CN117474343A - 石化港区危险源安全风险预警方法、装置、设备及存储介质 - Google Patents
石化港区危险源安全风险预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117474343A CN117474343A CN202311810090.6A CN202311810090A CN117474343A CN 117474343 A CN117474343 A CN 117474343A CN 202311810090 A CN202311810090 A CN 202311810090A CN 117474343 A CN117474343 A CN 117474343A
- Authority
- CN
- China
- Prior art keywords
- early warning
- petrochemical
- data
- harbor
- neural network
- 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 47
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000007788 liquid Substances 0.000 claims description 16
- 238000002790 cross-validation Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual 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
- G06Q10/06—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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
本申请提供一种石化港区危险源安全风险预警方法、装置、设备及存储介质，属于石化港区安全技术领域。该方法包括：实时监测危险源，调用历史事故数据并提取特征，设置预警标准并建立预警样本库，用监测数据和历史事故数据训练循环神经网络模型，K折交叉验证模型性能，最后基于训练好的模型进行风险预警。此方法结合了实时监测和历史数据，利用循环神经网络模型处理时序信息，能有效降低预警难度，实现及时风险预警。
Description
技术领域
本申请石化港区安全领域，尤其涉及一种石化港区危险源安全风险预警方法、装置、设备及存储介质。
背景技术
石化港区涉及众多危险品和高风险作业，使得人员安全风险管控形势异常严峻，已成为石化港区亟待解决的重要问题。随着石化品储运企业在沿江沿海地区的集聚，区域性港口重大危险源的风险也在持续攀升。但是石化港区涉及的数据纷繁复杂，包括监测数据和历史事故数据等，因此针对重大危险源的预警难度高，容易发生风险。
发明内容
本申请的目的在于克服现有技术中的缺陷，提供及一种石化港区危险源安全风险预警方法、装置、设备及存储介质。
本申请提供的一种石化港区危险源安全风险预警方法，包括：
在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据；
调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征；
根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库；
将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测；
通过K折交叉验证评估训练后的所述循环神经网络模型性能；
基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。
可选地，对石化港区危险源安全风险进行预警，包括：
根据评估后的所述循环神经网络模型的输出结果对比预设的预警阈值，根据对比结果进行声音、光照、短信和/或邮件进行预警。
可选地，还包括：
将所述对比结果与预警信息进行可视化的仪表盘、图表和或地图显示。
可选地，将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集之前，包括：
根据所述监测数据和所述历史事故数据中特定的字段和标识符进行去重操作；
根据所述监测数据和所述历史事故数据的缺失值的比例，选择性删除包含缺失值的记录；
根据所述监测数据和所述历史事故数据中的异常值的来源，选择性删除异常值；
对所述监测数据和所述历史事故数据归一化处理，公式为：
其中Z表示归一化后的监测数据，x表示原始监测数据，表示原始监测数据的最小值，/>表示原始监测数据的最大值。
可选地，所述循环神经网络模型，包括：
输入层，用于对所述训练集中的数据进行处理和转化，所述处理和转化的表达式如下：
其中表示标准化后的数据，/>表示原始训练集数据，/>表示原始训练集数据的平均值，/>表示原始训练集数据的标准差。
可选地，所述循环神经网络模型，包括：
全连接层，用于对所述训练集中的数据进行梯度下降处理，表达式如下：
其中表示模型优化权重参数，/>表示当前循环层的输出，/>表示学习率，/>表示对循环层的输出w的损失函数的梯度。
可选地，通过K折交叉验证评估训练后的所述循环神经网络模型性能，包括：
利用K折交叉验证将训练集划分为K个大小相等的子集，每次选择其中一个子集作为验证集，其余K-1个子集作为训练集；
依次使用不同的子集作为验证集，进行K次训练和验证，最终得到K个模型性能评估结果的均值，用于验证评估模型数据性能。
本申请还提供一种石化港区危险源安全风险预警装置，包括：
