CN117557095A - 带火工作业车间预警决策方法和装置 - Google Patents
带火工作业车间预警决策方法和装置 Download PDFInfo
- Publication number
- CN117557095A CN117557095A CN202311523928.3A CN202311523928A CN117557095A CN 117557095 A CN117557095 A CN 117557095A CN 202311523928 A CN202311523928 A CN 202311523928A CN 117557095 A CN117557095 A CN 117557095A
- Authority
- CN
- China
- Prior art keywords
- workshop
- model
- data
- early warning
- fire
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 claims abstract description 139
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 239000002360 explosive Substances 0.000 claims abstract description 49
- 230000000977 initiatory effect Effects 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 32
- 230000008447 perception Effects 0.000 claims abstract description 26
- 238000013461 design Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 34
- 230000003068 static effect Effects 0.000 claims description 32
- 230000000007 visual effect Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 19
- 230000001360 synchronised effect Effects 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 14
- 239000000779 smoke Substances 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000007418 data mining Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 15
- 238000011176 pooling Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 231100000817 safety factor Toxicity 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000003721 gunpowder Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000003380 propellant Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
-
- 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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Emergency Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供一种带火工作业车间预警决策方法和装置,涉及火工品装配作业预警技术领域。该方法包括:获取具有安全监控与预警决策功能的初始模型;所述初始模型为带火工作业车间监控和预警的初始设计模型;根据所述初始模型,对带火工作业车间依次执行感知获取、分析决策和应用执行;在执行完所述感知获取、所述分析决策和所述应用执行后,建立所述带火工作业车间对应的安全监控数字孪生模型。本申请的方案,以带火工作业车间为具体对象,建立带火工作业车间对应的安全监控数字孪生模型,对带火工作业车间的生产环境进行了准确的模拟和预测,实现了火工品生产过程的实时监控和预警。
Description
技术领域
本申请涉及火工品装配作业预警技术领域,特别是指一种带火工作业车间预警决策方法和装置。
背景技术
火工品是一种装有火药或炸药,受外界刺激后易产生燃烧或爆炸的装置。在火工品装配过程中,需要进行严格的监控和管理。以往的火工品装配安全都是由人工去维护,耗费大量的人力。传统的火工品装配安全监控方式主要包括视频监控、人工巡检、传感器监测和工艺封装等方式,这些方法可以在一定程度上确保火工品的安全性,但存在人力成本高、监测范围受限等问题,而且传统的基于单一因素进行危险管控的方式难以进行危险的有效判别和预警。故火工品在装配生产过程中的安全监管、危险分析、应急响应决策不准确、不全面、不及时等问题亟需得到解决。
发明内容
本申请的目的是提供一种带火工作业车间预警决策方法和装置,以解决现有技术中的火工品在装配生产过程中监管预测不准确的问题。
为达到上述目的,本申请的实施例提供一种带火工作业车间预警决策方法,包括:
获取具有安全监控与预警决策功能的初始模型;所述初始模型为带火工作业车间监控和预警的初始设计模型;
根据所述初始模型,对带火工作业车间依次执行感知获取、分析决策和应用执行;
