CN117391458B - 基于数据分析的安全生产风险检测预警方法及系统 - Google Patents
基于数据分析的安全生产风险检测预警方法及系统 Download PDFInfo
- Publication number
- CN117391458B CN117391458B CN202311678618.9A CN202311678618A CN117391458B CN 117391458 B CN117391458 B CN 117391458B CN 202311678618 A CN202311678618 A CN 202311678618A CN 117391458 B CN117391458 B CN 117391458B
- Authority
- CN
- China
- Prior art keywords
- safety production
- early warning
- data
- safety
- related data
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 248
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000007405 data analysis Methods 0.000 title claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 claims abstract description 62
- 238000007781 pre-processing Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 33
- 230000014509 gene expression Effects 0.000 claims description 19
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于数据分析的安全生产风险检测预警方法及系统，属于安全生产技术领域，包括如下步骤：采集安全生产相关数据，并进行数据预处理，得到预处理后的安全生产相关数据；对预处理后的安全生产相关数据进行特征筛选，得到安全生产风险检测预警特征集；利用安全生产风险检测预警特征集对支持向量机进行训练，并通过训练好的支持向量机根据预设的风险等级阈值进行安全生产风险检测预警，得到风险预警信息；将风险预警信息传输到生产安全管理部门，完成基于数据分析的安全生产风险检测预警。本发明解决了难以有效地检测和预警安全生产风险的问题。
Description
技术领域
本发明属于安全生产技术领域，尤其涉及一种利用特征筛选和机器学习对安全生产相关数据进行安全生产风险检测和预警的方法及系统。
背景技术
随着工业化、信息化、城镇化的快速发展，安全生产面临着越来越复杂的形势和挑战。目前，安全生产风险检测预警的主要方法有以下几种：
基于专家经验的定性分析方法，如风险矩阵法、风险分级法等，这类方法主要依赖于专家对风险因素的判断和评估，具有主观性强、可靠性低、适应性差等缺点；基于数学模型的定量分析方法，如故障树分析法、事件树分析法、贝叶斯网络分析法等，这类方法主要依赖于事故发生的概率和后果的计算，具有数据需求量大、模型建立复杂、参数估计困难等缺点；基于数据挖掘的分析方法，如关联规则挖掘、聚类分析、分类分析等，这类方法主要依赖于海量数据的处理和分析，具有数据质量要求高、算法选择多样、结果解释难等缺点；
综上所述，现有的安全生产风险检测预警方法都存在一定的局限性和不足，不能满足安全生产管理的实际需求。因此，如何有效地检测和预警安全生产风险，成为了亟待解决的问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于数据分析的安全生产风险检测预警方法及系统，通过从多维度、多渠道、多类型的安全生产相关数据中提取出有效的风险特征，利用机器学习或深度学习的相关算法对风险特征进行智能分析和预测，并采用合适的方式传递风险预警信息，解决了难以有效地检测和预警安全生产风险的问题。
为了达到上述发明目的，本发明采用的技术方案为：
本发明提供的一种基于数据分析的安全生产风险检测预警方法，包括如下步骤：
S1、采集安全生产相关数据，并进行数据预处理，得到预处理后的安全生产相关数据；
S2、对预处理后的安全生产相关数据进行特征筛选，得到安全生产风险检测预警特征集；
S3、利用安全生产风险检测预警特征集对支持向量机进行训练，并通过训练好的支持向量机根据预设的风险等级阈值进行安全生产风险检测预警，得到风险预警信息；
S4、将风险预警信息传输到生产安全管理部门，完成基于数据分析的安全生产风险检测预警。