检测模块，用于在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据；
提取模块，用于调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征；
标注模块，用于根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库；
训练模块，用于将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测；
估计模块，用于通过K折交叉验证评估训练后的所述循环神经网络模型性能；
预警模块，用于基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。
本申请还提供一种石化港区危险源安全风险预警设备，包括：
存储器，用于存储上述一种石化港区危险源安全风险预警方法的计算机可执行程序；
处理器，用于从所述存储器中调取所述计算机可执行程序，并执行：在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据；调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征；根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库；将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测；通过K折交叉验证评估训练后的所述循环神经网络模型性能；基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。
本申请还提供一种存储介质，存储有计算机可执行程序，该计算机可执行程序用于被处理器调用，执行上述一种石化港区危险源安全风险预警方法的步骤。
本申请的优点和有益效果：
本申请提供的一种石化港区危险源安全风险预警方法，包括：在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据；调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征；根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库；将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测；通过K折交叉验证评估训练后的所述循环神经网络模型性能；基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。本申请基于检测数据和历史事故数据训练循环神经网络模型进行预警，可以在实时监控数据的前提前，及时进行风险预警，降低了预警难度。
附图说明
图1是本申请中石化港区危险源安全风险预警流程示意图；
图2是本申请中石化港区危险源安全风险预警装置示意图。
具体实施方式
下面结合附图和具体实施例对本申请作进一步说明，以使本领域的技术人员可以更好地理解本申请并能予以实施。
以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的限制。
本申请提供的一种石化港区危险源安全风险预警方法，包括：在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据；调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征；根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库；将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测；通过K折交叉验证评估训练后的所述循环神经网络模型性能；基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。本申请基于检测数据和历史事故数据训练循环神经网络模型进行预警，可以在实时监控数据的前提前，及时进行风险预警，降低了预警难度。
请参照图1所示，一种石化港区危险源安全风险预警方法的步骤包括：
S101在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据。
在石化港区重大危险源中，为了确保安全并实时监控潜在风险，安装各种监测传感器。以下是本申请中采的传感器的详细信息：
液位传感器，用于监测油罐或其他液体储存容器中的实时液位。该传感器可以实时获取油罐或其他液体容器的液位数据，从而得知容器中的液体量。监测油罐的液位是防止溢出、泄漏或其他相关事故的关键。
压力传感器，监测石化港区内的各种管线、阀门或其他流体传输系统的实时压力。传感器能够实时获取管线的压力数据。异常的压力变化是泄漏、堵塞或其他系统问题的征兆。
温度传感器，用于监测石化港区内管线的实时温度。传感器可以实时获取管线的温度数据。温度的变化表示流体的异常反应、摩擦过热或其他潜在问题。
气敏传感器，用于监测泄漏源的可燃气体。传感器能够检测并获取可燃气体的类型和浓度数据。可燃气体泄漏导致火灾或爆炸，因此及时检测并采取措施至关重要。
为了更有效地利用上述传感器获取的数据，还可以连接云端数据库接口。该接口的主要功能有：
获取历史事故数据，这包括事故的类型、原因和后果信息。通过对历史事故的分析，可以了解港区的常见风险和潜在问题。
本申请中，在石化港区的数据中心创建一个数据库，用于记录从传感器获取的实时监测数据以及历史事故数据。
进一步的，对所述检测数据和历史事故数据进行预处理，包括：
