CN118152873A - 一种机组设备安全隐患管理方法 - Google Patents
一种机组设备安全隐患管理方法 Download PDFInfo
- Publication number
- CN118152873A CN118152873A CN202410155785.3A CN202410155785A CN118152873A CN 118152873 A CN118152873 A CN 118152873A CN 202410155785 A CN202410155785 A CN 202410155785A CN 118152873 A CN118152873 A CN 118152873A
- Authority
- CN
- China
- Prior art keywords
- potential safety
- safety hazard
- unit equipment
- managed
- hidden danger
- 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 description 37
- 238000007726 management method Methods 0.000 claims abstract description 126
- 238000003709 image segmentation Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及机组设备技术领域,公开了一种机组设备安全隐患管理方法,获取待管理机组设备的历史管理数据,确定安全隐患概率;基于安全隐患概率进行排序,确定高危待管理机组设备和低危待管理机组设备;采集高危待管理机组设备的第一图像,输入至图像分割模型,得到第二图像,将第二图像输入至隐患目标检测模型,确定隐患目标,基于隐患目标对第二图像进行扣取,得到隐患目标图像;从隐患目标图像得到候选特征因子和最相关特征因子,构建安全隐患管理模型,输出安全隐患值;根据安全隐患值判断是否存在安全隐患,当存在安全隐患时,实时发出预警提醒,可以对机组设备进行智能化管理,实时消除机组设备安全隐患,提高机组设备的安全性和可靠性。
Description
技术领域
本发明涉及机组设备技术领域,具体而言,涉及一种机组设备安全隐患管理方法。
背景技术
随着城市化的发展和建设速度的加快,电厂机组设备的使用也迎来了井喷式的增长,因此,保障机组设备安全稳定的运行是当前都比较关注的问题,特别是对机组设备安全隐患的提前排查,防止安全隐患的进一步恶化,造成不可估量的生命财产的损失。
当前的机组设备都是通过工作人员进行人工排查、定期排查,当发现机组设备存在安全隐患时,才进行上报维修,这种传统的方式效率低,且无法实现对机组设备的实时管理,甚至有的机组设备已经发生安全隐患,工作人员却没有实时上报处理,这就导致机组设备发生进一步损坏,造成经济损失,影响机组设备的正常运行。
发明内容
本发明实施例提供一种机组设备安全隐患管理方法,用以解决现有技术中无法对机组设备进行智能化管理,无法实时消除设备安全隐患的技术问题。
为了实现上述目的,本发明提供了一种机组设备安全隐患管理方法,包括:
获取所有待管理机组设备的历史管理数据,并根据历史管理数据确定每一个待管理机组设备的安全隐患概率;
基于安全隐患概率对所有的待管理机组设备进行排序,并确定高危待管理机组设备和低危待管理机组设备;
采集高危待管理机组设备的第一图像,并将第一图像输入至预先训练的图像分割模型,基于图像分割模型得到第二图像,其中,第二图像上标注有若干分割线;
将第二图像输入至预先训练的隐患目标检测模型,确定第二图像中包含的隐患目标,并基于隐患目标对第二图像进行扣取,得到隐患目标图像;
从隐患目标图像上提取安全隐患特征,并得到多个候选特征因子,从多个候选特征因子中确定最相关特征因子,其中,候选特征因子表示产生安全隐患的影响因素,最相关特征因子表示影响程度最大的影响因素;
基于候选特征因子和最相关特征因子构建安全隐患管理模型,并根据安全隐患管理模型输出对应待管理机组设备的安全隐患值;
根据安全隐患值判断对应的待管理机组设备是否存在安全隐患,并当待管理机组设备存在安全隐患时,实时发出预警提醒。
进一步地,在获取所有待管理机组设备的历史管理数据,并根据历史管理数据确定每一个待管理机组设备的安全隐患概率时,包括:
