004121112590000092
/>
Figure BDA0004121112590000101
然后，第一特征编码单元242a可以从表1所示的热独码编码库中确定与危险信息序列Is＝{I1,I2,I3,I4,I5,I6,I7,...}对应的热独码序列Rs为：
Rs＝{R1,R2,R3,R4,R5,R6,R7,...}＝{r1,r4,r3,r4,r50,r54,r56,...}，
其中
R1＝r1，R2＝r4，R3＝r3，R4＝r4，R5＝r50，R6＝r54，R7＝r56，......。
从而通过这种方式，第一特征编码单元242a可以将危险信息序列Is中的各个危险信息转换为相应的热独码，从而生成与危险信息序列对应的特征码序列Rs。
此外，信息提取单元241还根据危险信息序列Is中的危险信息，确定与该危险信息对应的员工生产要素信息。
例如针对危险信息I1(即设备A强度不够)，信息提取单元241从统计信息数据库230提取在设备A出现与危险信息I1相对应的危险状态时，与设备A相关的员工(例如员工1和员工2)相关的员工生产要素信息。例如，员工1的员工生产要素信息为“工作时间正常”，员工2的员工生产要素信息为“工作时间正常”。此外，本公开技术方案的热独码编码库中也包括与不同的员工生产要素信息的类型以及对应的热独码。其中员工生产要素信息与现场生产要素信息在同一个热独码编码库中进行编码，以便可以对员工生产要素信息和现场生产要素信息进行后续的特征码融合。
其中，下面的表3示出了热独码编码库中所设置的多个不同的员工生产要素信息的类型以及对应的热独码：
表3
Figure BDA0004121112590000102
/>
Figure BDA0004121112590000111
从而第二特征编码单元242b可以从表2中所示的热独码中确定与员工A和员工B相关的员工生产要素信息对应的热独码(即第二特征码)。例如，员工1的员工生产要素信息为“工作时间正常”，员工2的员工生产要素信息为“工作时间正常”。从而，第二特征编码单元242b确定与员工1的员工生产要素信息对应的热独码Rm1为rs3并且确定与员工2的员工生产要素信息对应的热独码Rm2也为rs3。
然后，特征融合单元243将第一特征编码单元242a输出的与危险信息I1关联的热独码(即第一特征码)R1和与该危险信息I1关联的员工1和员工2的员工生产要素信息对应的热独码Rm1,1和Rm1,2(即第二特征码)进行融合，从而生成与危险信息I1对应的融合特征码Rf1。
具体地，例如特征融合单元243可以通过将与危险信息I1关联的热独码(即第一特征码)R1和与员工生产要素信息对应的热独码(即第二特征码)直接求和相加的方式进行特征码的融合。从而得到与危险信息I1对应的融合特征码Rf1。
然后，对于危险信息序列IS的其他危险信息Ii，可以参考以上所述的方式，按照以下公式生成与该危险信息对应的融合特征码Rfi：
Figure BDA0004121112590000112
其中：Ri是与第i个危险信息Ii对应的热独码(即第一特征码)，Rmi,j是与第i个危险信息Ii关联的第j个员工的员工生产要素信息的热独码(即第二特征码)。
从而通过以上方式，特征融合单元243生成与危险信息序列IS对应的融合特征码序列Rfs＝{Rf1,Rf2,Rf3,......}。其中Rf1是与危险信息I1对应的融合特征码；Rf2是与危险信息I2对应的融合特征码；Rf3是与危险信息I3对应的融合特征码；以此类推。
然后，特征向量单元244从特征融合单元243接收该融合特征码序列Rfs，并且利用基于词嵌入的融合特征向量模型，将融合特征码序列Rfs中的每个融合特征码转换为相应的融合特征向量，从而生成与融合特征码序列Rfs对应的融合特征向量序列Ws：{W1,W2,W3,W4,W5,W6,W7,...}。