去重操作，确保数据集中的每一条记录都是唯一的，没有重复的信息。
具体的，根据监测数据和历史事故数据中的特定字段和标识符进行检查。如果发现两条或多条记录在这些字段上的值完全相同，则视为重复记录。删除重复的记录，只保留其中一条。这确保了数据的准确性和分析的可靠性。
处理缺失值，检查数据集中是否存在某些字段的值缺失。
具体的，对数据集进行逐条检查，如果发现某些字段的值为空或未填写，则标记为缺失值。根据监测数据和历史事故数据的特点以及缺失值的比例来决定如何处理。如果缺失值较少，可以选择直接删除包含缺失值的记录；如果缺失值较多，需要采用其他方法如均值填充、插值等来处理。
处理异常值，识别数据集中那些明显偏离正常范围的值，这些值是由于测量错误或其他原因造成的。
具体的，根据监测数据和历史事故数据的特点以及异常值的来源进行检查。例如，如果某个传感器的读数突然跳变到一个不的值，那么这个值就是一个异常值。选择性删除异常值或用其他合适的值进行替换。这需要根据实际情况来判断，因为有些异常值包含了有用的信息。
数据归一化，将监测数据的值转换到一个指定的范围，通常是为了方便后续的数据处理或模型训练。采用最小-最大归一化方法。这种方法的基本思想是将原始数据线性变换到[0,1]的范围。
公式：
其中；
其中，Z表示归一化后的监测数据，x表示原始监测数据，表示原始监测数据的最小值，/>表示原始监测数据的最大值。
经过归一化处理后，所有的监测数据都会被映射到相同的尺度上，这有助于某些算法更有效地处理数据。
S102调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征。
首先，从数据中心获取石化港区的历史事故数据。
这些数据包括事故发生的时间、地点、原因、影响因素等信息。
然后根据历史事故数据中信息的重要性权重，分析并提取事故发生的主要原因。同时，识别出影响事故发生的各种因素以及参与的危险源特征。
利用数据中心，获取与石化港区相关的领域专家知识。这些知识包括危险的化学品存储方法、设备设施的安全标准、工艺流程的风险点等。
结合专家知识和历史事故数据，整理石化港区存在的各种危险源特征。
所述危险源特征被分为四大类：化学品存储特征、设备设施特征、工艺流程特征和人员行为特征。
S103根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库。
将整理出的危险源特征作为风险类别指标。
针对每一个风险类别指标，设定三级预警标准：
一级预警：代表临界状态，意味着风险即将发生，需要立即采取紧急措施。
二级预警：代表高风险状态，表示存在重大隐患，需要尽快采取措施进行防范。
三级预警：代表中等风险状态，表示当前风险状况需要进一步观察。
对根据所述危险源特征对历史事故数据进行标注，确保每个样本都代表一个特定的风险类别和分级预警情况。
这种标注有助于模型更准确地学习和识别不同的风险模式和预警级别。
利用上述标注的样本，建立一个石化港区安全生产风险的分类分级预警样本库。
这个样本库可以作为训练和测试机器学习模型的基础，帮助模型更准确地预测和识别石化港区的各种风险和预警级别。
S104将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测。
本申请采用循环神经网络（RNN）模型作为风险预测模型。
具体的，将监测数据和历史事故数据被合并成一个模型训练集。
这个模型数据集被划分为三个部分：70%作为训练集，10%作为验证集，20%作为测试集。
选择了循环神经网络（RNN）作为训练模型，这种网络特别适用于处理序列数据，能够捕捉数据中的时间依赖性。
所述循环神经网络包括：
数据预处理 - 输入层，用于输入层负责处理和转换训练集数据的特征。
采用了数据标准化方法，其公式为：
；
其中，表示标准化后的数据，/>表示原始训练集数据，/>表示原始训练集数据的平均值，/>表示原始训练集数据的标准差。
数据标准化有助于模型更有效地学习数据的特征，并能提高训练的稳定性和收敛速度。
循环层，用于负责处理训练集中的序列数据的时序信息。
所述循环层创建了一个时间窗口来定义时间步，并结合训练集组成时序数据。
每个时间步在处理过程中接收一个输入和一个隐藏状态，并输出一个隐藏状态和训练结果。这有助于模型学习时序信息的表示和预测。
全连接层，用于将循环层的输出映射到预测目标空间。
每个节点都与前一层的所有节点相连，每个连接有一个权重。
使用梯度下降算法进行训练，优化权重。梯度下降算法的公式为：
；
其中表示模型优化权重参数，/>表示当前循环层的输出，/>表示学习率，/>表示对循环层的输出w的损失函数的梯度。
通过增加多层的全连接层，可以增加模型的非线性能力。
输出层根据风险预警输出模型的预测结果。
S105通过K折交叉验证评估训练后的所述循环神经网络模型性能。
本申请为了验证和评估模型的性能，采用了K折交叉验证方法。
训练集被划分为K个大小相等的子集。每次选择一个子集作为验证集，其余的K-1个子集作为训练集。这个过程重复K次，每次选择不同的子集作为验证集。
最终得到K个模型性能评估结果的均值，这个均值用于评估模型的数据性能，能够更全面地反映模型的泛化能力。
S106基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。
首先，根据石化港区的具体安全管理需求，制定合适的风险评估指标。所述指标可以根据实际经验得出。
这些指标的设计是基于风险预测模型的输出结果，并结合了相关的安全规范和标准。
主要的风险评估指标包括“安全指数”和“风险等级”，用于直观地反映石化港区的安全风险程度。
在确定了风险评估指标后，设计对应的预警指标。该警示指标可以根据实际情况设计。