本发明的有益效果为：本发明提供的一种基于数据分析的安全生产风险检测预警方法，从各类安全生产相关数据源中采集数据，获得了全面的信息，实现了更好地了解潜在的风险因素；本发明通过预处理提升了安全生产相关数据的准确性，进一步提升支持向量机的分类准确性；本发明通过特征筛选减少了不相关或冗余的信息，从而有效提升了模型的效率和性能；本发明将筛选得到的安全生产风险检测预警特征集输入到支持向量机中，对支持向量机进行训练，并通过训练好的支持向量机，在不同类别之间建立清晰的决策边界，实现及时识别潜在的风险事件；本发明根据预设的风险等级阈值，及时传输风险预警信息到生产安全管理部门，以采取相应的措施来防范或应对风险的过程，本发明实现了提高风险管理水平，降低风险损失，保障安全生产。
进一步地，所述S1包括如下步骤：
S11、根据各类安全生产数据源，采集安全生产相关数据，其中，安全生产相关数据包括时间序列形式的事故报告数据、生产设备检测数据、生产监测视频数据、生产环境参数数据；
所述安全生产相关数据的计算表达式如下：
其中，表示安全生产相关数据，/>表示第j类安全生产相关数据中的第i维数据，k表示数据的种类总数，n表示数据的维度总数，i=1，2，…，t，…，n；
S12、消除各类安全生产相关数据中的随机噪声，得到第一预处理安全生产相关数据；
所述第一预处理安全生产相关数据的计算表达式如下：
其中，表示第一预处理安全生产相关数据中的第t维数据，/>表示安全生产相关数据中的第i维数据；
S13、对第一预处理安全生产相关数据进行标准化处理，得到第二预处理安全生产相关数据；
所述第二预处理安全生产相关数据的计算表达式如下：
其中，表示第二预处理安全生产相关数据中的第t维数据，/>表示第二预处理安全生产相关数据中的最大数据值，/>表示第二预处理安全生产相关数据中的最小数据值；
S14、对第二预处理安全生产相关数据进行归一化处理，得到第三预处理安全生产相关数据；
S15、对第三预处理安全生产相关数据进行等宽离散化处理，得到第四预处理安全生产相关数据，并为第四预处理安全生产相关数据中的每个类别区间赋予一个类别标签；
所述等宽离散化处理的计算表达式如下：
其中，表示第四预处理安全生产相关数据中的第t个类别区间的类别标签，/>表示第三预处理安全生产相关数据，/>表示类别区间宽度；
S16、对第四预处理安全生产相关数据进行缺失值处理，得到第五预处理安全生产相关数据；
所述缺失值处理的计算表达式如下：
其中，表示第i维缺失数据，/>表示第i维缺失数据的在前相邻维数据，表示第i维缺失数据的在后相邻维数据；
S17、对第五预处理安全生产相关数据进行异常值处理，得到预处理后的安全生产相关数据；
所述异常值处理的计算表达式如下：
其中，表示对第五预处理安全生产相关数据进行Z-score异常检测的函数，表示第五预处理安全生产相关数据，/>表示第五预处理安全生产相关数据的均值，/>表示第五预处理安全生产相关数据的标准差。
采用上述进一步方案的有益效果为：本发明从多维度、多时序、多方面获取安全生产相关数据，获取了全面的信息，更好地了解了潜在的风险因素，并通过数据预处理消除了安全生产相关数据中的随机噪声，将数据转换为了具有相同尺度的形式，识别并处理了异常值，对缺失值和不一致的数据进行了清洗处理，确保了数据的完整性和准确性。
进一步地，所述S2包括如下步骤：
S21、基于预处理后的安全生产相关数据，对应得到若干安全生产风险检测预警特征；
S22、通过随机森林法评估各安全生产风险检测预警特征的重要性，得到各安全生产风险检测预警特征的特征平均重要性值；
S23、根据重采样方法，选择特征平均重要性值大于预设平均值阈值的若干安全生产风险检测预警特征，得到由若干待用特征构成的待用特征集；
S24、根据随机森林递归式特征消除法，重复次剔除待用特征集中重要性最低的若干待用特征，每次剔除后得到对应的一个待选安全生产风险检测预警特征集，/>次后，得到若干待选安全生产风险检测预警特征集，其中，/>为整数次的预设剔除次数阈值；
S25、通过随机森林法评估各待选安全生产风险检测预警特征集在安全生产风险检测预警训练下的平均准确度，得到若干平均准确度值；
S26、选择平均准确度值最高的待选安全生产风险检测预警特征集作为安全生产风险检测预警特征集。
采用上述进一步方案的有益效果为：本发明通过特征筛选法对预处理后的数据进行特征筛选，保留了最相关的特征，减少了不相关或冗余的信息，降低了支持向量机训练和预测的计算成本，从而提高了支持向量机的效率和性能，有效防止了过拟合。
进一步地，所述S3包括如下步骤：
S31、将安全生产风险检测预警特征集输入到支持向量机中，对支持向量机进行训练，得到最优的超平面的法向量和超平面的截距；
S32、基于最优的超平面的法向量和超平面的截距，得到训练好的支持向量机；
S33、利用训练好的支持向量机对任意新获取的安全生产相关数据进行安全生产风险检测预警，并根据预设的风险等级阈值，得到风险预警信息。