其中，W1是基于词嵌入生成的与融合特征码Rf1对应的融合特征向量；W2是基于词嵌入生成的与融合特征码Rf2对应的融合特征向量；W3是基于词嵌入生成的与融合特征码Rf3对应的融合特征向量；W4是基于词嵌入生成的与融合特征码Rf4对应的融合特征向量；W5是基于词嵌入生成的与融合特征码Rf5对应的融合特征向量；W6是基于词嵌入生成的与融合特征码Rf6对应的融合特征向量；W7是基于词嵌入生成的与融合特征码Rf7对应的融合特征向量，以此类推。
其中，融合特征向量模型例如可以是基于CBOW的词嵌入向量模型。在训练的过程中，可以将表1中的危险信息以及表3中的员工生产要素信息作为语料进行组合对词嵌入向量模型进行训练。例如可以将表1中的“设备强度不够”与表3中的“体力负荷”正常进行组合作为对CBOW进行训练的一个样本；或者将表1中的“防护不当”与表3中的“违章作业”组合作为对CBOW进行训练的一个样本。以此类推，可以得到对CBOW进行训练的语料。具体地训练方法，此处不再赘述。
然后，问题向量模块250从特征向量单元244接收融合特征向量序列Ws，然后利用基于注意力机制的问题向量模型，生成与融合特征向量序列Ws对应的问题向量序列Qs。
其中，本公开的技术方案提出了关于问题空间的概念。该问题空间中由多个问题向量构成，并且其中不同的问题向量与生产安全管理中的不同问题信息对应。从而问题向量能够反映生产过程中存在的问题。例如，下面表4示出了构成问题空间的各个问题以及对应的问题向量：
表4
序号 生产安全管理中的问题 问题向量
1 员工劳动时间过长 q1
2 员工劳动强度过大 q2
3 缺乏针对员工的高温保护设施 q3
4 设备缺乏维护 q4
5 员工对高温危险存在麻痹思想 q5
6 对员工管理存在缺失 q6
... ... ...
从而，问题向量单元353可以利用基于注意力机制的问题向量模型，生成与融合特征向量序列Ws对应的问题向量序列Qs：{Q1,Q2,Q3,Q4,Q5,Q6,Q7,...}。其中问题向量序列Qs中的问题向量与表4所示的不同的问题信息对应。
其中，作为问题向量模型的实例，本公开采用了基于Transformer层的编码器作为问题向量模型。其中Transformer层的数量可以根据具体的需要进行设置，此处不再赘述。
从而本公开的技术方案通过采用基于注意力机制的问题向量模型生成与危险信息对应的问题向量，使得可以基于预定周期内采集的危险信息之间的关联性，深入挖掘危险信息的语义特征，并更加准确地分析产生危险的问题和原因，为相关工作人员提供有针对性的建议信息。
可选地，利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量的操作，包括：利用基于注意力机制的解向量模型，根据问题向量序列生成相应的解向量序列。
其中，本公开的技术方案提出了关于解空间的概念。该解空间中由多个解向量构成，并且其中不同的解向量与生产安全管理中的不同的建议信息对应。例如，下面表5示出了构成解空间的各个建议信息以及对应的解向量：
表5
Figure BDA0004121112590000121
Figure BDA0004121112590000131
从而，解向量模块260可以利用基于注意力机制的解向量模型，生成与问题向量序列Qs对应的解向量序列As：{A1,A2,A3,A4,A5,A6,A7,...}。其中解向量序列As中的解向量与表5所示的不同的建议信息对应。
其中，作为解向量模型的实例，本公开采用了基于Transformer层的编码器作为问题向量模型。其中Transformer层的数量可以根据具体的需要进行设置，此处不再赘述。