根据石化港区的安全管理需求，为每个预警指标设定特定的阈值。
当某个风险评估指标超过其预警阈值时，系统会触发相应的预警机制。
一旦触发预警机制，系统会生成与风险评估结果和预警指标相对应的预警信号。
这些预警信号可以通过多种方式发送，包括但不限于声音、光照、短信和邮件，以确保相关人员能够及时收到警报。
预警信号的目的是使相关人员能够在第一时间得知风险状况，并采取紧急措施进行风险控制和应急处理。
除了发送预警信号，系统还将风险评估结果和预警信号进行可视化展示。
可视化展示的方式可以是仪表盘、图表或地图等，这有助于更直观地了解石化港区的风险状况。
最后，系统还会根据风险评估和预警的结果生成相应的报告。
这些报告包括风险评估报告和预警报告，可以为相关人员提供参考和决策依据。
如图2所示，本申请还提供一种石化港区危险源安全风险预警装置，包括：
检测模块201，用于在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据；
提取模块202，用于调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征；
标注模块203，用于根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库；
训练模块204，用于将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测；
估计模块205，用于通过K折交叉验证评估训练后的所述循环神经网络模型性能；
预警模块206，用于基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。
本申请还提供一种石化港区危险源安全风险预警设备，包括：
存储器，用于存储上述一种石化港区危险源安全风险预警方法的计算机可执行程序；
处理器，用于从所述存储器中调取所述计算机可执行程序，并执行：在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据；调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征；根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库；将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测；通过K折交叉验证评估训练后的所述循环神经网络模型性能；基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。
本申请还提供一种存储介质，存储有计算机可执行程序，该计算机可执行程序用于被处理器调用，执行上述一种石化港区危险源安全风险预警方法的步骤。
Claims (10)
1.一种石化港区危险源安全风险预警方法，其特征在于，包括：
在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据；
调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征；
根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库；
将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测；
通过K折交叉验证评估训练后的所述循环神经网络模型性能；
基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。
2.根据权利要求1所述石化港区危险源安全风险预警方法，其特征在于，对石化港区危险源安全风险进行预警，包括：
根据评估后的所述循环神经网络模型的输出结果对比预设的预警阈值，根据对比结果进行声音、光照、短信和/或邮件进行预警。
3.根据权利要求2所述石化港区危险源安全风险预警方法，其特征在于，还包括：
将所述对比结果与预警信息进行可视化的仪表盘、图表和或地图显示。
4.根据权利要求1所述石化港区危险源安全风险预警方法，其特征在于，将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集之前，包括：
根据所述监测数据和所述历史事故数据中特定的字段和标识符进行去重操作；
根据所述监测数据和所述历史事故数据的缺失值的比例，选择性删除包含缺失值的记录；
根据所述监测数据和所述历史事故数据中的异常值的来源，选择性删除异常值；
对所述监测数据和所述历史事故数据归一化处理，公式为：
；
其中Z表示归一化后的监测数据，x表示原始监测数据，表示原始监测数据的最小值，/>表示原始监测数据的最大值。
5.根据权利要求1所述石化港区危险源安全风险预警方法，其特征在于，所述循环神经网络模型，包括：
输入层，用于对所述训练集中的数据进行处理和转化，所述处理和转化的表达式如下：
；
其中表示标准化后的数据，/>表示原始训练集数据，/>表示原始训练集数据的平均值，/>表示原始训练集数据的标准差。
6.根据权利要求1所述石化港区危险源安全风险预警方法，其特征在于，所述循环神经网络模型，包括：
全连接层，用于对所述训练集中的数据进行梯度下降处理，表达式如下：
；
其中表示模型优化权重参数，/>表示当前循环层的输出，/>表示学习率，表示对循环层的输出w的损失函数的梯度。
7.根据权利要求1所述石化港区危险源安全风险预警方法，其特征在于，通过K折交叉验证评估训练后的所述循环神经网络模型性能，包括：
利用K折交叉验证将训练集划分为K个大小相等的子集，每次选择其中一个子集作为验证集，其余K-1个子集作为训练集；
