CN117540883B - 一种基于ai的安全风险识别分析系统及方法 - Google Patents
一种基于ai的安全风险识别分析系统及方法 Download PDFInfo
- Publication number
- CN117540883B CN117540883B CN202410032690.2A CN202410032690A CN117540883B CN 117540883 B CN117540883 B CN 117540883B CN 202410032690 A CN202410032690 A CN 202410032690A CN 117540883 B CN117540883 B CN 117540883B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- automatic operation
- data
- judged
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000001311 chemical methods and process Methods 0.000 claims abstract description 66
- 238000004088 simulation Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数字工厂技术领域,公开了一种基于AI的安全风险识别分析系统及方法,其中基于AI的安全风险识别分析方法包括:基于化工工艺系统的数据来生成第一节点,基于操作人员的数据和非自动化操作的数据来生成第二节点;生成节点的初始特征和基准图;将节点的初始特征输入动态学习模型中,输出表示待判断的非自动化操作是否存在风险的值;如果待判断的非自动化操作存在风险,则增加操作人员监督执行待判断的非自动化操作或者人工审核该非自动化操作;本发明能够人工智能提取化工工艺系统在一段时间内的动态变化特征,并对化工工艺系统的全局信息进行融合,能够达到预测待执行的非自动化操作的风险性的目的。
Description
技术领域
本发明涉及数字工厂技术领域,更具体地说,它涉及一种基于AI的安全风险识别分析系统及方法。
背景技术
化工工艺系统一直以来存在高危险性,因此对于化工工艺系统的操作需要严格的进行监控,来避免出现重大事故,尤其是对于人工进行的非自动化操作,由于介入了人为因素的影响,更需要进行风险监控。
公开号为CN116311374A的中国专利公开了一种化工厂工人异常行为识别与预警方法及系统,其利用人工智能来识别工人操作视频中的异常行为,但是其只能在操作完成后才能够识别,而大部分时刻危险在操作完成后即会发生,此时再识别异常的意义不大;而且对于操作本身存在的风险无法识别,操作如果存在风险,即使工人正常操作也会产生危险。
发明内容
本发明提供一种基于AI的安全风险识别分析系统及方法,解决相关技术中无法预测非自动化操作的风险的技术问题。
本发明提供了一种基于AI的安全风险识别分析系统,包括:节点生成模块,其基于化工工艺系统的数据来生成第一节点,基于操作人员的数据和非自动化操作的数据来生成第二节点。
系统动态记录模块,其用于记录系统动态数据,系统动态数据包括节点之间的关系的变化以及节点之间关系变化发生的时间。
任意两个节点之间存在边的条件包括:两个节点对应的设备通过管道或线路连接;两个节点中的一个节点对应于非自动化操作,另一个对应于设备,并且该非自动化操作作用于该设备;两个节点中的一个节点对应于非自动化操作,另一个对应于操作人员,并且该非自动化操作由该操作人员执行。
定义当前时间点为g,待判断的非自动化操作在时间点y开始执行,时间点y在时间点g之后。
特征生成模块,生成节点的初始特征和基准图,生成节点的初始特征的数据包括:一、基于g-T的时间点的化工工艺系统、操作人员和非自动化操作的数据;二、待判断的非自动化操作的数据。
节点包括第一节点和第二节点;基准图包括当前时间点的节点之间的边,并增加了表示待判断的非自动化操作的节点,增加了表示待判断的非自动化操作的节点与当前时间点的节点之间的边。
识别模块,其用于将节点的初始特征输入动态学习模型中,动态学习模型中输出表示待判断的非自动化操作是否存在风险的结果。
操作管理模块,如果待判断的非自动化操作存在风险,则增加操作人员监督执行待判断的非自动化操作或者人工审核该非自动化操作。
如果待判断的非自动化操作不存在风险,则正常执行该非自动化操作。
进一步地,一种基于AI的安全风险识别分析系统还包括:系统数据采集模块,其用于采集化工工艺系统的数据。
操作人员数据采集模块,其用于采集能够操作化工工艺系统的操作人员的数据。
非自动操作信息采集模块,其用于采集人为执行的作用于化工工艺系统的非自动化操作的数据。
进一步地,动态学习模型包括隐藏层和输出层,隐藏层的计算公式如下。
。
。