根据历史管理数据构建历史管理数据集合,并确定每一个历史管理数据对应的历史数据数值;
根据所有的历史数据数值计算每一个待管理机组设备的安全隐患概率;
根据下式计算待管理机组设备的安全隐患概率:
其中,Pi为第i个待管理机组设备的安全隐患概率,Ki为第i个历史管理数据对应的历史数据数值,Qi为第i个历史管理数据对应的权重,w为预设值,n为历史管理数据的数量。
进一步地,在基于安全隐患概率对所有的待管理机组设备进行排序,并确定高危待管理机组设备和低危待管理机组设备时,包括:
获取与待管理机组设备对应的预设安全隐患概率;
将所有的安全隐患概率进行数值大小排序,并构建安全隐患概率集合,其中,安全隐患概率集合中的头数据为最大的安全隐患概率,安全隐患集合中的尾数据为最小的安全隐患概率;
将预设安全隐患概率插值到安全隐患概率集合中;
将安全隐患概率集合中的头数据和预设安全隐患概率之间的所有安全隐患概率作为高危待管理机组设备;
将安全隐患概率集合中的尾数据和预设安全隐患概率之间的所有安全隐患概率作为低危待管理机组设备。
进一步地,在基于候选特征因子和最相关特征因子构建安全隐患管理模型时,包括:
提取每一个隐患目标图像对应的候选特征因子和最相关特征因子;
将所有的候选特征因子和最相关特征因子按照预设的比例分为训练集和测试集;
搭建神经网络架构;
将训练集输入至预先搭建的神经网络架构,直至神经网络收敛,得到初始安全隐患管理模型;
将测试集输入初始安全隐患管理模型进行测试,并获取对应的测试集准确率;
当测试集准确率达到准确率阈值时,得到安全隐患管理模型;
当测试集准确率未达到准确率阈值时,对初始安全隐患管理模型进行二次训练。
进一步地,在对初始安全隐患管理模型进行二次训练时,包括:
基于初始安全隐患管理模型对每一个隐患目标图像进行检测,将能够准确检测的隐患目标图像丢弃;
统计无法准确检测的隐患目标图像对应的图像数量,并将图像数量与第一阈值进行比较,当无法检测的图像数量大于第一阈值时,从无法检测的图像中随机选取与第一阈值数量相等的隐患目标图像;
当无法检测的图像数量小于或等于第一阈值时,选取所有无法检测的隐患目标图像;
对所有选取的隐患目标图像生成标签,并得到第二训练集,并基于第二训练集对初始安全隐患管理模型进行训练,直至测试集准确率达到准确率阈值,得到安全隐患管理模型。
进一步地,在根据安全隐患值判断对应的待管理机组设备是否存在安全隐患时,包括:
获取与待管理机组设备对应的安全隐患阈值;
根据安全隐患值和安全隐患阈值之间的关系判断对应的待管理机组设备是否存在安全隐患;
当安全隐患值小于安全隐患阈值时,则判断对应的待管理机组设备不存在安全隐患;
当安全隐患值大于或等于安全隐患阈值时,则判断对应的待管理机组设备存在安全隐患。
进一步地,在实时发出预警提醒时,包括:
计算安全隐患值和安全隐患值阈值之间的安全隐患比值;
根据安全隐患比值设定不同的预警等级;
当安全隐患比值≥85%时,则设定一级预警等级;
当65%≤安全隐患比值<85%时,则设定二级预警等级;
当安全隐患比值<65%时,则设定三级预警等级;
其中,一级预警等级>二级预警等级>三级预警等级。
进一步地,在判断机组设备不存在安全隐患之后,还包括:
获取预先确定的工作项目计划,并对工作项目计划进行模拟仿真;
基于模拟仿真结果确定待管理机组设备的工作损耗因子;
根据工作损耗因子对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期;
基于目标隐患管理周期对待管理机组设备进行安全隐患管理。
进一步地,在根据工作损耗因子对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期时,包括:
预先设定第一预设工作损耗因子和第二预设工作损耗因子;
根据工作损耗因子、第一预设工作损耗因子和第二预设工作损耗因子之间的关系对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期;
当工作损耗因子小于第一预设工作损耗因子时,则根据第一预设修正因子h1对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期T*h1;