从而本公开的技术方案利用基于注意力机制的解向量模型，从而可以充分挖掘问题向量的语义特征。例如在针对问题向量Q7生成相应的解向量时，不仅仅提取该问题向量Q7的特征，而且还从向量序列Qs中与问题向量Q7关联度较大的其他问题向量提取特征，来生成相应的解向量。从而通过这种方式，生成的解向量能够结合该问题向量在整个问题序列中的语义特征，生成解向量，从而能够得更有针对性的建议信息。
其中图5B示出了根据危险信息序列生成解向量序列的各个模块和单元的示意图。进一步地，图5C示出了根据危险信息序列生成解向量序列所使用的各个模型的示意图。参考图5B和图5C所示，特征提取模块240的信息提取单元241首先将危险信息序列Is的危险信息输入至第一特征编码单元242a，从而由第一特征编码单元242a生成与危险信息对应的热独码(即第一特征码)。此外，信息提取单元241从统计信息数据库230中获取与危险信息序列Is的危险信息对应的员工生产要素信息，并且利用第二特征编码单元生成与各个员工生产要素信息对应的热独码(即第二特征码)。
然后特征融合单元对危险信息的热独码和相应的员工生产要素信息的热独码进行融合，从而生成与危险信息对应的融合特征码。并且特征向量单元利用基于CBOW的词嵌入向量模型，生成与融合特征码对应的融合特征向量。从而该融合特征向量中不仅融合了危险信息的语义特征，并且也融合了与危险信息关联的员工的工作状态的语义特征。此外，分别与不同危险信息对应的融合特征向量构成了融合特征向量序列。
然后问题向量模块利用基于注意力机制的问题向量模型根据输入的融合特征向量生成相应的问题向量。从而通过基于注意力机制的问题向量模型，问题向量模块在根据融合特征码生成问题向量时，不仅根据当前的危险信息的融合特征向量，还要结合之前危险信息的融合特征向量生成问题向量。从而使得生成的问题向量能够更加综合地反映生产过程中存在的问题。
然后，解向量模块利用基于注意力机制的解向量模型，根据输入的问题向量生成相应的解向量。其中参考表5所示，解向量分别与不同的建议信息对应。从而建议生成模块根据表5示出的对应关系，根据解向量模块生成的解向量，生成与危险信息对应的建议信息。并且由于采用基于注意力机制的解向量模型，因此解向量模块不仅仅根据当前的问题向量，还结合之前的问题向量生成解向量。从而使得所生成的解向量能够更加全面地考虑生产过程中存在的问题并给出匹配的解向量。
此外，图6A示出了根据本公开所述的生产管理平台的另一个变形例的示意图。图6B示出了根据该变形例的特征提取模块240的示意图。图6C进一步示出了根据该变形例所述的，根据危险信息序列生成解向量序列的各个模型的示意图。图6D进一步示出了根据该变形例所使用的各个模型的示意图。
参考图6A所示，生产安全管理平台200还包括建议信息接收模块280，用于接收相关工作人员采纳的建议信息，并且将相关工作人员采纳的建议信息传输至特征提取模块。
进一步参考图6B所示，特征提取模块240包括第三特征编码单元，用于根据相关工作人员采纳的建议信息，生成相应的热独码(即第三特征码)。并且在本公开的技术方案中，建议信息、员工生产要素信息与现场生产要素信息在同一个热独码编码库中进行编码，以便可以对建议信息、员工生产要素信息和现场生产要素信息进行后续的特征码融合。
例如，下面的表6示出了热独码编码库中所设置的不同的建议信息的类型以及对应的热独码：
表6
序号 生产安全管理中的建议信息 热独码
1 减少员工劳动时间 rc1
2 减轻员工劳动强度 rc2
3 完善员工的保护设施 rc3
4 针对员工加强关于高温危险的培训宣传 rc4
5 加强对员工的安全意识培训 rc5
... .... ....
从而第三特征编码单元242b可以从表6所示的热独码中确定与相关工作人员所采纳的建议信息对应的热独码(即第三特征码)。例如，该变形例中，采纳的建议信息为“减少员工劳动时间”，从而第二特征编码单元242b确定与采纳的建议信息对应的热独码为rc1。
从而，例如特征融合单元243可以通过将与危险信息I1关联的热独码(即第一特征码)R1、与员工生产要素信息对应的热独码(即第二特征码)以及该预设周期内相关工作人员所采纳的建议信息对应的热独码(即第三特征码)，直接求和相加的方式进行特征码的融合。从而得到与危险信息I1对应的融合特征码Rf1。
然后，对于危险信息序列IS的其他危险信息Ii，可以参考上面所述的方式，按照以下公式生成与该危险信息对应的融合特征码Rfi：
Figure BDA0004121112590000141
其中：Ri是与第i个危险信息Ii对应的热独码(即第一特征码)，Rmi,j是与第i个危险信息Ii关联的第j个员工的热独码(即第二特征码)，Rck是预设周期内所采纳的建议信息的热独码(即第三特征码)。
从而通过以上方式，特征融合单元243生成与危险信息序列IS对应的融合特征码序列Rfs＝{Rf1,Rf2,Rf3,......}。其中Rf1是与危险信息I1对应的融合特征码；Rf2是与危险信息I2对应的融合特征码；Rf3是与危险信息I3对应的融合特征码；以此类推。
然后后续的流程参考前文所述的流程即可。从而根据变形例，在生成融合特征码的过程中，不仅仅考虑危险信息以及相关员工的员工生产要素信息，还要考虑之前预设周期内已经采纳并实施的建议信息，从而通过三方面的内容生成的融合特征码包含了更深层次的语义信息，从而生成的后续问题向量，可以针对已经提出的建议有效性反映更深层次的原因和问题，从而有助于提出更加有效的建议信息，避免所提供的建议信息简单重复而缺乏实际效果。
参考图6C和图6D所示，特征提取模块240的信息提取单元241首先将危险信息序列Is的危险信息输入至第一特征编码单元242a，从而由第一特征编码单元242a生成与危险信息对应的热独码(即第一特征码)。此外，信息提取单元241从统计信息数据库230中获取与危险信息序列Is的危险信息对应的员工生产要素信息，并且利用第二特征编码单元生成与各个员工生产要素信息对应的热独码(即第二特征码)。此外生产安全管理平台200的建议信息接收模块200接收在预设周期内所采纳并实施的建议信息，并将所接收的建议信息传输至特征提取模块240。从而特征提取模块240利用第三特征编码单元生成与建议信息对应的热独码(即第三特征码)。
然后特征融合单元对危险信息的热独码、相应的员工生产要素信息的热独码以及建议信息的热独码进行融合，从而生成与危险信息对应的融合特征码。并且特征向量单元利用基于CBOW的词嵌入向量模型，生成与融合特征码对应的融合特征向量。从而该融合特征向量中不仅融合了危险信息的语义特征，并且也融合了与危险信息关联的员工的工作状态的语义特征和预设周期内所采纳并实施的建议信息的语义特征。此外，分别与不同危险信息对应的融合特征向量构成了融合特征向量序列。
然后问题向量模块利用基于注意力机制的问题向量模型根据输入的融合特征向量生成相应的问题向量。从而通过基于注意力机制的问题向量模型，问题向量模块在根据融合特征码生成问题向量时，不仅根据当前的危险信息的融合特征向量，还要结合之前危险信息的融合特征向量生成问题向量。从而使得生成的问题向量能够更加综合地反映生产过程中存在的问题。
然后，解向量模块利用基于注意力机制的解向量模型，根据输入的问题向量生成相应的解向量。其中参考表5所示，解向量分别与不同的建议信息对应。从而建议生成模块根据表5示出的对应关系，根据解向量模块生成的解向量，生成与危险信息对应的建议信息。并且由于采用基于注意力机制的解向量模型，因此解向量模块不仅仅根据当前的问题向量，还结合之前的问题向量生成解向量。从而使得所生成的解向量能够更加全面地考虑生产过程中存在的问题并给出匹配的解向量。
此外，根据本实施例的第二个方面，提供了一种基于人工智能的生产安全管理方法，该方法由图1中所示的生产安全管理平台200实现。图7示出了该方法的流程示意图，参考图7所示，该方法包括：
S702：根据与生产过程相关的生产要素信息，确定与生产过程相关的危险信息；
S704：利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题；
S706：利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量；以及
S708：根据解向量确定与危险信息对应的建议信息，并将建议信息发送至相关工作人员的终端设备。