在执行完所述感知获取、所述分析决策和所述应用执行后,建立所述带火工作业车间对应的安全监控数字孪生模型。
可选地,本申请的方法还包括:
构建实体车间和虚拟车间;所述实体车间包括车间环境数据、火工品当量数据和人员图像数据;所述虚拟车间是通过三维建模技术对所述实体车间的几何建模;
根据数据挖掘算法与深度学习算法,对所述实体车间的环境数据和人员图像数据进行危险分析与预警决策处理;
将危险分析与预警决策处理的结果、所述实体车间和所述虚拟车间相集合,确定危险要素数据;
根据所述危险要素数据,确定所述初始模型。
可选地,根据所述初始模型,对带火工作业车间依次执行感知获取、分析决策和应用执行,包括:
根据所述初始模型,执行感知获取,识别和分析带火工作业过程中的危险环节、危险源和危险要素,并对装配过程中的视觉、火工品当量、烟雾度和温湿度中至少一种数据进行感知获取;
将所述感知获取的数据,进行分析决策,构建多维度数字孪生体;
进行所述初始模型的应用执行,完成对所述多维度数字孪生体的虚实映射。
可选地,建立安全监控数字孪生模型后,所述方法还包括:
利用所述安全监控数字孪生模型,进行同步建模、带火工作业车间动态可视化监控和预警决策。
可选地,利用所述安全监控数字孪生模型,进行带火工作业车间的同步建模,包括:
利用所述安全监控数字孪生模型,获取制造系统的静态模型数据资源里的生产资源信息;
调用所述生产资源信息所对应的模型库资源,构建带火工作业车间逻辑模型,并同步利用所述带火工作业车间逻辑模型生成带火工作业车间的三维静态模型。
可选地,利用所述安全监控数字孪生模型,进行带火工作业车间动态可视化监控,包括:
利用所述安全监控数字孪生模型,获取火工品装配过程的静态配置数据和实时动态信息;所述静态配置数据包括人员最大数量、温度阈值、湿度阈值、烟雾度阈值中至少一项;所述实时动态信息包括实时温度、实时湿度、火工品当量、人员穿着状态中至少一项;
根据所述静态配置数据和所述实时动态信息,进行带火工作业车间动态可视化监控。
可选地,利用所述安全监控数字孪生模型,进行预警决策,包括:
利用所述安全监控数字孪生模型,进行灰色系统的环境因素预测,以及进行人员着装识别预警决策。
可选地,进行灰色系统的环境因素预测,包括:
根据不等间隔获取温度的历史数据;
将所述历史数据经过排序处理,得到原始数据序列;
根据所述原始数据序列,建立灰色系统模型。
可选地,进行人员着装识别预警决策,包括:
将注意力机制结合目标检测算法,建立人员着装识别模型;所述目标检测算法的损失函数采用宽高值回归损失函数;
根据所述人员着装识别模型,进行人员着装识别预警决策。
为达到上述目的,本申请的实施例提供一种带火工作业车间预警决策装置,包括:
获取模块,用于获取具有安全监控与预警决策功能的初始模型;
第一处理模块,用于根据所述初始模型,对带火工作业车间依次执行感知获取、分析决策和应用执行;
第二处理模块,用于在执行完所述感知获取、所述分析决策和所述应用执行后,建立所述带火工作业车间对应的安全监控数字孪生模型。
本申请的上述技术方案的有益效果如下:
本申请实施例的方法中,获取具有安全监控与预警决策功能的初始模型;所述初始模型为带火工作业车间监控和预警的初始设计模型;根据所述初始模型,对带火工作业车间依次执行感知获取、分析决策和应用执行;在执行完所述感知获取、所述分析决策和所述应用执行后,建立所述带火工作业车间对应的安全监控数字孪生模型,本申请以带火工作业车间为具体对象,建立带火工作业车间对应的安全监控数字孪生模型,通过该安全监控数字孪生模型对带火工作业车间的生产环境进行准确的模拟和预测,实现了火工品生产过程的实时监控和预警。
附图说明
图1为本申请实施例提供的带火工作业车间预警决策方法的流程图;
图2为本申请实施例提供的初始模型的总体架构示意图;
图3为本申请实施例提供的安全监控系统设计流程图;
图4为本申请实施例提供的安全监控数字孪生模型的结构组成示意图;
图5为本申请实施例提供的安全监控数字孪生模型的功能组成示意图。
图6为本申请实施例提供的同步建模的应用示意图;
图7为本申请实施例提供的可视化监控原理示意图;
图8为现有技术的YOLOv5的网络结构示意图;
图9为本申请实施例提供的改进CBAM结构图;
图10为本申请实施例提供的带火工作业车间预警决策装置的结构图;
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本申请的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
如图1所示,本申请实施例提供一种带火工作业车间预警决策方法,包括:
步骤11,获取具有安全监控与预警决策功能的初始模型;所述初始模型为带火工作业车间监控和预警的初始设计模型;
步骤12,根据所述初始模型,对带火工作业车间依次执行感知获取、分析决策和应用执行;
步骤13,在执行完所述感知获取、所述分析决策和所述应用执行后,建立所述带火工作业车间对应的安全监控数字孪生模型。
本申请基于数字孪生在带火工作业车间中安全生产监控与预警方面,在初始模型的基础上,对带火工作业车间依次执行感知获取、分析决策和应用执行,构建带火工作业车间对应的安全监控数字孪生模型,通过该安全监控数字孪生模型现有的各类传感器数据和生产执行系统(Manufacturing Execution System,MES)数据以及摄像头输入图像,实现虚实结合的三维监控管理功能,对带火工作业车间的生产环境进行了准确的模拟和预测,实现了火工品生产过程的实时监控和预警。本申请在为数字孪生在生产安全监控及预警领域的应用提供新的思路和支持,促进数字孪生技术在生产安全及预警领域的推广和应用。
可选地,本申请的带火工作业车间预警决策方法还包括:
构建实体车间和虚拟车间;所述实体车间包括车间环境数据、火工品当量数据和人员图像数据;所述虚拟车间是通过三维建模技术对所述实体车间的几何建模;
根据数据挖掘算法与深度学习算法,对所述实体车间的环境数据和人员图像数据进行危险分析与预警决策处理;
将危险分析与预警决策处理的结果、所述实体车间和所述虚拟车间相集合,确定危险要素数据;
根据所述危险要素数据,确定所述初始模型。
需要说明的是,数字孪生是实现信息物理系统(Cyber-Physical Systems,CPS)的关键技术,基于数字孪生的带火工作业车间安全监控与智能预警决策实质上是一种由信息空间和物理空间交互融合的智能安全生产管控模式。
本申请实施例中,构建实体车间和虚拟车间,并进行危险分析与预警决策处理,得到危险要素数据,构成本申请的初始模型的基本框架。参照图2所示,带火工作业的实体车间、带火工作业的虚拟环境、危险要素数据、危险分析与预警决策处理,以及每个功能之间的连接等五个维度是确定带火工作业车间安全监控与预警决策的初始模型的核心要素。
其中,带火工作业的实体车间包含了车间的作业环境,实体车间是建立虚拟车间模型的基础,也是危险要素数据采集的来源。带火工作业实体车间由火工品装配产线、产品暂存区、物料区、换装区等装配相关区域以及人和环境组成,实体车间给危险分析与预警决策服务和数据展示看板提供了必要的数据,相应的,虚拟车间和服务的决策数据实现了对实体车间的监测与控制,所以实体车间是数字孪生的基础与前提,也是本申请初始模型的基础。带火工作业虚拟车间是实体车间的几何模型与规则模型的集合,首先采用虚拟现实引擎开发软件(如unity3D软件等)对车间进行三维建模,实现了对实体车间的几何建模,然后通过对历史数据的规律统计,设计相应的规则模型,实现对危险数据的评估与报警。危险分析与预警决策服务是利用数据挖掘模型与深度学习算法对环境数据以及员工图像数据的实时监控与预测。数据挖掘模型采用的是灰色系统预测方法,灰色系统预测为采用灰色模型进行预测,是实现对环境数据如温度与湿度的短期预测,再将数据返回给规则模型,进一步进行预警决策。深度学习算法采用的是基于YOLOv5的卷积神经网络模型,对员工穿着状态图片进行实时检测,将检测结果返回给规则模型,进而通过数据展示看板显示。危险要素数据是实体车间数据、虚拟车间数据以及危险分析与预警决策服务预测模型数据的集合。其中实体车间数据主要有车间环境数据,火工品当量数据以及员工图像数据等,这些数据通过可编程逻辑控制器(PLC)、传感器、摄像头、工控机等设备进行采集,虚拟车间数据包括模型的几何尺寸、相对位置等几何模型相关数据,预警决策服务预测模型数据包括环境预测结果数据以及员工服装检测结果数据。连接实现上述各部分模块的互联互通,传感器数据主要通过传输控制协议(TCP)以及通用串行总线(USB)串口进行通信,摄像头通过软件开发工具包(SDK)协议进行传输,火工品数据通过开放数据库互连(ODBC)数据库接口传输。
可选地,本申请的步骤12,包括:
根据所述初始模型,执行感知获取,识别和分析带火工作业过程中的危险环节、危险源和危险要素,并对装配过程中的视觉、火工品当量、烟雾度和温湿度中至少一种数据进行感知获取;
将所述感知获取的数据,进行分析决策,构建多维度数字孪生体;
进行所述初始模型的应用执行,完成对所述多维度数字孪生体的虚实映射。
本申请实施例中,基于上述的带火工作业车间安全监控与智能预警决策的初始模型,依次按照感知获取(也可理解为过程感知)-分析决策-应用执行-应用验证的路线对带火工作业车间安全监控数字孪生系统进行设计,其总体设计流程图如图3所示。
其中,感知获取(也可理解为过程感知)层主要是在识别和分析带火工作业过程中的危险环节、危险源和危险要素的基础上,设计构建高效可靠的安全传感器网络,对装配过程中的视觉、火工品当量、烟雾度、温湿度等多种数据进行实时的获取。
分析决策层是在感知获取层危险要素识别和数据获取的基础上,构建“几何-规则”融合的装配火工区多维多尺度数字孪生体。数字孪生体进行分析决策的基础是安全生产要素模型库以及危险态势分析库,安全生产要素模型库。并以此为基础,研究火工区虚实映射机制,在实时数据的驱动下,实现带火工作业车间数字孪生的动态建模以及基于深度学习的危险态势分析与预测预警。
应用执行层为基于数字孪生的带火工作业车间安全生产监控系统。监控系统主要基于分析决策层对数字孪生体进行虚实映射,并对决策数据进行可视化展示与闭环控制。其对生产过程和其中的安全要素进行三维显示和实时监控,并及时显示重点区域,展示预测及分析结果并进行管理。
可选地,本申请建立安全监控数字孪生模型后,本申请的方法还包括:
利用所述安全监控数字孪生模型,进行带火工作业车间的同步建模、带火工作业车间动态可视化监控和预警决策。
本申请在步骤12后,基于上述系统总体框架,建立带火工作业车间数字孪生安全生产监控集成验证的安全监控数字孪生模型,实现对所有研究内容的应用与验证,安全监控数字孪生模型可以参照图4所示,包括安全传感网络与数据采集(环境温湿度、烟雾数据采集、产品接地状态数据采集、现场人员衣着数据采集、推进剂加注量及泄漏量采集)、数字孪生安全生产监控(环境状态监控、安全设施运行状态监控、产品接地状态监控)、危险态势分析与预测预警、系统配置管理(用户权限管理、数据库管理、虚拟模型库管理、危险因素知识库管理)等组成模块。从功能组成上,该安全监控数字孪生模型按照功能可以分为同步建模模块、可视化监控模块与智能决策模块,功能结构图如图5所示。因此,可以利用所述安全监控数字孪生模型,进行带火工作业车间的同步建模、带火工作业车间动态可视化监控和预警决策。
可选地,利用所述安全监控数字孪生模型,进行带火工作业车间的同步建模,包括:
利用所述安全监控数字孪生模型,获取制造系统的静态模型数据资源里的生产资源信息;
调用所述生产资源信息所对应的模型库资源,构建带火工作业车间逻辑模型,并同步利用所述带火工作业车间逻辑模型生成带火工作业车间的三维静态模型。