当工作损耗因子大于或等于第一预设工作损耗因子,且工作损耗因子小于第二预设工作损耗因子时,则根据第二预设修正因子h2对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期T*h2;
当工作损耗因子大于或等于第二预设工作损耗因子时,则根据第三预设修正因子h3对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期T*h3。
与现有技术相比,本发明的有益效果在于:
本发明公开了一种机组设备安全隐患管理方法,获取待管理机组设备的历史管理数据,确定安全隐患概率;基于安全隐患概率进行排序,确定高危待管理机组设备和低危待管理机组设备;采集高危待管理机组设备的第一图像,输入至图像分割模型,得到第二图像,将第二图像输入至隐患目标检测模型,确定隐患目标,基于隐患目标对第二图像进行扣取,得到隐患目标图像;从隐患目标图像得到候选特征因子和最相关特征因子,构建安全隐患管理模型,输出安全隐患值;根据安全隐患值判断是否存在安全隐患,当存在安全隐患时,实时发出预警提醒,可以对机组设备进行智能化管理,实时消除机组设备安全隐患,提高机组设备的安全性和可靠性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例中一种机组设备安全隐患管理方法的流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式做进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在本申请的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体的连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下文是结合附图对本发明的优选的实施例说明。
如图1所示,本发明的实施例公开了一种机组设备安全隐患管理方法,包括:
S110:获取所有待管理机组设备的历史管理数据,并根据历史管理数据确定每一个待管理机组设备的安全隐患概率;
在本申请的一些实施例中,在获取所有待管理机组设备的历史管理数据,并根据历史管理数据确定每一个待管理机组设备的安全隐患概率时,包括:
根据历史管理数据构建历史管理数据集合,并确定每一个历史管理数据对应的历史数据数值;
根据所有的历史数据数值计算每一个待管理机组设备的安全隐患概率;
根据下式计算待管理机组设备的安全隐患概率:
其中,Pi为第i个待管理机组设备的安全隐患概率,Ki为第i个历史管理数据对应的历史数据数值,Qi为第i个历史管理数据对应的权重,w为预设值,n为历史管理数据的数量。
本实施例中,历史管理数据是指待管理机组设备的历史维修数据,历史预警数据等。历史数据数值为对应的历史维修次数,历史维修时长,历史预警次数等。
上述技术方案的有益效果是:本发明通过计算待管理机组设备的安全隐患概率,进而可以为待管理机组设备的排序和分组奠定基础。
S120:基于安全隐患概率对所有的待管理机组设备进行排序,并确定高危待管理机组设备和低危待管理机组设备;
在本申请的一些实施例中,在基于安全隐患概率对所有的待管理机组设备进行排序,并确定高危待管理机组设备和低危待管理机组设备时,包括:
获取与待管理机组设备对应的预设安全隐患概率;
将所有的安全隐患概率进行数值大小排序,并构建安全隐患概率集合,其中,安全隐患概率集合中的头数据为最大的安全隐患概率,安全隐患集合中的尾数据为最小的安全隐患概率;
将预设安全隐患概率插值到安全隐患概率集合中;
将安全隐患概率集合中的头数据和预设安全隐患概率之间的所有安全隐患概率作为高危待管理机组设备;
将安全隐患概率集合中的尾数据和预设安全隐患概率之间的所有安全隐患概率作为低危待管理机组设备。
本实施例中,预设安全隐患概率和待管理机组设备相对应,每一个待管理机组设备的预设安全隐患概率不同,在此不作具体限定。
本实施例中,高危待管理机组设备中包括预设安全隐患概率对应的待管理机组设备。
上述技术方案的有益效果是:本发明通过确定高危待管理机组设备和低危待管理机组设备,可以为安全隐患管理提供技术支撑,优先管理高危待管理机组设备。
S130:采集高危待管理机组设备的第一图像,并将第一图像输入至预先训练的图像分割模型,基于图像分割模型得到第二图像,其中,第二图像上标注有若干分割线;
本实施例中,图像分割模型是预先训练好的,且是基于不同的数据样本以及数据样本所匹配的图像分割方法为基础,训练得到的。
S140:将第二图像输入至预先训练的隐患目标检测模型,确定第二图像中包含的隐患目标,并基于隐患目标对第二图像进行扣取,得到隐患目标图像;
本实施例中,隐患目标检测模型是预先训练好的,且是基于不同的数据样本以及数据样本所匹配的隐患目标为基础,训练得到的。
S150:从隐患目标图像上提取安全隐患特征,并得到多个候选特征因子,从多个候选特征因子中确定最相关特征因子,其中,候选特征因子表示产生安全隐患的影响因素,最相关特征因子表示影响程度最大的影响因素;
S160:基于候选特征因子和最相关特征因子构建安全隐患管理模型,并根据安全隐患管理模型输出对应待管理机组设备的安全隐患值;
在本申请的一些实施例中,在基于候选特征因子和最相关特征因子构建安全隐患管理模型时,包括:
提取每一个隐患目标图像对应的候选特征因子和最相关特征因子;
将所有的候选特征因子和最相关特征因子按照预设的比例分为训练集和测试集;
搭建神经网络架构;
将训练集输入至预先搭建的神经网络架构,直至神经网络收敛,得到初始安全隐患管理模型;
将测试集输入初始安全隐患管理模型进行测试,并获取对应的测试集准确率;
当测试集准确率达到准确率阈值时,得到安全隐患管理模型;
当测试集准确率未达到准确率阈值时,对初始安全隐患管理模型进行二次训练。
本实施例中,预设的比例可以是1:1或者1:3等,在此不作具体限定。
本实施例中,神经网络架构包括深度前馈网络、循环神经网络、长短期记忆网络等。
上述技术方案的有益效果是:本发明可以保证安全隐患管理模型的精准度,避免出现训练误差,进而保证输出的安全隐患值的精度。
在本申请的一些实施例中,在对初始安全隐患管理模型进行二次训练时,包括:
基于初始安全隐患管理模型对每一个隐患目标图像进行检测,将能够准确检测的隐患目标图像丢弃;
统计无法准确检测的隐患目标图像对应的图像数量,并将图像数量与第一阈值进行比较,当无法检测的图像数量大于第一阈值时,从无法检测的图像中随机选取与第一阈值数量相等的隐患目标图像;
当无法检测的图像数量小于或等于第一阈值时,选取所有无法检测的隐患目标图像;
对所有选取的隐患目标图像生成标签,并得到第二训练集,并基于第二训练集对初始安全隐患管理模型进行训练,直至测试集准确率达到准确率阈值,得到安全隐患管理模型。
本实施例中,第一阈值可以根据实际情况进行设置,在此不作具体限定。
上述技术方案的有益效果是:本发明通过得到第二训练集,并基于第二训练集对初始安全隐患管理模型进行训练,可以进一步保证安全隐患管理模型的精准度。
S170:根据安全隐患值判断对应的待管理机组设备是否存在安全隐患,并当待管理机组设备存在安全隐患时,实时发出预警提醒。
在本申请的一些实施例中,在根据安全隐患值判断对应的待管理机组设备是否存在安全隐患时,包括:
获取与待管理机组设备对应的安全隐患阈值;
根据安全隐患值和安全隐患阈值之间的关系判断对应的待管理机组设备是否存在安全隐患;
当安全隐患值小于安全隐患阈值时,则判断对应的待管理机组设备不存在安全隐患;
当安全隐患值大于或等于安全隐患阈值时,则判断对应的待管理机组设备存在安全隐患。
上述技术方案的有益效果是:本发明根据安全隐患值和安全隐患阈值之间的关系判断对应的待管理机组设备是否存在安全隐患,进而可以直观的判断出待管理机组设备是否存在安全隐患,提高工作效率。
在本申请的一些实施例中,在实时发出预警提醒时,包括:
计算安全隐患值和安全隐患值阈值之间的安全隐患比值;
根据安全隐患比值设定不同的预警等级;
当安全隐患比值≥85%时,则设定一级预警等级;
当65%≤安全隐患比值<85%时,则设定二级预警等级;
当安全隐患比值<65%时,则设定三级预警等级;
其中,一级预警等级>二级预警等级>三级预警等级。
上述技术方案的有益效果是:本发明通过发出一级预警等级或二级预警等级或三级预警等级,进而可以实现针对性预警,根据不同的预警情况来执行不同的处理措施,提高安全隐患管理效率。
在本申请的一些实施例中,在判断机组设备不存在安全隐患之后,还包括:
获取预先确定的工作项目计划,并对工作项目计划进行模拟仿真;
基于模拟仿真结果确定待管理机组设备的工作损耗因子;
根据工作损耗因子对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期;
基于目标隐患管理周期对待管理机组设备进行安全隐患管理。
本实施例中,工作项目技术是指待管理机组设备的日常个工作安排。
本实施例中,隐患管理周期T可以是24小时、36小时等。
在本申请的一些实施例中,在根据工作损耗因子对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期时,包括:
预先设定第一预设工作损耗因子和第二预设工作损耗因子;
根据工作损耗因子、第一预设工作损耗因子和第二预设工作损耗因子之间的关系对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期;
当工作损耗因子小于第一预设工作损耗因子时,则根据第一预设修正因子h1对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期T*h1;
当工作损耗因子大于或等于第一预设工作损耗因子,且工作损耗因子小于第二预设工作损耗因子时,则根据第二预设修正因子h2对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期T*h2;
当工作损耗因子大于或等于第二预设工作损耗因子时,则根据第三预设修正因子h3对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期T*h3。
上述技术方案的有益效果是:本发明根据工作损耗因子、第一预设工作损耗因子和第二预设工作损耗因子之间的关系对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期,本发明通过对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期,可以实现动态化调整,避免定期排查,避免待管理机组设备进一步损坏的现象。
在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
虽然在上文中已经参考实施例对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施例中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行全部的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
本领域普通技术人员可以理解:以上仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种机组设备安全隐患管理方法,其特征在于,包括:
获取所有待管理机组设备的历史管理数据,并根据历史管理数据确定每一个待管理机组设备的安全隐患概率;
基于安全隐患概率对所有的待管理机组设备进行排序,并确定高危待管理机组设备和低危待管理机组设备;
采集高危待管理机组设备的第一图像,并将第一图像输入至预先训练的图像分割模型,基于图像分割模型得到第二图像,其中,第二图像上标注有若干分割线;
将第二图像输入至预先训练的隐患目标检测模型,确定第二图像中包含的隐患目标,并基于隐患目标对第二图像进行扣取,得到隐患目标图像;
从隐患目标图像上提取安全隐患特征,并得到多个候选特征因子,从多个候选特征因子中确定最相关特征因子,其中,候选特征因子表示产生安全隐患的影响因素,最相关特征因子表示影响程度最大的影响因素;
基于候选特征因子和最相关特征因子构建安全隐患管理模型,并根据安全隐患管理模型输出对应待管理机组设备的安全隐患值;
根据安全隐患值判断对应的待管理机组设备是否存在安全隐患,并当待管理机组设备存在安全隐患时,实时发出预警提醒。
2.根据权利要求1的机组设备安全隐患管理方法,其特征在于,在获取所有待管理机组设备的历史管理数据,并根据历史管理数据确定每一个待管理机组设备的安全隐患概率时,包括:
根据历史管理数据构建历史管理数据集合,并确定每一个历史管理数据对应的历史数据数值;
根据所有的历史数据数值计算每一个待管理机组设备的安全隐患概率;
根据下式计算待管理机组设备的安全隐患概率:
其中,Pi为第i个待管理机组设备的安全隐患概率,Ki为第i个历史管理数据对应的历史数据数值,Qi为第i个历史管理数据对应的权重,w为预设值,n为历史管理数据的数量。
3.根据权利要求1的机组设备安全隐患管理方法,其特征在于,在基于安全隐患概率对所有的待管理机组设备进行排序,并确定高危待管理机组设备和低危待管理机组设备时,包括:
获取与待管理机组设备对应的预设安全隐患概率;
将所有的安全隐患概率进行数值大小排序,并构建安全隐患概率集合,其中,安全隐患概率集合中的头数据为最大的安全隐患概率,安全隐患集合中的尾数据为最小的安全隐患概率;
将预设安全隐患概率插值到安全隐患概率集合中;
将安全隐患概率集合中的头数据和预设安全隐患概率之间的所有安全隐患概率作为高危待管理机组设备;
将安全隐患概率集合中的尾数据和预设安全隐患概率之间的所有安全隐患概率作为低危待管理机组设备。
4.根据权利要求1的机组设备安全隐患管理方法,其特征在于,在基于候选特征因子和最相关特征因子构建安全隐患管理模型时,包括:
提取每一个隐患目标图像对应的候选特征因子和最相关特征因子;
将所有的候选特征因子和最相关特征因子按照预设的比例分为训练集和测试集;
搭建神经网络架构;
将训练集输入至预先搭建的神经网络架构,直至神经网络收敛,得到初始安全隐患管理模型;
将测试集输入初始安全隐患管理模型进行测试,并获取对应的测试集准确率;
当测试集准确率达到准确率阈值时,得到安全隐患管理模型;
当测试集准确率未达到准确率阈值时,对初始安全隐患管理模型进行二次训练。
5.根据权利要求4的机组设备安全隐患管理方法,其特征在于,在对初始安全隐患管理模型进行二次训练时,包括:
基于初始安全隐患管理模型对每一个隐患目标图像进行检测,将能够准确检测的隐患目标图像丢弃;
统计无法准确检测的隐患目标图像对应的图像数量,并将图像数量与第一阈值进行比较,当无法检测的图像数量大于第一阈值时,从无法检测的图像中随机选取与第一阈值数量相等的隐患目标图像;
当无法检测的图像数量小于或等于第一阈值时,选取所有无法检测的隐患目标图像;
对所有选取的隐患目标图像生成标签,并得到第二训练集,并基于第二训练集对初始安全隐患管理模型进行训练,直至测试集准确率达到准确率阈值,得到安全隐患管理模型。
6.根据权利要求1的机组设备安全隐患管理方法,其特征在于,在根据安全隐患值判断对应的待管理机组设备是否存在安全隐患时,包括:
获取与待管理机组设备对应的安全隐患阈值;
根据安全隐患值和安全隐患阈值之间的关系判断对应的待管理机组设备是否存在安全隐患;
当安全隐患值小于安全隐患阈值时,则判断对应的待管理机组设备不存在安全隐患;
当安全隐患值大于或等于安全隐患阈值时,则判断对应的待管理机组设备存在安全隐患。
7.根据权利要求1的机组设备安全隐患管理方法,其特征在于,在实时发出预警提醒时,包括:
计算安全隐患值和安全隐患值阈值之间的安全隐患比值;
根据安全隐患比值设定不同的预警等级;
当安全隐患比值≥85%时,则设定一级预警等级;
当65%≤安全隐患比值<85%时,则设定二级预警等级;
当安全隐患比值<65%时,则设定三级预警等级;
其中,一级预警等级>二级预警等级>三级预警等级。
8.根据权利要求6的机组设备安全隐患管理方法,其特征在于,在判断机组设备不存在安全隐患之后,还包括:
获取预先确定的工作项目计划,并对工作项目计划进行模拟仿真;
基于模拟仿真结果确定待管理机组设备的工作损耗因子;
根据工作损耗因子对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期;
基于目标隐患管理周期对待管理机组设备进行安全隐患管理。
9.根据权利要求8的机组设备安全隐患管理方法,其特征在于,在根据工作损耗因子对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期时,包括:
预先设定第一预设工作损耗因子和第二预设工作损耗因子;
根据工作损耗因子、第一预设工作损耗因子和第二预设工作损耗因子之间的关系对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期;
当工作损耗因子小于第一预设工作损耗因子时,则根据第一预设修正因子h1对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期T*h1;
当工作损耗因子大于或等于第一预设工作损耗因子,且工作损耗因子小于第二预设工作损耗因子时,则根据第二预设修正因子h2对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期T*h2;