采用上述进一步方案的有益效果为：本发明筛选得到的安全生产风险检测预警特征集对支持向量机进行训练，在不同类别间建立了清晰的决策边界，及时识别了潜在的风险事件，并基于根据实际需求预设的风险等级阈值，得到实际情况下相匹配的风险预警信息。
进一步地，所述S31中对支持向量机进行训练的方法包括如下步骤：
S311、构建支持向量机的安全生产风险检测预警问题：
其中，表示超平面的法向量，/>表示范数的平方，/>表示服从于，/>表示安全生产风险检测预警特征集中第/>个特征对应维度的数据的类别标签，/>表示输入的安全生产风险检测预警特征集中第/>个特征对应维度的数据，b表示超平面的截距，其中，当时，安全生产风险检测预警特征集中第/>个特征对应维度的数据的类别为风险类别，当/>时，安全生产风险检测预警特征集中第/>个特征对应维度的数据的类别为非风险类别；
S312、基于安全生产风险检测预警问题，构建决策边界以最大化间隔，以区分风险特征和非风险特征；
S313、构建支持向量机的损失函数：
其中，表示支持向量机的损失函数，/>表示特征的总数，/>表示安全生产风险检测预警特征集中第/>个特征对应维度的数据的拉格朗日系数；
S314、以最小化支持向量机的损失函数为目标，输入安全生产风险检测预警特征集中的特征到支持向量机中，对支持向量机进行训练，得到最优的超平面的法向量和超平面的截距。
采用上述进一步方案的有益效果为：本发明提供了针对安全生产风险检测预警问题，构建支持向量机对应决策边界，并基于筛选得到的安全生产风险检测预警特征集中训练支持向量机的方法，使得在寻找到最优的超平面参数后，能够高效识别潜在的风险事件。
另一方面，在本发明的另一个实施例中，本发明还提供一种基于数据分析的安全生产风险检测预警方法的预警系统，包括：
数据采集处理模块，用于采集安全生产相关数据，并进行数据预处理，得到预处理后的安全生产相关数据；
特征筛选提取模块，用于对预处理后的安全生产相关数据进行特征筛选，得到安全生产风险检测预警特征集；
风险信息获取模块，用于利用安全生产风险检测预警特征集对支持向量机进行训练，并通过训练好的支持向量机根据预设的风险等级阈值进行安全生产风险检测预警，得到风险预警信息；
生产风险预警模块，用于将风险预警信息传输到生产安全管理部门，完成基于数据分析的安全生产风险检测预警。
本发明的有益效果为：本发明提供的一种基于数据分析的安全生产风险检测预警方法的预警系统，是上述一种基于数据分析的安全生产风险检测预警方法对应设置的系统，用于实现上述方法，且能够实现的效果与上述方法实现的效果一致，能够从各类安全生产相关数据源中采集数据，对数据进行预处理和特征筛选，然后利用相关算法对数据进行风险预测和预警，从而实现对安全生产风险的动态监测和管控。
针对于本发明还具有的其他优势将在后续的实施例中进行更细致的分析。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例1中一种基于数据分析的安全生产风险检测预警方法的步骤流程图。
图2为本发明实施例2中一种基于数据分析的安全生产风险检测预警方法的系统的框图。
具体实施方式
下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
实施例1：
如图1所示，一方面，在本发明的一个实施例中，本发明提供一种基于数据分析的安全生产风险检测预警方法，包括如下步骤：
S1、采集安全生产相关数据，并进行数据预处理，得到预处理后的安全生产相关数据；
所述S1包括如下步骤：
S11、根据各类安全生产数据源，采集安全生产相关数据，其中，安全生产相关数据包括时间序列形式的事故报告数据、生产设备检测数据、生产监测视频数据、生产环境参数数据；
所述安全生产相关数据的计算表达式如下：
其中，表示安全生产相关数据，/>表示第j类安全生产相关数据中的第i维数据，k表示数据的种类总数，n表示数据的维度总数，i=1，2，…，t，…，n；
本发明从各类安全生产相关数据源中采集安全生产相关数据，获取了全面的信息，能够更好的了解潜在的风险因素。本发明中采集安全生产相关数据根据了不同的时间段、地点、行业、工种等多维度进行划分和分析，以便发现不同场景下的风险特点和规律；本发明中数据采集还具有历史分析、趋势分析的特点，通过收集历史数据能够识别过去的安全事件，能够辅助模型更好地理解当前情况，而通过时间序列数据，能够分析出风险因素变化的趋势，预测未来可能的风险。
S12、消除各类安全生产相关数据中的随机噪声，得到第一预处理安全生产相关数据；通过消除随机噪声，有效提高了数据的质量；
所述第一预处理安全生产相关数据的计算表达式如下：
其中，表示第一预处理安全生产相关数据中的第t维数据，/>表示安全生产相关数据中的第i维数据；