依次使用不同的子集作为验证集，进行K次训练和验证，最终得到K个模型性能评估结果的均值，用于验证评估模型数据性能。
8.一种石化港区危险源安全风险预警装置，其特征在于，包括：
检测模块，用于在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据；
提取模块，用于调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征；
标注模块，用于根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库；
训练模块，用于将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测；
估计模块，用于通过K折交叉验证评估训练后的所述循环神经网络模型性能；
预警模块，用于基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。
9.一种石化港区危险源安全风险预警设备，其特征在于，包括：
存储器，用于存储权利要求1~7任一项一种石化港区危险源安全风险预警方法的计算机可执行程序；
处理器，用于从所述存储器中调取所述计算机可执行程序，并执行：在石化港区的危险源上实时监测包括油罐的液位、管线的压力和温度，以及可燃气体的类型和浓度的监测数据；调用数据中心的历史事故数据，提取所述历史事故数据中的危险源特征；根据所述危险源特征预先设置分级预警标准，对所述历史事故数据进行样本标注，建立石化港区安全生产风险分类分级预警样本库；将所述预警样本库中的所述监测数据和所述历史事故数据组成模型训练集，选择循环神经网络模型进行训练，学习时序信息的表示和预测；通过K折交叉验证评估训练后的所述循环神经网络模型性能；基于评估后的所述循环神经网络模型，对石化港区危险源安全风险进行预警。
10.一种存储介质，其特征在于，存储有计算机可执行程序，该计算机可执行程序用于被处理器调用，执行权利要求1~7任一项一种石化港区危险源安全风险预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311810090.6A CN117474343A (zh) | 2023-12-27 | 2023-12-27 | 石化港区危险源安全风险预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311810090.6A CN117474343A (zh) | 2023-12-27 | 2023-12-27 | 石化港区危险源安全风险预警方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117474343A true CN117474343A (zh) | 2024-01-30 |
Family
ID=89636473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311810090.6A Pending CN117474343A (zh) | 2023-12-27 | 2023-12-27 | 石化港区危险源安全风险预警方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474343A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786604A (zh) * | 2024-02-23 | 2024-03-29 | 交通运输部水运科学研究所 | 一种基于港区灾害数据的融合安全韧性度量分析系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115511234A (zh) * | 2021-06-22 | 2022-12-23 | 中国石油化工股份有限公司 | 用于危险化学品安全生产风险的分级预警管理方法及系统 |
| CN115600900A (zh) * | 2022-10-28 | 2023-01-13 | 交通运输部水运科学研究所（Cn） | 一种用于石化港区的安全风险评估方法、系统和存储介质 |
| CN116681292A (zh) * | 2023-08-04 | 2023-09-01 | 交通运输部水运科学研究所 | 基于深度学习的石化港区安全风险分析及责任划分方法 |
| CN116720728A (zh) * | 2023-04-26 | 2023-09-08 | 广州地铁设计研究院股份有限公司 | 风险评估方法、电子设备及存储介质 |
| CN116757534A (zh) * | 2023-06-15 | 2023-09-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
| 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 |
-
2023
- 2023-12-27 CN CN202311810090.6A patent/CN117474343A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115511234A (zh) * | 2021-06-22 | 2022-12-23 | 中国石油化工股份有限公司 | 用于危险化学品安全生产风险的分级预警管理方法及系统 |
| CN115600900A (zh) * | 2022-10-28 | 2023-01-13 | 交通运输部水运科学研究所（Cn） | 一种用于石化港区的安全风险评估方法、系统和存储介质 |
| CN116720728A (zh) * | 2023-04-26 | 2023-09-08 | 广州地铁设计研究院股份有限公司 | 风险评估方法、电子设备及存储介质 |
| CN116757534A (zh) * | 2023-06-15 | 2023-09-15 | 中国标准化研究院 | 一种基于神经训练网络的智能冰箱可靠性分析方法 |
| 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 |
| CN116681292A (zh) * | 2023-08-04 | 2023-09-01 | 交通运输部水运科学研究所 | 基于深度学习的石化港区安全风险分析及责任划分方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786604A (zh) * | 2024-02-23 | 2024-03-29 | 交通运输部水运科学研究所 | 一种基于港区灾害数据的融合安全韧性度量分析系统 |
| CN117786604B (zh) * | 2024-02-23 | 2024-04-26 | 交通运输部水运科学研究所 | 一种基于港区灾害数据的融合安全韧性度量分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Romano et al. | Automated detection of pipe bursts and other events in water distribution systems | |
| CN113614359A (zh) | 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统 | |
| KR20100054816A (ko) | 결함 패턴 매칭을 위한 퍼지 분류 접근 | |
| CN108508863A (zh) | 一种基于灰色模型的机电设备故障诊断方法 | |
| CN114841396A (zh) | 石化生产过程的一种异变趋势预测与灾变风险预警方法 | |
| US20220405715A1 (en) | Inspection related systems and methods | |
| CN114429308A (zh) | 一种基于大数据的企业安全风险评估方法及系统 | |
| CN117474343A (zh) | 石化港区危险源安全风险预警方法、装置、设备及存储介质 | |
| CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
| CN110337640A (zh) | 用于问题警报聚合的方法和系统 | |
| JP2011145978A (ja) | プラント監視制御システム | |
| CN118463029B (zh) | 一种环境风险源预警方法及系统 | |
| KR20180123581A (ko) | 애셋이 유체 이슈를 가지는가의 여부를 판단하기 위한 컴퓨터화된 유체 분석 | |
| CN117349724A (zh) | 基于人工智能的化工储罐耐压性测试方法及系统 | |
| Gómez-Camperos et al. | Diagnosis of horizontal pipe leaks using neural networks | |
| CN117851879A (zh) | 一种加氢站泄漏燃爆事故灾情演化研判与预测方法和装置 | |
| EP2956751B1 (en) | Method and monitoring device for monitoring a structure | |
| US20220138031A1 (en) | Auto-hypotheses iteration to converge into situation-specific scientific causation using intuition technology framework | |
| WO2024069217A1 (en) | Method for determining instruction for a corrosion monitoring location | |
| Knowles et al. | Condition management of marine lube oil and the role of intelligent sensor systems in diagnostics | |
| Yang et al. | Machine learning in process safety and asset integrity management | |
| CN118425421B (zh) | 一种基于人工智能的可视化气体检测系统及方法 | |
| CN118153948B (zh) | 基于深度学习的氢气储能设备泄漏故障预警方法及装置 | |
| Kanoun et al. | Failure prediction in the refinery piping system using machine learning algorithms: classification and comparison | |
| Borges Filho et al. | Real-Time Anomaly Detection Methodology for Drilling Fluids Properties |
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 |