其中表示第i个节点的编码特征,/>、/>、/>、/>分别表示第一、二、三、四权重参数,/>和/>分别表示第i个和第j个节点的节点特征,/>表示基准图中与第i个节点通过边直接连接的节点的集合,M表示/>中的节点总数,/>表示节点i与节点j的动态特征。
。
。
。
其中表示节点i和节点j在当前时间点前的长度为T的时间段内第u次建立边的时间点,n表示节点i和节点j在当前时间点前的长度为T的时间段建立边的次数,/>表示待判断的非自动化操作开始执行的时间点;/>和/>均为可调参数,/>表示第二节点集合,/>表示第一节点集合。
将对应于待判断的非自动化操作的节点的编码特征输入输出层,输出层输出表示待判断的非自动化操作是否存在风险的值。
进一步地,输出层的计算公式如下:。
其中Y表示输出向量,是包含两个分量的向量,表示第五权重参数,/>表示第一偏置参数;输出向量的第一个分量大于或等于第二个分量的值则表示待判断的非自动化操作存在风险,否则表示不存在风险。
进一步地,第一节点的初始特征基于设备的运行参数来生成。
进一步地,第二节点对应于一个能够操作化工工艺系统的操作人员或一个作用于化工工艺系统的非自动化操作,通过描述操作人员或非自动化操作的文本进行语义编码来获得第二节点的初始特征。
进一步地,一种基于AI的安全风险识别分析系统还包括用于训练动态学习模型的训练模块。
进一步地,一种基于AI的安全风险识别分析系统还包括:仿真模拟系统,其用于模拟仿真化工工艺系统的运行。
操作结果采集模块,其用于采集非自动化操作在未实际运行的化工工艺系统上模拟执行后产生的设备参数变量,并将设备参数变量上传到仿真模拟系统,仿真模拟系统能够根据接收的设备参数变量来调整仿真化工工艺系统中对应的设备的参数。
本发明提供了一种基于AI的安全风险识别分析方法,其基于前述的基于AI的安全风险识别分析系统执行以下步骤:步骤201,基于化工工艺系统的数据来生成第一节点,基于操作人员的数据和非自动化操作的数据来生成第二节点。
步骤202,生成节点的初始特征和基准图,节点包括第一节点和第二节点,生成节点的初始特征的数据包括:一、当前时间点为g,基于g-T的时间点的化工工艺系统、操作人员和非自动化操作的数据;二、待判断的非自动化操作的数据。
节点包括第一节点和第二节点;基准图包括当前时间点的节点之间的边,并增加了表示待判断的非自动化操作的节点,增加了表示待判断的非自动化操作的节点与当前时间点的节点之间的边。
步骤203,将节点的初始特征输入动态学习模型中,输出表示待判断的非自动化操作是否存在风险的值。
步骤204,如果待判断的非自动化操作存在风险,则增加操作人员监督执行待判断的非自动化操作或者人工审核该非自动化操作。
本发明提供了一种存储介质,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行前述的一种基于AI的安全风险识别分析方法中的步骤。
本发明的有益效果在于:本发明能够人工智能提取化工工艺系统在一段时间内的动态变化特征,并对化工工艺系统的全局信息进行融合,以达到预测待执行的非自动化操作的风险性的目的。
附图说明
图1是本发明的一种基于AI的安全风险识别分析系统的模块示意图。
图2是本发明的一种基于AI的安全风险识别分析方法的流程图。
图中:系统数据采集模块101,操作人员数据采集模块102,非自动操作信息采集模块103,节点生成模块104,系统动态记录模块105,特征生成模块106,识别模块107,操作管理模块108。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
本发明的至少一个实施例中提供一种基于AI的安全风险识别分析系统,如图1所示,包括:系统数据采集模块101,其用于采集化工工艺系统的数据。
操作人员数据采集模块102,其用于采集能够操作化工工艺系统的操作人员的数据。
操作人员的数据包括操作人员的ID、年龄、岗位名称、曾经操作的设备的名称以及操作的成功率。
非自动操作信息采集模块103,其用于采集人为执行的作用于化工工艺系统的非自动化操作的数据。
非自动化操作的数据包括非自动化操作的步骤、目标设备、参数变量和指定的操作人员等。
节点生成模块104,其基于化工工艺系统的数据来生成第一节点,基于操作人员的数据和非自动化操作的数据来生成第二节点。
一个第一节点对应于化工工艺系统的一个设备(包括反应釜、搅拌器、阀门等),一个第二节点对应于一个能够操作化工工艺系统的操作人员或一个作用于化工工艺系统的非自动化操作。
例如打开某一个阀门是一个作用于化工工艺系统的非自动化操作,执行该操作的A员工即是能够操作化工工艺系统的操作人员。
系统动态记录模块105,其用于记录系统动态数据,系统动态数据包括节点之间的关系的变化以及节点之间关系变化发生的时间。
任意两个节点之间存在边的条件包括:两个节点对应的设备通过管道或线路连接。
两个节点中的一个节点对应于非自动化操作,另一个对应于设备,并且该非自动化操作作用于该设备;需要说明的是,当非自动化操作被执行完毕,则该边被删除。
两个节点中的一个节点对应于非自动化操作,另一个对应于操作人员,并且该非自动化操作由该操作人员执行;需要说明的是,当非自动化操作被执行完毕,则该边被删除。
无论是化工工艺系统的自动化操作还是作用于化工工艺系统的非自动化操作,都会引发节点之间的关系的变化,因此系统动态记录模块105需要连接化工工艺系统自身的自动控制系统来获取数据。
化工工艺系统包括化工加工工艺所需的一系列的设备、管道工程、自动控制工程等。
定义当前时间点为g,待判断的非自动化操作在时间点y开始执行,待判断的非自动化操作在时间点g之后进行,并且待判断的非自动化操作的开始执行的时间点与时间点g之间的间隔小于设定的时间G;G的缺省值为3分钟。
特征生成模块106,生成节点的初始特征和基准图,生成节点的初始特征的数据包括:一、当前时间点为g,基于g-T的时间点的化工工艺系统、操作人员和非自动化操作的数据;二、待判断的非自动化操作的数据。
节点包括第一节点和第二节点;基准图包括当前时间点的节点之间的边,并增加了表示待判断的非自动化操作的节点,增加了表示待判断的非自动化操作的节点与当前时间点的节点之间的边。
T的缺省值为30分钟。
第一节点的初始特征基于设备的运行参数来生成。
设备的运行参数一般是文本形式的数据,可以通过语义编码来获得第二节点的初始特征。
第二节点对应于一个能够操作化工工艺系统的操作人员或一个作用于化工工艺系统的非自动化操作,操作人员的数据以及非自动化操作的数据一般是文本形式的数据,可以通过描述操作人员或非自动化操作的文本进行语义编码来获得第二节点的初始特征。
具体的语义编码的方法可以是独热编码或word2vec模型编码等。
识别模块107,其用于将节点的初始特征输入动态学习模型中,动态学习模型包括隐藏层和输出层,输出层的计算公式如下。
。
。
其中表示第i个节点的编码特征,/>表示权重参数,/>和/>分别表示第i个和第j个节点的节点特征,/>表示基准图中与第i个节点通过边直接连接的节点的集合,表示节点i与节点j的动态特征,/>、/>、/>、/>分别表示第一、二、三、四权重参数,M表示/>中的节点总数。
。
。
。
其中表示节点i和节点j在当前时间点前的长度为T的时间段内第u次建立边的时间点,n表示节点i和节点j在当前时间点前的长度为T的时间段建立边的次数,/>表示待判断的非自动化操作开始执行的时间点;/>和/>均为可调参数,缺省值均为/>,,/>,节点的总数越大/>和/>的取值越小,/>表示第二节点集合,/>表示第一节点集合;/>表示或,/>表示与。
将对应于待判断的非自动化操作的节点的编码特征输入输出层,输出层输出表示待判断的非自动化操作是否存在风险的值。
输出层的计算公式如下:。其中Y表示输出向量,是包含两个分量的向量,/>表示第五权重参数,/>表示第一偏置参数;输出向量的第一个分量大于或等于第二个分量的值则表示待判断的非自动化操作存在风险,否则表示不存在风险。
操作管理模块108,如果待判断的非自动化操作存在风险,则增加操作人员监督执行待判断的非自动化操作或者人工审核该非自动化操作。
如果待判断的非自动化操作不存在风险,则正常执行该非自动化操作。
训练模块,其用于训练动态学习模型。
动态学习模型训练时需要给予与输出对比的参照,对于化工工艺系统来说,对于一个训练样本,如果非自动化操作执行后会导致化工工艺系统出现运行风险,则表示非自动化操作存在风险;但是实际过程中这样的训练样本是非常少的,很难通过历史数据来获取这样的训练样本,历史数据中所提取的训练样本大部分情况下对应的结果是非自动化操作存在风险。
化工工艺系统运行出现风险的后果严重,损失不可预估,也无法通过人为的设置执行后会导致化工工艺系统出现运行风险的非自动化操作来获得训练样本。
为了解决训练的问题,本发明的一个实施例中,提供一种基于AI的安全风险识别分析系统,利用仿真模拟系统结合实际模拟操作的方式来获得训练样本;包括:仿真模拟系统,其用于模拟仿真化工工艺系统的运行。
化工工艺系统的仿真化模拟为现有技术,在此不做赘述。
操作结果采集模块,其用于采集非自动化操作在未实际运行的化工工艺系统上模拟执行后产生的设备参数变量,并将设备参数变量上传到仿真模拟系统,仿真模拟系统能够根据接收的设备参数变量来调整仿真化工工艺系统中对应的设备的参数。
这样就可以达到非自动化操作不会产生实际的结果,但是会同步的影响模拟的仿真化工工艺系统来产生运行结果,这样就可以根据模拟仿真化工工艺系统结合实际执行非自动化操作来获得足够的非自动化操作执行后会导致化工工艺系统出现运行风险的训练样本。
非自动化操作在未实际运行的化工工艺系统上模拟执行指的是由操作人员来对未实际运行的实体的化工工艺系统执行非自动化操作。
操作结果采集模块采集非自动化操作在未实际运行的化工工艺系统上模拟执行后产生的设备参数变量的具体示例:人工操作的结果可以被操作设备上的传感器检测,例如阀门的开关和开度可以通过阀门上的角度传感器所检测到。