S13、对第一预处理安全生产相关数据进行标准化处理，得到第二预处理安全生产相关数据；通过标准化处理将数据转换为了具有相似尺度的形式，以便不同特征间能够进行比较；
所述第二预处理安全生产相关数据的计算表达式如下：
其中，表示第二预处理安全生产相关数据中的第t维数据，/>表示第二预处理安全生产相关数据中的最大数据值，/>表示第二预处理安全生产相关数据中的最小数据值；
S14、对第二预处理安全生产相关数据进行归一化处理，得到第三预处理安全生产相关数据；通过归一化处理将数据映射到指定的范围内，通常为[0,1]或[-1,1]。
本实施例中采用L2归一化处理或L1归一化处理第二预处理安全生产相关数据，并对应将L2归一化处理结果或L1归一化处理结果作为第三预处理安全生产相关数据；
所述L2归一化处理和L1归一化处理的计算表达式分别如下：
其中，表示L2归一化处理结果中的第t维数据，/>表示L1归一化处理结果中的第t维数据；
S15、对第三预处理安全生产相关数据进行等宽离散化处理，得到第四预处理安全生产相关数据，并为第四预处理安全生产相关数据中的每个类别区间赋予一个类别标签；通过数据等宽离散化，将连续型值数据按照相同的宽度划分成了若干个区间，并将每个区间赋予一个类别标签；
所述等宽离散化处理的计算表达式如下：
其中，表示第四预处理安全生产相关数据中的第t个类别区间的类别标签，/>表示第三预处理安全生产相关数据，/>表示类别区间宽度；
S16、对第四预处理安全生产相关数据进行缺失值处理，得到第五预处理安全生产相关数据；
所述缺失值处理的计算表达式如下：
其中，表示第i维缺失数据，/>表示第i维缺失数据的在前相邻维数据，表示第i维缺失数据的在后相邻维数据；
S17、对第五预处理安全生产相关数据进行异常值处理，得到预处理后的安全生产相关数据；通过识别并处理异常值，防止异常值对模型产生误差影响；
所述异常值处理的计算表达式如下：
其中，表示对第五预处理安全生产相关数据进行Z-score异常检测的函数，表示第五预处理安全生产相关数据，/>表示第五预处理安全生产相关数据的均值，/>表示第五预处理安全生产相关数据的标准差。如果/>大于预设的异常检测阈值，表示/>偏离均值太远，可能是异常值。
S2、对预处理后的安全生产相关数据进行特征筛选，得到安全生产风险检测预警特征集；对预处理后的数据进行特征筛选，选择最相关的特征，减少不相关或冗余的信息，从而提高风险预测的效率和性能。特征筛选后只保留与安全生产风险相关的特征，能够有效提升模型对于安全生产风险检测预警特征的解释性能，通过减少特征数量还能够降低模型训练和预测的计算成本，降低模型的过拟合风险。
用于特征筛选的方法包括但不局限于随机森林（Random Forest, RF）、随机森林递归式特征消除法（Recursive Feature Elimination with Random Forest, RFE-RF）、互信息法、卡方检验法等，本实施例中采用随机森林法和随机森林递归式特征消除法进行特征筛选。
所述S2包括如下步骤：
S21、基于预处理后的安全生产相关数据，对应得到若干安全生产风险检测预警特征；
S22、通过随机森林法评估各安全生产风险检测预警特征的重要性，得到各安全生产风险检测预警特征的特征平均重要性值；
S23、根据重采样方法，选择特征平均重要性值大于预设平均值阈值的若干安全生产风险检测预警特征，得到由若干待用特征构成的待用特征集；本实施例中重采样方法选取为交叉验证法或自助法；
S24、根据随机森林递归式特征消除法，重复次剔除待用特征集中重要性最低的若干待用特征，每次剔除后得到对应的一个待选安全生产风险检测预警特征集，/>次后，得到若干待选安全生产风险检测预警特征集，其中，/>为整数次的预设剔除次数阈值，/>可以根据特征重要性的分布情况，选择一个合适的百分比或标准差等相对指标；
S25、通过随机森林法评估各待选安全生产风险检测预警特征集在安全生产风险检测预警训练下的平均准确度，得到若干平均准确度值；筛选特征是可以评估不同特征集在风险预警任务下训练的平均准确度、召回率、F1值、AUC（Area Under the Curve）值等指标，选择综合评价最高或满足预设条件的特征集，本发明中则根据平均准确度值选取最优的待选安全生产风险检测预警特征集。
S26、选择平均准确度值最高的待选安全生产风险检测预警特征集作为安全生产风险检测预警特征集。
S3、利用安全生产风险检测预警特征集对支持向量机进行训练，并通过训练好的支持向量机根据预设的风险等级阈值进行安全生产风险检测预警，得到风险预警信息；风险预警是利用数据分析、机器学习或深度学习等方法对潜在或已发生的风险进行识别、评估、预测和预警，并及时采取相应的措施来防范或应对风险的过程。风险预警的主要目的是提高风险管理水平，降低风险损失，保障安全生产。本发明中将筛选出的特征集输入到机器学习或深度学习的相关算法中，训练神经网络或其他模型，对安全生产风险进行预测和分类，根据预设的风险等级阈值，输出风险预警信息，并将风险预警信息通过合适的方式传递给相关人员或部门。在本实施例中，本发明采用支持向量机进行风险预测，获取风险预警信息。
支持向量机是一种监督学习算法，旨在寻找一个超平面，以有效地将不同类别的数据分开，并最大化类别之间的间隔。在本实施例中，将风险和非风险数据分别标记为不同的类别的数据。支持向量机通过构建一个决策边界，以识别潜在的风险事件。支持向量机是一个二分类算法，如果当前的风险预测是多分类任务，此时需要进行多次二分类即可。
所述S3包括如下步骤：
S31、将安全生产风险检测预警特征集输入到支持向量机中，对支持向量机进行训练，得到最优的超平面的法向量和超平面的截距；
所述S31中对支持向量机进行训练的方法包括如下步骤：
S311、构建支持向量机的安全生产风险检测预警问题：
其中，表示超平面的法向量，/>表示范数的平方，/>表示服从于，/>表示安全生产风险检测预警特征集中第/>个特征对应维度的数据的类别标签，/>表示输入的安全生产风险检测预警特征集中第/>个特征对应维度的数据，b表示超平面的截距，其中，当时，安全生产风险检测预警特征集中第/>个特征对应维度的数据的类别为风险类别，当/>时，安全生产风险检测预警特征集中第/>个特征对应维度的数据的类别为非风险类别；
S312、基于安全生产风险检测预警问题，构建决策边界以最大化间隔，以区分风险特征和非风险特征；
S313、构建支持向量机的损失函数：
其中，表示支持向量机的损失函数，/>表示特征的总数，/>表示安全生产风险检测预警特征集中第/>个特征对应维度的数据的拉格朗日系数；
S314、以最小化支持向量机的损失函数为目标，输入安全生产风险检测预警特征集中的特征到支持向量机中，对支持向量机进行训练，得到最优的超平面的法向量和超平面的截距。训练完成后，支持向量机能够用于对新数据点进行分类，通过计算的符号来确定新数据点的类别。支持向量机方法是风险预警任务中的有效方法，能够在不同类别之间建立清晰的决策边界，帮助及时识别潜在的风险事件。除了支持向量机，还可以使用其他机器学习或深度学习算法如神经网络、决策树、贝叶斯网络、逻辑回归等，比如，本发明还可以利用深度学习中的卷积神经网络（Convolutional Neural Network, CNN）或循环神经网络（Recurrent Neural Network, RNN）等算法来处理图像或文本等非结构化数据，并将其转换为结构化特征或嵌入表示，以提高模型对复杂数据的理解和处理能力，具体选择取决于数据的特点和任务需求。
S32、基于最优的超平面的法向量和超平面的截距，得到训练好的支持向量机；
S33、利用训练好的支持向量机对任意新获取的安全生产相关数据进行安全生产风险检测预警，并根据预设的风险等级阈值，得到风险预警信息。所述预设的风险等级阈值可以根据实际情况动态调整，并与相应的预警信息相匹配。
S4、将风险预警信息传输到生产安全管理部门，完成基于数据分析的安全生产风险检测预警。所述风险预警信息可以通过多种方式传递给相关人员或部门，包括但不限于短信、邮件、电话、语音、图像、视频等。
本发明相比现有技术具有以下有益效果：
(1)本发明能够从多维度、多渠道、多类型的安全生产相关数据中提取出有效的风险特征，提高了风险检测的准确性和覆盖范围；
(2)本发明能够利用机器学习或深度学习的相关算法对风险特征进行智能分析和预测，提高了风险预警的及时性和灵敏性；
(3)本发明能够根据不同的风险等级和场景，采用合适的方式传递风险预警信息，提高了风险管控的有效性和针对性。
(4)本发明能够处理多种形式和格式的数据，包括结构化数据和非结构化数据，以及数值型数据和文本型数据等，增强了模型的通用性和适应性。
实施例2：
如图2所示，另一方面，在实施例1的基础上，本发明还提供一种基于数据分析的安全生产风险检测预警方法的预警系统，包括：
数据采集处理模块，用于采集安全生产相关数据，并进行数据预处理，得到预处理后的安全生产相关数据；
特征筛选提取模块，用于对预处理后的安全生产相关数据进行特征筛选，得到安全生产风险检测预警特征集；
风险信息获取模块，用于利用安全生产风险检测预警特征集对支持向量机进行训练，并通过训练好的支持向量机根据预设的风险等级阈值进行安全生产风险检测预警，得到风险预警信息；
生产风险预警模块，用于将风险预警信息传输到生产安全管理部门，完成基于数据分析的安全生产风险检测预警。
本实施例提供的一种基于数据分析的安全生产风险检测预警方法的预警系统，实现的效果与上述实施例1中一种基于数据分析的安全生产风险检测预警方法实现的效果一致。