本申请基于火工品装配中危险因素实时感知信息,研究实时信息驱动的火工品装配同步建模技术,构建一套动态反映实际生产状态的安全监控数字孪生模型,实现信息空间中的火工区数字孪生体对物理空间中的实际火工区生产安全要素(包括人、物、环)和安全作业流程的同步映射,使得监管人员能够及时、准确、全面、无死角、无盲区、全时段地知悉现场情况以及量化的危险有害程度,实现火工品装配安全生产的动态实时可视化监控。
具体的,利用安全监控数字孪生模型进行同步建模是结合安全监控设备,如传感器、摄像机等硬件设施,通过实时采集现场火工区生产安全要素(包括人、物、环)和安全作业流程的数据,并将实时数据上传至信息中心,与建模信息库进行比对,从而实现带火工作业车间的动态实时可视化监控。实时信息驱动的火工品装配过程同步建模技术方案如图6所示。
首先,根据制造系统的静态模型数据资源里的生产资源信息(如车间场地信息、设备信息等),从仿真软件平台直接调用对应的模型库资源,构建生产车间逻辑模型,然后通过支持的中间件格式(如FBX文件等)通过软件接口导入外部三维绘图软件(如CAD软件等)的三维静态模型,构建出生产车间的三维静态模型,也就是同步利用带火工作业车间逻辑模型生成带火工作业车间的三维静态模型。然后对模型进行适当的优化和处理,完成制造系统三维静态建模。
数字孪生系统动态建模的关键在于仿真软件平台与实时数据的接口动态运行。本申请的接口的动态运行主要是通过软件平台与外接硬件设备(如PLC、USB传感器、摄像机等)的接口传输数据,还有通过网络接口(如MES数据库、TCP传感器等)进行数据传输,读取实时生产数据和环境数据信息。
通过对上述数据的清洗与处理,获得具有统一描述结构的动态实时数据,包括人、物、环等安全生产要素信息,将经过处理后的实时数据传输给已经建好的静态模型,通过可视化数据面板对处理的数据实时映射,构建出数字孪生系统的动态映射,最终保证数字孪生系统同步建模和现实装配车间数据的准确性和一致性。
可选地,利用所述安全监控数字孪生模型,进行带火工作业车间动态可视化监控,包括:
利用所述安全监控数字孪生模型,获取火工品装配过程的静态配置数据和实时动态信息;所述静态配置数据包括人员最大数量、温度阈值、湿度阈值、烟雾度阈值中至少一项;所述实时动态信息包括实时温度、实时湿度、火工品当量、人员穿着状态中至少一项;
根据所述静态配置数据和所述实时动态信息,进行带火工作业车间动态可视化监控。
本申请实施例中,带火工作业车间动态可视化监控技术是在车间同步建模的基础上采集火工品装配过程的安全要素信息,实时展示车间安全情况,以静态配置数据(如人员最大数量、温度阈值、湿度阈值、烟雾度阈值等)和实时动态信息(如实时温度、实时湿度、火工品当量、人员穿着状态等)为输入,进行带火工作业车间动态可视化监控,如构建带火工作业车间的动态可视化监控模型的。
本申请在分析车间安全生产要素、安全生产要求的基础上,建立了多维度监控与智能监控相结合的可视化监控模型,可视化监控模型原理图如图7所示。其中多维度监控指的是监控的安全要素多、数据来源多,安全监控要素包括人、物、环等安全要素,智能监控指的是采用数据挖掘以及深度学习对采集的多维度数据进行监控及危险预测,主要是利用实时收集的数据以及存储在数据库中的历史数据来对车间未来状态进行一定程度上的预测。
其中,多维度监控表示:带火工作业车间的安全监控以人、物、环三个安全要素为核心,以围绕这三个安全要素展开的多种安全数据如温湿度、火工量、人员状态等为监控内容,通过已提供的设备模型和构建的厂房模型,建立数字孪生系统静态三维模型,实现带火工作业车间的动态仿真,得到高度映射的虚拟仿真现实动画,同时调用实时传输的动态监控信息和对应的静态配置信息,以图表等形式可视化出来,从而形成火工品装配过程的动态可视化监控界面,实现火工品装配的实际运行情况与同步建模仿真运行结果的高度映射和后台监控。
其中,智能监控表示:车间可视化监控的核心是数据来源以及数据处理过程,通过车间布局的传感器网络对车间环境信息进行实时数据采集,利用车间已经布局的MES系统和摄像机进行多种数据采集,实时数据和存储在数据库中的历史数据共同构成预测模型的输入数据,预测模型主要是基于数据挖掘技术和深度学习方法构建的一种能够对环境数据以及人员状态进行实时预测的模型,预测结果又将存储到数据库中,进而通过数据看板进行实时展示,还可以通过预测结果对物理车间实际环境状态以及人员状态进行一定的调控,达到虚实融合,实现以实控虚。
本申请基于数字孪生的带火工作业车间动态可视化监控从车间的监控需求出发,以人、物、环为监控对象,建立了多维度监控和智能监控相结合的监控模式,实现了物体实体和虚拟模型的双向映射,提高了车间监控的智能化水平,实现了对危险因素的实时性和预测性报警,保障了车间火工区生产的安全性。
本申请中,基于火工品装配安全生产监控数据,从人/物/环三个层面对危险因素进行量化表征,构建危险因素知识库。并在数字孪生虚实交互体系下,从宏微观角度,基于深度学习和数据挖掘技术对人、物、环的危险因素进行识别与预测。在此基础上设置危险因素指标临界状态,研究危险预警阀值,从而实现危险因素的预测性预警。可选地,利用所述安全监控数字孪生模型,进行预警决策,包括:
利用所述安全监控数字孪生模型,进行灰色系统的环境因素预测,以及进行人员着装识别预警决策。
本申请中,常见的时序预测算法有长短期记忆神经网络、卷积神经网络、灰色系统预测等,由于环境数据具有不稳定、非线性等特点,且本申请预测的目的是获取短期内温湿度、烟雾度和其他环境因素数据变化趋势,考虑到预测速度以及计算机性能等条件影响,本申请采用灰色系统模型对环境数据进行预测,与长短期记忆神经网络相比,灰色系统虽然在预测精度上面有一定差距,但在预测速度下面以温度数据为例,构建灰色系统模型对温度进行短期预测。本申请通过对环境温度和湿度等因素的预测,可以对火工品装配过程中的温湿度变化进行有效监测和预警,及时发现和解决可能存在的安全隐患。同时,还可以为生产过程中提供必要的温湿度控制和环境调节措施,确保火工品制造和装配的安全性。本申请还可以利用安全监控数字孪生模型,进行人员着装识别预警决策,如对于人物特征数据,采用摄像头获取人物图片,进行人员着装的规范检测预测。