一些可以被操作的控制器可以通过控制器所记录的操作记录来识别人工操作的结果;例如温度控制器上的操作可以由操作的记录。
本发明的至少一个实施例中提供一种基于AI的安全风险识别分析方法,如图2所示,包括以下步骤:步骤201,基于化工工艺系统的数据来生成第一节点,基于操作人员的数据和非自动化操作的数据来生成第二节点。
步骤202,生成节点的初始特征和基准图,节点包括第一节点和第二节点,生成节点的初始特征的数据包括:一、当前时间点为g,基于g-T的时间点的化工工艺系统、操作人员和非自动化操作的数据;二、待判断的非自动化操作的数据。
节点包括第一节点和第二节点;基准图包括当前时间点的节点之间的边,并增加了表示待判断的非自动化操作的节点,增加了表示待判断的非自动化操作的节点与当前时间点的节点之间的边。
步骤203,将节点的初始特征输入动态学习模型中,输出表示待判断的非自动化操作是否存在风险的值。
步骤204,如果待判断的非自动化操作存在风险,则增加操作人员监督执行待判断的非自动化操作或者人工审核该非自动化操作。
如果待判断的非自动化操作不存在风险,则正常执行该非自动化操作。
本发明的至少一个实施例中提供一种存储介质,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行前述的一种基于AI的安全风险识别分析方法中的步骤。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (5)
1.一种基于AI的安全风险识别分析系统,其特征在于,包括:
系统数据采集模块,其用于采集化工工艺系统的数据;
操作人员数据采集模块,其用于采集能够操作化工工艺系统的操作人员的数据;
非自动操作信息采集模块,其用于采集人为执行的作用于化工工艺系统的非自动化操作的数据;
节点生成模块,其基于化工工艺系统的数据来生成第一节点,基于操作人员的数据和非自动化操作的数据来生成第二节点;
系统动态记录模块,其用于记录系统动态数据,系统动态数据包括节点之间的关系的变化以及节点之间关系变化发生的时间;
任意两个节点之间存在边的条件包括:两个节点对应的设备通过管道或线路连接;两个节点中的一个节点对应于非自动化操作,另一个对应于设备,并且该非自动化操作作用于该设备;两个节点中的一个节点对应于非自动化操作,另一个对应于操作人员,并且该非自动化操作由该操作人员执行;
定义当前时间点为g,待判断的非自动化操作在时间点y开始执行,时间点y在时间点g之后;
特征生成模块,生成节点的初始特征和基准图,生成节点的初始特征的数据包括:一、基于g-T的时间点的化工工艺系统、操作人员和非自动化操作的数据;二、待判断的非自动化操作的数据;
节点包括第一节点和第二节点;基准图包括当前时间点的节点之间的边,并增加了表示待判断的非自动化操作的节点,增加了表示待判断的非自动化操作的节点与当前时间点的节点之间的边;
识别模块,其用于将节点的初始特征输入动态学习模型中,动态学习模型中输出表示待判断的非自动化操作是否存在风险的结果;
动态学习模型包括隐藏层和输出层,隐藏层的计算公式如下:
;
;
其中表示第i个节点的编码特征,/>、/>、/>、/>分别表示第一、二、三、四权重参数,/>和/>分别表示第i个和第j个节点的节点特征,/>表示基准图中与第i个节点通过边直接连接的节点的集合,M表示/>中的节点总数,/>表示节点i与节点j的动态特征;
;
;
;
其中表示节点i和节点j在当前时间点前的长度为T的时间段内第u次建立边的时间点,n表示节点i和节点j在当前时间点前的长度为T的时间段建立边的次数,/>表示待判断的非自动化操作开始执行的时间点;/>和/>均为可调参数,/>表示第二节点集合,表示第一节点集合;
将对应于待判断的非自动化操作的节点的编码特征输入输出层,输出层输出表示待判断的非自动化操作是否存在风险的值;
输出层的计算公式如下:
;
其中Y表示输出向量,是包含两个分量的向量,表示第五权重参数,/>表示第一偏置参数;输出向量的第一个分量大于或等于第二个分量的值则表示待判断的非自动化操作存在风险,否则表示不存在风险;
操作管理模块,如果待判断的非自动化操作存在风险,则增加操作人员监督执行待判断的非自动化操作或者人工审核该非自动化操作;
如果待判断的非自动化操作不存在风险,则正常执行该非自动化操作;
训练模块,其用于训练动态学习模型;
利用仿真模拟系统结合实际模拟操作的方式来获得训练样本;仿真模拟系统,其用于模拟仿真化工工艺系统的运行;
操作结果采集模块,其用于采集非自动化操作在未实际运行的化工工艺系统上模拟执行后产生的设备参数变量,并将设备参数变量上传到仿真模拟系统,仿真模拟系统能够根据接收的设备参数变量来调整仿真化工工艺系统中对应的设备的参数;
非自动化操作不会产生实际的结果,但是会同步的影响模拟的仿真化工工艺系统来产生运行结果,根据模拟仿真化工工艺系统结合实际执行非自动化操作来获得足够的非自动化操作执行后会导致化工工艺系统出现运行风险的训练样本;
非自动化操作在未实际运行的化工工艺系统上模拟执行指的是由操作人员来对未实际运行的实体的化工工艺系统执行非自动化操作。
2.根据权利要求1所述的一种基于AI的安全风险识别分析系统,其特征在于,第一节点的初始特征基于设备的运行参数来生成。
3.根据权利要求1所述的一种基于AI的安全风险识别分析系统,其特征在于,第二节点对应于一个能够操作化工工艺系统的操作人员或一个作用于化工工艺系统的非自动化操作,通过描述操作人员或非自动化操作的文本进行语义编码来获得第二节点的初始特征。
4.一种基于AI的安全风险识别分析方法,其特征在于,其基于如权利要求1-3任一所述的基于AI的安全风险识别分析系统执行以下步骤:
步骤201,基于化工工艺系统的数据来生成第一节点,基于操作人员的数据和非自动化操作的数据来生成第二节点;
步骤202,生成节点的初始特征和基准图,节点包括第一节点和第二节点,生成节点的初始特征的数据包括:一、当前时间点为g,基于g-T的时间点的化工工艺系统、操作人员和非自动化操作的数据;二、待判断的非自动化操作的数据;
节点包括第一节点和第二节点;基准图包括当前时间点的节点之间的边,并增加了表示待判断的非自动化操作的节点,增加了表示待判断的非自动化操作的节点与当前时间点的节点之间的边;
步骤203,将节点的初始特征输入动态学习模型中,输出表示待判断的非自动化操作是否存在风险的值;
步骤204,如果待判断的非自动化操作存在风险,则增加操作人员监督执行待判断的非自动化操作或者人工审核该非自动化操作。
5.一种存储介质,其特征在于,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行如权利要求4所述的一种基于AI的安全风险识别分析方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032690.2A CN117540883B (zh) | 2024-01-10 | 2024-01-10 | 一种基于ai的安全风险识别分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032690.2A CN117540883B (zh) | 2024-01-10 | 2024-01-10 | 一种基于ai的安全风险识别分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117540883A CN117540883A (zh) | 2024-02-09 |
CN117540883B true CN117540883B (zh) | 2024-04-09 |
Family
ID=89796256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410032690.2A Active CN117540883B (zh) | 2024-01-10 | 2024-01-10 | 一种基于ai的安全风险识别分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540883B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787668A (zh) * | 2015-04-02 | 2016-07-20 | 国网山东省电力公司青岛供电公司 | 一种用于电网远程操作的操作票生成方法及系统 |
CN111311092A (zh) * | 2020-02-13 | 2020-06-19 | 辽宁石油化工大学 | 一种基于煤气化设备动态风险的评估方法 |
CN112822184A (zh) * | 2020-12-31 | 2021-05-18 | 网络通信与安全紫金山实验室 | 一种内生安全系统中的无监督自主攻击检测方法 |
CN113392760A (zh) * | 2021-06-15 | 2021-09-14 | 中国民航机场建设集团有限公司 | 一种基于视频的不停航施工不安全行为识别的系统及方法 |
CN116128284A (zh) * | 2022-12-15 | 2023-05-16 | 西北工业大学 | 一种载人潜器系统动态风险评估方法及系统 |
CN116229563A (zh) * | 2022-12-08 | 2023-06-06 | 国网湖南省电力有限公司 | 一种基于联邦学习算法的安全作业预警方法及装置 |
CN116311374A (zh) * | 2023-03-27 | 2023-06-23 | 淮阴工学院 | 一种化工厂工人异常行为识别与预警方法及系统 |
CN116341272A (zh) * | 2023-04-03 | 2023-06-27 | 国家电网有限公司 | 一种用于配网工程数字化的施工安全风险管控系统 |
CN116384735A (zh) * | 2023-03-14 | 2023-07-04 | 广州工程总承包集团有限公司 | 一种塔吊全过程风险识别系统、方法、设备及存储介质 |
KR20230102431A (ko) * | 2021-12-30 | 2023-07-07 | 앤츠이엔씨 주식회사 | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 |
CN116777078A (zh) * | 2023-07-17 | 2023-09-19 | 济南明泉数字商务有限公司 | 基于生成式ai技术的化工生产操作优化方法和系统 |
CN117252430A (zh) * | 2023-11-01 | 2023-12-19 | 重庆盛泰新材料科技有限公司 | 一种塑料厂风险防控系统及工作方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8972067B2 (en) * | 2011-05-11 | 2015-03-03 | General Electric Company | System and method for optimizing plant operations |
US20200210912A1 (en) * | 2018-12-28 | 2020-07-02 | Saudi Arabian Oil Company | Integrated solution for safe operating work space |
US11675329B2 (en) * | 2021-06-21 | 2023-06-13 | Rockwell Automation Technologies, Inc. | Functional safety system using three dimensional sensing and dynamic digital twin |
-
2024
- 2024-01-10 CN CN202410032690.2A patent/CN117540883B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787668A (zh) * | 2015-04-02 | 2016-07-20 | 国网山东省电力公司青岛供电公司 | 一种用于电网远程操作的操作票生成方法及系统 |
CN111311092A (zh) * | 2020-02-13 | 2020-06-19 | 辽宁石油化工大学 | 一种基于煤气化设备动态风险的评估方法 |
CN112822184A (zh) * | 2020-12-31 | 2021-05-18 | 网络通信与安全紫金山实验室 | 一种内生安全系统中的无监督自主攻击检测方法 |
CN113392760A (zh) * | 2021-06-15 | 2021-09-14 | 中国民航机场建设集团有限公司 | 一种基于视频的不停航施工不安全行为识别的系统及方法 |
KR20230102431A (ko) * | 2021-12-30 | 2023-07-07 | 앤츠이엔씨 주식회사 | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 |
CN116229563A (zh) * | 2022-12-08 | 2023-06-06 | 国网湖南省电力有限公司 | 一种基于联邦学习算法的安全作业预警方法及装置 |
CN116128284A (zh) * | 2022-12-15 | 2023-05-16 | 西北工业大学 | 一种载人潜器系统动态风险评估方法及系统 |
CN116384735A (zh) * | 2023-03-14 | 2023-07-04 | 广州工程总承包集团有限公司 | 一种塔吊全过程风险识别系统、方法、设备及存储介质 |
CN116311374A (zh) * | 2023-03-27 | 2023-06-23 | 淮阴工学院 | 一种化工厂工人异常行为识别与预警方法及系统 |
CN116341272A (zh) * | 2023-04-03 | 2023-06-27 | 国家电网有限公司 | 一种用于配网工程数字化的施工安全风险管控系统 |
CN116777078A (zh) * | 2023-07-17 | 2023-09-19 | 济南明泉数字商务有限公司 | 基于生成式ai技术的化工生产操作优化方法和系统 |
CN117252430A (zh) * | 2023-11-01 | 2023-12-19 | 重庆盛泰新材料科技有限公司 | 一种塑料厂风险防控系统及工作方法 |
Non-Patent Citations (2)
Title |
---|
"Process topology convolutional network model for chemical process fault diagnosis";Deyang Wu et al.;《Process Safety and Environmental Protection》;20210408;第150卷;第93页左栏第2段至第108页左栏最后一段 * |
基于风险的化工园区供热工程布局优化;候云娟;钱新明;冯长根;多英全;吴宗之;;安全与环境学报;20160225(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117540883A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3515040B1 (en) | Reliable cyber-threat detection in rapidly changing environments | |
Nan et al. | Real-time fault diagnosis using knowledge-based expert system | |
US10990668B2 (en) | Local and global decision fusion for cyber-physical system abnormality detection | |
US10496051B2 (en) | Event analyzing device, event analyzing system, event analyzing method, and non-transitory computer readable storage medium | |
CN112417791B (zh) | 基于线性回归与ahp算法的电力设备监视预警方法及系统 | |
EP4075724A1 (en) | Attack detection and localization with adaptive thresholding | |
CN117151649B (zh) | 基于大数据分析的施工方法管控系统及方法 | |
CN115640159A (zh) | 一种微服务故障诊断方法及系统 | |
EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
EP4078315A1 (en) | Device and method for monitoring a system | |
CN113190457A (zh) | 面向网络化系统的软件可靠性测评方法 | |
CN115344416A (zh) | 异常日志筛查方法、系统、装置及计算机可读存储设备 | |
Guohua et al. | A framework for monitoring and fault diagnosis in nuclear power plants based on signed directed graph methods | |
CN111445105A (zh) | 基于目标值分析的电厂在线性能诊断方法及系统 | |
CN117540883B (zh) | 一种基于ai的安全风险识别分析系统及方法 | |
EP4206838A1 (en) | Forecasting and anomaly detection method for low density polyethylene autoclave reactor | |
Kim et al. | Monitoring | |
Chang et al. | Example use of the SACADA data to inform HRA | |
Nelson et al. | Methodology for supporting the determination of human error probabilities from simulator sourced data | |
Kosmowski | Human factors and cognitive engineering in functional safety analysis | |
CN110956409B (zh) | 一种社区燃气设备的风险控制方法及装置 | |
CN113065228B (zh) | 一种基于朴素贝叶斯的汽轮机阀门关闭时间评估方法 | |
US20210382456A1 (en) | Plant monitoring and control system, method, and program | |
CA3137794C (en) | System for action determination | |
Zwirglmaier et al. | Framework for a Bayesian network version of IDHEAS |
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 |