CN117271678B - 一种钢铁企业安全数据回溯展示方法和装置 - Google Patents
一种钢铁企业安全数据回溯展示方法和装置 Download PDFInfo
- Publication number
- CN117271678B CN117271678B CN202311557529.9A CN202311557529A CN117271678B CN 117271678 B CN117271678 B CN 117271678B CN 202311557529 A CN202311557529 A CN 202311557529A CN 117271678 B CN117271678 B CN 117271678B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- display
- typical model
- backtracking
- 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
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 93
- 239000010959 steel Substances 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 86
- 231100000279 safety data Toxicity 0.000 title claims abstract description 30
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims description 38
- 229910052742 iron Inorganic materials 0.000 title claims description 19
- 230000006978 adaptation Effects 0.000 claims abstract description 35
- 238000003780 insertion Methods 0.000 claims abstract description 11
- 230000037431 insertion Effects 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims description 90
- 230000008569 process Effects 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 13
- 238000009877 rendering Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 79
- 238000004458 analytical method Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005453 pelletization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000012911 target assessment Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- 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
-
- 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
- G06F16/248—Presentation of query results
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及钢铁数字孪生技术领域,提供了一种钢铁企业安全数据回溯展示方法和装置。其中,通过选取合适的典型模型,使得相应原本巨大的历史时段数据对象被压缩到较小的范围内,便于访问和生成;根据差异化标记,读取数据库中标记与典型模型适配度小于预设值的待展示数据对象,对于不适用于典型模型展现的数据,根据倍速播放信息确定待展示数据对象的插入播放时间位置;以典型模型数据内容直接展示位于所述待展示数据对象的插入播放之外的时间位置上的展示内容;本发明减少了在呈现数据的初期,对数据库中关联数据的读取,以及配套数据内容在系统架构图中的逐一渲染带来的计算资源占用。
Description
技术领域
本发明涉及钢铁数字孪生技术领域,特别是涉及一种钢铁企业安全数据回溯展示方法和装置。
背景技术
目前,在根据钢铁企业安全数据进行钢铁领域的安全目标管理时,仍依靠大量人工工作,甚至出现线上线下工作重复操作情况。安全目标管理与钢铁实体数据采集模块、钢铁实体数据显示模块均之间具有较强关联性,但现有技术未能打通其数据间的壁垒,使得整个安全管理信息系统智能水平较差。
使用数字孪生模型实现对钢铁企业安全数据的建模,将实际工厂中的钢铁企业安全数据作为抽象后的钢铁实体采集数据,以便于后续对钢铁领域生产中涉及的要素进行安全目标管理。数字孪生系统以数字化方式拷贝工厂的物理对象,模拟工厂在现实环境中的行为,对产品的设计、工艺、制造,乃至整个工厂进行虚拟仿真,从而提高钢铁产品研发制造的生产效率。
在用户从服务器获取钢铁实体采集数据从而在自制的孪生系统架构图中进行钢铁实体采集数据的回现时,考虑到不同区域之间自身统计数据量的大小在诸多传感数据统计之下是巨大的,因此,对于整个数字孪生模拟系统的数据响应来说,相较启动之初,既要获取大量历史存储的记录数据,又要将其付诸到数据模型上进行展示,这会是一个非常大的挑战。
鉴于此,克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
发明内容
本发明要解决的技术问题是对于整个模拟系统的数据响应来说,相较启动之初,既要获取大量历史存储的记录数据,又要将其付诸到数据模型上进行展示,这会是一个非常大的挑战。
本发明采用如下技术方案:
第一方面,一种钢铁企业安全数据回溯展示方法,在历史记录的数据进行存储时,对历史记录的数据与典型模型的适配度进行分析,若相应的适配度大于等于预设值,则认定相应时段记录的数据不适用典型模型展示;否则,若相应的适配度小于预设值,则认定相应时段记录的数据适用于典型模型展示;其中,对于上述两种情况下记录的数据做差异化标记;其中,典型模型是由钢铁领域,根据选用设备和组件产线模型,依托大数据生成的正常生产工艺过程参数逻辑关系,其代表了选用设备和组件产线模型下,按照生产规模和生产工艺划分出的典型数据关系,回溯展示方法包括:
接收对历史时段数据进行数字孪生模型中回溯展示指令;其中,所述回溯展示的指令中携带所要展示数据的产线信息、时间信息、设备对象信息和倍速播放信息中的一项或者多项;
根据所述回溯展示指令中的产线信息、时间信息和设备对象信息,在数据库中寻址到目标数据对象所在位置;
根据所述差异化标记,读取数据库中标记与典型模型适配度大于等于预设值的待展示数据对象,并根据所述倍速播放信息确定所述待展示数据对象的插入播放时间位置;
位于所述待展示数据对象的插入播放之外的时间位置上的展示内容,则以所述典型模型数据内容进行直接展示;其中,所述典型模型的相关数据是以函数表达、多点以相同值数值简要表达、周期数据表达中的一种或者多种方式组合,使得相应原本巨大的数据对象被压缩到较小的范围内被访问和生成。
进一步地,历史记录的一个表格或者N个表格的数据中,会对应一个描述文件;所述描述文件会携带多套包含数据地址开始和结束地址位,并且,标注有相应的适用典型模型参数值,即所述差异化标记;从而为是否需要在第一轮提取相应数据做好指示准备,所述方法还包括:
每一轮读取数据时,会分析其中没有被标注适用典型模型参数值的数据地址开始和结束地址位,并且,进一步判断相应地址所在位置被执行的时间是否会超出当前轮展示数据时间,如果超出则仍然不读取,仅做在下一哪个时间点会展示的记录,以便在下一轮读取时,以更高优先级和响应速率去读取相应地址中的数据。
进一步地,方法还包括:
对于关联每一个设备的相应不适用典型模型参数值的数据所在时间点进行记录,并在数字孪生模型中各个设备的模型底部以进度条的方式呈现即将展示的不适用典型模型参数值的数据位置,从而为用户的回溯提供设备自身,以及设备与设备之间不适用典型模型参数值的数据出现的预判。
进一步地,方法还包括:
相应各个设备的模型底部以进度条的方式呈现过程中,根据适配度的大小的不同呈现差异化的颜色,从而以更警觉的颜色展示方式直观表达适配度差距较大数据。
进一步地,方法还包括:
对于发生事件的时间点,无论相应设备的历史记录数据是否与典型模型适配,均以第一标识标记在进度条中;
并且,对于发生事件的时间点前后预设时间段内,无论当前是否处于指定设备的数据对象展示,以及相应展示数据是否满足以典型模型数据对象呈现,均调整为以实际历史记录数据为最高优先级展示方式呈现。
进一步地,所述每一轮读取数据的大小是根据倍速播放信息、为下一轮读取数据所要预留时间而要预先读取的盈余播放时间、被标记使用典型模型参数在整个数据中占比综合确定的。
进一步地,若数字孪生模型中指定设备的模型被选中呈现数据对象时,所述方法还包括:
在读取所述被选中的指定设备的模型的数据内容时,直接跳过对所述描述文件的读取,以完整的历史记录的数据进行读取,并呈现所述历史记录的数据对象内容;
其中,所述被选中的指定设备属于当前数字孪生模型中所包含的钢铁生产线中主动设备中的一员,在作为第一轮读取数据的过程中是以整个钢铁生产线包含的各个设备的历史记录的数据作为展现对象的;所述被选中的指定设备属于第一轮读取数据之后的操作过程。
进一步地,若在进行所述数字孪生模型进行历史数据回溯展示之前,就通过系统设置仅针对指定设备的模型的数据进行展示时,所述方法还包括:
直接跳过对所述描述文件的读取,以完整的历史记录的数据进行读取,并呈现所述历史记录的数据对象内容。
进一步地,所述适配度具体为数据浮动变化大小。
第二方面,本发明还提供了一种钢铁企业安全数据回溯展示装置,用于实现第一方面所述的钢铁企业安全数据回溯展示方法,所述装置包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,用于执行第一方面所述的钢铁企业安全数据回溯展示方法。
第三方面,本发明还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,用于完成第一方面所述的钢铁企业安全数据回溯展示方法。
本发明根据适配度,从历史记录数据中筛选出了适用于典型模型展现的数据,进而按照相应典型模型内的数据关系,进行数据内容的呈现;对于不适用于典型模型展现的数据,根据倍速播放信息确定待展示数据对象的插入播放时间位置;通过选取合适的典型模型,尽可能地使原本巨大的数据对象,被压缩至较小的范围内,便于访问和生成,从而减少了在呈现数据的初期,对数据库中关联数据的读取,以及配套数据内容在系统架构图中的逐一渲染所带来的计算资源占用,实现了较快的钢铁实体采集数据在启动之初的回溯展示响应速度。
进一步,一旦历史记录数据满足典型数据关系,相应的典型模型就可以依赖典型模型中的各个节点函数计算得到加权值,以便于所述加权值作用在典型模型的内容呈现上。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述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是本发明实施例提供的一种数字孪生系统的示意图;
图2是本发明实施例提供的一种钢铁产线设备管理可视化平台的示意图;
图3是本发明实施例提供的第一种钢铁企业安全数据回溯展示方法的流程示意图;
图4是本发明实施例提供的一种钢铁领域数字孪生模型的对应关系示意图;
图5是本发明实施例提供的一种使用典型模型1对高炉1运行情况指标a进行回溯展示的示意图;
图6是本发明实施例提供的一种描述文件中开始地址位、结束地址位和差异化标签的示意图;
图7是本发明实施例提供的第二种钢铁企业安全数据回溯展示方法的流程示意图;
图8是本发明实施例提供的一种钢铁采集数据可视化平台的示意图;
图9是本发明实施例提供的第三种钢铁企业安全数据回溯展示方法的流程示意图;
图10是本发明实施例提供的一种的高炉2的运行情况指标a的可视化界面示意图;
图11是本发明实施例提供的一种的高炉2的运行情况指标a的进度条的具体示意图;
图12是本发明实施例步骤302一种的具体流程示意图;
图13是本发明实施例提供的另一种的高炉2的运行情况指标a的可视化界面示意图;
图14是本发明实施例提供的再一种的高炉2的运行情况指标a的可视化界面示意图;
图15是本发明实施例提供的第四种钢铁企业安全数据回溯展示方法的流程示意图;
图16是本发明实施例提供的第五种钢铁企业安全数据回溯展示方法的流程示意图;
图17是本发明实施例提供的一种钢铁企业安全数据回溯展示装置的架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不应当理解为对本发明的限制。
本发明中术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请中,除非另有明确的规定和限定,术语“连接”应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或成一体;可以是直接相连,也可以通过中间媒介间接相连。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
数字孪生是在数字世界中建立与物理实体的性能完全一致,且可对其进行实时仿真的模型。数字孪生系统,指以数字化方式拷贝工厂的物理对象,模拟工厂在现实环境中的行为,对产品的设计、工艺、制造,乃至整个工厂进行虚拟仿真,从而提高产品研发制造的生产效率,提前预判发生各类型事件的可能,实现节约生产成本,降低生产损耗的目的。
对钢铁工厂进行建模,构建数字孪生系统,首先要进行钢铁工厂中选用设备的数据同步,就是以真实的钢铁组件产线为基础,搭建一套虚拟产线;如图1所示,通过前端对真实产线上数据的采集,借助外部资源对真实产线上每一台设备(即物理实体)进行3D建模,在后端根据真实产线的运行数据得到虚拟实体的模型数据,并在前端将建好的设备和3D模型放置到数字孪生场景内,实现真实产线和虚拟产线的一一对应。进行数据同步时,真实钢铁工厂的选用设备是通过可编程逻辑控制器(Programmable Logic Controller,简写为PLC)的指令驱动的,PCL使设备实现指定的既定动作;通过采集PLC的数据来驱动虚拟环境下相应的设备模型执行同样的既定动作,实现真实的选用设备与虚拟设备的实时联动,进而实现对钢铁产线的实时监控;监控人员只需要坐在控制室内,通过监控虚拟产线,即可实时的了解真实车间内真实产线的工作状态,不需要到车间进行巡视检查,而是通过虚拟产线的3D可视化效果,更清晰地了解到真实产线的实际生产状况。且根据实际生产状况对后续生产状况作出指导、预判,即实现数字孪生对物理实体的实际控制。
使用数字孪生系统进行虚拟产线上钢铁实体采集数据的可视化时,在系统启动之初,最开始进行数据的回溯展示时,需要快速地将大量的钢铁采集数据响应给用户;由于钢铁产线的选用设备较多,又需要快速地分别从数据库中,获取钢铁产线上多个选用设备的多种历史记录并显示,例如,如图2所示,多个选用设备的运输物、运输道及相应的回收物,所以需要从历史记录读取的钢铁采集数据量较大;对于计算机系统来说,导致响应耗时最长的操作就是读写操作,对于整个数字孪生系统的数据响应来说,获取大量历史存储的记录数据,又要将其付诸到数字孪生数据模型上进行展示,是一个非常大的挑战。
本发明实施例1提供了一种钢铁企业安全数据回溯展示方法,在历史记录的数据进行存储时,对历史记录的数据与典型模型的适配度进行分析,若相应的适配度大于等于预设值,则认定相应时段记录的数据不适用典型模型展示;否则,若相应的适配度小于预设值,则认定相应时段记录的数据适用于典型模型展示。其中,对于上述两种情况下记录的数据做差异化标记。其中,典型模型是由钢铁领域,根据选用设备和组件产线模型,依托大数据生成的正常生产工艺过程参数逻辑关系,其(即典型模型)代表了选用设备和组件产线模型下,按照生产规模和生产工艺划分出的典型数据关系,回溯展示方法包括:
如图3所示,在步骤101中,接收对历史时段数据进行数字孪生模型中回溯展示指令;其中,所述回溯展示的指令中携带所要展示数据的产线信息、时间信息、设备对象信息和倍速播放信息中的一项或者多项。
其中,典型模型为一种数据之间的参数逻辑关系。由于数字孪生系统利用安装在真实系统上的传感器数据作为该仿真模型的边界条件,实现数字孪生体与物理实体的同步。数字孪生是在数字世界里建立的与物理实体的高度相似实体,物理实体和数字孪生之间存在同步和闭环关系。通过实时感知物理实体的状况和环境,数字孪生体随物理实体而演变,保持高度保真性,同时,通过在数字孪生上的仿真、推演和预测分析,反过来作用于物理实体。
如图4所示,当按照工艺类型划分各个生产区域时,可划分为烧结工艺、球团工艺、炼铁工艺、炼钢工艺、轧钢工艺和炼焦工艺等生产区域,在数字孪生系统中,每个工艺类型的生产区域作为一个物理实体,可被抽象为一个对应的数字实体。
由于在一个生产区域中存在多个设备,如在炼铁工艺所对应的生产区域中包括:鼓风设备、热风炉、煤粉制备喷吹设备、送氧设备、高炉、铁水运输设备和铸铁设备等。且对于实际钢铁产线上的每个设备,需要监测的指标往往不止一个,所以对于每种工艺均可能存在大量数据,在整个模拟系统的启动之初,正常读取并回溯展示大量数据挑战较大。
本发明实施例的钢铁企业安全数据回溯展示方法,通过将物理实体的数据抽象为一个对应的典型模型,使原本巨大的数据对象被压缩至较小的范围内,保障了从数据库中访问和回溯展示的响应速率。例如,对于炼铁工艺中历史记录的数据1,本领域技术人员根据炼铁工艺所对应的生产区域中的选用设备和组件产线模型,分析炼铁工艺的正常生产工艺过程,使用大数据等数字分析建模方法生成对应的典型模型1。
其中,所述适配度具体为数据浮动变化大小,即适配度本身表示历史记录的数据的浮动变化大小,且适配度是随着数据的浮动变化而变化的,例如,历史记录的数据越大,相应的适配度越大;一种可选的适配度的计算方法可以是:
其中,data1为历史记录的数据中相应数据值,data0为对应与历史记录的数据所对应参数相同时,所对应典型模型的模型数据值。适配度越大,说明历史记录的数据与典型模型相差越大,适配度越小,则历史记录的数据与典型模型相差越小,即越适合用于典型模型展示。
预设值为适配度的最大范围,以便于后续将小于预设值的判定为适用于典型模型展示,从而确定出可以展示的历史数据;预设值由本领域技术人员根据具体使用场景(如产线、数字孪生系统性能等)进行选择,在此不作限定。如图5所示,除时间点ti至时间点tj以外的时段中,实际历史记录的数据与以典型模型1展示的数据差异较小,即适配度较小。
数字孪生系统接收对指定的历史时段数据的回溯展示指令,以便于后续根据所述回溯展示指令进行回溯展示;产线信息指本次用户指定展示的钢铁实体采集数据所在的特定产线;时间信息指本次用户指定展示的历史时段数据的时间信息;设备对象信息指本次用户指定展示的指定产线上的真实选用设备的相关信息,与数字孪生系统模拟出的组件产线模型(虚拟设备)相对应,以便于实现真实的选用设备与组件产线模型的实时联动,进而实现对钢铁产线的实时监控。由于本发明实施例的回溯展示包括倍速播放类型的展示,所以回溯展示指令中可包含对倍速播放功能的参数指定。
在步骤102中,根据所述回溯展示指令中的产线信息、时间信息和设备对象信息,在数据库中寻址到目标数据对象所在位置。本发明实施例根据回溯展示指令,从数据库中获取所需展示的历史记录数据的在指定时间段内的、指定产线和设备的钢铁实体采集数据。
在步骤103中,根据所述差异化标记,读取数据库中标记与典型模型适配度大于等于预设值的待展示数据对象,并根据所述倍速播放信息确定所述待展示数据对象的插入播放时间位置。每次从数据库中读取历史记录的数据时,查找差异化标记,以确定不适用于典型模型展示的差异化数据。在进行展示时,对于不适用于典型模型的差异化数据,无法直接以典型模型的数据内容组织形式进行展示,所以需要确定其展示的位置,即待展示数据对象的插入播放时间位置,根据该位置,在后续进行差异化数据的展示。
在步骤104中,位于所述待展示数据对象的插入播放之外的时间位置上的展示内容,则以所述典型模型数据内容进行直接展示。
其中,所述典型模型的相关数据是以函数表达、多点以相同值数值简要表达、周期数据表达中的一种或者多种方式组合,使得相应原本巨大的数据对象被压缩到较小的范围内被访问和生成。
可以理解的是,所述典型模型用于表现的是数据随相应参数(如数据与时间、输出数据与输入数据)之间的关系,如数据与数据采集时间之间的关系,所述典型模型是由本领域技术人员预先基于钢铁生产中各数据的变化情况分析得到的,如在钢铁生产过程中,若生产速度保持恒定的情况下,炼铁工艺中所产出的铁水总产量表现为如下公式:
其中,为到达t时间点的铁水总产量,t为生产时间。
在此需要说明的是,上述实施例是针对大量历史记录的数据中的每一小段数据进行描述的,即将已存储的大量历史记录的数据划分为多段数据(即上述的时段记录),预先计算每一时段记录的数据与典型模型的适配度,将与典型模型匹配的相应时段记录的数据和不与典型模型匹配的相应时段记录的数据区分标记;在回溯时将与典型模型匹配的时段记录的数据使用典型模型进行显示,从而省略该时段的数据的读取过程,将不与典型模型匹配的时段记录的数据正常显示。
举例而言,如图4所示,选用的典型模型1尽可能地能抽象数据1中的大部分数据,但由于属于数学模型的典型模型1无法完全表征数据1中所有数据的细节特征,仅能够做到相对程度较高地表示,使得数据1中存在使用数学模型进行表示时偏差较大的部分数据,即差异化数据。所以在使用典型模型1进行数据1的抽象并展示时,包含两种情况:一是对于数据1中大部分的能够被典型模型1抽象的数据,即适用于典型模型1展示的数据,使用典型模型1进行回溯展示,实现对该大部分数据的压缩,从而确保展示响应效率;二是对于数据1中小部分的无法被典型模型1抽象的数据,即差异化数据,为了保证展示出的数据对物理实体的情况有较高的还原性,直接使用实际历史记录的数据进行回溯展示。数据1中包含高炉1的运行情况指标a的数据,如图5所示,进行高炉1的运行情况指标a展示时,由于时间点ti至时间点tj的时段中,实际历史记录的数据无法被典型模型1抽象,所以对于该时段的差异化数据,直接以实际历史记录的数据进行展示;对于除时间点ti至时间点tj以外的时段历史记录的数据,可以被典型模型抽象,所以以典型模型1展示。
在历史记录的数据进行存储时,就按照一定的时段(如每小时),对历史记录的数据与典型模型的适配度进行分析,例如,如图4所示的历史记录的数据1在存储时,进行数据1中每个数据是否适用于典型模型1的分析并标记,即历史记录的数据1中包含对于典型模型1的差异化标记。差异化标记占用数据量极小,读取响应速度较快,对于回溯展示过程中的响应速度几乎无影响。本发明实施例为历史记录中不适用于典型模型的数据打上相应的差异化标记时,以一定的数据规则,如1千兆或256兆大小的数据范围或每小时的时段,进行历史记录数据的打包。
本发明实施例在初始显示阶段时,对于历史记录的数据以步骤101至步骤104中的方式,使用典型模型进行回溯展示;在本发明实施例描述的初始显示阶段之后,由于每次需要响应的数据量(相对于初始显示阶段)较小,所以在可选的实施例中,采用直接正常数据显示方法,即以完整的历史记录的数据进行读取,并呈现所述历史记录的数据对象内容,由于不存在读取大量数据导致的响应速率瓶颈,所以无需使用本发明实施例的典型模型进行显示。
本发明实施例对于适用于典型模型展示的数据,直接使用典型模型进行展示。其中,使用典型模型进行展示,类似于使用典型模型拟合数据,极大地减少了从数据库中读取所有数据(适用/不适用于典型模型的所有数据)并可视化过程中的计算机读写操作,从而提高了回溯展示给用户的响应效率。根据适配度,从历史记录数据中筛选出了适用于典型模型展现的数据,进而按照相应典型模型内的数据关系,进行数据内容的呈现;对于不适用于典型模型展现的数据,根据倍速播放信息确定待展示数据对象的插入播放时间位置;通过选取合适的典型模型,尽可能地使原本巨大的数据对象,被压缩至较小的范围内,便于访问和生成,从而减少了在呈现数据的初期,对数据库中关联数据的读取,以及配套数据内容在系统架构图中的逐一渲染所带来的计算资源占用,实现较快的钢铁实体采集数据在启动之初的回溯展示响应速度。
为了将历史记录中适用于典型模型的数据和差异化数据快速呈现给用户,在本发明实施例历史记录的一个表格或者N个表格的数据中,会对应一个描述文件;所述描述文件会携带多套包含数据地址开始和结束地址位,并且,标注有相应的适用典型模型参数值,即所述差异化标记;从而为是否需要在第一轮提取相应数据做好指示准备。
其中,所述N个表格的表格个数由本领域技术人员根据历史记录数据量的大小等具体使用场景进行选择。如图6所示,一个描述文件中存在多套数据,其中,“0”和“1”代表差异化标签,如图6中第一套数据,“0x00001”代表差异化标签标注出的相应差异化数据的开始地址位,“0x00003”代表该差异化数据的结束地址位。
如图7所示,在步骤201中,每一轮读取数据时,会分析其中没有被标注适用典型模型参数值的数据地址开始和结束地址位。
每一轮读取数据时,根据描述文件中的差异化标记,判断是否为不适用于典型模型的差异化数据。差异化数据需要单独读取(相对于使用典型模型直接读取)。在第一轮判断中,仅需确定是否存在差异化标记,存在即将其读取出并对其进行标记;待以典型模型进行回溯展示的时间片播放到差异化数据所需展示的时间点,进行差异化数据的播放,以减少读取数据量。
并且,在步骤202中,进一步判断相应地址所在位置被执行的时间是否会超出当前轮展示数据时间;如果超出则仍然不读取,仅做在下一哪个时间点会展示的记录,以便在下一轮读取时,以更高优先级和响应速率去读取相应地址中的数据。
例如,每一轮读取如图5所示的高炉1的数据时,确定不适用于典型模型1的差异化数据(时间点ti至时间点tj时段的数据)在数据库中的开始地址位“0x1000”与结束地址位“0x1004”,确定展示该差异化数据所需的时间为0.02ms;且为了保障响应速率,进一步判断相应地址所在位置被执行的时间是否会超出当前轮展示数据时间;由于当前轮展示数据的响应时间为6ms,该差异化数据位于本轮展示的尾部,展示该差异化数据之前的数据(时间点ti之前的历史记录)所需用时为5.99ms,若在本轮展示该差异化数据则会超出响应时间,所以本轮不展示,不从数据库中读取该差异化数据的实际历史记录,仅记录下一轮需要展示该差异化数据的展示时间点,即下一轮最开始就展示该差异化数据;在下一轮读取时,一开始就从地址位“0x1000”至地址位“0x1004”读取该差异化数据,并进行回溯展示。
需要说明的是,当本轮需要判断是否展示的差异化数据在历史记录中所处的位置位于本轮可展示的所有数据之中、且不位于最后时,即本轮可展示的所有数据为[a,b],差异化数据c∈[a,b),由于每轮展示优先进行能以典型模型1展示的数据的回溯展示,所以在该差异化数据超出当前轮展示时间的情况下,在下一轮读取时,无论该差异化数据是否需要在下一轮最开始回溯展示,均优先读取该差异化数据;通过将影响本轮响应速率的差异化数据,移动至在下一轮展示读取,通过记录确保该数据在下一轮优先展示,既保障了每轮数据读取的响应速率,又保证了每轮所有数据的响应速率差距较小。
本发明实施例进行回溯展示时,先读取描述文件,从而确定适配典型模型的历史记录数据;如图8所示,由于典型模型的回溯展示为较为模糊的数据呈现,无需精确至历史记录数据的每一个数据点,无需显示具体数值,典型模型呈现给用户的仅为可视化效果,例如曲线、进度条和波形图等。所以当差异化数据的展示时间超出当前轮数据的响应时间时,先确保进行适用于典型模型数据的展示,快速地为用户呈现出一份可视化结果,如曲线等;其中,该可视化结果的曲线的数据可能存在细节部分的不准确,但通过该曲线可以快速响应显示出大体趋势;再在下一轮将差异化数据逐步呈现,进一步调整或精确拟合曲线中每个数据点的数据;在差异化数据不影响当前轮展示数据的响应时间时,在第一次快速呈现时就一同进行差异化数据的展示;通过使用典型模型,减小从数据库中读取带来的计算资源占用。
为了实现历史记录数据的可视化,对于适用于典型模型的数据,根据其关联的设备进行直接显示;如图9所示,在步骤301中,在历史记录存储时,就对于关联每一个设备的相应不适用典型模型参数值的数据所在时间点进行记录;根据该记录的时间点确定差异化数据对应的时间段,如图10所示,例如,t1至t2,并在数字孪生模型中各个设备的模型底部以进度条的方式呈现即将展示的不适用典型模型参数值的数据位置,从而为用户的回溯提供设备自身,以及设备与设备之间不适用典型模型参数值的数据出现的预判。如图11所示,在步骤302中,相应各个设备的模型底部以进度条的方式呈现过程中,根据适配度的大小的不同呈现差异化的颜色,从而以更警觉的颜色展示方式直观表达适配度差距较大数据。t1至t2的差异化数据对应的描述文件中,包括不止一个数据开始地址位和结束地址位,即图11中对应历史记录的时间点t1、tm、tn和t2,由于t1至t2时段中不同的差异化数据对于典型模型1的适配度不同,通过将差异化数据及其适配度可视化,以便于用户通过回溯展示,更加直观的确定与当前的典型模型存在差异的数据。
由于本发明实施例采用数字孪生模型进行钢铁实体采集数据的回溯展示,是为了根据历史记录的数据,对后续的生产活动进行提取预判,其中,安全生产管理的重要性最高。如图12所示,在步骤3021中,对于发生事件的时间点,无论相应设备的历史记录数据是否与典型模型适配,均以第一标识标记在进度条中。如图13所示,例如,高炉2在时间点ta发生了事件,为了及时显示发生事件的时间,以便于用户快速地做出相应的处理,不考虑历史记录数据是否能够以典型模型的内容进行展示,直接使用第一标识标记出发生事件的时间点,明显地标记在进度条中。
并且,如图14所示,在步骤3022中,对于发生事件的时间点前后预设时间段内,无论当前是否处于指定设备的数据对象展示,以及相应展示数据是否满足以典型模型数据对象呈现,均调整为以实际历史记录数据为最高优先级展示方式呈现。其中,预设时间段由本领域技术人员,根据需求的事件响应时间等具体使用场景进行选择,在此不做限定。例如,在高炉2发生需求的事件时间点ta的前后预设时间段△t内,原本能够以典型模型1进行展示,但现在为了增强警示作用并根据事件信息进行后续预判,需要将需求的事件明显地、突出地展示出来,不以典型模型1进行回溯展示,且不支持用户进行选择,而是将实际历史记录数据作为呈现的最高优先级,直接使用实际历史记录的数据,进行发生事件的前后预设时间段内数据的展示。
在读取数据用于显示的过程中,存在多轮读取显示的先后顺序,其中,所述每一轮读取数据的大小是根据倍速播放信息、为下一轮读取数据所要预留时间而要预先读取的盈余播放时间、被标记使用典型模型参数在整个数据中占比综合确定的。
每一轮读取数据的大小表现为如下公式:
其中,multi是倍速播放信息,是倍速播放信息的权重,reserve是盈余播放时间,/>是盈余播放时间的权重,mark是被标记使用典型模型参数在整个数据中占比,/>是该占比的权重,其中,/>、/>和/>均是由本领域技术人员根据数据的读取速度和经验分析得到。
需要注意的是,一旦历史记录数据满足典型模型的数据关系,相应的典型模型就可以依赖模型中的各个节点函数计算得到加权值,所述加权值作用在典型模型的内容呈现上。进一步地,典型模型的上述加权表达存在局限性。由于任何工艺在其量变到一定程度时必然产生质变,所以对于典型模型而言,一个实际场景中会存在多套典型模型,每一套典型模型使用的加权值均存在范围设置的;因此需要通过核心区的参数,以及模型来选择合适规格的典型模型。
本发明实施例提供了两种针对指定设备的模型的数据进行展示的方式,展示时,均无需从描述文件中进行读取,而是呈现完整的历史记录数据。
一是基于前述过程先将所有的历史记录数据进行展示,再针对被选中的指定设备进行显示,若数字孪生模型中指定设备的模型被选中呈现数据对象时,在读取所述被选中的指定设备的模型的数据内容时,直接跳过对所述描述文件的读取,以完整的历史记录的数据进行读取,并呈现所述历史记录的数据对象内容。其中,所述被选中的指定设备属于当前数字孪生模型中所包含的钢铁生产线中主动设备中的一员,在作为第一轮读取数据的过程中是以整个钢铁生产线包含的各个设备的历史记录的数据作为展现对象的;所述被选中的指定设备属于第一轮读取数据之后的操作过程。
如图15所示,以上回溯展示方法的具体步骤为:在步骤401a中,在第一轮读取数据的过程中,以整个钢铁生产线包含的各个设备的历史记录的数据作为展现对象进行回溯展示;在步骤402a中,数字孪生模型中指定设备的模型被选中为呈现数据对象;在步骤403a中,在读取所述被选中的指定设备的模型的数据内容时,直接跳过对描述文件的读取,以完整的历史记录的数据进行读取;在步骤404a中,呈现所述被选中的指定设备的模型的历史记录的数据对象内容。
二是在初始回溯展示之前直接将被选中的指定设备进行展示,若在进行所述数字孪生模型进行历史数据回溯展示之前,就通过系统设置仅针对指定设备的模型的数据进行展示时,直接跳过对所述描述文件的读取,以完整的历史记录的数据进行读取,并呈现所述历史记录的数据对象内容。
如图16所示,以上回溯展示方法的具体步骤为:在步骤401b中,在进行所述数字孪生模型进行历史数据回溯展示之前,通过系统设置,将数字孪生模型中指定设备的模型被选中为呈现数据对象;在步骤402b中,在读取所述被选中的指定设备的模型的数据内容时,直接跳过对描述文件的读取,以完整的历史记录的数据进行读取;在步骤403b中,呈现所述被选中的指定设备的模型的历史记录的数据对象内容。
实施例2:
本发明实施例2提供了一种使用实施例1的钢铁企业安全数据回溯展示方法,进行钢铁企业多管理要素数据关联应用的安全目标管理的实例。
目前钢铁企业安全管理信息系统多以围绕企业安全生产标准化要素建立相应管理功能模块,以要素平行管理为普遍设计逻辑,实施单项管理,且以双重预防机制为重点管控内容。在管理数据流方面,普遍采用单向传输且独立应用的功能逻辑,将线下重点管理环节以电子化形式进行线上还原,实现自动提交流转、线上审批和数据统计分析等功能。“安全目标管理”作为安全管理信息系统功能模块之一,现有平台技术仅实现电子台账、文件上传等基础功能。
当前平台或相关技术方案对于安全目标管理功能模块,仅实现按规定字段手动上传目标指标文本台账资料,并且目标指标的考核完成情况,仍需按一定周期进行人工统计、再手动上传考核结果。可见从目标指标的内容上传到目标指标考核的全流程工作,依据现有技术仍存在大量人工工作,甚至出现线上线下工作重复操作情况。安全目标管理与其他模块均具有较强关联性,但未能打通其数据间的壁垒,未能充分挖掘各管理要素与目标之间的影响关系,进而使得整个安全管理信息系统智能水平较差。
数字孪生是指综合运用多种技术,实现物理空间与数字空间的实时双向同步映射及虚实交互;由于数字孪生的价值是底层的仿真或者预测,给安全目标管理等决策以数据支撑,避免错误的决策或者投资。使用本发明实施例的数字孪生系统,基于钢铁实体采集数据,将多管理要素数据关联应用,进行安全目标管理。在可选的实施例中,如图1所示,采用B/S架构,前端使用unity语言、后端使用JAVA语言进行数字孪生系统的开发。
一个完整的数字孪生系统中的重点包括是对象数据、动态模型及功能模块3部分,其中,本发明实施例的安全目标管理系统即属于功能模块部分,该功能模块进行对数字孪生的分析诊断,使用数字孪生系统对历史记录的钢铁实体采集数据进行精准仿真,实现对钢铁产线(物理空间)的全周期的动态监控,根据实际安全目标管理需求,构建各类可复用的功能模块,对所涉数据进行分析、理解,并对已发生或即将发生的问题做出诊断、预警及调整,实现对物理世界的状态跟踪、分析和问题诊断等功能。
本发明实施例的安全目标管理系统,通过设置下列安全管理要素模块,并基于以下模块制定企业安全生产目标指标清单。本发明实施例的安全目标管理系统的各个模块,均可通过从钢铁实体采集数据的数据库中获取数据进行计算,呈现在数字孪生系统的可视化界面,以实现对目标指标内容的监控;且在启动之处,使用本发明实施例的钢铁企业安全数据回溯展示方法,确保呈现给用户的响应速度。第一方面,基于数字孪生系统的钢铁实体采集数据,可直接进行监控的:
(1)生产设备设施模块,包含特种设备、重点设备设施及计量器具等设备的定期检测检验信息。企业根据管理内容制定的目标指标内容为“设备检验合规率”、安全设施“三同时”。
(2)作业安全模块,包含相关方信息管理、评价管理及特定作业在线审批等功能。企业根据管理内容制定的目标指标内容为“相关方评价率”、“特定作业合规率”。
(3)安全管理模块,包含已辨识出的全部风险信息清单,每个风险点配套对应风险二维码。企业根据管理内容制定的目标指标内容为风险信息清单中的所有风险点的风险点排查率。
(4)排查治理模块,包含事件排查信息,以移动端配套应用扫描风险点对应二维码为数据收集途径。企业根据管理内容制定的目标指标内容为“事件治理合规率”。
(5)应急管理模块,包含应急预案信息、应急演练计划及实际应急演练信息数据。企业根据管理内容制定的目标指标内容为“应急演练完成率”及相应演练证明材料。
(6)事件管理模块,包含事件调查报告信息。企业根据管理内容制定的目标指标内容为“事件特定结果发生率”、“百万工时事件特定结果发生率”和“事件发生起数”。
第二方面,可继续基于数字孪生系统的钢铁实体采集数据,进行关联管理的:
(1)安全投入模块,包含公司级、分厂级安全生产费用计划及使用数据。企业根据管理内容制定的目标指标内容为“安全生产费用使用率”。
(2)安全教育培训模块,包含各职能层级培训课程及培训完成数据。企业根据管理内容制定的目标指标内容为“安全教育培训完成率”、“安全教育培训合格率”。
(3)安全履职模块,包含员工自评、领导考评等结果信息。企业根据管理内容制定的目标指标内容为“履职考评率”、“考评合格率”。
(4)安全绩效模块,包含企业责任制自评改进资料管理。企业根据资料上传情况,制定“是否进行安全绩效改进”的目标指标。
(5)职业健康模块,包含职工职业健康信息、劳保用品发放记录等信息数据。企业根据管理内容制定的目标指标内容为“职工体检率”、“劳保用品发放率”。
(6)组织机构与职责模块,包含企业人员组织机构信息及证书有效期等信息。企业根据管理内容制定的目标指标内容为“安全管理人员配备率”、“三项岗位人员持证有效率”。
其中,目标指标按属性分为约束性指标和预期性指标两种;约束性指标是指,指标内容与特定事件预防、安全绩效考核关联度较高的刚性指标,具有硬性完成要求;预期性指标是指,指标内容与各层级安全履职、日常安全管理联度较高的管理指标。所述目标指标按数据类型分为定性指标和定量指标;定性指标是指,无法获得相应目标考核的具体数值,则根据目标指标对应的考核管理要素模块中的证明材料上传情况作为考核依据;定量指标是指,可根据管理过程获得可量化数据,则根据实际目标完成结果作为考核依据。
在可选的实施例中,基于数字孪生系统的安全目标管理系统采用quartz定时任务框架,每日定时对所述的管理要素模块数据进行采集,写入分布式数据库hadoop中,形成安全管理数据湖,通过Apache Spark对数据批处理、流处理和交互式查询按照规定目标管理要求输出各自实际管理结果,其结果与计划目标指标值进行考核验证,利用ocr文字识别,提取数据进行智能对比,得出各项管理要素实际完成情况。
其中,企业每年围绕安全管理要素制定当年的安全生产目标指标清单并上传管理系统。安全生产目标指标清单是通过将企业已上传的历史目标指标清单数据作为训练库,结合多因数(进行扩展),利用神经网络学习算法结合机器学习算法,得到的相应企业目标指标的制定特征,以形成企业目标指标特征库。
得到安全生产目标指标清单后,进而根据安全生产目标指标清单的内容,确定各模块既定的指标计算规则,得到各模块计算出的安全管理要素目标结果。若管理要素结果为定量指标,则直接与安全生产目标指标清单的内容进行考核验证;若管理要素结果为定性指标,则自动识别相应管理证明材料是否上传且是否满足目标要求。
得到企业目标指标特征库后,根据其建立各安全管理要素完成情况对策库,即针对各管理要素完成情况,通过对完成情况进行分词、标签、权重比等算法进行智能关联,提供对应目标指标修改的建议,给出修改后的目标指标文本内容。通过分析企业目标指标完成的不同情况,建立目标指标修改建议库及对应的目标指标文本内容,赋予系统修改逻辑;通过机器学习、深度学习等算法,实现自动推送未来目标指标清单。
本发明实施例基于数字孪生系统,实现学习预测功能,通过将钢铁实体采集数据的分析结果与目标指标完成情况相结合,根据已知的钢铁产线实际运行模式,实现对物理世界复杂状态的预判,提出决策性建议和预见性改造,并根据实际情况不断调整和完善自身体系,具体而言:
一方面,根据实际情况确定用于参考的近期预设年份,通过将近期预设年份的企业目标指标完成情况进行考核验证,得到近期预设年份该企业安全目标生产管理数据,将其作为目标指标训练库,运用大数据分析技术,分析企业安全生产管理风险,获得该企业目标指标制定特征及企业特色管理习惯。另一方面,建立目标指标完成情况修改建议库,根据每项管理要素完成的不同情况,制定对应管理要素的目标修改建议;修改建议库内容以约束性指标的完成情况为重点、预期性指标为辅助,针对性地提出目标指标修改建议,并提供适宜的目标指标文本。且将得到的目标指标完成情况与修改建议库内容进行匹配分析,将匹配得到的目标指标文本按企业目标指标制定习惯自动推送,实现智能预测企业未来目标指标清单,以供企业参考。将企业历史的目标完成情况数据结果,使用机器学习、人工智能处理等技术进行趋势分析,明确企业当前管理风险项与特定事件点;并结合上述企业目标指标特征库、安全管理要素完成情况对策库及算法修正,采用vue-echart图表工具输出展示更贴合企业当前管理现状的安全生产目标指标清单。
本发明实施例充分挖掘实施例1中采集并可视化的钢铁实体采集数据,将其作为安全管理要素数据,实现目标指标的自动考核,并结合当前目标考核完成情况实现第二年目标指标计划清单的智能推送。针对性辅助改进目标指标制定内容,提供更贴合企业当下安全管理现状的目标指标内容。切实赋予钢铁安全管理平台智慧大脑,提升安全管理智能化管理水平,减少企业决策层人为主观偏差,客观精准制定企业安全目标指标计划。
实施例3:
本发明实施例3提供了一种钢铁企业安全数据回溯展示装置,用于实现所述实施例1和实施例2的钢铁企业安全数据回溯展示方法。
如图17所示,是本发明实施例的钢铁企业安全数据回溯展示装置的架构示意图。本实施例的钢铁企业安全数据回溯展示装置包括一个或多个处理器21以及存储器22。其中,图17中以一个处理器21为例。
处理器21和存储器22可以通过总线或者其他方式连接,图17中以通过总线连接为例。存储器22作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序和非易失性计算机可执行程序,如实施例1中的钢铁企业安全数据回溯展示方法。处理器21通过运行存储在存储器22中的非易失性软件程序和指令,从而执行钢铁企业安全数据回溯展示方法。
存储器22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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器22可选包括相对于处理器21远程设置的存储器,这些远程存储器可以通过网络连接至处理器21。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。
所述程序指令/模块存储在所述存储器22中,当被所述一个或者多个处理器21执行时,执行上述实施例1中的钢铁企业安全数据回溯展示方法,例如,执行以上描述的图3、图7、图9、图12和图15-图16所示的各个步骤。
值得说明的是,上述装置和装置内的模块、单元之间的信息交互、执行过程等内容,由于与本发明的处理方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种钢铁企业安全数据回溯展示方法,其特征在于,在历史记录的数据进行存储时,对历史记录的数据与典型模型的适配度进行分析,若相应的适配度大于等于预设值,则认定相应时段记录的数据不适用典型模型展示;否则,若相应的适配度小于预设值,则认定相应时段记录的数据适用于典型模型展示;其中,对于上述两种情况下记录的数据做差异化标记;其中,典型模型是由钢铁领域,根据选用设备和组件产线模型,依托大数据生成的正常生产工艺过程参数逻辑关系,其代表了选用设备和组件产线模型下,按照生产规模和生产工艺划分出的典型数据关系,回溯展示方法包括:
接收对历史时段数据进行数字孪生模型中回溯展示指令;其中,所述回溯展示指令中携带所要展示数据的产线信息、时间信息、设备对象信息和倍速播放信息中的一项或者多项;
根据所述回溯展示指令中的产线信息、时间信息和设备对象信息,在数据库中寻址到目标数据对象所在位置;
根据所述差异化标记,读取数据库中标记与典型模型适配度大于等于预设值的待展示数据对象,并根据所述倍速播放信息确定所述待展示数据对象的插入播放时间位置;其中,所述适配度具体为数据浮动变化大小;
位于所述待展示数据对象的插入播放时间位置之外的时间位置上的展示内容,则以典型模型数据内容进行直接展示;其中,所述典型模型数据内容是以函数表达、多点以相同值数值简要表达、周期数据表达中的一种或者多种方式组合,使得相应原本巨大的数据对象被压缩到较小的范围内被访问和生成。
2.根据权利要求1所述的钢铁企业安全数据回溯展示方法,其特征在于,历史记录的一个表格或者N个表格的数据中,会对应一个描述文件;所述描述文件会携带多套包含数据地址开始和结束地址位,并且,标注有相应的适用典型模型参数值,即所述差异化标记;从而为是否需要在第一轮提取相应数据做好指示准备,所述方法还包括:
每一轮读取数据时,会分析其中没有被标注适用典型模型参数值的数据地址开始和结束地址位,并且,进一步判断相应地址所在位置被执行的时间是否会超出当前轮展示数据时间,如果超出则仍然不读取,仅记录下一轮展示相应地址中的数据的时间点,以便在下一轮读取时,以更高优先级和响应速率去读取相应地址中的数据。
3.根据权利要求2所述的钢铁企业安全数据回溯展示方法,其特征在于,方法还包括:
对于关联每一个设备的相应不适用典型模型参数值的数据所在时间点进行记录,并在数字孪生模型中各个设备的模型底部以进度条的方式呈现即将展示的不适用典型模型参数值的数据位置,从而为用户的回溯提供设备自身,以及设备与设备之间不适用典型模型参数值的数据出现的预判。
4.根据权利要求3所述的钢铁企业安全数据回溯展示方法,其特征在于,方法还包括:
相应各个设备的模型底部以进度条的方式呈现过程中,根据适配度的大小的不同呈现差异化的颜色,从而以更警觉的颜色展示方式直观表达适配度差距较大数据。
5.根据权利要求4所述的钢铁企业安全数据回溯展示方法,其特征在于,方法还包括:
对于发生事件的时间点,无论相应设备的历史记录数据是否与典型模型适配,均以第一标识标记在进度条中;
并且,对于发生事件的时间点前后预设时间段内,无论当前是否处于指定设备的数据对象展示,以及相应展示数据是否满足以典型模型数据对象呈现,均调整为以实际历史记录数据为最高优先级展示方式呈现。
6.根据权利要求2所述的钢铁企业安全数据回溯展示方法,其特征在于,所述每一轮读取数据的大小是根据倍速播放信息、为下一轮读取数据所要预留时间而要预先读取的盈余播放时间、被标记使用典型模型参数在整个数据中占比综合确定的。
7.根据权利要求2所述的钢铁企业安全数据回溯展示方法,其特征在于,若数字孪生模型中指定设备的模型被选中呈现数据对象时,所述方法还包括:
在读取所述被选中的指定设备的模型的数据内容时,直接跳过对所述描述文件的读取,以完整的历史记录的数据进行读取,并呈现所述历史记录的数据对象内容;
其中,所述被选中的指定设备属于当前数字孪生模型中所包含的钢铁生产线中主动设备中的一员,在作为第一轮读取数据的过程中是以整个钢铁生产线包含的各个设备的历史记录的数据作为展现对象的;所述被选中的指定设备属于第一轮读取数据之后的操作过程。
8.根据权利要求2-7任一所述的钢铁企业安全数据回溯展示方法,其特征在于,若在所述数字孪生模型进行历史数据回溯展示之前,就通过系统设置仅针对指定设备的模型的数据进行展示时,所述方法还包括:
直接跳过对所述描述文件的读取,以完整的历史记录的数据进行读取,并呈现所述历史记录的数据对象内容。
9.一种钢铁企业安全数据回溯展示装置,其特征在于,所述装置包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,用于执行权利要求1-8任一所述的钢铁企业安全数据回溯展示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311557529.9A CN117271678B (zh) | 2023-11-22 | 2023-11-22 | 一种钢铁企业安全数据回溯展示方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311557529.9A CN117271678B (zh) | 2023-11-22 | 2023-11-22 | 一种钢铁企业安全数据回溯展示方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117271678A CN117271678A (zh) | 2023-12-22 |
CN117271678B true CN117271678B (zh) | 2024-02-13 |
Family
ID=89201227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311557529.9A Active CN117271678B (zh) | 2023-11-22 | 2023-11-22 | 一种钢铁企业安全数据回溯展示方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117271678B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112181715A (zh) * | 2019-07-02 | 2021-01-05 | 国网江苏省电力有限公司溧阳市供电分公司 | 基于配网自动化系统模型的可视化备份与比对方法 |
CN112507016A (zh) * | 2020-12-02 | 2021-03-16 | 杭州橙鹰数据技术有限公司 | 数据的展示方法及装置 |
CN113985115A (zh) * | 2021-09-13 | 2022-01-28 | 阳春新钢铁有限责任公司 | 一种lci传动系统电网波动检测及预警的系统及方法 |
CN114579646A (zh) * | 2021-12-22 | 2022-06-03 | 杭州安恒信息技术股份有限公司 | 一种多维数据展示平台的可视化控制方法、装置及设备 |
CN115037767A (zh) * | 2022-06-23 | 2022-09-09 | 辽宁宏成供电有限公司 | 数据监控一体化平台 |
CN115688227A (zh) * | 2022-10-13 | 2023-02-03 | 长江空间信息技术工程有限公司(武汉) | 数字孪生水利工程运行安全监测系统及运行方法 |
WO2023024259A1 (zh) * | 2021-08-26 | 2023-03-02 | 广东电网有限责任公司广州供电局 | 基于数字孪生的局部放电监测系统、方法和装置 |
CN116738872A (zh) * | 2023-05-09 | 2023-09-12 | 北京航空航天大学 | 基于数字孪生的航空发动机综合热管理可视化仿真系统 |
CN116956384A (zh) * | 2023-07-26 | 2023-10-27 | 杭州电子科技大学 | 一种历史可回溯的数字孪生模型构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1510952B1 (en) * | 2003-08-28 | 2007-02-14 | Accenture Global Services GmbH | Capture, aggregation and/or visualisation of structural data of architectures |
-
2023
- 2023-11-22 CN CN202311557529.9A patent/CN117271678B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112181715A (zh) * | 2019-07-02 | 2021-01-05 | 国网江苏省电力有限公司溧阳市供电分公司 | 基于配网自动化系统模型的可视化备份与比对方法 |
CN112507016A (zh) * | 2020-12-02 | 2021-03-16 | 杭州橙鹰数据技术有限公司 | 数据的展示方法及装置 |
WO2023024259A1 (zh) * | 2021-08-26 | 2023-03-02 | 广东电网有限责任公司广州供电局 | 基于数字孪生的局部放电监测系统、方法和装置 |
CN113985115A (zh) * | 2021-09-13 | 2022-01-28 | 阳春新钢铁有限责任公司 | 一种lci传动系统电网波动检测及预警的系统及方法 |
CN114579646A (zh) * | 2021-12-22 | 2022-06-03 | 杭州安恒信息技术股份有限公司 | 一种多维数据展示平台的可视化控制方法、装置及设备 |
CN115037767A (zh) * | 2022-06-23 | 2022-09-09 | 辽宁宏成供电有限公司 | 数据监控一体化平台 |
CN115688227A (zh) * | 2022-10-13 | 2023-02-03 | 长江空间信息技术工程有限公司(武汉) | 数字孪生水利工程运行安全监测系统及运行方法 |
CN116738872A (zh) * | 2023-05-09 | 2023-09-12 | 北京航空航天大学 | 基于数字孪生的航空发动机综合热管理可视化仿真系统 |
CN116956384A (zh) * | 2023-07-26 | 2023-10-27 | 杭州电子科技大学 | 一种历史可回溯的数字孪生模型构建方法 |
Non-Patent Citations (1)
Title |
---|
钢铁行业轨梁数字化车间的研究与应用;杜斌等;冶金自动化(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117271678A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11276007B2 (en) | Method and system for composite scoring, classification, and decision making based on machine learning | |
O'Donoghue et al. | Data analysis in sport | |
US20190236497A1 (en) | System and method for automated model selection for key performance indicator forecasting | |
CN106874658A (zh) | 一种基于主成分分析算法的医保欺诈识别方法 | |
Morard et al. | Time evolution analysis and forecast of key performance indicators in a balanced scorecard | |
CN106257510A (zh) | 基于智能穿戴设备的工作数据处理方法及系统 | |
CN106997524A (zh) | 一种冷轧汽车板产品设计开发系统 | |
Gusnadi et al. | Designing employee performance monitoring dashboard using key performance indicator (KPI) | |
KR102075743B1 (ko) | 신체 성장 예측 모델링 장치 및 방법 | |
CN113052475B (zh) | 一种工程机械图标视觉绩效测试方法、装置及存储介质 | |
Pan et al. | Dynamic Task Allocation Algorithm for Hiring Workers that Learn. | |
Manca et al. | Performance Indicators for Training Assessment of Control-Room Operators. | |
CN117271678B (zh) | 一种钢铁企业安全数据回溯展示方法和装置 | |
CN117217505A (zh) | 一种基于书籍领域的资源管理系统 | |
Carling | Performance analysis: Working in football | |
Blackburn et al. | Navigating the metrics landscape: An introductory literature guide to metric selection, implementation, & decision making | |
Herrmannova et al. | Evaluating weekly predictions of at-risk students at the open university: results and issues | |
CN109816178A (zh) | 心理状态预测方法、装置及电子设备 | |
Sukhanova | Logics and basic principles for evaluation of quality of doctors’ continuing professional development using the electronic portfolio | |
CN117035075B (zh) | 一种要素知识库的更新方法及装置 | |
Xue | Repair and Maintenance Methods of Mechanical Equipment | |
CN106580351A (zh) | 一种疲劳状况监测方法及装置 | |
Bauer | Automated Detection of Complex Tactical Patterns in Football—Using Machine Learning Techniques to Identify Tactical Behavior | |
Konečný et al. | Methodology for Creating a Model of Vehicle Life Cycle Costs and the Methods of Modelling | |
Bauer et al. | Automated Detection of Complex Tactical Patterns in Football |
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 |