当工作损耗因子大于或等于第二预设工作损耗因子时,则根据第三预设修正因子h3对待管理机组设备的隐患管理周期T进行修正,得到目标隐患管理周期T*h3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155785.3A CN118152873A (zh) | 2024-02-02 | 2024-02-02 | 一种机组设备安全隐患管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155785.3A CN118152873A (zh) | 2024-02-02 | 2024-02-02 | 一种机组设备安全隐患管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118152873A true CN118152873A (zh) | 2024-06-07 |
Family
ID=91293864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410155785.3A Pending CN118152873A (zh) | 2024-02-02 | 2024-02-02 | 一种机组设备安全隐患管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118152873A (zh) |
-
2024
- 2024-02-02 CN CN202410155785.3A patent/CN118152873A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101718634B (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN108445410A (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
CN109992440A (zh) | 一种基于知识图谱和机器学习的it根故障分析识别方法 | |
CN111275321A (zh) | 一种充电桩状态分析系统和方法 | |
CN103760901A (zh) | 一种基于关联规则分类器的轨道交通故障识别方法 | |
CN109254219B (zh) | 一种考虑多元因素态势演变的配变迁移学习故障诊断方法 | |
CN113624533B (zh) | 一种基于人工智能的发电厂设备故障诊断系统及方法 | |
CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
CN116415931A (zh) | 一种基于大数据的电力设备运行状态监控方法和系统 | |
CN116595062A (zh) | 一种园区碳排放监测预警方法 | |
CN116579615A (zh) | 一种基于无人机遥感的植被覆盖监测系统 | |
CN114417981A (zh) | 一种智能河长巡测系统 | |
CN118152873A (zh) | 一种机组设备安全隐患管理方法 | |
CN117108458A (zh) | 海上风电分区腐蚀安全评估方法、系统、设备及存储介质 | |
CN113010394A (zh) | 一种用于数据中心的机房故障检测方法 | |
CN116545377A (zh) | 一种基于锁相技术的光伏组件监测方法 | |
CN110929800B (zh) | 一种基于sax算法的商业体异常用电检测方法 | |
CN113610167B (zh) | 基于度量学习与视觉感知的设备风险检测方法 | |
CN112884352B (zh) | 一种架空输电线路雷击故障风险评估方法 | |
CN113654974A (zh) | 一种海上风电单桩基础腐蚀状态的评估方法及监测系统 | |
CN106651166B (zh) | 基于物联网的自然灾害风险处理方法和系统 | |
CN110909813A (zh) | 一种基于边缘算法的商业体异常用电检测方法 | |
CN117808157B (zh) | 基于智能识别的未报备停电行为预测分析系统 | |
CN117746591B (zh) | 一种数据驱动的不可移动文物异常预警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |