CN117436689A - 煤化工企业安全诊断方法、平台、电子设备及存储介质 - Google Patents

煤化工企业安全诊断方法、平台、电子设备及存储介质 Download PDF

Info

Publication number
CN117436689A
CN117436689A CN202311306990.7A CN202311306990A CN117436689A CN 117436689 A CN117436689 A CN 117436689A CN 202311306990 A CN202311306990 A CN 202311306990A CN 117436689 A CN117436689 A CN 117436689A
Authority
CN
China
Prior art keywords
safety
evaluation
data
coal chemical
level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311306990.7A
Other languages
English (en)
Inventor
姚敏
刘同双
李政
黄千芮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningxia University
Original Assignee
Ningxia University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ningxia University filed Critical Ningxia University
Priority to CN202311306990.7A priority Critical patent/CN117436689A/zh
Publication of CN117436689A publication Critical patent/CN117436689A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • 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)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Technology (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种煤化工企业安全诊断方法、平台、电子设备及存储介质，通过分析现代煤化工企业的特点，确定评估体系设置。在一级安全要素、二级安全要素、三级安全要素的基础上，进一步细化评估体系设置。然后确定每个评价指标的评价目标和具体指标，根据评价指标收集相应各类数据。根据收集的评价指标的数据，建立数学模型对每个评价指标进行量化，并确定相应的评分原则。将收集到的数据输入到数学模型中，结合各评价指标的权重进行处理和分析，得到各项评价指标的分数和总分数。通过可视化分析和异常检测模型对结果进行监测和分析。根据各项评价指标的分数和总分数，对煤化工企业的安全状况进行评估和判断，并提出改进建议和措施。

Description

煤化工企业安全诊断方法、平台、电子设备及存储介质
技术领域
本发明属于企业安全诊断技术领域，涉及一种煤化工企业安全诊断方法、智能化诊断平台、电子设备及存储介质。
背景技术
煤化工属于以煤为原料进行加工与转化的煤炭清洁高效利用的领域。然而，煤炭资源在采集、运输、加工、转化等过程中都存在一定的安全风险，具有高温高压、易燃易爆、有毒有害等安全特征。因此，保障现代煤化工企业的安全生产至关重要。
目前，国内外多种方法被用于煤化工企业的安全评估，如危险预先评价法、安全检查表法等。然而，这些方法存在着许多局限性，例如缺乏自动化的数据采集、多维度风险诊断、系统化量化评估等。
因此，需要开发一种新的现代煤化工企业安全诊断技术，以满足企业安全生产需求。该技术应当具备能够针对多个方面进行综合诊断的能力，从人、机、物、环、管五个维度，做好安全诊断和事故预防，避免灾害性事故发生。
发明内容
本发明的目的是提供一种煤化工企业安全诊断方法、智能化诊断平台、设备、存储介质，从多个维度对煤化工企业的安全状态进行诊断评估，提出企业安全生产存在的风险和问题，促进企业在安全生产过程中强化管理并持续改进。
本发明所采用的第一个技术方案是一种煤化工企业安全诊断方法，按照以下步骤实施：
S1、探明事故致因规律：基于案例分析、实验测量、数值模拟进行事故致因机理及演化过程研究，找出事故发生的主要风险因素；
S2、根据主要风险因素确定一、二、三级安全要素：基于对主要风险因素和国家相关法律、法规的研究，确定若干个一级安全要素、二级安全要素、三级安全要素；
S3、确定各安全要素的控制目标和控制指标：运用事故树分析法和WBS分解法来确定三级安全要素的控制目标和控制指标，并分析研究各指标间的关联关系，构建指标库；
S4、构建安全要素的评价体系：根据控制指标，确定各安全要素的评价内容、评价标准，运用熵权法建立数学评价模型和业务评价模型，形成安全诊断的评价体系。
进一步地，S4的具体步骤为：
S4.1、对各安全要素的数据进行处理，假定基于独立性筛选后有n个安全要素，m组待评数据，xij代表第i个安全要素的第j组数据，构成的原始指标矩阵为：
对于正向安全要素Zij
对于逆向安全要素Zij
对于振荡性安全要素，在进行归一化时，需要先进行转换，将安全要素转化为正向安全要素或逆向安全要素，以保证数据之间的可比性；
S4.2、计算权重；
如果pij为零，则定义limpif→0pijlnpij＝0；
S4.3、计算各安全要素的信息熵Ej；
如果安全要素的信息熵越小，则该安全要素提供的信息量越大，在综合评估中所起的作用也越大，权重越高；
S4.4、依次对各评价指标进行评价，得到相应的分值，并乘以相应的权重，得到最终三级要素的分值。
通过多维尺度(MDS)模型、卷积神经网络模型和时间预测模型来评价各安全要素。
通过多维尺度(MDS)模型进行评价的具体过程为：
首先，给定n个d维的样本数据
其中这n个样本之间的欧式距离可以表示成如下的矩阵
其中，σij(X)＝δij是样本i个样本j之间的欧式距离，有
进一步地，S4中对于每个一级安全要素，将其下属的二级安全要素的总得分加权平均计算得到一级安全要素的得分；对于每个二级安全要素，将其下属的三级安全要素的总得分加权平均计算得到二级安全要素的得分，构建要素体系。
进一步地，S4中设置阈值对总分数进行评估。
本发明所采用的第二个技术方案是一种煤化工企业安全诊断平台，包括大数据处理中心、安全量化态势系统、多维分析预警系统、管理辅助决策系统；
大数据处理中心用于研究诊断指标支撑数据来源，利用多元异构数据进行数据采集分类、处理及分析；
安全量化态势系统用于利用安全诊断机理模型，评价煤化工企业安全风险状态；
多维分析预警系统用于利用安全分析预测模型，通过多维数据分析，提前预警潜在安全风险；
管理辅助决策系统用于将安全量化态势系统和多维分析预警系统预警的风险结果进行可视化，支持企业进行管理和决策。
本发明所采用的第三个技术方案是一种煤化工企业安全诊断电子设备，包括处理器和存储器，其中：
存储器用于存储程序指令；
处理器用于读取存储器中的程序指令，并根据存储器的程序指令执行上述的诊断方法。
本发明所采用的第四个技术方案是一种煤化工企业安全诊断的存储介质，存储介质上存储有计算机程序，在计算机程序被处理器执行时，执行上述的诊断方法。
对于煤化工企业而言，安全管理至关重要，本发明设计的一种安全诊断方法，根据评估结果，制定相应的改进方案，持续改进煤化工企业的安全管理水平。可以不断监测评价指标，对企业的安全状况进行跟踪和分析，及时发现问题并进行处理。有助于评估煤化工企业的安全水平，并为企业提供改进建议，从而提高企业的安全管理水平，保障人员生命财产安全，同时也能够符合国家相关行业标准和规范，提高企业的竞争力和可持续发展能力。
附图说明
图1是本发明的卷积神经网络模型的卷积运算示意图；
图2是本发明的卷积神经网络模型的最大池化法和平均池化法运算示意图；
图3是本发明实施例中二级安全要素“目标”中各三级安全要素分值的雷达图；
图4是本发明实施例中一级安全要素“领导”中各二级安全要素分值的雷达图；
图5是本发明实施例中所有的一级安全要素分值的雷达图；
图6是本发明的安全诊断方法的技术示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1和图2所示，本发明的一种煤化工企业安全诊断方法，按照以下步骤实施：
S1、探明事故致因规律：
基于案例分析、实验测量、数值模拟进行事故致因机理及演化过程研究，找出事故发生的主要风险因素。具体地，收集煤化工企业发生过的事故案例，并对这些案例进行深入分析，找出事故发生的共性和规律。进行实验室或现场实验，测量和记录煤化工过程中的关键参数，如温度、压力、流量等，以获取数据支撑。同时，基于实验测量的数据，使用数值模拟软件对煤化工过程进行模拟，探索事故的致因机理和演化过程。最后，通过案例分析、实验测量和数值模拟的研究，找出导致事故发生的主要风险因素，对这些因素进行分析和评估。
总之，S1的实现过程主要包括案例分析、实验测量和数值模拟这三个关键步骤，通过这些步骤的研究，可以探明事故的致因规律，并找出事故发生的主要风险因素，这些结果为接下来的安全诊断提供了依据，并最终确定一级安全要素、二级安全要素、三级安全要素。
S2、根据主要风险因素确定一、二、三级安全要素：
基于对主要风险因素和国家相关法律、法规的研究，确定若干个一级安全要素、二级安全要素、三级安全要素。本实施案例中确定如下的具体一、二、三级要素：
一级安全要素：领导、安全文化、流程与制度、资源与保障、培训和能力、资产管理、工艺安全管理、风险管理、变更管理、项目管理、承包商管理、环保管理、隐患管理、应急管理、事故事件管理和持续改进。
二级安全要素：
一级安全要素领导中包括目标、方针、管理承诺、机构和职责、激励和考核二级安全要素；一级安全要素“安全文化”包括理念文化、制度文化、行为文化、物态文化这4个二级安全要素。
一级安全要素“流程与制度”包括法规标准识别与融入、业务流程、规章制度、工作计划与控制、文件记录这5个二级安全要素；一级安全要素“资源与保障”包括安全资金投入、人力资源、安全生产信息化、沟通这4个二级安全要素。
一级安全要素“培训和能力”包括培训这一个二级安全要素。
一级安全要素“资产管理”包括规划与购置、机械完整性、缺陷管理这三个二级安全要素。
一级安全要素“工艺安全管理”包括工艺安全信息、试生产前安全审查、操作规程等二级安全要素。
一级安全要素“风险管理”包括工艺危害因素风险管理、设备设施危害因素风险管理、作业危害因素风险管理、职业卫生危害因素风险管理4个二级安全要素。
一级安全要素“变更管理”包括变更审批、变更实施、变更完成3个二级安全要素。
一级安全要素“项目管理”包括项目计划、项目方案、项目执行、项目关闭4个二级安全要素。
一级安全要素“承包商管理”包括承包商选择、承包商运行管理、承包商绩效管理、供应链与采购、物流5个二级安全要素。
一级安全要素“环保管理”包括文明生产、环保设备设施完好性、污染物控制、预警处理4个二级安全要素。
一级安全要素“隐患处理”包括隐患排查、隐患治理、预防措施、奖惩4个二级安全要素。
一级安全要素“应急管理”包括应急计划、应急保障、应急响应、应急评审4个二级安全要素。
一级安全要素“事故事件管理”包括报告、调查和处理、纠正预防、事故事件分析统计、事故事件学习5个二级安全要素。
一级安全要素“持续改进”包括体系管理评审和业务成果内部审核2个二级安全要素。
确定三级安全要素：
二级安全要素“目标”中包括设立、沟通和回顾这3个三级安全要素；三级安全要素“设立”中设置了的评价指标，如包括人员伤亡数、隐患率、事故发生率、重大风险下降率、环保排放指标等；三级安全要素“沟通”中设置了4个评价目标，如安全目标和核心价值观/行为是否已经得到有效沟通、组织的目标是否已经得到有效的沟通；针对评价目标相应设置评价指标，如目标分解，下级目标与上级目标的匹配率、公司与分管领导、分管领导与部室车间逐级签订目标责任书、沟通形式，签订安全环保目标责任书、年度工作会议、个人安全目标与单位安全目标的匹配率、个人签订安全承诺/目标责任书等。
二级安全要素“理念文化”中包括文化培育、安全意识变化这2个三级安全要素；三级安全要素“理念传播”中设置了一个评价目标，即企业是否建立有效的安全学习模式，宣传贯彻安全文化理念；针对评价目标相应设置评价指标，包括宣传贯彻安全文化理念的途径数量；三级安全要素“文化培育”中设置了2个评价目标，包括企业是否建立包括安全价值观、安全愿景、安全使命和安全目标等在内的安全承诺和企业采取什么措施培育安全文化；针对评价目标相应设置评价指标，如安全承诺的类型数量、以安全承诺为指导，员工对如下工作与安全承诺的一致性的认可度、岗位职责是否践行安全价值观；；三级安全要素“安全意识变化”中设置了两个评价目标，如是否为提升员工安全意识提供了充足的资源、是否建立了监测、跟踪意识提升效果及深层次意识培训需求的机制；针对评价目标相应设置评价指标，如员工对提升安全意识措施的满意度1.填写培训效果评价表、员工培训需求评价表；二级安全要素“制度文化”中包括认可度和践行度2个三级安全要素；三级安全要素“认可度”包括是否对员工进行安全法律法规、规章制度的教育的评价目标，该评价目标相对应的评价指标包括员工每年参加法律法规、规章制度教育的百分比；三级安全要素“践行度”包括企业是否检验员工践行法律法规、规章制度的效果的评价目标，该评价目标相对应的评价指标包括管理人员对员工践行法律法规与规章制度的满意度；二级安全要素“行为文化”包括组织行为、个体行为这2个三级安全要素，其中三级安全要素“组织行为”包括管理层的决策行为是否符合安全承诺这一个评价目标，该评价目标相对应的评价指标为员工对管理层践行安全承诺行为的满意度；三级安全要素“个体行为”包括是否有一个系统通过应用正式的行为观察来监控和提高员工的行为、企业是否开展下列工作预防和控制员工的不安全行为这2个评价目标，相对应的评价指标为开展行为安全观察的岗位百分比、基于人岗匹配测试结果安排工作任务的比例；二级安全要素“物态文化”包括本质安全度和满意度这2个三级安全要素；其中，三级安全要素“本质安全度”的评价目标为企业是否开展下列本质安全建设工作，相对应的评价指标是对消气防设施、安全附件、安全标志等维护保养和建立联锁系统、紧急切断系统；三级安全要素“满意度”的评价目标为员工对企业本质安全化的满意程度，相对应的评价指标为满意度调查。
二级安全要素“法规标准识别与融入”中包括需求识别、融入、合规性这3个三级安全要素；三级安全要素“需求识别”中设置了是否确定了负责安全生产的法律法规与其他要求进行识别、获取、评审与更新的部门、人员及其职责和是否识别和获取了适用的安全生产法律法规、标准规范和其他要求等3个评价目标；针对评价目标相应设置评价指标，如有无制度、安全生产法律法规、标准规范和其他要求的清单等；三级安全要素“融入”中设置了是否将最新版本的安全生产法律法规及时转化为本单位的规章制度、企业内部人员是否可以获取相关的安全生产法律法规与其他要求这2个评价目标；针对评价目标相应设置评价指标，如本单位规章制度与法律法规的匹配度、获取途径数量；三级安全要素“合规性”中设置了各单位是否制定法律法规合规性评判的方式或方法、企业是否每年对国家法律法规、标准规范的合规性进行评价这2个评价目标；针对评价目标相应设置评价指标，如建立管理程序或管理制度、法律法规合规性评价的百分比。
二级安全要素“安全资金投入”中包括投入这1个三级安全要素；三级安全要素“投入”中设置了是否建立安全资金投入和使用管理制度、安全资金的提取和使用是否符合规定等4个评价目标；针对评价目标相应设置评价指标，如年度安全投入明细表、安全资金使用的合规率、安全审计符合度等；二级安全要素“人力资源”中包括定岗定员、招聘、个人绩效考核、离职风险这4个三级安全要素；三级安全要素“定岗定员”中设置了3个评价目标，相应设置有4个评价指标；三级安全要素“招聘”中设置了6个评价目标，相应设置有6个评价指标；三级安全要素“个人绩效考核”中设置了3个评价目标，相应设置有3个评价指标；二级安全要素“安全生产信息化”中包括功能、使用、数据获取与利用、使用效果评估这4个三级安全要素，相应设置有四个评价目标和评价指标；二级安全要素“沟通”中包括沟通系统、安全会议、员工与相关方参与这3个三级安全要素；三级安全要素“沟通系统”中设置了4个评价目标，相应设置有4个评价指标；三级安全要素“安全会议”中设置了3个评价目标，相应设置有3个评价指标；三级安全要素“员工与相关方参与”中设置了3个评价目标，相应设置有3个评价指标。
二级安全要素“培训”中包括领导入职安全培训、通用入职安全培训、技能提升培训、识别分析、计划制定、特殊工种培训、培训方式、讲师评估、培训效果评估、信息平台、教材/题库、建档等12个三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“规划与购置”中包括设备、设施、备品备件等4个三级安全要素；二级安全要素“机械完整性”中包括新设备安装、使用维护、检验检测、常规检查、现场巡视、报废和拆除等三级安全要素；二级安全要素“缺陷管理”中包括缺陷辨识、缺陷控制、建档备案三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“工艺安全信息”中包括化学品危害信息、工艺技术信息、工艺设备信息、工艺安全信息这1个三级安全要素；二级安全要素“试生产前安全审查”中包括准备和检查两个三级安全要素；二级安全要素“操作规程”中包括制定、使用、评审和修订4个三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“工艺危害因素风险管理”中包括工艺危害因素识别与评价、工艺危害因素风险控制、工艺危害因素风险监控等3个三级安全要素；二级安全要素“设备设施危害因素风险管理”包括设备设施危害因素识别与评价、设备设施危害因素风险控制、设备设施危害因素风险监控等3个三级安全要素；二级安全要素“作业危害因素风险管理”包括作业危害因素识别与评价、人因风险管理、作业许可、行为观察、个体防护用品、作业危害因素风险监控等三级安全要素；二级安全要素“职业卫生危害因素风险管理”包括职业卫生危害因素风险识别与评价、职业卫生危害因素风险控制、职业卫生危害因素风险监控三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“变更审批”包括申请、变更风险辨识与控制2个三级安全要素；二级安全要素“变更实施”包括生产工艺三级安全要素；二级安全要素“变更完成”包括验收三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“项目计划”包括风险评估和审批2个三级安全要素；二级安全要素“项目执行”包括过程评审、调试、交付3个三级安全要素；二级安全要素“项目关闭”包括验收、建档2个三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“承包商选择”包括资质预审、招标2个三级安全要素；二级安全要素“承包商运行管理”包括合同和过程监督2个三级安全要素；二级安全要素“承包商绩效管理”包括评估和改进2个三级安全要素；二级安全要素“供应链与采购”包括原辅材料质量1个三级安全要素；二级安全要素“物流”包括危化品物流和废物处置2个三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“文明生产”包括定置化、目视化和巡检2个三级安全要素；二级安全要素“环保设备设施完好性”包括检查和维护2个三级安全要素；二级安全要素“污染物控制”包括污染物控制、排放、污染物处置3个三级安全要素；二级安全要素“预警处理”包括超标处理1个三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“隐患排查”包括时效、广度/深度、参与度、预警等4个三级安全要素；二级安全要素“隐患治理”包括整改和验收2个三级安全要素；二级安全要素“预防措施”包括培训与落实1个三级安全要素；二级安全要素“奖惩”包括通报1个三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“应急计划”包括应急需求评价和应急预案2个三级安全要素；二级安全要素“应急保障”包括机构和队伍、应急设施/装备和物资/医疗、培训3个三级安全要素；二级安全要素“应急响应”包括启动和外部支持2个三级安全要素；二级安全要素“应急评审”包括应急演练评价和预案评审2个三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“报告”包括程序和时效2个三级安全要素；二级安全要素“调查和处理”包括参与调查1个三级安全要素；二级安全要素“纠正”包括措施与落实1个三级安全要素；二级安全要素“事故事件分析统计”包括类型统计和特点分析2个三级安全要素；二级安全要素“事故事件学习”包括调查报告和警示学习2个三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
二级安全要素“体系管理评审”包括计划、执行、纠正3个三级安全要素；二级安全要素“业务成果内部审核”包括审核和改进2个三级安全要素；各三级安全要素设置有评价目标，评价目标相应设置有评价指标。
S3、确定各安全要素的控制目标和控制指标：运用事故树分析法和WBS分解法来确定三级要素的控制目标和控制指标，并分析研究各指标间的关联关系，构建指标库。具体过程为：
根据S2确定的一、二、三级安全要素，利用事故树分析法进行分析。首先，确定每个安全要素产生事故的可能性，然后构建事故事件的逻辑结构，将顶事件(事故)通过逻辑门与底事件(导致事故的因素)相连。最后，对每个门的故障概率进行估计，从而计算出顶事件发生的概率。
根据S2确定的各级安全要素，使用WBS(工作分解结构)方法对这些安全要素进行分解。将一级安全要素进一步细化为二级安全要素，再将二级安全要素进一步细化为三级安全要素。
确定控制目标和控制指标：借助事故树分析法和WBS分解法的结果，确定每个安全要素的控制目标和控】制指标。控制目标是安全要素所要达到的状态或水平，而控制指标是通过度量和评估来反映控制目标是否实现的指标。
分析指标关联关系：对各指标间的关联关系进行分析研究。例如，某个指标的变化是否会对其他指标产生影响，是否存在因果关系等。这有助于更好地理解和设计评价体系。
构建指标库：根据控制目标和控制指标，构建安全要素的指标库。指标库是指收集并整理了相关指标的数据库，用于评价和监测安全要素的控制情况。
S4、构建安全要素的评价体系：根据安全要素指标，确定各要素的评价内容、评价标准，运用熵权法建立数学评价模型和业务评价模型，形成安全诊断的评价体系。
S4中的具体步骤如下：
S4.1、对各安全要素的数据进行处理，假定基于独立性筛选后有n个安全要素，m组待评数据，xij代表第i个安全要素的第j组数据，构成的原始指标矩阵为：
对于正向安全要素Zij
对于逆向安全要素Zij
对于振荡性安全要素，在进行归一化时，需要先进行转换，将安全要素转化为正向安全要素或逆向安全要素，以保证数据之间的可比性；
S4.2、计算权重；
如果pij为零，则定义limpif→0pijlnpij＝0；
S4.3、计算各安全要素的信息熵Ej；
如果安全要素的信息熵越小，则该安全要素提供的信息量越大，在综合评估中所起的作用也越大，权重越高。
对于每个一级安全要素，将其下属的二级安全要素的总得分加权平均计算得到一级安全要素的权重；对于每个二级安全要素，将其下属的三级安全要素的总得分加权平均计算得到二级安全要素的权重，构建要素体系。
在对各评价指标进行评价时，评价原则可依据如下进行：
当问题的回答只有是或否两种答案时，以“满分或零分”的原则来评分。例如，组织的目标是否已经得到有效的沟通？得到有效沟通得100，未得到有效沟通得0分。
有些问题的评分要基于“专业判断”，此时审核员必须依照评分指南判断其符合程度或系统实施的质量。审核员可以基于自己的判断，给出零分至满分。例如：DCS数据报警阈值达到上下限预警值，三个月内未偏离得0分，偏离5次内，得50分，偏离10次得0分，完成异常工况偏离原因诊断。
有些主观的指标数据如员工的职业压力、对企业的认可度等，则需要进行一对一访谈或设计专业量表评价来获取。如员工对企业非常认可得100分，认可得80分，比较认可得60分，不认可得0分。
有些数据基于统计管理台账获取，结合现有文献制定科学的量化赋分标准。如连锁报警台账中，防泄漏、超温、超压、液位报警装置等检验合格率，根据合格率获取相应分值，合格率在100％得100分，在95％得80分，在90％得60分，低于90％得0分。
有些问题的评分要基于评价模型，此时审查人员将大数据中心的数据输入到多维尺度(MDS)模型中，对其进行评价。
首先，给定n个d维的样本数据
其中这n个样本之间的欧式距离可以表示成如下的矩阵
其中，σij(X)＝δij是样本i个样本j之间的欧式距离，有
MDS的基本原理是在一个低维的空间中，将n个物体嵌入到该空间中，使得彼此间的相似度尽可能地保留。如果这个低维的空间是2维或者3维，则可以画出该n个物体的可视化结果。假设将这n个样本映射到新的p维空间中，映射成的矩阵形式如下：
其中p<<d。一般p取2或者3。通常，计量多元尺度法(Metric MDS)是最小化如下的目标函数:
对于欧式距离，可以被任意旋转和变换，因为这些变换不会改变样本间的距离。所以，对于Y，解是不唯一的。
有些问题的评分要基于预测模型，此时审查人员将大数据中心的相应数据输入到CNN-LSTM预测模型中，根据预测事故发生百分比得分，比如预测事故率在70％，则得30分，完成预测事故故障诊断。
首先，卷积层提取数据特征，通过提取到的局部数据特征信息得到整体特征；其次，提取到的特征通过传输至池化层进行信息筛选，降低特征图的维度，其不仅可以保留有效信息，还减少了由于参数过多导致的过拟合现象，提高了网络的抗干扰能力，池化层也称采样层，平均池化法和最大池化法为池化过程常用的方法；接着全连接层对输出数据进行特征提取，最后对其进行分类预测。
(1)卷积层
卷积神经网络的核心是卷积核的设计，通过卷积核对输入数据进行特征的提取。如图1所示，其进行卷积运算时，输入数据的特征信息被卷积核通过滑动处理进行卷积操作，矩阵内特征计算次数大于输入矩阵的边缘，且因多次卷积运算，矩阵范围不断减小，卷积核滑动得到的局部信息为特征信息中的各个数值。在新的特征映射中进行下一步卷积，通过叠加可将提取到的局部特征融和得到全局特征。卷积核的个数和形状决定了网络的整体性能，卷积核越大，特征信息越容易缺失，卷积核越小，特征信息越精确。权值共享指使用同一个卷积核进行计算出的一个单一的特征映射。权值共享可以大幅减少非必要训练的参数数量，降低模型的复杂程度，但是对同一个卷积层进行不同的特征提取时，需要多个卷积核，此时权值不共享。
目前，线性修正单元(Relu)是卷积神经网络设计中较常使用的卷积层激活函数，相较于其它非线性激活函数，其在准确度和训练速度方面具有巨大优势，可以采用更深模型对其进行较长时间训练。
卷积层的计算过程。
式中，代表第l层的输出；Mj表示特征信息；/>表示第l-1层的输出；/>表示第l层的权值；/>表示第l层的偏置项。
(2)池化层
在卷积层实现权重共享和局部感知后，权重数量大幅度降低，但是卷积神经网络仍具有较大维度，不仅会使计算量增大，还会导致过拟合现象。因此通过对数据进行池化处理，计算某个区域的最大值或平均值，聚合统计处于不同位置的特征，对数据进行稀疏性处理，避免了训练数据时出现的梯度下降等问题。对数据进行池化处理，可以增强CNN的容错性和鲁棒性，常用的池化计算方法主要有平均池化法和最大池化法。
常用的池化层大小为2×2，设置移动步长为2，随后对每个切片深度的输入进行下采样，其采用方法为最大池化法和平均池化法。如图2所示，最大池化法使用局部矩阵四个数中的最大值来替代，平均池化法使用局部矩阵四个数中的平均值来替代，得到2×2的矩阵。可以看出池化处理极大降低了特征图的大小。
(3)全连接层
CNN中经常会采用的一个层为全连接层，其具有分类器的作用，通过将卷积和池化过程中得到的特征映射到样本标记空间，再将最后的输出结果进行分类。
卷积神经网络被认为是第一个真正成功采用多层次结构网络的具有鲁棒性的深度学习方法。通过挖掘数据在空间和时间上的相关性来减少非必要训练的参数数量，达到改进前向传播网络的反向传播算法效率的目的。
时间预测模型LSTM神经网络是深度学习的另一模型，各状态门具体如下：
(1)遗忘门
遗忘门是LSTM网络中的第一个门，它负责控制信息的保留与否。LSTM单元的输入为此时刻的输入xt和上一层传递的隐藏状态ht-1，通过学习这两个输入，经由遗忘门控制的Sigmoid函数控制输出0到1之间的概率值，0表示完全舍弃，1表示完全通过。
ft＝σ(Wf*[ht-1,Xt]+bf)
式中，σ表示Sigmoid激活函数，通常用作神经网络的阈值函数；ft表示上一层网络输入的信息通过遗忘门所遗留的信息；Wf表示权重信息；bf表示遗忘门中的偏差向量；Xt表示当前时刻的输入；ht-1表示当前时刻的输出。
(2)输入门
经过遗忘门舍弃部分信息后，需要输入门重新补充部分信息，首先输入门控的Sigmoid激活函数判断上一层的输入和舍弃信息，同时在Tanh层中将会创建新的候选存储内容此时，LSTM为将信息继续向下传递，将上一时刻的单元细胞信息更新为新的细胞单元状态信息，同时，利用遗忘门控对上一时刻的单元细胞信息进行选择性遗忘，随后利用输出门对该层候选内容进行选择性用过，最终形成新的细胞单元状态信息Ct。
it＝σ(Wi*[ht-1,Xt]+bi)
式中，it表示经过Sigmoid激活函数所保留的信息；Wi表示权重信息；bi表示输入门的偏置向量；表示新增的输入信息状态；Wc表示权重矩阵；bc表示偏置向量；Ct表示新的细胞单元状态信息；Ct-1表示上一时刻的单元细胞信息；ft为遗忘门。
(3)输出门
该时刻需要输出隐藏状态ht以传递到下一层进行继续循环。首先，LSTM通过Sigmoid激活函数确定输出该时刻状态的具体部分。其次，通过Tanh函数得到一个输出，并将其与Sigmoid激活函数的输出相乘。最后决定这一时刻输出的隐藏状态部分。
ot＝σ(Wo*[ht-1,Xt]+bo)
ht＝ot*tanh(Ct)
式中，Ot表示输出细胞单元的状态信息；bo表示输入门的偏置向量；ht表示最后输出的信息部分。
LSTM以其独特的门控机制保留了更长期的信息，从而对长期时间序列有较好的预测效果。
最后通过对各评价指标进行诊断，最终得到各三级要素的分数，通过各三级要素的权重，最终得到各二级要素的分数，利用各二级要素的权重，最终得到一级要素的分数，最终完成煤化工企业安全诊断，各安全要素的分数以雷达图的形式呈现。
本实施例还提供一种煤化工企业安全诊断平台开发智能化诊断平台，包括大数据处理中心、全量化态势系统、多维分析预警系统、管理辅助决策系统；安全诊断设备包括：安全诊断设备包括采集模块、数据处理模块、诊断分析模块。
大数据处理中心：该大数据处理中心，通过多元异构海量动态数据采集技术，实现数据的采集、分类、清洗、存储、处理及服务一体化。它能够获取到煤化工企业生产过程中的实时数据，并将其上传到数据服务中心。
随着企业信息化程度的不断提高，数据的规模和复杂程度也越来越高，数据清洗和存储成为了需要面对的难题。在企业中，数据清洗的主要目的是消除数据集中存在的错误、不完整、重复、无用数据等，使得数据能够达到高质量、一致性、准确性等目的，同时保证数据的安全性。两阶段的数据清洗方法常使用，首先是预处理阶段，在数据被存储在数据库之前进行清理和规范化，然后在存储后的清洗阶段中执行进一步的数据整合和修复。数据存储的主要任务是能够处理、存储和管理各种类型的数据。因此，在数据存储方面，企业需要根据业务场景，采用不同类型的数据库存储方案，如关系型数据库、文档型数据库等技术，以满足企业数据存储需求和应用要求。
为了提高信息价值，需要对采集到的煤化工企业的数据进行处理。数据处理的任务是提取有用信息，对数据进行有效性验证、数据清洗、数据转换、数据集成、数据挖掘等步骤，以从庞杂的煤化工企业数据中，发现潜在的安全隐患，进行更深度的挖掘和分析。
客观数据从工控网需要硬件转换，实时数据库需要OPC服务器，其他管理网里的软件系统从API端口调取煤化工各智能化系统的数据，煤化工智能系统有SES安全连锁系统、DCS系统、MES生产执行系统、LIMS实验室信息、SIS安全仪表系统、SIS安全仪表系统、大机组监测系统、EMS能源管理系统、FAS火灾报警系统、RDS有毒可燃气体检测系统、RTDB环境监测；主观数据：根据访谈、现场检查、查阅文档记录等进行数据内容挖掘并根据特征进行量化获取。
安全量化态势系统：该系统融入数字孪生技术，模拟生产过程的物理变化、进程优化和预测等智能功能，研发现代煤化工企业安全诊断机理模型，利用安全诊断机理模型，评价煤化工企业安全风险状态。
多维分析预警系统：该系统利用计算机自学习算法、相关性分析算法等数据分析技术，构建安全分析预测模型，自学习算法可以自动分析数据中的规律和信息，从而有效的提高数据处理的效率和精度；相关性分析算法可以自动标记数据主题和关键信息，发现数据之间的关联特征通过多维数据分析，提前预警潜在安全风险。
管理辅助决策系统：该系统将安全量化态势系统和多维分析预警系统预警的数据汇总和展示，形成企业各级安全要素的雷达图，从而帮助企业更好地了解自身安全状况。管理员工可以发现隐含的安全问题并及时处理，领导决策者可以依据数据制定科学决策，确保企业安全。
同时，本实施例还提供了一种煤化工企业安全诊断设备，包括数据采集模块、数据处理模块、诊断分析模块；
数据采集模块：利用煤化工企业各智能系统，通过硬件转换，对接到OPC服务器，调取实时数据。
数据处理模块：数据处理模块主要对采集到的原始数据进行处理，以提高数据质量，并提取有价值的信息。数据处理的内容包括：数据清洗、数据校验、数据整理、数据归档、数据可视化等一系列操作。处理后的数据，可以帮助煤化工企业更好地了解自身的安全状况，并且可以作为进一步数据分析和诊断分析的来源。
诊断分析模块：诊断分析模组是设备核心模块，其主要功能是对采集到的数据进行分析，诊断煤化工企业的安全状况，提取安全风险并给出处理建议。具体来说，它可以运用全诊断机理模型和安全分析预测模型，对不同类型的数据建模，并进行安全评估、风险分析和诊断分析。最终，它可以结合其他模块采集到的数据，输出报警信息和决策建议，帮助煤化工企业科学制定安全管理策略，提高安全生产水平，降低安全风险。
此外，本实施例还提供了一种煤化工企业安全诊断电子设备及介质。其中，电子设备包括处理器和存储器，存储器用于存储程序指令；处理器用于读取存储器中的程序指令，并根据存储器的程序指令执行上述的诊断方法。一种煤化工企业安全诊断的存储介质，介质上存储有计算机程序，在计算机程序被处理器执行时，执行上述的诊断方法，此处不再赘述。
本发明的煤化工企业安全诊断方法实现原理如下：
如图3所示，基于案例分析、实验测量、数值模拟进行事故致因机理及演化过程研究，找出事故发生的主要风险因素。基于对风险因素和国家相关法律、法规的研究，确定若干个一、二、三级安全要素；运用事故树分析法和WBS分解法来确定三级要素的控制目标和控制指标，并分析研究各指标间的关联关系，构建指标库，创立适用于煤化工企业的安全诊断体系；研发多源异构海量动态数据重构和挖掘的安全诊断模型技术，研制煤化工企业的安全诊断智能化平台和设备；形成煤化工企业安全诊断关键技术。
在本实施例中，各安全要素的分值均采用雷达图来表达。如图4所示，二级安全要素“领导”中包括三个三级安全要素，经过评估打分，三级安全要素“设立”分值为95分，三级安全要素“回顾”为88分，三级安全要素“沟通”为96分。
如图5所示，一级安全要素“领导”中包含五个二级安全要素，经过评估打分，二级安全要素“目标”为89分，二级安全要素“激励和考核”为94分，二级安全要素“机构和职责”为97分，二级安全要素“管理承诺”为88分，二级安全要素“方针”为87分。
如图6所示，本实施例的体系中的一级安全要素“领导”为120分，一级安全要素“安全文化”为30分，一级安全要素“流程与制度”为180分，一级安全要素“资源与保障”为130分，一级安全要素“培训和能力”为150分，一级安全要素“资产管理”为170分，一级安全要素“工艺安全管理”为160分，一级安全要素“风险管理”为450分，一级安全要素“变更管理”为60分，一级安全要素“项目管理”为50分，一级安全要素“承包商管理”为50分，一级安全要素“环保管理”为50分，一级安全要素“隐患排查治理”为50分，一级安全要素“应急管理”为150分。
在评估过程中，也可以设置阈值进行分类评估，例如80分以上的认为是优秀水平，60-79分之间的认为是普通水平，低于60分的则认为是不达标。
根据得出的分数，对煤化工企业的安全状况进行评估和判断，将评估结果以报告的形式呈现给企业管理层。在报告中详细说明评价指标体系、数据收集、数据处理和分析过程以及改进建议等。这样，企业管理层就能够了解到企业在安全方面存在的问题和潜在风险，并采取相应的措施进行改进。例如，如果企业的设备故障率较高，可以建议企业加强设备的检修维护管理，降低设备故障率。如果排放浓度较高，可以建议企业加强废气处理和监测方面的投入。如果个人防护用品使用率和更新频率不足，可以建议企业加强安全培训和个人防护用品管理等。此外，还可以将评估结果与企业的运营管理系统相结合，引入自适应控制模型，实现安全风险的动态监测和控制。
本发明具有以下优点：
准确性高：通过统计学和熵权法分析技术等手段，可以收集到更加准确的数据，建立更为精细的数学模型，从而提高评估的准确性。
全面性强：通过细化评估体系设置，能够覆盖现代煤化工企业的各个方面，从而实现全面性评价。
操作性好：通过可视化分析功能、异常检测模型等，将评估结果以图表、报表等形式呈现，方便用户快速了解企业安全状况和评估结果。
实时性强：采用物联网技术和传感器等设备实时采集各项数据，能够实现实时监测和预警，提高评估的实时性。
可持续性强：建立动态权重模型和自适应控制模型，能够实现评估指标和安全风险的动态监测和控制，从而实现可持续性评价。

Claims (9)

1.煤化工企业安全诊断方法，其特征在于，按照以下步骤实施：
S1、探明事故致因规律：基于案例分析、实验测量、数值模拟进行事故致因机理及演化过程研究，找出事故发生的主要风险因素；
S2、根据主要风险因素确定一、二、三级安全要素：基于对主要风险因素和国家相关法律、法规的研究，确定若干个一级安全要素、二级安全要素、三级安全要素；
S3、确定各安全要素的控制目标和控制指标：运用事故树分析法和WBS分解法来确定三级安全要素的控制目标和控制指标，并分析研究各指标间的关联关系，构建指标库；
S4、构建安全要素的评价体系：根据控制指标，确定各安全要素的评价内容、评价标准，运用熵权法建立数学评价模型和业务评价模型，形成安全诊断的评价体系。
2.根据权利要求1所述的一种煤化工企业安全诊断方法，其特征在于，所述S4的具体步骤为：
S4.1、对各安全要素的数据进行处理，假定基于独立性筛选后有n个安全要素，m组待评数据，xij代表第i个安全要素的第j组数据，构成的原始指标矩阵为：
对于正向安全要素Zij
对于逆向安全要素Zij
对于振荡性安全要素，在进行归一化时，需要先进行转换，将安全要素转化为正向安全要素或逆向安全要素，以保证数据之间的可比性；
S4.2、计算权重；
如果pij为零，则定义limpif→0pijlnpij＝0；
S4.3、计算各安全要素的信息熵Ej；
如果安全要素的信息熵越小，则该安全要素提供的信息量越大，在综合评估中所起的作用也越大，权重越高；
S4.4、依次对各评价指标进行评价，得到相应的分值，并乘以相应的权重，得到最终三级要素的分值。
3.根据权利要求1所述的一种煤化工企业安全诊断方法，其特征在于，通过多维尺度(MDS)模型、卷积神经网络模型和时间预测模型来评价各安全要素。
4.根据权利要求3所述的一种煤化工企业安全诊断方法，其特征在于，通过多维尺度(MDS)模型进行评价的具体过程为：
首先，给定n个d维的样本数据
其中这n个样本之间的欧式距离可以表示成如下的矩阵
其中，σij(X)＝δij是样本i个样本j之间的欧式距离，有
5.根据权利要求1所述的一种煤化工企业安全诊断方法，其特征在于，所述S4中对于每个一级安全要素，将其下属的二级安全要素的总得分加权平均计算得到一级安全要素的得分；对于每个二级安全要素，将其下属的三级安全要素的总得分加权平均计算得到二级安全要素的得分，构建要素体系。
6.根据权利要求1所述的一种煤化工企业安全诊断方法，其特征在于，所述S4中设置阈值对总分数进行评估。
7.一种煤化工企业安全诊断平台，其特征在于，包括大数据处理中心、安全量化态势系统、多维分析预警系统、管理辅助决策系统；
大数据处理中心用于研究诊断指标支撑数据来源，利用多元异构数据进行数据采集分类、处理及分析；
安全量化态势系统用于利用安全诊断机理模型，评价煤化工企业安全风险状态；
多维分析预警系统用于利用安全分析预测模型，通过多维数据分析，提前预警潜在安全风险；
管理辅助决策系统用于将安全量化态势系统和多维分析预警系统预警的风险结果进行可视化，支持企业进行管理和决策。
8.一种煤化工企业安全诊断电子设备，其特征在于，包括处理器和存储器，其中：
所述存储器用于存储程序指令；
所述处理器用于读取存储器中的程序指令，并根据存储器的程序指令执行如权利要求1-6任意一种所述的一种煤化工企业安全诊断方法。
9.一种煤化工企业安全诊断存储介质，其特征在于，所述存储介质上存储有计算机程序，在所述计算机程序被处理器执行时，执行如权利要求1-6任意一种所述的一种煤化工企业安全诊断方法。
CN202311306990.7A 2023-10-10 2023-10-10 煤化工企业安全诊断方法、平台、电子设备及存储介质 Pending CN117436689A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311306990.7A CN117436689A (zh) 2023-10-10 2023-10-10 煤化工企业安全诊断方法、平台、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311306990.7A CN117436689A (zh) 2023-10-10 2023-10-10 煤化工企业安全诊断方法、平台、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117436689A true CN117436689A (zh) 2024-01-23

Family

ID=89557481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311306990.7A Pending CN117436689A (zh) 2023-10-10 2023-10-10 煤化工企业安全诊断方法、平台、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117436689A (zh)

Similar Documents

Publication Publication Date Title
Zhu et al. Application of machine learning techniques for predicting the consequences of construction accidents in China
Li et al. Identifying coal mine safety production risk factors by employing text mining and Bayesian network techniques
Yazdi et al. Fuzzy dynamic risk-based maintenance investment optimization for offshore process facilities
Goh et al. Neural network analysis of construction safety management systems: A case study in Singapore
García-Herrero et al. Bayesian network analysis of safety culture and organizational culture in a nuclear power plant
Pence et al. Data-theoretic methodology and computational platform to quantify organizational factors in socio-technical risk analysis
CN113837578B (zh) 一种电力监理企业网格化监督管理评价方法
Chai et al. Evaluating operational risk for train control system using a revised risk matrix and FD-FAHP-Cloud model: A case in China
Koc et al. Developing a national data-driven construction safety management framework with interpretable fatal accident prediction
Babu et al. Air quality prediction based on supervised machine learning methods
Liu et al. Human factor risk modeling for shipyard operation by mapping fuzzy fault tree into Bayesian network
Alqudah Investment Artificial Intelligence in decision-making processes in the Jordanian Ministry of Interior
Zheng et al. A hybrid approach for evaluating faulty behavior risk of high‐risk operations using ANP and evidence theory
Liu et al. Credit assessment of contractors: a rough set method
Shi et al. The mine emergency management capability based on EWM-CNN comprehensive evaluation
CN115660296B (zh) 一种基于机器学习的不合规项目建议方案自动出具方法
Coşkun et al. Sustainability management model based on risk analysis and implementation of the model
CN117436689A (zh) 煤化工企业安全诊断方法、平台、电子设备及存储介质
Ying et al. Research on tax inspection case selection model based on Bayesian network
Karmagatri et al. Predicting Factors Related to Student Performance Using Decision Tree Algorithm
Erlebach et al. Is there congruence in the spatial patterns of regions derived from scalar and vector geographical information?
CN112184040A (zh) 基于行为与学习数据进行软件工程能力评估的平台
Warren Jr Safety culture monitoring: A management approach for assessing nuclear safety culture health performance utilizing multiple-criteria decision analysis
Maharani et al. Reconstruction of the SDGs Measurement Model Based on Socio-Ecological Perspective Technology for a Sustainable Green Economy
Wang et al. Data analysis and evaluation system for resource and environmental attributes in the manufacturing process

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