CN117217531A - 基于人工智能的工厂安全运行风险数据处理方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及基于人工智能的工厂安全运行风险数据处理方法，包括：采集若干个分子公司或生产车间安全运行风险数据获取安全生产预警指数模型和安全风险预警模型；获取每个分子公司或生产车间所对应的数据点；获取整体数据点中的异常数据点；对异常数据点对应的分子公司或生产车间进行分析，得到每个分子公司或生产车间对比风险值，并对每个分子公司或生产车间进行优先级排序，并制定相应的风险缓解措施。本发明优化使用LOF算法进行异常检测时数据不适配的问题，提高工厂的安全性能和效率。

Description

基于人工智能的工厂安全运行风险数据处理方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于人工智能的工厂安全运行风险数据处理方法。

背景技术

随着科技的发展，基于人工智能的相关技术可以帮助企业更有效地管理和应对工厂安全风险方面的问题，炼化企业也开始逐渐应用基于人工智能的工厂安全运行风险数据处理方法来提高工厂的安全性和风险管理效能。在工厂中，借助数据采集技术、大数据与云计算、自动化控制以及智能监测等技术，可以为企业与工厂提供更准确、实时和智能的安全风险管理解决方案。

进行异常检测时常用到LOF算法，但是LOF算法在处理数据时会出现数据不适配的问题。算法本身需要基于一组特征数据来计算样本点的局部密度，如果输入数据与LOF算法的假设和要求不适配，结果可能不准确。因此考虑对工厂安全运行风险数据进行提取，以此获取安全与风险两方面的模型，契合LOF算法，借由算法对风险较高的分子公司进行筛选，并结合所属下的重大危险源对风险程度进行分析量化。

发明内容

本发明提供基于人工智能的工厂安全运行风险数据处理方法，以解决现有的问题。

本发明的基于人工智能的工厂安全运行风险数据处理方法采用如下技术方案：

本发明一个实施例提供了基于人工智能的工厂安全运行风险数据处理方法，该方法包括以下步骤：

采集若干个分子公司或生产车间安全运行风险数据，获取安全生产预警指数模型和安全风险预警模型；通过安全生产预警指数模型和安全风险预警模型获取每个分子公司或生产车间的参数数据；

根据每个分子公司或生产车间的参数数据获取每个分子公司或生产车间的风险指数；根据安全生产预警指数模型获取每个分子公司或生产车间的安全生产预警指数；根据每个分子公司或生产车间的风险指数和每个分子公司或生产车间的安全生产预警指数获取每个分子公司或生产车间所对应的数据点，将所有数据点组成整体数据点；

获取运用LOF算法时的距离值；根据距离值获取每个数据点的局部异常因子，根据每个数据点的局部异常因子获取所有异常数据点；

将所有异常数据点对应的分子公司或生产车间的所包括的所有重大危险源，记为整体重大危险源，根据整体重大危险源的对比得到每个重大危险源的对比风险程度；根据每个分子公司或生产车间下所属的每个重大危险源的对比风险程度，得到每个分子公司或生产车间的对比风险值；根据每个分子公司或生产车间的对比风险值对每个分子公司或生产车间进行优先级排序，并制定相应的风险缓解措施。

优选的，所述采集若干个分子公司或生产车间安全运行风险数据，获取安全生产预警指数模型和安全风险预警模型，包括的具体步骤如下：

对任意一个分子公司或生产车间，采集不同类型的数据，包括A类“固有风险”、B类“生产运行”、C类“现场作业”、D类“双重预防”、E类“LDAR”、F类“设备运行”以及G类“其他因素”；并由此获取安全生产预警指数模型；所述安全生产预警指数模型的输入为：任意一个分子公司或生产车间和当日日期，输出为：任意一个分子公司或生产车间在当日日期的安全生产预警指数；

对任意一个重大危险源，采集不同类型数据，包括A类“固有风险”、B类“安全检查”、C类“隐患治理”、D类“现场作业”、E类“工艺参数控制”以及F类“气候风险”一共6种不同类型的数据，并由此获取安全风险预警模型；所述安全风险预警模型的输入为：任意一个重大危险源和当日日期，输出为：任意一个重大危险源在当日日期的安全风险值。

优选的，所述通过安全生产预警指数模型和安全风险预警模型获取每个分子公司或生产车间的参数数据，包括的具体步骤如下：

通过安全生产预警指数模型获取每个分子公司或生产车间的1级重大危险源个数及其权重值、2级重大危险源个数及其权重值、3级重大危险源个数及其权重值和4级重大危险源个数及其权重值；通过安全风险预警模型获取当日日期每个1级重大危险源的安全风险值、当日日期每个2级重大危险源的安全风险值、当日日期每个3级重大危险源的安全风险值和当日日期每个4级重大危险源的安全风险值；获取每个分子公司或生产车间所属下的安全风险值区间等级达到预设等级重大危险源个数，将其与每个分子公司或生产车间所属下的所有重大危险源的比值作为每个分子公司或生产车间所属下的安全风险值区间等级达到预设等级的重大危险源存在的比率；

所述每个分子公司或生产车间的参数数据包括每个分子公司或生产车间的1级重大危险源个数及其权重值、2级重大危险源个数及其权重值、3级重大危险源个数及其权重值和4级重大危险源个数及其权重值、当日日期每个1级重大危险源的安全风险值、当日日期每个2级重大危险源的安全风险值、当日日期每个3级重大危险源的安全风险值和当日日期每个4级重大危险源的安全风险值、每个分子公司或生产车间所属下的安全风险值区间等级达到预设等级的重大危险源存在的比率。

优选的，所述根据每个分子公司或生产车间的参数数据获取每个分子公司或生产车间的风险指数，包括的具体步骤如下：

对于任意一个分子公司或生产车间，由分子公司或生产车间下所属的若干重大危险源的安全风险值计算分子公司或生产车间的风险指数，其计算表达式为：

式中，R_r表示分子公司或生产车间的风险指数；Sum_w表示分子公司或生产车间的总风险值；N_l1表示分子公司或生产车间的1级重大危险源个数；S_l1表示当日日期第l1个1级重大危险源的安全风险值；N_l2表示分子公司或生产车间的2级重大危险源个数；S_l2表示当日日期第l2个2级重大危险源的安全风险值；N_l3表示分子公司或生产车间的3级重大危险源个数；S_l3表示当日日期第l3个3级重大危险源的安全风险值；N_l4表示分子公司或生产车间的4级重大危险源个数；S_l4表示当日日期第l4个4级重大危险源的安全风险值；W_l1,W_l2,W_l3,W_l4为预设权重参数。

优选的，所述根据每个分子公司或生产车间的风险指数和每个分子公司或生产车间的安全生产预警指数获取每个分子公司或生产车间所对应的数据点，将所有数据点组成整体数据点，包括的具体步骤如下：

对于每一个分子公司或生产车间可以获得与之对应的安全生产预警指数R_s和风险指数R_r，获取对应的直角坐标系，将安全生产预警指数R_s作为横坐标，风险指数R_r作为纵坐标，以此构成每个分子公司或生产车间对应的数据点，将每个数据点的坐标填入直角坐标系，组成整体数据点。

优选的，所述获取运用LOF算法时的距离值，包括的具体步骤如下：

整体数据点在运用LOF算法时的k距离值，其计算表达式为：

式中，n表示分子公司或生产车间总数；表示所有分子公司或生产车间的安全生产预警指数标准差；/>表示分子公司或生产车间的风险指数标准差；β表示预设参数；exp()表示以自然常数为底数的指数函数。

优选的，所述根据距离值获取每个数据点的局部异常因子，根据每个数据点的局部异常因子获取所有异常数据点，包括的具体步骤如下：

得到k距离值之后，对每一个数据点使用LOF算法进行计算，计算得到每一个数据点对应一个局部异常因子；据局部异常因子的性质，将局部异常因子中大于预设参数t的局部异常因子所对应的数据点，记为异常数据点。

优选的，所述根据整体重大危险源的对比得到每个重大危险源的对比风险程度的具体公式如下：

式中，D_c,r表示第c个r级重大危险源的对比风险程度；S_c,r表示第c个r级重大危险源的安全风险值；表示整体重大危险源中除了第c个r级重大危险源其他重大危险源的安全风险值的加权均值；/>表示整体重大危险源的安全风险值的加权标准差；A_r表示整体重大危险源中除了第c个r级重大危险源其他r级重大危险源的安全风险值均值；σ_l,r表示整体重大危险源中所有r级重大危险源的安全风险值标准差；β表示预设参数；exp()表示以自然常数为底数的指数函数。

优选的，所述根据每个分子公司或生产车间下所属的每个重大危险源的对比风险程度，得到每个分子公司或生产车间的对比风险值的具体公式如下：

式中，H_n表示第n个分子公司或生产车间的对比风险值；N_n,r表示第n个分子公司或生产车间下所属的r级重大危险源的个数；D_c,r表示第c个r级重大危险源的对比风险程度；Sum_wn表示第n个分子公司或生产车间的总风险值；表示第n个分子公司或生产车间所属下的安全风险值区间等级颜色到达橙色和红色的重大危险源存在的比率；R_n表示第n个分子公司或生产车间的安全生产预警指数；exp()表示以自然常数为底数的指数函数。

优选的，所述根据每个分子公司或生产车间的对比风险值对每个分子公司或生产车间进行优先级排序，并制定相应的风险缓解措施，包括的具体步骤如下：

预设参数τ，根据对每个分子公司或生产车间的分析评估得到的对比风险值，按照分子公司或生产车间的对比风险值进行从大到小的优先级排序，得到排序后的序列记为第一序列；对于第一序列中排序前τ％的分子公司或生产车间，制定相应的风险缓解措施，其中包括优化现有的安全措施、对员工开展相关安全培训、强化监控与检查措施。

本发明的技术方案的有益效果是：针对LOF算法在处理数据时会出现数据不适配，导致结果不准确的问题；本发明通过将工厂安全运行风险数据进行采集后获取安全与风险两方面相关模型，筛选出在自身安全与所属重大风险源出现异常的分子公司或生产车间，分析量化风险程度，以此对分子公司或生产车间的优先级排序作出参考，后续可以依据参考结果制定相应的风险缓解措施；进而优化了使用LOF算法进行异常检测时数据不适配的问题，提高工厂的安全性能和效率。

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为本发明基于人工智能的工厂安全运行风险数据处理方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的工厂安全运行风险数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的工厂安全运行风险数据处理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的工厂安全运行风险数据处理方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集若干个分子公司或生产车间安全运行风险数据，获取安全生产预警指数模型和安全风险预警模型。

具体的，对任意一个分子公司或生产车间，采集A类“固有风险”、B类“生产运行”、C类“现场作业”、D类“双重预防”、E类“LDAR”、F类“设备运行”以及G类“其他因素”一共7种不同类型的数据，并由此获取安全生产预警指数模型；所述安全生产预警指数模型的输入为：任意一个分子公司或生产车间和当日日期，输出为：任意一个分子公司或生产车间在当日日期的安全生产预警指数。

对任意一个重大危险源，采集A类“固有风险”、B类“安全检查”、C类“隐患治理”、D类“现场作业”、E类“工艺参数控制”以及F类“气候风险”一共6种不同类型的数据，并由此获取安全风险预警模型；所述安全风险预警模型的输入为：任意一个重大危险源和当日日期，输出为：任意一个重大危险源在当日日期的安全风险值。

需要说明的是，每个分子公司或生产车间都具有1级重大危险源、2级重大危险源、3级重大危险源和4级重大危险源；安全生产预警指数模型中，安全生产预警指数大小与对应分级如下所示：

100～95为蓝色/低风险、95～87.5为黄色/一般风险、87.5～80为橙色/较大风险、80及以下为红色/高风险。

安全风险预警模型中，安全风险值大小与对应分级如下所示：

130及以下为蓝色/低风险、130-160为黄色/一般风险、160-190为橙色/较大风险、190及以上为红色/高风险。

具体的，通过安全生产预警指数模型获取每个分子公司或生产车间的1级重大危险源个数及其权重值、2级重大危险源个数及其权重值、3级重大危险源个数及其权重值和4级重大危险源个数及其权重值；通过安全风险预警模型获取当日日期每个1级重大危险源的安全风险值、当日日期每个2级重大危险源的安全风险值、当日日期每个3级重大危险源的安全风险值和当日日期每个4级重大危险源的安全风险值；获取每个分子公司或生产车间所属下的安全风险值区间等级颜色到达橙色和红色的重大危险源个数，将其与每个分子公司或生产车间所属下的所有重大危险源的比值作为每个分子公司或生产车间所属下的安全风险值区间等级颜色到达橙色和红色的重大危险源存在的比率。

至此，获得安全生产预警指数模型和安全风险预警模型。

步骤S002：获取每个分子公司或生产车间所对应的数据点。

需要说明的是，对于任意一个分子公司或生产车间，通过安全生产预警指数模型得到当日日期所述分子公司或生产车间对应的安全生产预警指数，该指数越大，则说明当日日期所述分子公司或生产车间就越安全。

对于所述分子公司或生产车间的任意一个重大危险源，通过安全风险预警模型得到当日日期所述分子公司或生产车间的该重大危险源对应的安全风险值；该风险值越大，当日日期所述分子公司或生产车间的该重大危险源的风险越大。

进一步需要说明的是，由上述两个维度的模型，并由此得到当日日期下，每个分子公司或生产车间的安全生产预警指数与每个分子公司或生产车间下的若干重大危险源的安全风险值。要判断每个分子公司或生产车间的安全运行情况，一方面是其本身的安全程度所体现，另一方面是每个分子公司或生产车间下所属的若干重大危险源的风险程度所体现；由于每个分子公司或生产车间下所属重大危险源有若干个(可能只有一个也可能有多个)，所以需要通过重大危险源在安全风险预警模型下得到的安全风险值提取出可以代表若干重大风险源的指标。

根据安全生产预警指数模型，预设四个权重参数W_l1,W_l2,W_l3,W_l4，其中本实施例以W_l1＝0.4,W_l2＝0.3,W_l3＝0.2,W_l4＝0.1例进行叙述，本实施例不进行具体限定，其中W_l1>W_l2>W_l3>W_l4且根据具体实施情况而定。

具体的，对于任意一个分子公司或生产车间，由分子公司或生产车间下所属的若干重大危险源的安全风险值计算分子公司或生产车间的风险指数，其计算表达式为：

式中，R_r表示分子公司或生产车间的风险指数；Sum_w表示分子公司或生产车间的总风险值；N_l1表示分子公司或生产车间的1级重大危险源个数；S_l1表示当日日期第l1个1级重大危险源的安全风险值；N_l2表示分子公司或生产车间的2级重大危险源个数；S_l2表示当日日期第l2个2级重大危险源的安全风险值；N_l3表示分子公司或生产车间的3级重大危险源个数；S_l3表示当日日期第l3个3级重大危险源的安全风险值；N_l4表示分子公司或生产车间的4级重大危险源个数；S_l4表示当日日期第l4个4级重大危险源的安全风险值；W_l1,W_l2,W_l3,W_l4为预设权重参数。

由此，对于每一个分子公司或生产车间可以获得与之对应的安全生产预警指数R_s和风险指数R_r，获取对应的直角坐标系，将安全生产预警指数R_s作为横坐标，风险指数R_r作为纵坐标，以此构成每个分子公司或生产车间对应的数据点，将每个数据点的坐标填入直角坐标系，组成整体数据点。

至此，获得每个分子公司或生产车间所对应的数据点。

步骤S003：获取整体数据点中的异常数据点。

需要说明的是，由于整体数据点在分布时相互之间相对来说是比较靠近的，因此，无法直接进行异常点的筛选，采用LOF算法计算每个数据点的局部异常因子，将局部异常因子不符合期望的数据点作为异常点进行筛选；LOF算法是基于局部密度分布进行离群点检测的算法，在进行LOF算法计算时，其中一个重要的参数就是k距离值。该值的大小与整体数据点的分布情况以及整体数据点的规模有关。

预设一个参数β，其中本实施例以β＝0.1例进行叙述，本实施例不进行具体限定，其中β且根据具体实施情况而定。

具体的，整体数据点在运用LOF算法时的k距离值，其计算表达式为：

式中，n表示分子公司或生产车间总数，在坐标轴中就是所有数据点的总数量；表示所有分子公司或生产车间的安全生产预警指数标准差；/>表示分子公司或生产车间的风险指数标准差；β表示预设参数；exp()表示以自然常数为底数的指数函数。

需要说明的是，k距离值的选择和整体数据点的分布情况以及整体数据点的规模有关。具体关系则是，数据点的整体密集程度越大，也就是横纵坐标两个值的标准差越小，此时对应的是的值就越大，则得到的k距离值就越大。此外，整体数据点的数量越多，k距离值就越大。

具体的，得到k距离值之后，对每一个数据点使用LOF算法进行计算，计算得到每一个数据点对应一个局部异常因子。根据局部异常因子的性质，将局部异常因子中大于1的局部异常因子所对应的数据点，记为异常数据点。

进一步需要说明的是，当局部异常因子大于1时，表示该数据点的密度相对于其邻近数据点较低，即该数据点具有较为孤立的特征。这可能表明该数据点与其他数据点存在显著差异，或者它位于一个异常的子群中。因此，通常将局部异常因子大于1的数据点视为异常数据点。

至此，获得整体数据点中的异常数据点。

步骤S004：对异常数据点对应的分子公司或生产车间进行分析，得到每个分子公司或生产车间对比风险值，并对每个分子公司或生产车间进行优先级排序，并制定相应的风险缓解措施。

1.获取每个重大危险源的对比风险程度。

需要说明的是，由于每一个异常数据点本质上对应的是一个分子公司或生产车间，也就是该分子公司或生产车间在安全生产预警指数与风险指数与其余数据点相比离群程度明显，所以接下来，需要针对这些存在异常的分子公司或生产车间进行分析；重大危险源体现的风险方面，一个是该重大危险源与所属于的分子公司或者生产车间中其他的重大危险源对比，一个是与其他分子公司或者生产车间所属下的其他重大危险源对比。

具体的，所有异常数据点对应的分子公司或生产车间的所包括的所有重大危险源，记为整体重大危险源，根据整体重大危险源的对比得到每一个重大危险源的对比风险程度，其计算表示式为：

式中，D_c,r表示第c个r级重大危险源的对比风险程度；S_c,r表示第c个r级重大危险源的安全风险值；表示整体重大危险源中除了第c个r级重大危险源其他重大危险源的安全风险值的加权均值；/>表示整体重大危险源的安全风险值的加权标准差；A_r表示整体重大危险源中除了第c个r级重大危险源其他r级重大危险源的安全风险值均值；σ_l,r表示整体重大危险源中所有r级重大危险源的安全风险值标准差；β表示预设参数；exp()表示以自然常数为底数的指数函数。

进一步需要说明的是，对于每个异常数据点对应的分子公司或生产车间的所包括的所有重大危险源，每个危险源都有一个对应的安全风险值，如果这若干重大危险源的安全风险值越小，对应A_or越小，风险值分布越稳定，对应σ_wr越小，那么其中一个安全风险值相对很大的重大危险源就会显得异常突出，也就是该重大危险源与所属于的分子公司或者生产车间中其他的重大危险源对比之下，风险程度更高；按照此思路，将对比对象扩展到所有重大危险源中，但是对比的是整体中其他的同风险级别的重大危险源的安全风险值，整体中也包括该重大危险源所属的分子公司或生产车间下除了该重大危险源之外的其他同风险级别的重大危险源。

至此，获得每个重大危险源的对比风险程度。

2.获取每个分子公司或生产车间的对比风险值。

具体的，根据第n个分子公司或生产车间下所属的每个重大危险源的对比风险程度，得到第n个分子公司或生产车间的对比风险值，其计算表达式为：

式中，H_n表示第n个分子公司或生产车间的对比风险值；N_n,r表示第n个分子公司或生产车间下所属的r级重大危险源的个数；D_c,r表示第c个r级重大危险源的对比风险程度；Sum_w表示第n个分子公司或生产车间的总风险值；表示第n个分子公司或生产车间所属下的安全风险值区间等级颜色到达橙色和红色的重大危险源存在的比率；R_n表示第n个分子公司或生产车间的安全生产预警指数；exp()表示以自然常数为底数的指数函数。

至此，获得每个分子公司或生产车间的对比风险值。

需要说明的是，根据对每个分子公司或生产车间的分析评估得到的对比风险值，按照分子公司或生产车间的对比风险值进行优先级排序，确定哪些分子公司或生产车间面临的风险最高；合理分配资源来处理各个分子公司或生产车间的安全风险，以应对高风险的需要。此外，如果只针对重大危险源，以重大危险源的对比风险程度进行优先级排序即可。

预设一个参数τ，其中本实施例以τ＝20例进行叙述，本实施例不进行具体限定，其中τ且根据具体实施情况而定。

具体的，根据对每个分子公司或生产车间的分析评估得到的对比风险值，按照分子公司或生产车间的对比风险值进行从大到小的优先级排序，得到排序后的序列记为第一序列；对于第一序列中排序前τ％的分子公司或生产车间，制定相应的风险缓解措施，其中包括优化现有的安全措施、对员工开展相关安全培训、强化监控与检查措施。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于人工智能的工厂安全运行风险数据处理方法，其特征在于，该方法包括以下步骤：

采集若干个分子公司或生产车间安全运行风险数据，获取安全生产预警指数模型和安全风险预警模型；通过安全生产预警指数模型和安全风险预警模型获取每个分子公司或生产车间的参数数据；

根据每个分子公司或生产车间的参数数据获取每个分子公司或生产车间的风险指数；根据安全生产预警指数模型获取每个分子公司或生产车间的安全生产预警指数；根据每个分子公司或生产车间的风险指数和每个分子公司或生产车间的安全生产预警指数获取每个分子公司或生产车间所对应的数据点，将所有数据点组成整体数据点；

获取运用LOF算法时的距离值；根据距离值获取每个数据点的局部异常因子，根据每个数据点的局部异常因子获取所有异常数据点；

将所有异常数据点对应的分子公司或生产车间的所包括的所有重大危险源，记为整体重大危险源，根据整体重大危险源的对比得到每个重大危险源的对比风险程度；根据每个分子公司或生产车间下所属的每个重大危险源的对比风险程度，得到每个分子公司或生产车间的对比风险值；根据每个分子公司或生产车间的对比风险值对每个分子公司或生产车间进行优先级排序，并制定相应的风险缓解措施。

2.根据权利要求1所述基于人工智能的工厂安全运行风险数据处理方法，其特征在于，所述采集若干个分子公司或生产车间安全运行风险数据，获取安全生产预警指数模型和安全风险预警模型，包括的具体步骤如下：

对任意一个分子公司或生产车间，采集不同类型的数据，包括A类“固有风险”、B类“生产运行”、C类“现场作业”、D类“双重预防”、E类“LDAR”、F类“设备运行”以及G类“其他因素”；并由此获取安全生产预警指数模型；所述安全生产预警指数模型的输入为：任意一个分子公司或生产车间和当日日期，输出为：任意一个分子公司或生产车间在当日日期的安全生产预警指数；

对任意一个重大危险源，采集不同类型数据，包括A类“固有风险”、B类“安全检查”、C类“隐患治理”、D类“现场作业”、E类“工艺参数控制”以及F类“气候风险”一共6种不同类型的数据，并由此获取安全风险预警模型；所述安全风险预警模型的输入为：任意一个重大危险源和当日日期，输出为：任意一个重大危险源在当日日期的安全风险值。

3.根据权利要求1所述基于人工智能的工厂安全运行风险数据处理方法，其特征在于，所述通过安全生产预警指数模型和安全风险预警模型获取每个分子公司或生产车间的参数数据，包括的具体步骤如下：

通过安全生产预警指数模型获取每个分子公司或生产车间的1级重大危险源个数及其权重值、2级重大危险源个数及其权重值、3级重大危险源个数及其权重值和4级重大危险源个数及其权重值；通过安全风险预警模型获取当日日期每个1级重大危险源的安全风险值、当日日期每个2级重大危险源的安全风险值、当日日期每个3级重大危险源的安全风险值和当日日期每个4级重大危险源的安全风险值；获取每个分子公司或生产车间所属下的安全风险值区间等级达到预设等级重大危险源个数，将其与每个分子公司或生产车间所属下的所有重大危险源的比值作为每个分子公司或生产车间所属下的安全风险值区间等级达到预设等级的重大危险源存在的比率；

所述每个分子公司或生产车间的参数数据包括每个分子公司或生产车间的1级重大危险源个数及其权重值、2级重大危险源个数及其权重值、3级重大危险源个数及其权重值和4级重大危险源个数及其权重值、当日日期每个1级重大危险源的安全风险值、当日日期每个2级重大危险源的安全风险值、当日日期每个3级重大危险源的安全风险值和当日日期每个4级重大危险源的安全风险值、每个分子公司或生产车间所属下的安全风险值区间等级达到预设等级的重大危险源存在的比率。

4.根据权利要求3所述基于人工智能的工厂安全运行风险数据处理方法，其特征在于，所述根据每个分子公司或生产车间的参数数据获取每个分子公司或生产车间的风险指数，包括的具体步骤如下：

对于任意一个分子公司或生产车间，由分子公司或生产车间下所属的若干重大危险源的安全风险值计算分子公司或生产车间的风险指数，其计算表达式为：

式中，R_r表示分子公司或生产车间的风险指数；Sum_w表示分子公司或生产车间的总风险值；N_l1表示分子公司或生产车间的1级重大危险源个数；S_l1表示当日日期第l1个1级重大危险源的安全风险值；N_l2表示分子公司或生产车间的2级重大危险源个数；S_l2表示当日日期第l2个2级重大危险源的安全风险值；N_l3表示分子公司或生产车间的3级重大危险源个数；S_l3表示当日日期第l3个3级重大危险源的安全风险值；N_l4表示分子公司或生产车间的4级重大危险源个数；S_l4表示当日日期第l4个4级重大危险源的安全风险值；W_l1,W_l2,W_l3,W_l4为预设权重参数。

5.根据权利要求1所述基于人工智能的工厂安全运行风险数据处理方法，其特征在于，所述根据每个分子公司或生产车间的风险指数和每个分子公司或生产车间的安全生产预警指数获取每个分子公司或生产车间所对应的数据点，将所有数据点组成整体数据点，包括的具体步骤如下：

对于每一个分子公司或生产车间可以获得与之对应的安全生产预警指数R_s和风险指数R_r，获取对应的直角坐标系，将安全生产预警指数R_s作为横坐标，风险指数R_r作为纵坐标，以此构成每个分子公司或生产车间对应的数据点，将每个数据点的坐标填入直角坐标系，组成整体数据点。

6.根据权利要求1所述基于人工智能的工厂安全运行风险数据处理方法，其特征在于，所述获取运用LOF算法时的距离值，包括的具体步骤如下：

整体数据点在运用LOF算法时的k距离值，其计算表达式为：

式中，n表示分子公司或生产车间总数；表示所有分子公司或生产车间的安全生产预警指数标准差；/>表示分子公司或生产车间的风险指数标准差；β表示预设参数；exp()表示以自然常数为底数的指数函数。

7.根据权利要求1所述基于人工智能的工厂安全运行风险数据处理方法，其特征在于，所述根据距离值获取每个数据点的局部异常因子，根据每个数据点的局部异常因子获取所有异常数据点，包括的具体步骤如下：

得到k距离值之后，对每一个数据点使用LOF算法进行计算，计算得到每一个数据点对应一个局部异常因子；据局部异常因子的性质，将局部异常因子中大于预设参数t的局部异常因子所对应的数据点，记为异常数据点。

8.根据权利要求1所述基于人工智能的工厂安全运行风险数据处理方法，其特征在于，所述根据整体重大危险源的对比得到每个重大危险源的对比风险程度的具体公式如下：

式中，D_c,r表示第c个r级重大危险源的对比风险程度；S_c,r表示第c个r级重大危险源的安全风险值；表示整体重大危险源中除了第c个r级重大危险源其他重大危险源的安全风险值的加权均值；/>表示整体重大危险源的安全风险值的加权标准差；A_r表示整体重大危险源中除了第c个r级重大危险源其他r级重大危险源的安全风险值均值；σ_l,r表示整体重大危险源中所有r级重大危险源的安全风险值标准差；β表示预设参数；exp()表示以自然常数为底数的指数函数。

9.根据权利要求1所述基于人工智能的工厂安全运行风险数据处理方法，其特征在于，所述根据每个分子公司或生产车间下所属的每个重大危险源的对比风险程度，得到每个分子公司或生产车间的对比风险值的具体公式如下：

式中，H_n表示第n个分子公司或生产车间的对比风险值；N_n,r表示第n个分子公司或生产车间下所属的r级重大危险源的个数；D_c,r表示第c个r级重大危险源的对比风险程度；Sum_wn表示第n个分子公司或生产车间的总风险值；表示第n个分子公司或生产车间所属下的安全风险值区间等级颜色到达橙色和红色的重大危险源存在的比率；R_n表示第n个分子公司或生产车间的安全生产预警指数；exp()表示以自然常数为底数的指数函数。

10.根据权利要求1所述基于人工智能的工厂安全运行风险数据处理方法，其特征在于，所述根据每个分子公司或生产车间的对比风险值对每个分子公司或生产车间进行优先级排序，并制定相应的风险缓解措施，包括的具体步骤如下：

预设参数τ，根据对每个分子公司或生产车间的分析评估得到的对比风险值，按照分子公司或生产车间的对比风险值进行从大到小的优先级排序，得到排序后的序列记为第一序列；对于第一序列中排序前τ％的分子公司或生产车间，制定相应的风险缓解措施，其中包括优化现有的安全措施、对员工开展相关安全培训、强化监控与检查措施。