可选地，根据生产要素信息，确定与生产过程相关的危险信息的操作，包括：根据预设的统计规则，从生产要素信息统计与目标对象关联的生产要素信息；以及根据与目标对象关联的生产要素信息，确定与目标对象的生产过程相关的危险信息。
可选地，根据与目标对象关联的生产要素信息，确定与目标对象的生产过程相关的危险信息的操作，还包括：根据与目标对象关联的现场生产要素信息，确定预设周期内与目标对象的生产过程相关的多个危险信息，构成危险信息序列，其中现场生产要素信息包括以下的至少一种信息：生产现场的危险物质的状态信息；生产现场的危险能量的状态信息；生产现场中工作设备的状态信息；生产现场中存在危险生物的状态信息；以及生产现场的作业布置的状态信息。
可选地，利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量的操作，包括：生成与危险信息对应的融合特征向量，并形成与危险信息序列对应的融合特征向量序列，其中融合特征向量包含与危险信息关联的现场生产要素信息以及员工生产要素信息的语义特征，其中员工生产要素信息包括员工在生产过程中的状态信息；以及通过基于注意力机制的问题向量模型，生成与特征向量序列对应的问题向量序列。
可选地，生成与危险信息对应的融合特征向量的操作，包括：生成与危险信息关联的第一特征码，其中第一特征码包含危险信息的语义特征；确定与危险信息关联的员工生产要素信息，并生成与员工生产要素信息关联的第二特征码，第二特征码包含员工生产要素信息的语义特征；将第一特征码和第二特征码融合，生成融合特征码；以及根据融合特征码生成与危险信息对应的融合特征向量。
可选地，生成与危险信息对应的融合特征向量的操作，包括：生成与危险信息关联的第一特征码，其中第一特征码包含危险信息的语义特征；确定与危险信息关联的员工生产要素信息，并生成与员工生产要素信息关联的第二特征码，其中第二特征码包含员工生产要素信息的语义特征；生成与预设周期内所采纳的建议信息关联的第三特征码，第三特征码包含建议信息的语义特征；将第一特征码、第二特征码和第三特征码融合，生成融合特征码；以及根据融合特征码生成与危险信息对应的融合特征向量。
可选地，利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量的操作，包括：利用基于注意力机制的解向量模型，根据问题向量序列生成相应的解向量序列。
可选地，根据解向量确定与危险信息对应的建议信息的操作，包括：访问预先设置的解向量-建议信息映射表，确定与解向量对应的建议信息作为与危险信息对应的建议信息。
此外，参考图1所示，根据本实施例的第三个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。
本公开的技术方案基于自然语言处理技术，引入了问题向量和解向量。其中问题向量用于指示在生产过程中存在的危险信息对应的问题，而解向量则与该危险信息对应的建议信息相关联。并且，问题向量可以构成问题空间，解向量可以构成与问题空间存在映射关系的解空间。并且其中，问题向量和解向量都是通过基于自然语言处理的模型生成的。从而，根据本公开的技术方案，可以根据实际的危险信息对基于自然语言处理的问题向量模型和解向量模型进行训练，使得由问题向量构成的问题空间以及由解向量构成的解空间更加灵活地适应现在的生产安全管理。从而能够充分发挥人工智能技术的控制机制、学习机制以及系统动力学机制在生产安全管理中的作用。解决了现有的生产安全管理系统不能对生产危险做出灵活的判定，并且人工智能技术不能深入地应用到生产管理系统的技术问题。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
图8示出了根据本实施例所述的基于人工智能的生产安全管理装置800，该装置800与根据实施例1的第二个方面所述的方法相对应。参考图8所示，该装置800包括：危险信息确定模块810，用于根据与生产过程相关的生产要素信息，确定与生产过程相关的危险信息；问题向量确定模块820，用于利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题；解向量确定模块830，用于利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量；以及建议信息确定模块840，用于根据解向量确定与危险信息对应的建议信息，并将建议信息发送至相关工作人员的终端设备。
可选地，危险信息确定模块810，包括：统计子模块，用于根据预设的统计规则，从生产要素信息统计与目标对象关联的生产要素信息；以及危险信息确定子模块，用于根据与目标对象关联的生产要素信息，确定与目标对象的生产过程相关的危险信息。
可选地，危险信息确定子模块，还包括危险信息确定单元，用于根据与目标对象关联的现场生产要素信息，确定预设周期内与目标对象的生产过程相关的多个危险信息，构成危险信息序列。
可选地，问题向量确定模块820，包括：第一特征码生成单元，用于从预先设置的热独码编码库中确定分别与危险信息序列中的不同危险信息对应的第一特征码；危险信息确定单元，用于确定与危险信息对应的员工；第二特征码生成单元，从热独码编码库中确定与所确定的员工生产要素信息对应的第二特征码；融合特征码生成单元，用于将第一特征码和第二特征码融合生成与不同危险信息对应的融合特征码，从而构成融合特征码序列；融合特征序列生成单元，用于通过基于词嵌入的词向量模型，生成与融合特征码序列对应的融合特征向量序列；以及问题向量序列生成单元，用于通过基于注意力机制的问题向量模型，生成与融合特征向量序列对应的问题向量序列。
可选地，解向量确定模块830，包括：解向量确定子模块，用于利用基于注意力机制的解向量模型，根据问题向量序列生成相应的解向量序列。
可选地，建议信息确定模块840，包括：建议信息确定子模块，用于访问预先设置的解向量-建议信息映射表，确定与解向量对应的建议信息作为与危险信息对应的建议信息。
从而本公开的技术方案基于自然语言处理技术，引入了问题向量和解向量。其中问题向量用于指示在生产过程中存在的危险信息对应的问题，而解向量则与该危险信息对应的建议信息相关联。并且，问题向量可以构成问题空间，解向量可以构成与问题空间存在映射关系的解空间。并且其中，问题向量和解向量都是通过基于自然语言处理的模型生成的。从而，根据本公开的技术方案，可以根据实际的危险信息对基于自然语言处理的问题向量模型和解向量模型进行训练，使得由问题向量构成的问题空间以及由解向量构成的解空间更加灵活地适应现在的生产安全管理。从而能够充分发挥人工智能技术的控制机制、学习机制以及系统动力学机制在生产安全管理中的作用。解决了现有的生产安全管理系统不能对生产危险做出灵活的判定，并且人工智能技术不能深入地应用到生产管理系统的技术问题。
实施例3
图9示出了根据本实施例的所述的基于人工智能的生产安全管理装置装置900，该装置900与根据实施例1的第二个方面所述的方法相对应。参考图9所示，该装置900包括：处理器910；以及存储器920，与处理器910连接，用于为处理器910提供处理以下处理步骤的指令：根据与生产过程相关的生产要素信息，确定与生产过程相关的危险信息；利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题；利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量；以及根据解向量确定与危险信息对应的建议信息，并将建议信息发送至相关工作人员的终端设备。
可选地，根据生产要素信息，确定与生产过程相关的危险信息的操作，包括：根据预设的统计规则，从生产要素信息统计与目标对象关联的生产要素信息；以及根据与目标对象关联的生产要素信息，确定与目标对象的生产过程相关的危险信息。
可选地，根据与目标对象关联的生产要素信息，确定与目标对象的生产过程相关的危险信息的操作，还包括：根据与目标对象关联的现场生产要素信息，确定预设周期内与目标对象的生产过程相关的多个危险信息，构成危险信息序列。
可选地，利用基于自然语言处理的问题向量模型，根据危险信息确定相应的问题向量，问题向量用于指示生产过程中与危险信息对应的问题的操作，包括：从预先设置的热独码编码库中确定分别与危险信息序列中的不同危险信息对应的第一特征码；确定与危险信息对应的员工；从热独码编码库中确定与所确定的员工生产要素信息对应的第二特征码；将第一特征码和第二特征码融合生成与不同危险信息对应的融合特征码，从而构成融合特征码序列；通过基于词嵌入的词向量模型，生成与融合特征码序列对应的融合特征向量序列；以及通过基于注意力机制的问题向量模型，生成与融合特征向量序列对应的问题向量序列。
可选地，利用基于自然语言处理的解向量模型，确定与问题向量对应的解向量的操作，包括：利用基于注意力机制的解向量模型，根据问题向量序列生成相应的解向量序列。
可选地，根据解向量确定与危险信息对应的建议信息的操作，包括：访问预先设置的解向量-建议信息映射表，确定与解向量对应的建议信息作为与危险信息对应的建议信息。
从而本公开的技术方案基于自然语言处理技术，引入了问题向量和解向量。其中问题向量用于指示在生产过程中存在的危险信息对应的问题，而解向量则与该危险信息对应的建议信息相关联。并且，问题向量可以构成问题空间，解向量可以构成与问题空间存在映射关系的解空间。并且其中，问题向量和解向量都是通过基于自然语言处理的模型生成的。从而，根据本公开的技术方案，可以根据实际的危险信息对基于自然语言处理的问题向量模型和解向量模型进行训练，使得由问题向量构成的问题空间以及由解向量构成的解空间更加灵活地适应现在的生产安全管理。从而能够充分发挥人工智能技术的控制机制、学习机制以及系统动力学机制在生产安全管理中的作用。解决了现有的生产安全管理系统不能对生产危险做出灵活的判定，并且人工智能技术不能深入地应用到生产管理系统的技术问题。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅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 (10)

1.一种基于人工智能的生产安全管理系统，其特征在于，包括：生产信息采集系统(100)以及生产安全管理平台(200)，其中
所述生产信息采集系统(100)与所述生产安全管理平台(200)通信连接，用于采集与生产过程相关的生产要素信息，并将所采集的生产要素信息发送至所述生产安全管理平台(200)；
所述生产安全管理平台(200)配置用于执行以下操作：
根据所述生产要素信息，确定与所述生产过程相关的危险信息；
利用基于自然语言处理的问题向量模型，根据所述危险信息确定相应的问题向量，所述问题向量用于指示所述生产过程中与所述危险信息对应的问题；
利用基于自然语言处理的解向量模型，确定与所述问题向量对应的解向量；以及
根据所述解向量确定与所述危险信息对应的建议信息，并将所述建议信息发送至相关工作人员的终端设备。
2.根据权利要求1所述的系统，其特征在于，根据所述生产要素信息，确定与所述生产过程相关的危险信息的操作，包括：
根据预设的统计规则，从所述生产要素信息统计与目标对象关联的生产要素信息；以及
根据与所述目标对象关联的生产要素信息，确定与所述目标对象的生产过程相关的危险信息。
3.根据权利要求2所述的系统，其特征在于，根据与所述目标对象关联的生产要素信息，确定与所述目标对象的生产过程相关的危险信息的操作，还包括：根据与所述目标对象关联的现场生产要素信息，确定预设周期内与所述目标对象的生产过程相关的多个危险信息，构成危险信息序列。
4.根据权利要求3所述的系统，其特征在于，利用基于自然语言处理的问题向量模型，根据所述危险信息确定相应的问题向量，所述问题向量用于指示所述生产过程中与所述危险信息对应的问题的操作，包括：
从预先设置的热独码编码库中确定分别与所述危险信息序列中的不同危险信息对应的第一特征码；
确定与所述危险信息对应的员工；
从所述热独码编码库中确定与所确定的员工生产要素信息对应的第二特征码；
将所述第一特征码和所述第二特征码融合生成与不同危险信息对应的融合特征码，从而构成融合特征码序列；
通过基于词嵌入的词向量模型，生成与所述融合特征码序列对应的融合特征向量序列；以及
通过基于注意力机制的问题向量模型，生成与所述融合特征向量序列对应的问题向量序列。
5.根据权利要求4所述的系统，其特征在于，利用基于自然语言处理的解向量模型，确定与所述问题向量对应的解向量的操作，包括：
利用基于注意力机制的解向量模型，根据所述问题向量序列生成相应的解向量序列。
6.根据权利要求1所述的系统，其特征在于，根据所述解向量确定与所述危险信息对应的建议信息的操作，包括：访问预先设置的解向量-建议信息映射表，确定与所述解向量对应的建议信息作为与所述危险信息对应的建议信息。
7.一种基于人工智能的生产安全管理方法，其特征在于，包括：
根据与生产过程相关的生产要素信息，确定与所述生产过程相关的危险信息；
利用基于自然语言处理的问题向量模型，根据所述危险信息确定相应的问题向量，所述问题向量用于指示所述生产过程中与所述危险信息对应的问题；
利用基于自然语言处理的解向量模型，确定与所述问题向量对应的解向量；以及
根据所述解向量确定与所述危险信息对应的建议信息，并将所述建议信息发送至相关工作人员的终端设备。
8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行权利要求7所述的方法。
9.一种基于人工智能的生产安全管理装置，其特征在于，包括：
危险信息确定模块，用于根据与生产过程相关的生产要素信息，确定与所述生产过程相关的危险信息；
问题向量确定模块，用于利用基于自然语言处理的问题向量模型，根据所述危险信息确定相应的问题向量，所述问题向量用于指示所述生产过程中与所述危险信息对应的问题；
解向量确定模块，用于利用基于自然语言处理的解向量模型，确定与所述问题向量对应的解向量；以及
建议信息确定模块，用于根据所述解向量确定与所述危险信息对应的建议信息，并将所述建议信息发送至相关工作人员的终端设备。
10.一种基于人工智能的生产安全管理装置，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
根据与生产过程相关的生产要素信息，确定与所述生产过程相关的危险信息；
利用基于自然语言处理的问题向量模型，根据所述危险信息确定相应的问题向量，所述问题向量用于指示所述生产过程中与所述危险信息对应的问题；
利用基于自然语言处理的解向量模型，确定与所述问题向量对应的解向量；以及
根据所述解向量确定与所述危险信息对应的建议信息，并将所述建议信息发送至相关工作人员的终端设备。
CN202310232977.5A 2023-03-06 2023-03-06 基于人工智能的生产安全管理系统、方法以及存储介质 Pending CN116245677A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310232977.5A CN116245677A (zh) 2023-03-06 2023-03-06 基于人工智能的生产安全管理系统、方法以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310232977.5A CN116245677A (zh) 2023-03-06 2023-03-06 基于人工智能的生产安全管理系统、方法以及存储介质

Publications (1)

Publication Number Publication Date
CN116245677A true CN116245677A (zh) 2023-06-09

Family

ID=86631116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310232977.5A Pending CN116245677A (zh) 2023-03-06 2023-03-06 基于人工智能的生产安全管理系统、方法以及存储介质

Country Status (1)

Country Link
CN (1) CN116245677A (zh)

Similar Documents

Publication Publication Date Title
CN110555617B (zh) 一种基于物联网的建筑火灾风险实时动态定量评估方法
CN111445106B (zh) 一种用电采集设备故障处理作业现场安全控制方法及系统
CN108199795A (zh) 一种设备状态的监测方法和装置
CN108846585A (zh) 一种煤矿隐患处理管理系统
CN104821060A (zh) 一种抢劫预警方法及装置
CN115063020B (zh) 基于风险监测融合的梯级水电站多维安全调度装置及方法
CN107918993A (zh) 智慧平安校园大数据安全预警平台
CN108921230A (zh) 基于类均值核主元分析和bp神经网络的故障诊断方法
CN101201835A (zh) 应急联动警情自动分类系统
CN112580995A (zh) 施工安全大数据监督系统与安全风险动态评估方法
CN107657390A (zh) 一种特种设备安全隐患管控大数据监测系统及监测方法
CN107657369A (zh) 一种基于智能事件分类进行防汛应急响应识别的方法
CN113554361B (zh) 一种综合能源系统数据处理计算方法及处理系统
CN111126839A (zh) 一种基于区块链技术的企业用职业健康自律管理平台系统
CN115060312A (zh) 一种基于人工智能的建筑材料安全监测系统
CN113071966A (zh) 电梯故障预测方法、装置、设备及存储介质
CN113935645A (zh) 基于标识解析技术的高风险作业管控系统及方法
CN107301516A (zh) 一种电力工作现场安全管理的方法及系统
CN114625406A (zh) 应用开发管控方法、计算机设备、存储介质
CN116245677A (zh) 基于人工智能的生产安全管理系统、方法以及存储介质
CN117236688A (zh) 基于大数据技术的建筑安全事故风险预防及预警系统
CN117575623A (zh) 一种空调软管产品制造溯源管理系统
CN113807462B (zh) 一种基于ai的网络设备故障原因定位方法及其系统
CN116523498A (zh) 基于ai的电力设施巡视方法、系统、装置和存储介质
CN107612144B (zh) 变电站设备重要性检测系统和方法

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