CN116911618A - 面向安全生产风险的人工智能决策系统和方法 - Google Patents
面向安全生产风险的人工智能决策系统和方法 Download PDFInfo
- Publication number
- CN116911618A CN116911618A CN202311148253.9A CN202311148253A CN116911618A CN 116911618 A CN116911618 A CN 116911618A CN 202311148253 A CN202311148253 A CN 202311148253A CN 116911618 A CN116911618 A CN 116911618A
- Authority
- CN
- China
- Prior art keywords
- decision
- target
- safety
- production
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 217
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 86
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000003384 imaging method Methods 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000012954 risk control Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种面向安全生产风险的人工智能决策系统和方法。本发明基于从生产线现场感知的信息流,汇集为智能制造相关的多源化大数据集合,基于大数据集合实现对初始构造的安全生产风险模型的训练,进而利用训练后的模型实现安全生产风险智能决策;该安全生产风险模型能够面向快速复杂变化且多类型综合性的相关因素,抽取特征张量,利用特征张量识别安全生产风险目标,并基于安全生产风险目标特征向量通过目标量融合做出智能决策。
Description
技术领域
本发明涉及智能制造工业技术领域,特别涉及一种面向安全生产风险的人工智能决策系统和方法。
背景技术
智能制造,是将传统的制造工业与信息化、智能化技术深度而全面的融合,从而提升工业生产过程中各项决策的科学性和准确性,以及改善工业制造过程中自动化控制的水平和效率。
从硬件层面来说,智能制造表现为将各种类型的传感器、图像设备集成到生产线的各个环节,实现信息感知的全面覆盖和高实时性;还包括利用有线和无线媒介的工业互联网实现信息、数据、指令的上下行通信传输,形成可持续性的信息流。从软件层面来看,智能制造需要建立多源化大数据中心和智能决策中枢,从而在大数据基础上实现对各种决策模型的构建、训练和验证,实现持续优化的智能决策,进而基于智能决策,生成下达给生产线每个环节的自动控制指令。
生产线各个环节的安全生产风险是智能制造关注的重点之一。这里的安全生产风险涵盖了人员、设施、物料、空间等各方面的安全性风险。目前,智能制造在安全生产风险方面主要是基于传感器和工业互联网进行安全有关参数的监测和报警,包括对于生产线各个环节、设施、空间的环境参数、状态参数、电变量参数、设备状态值等进行感知、采集和上传。进而,基于超限判断、日志分析等手段做出安全生产风险的评估决策,并以维护安全生产为目的采取必要的监测、报警、停机等措施。
目前,智能制造技术在安全生产风险方面存在的主要不足之处是面向生产线的人员、设施、物料、空间等各方面多类型的多因素综合模式,缺乏有效、可靠的安全生产风险决策系统。特别是在某些生产模式中,以上多类型综合性因素还兼具快速复杂变化的特征,导致安全生产风险决策造成误判率高、时间延迟大的问题,无法采取真正有效的措施。
发明内容
本发明提供一种面向安全生产风险的人工智能决策系统和方法。本发明基于从生产线现场感知的信息流,汇集为智能制造相关的多源化大数据集合,基于大数据集合实现对初始构造的安全生产风险模型的训练,进而利用训练后的模型实现安全生产风险智能决策;该安全生产风险模型能够面向快速复杂变化且多类型综合性的相关因素, 抽取特征张量,利用特征张量识别安全生产风险目标,并基于安全生产风险目标特征向量通过目标量融合做出智能决策。
本发明提供一种面向安全生产风险的人工智能决策系统,包括:
生产线现场感知模块,用于从智能制造生产线现场感知信息流,并汇集为智能制造相关的多源化大数据集合;
安全生产风险目标识别模块,对于安全生产相关因素数据集,采用卷积神经网络抽取因素特征并矢量化,进而进行因素特征的张量编码,将识别目标组与因素特征张量执行自注意力解码,实现安全生产风险目标识别,并行输出安全生产风险目标的识别结果;
融合智能决策模块,用于将安全生产风险目标的识别结果组织为向量形式,作为决策特征向量,执行融合智能决策,获得适应所述决策特征向量的决策控制量;所述决策控制量是通过将所述决策特征向量与安全生产风险控制量拟合所得的。
优选的是,所述生产线现场感知模块包括:传感设备、成像设备、智能生产设备、工业互联网设备、大数据中心服务器;所述传感设备融合了多种类型的传感器,嵌入到智能制造生产线的各个环节、设施和生产空间,实现对生产线的环境参数、状态参数、电变量参数的感知、采集和上传,所述成像设备支持多种波段的成像,并实现图像信号的数字化、格式封装和上传,所述智能生产设备具有对自身工作模式、工作状态、异常警报进行感知记录形成数据包形式的设备状态值的功能;所述工业互联网设备用于将传感设备、成像设备、智能生产设备提供的数据上传到大数据中心服务器;所述大数据中心服务器将传感设备、成像设备、智能生产设备提供的数据汇集为多源化大数据集合,以支持实现安全生产风险智能决策。
优选的是,所述安全生产风险目标识别模块基于所述多源化大数据,构造由安全生产相关因素数据矩阵和风险目标标签成对组成的训练集合,并构造初始化的卷积神经网络,将所述安全生产相关因素数据矩阵输入卷积神经网络进行训练,由所述卷积神经网络抽取安全生产相关因素数据矩阵的因素特征,该因素特征表示为矢量形式。
优选的是,安全生产风险目标识别模块建立卷积神经网络形式的因素特征提取器,该卷积神经网络包括ResNet卷积层结构以及全卷积层结构;并且,构造并初始化用于对因素特征进行张量编码的编码器以及将识别目标组与因素特征张量执行自注意力交互解码的解码器;并将因素特征输入所述编码器,获得因素特征的张量编码,再将识别目标组与因素特征张量执行自注意力交互解码。
优选的是,所述安全生产风险目标识别模块构造并初始化进行安全生产风险目标识别的目标类型识别模型和目标定位识别模型;再将识别目标组的目标预测解码特征输入所述目标类型识别模型和目标定位识别模型,并行输出所述因素特征中每个安全生产风险目标的识别类型和识别定位向量。
优选的是,所述安全生产风险目标识别模块针对训练集合中的安全生产相关因素数据矩阵,由上述目标类型识别模型和目标定位识别模型输出的个安全生产风险目标的识别类型和定位向量集合;并且,通过优化针对训练集合输出的目标识别类型和目标定位向量集合与训练集合的目标标签之间的损失函数,获得对各个模型的参数估计。
优选的是,所述安全生产风险目标识别模块在对各个模型完成训练后,针对生产线现场感知模块提供的多源化大数据,基于安全生产相关因素数据矩阵的形式,采用训练完毕的所述卷积神经网络抽取因素特征并矢量化,进而进行因素特征的张量编码,将识别目标组与因素特征张量执行自注意力交互解码,实现安全生产风险目标识别,并行输出每个安全生产风险目标的识别类型和定位向量。
优选的是,所述融合智能决策模块对安全生产风险控制量与决策特征向量进行比例融合,通过对融合比例系数赋值,从而生成融合决策向量。
优选的是,所述融合智能决策模块以所述融合决策向量和决策特征向量为基础,再通过对生产线的响应系数的实际值进行赋值,从而生成适应所述决策特征向量的决策控制量。
本发明进而提供了一种面向安全生产风险的人工智能决策方法,包括:
从智能制造生产线现场感知信息流,并汇集为智能制造相关的多源化大数据集合;
对于安全生产相关因素数据集,采用卷积神经网络抽取因素特征并矢量化,进而进行因素特征的张量编码,将识别目标组与因素特征张量执行自注意力解码,实现安全生产风险目标识别,并行输出安全生产风险目标的识别结果;
将安全生产风险目标的识别结果组织为向量形式,作为决策特征向量,执行融合智能决策,获得适应所述决策特征向量的决策控制量;所述决策控制量是通过将所述决策特征向量与安全生产风险控制量拟合所得的。
本发明能够基于从生产线现场感知的信息流,汇集为智能制造相关的多源化大数据集合,基于大数据集合实现对初始构造的安全生产风险模型的训练,进而利用训练后的模型实现安全生产风险智能决策;该安全生产风险模型能够面向快速复杂变化且多类型综合性的相关因素, 抽取特征张量,利用特征张量识别安全生产风险目标,并基于安全生产风险目标特征向量通过目标量融合做出智能决策。
附图说明
下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的面向安全生产风险的人工智能决策系统的框架图;
图2是本发明提供的面向安全生产风险的人工智能决策方法的总体流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。
需要说明的是: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发明一部分实施例,而不是全部的实施例,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例,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,都属于本发明保护的范围。
下面参考图1详细描述本发明公开的一种面向安全生产风险的人工智能决策系统的具体实施例。
如图1所示,本实施例主要包括:
生产线现场感知模块,用于从智能制造生产线现场感知信息流,并汇集为智能制造相关的多源化大数据集合;
安全生产风险目标识别模块,对于安全生产相关因素数据集,采用卷积神经网络抽取因素特征并矢量化,进而进行因素特征的张量编码,将识别目标组与因素特征张量执行自注意力解码,实现安全生产风险目标识别,并行输出安全生产风险目标的识别结果;
融合智能决策模块,用于将安全生产风险目标的识别结果组织为向量形式,作为决策特征向量,执行融合智能决策,获得适应所述决策特征向量的决策控制量;所述决策控制量是通过将所述决策特征向量与安全生产风险控制量拟合所得的。
所述生产线现场感知模块包括:传感设备、成像设备、智能生产设备、工业互联网设备、大数据中心服务器。传感设备融合了多种类型的传感器,嵌入到智能制造生产线的各个环节、设施和生产空间,实现对生产线的环境参数、状态参数、电变量参数的感知、采集和上传。成像设备支持可见光、红外等多种波段的成像,并实现图像信号的数字化、格式封装和上传。智能生产设备作为智能制造生产线的生产设施,具有对自身工作模式、工作状态、异常警报进行感知记录,形成数据包形式的设备状态值的功能。工业互联网设备包括覆盖智能制造生产线前端的有线或无线网络接入点,以及工业网关、交换机等必要的网络通信设施,从而实现将传感设备、成像设备、智能生产设备提供的数据上传到大数据中心服务器。所述大数据中心服务器将传感设备、成像设备、智能生产设备提供的数据汇集为多源化大数据集合,以支持实现本申请的安全生产风险智能决策。
安全生产风险目标识别模块在所述多源化大数据基础上,针对安全生产相关的人员、设施、物料、空间等多类型综合性的因素,采用卷积神经网络抽取因素特征并矢量化,进而进行因素特征的张量编码,将识别目标组与因素特征张量执行自注意力解码,实现安全生产风险目标识别,并行输出安全生产风险目标的识别结果。从而,适应性以上多类型综合性因素快速复杂时变的特性,从而提升了安全生产风险目标的识别效率。
具体来说,安全生产风险目标识别模块的具体识别过程包括:
首先,安全生产风险目标识别模块基于所述多源化大数据,构造由安全生产相关因素数据矩阵和风险目标标签成对组成的训练集合,并构造初始化的卷积神经网络,将所述安全生产相关因素数据矩阵输入卷积神经网络进行训练,由所述卷积神经网络抽取安全生产相关因素数据矩阵的因素特征,该因素特征表示为矢量形式。
该安全生产相关因素数据集和风险目标标签成对组成的训练集合表示为:
其中是训练集合的训练样本总量, 是训练样本的第个样本对应的
安全生产相关因素数据矩阵,和分别是该矩阵的行、列;是训练集合的第
个样本中最多个风险目标类型和风险目标定位向量共同构成的目标标签,是预先设定
的一个整数,且该整数显著大于安全生产相关因素数据矩阵可能存在的风险目标个数;其
中 ,是第个样本中第个风险目标的目标类型,是第个样本中第
个风险目标的4维定位向量。
安全生产风险目标识别模块建立卷积神经网络形式的因素特征提取器,该卷积神经网络包括ResNet卷积层结构以及全卷积层结构。
所述ResNet卷积层结构表示为,其中是该ResNet卷积层结构所
有结构参数构成的张量(tensor),为输入该卷积神经网络的安全生产相关因
素数据矩阵,且 ,表示所述卷积神经网络所生成的降取样因素数据矩
阵;作为可选的取值,其中,。所述全卷积层结构表
示为,其中是全卷积层结构所有的结构参数构成的张量,张量初始化为。将训练集合中的作为安全生产相关因素数
据矩阵,输入初始化的卷积神经网络,得到降取样因素数据矩阵。再将该
矩阵进行矢量化,使用个 的卷积核拼接成全卷积层结构的
张量,从而全卷积层结构将该矩阵降维成通道数为的矩阵,即
符号表示卷积运算;且;将矩
阵和位置编码参数相加, 该位置编码参数初始化为,然后将两者之
和求出的张量中的的平面形状拉直,从而将形状更改,并转置成为的张量,作为因素特征张量编码的编码器的输入,记为,即。
进而,安全生产风险目标识别模块构造并初始化用于对因素特征进行张量编码的编码器以及将识别目标组与因素特征张量执行自注意力交互解码的解码器;并将因素特征输入所述编码器,获得因素特征的张量编码,再将识别目标组与因素特征张量执行自注意力交互解码。
其中,初始化用于编码器和解码器的参数张量,编码器的参数 和解
码器的共同组成所述参数张量 。并且,初始化解码器中用于识别目标组的参数张量 。
将矢量化后的所述因素特征输入自注意力机制的编码器,得到和同样形状
的因素特征张量编码, 即,
, 是编码器的参数张量。
将 和识别目标组的参数张量 通过交叉注意力机制的解码器,得到对识别
目标组中的N个目标预测解码特征 , 即 ,
是N个目标预测解码特征 所组成的张量,是解码器的参数张
量。
进而,安全生产风险目标识别模块构造并初始化进行安全生产风险目标识别的目标类型识别模型和目标定位识别模型;再将识别目标组的目标预测解码特征输入所述目标类型识别模型和目标定位识别模型,并行输出所述因素特征中每个安全生产风险目标的识别类型和识别定位向量。
初始化用于每个目标类型识别模型中的参数张量,以
及初始化目标定位识别模型的中的参数张量。
将N个目标预测解码特征分别通过目标类型识别模型和目标定
位识别模型,得到因素特征中含N个安全生产风险目标识别类型和风险目
标定位向量的集合 , 即。
安全生产风险目标识别模块针对训练集合中的安全生产相关因素数据矩阵,由上
述目标类型识别模型和目标定位识别模型输出的N个安全生产风险目标的识别类型和定位
向量集合。并且,通过优化针对训练集合输出的目标识别类型和目标定位向量集合与训
练集合的目标标签之间的损失函数,获得对各个模型的参数估计,表示为:,,
,,,, 。从而,完成利用训练集合的训练过程。
安全生产风险目标识别模块在对各个模型完成训练后,针对生产线现场感知模块
提供的多源化大数据,基于安全生产相关因素数据矩阵的形式,采用训练完毕的所述卷积
神经网络抽取因素特征并矢量化,进而进行因素特征的张量编码,将识别目标组与因素特
征张量执行自注意力交互解码,实现安全生产风险目标识别,并行输出每个安全生产风险
目标的识别类型和定位向量,被输出的每个目标的识别类型和定位向量表示为:
是该因素特征中包含的第个目标属于所有可能的安全风险目标类别的概率
值构成的向量,则是第个目标的定位向量。
融合智能决策模块将上述表示安全生产风险目标的识别结果的向量组织为向
量形式,作为决策特征向量,执行融合智能决策,获得适应所述决策特征向量的决策控制
量。具体来说,融合智能决策模块对安全生产风险控制量与所述决策特征向量进行比
例融合,通过对融合比例系数赋值,从而生成融合决策向量yd。
其中,λ表示预测单位量,用来预测提前时间单位数量,为在预测单位
量λ条件下的第k个时间单位的融合决策向量输出值,为第k+1-i个时间单位的
安全生产风险控制量的参考值,为第k+1-i个时间单位的实际决策特征向量;为融合比例系数。通过实验验证,优化以上融合比例系数的取
值,最终获得融合决策向量yd。
进而,融合智能决策模块以所述融合决策向量yd和决策特征向量为基础,再通过
对生产线的响应系数的实际值进行赋值,从而生成适应所述决策特征向量的
决策控制量u。
公式(八)
其中,是第k个时间单位的决策控制量, 为第k+1-i个时间单位的
决策控制量,为第k+1-i个时间单位的决策特征向量。
进而,基于该决策控制量,融合智能决策模块能够基于生产线的人员、设施、物料、空间等多类型综合性因素中代表安全风险目标的特征,做出匹配安全风险特征的决策控制响应,基于决策控制量的决策控制响应可以包括报警、停机等。
参见图2,本发明进而提供了一种面向安全生产风险的人工智能决策方法,包括:
从智能制造生产线现场感知信息流,并汇集为智能制造相关的多源化大数据集合;
对于安全生产相关因素数据集,采用卷积神经网络抽取因素特征并矢量化,进而进行因素特征的张量编码,将识别目标组与因素特征张量执行自注意力解码,实现安全生产风险目标识别,并行输出安全生产风险目标的识别结果;
将安全生产风险目标的识别结果组织为向量形式,作为决策特征向量,执行融合智能决策,获得适应所述决策特征向量的决策控制量;所述决策控制量是通过将所述决策特征向量与安全生产风险控制量拟合所得的。
综上,本发明能够基于从生产线现场感知的信息流,汇集为智能制造相关的多源化大数据集合,基于大数据集合实现对初始构造的安全生产风险模型的训练,进而利用训练后的模型实现安全生产风险智能决策;该安全生产风险模型能够面向快速复杂变化且多类型综合性的相关因素, 抽取特征张量,利用特征张量识别安全生产风险目标,并基于安全生产风险目标特征向量通过目标量融合做出智能决策。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种面向安全生产风险的人工智能决策系统,包括:
生产线现场感知模块,用于从智能制造生产线现场感知信息流,并汇集为智能制造相关的多源化大数据集合;
安全生产风险目标识别模块,对于安全生产相关因素数据集,采用卷积神经网络抽取因素特征并矢量化,进而进行因素特征的张量编码,将识别目标组与因素特征张量执行自注意力解码,实现安全生产风险目标识别,并行输出安全生产风险目标的识别结果;
融合智能决策模块,用于将安全生产风险目标的识别结果组织为向量形式,作为决策特征向量,执行融合智能决策,获得适应所述决策特征向量的决策控制量;所述决策控制量是通过将所述决策特征向量与安全生产风险控制量拟合所得的。
2.根据权利要求1所述的人工智能决策系统,其特征在于,所述生产线现场感知模块包括:传感设备、成像设备、智能生产设备、工业互联网设备、大数据中心服务器;所述传感设备融合了多种类型的传感器,嵌入到智能制造生产线的各个环节、设施和生产空间,实现对生产线的环境参数、状态参数、电变量参数的感知、采集和上传,所述成像设备支持多种波段的成像,并实现图像信号的数字化、格式封装和上传,所述智能生产设备具有对自身工作模式、工作状态、异常警报进行感知记录形成数据包形式的设备状态值的功能;所述工业互联网设备用于将传感设备、成像设备、智能生产设备提供的数据上传到大数据中心服务器;所述大数据中心服务器将传感设备、成像设备、智能生产设备提供的数据汇集为多源化大数据集合,以支持实现安全生产风险智能决策。
3.根据权利要求2所述的人工智能决策系统,其特征在于,所述安全生产风险目标识别模块基于所述多源化大数据,构造由安全生产相关因素数据矩阵和风险目标标签成对组成的训练集合,并构造初始化的卷积神经网络,将所述安全生产相关因素数据矩阵输入卷积神经网络进行训练,由所述卷积神经网络抽取安全生产相关因素数据矩阵的因素特征,该因素特征表示为矢量形式。
4.根据权利要求3所述的人工智能决策系统,其特征在于,安全生产风险目标识别模块建立卷积神经网络形式的因素特征提取器,该卷积神经网络包括ResNet卷积层结构以及全卷积层结构;并且,构造并初始化用于对因素特征进行张量编码的编码器以及将识别目标组与因素特征张量执行自注意力交互解码的解码器;并将因素特征输入所述编码器,获得因素特征的张量编码,再将识别目标组与因素特征张量执行自注意力交互解码。
5.根据权利要求4所述的人工智能决策系统,其特征在于,所述安全生产风险目标识别模块构造并初始化进行安全生产风险目标识别的目标类型识别模型和目标定位识别模型;再将识别目标组的目标预测解码特征输入所述目标类型识别模型和目标定位识别模型,并行输出所述因素特征中每个安全生产风险目标的识别类型和识别定位向量。
6.根据权利要求5所述的人工智能决策系统,其特征在于,所述安全生产风险目标识别模块针对训练集合中的安全生产相关因素数据矩阵,由上述目标类型识别模型和目标定位识别模型输出的个安全生产风险目标的识别类型和定位向量集合;并且,通过优化针对训练集合输出的目标识别类型和目标定位向量集合与训练集合的目标标签之间的损失函数,获得对各个模型的参数估计。
7.根据权利要求6所述的人工智能决策系统,其特征在于,所述安全生产风险目标识别模块在对各个模型完成训练后,针对生产线现场感知模块提供的多源化大数据,基于安全生产相关因素数据矩阵的形式,采用训练完毕的所述卷积神经网络抽取因素特征并矢量化,进而进行因素特征的张量编码,将识别目标组与因素特征张量执行自注意力交互解码,实现安全生产风险目标识别,并行输出每个安全生产风险目标的识别类型和定位向量。
8.根据权利要求7所述的人工智能决策系统,其特征在于,所述融合智能决策模块对安全生产风险控制量与决策特征向量进行比例融合,通过对融合比例系数赋值,从而生成融合决策向量。
9.根据权利要求8所述的人工智能决策系统,其特征在于,所述融合智能决策模块以所述融合决策向量和决策特征向量为基础,再通过对生产线的响应系数的实际值进行赋值,从而生成适应所述决策特征向量的决策控制量。
10.一种面向安全生产风险的人工智能决策方法,包括:
从智能制造生产线现场感知信息流,并汇集为智能制造相关的多源化大数据集合;
对于安全生产相关因素数据集,采用卷积神经网络抽取因素特征并矢量化,进而进行因素特征的张量编码,将识别目标组与因素特征张量执行自注意力解码,实现安全生产风险目标识别,并行输出安全生产风险目标的识别结果;
将安全生产风险目标的识别结果组织为向量形式,作为决策特征向量,执行融合智能决策,获得适应所述决策特征向量的决策控制量;所述决策控制量是通过将所述决策特征向量与安全生产风险控制量拟合所得的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148253.9A CN116911618B (zh) | 2023-09-07 | 2023-09-07 | 面向安全生产风险的人工智能决策系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148253.9A CN116911618B (zh) | 2023-09-07 | 2023-09-07 | 面向安全生产风险的人工智能决策系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911618A true CN116911618A (zh) | 2023-10-20 |
CN116911618B CN116911618B (zh) | 2023-12-05 |
Family
ID=88360515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311148253.9A Active CN116911618B (zh) | 2023-09-07 | 2023-09-07 | 面向安全生产风险的人工智能决策系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911618B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678446A (zh) * | 2015-12-31 | 2016-06-15 | 浙江图讯科技股份有限公司 | 一种用于企业安全生产风险预警的方法 |
CN109636055A (zh) * | 2018-12-21 | 2019-04-16 | 中国安全生产科学研究院 | 一种非煤矿山安全生产风险预测预警平台 |
CN111260021A (zh) * | 2018-11-30 | 2020-06-09 | 百度(美国)有限责任公司 | 预测深度学习缩放 |
CN111738568A (zh) * | 2020-06-03 | 2020-10-02 | 塔盾信息技术(上海)有限公司 | 一种基于场景识别驱动的人工智能风险管控系统 |
KR102350038B1 (ko) * | 2020-10-20 | 2022-01-11 | 오동식 | 대상 작업의 위험성을 평가하는 방법 및 이를 수행하는 작업 관리 시스템 |
CN115861323A (zh) * | 2023-02-28 | 2023-03-28 | 泉州装备制造研究所 | 基于精细化分割网络的皮革缺陷检测方法 |
WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技(深圳)有限公司 | 风险预测方法、装置、设备及存储介质 |
-
2023
- 2023-09-07 CN CN202311148253.9A patent/CN116911618B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678446A (zh) * | 2015-12-31 | 2016-06-15 | 浙江图讯科技股份有限公司 | 一种用于企业安全生产风险预警的方法 |
CN111260021A (zh) * | 2018-11-30 | 2020-06-09 | 百度(美国)有限责任公司 | 预测深度学习缩放 |
CN109636055A (zh) * | 2018-12-21 | 2019-04-16 | 中国安全生产科学研究院 | 一种非煤矿山安全生产风险预测预警平台 |
CN111738568A (zh) * | 2020-06-03 | 2020-10-02 | 塔盾信息技术(上海)有限公司 | 一种基于场景识别驱动的人工智能风险管控系统 |
KR102350038B1 (ko) * | 2020-10-20 | 2022-01-11 | 오동식 | 대상 작업의 위험성을 평가하는 방법 및 이를 수행하는 작업 관리 시스템 |
WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技(深圳)有限公司 | 风险预测方法、装置、设备及存储介质 |
CN115861323A (zh) * | 2023-02-28 | 2023-03-28 | 泉州装备制造研究所 | 基于精细化分割网络的皮革缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116911618B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
EP3637328A1 (en) | Refrigerant leak detection method and device for air conditioner | |
CN116129366B (zh) | 基于数字孪生的园区监测方法及相关装置 | |
CN114069838B (zh) | 智能传感器主动协同的变电站机器人智能巡检系统及方法 | |
CN111127449B (zh) | 一种基于编码器-解码器的自动化裂缝检测方法 | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
CN111695731A (zh) | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 | |
CN112039073B (zh) | 一种适用于配电房设备故障判断的协同优化方法及系统 | |
CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
CN117063820A (zh) | 基于大数据的智慧园林监控平台及其方法 | |
CN111460733B (zh) | 一种基于深度学习的山火预警方法 | |
CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
CN115019209A (zh) | 一种基于深度学习的电力杆塔状态检测的方法及系统 | |
CN114444757A (zh) | 一种高原山地多模型多尺度新能源电站出力联合预测方法 | |
CN113887328A (zh) | 一种eca-cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法 | |
Rosso et al. | Review on deep learning in structural health monitoring | |
CN111582102A (zh) | 一种遥感数据地物要素精细化分类方法及装置 | |
CN117435997B (zh) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 | |
CN116911618B (zh) | 面向安全生产风险的人工智能决策系统和方法 | |
CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
CN115905518B (zh) | 基于知识图谱的情感分类方法、装置、设备以及存储介质 | |
CN114897131A (zh) | 基于深度学习网络的gis触头温升状态监测方法及系统 | |
CN117314370B (zh) | 一种基于智慧能源的数据驾驶舱系统及实现方法 | |
CN111931798A (zh) | 进行冷头状态分类检测和寿命预测的方法 | |
Dang | Development of Structural Damage Detection Method Working with Contaminated Vibration Data via Autoencoder and Gradient Boosting |
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 |