具体的,进行灰色系统的环境因素预测,包括:
根据不等间隔获取温度的历史数据;
将所述历史数据经过排序处理,得到原始数据序列;
根据所述原始数据序列,建立灰色系统模型。
本申请以传感器采集的数据作为数据来源,通过调取存储在数据库中的历史数据,并按照时间顺序对环境数据进行排列,使用不等间隔采样对温度数据进行采集。不等间隔采样通常是指按照实际数据变化情况采集数据,例如在温度发生变化时采集数据。因为温度的变化是随机的,并且可能受到许多因素的影响,如气象、环境等,不等间隔采样能够更好地反映温度的实际变化情况,提供更准确的数据。而且不等间隔采样能够为灰色系统模型提供更好的数据基础,提高预测的精度和准确性。
灰色系统模型是一种数学模型,其基本思想是通过建立一种灰色微分方程来描述所研究的现象的规律性。目前使用最广泛的灰色系统模型就是GM(1,1)模型,设X(0)={X(0)(i),i=1,2,…,n}为通过不等间隔采样获取的温度数据经过排列后的一组序列,为建立灰色系统模型,首先对原始数据序列X(0)进行一次累加,生成一次累加序列:
X(1)={X(1)(k),k=1,2,…,n},其中,
对X(1)(k)建立一阶微分方程,
此白化微分方程就是GM(1,1)模型。
该白化微分方程的解为:
进而得到相应的还原预测值:
灰色系统模型由于能够利用少量数据进行建模和预测,因此在实际应用中得到了广泛的应用。然而,传统的灰色系统模型也存在一些不足,例如对极端值敏感、预测精度存在局限等问题,而且与数据预处理有关的因素对模型的预测精度影响非常大,针对温度传感器采集温度时出现的异常数据,这里,本申请利用类S型函数去除数据中的噪声,达到平滑温度曲线的目的。
类S型函数为其中,a,b为调节曲线形状和平滑程度的参数。对数据进行逐点处理,即将函数应用于原始数据序列的每一个元素,得到一个新的序列:
Xs (0)={Xs (0)(i),i=1,2,…,n},其中,
进而得到相应的白化方程:
则其时间响应序列为:
进而可得在类S型曲线平滑作用下的新的数据序列的预测值为:
在利用类S型曲线平滑优化后的数据序列得到预测值之后,分别求得预测值的相对误差Δxi=Xs (0)(i)-X(0)(i),并计算得到平均相对误差:
平均相对误差越小,则预测效果越好。
具体来说,在温度预测的过程中,灰色模型通过对温度时间序列数据建立灰色微分方程和加权运算,得到对温度预测值的估计结果,从而实现对未来温度的预测。相对于其他预测模型,灰色系统模型的优点在于:(1)对数据要求不高,适用于小样本预测;(2)建立模型简单,可适用于各种非线性、复杂的时间序列预测问题;(3)预测精度较高,可预测出较为准确的未来温度值。
具体的,进行人员着装识别预警决策,包括:
将注意力机制结合目标检测算法,建立人员着装识别模型;所述目标检测算法的损失函数采用宽高值回归损失函数;
根据所述人员着装识别模型,进行人员着装识别预警决策。
需要说明的是,YOLOv5是一种目标检测算法,其网络结构主要由输入端(Input)、骨干网络(Backbone)、颈部(Neck)以及输出端(Head)4个部分组成,其主要结构参照图8所示。其中每个部分的功能如下:①输入端(Input):输入端负责对输入图像进行预处理,并将其转换成模型可处理的形式。YOLOv5支持多种输入尺寸,输入端会将输入图像进行裁剪或缩放等操作,使其与模型输入尺寸相匹配。②骨干网络(Backbone):YOLOv5使用CSPDarknet53作为骨干网络,它是一个结构紧凑的卷积神经网络。CSPDarknet53由残差块和内容安全策略(CSP)模块组成,可以高效地提取图像特征,骨干网路的输出用于FPN以及Head网络中。③颈部(Neck):组合图像特征并把图像特征传输到Head模块进行预测。④输出端(Head):输出端主要负责检测图像中的目标,并输出目标的位置、类别和置信度等信息。
由于安全帽在图片中尺寸比较小,容易受到拍照视角和光照影响而特征不明显,传统的YOLOv5网络没有考虑通道和位置信息对预测性能的影响,故本申请引入了CBAM(Convolutional Block Attention Module,卷积块注意力模块)注意力机制,并在原CBAM的基础上作了一定修改。CBAM结合了通道注意力和空间注意力,从而提升特征的表示能力和区分度。在通道注意力部分,原CBAM对每个通道进行全局平均池化和最大池化,生成两个B×1×1×C大小特征图。但把每个通道的特征图池化为一个值,可能会丢失一部分重要信息,所以本申请在原来的基础上,将原特征图池化为2×2大小的特征图,然后通过两个卷积操作,将B×2×2×C的特征图卷积为B×1×1×C大小,参照图9所示。将平均池化和最大池化两个结果进行相加,再进行Sigmoid(激励函数中的一种,这里以此举例)激活操作,得到通道注意力权重,这些权重与输入特征图进行乘法操作,生成新的特征图。在空间注意力通道上,对通道注意力生成的特征图分别进行平均池化和最大池化,再依次进行卷积操作和Sigmoid归一化,得到空间注意力权重,将空间注意力权重与输入特征图进行逐通道相乘,得到最终的特征图。改进的CBAM注意力模块添加在Backbone中的C3模块后面,可以对残差学习后的特征进行增强。
原YOLOv5模型采用CIoU_loss作为边界框的损失函数,CIOU考虑了边界框的重叠程度、相对位置和长宽比,该损失函数由三个部分组成:重叠损失,中心距离损失,宽高损失,具体如公式(1)、公式(2)、公式(3)所示。其中,IoU(A,B)指的是边界框A和B的交并比,为A和B中心点距离的平方与两者最小框C对角线长度平方的比值,v为预测框和真实框长宽比例差值的归一化,α为权衡长宽比例造成的损失和IoU部分造成的损失的平衡因子。虽然CIoU中长宽币的惩罚项考虑了预测框和真实框纵横比的差异,但没有考虑长宽分别与其置信度的真实差异,如果目标形状是变化的或者不均衡的宽高比分布,那CIoU中的长宽差惩罚项可能会导致不必要的限制,从而降低了模型在优化相似性时的自由度。
针对这个问题,本申请采用EioU_loss代替CioU_loss作为YOLOv5模型的损失函数,重叠损失和中心距离损失计算方法延续CIoU中的方法,但是宽高损失采用预测框和真实框的宽度和高度之差作为惩罚,具体如公式(4)所示。其中,Cw和Ch分别是覆盖两个框的最小外接框的宽度和高度,ρ2(w,wB)为两个框宽度差的平方,ρ2(h,hB)为两个框高度差的平方。
本申请利用上述改进后的目标检测算法,建立人员着装识别模型;目标检测算法的损失函数采用宽高值回归损失函数;根据人员着装识别模型,进行人员着装识别预警决策。
本申请在模型训练时,可以设置训练迭代次数为300,小批量样本数设置为16,输入图片大小为640×640。训练集图片为现场拍照采集,并用LabelImg工具手动标注,通过准确率、召回率进行模型评估。准确率P和召回率R分别由以下公式定义:
其中TP、FP、FN的关系如下表1所示:
表1:TP、FP、FN、TN关系图
实际值:1 | 实际值:0 | |
预测值:1 | TP | FP |
预测值:0 | FN | TN |
TP表示正确预测的正样本数量,FP表示实际为负样本但被错误地预测为正样本的数量,而FN表示实际为正样本但被错误地预测为负样本的数量,TN表示实际为负样本且被预测为负样本的数量。
将数据集分别用原YOLOv5模型和改进后的YOLOv5模型进行训练,根据评估指标得到训练结果。模型训练的准确率曲线和召回率曲线可以看出当模型训练到第60次时,模型趋向于稳定,准确率达到0.8以上,召回率也保持在0.9以上。参照下述表2所示,在最后一轮训练中,改进的YOLOv5算法准确率达到91.7%,相比于原YOLOv5算法提高了2.3%,召回率也相比原算法提高了0.7%,证明基于改进的CABM注意力机制和EIoU损失函数的YOLOv5算法是有效的,能够在一定程度上提高安全服和安全帽识别的准确率。。
表2:算法改进前后对比
综上所述,本申请针对某带火工作业车间火工品装配过程,开发了一套带火工作业车间安全监控与智能预警决策系统。该系统基于数字孪生技术,实现火工区危险因素自动化识别和实时监控,改变了传统上以危险报警为目标的安全管理,提升了企业的数字化制造水平,保障了重要武器装备的批量化生产。
为实现带火工作业车间的安全监控与智能预警,根据上述提出的系统总体架构为基础,以安全监控系统设计流程为设计步骤,以三个关键技术为核心设计了基于数字孪生的带火工作业车间的安全监控与智能预警系统。从系统的功能角度上,围绕上述的三个关键技术来验证该数字孪生系统。
首先是实时信息驱动的带火工作业车间同步建模部分。该部分的基础是虚拟车间静态模型的建立,在此基础上,采集车间多源安全要素数据,实现数据对模型的实时驱动,如实时更新可视化看板的数据,生成人物模型预制体,根据火工品当量数据实时生成火工品预制体等,除此之外,还可以根据预设的脚本判断报警数据内容并实时生成报警信息预制体。
第二个是车间动态可视化监控部分,可视化监控以数据看板为展示,以多维安全要素数据为驱动。可视化可以包括:对车间烟雾度、温湿度等环境数据的实时显示与预测;根据对装配车间火工品当量的检测,将火工品不同种类以及不同部位的当量数据以及占比计算出来,并将其反映至仪表盘图内;可以展示了车间员工人数以及员工着装检测结果,将这些信息进行统计展示。本申请还可以将告警信息面板则对车间内的危险信息告警进行描述反映,实现对带火工作业车间的实时动态可视化监控功能。
第三个是危险分析与预警决策部分,为实现危险分析和预警决策,首先得事先设置各危险要素的报警阈值。根据本申请上述提出的基于灰色系统的环境预测方法,对数据库中存储的历史环境数据进行预测,通过脚本调用预测的结果并将预测结果作进一步判断,若超过设置的阈值,则进行危险告警,使得工作人员对车间环境进行及时调控。对于火工品当量数据,可以从MES系统中获取,并通过脚本判断是否超过阈值,将判断结果显示在告警信息面板。由于该数字孪生系统是基于unity引擎开发的,而YOLOv5是基于python解释器运行的,故需要使用C#中System.Diagnostics命名空间下的Process类来启动Python进程,并使用该进程的输入和输出流与Python进程进行交互,传递输入参数并获得输出结果,并设计unity脚本将识别结果以可视化看板的形式展示。
基于上述三个关键技术,本申请构建的安全监控数字孪生模型基本实现了对带火工作业车间的安全监控与智能预警决策。除了对危险因素的实时监控展示,此系统还包含了车间和系统的基本信息,并增加了场景漫游功能,便于更加客观真实地监控虚拟车间内部情况。
参照图10所示,本申请实施例还提供一种带火工作业车间预警决策装置,包括:
获取模块101,用于获取具有安全监控与预警决策功能的初始模型;
第一处理模块102,用于根据所述初始模型,对带火工作业车间依次执行感知获取、分析决策和应用执行;
第二处理模块103,用于在执行完所述感知获取、所述分析决策和所述应用执行后,建立所述带火工作业车间对应的安全监控数字孪生模型。
本申请实施例中,上述的带火工作业车间预警决策装置,还包括:
第一构建模块,用于构建实体车间和虚拟车间;所述实体车间包括车间环境数据、火工品当量数据和人员图像数据;所述虚拟车间是通过三维建模技术对所述实体车间的几何建模;
第三处理模块,用于根据数据挖掘算法与深度学习算法,对所述实体车间的环境数据和人员图像数据进行危险分析与预警决策处理;
第一确定模块,用于将危险分析与预警决策处理的结果、所述实体车间和所述虚拟车间相集合,确定危险要素数据;
第二确定模块,用于根据所述危险要素数据,确定所述初始模型。
可选地,上述的第一处理模块102,包括:
第一处理单元,用于根据所述初始模型,执行感知获取,识别和分析带火工作业过程中的危险环节、危险源和危险要素,并对装配过程中的视觉、火工品当量、烟雾度和温湿度中至少一种数据进行感知获取;
第二处理单元,用于将所述感知获取的数据,进行分析决策,构建多维度数字孪生体;
第三处理单元,用于进行所述初始模型的应用执行,完成对所述多维度数字孪生体的虚实映射。
本申请实施例中,上述的带火工作业车间预警决策装置,还包括:
第四处理模块,用于利用所述安全监控数字孪生模型,进行带火工作业车间的同步建模、带火工作业车间动态可视化监控和预警决策。
可选地,上述的第四处理模块,包括:
第四处理单元,用于利用所述安全监控数字孪生模型,获取制造系统的静态模型数据资源里的生产资源信息;
第五处理单元,用于调用所述生产资源信息所对应的模型库资源,构建带火工作业车间逻辑模型,并同步利用所述带火工作业车间逻辑模型生成带火工作业车间的三维静态模型。
可选地,上述的第四处理模块,包括:
第六处理单元,用于利用所述安全监控数字孪生模型,获取火工品装配过程的静态配置数据和实时动态信息;所述静态配置数据包括人员最大数量、温度阈值、湿度阈值、烟雾度阈值中至少一项;所述实时动态信息包括实时温度、实时湿度、火工品当量、人员穿着状态中至少一项;
第七处理单元,用于根据所述静态配置数据和所述实时动态信息,进行带火工作业车间动态可视化监控。
可选地,上述的第四处理模块,包括:
第八处理单元,用于利用所述安全监控数字孪生模型,进行灰色系统的环境因素预测,以及进行人员着装识别预警决策。
可选地,上述的第八处理单元,包括:
第一处理子单元,用于根据不等间隔获取温度的历史数据;
第二处理子单元,用于将所述历史数据经过排序处理,得到原始数据序列;
第三处理子单元,用于根据所述原始数据序列,建立灰色系统模型。
可选地,上述的第八处理单元,还包括:
第四处理子单元,用于将注意力机制结合目标检测算法,建立人员着装识别模型;所述目标检测算法的损失函数采用宽高值回归损失函数;
第五处理子单元,用于根据所述人员着装识别模型,进行人员着装识别预警决策。
其中,上述带火工作业车间预警决策方法的所述实现实施例均适用于该带火工作业车间预警决策装置的实施例中,也能达到相同的技术效果。
本申请实施例的一种可读存储介质,其上存储有程序或指令,所述程序或指令被处理器执行时实现如上所述的带火工作业车间预警决策方法中的步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的。。中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
上述范例性实施例是参考该些附图来描述的,许多不同的形式和实施例是可行而不偏离本申请精神及教示,因此,本申请不应被建构成为在此所提出范例性实施例的限制。更确切地说,这些范例性实施例被提供以使得本申请会是完善又完整,且会将本申请范围传达给那些熟知此项技术的人士。在该些图式中,组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的,并无意成为限制用。如在此所使用地,除非该内文清楚地另有所指,否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时,表示所述特征、整数、步骤、操作、构件及/或组件的存在,但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示,陈述时,一值范围包含该范围的上下限及其间的任何子范围。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种带火工作业车间预警决策方法,其特征在于,包括:
获取具有安全监控与预警决策功能的初始模型;所述初始模型为带火工作业车间监控和预警的初始设计模型;
根据所述初始模型,对带火工作业车间依次执行感知获取、分析决策和应用执行;
在执行完所述感知获取、所述分析决策和所述应用执行后,建立所述带火工作业车间对应的安全监控数字孪生模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
构建实体车间和虚拟车间;所述实体车间包括车间环境数据、火工品当量数据和人员图像数据;所述虚拟车间是通过三维建模技术对所述实体车间的几何建模;
根据数据挖掘算法与深度学习算法,对所述实体车间的环境数据和人员图像数据进行危险分析与预警决策处理;
将危险分析与预警决策处理的结果、所述实体车间和所述虚拟车间相集合,确定危险要素数据;
根据所述危险要素数据,确定所述初始模型。
3.根据权利要求1所述的方法,其特征在于,根据所述初始模型,对带火工作业车间依次执行感知获取、分析决策和应用执行,包括:
根据所述初始模型,执行感知获取,识别和分析带火工作业过程中的危险环节、危险源和危险要素,并对装配过程中的视觉、火工品当量、烟雾度和温湿度中至少一种数据进行感知获取;
将所述感知获取的数据,进行分析决策,构建多维度数字孪生体;
进行所述初始模型的应用执行,完成对所述多维度数字孪生体的虚实映射。
4.根据权利要求1所述的方法,其特征在于,建立安全监控数字孪生模型后,所述方法还包括:
利用所述安全监控数字孪生模型,进行带火工作业车间的同步建模、带火工作业车间动态可视化监控和预警决策。
5.根据权利要求4所述的方法,其特征在于,利用所述安全监控数字孪生模型,进行带火工作业车间的同步建模,包括:
利用所述安全监控数字孪生模型,获取制造系统的静态模型数据资源里的生产资源信息;
调用所述生产资源信息所对应的模型库资源,构建带火工作业车间逻辑模型,并同步利用所述带火工作业车间逻辑模型生成带火工作业车间的三维静态模型。
6.根据权利要求4所述的方法,其特征在于,利用所述安全监控数字孪生模型,进行带火工作业车间动态可视化监控,包括:
利用所述安全监控数字孪生模型,获取火工品装配过程的静态配置数据和实时动态信息;所述静态配置数据包括人员最大数量、温度阈值、湿度阈值、烟雾度阈值中至少一项;所述实时动态信息包括实时温度、实时湿度、火工品当量、人员穿着状态中至少一项;
根据所述静态配置数据和所述实时动态信息,进行带火工作业车间动态可视化监控。
7.根据权利要求4所述的方法,其特征在于,利用所述安全监控数字孪生模型,进行预警决策,包括:
利用所述安全监控数字孪生模型,进行灰色系统的环境因素预测,以及进行人员着装识别预警决策。
8.根据权利要求7所述的方法,其特征在于,进行灰色系统的环境因素预测,包括:
根据不等间隔获取温度的历史数据;
将所述历史数据经过排序处理,得到原始数据序列;
根据所述原始数据序列,建立灰色系统模型。
9.根据权利要求7所述的方法,其特征在于,进行人员着装识别预警决策,包括:
将注意力机制结合目标检测算法,建立人员着装识别模型;所述目标检测算法的损失函数采用宽高值回归损失函数;
根据所述人员着装识别模型,进行人员着装识别预警决策。
10.一种带火工作业车间预警决策装置,其特征在于,包括:
获取模块,用于获取具有安全监控与预警决策功能的初始模型;
第一处理模块,用于根据所述初始模型,对带火工作业车间依次执行感知获取、分析决策和应用执行;
第二处理模块,用于在执行完所述感知获取、所述分析决策和所述应用执行后,建立所述带火工作业车间对应的安全监控数字孪生模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523928.3A CN117557095A (zh) | 2023-11-15 | 2023-11-15 | 带火工作业车间预警决策方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523928.3A CN117557095A (zh) | 2023-11-15 | 2023-11-15 | 带火工作业车间预警决策方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117557095A true CN117557095A (zh) | 2024-02-13 |
Family
ID=89812283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523928.3A Pending CN117557095A (zh) | 2023-11-15 | 2023-11-15 | 带火工作业车间预警决策方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557095A (zh) |
-
2023
- 2023-11-15 CN CN202311523928.3A patent/CN117557095A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730017B (zh) | 智能冶金设备运行诊断系统 | |
CN116129366B (zh) | 基于数字孪生的园区监测方法及相关装置 | |
KR102423561B1 (ko) | 디지털 트윈 기반 지능형 댐 안전 관리 시스템 | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN113190886A (zh) | 一种基于快速仿真数字孪生技术的设备健康监测方法 | |
KR102371336B1 (ko) | 3d 통합관제 및 증강현실과 가상현실을 이용한 스마트 공장 모니터링 시스템 | |
CN110631690B (zh) | 基于数字孪生的智能振动检测方法及装置 | |
KR102423579B1 (ko) | 3d 모델링 기반 댐 안전 관리를 위한 통합 유지보수 관제 방법 및 시스템 | |
CN115169855B (zh) | 一种基于数字孪生车间混合数据集的不安全状态检测方法 | |
CN110379036A (zh) | 变电站智能巡检识别方法、系统、装置及存储介质 | |
EP4018399A1 (en) | Modeling human behavior in work environments using neural networks | |
CN115865992A (zh) | 一种智慧水利在线监测系统 | |
CN110796360A (zh) | 一种固定型交通检测源多尺度数据融合方法 | |
JP2022014139A5 (zh) | ||
Fujita et al. | Estimation method for roof‐damaged buildings from aero-photo images during earthquakes using deep learning | |
CN116934180B (zh) | 全过程咨询信息管理方法、系统、装置及存储介质 | |
CN117314264A (zh) | 结合web的功能模块化建筑结构运维监管系统及方法 | |
CN117557095A (zh) | 带火工作业车间预警决策方法和装置 | |
CN115184563B (zh) | 一种基于数字孪生的化工车间现场数据采集方法 | |
CN108304809B (zh) | 基于震后航拍影像的近实时震损评估方法 | |
Chang et al. | Safety risk assessment of electric power operation site based on variable precision rough set | |
CN116628829B (zh) | 一种基于数字孪生的智慧建筑三维可视化系统 | |
CN117131581B (zh) | 一种数字孪生城市道路的构建系统及方法 | |
CN116304248A (zh) | 一种用于零碳展厅的可视化管理方法及系统 | |
CN117291293A (zh) | 隧道火场灾情感知和态势发展预测方法 |
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 |