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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于数据分析的安全生产风险检测预警方法，其特征在于，包括如下步骤：
S1、采集安全生产相关数据，并进行数据预处理，得到预处理后的安全生产相关数据；
S2、对预处理后的安全生产相关数据进行特征筛选，得到安全生产风险检测预警特征集；
所述S2包括如下步骤：
S21、基于预处理后的安全生产相关数据，对应得到若干安全生产风险检测预警特征；
S22、通过随机森林法评估各安全生产风险检测预警特征的重要性，得到各安全生产风险检测预警特征的特征平均重要性值；
S23、根据重采样方法，选择特征平均重要性值大于预设平均值阈值的若干安全生产风险检测预警特征，得到由若干待用特征构成的待用特征集；
S24、根据随机森林递归式特征消除法，重复次剔除待用特征集中重要性最低的若干待用特征，每次剔除后得到对应的一个待选安全生产风险检测预警特征集，/>次后，得到若干待选安全生产风险检测预警特征集，其中，/>为整数次的预设剔除次数阈值；
S25、通过随机森林法评估各待选安全生产风险检测预警特征集在安全生产风险检测预警训练下的平均准确度，得到若干平均准确度值；
S26、选择平均准确度值最高的待选安全生产风险检测预警特征集作为安全生产风险检测预警特征集；
S3、利用安全生产风险检测预警特征集对支持向量机进行训练，并通过训练好的支持向量机根据预设的风险等级阈值进行安全生产风险检测预警，得到风险预警信息；
S4、将风险预警信息传输到生产安全管理部门，完成基于数据分析的安全生产风险检测预警。
2.根据权利要求1所述的基于数据分析的安全生产风险检测预警方法，其特征在于，所述S1包括如下步骤：
S11、根据各类安全生产数据源，采集安全生产相关数据，其中，安全生产相关数据包括时间序列形式的事故报告数据、生产设备检测数据、生产监测视频数据和生产环境参数数据；
所述安全生产相关数据的计算表达式如下：
其中，表示安全生产相关数据，/>表示第j类安全生产相关数据中的第i维数据，k表示数据的种类总数，n表示数据的维度总数，i=1，2，…，t，…，n；
S12、消除各类安全生产相关数据中的随机噪声，得到第一预处理安全生产相关数据；
所述第一预处理安全生产相关数据的计算表达式如下：
其中，表示第一预处理安全生产相关数据中的第t维数据，/>表示安全生产相关数据中的第i维数据；
S13、对第一预处理安全生产相关数据进行标准化处理，得到第二预处理安全生产相关数据；
所述第二预处理安全生产相关数据的计算表达式如下：
其中，表示第二预处理安全生产相关数据中的第t维数据，/>表示第二预处理安全生产相关数据中的最大数据值，/>表示第二预处理安全生产相关数据中的最小数据值；
S14、对第二预处理安全生产相关数据进行归一化处理，得到第三预处理安全生产相关数据；
S15、对第三预处理安全生产相关数据进行等宽离散化处理，得到第四预处理安全生产相关数据，并为第四预处理安全生产相关数据中的每个类别区间赋予一个类别标签；
所述等宽离散化处理的计算表达式如下：
其中，表示第四预处理安全生产相关数据中的第t个类别区间的类别标签，/>表示第三预处理安全生产相关数据，/>表示类别区间宽度；
S16、对第四预处理安全生产相关数据进行缺失值处理，得到第五预处理安全生产相关数据；
所述缺失值处理的计算表达式如下：
其中，表示第i维缺失数据，/>表示第i维缺失数据的在前相邻维数据，/>表示第i维缺失数据的在后相邻维数据；
S17、对第五预处理安全生产相关数据进行异常值处理，得到预处理后的安全生产相关数据；
所述异常值处理的计算表达式如下：
其中，表示对第五预处理安全生产相关数据进行Z-score异常检测的函数，/>表示第五预处理安全生产相关数据，/>表示第五预处理安全生产相关数据的均值，/>表示第五预处理安全生产相关数据的标准差。
3.根据权利要求1所述的基于数据分析的安全生产风险检测预警方法，其特征在于，所述S3包括如下步骤：
S31、将安全生产风险检测预警特征集输入到支持向量机中，对支持向量机进行训练，得到最优的超平面的法向量和超平面的截距；
S32、基于最优的超平面的法向量和超平面的截距，得到训练好的支持向量机；
S33、利用训练好的支持向量机对任意新获取的安全生产相关数据进行安全生产风险检测预警，并根据预设的风险等级阈值，得到风险预警信息。
4.根据权利要求3所述的基于数据分析的安全生产风险检测预警方法，其特征在于，所述S31中对支持向量机进行训练的方法包括如下步骤：
S311、构建支持向量机的安全生产风险检测预警问题：
其中，表示超平面的法向量，/>表示范数的平方，/>表示服从于，/>表示安全生产风险检测预警特征集中第/>个特征对应维度的数据的类别标签，/>表示输入的安全生产风险检测预警特征集中第/>个特征对应维度的数据，b表示超平面的截距，其中，当/>时，安全生产风险检测预警特征集中第/>个特征对应维度的数据的类别为风险类别，当时，安全生产风险检测预警特征集中第/>个特征对应维度的数据的类别为非风险类别；
S312、基于安全生产风险检测预警问题，构建决策边界以最大化间隔，以区分风险特征和非风险特征；
S313、构建支持向量机的损失函数：
其中，表示支持向量机的损失函数，/>表示特征的总数，/>表示安全生产风险检测预警特征集中第/>个特征对应维度的数据的拉格朗日系数；
S314、以最小化支持向量机的损失函数为目标，输入安全生产风险检测预警特征集中的特征到支持向量机中，对支持向量机进行训练，得到最优的超平面的法向量和超平面的截距。
5.一种根据权利要求1-4任意一项的基于数据分析的安全生产风险检测预警方法的预警系统，其特征在于，包括：
数据采集处理模块，用于采集安全生产相关数据，并进行数据预处理，得到预处理后的安全生产相关数据；
特征筛选提取模块，用于对预处理后的安全生产相关数据进行特征筛选，得到安全生产风险检测预警特征集；
风险信息获取模块，用于利用安全生产风险检测预警特征集对支持向量机进行训练，并通过训练好的支持向量机根据预设的风险等级阈值进行安全生产风险检测预警，得到风险预警信息；
生产风险预警模块，用于将风险预警信息传输到生产安全管理部门，完成基于数据分析的安全生产风险检测预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311678618.9A CN117391458B (zh) | 2023-12-08 | 2023-12-08 | 基于数据分析的安全生产风险检测预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311678618.9A CN117391458B (zh) | 2023-12-08 | 2023-12-08 | 基于数据分析的安全生产风险检测预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117391458A CN117391458A (zh) | 2024-01-12 |
| CN117391458B true CN117391458B (zh) | 2024-02-27 |
Family
ID=89463391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311678618.9A Active CN117391458B (zh) | 2023-12-08 | 2023-12-08 | 基于数据分析的安全生产风险检测预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391458B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118289657B (zh) * | 2024-06-06 | 2024-08-27 | 杭州宇泛智能科技股份有限公司 | 采用异构传感器直连的塔机安全智能监测方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110232499A (zh) * | 2019-04-26 | 2019-09-13 | 中国电力科学研究院有限公司 | 一种配电网信息物理侧风险预警方法及系统 |
| CN111738462A (zh) * | 2020-06-08 | 2020-10-02 | 国网江苏省电力有限公司常州供电分公司 | 电力计量装置故障抢修主动服务预警方法 |
| CN113435477A (zh) * | 2021-06-02 | 2021-09-24 | 北京理工大学 | 一种提高计算机辅助预测应力性骨折系统预测性能的方法 |
| CN114582107A (zh) * | 2022-03-01 | 2022-06-03 | 中用科技有限公司 | 有限空间作业安全智能预警系统 |
| CN115099573A (zh) * | 2022-05-25 | 2022-09-23 | 河南鑫安利安全科技股份有限公司 | 一种安全生产管理平台 |
| CN116882735A (zh) * | 2023-06-28 | 2023-10-13 | 刘汉波 | 一种基于工艺安全指标的化工风险修正预警方法 |
| CN117095506A (zh) * | 2023-10-18 | 2023-11-21 | 潍坊市平安消防工程有限公司 | 一种基于报警区域模型的消防安全监控系统及其方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
-
2023
- 2023-12-08 CN CN202311678618.9A patent/CN117391458B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110232499A (zh) * | 2019-04-26 | 2019-09-13 | 中国电力科学研究院有限公司 | 一种配电网信息物理侧风险预警方法及系统 |
| CN111738462A (zh) * | 2020-06-08 | 2020-10-02 | 国网江苏省电力有限公司常州供电分公司 | 电力计量装置故障抢修主动服务预警方法 |
| CN113435477A (zh) * | 2021-06-02 | 2021-09-24 | 北京理工大学 | 一种提高计算机辅助预测应力性骨折系统预测性能的方法 |
| CN114582107A (zh) * | 2022-03-01 | 2022-06-03 | 中用科技有限公司 | 有限空间作业安全智能预警系统 |
| CN115099573A (zh) * | 2022-05-25 | 2022-09-23 | 河南鑫安利安全科技股份有限公司 | 一种安全生产管理平台 |
| CN116882735A (zh) * | 2023-06-28 | 2023-10-13 | 刘汉波 | 一种基于工艺安全指标的化工风险修正预警方法 |
| CN117095506A (zh) * | 2023-10-18 | 2023-11-21 | 潍坊市平安消防工程有限公司 | 一种基于报警区域模型的消防安全监控系统及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 有色金属矿山安全生产风险预测系统研究;刘兵 等;《宜春学院学报》;20200625;第42卷(第06期);第5-10页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117391458A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
| KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN109150564B (zh) | 一种用于小区故障告警的预测方法及装置 | |
| CN116304766B (zh) | 基于多传感器的开关柜状态快速评估方法 | |
| CN117391458B (zh) | 基于数据分析的安全生产风险检测预警方法及系统 | |
| CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
| CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
| CN113344133B (zh) | 一种时序行为异常波动检测方法及系统 | |
| CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
| CN114201374B (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
| CN117972580B (zh) | 一种航空障碍灯远程监控方法及系统 | |
| CN117318614A (zh) | 一种光伏逆变器故障预测方法 | |
| CN111325410A (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
| CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
| CN118228130B (zh) | 一种基于设备健康状态的监测方法、系统和存储介质 | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN116108445A (zh) | 一种信息系统智能化风险预警管理方法及系统 | |
| CN112905671A (zh) | 时间序列异常处理方法、装置、电子设备及存储介质 | |
| CN118013442A (zh) | 一种边缘计算的故障诊断方法及系统 | |
| CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
| CN110807174A (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
| CN114399407B (zh) | 一种基于动静态选择集成的电力调度监控数据异常检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |