一种钢铁数字化安全管控系统发明专利

专利名称：一种钢铁数字化安全管控系统

专利类型：发明专利

专利申请号：CN202311465458.X

专利申请（专利权）人：建龙西林钢铁有限公司
权利人地址：黑龙江省伊春市西林区新兴大街

专利发明（设计）人：张达鑫,张明辉,邹春龙,李英华,姚鑫华,张轶,周焕明,张达瑞

专利摘要：本发明涉及钢铁安全技术领域，具体涉及一种钢铁数字化安全管控系统，包括管控平台、数据库模块、物联网平台、模型训练平台、数据中台、数据采集模块、边缘控制模块和执行模块，其中，所述管控平台、所述数据库模块、所述物联网平台和所述模型训练平台共同构成云侧架构，所述数据中台与所述边缘控制模块共同构成边侧架构，所述数据采集模块与所述执行模块共同构成端侧架构，所述云侧架构与所述边侧架构通过虚拟专用网络VPN交互；本发明整体采用云边端架构，云边端架构能有效利用云上模型训练的资源；本系统引入安全案例数据库，对安全风险评估及评定提供支撑，并能形成动态的的安全风险评定方法。

主权利要求：
1.一种钢铁数字化安全管控系统，其特征在于，包括：管控平台、数据库模块、物联网平台、模型训练平台、数据中台、数据采集模块、边缘控制模块和执行模块，其中，所述管控平台、所述数据库模块、所述物联网平台和所述模型训练平台共同构成云侧架构，所述数据中台与所述边缘控制模块共同构成边侧架构，所述数据采集模块与所述执行模块共同构成端侧架构，所述云侧架构与所述边侧架构通过虚拟专用网络VPN交互；
所述数据采集模块能够实时采集人机物的安全状态数据；
所述数据中台能够接收所述安全状态数据并对所述安全状态数据进行标准化处理，包括数据去重、数据缺失补充、噪声数据过滤、异常数据处理、数据平滑处理以及特征数据选取，以形成标准数据；
所述物联网平台能够接收经过标准化处理的安全状态数据并进行管理；
所述数据库模块能够存储所有历史安全案例；
所述管控平台能够接收所述物联网平台管理的安全状态数据并与从所述数据库模块中调取的对应的所述历史安全案例进行比对、分析以及输出管控策略；
所述模型训练平台能够接收所述物联网平台管理的安全状态数据并对该安全状态数据进行模型训练并生成个性化定制模型；
所述边缘控制模块能够接收所述个性化定制模型以对所述执行模块进行控制；
所述执行模块基于所述边缘控制模块发送的指令执行动作；
其中，所述管控平台从所述数据库模块中调取对应的所述历史安全案例的方式包括：利用一级标识对所述数据库模块中存储的所有历史安全案例进行首次筛选，将首次筛选出的所有历史安全案例均记为一级历史安全案例，所述一级标识至少包括目标名称标识、目标类别标识和目标地址标识；
利用二级标识对所有所述一级历史安全案例进行二次筛选，将二次筛选出的所有历史安全案例记为二级历史安全案例，所述二级标识至少包括目标场景标识、目标对象标识、时间标识和季节标识；
若所述二级历史安全案例的数量大于1，则利用预设的相似度算法，调取出相似度最高的二级历史安全案例；
若所述二级历史安全案例的数量等于1，则将该二级历史安全案例调取；
若所述二级历史安全案例的数量等于0，则对所述一级历史安全案例进行优先级排序，对优先级最高的一级历史安全案例进行调取；
利用预设的相似度算法，调取出相似度最高的二级历史安全案例的方式包括：分别对所述二级历史安全案例进行关键词划分，对标准化处理后的数据进行关键词划分，利用以下公式计算所述标准化处理后的数据与所述二级历史安全案例的相似度，调取相似度最高的二级历史安全案例：其中，Sk表示所述标准化处理后的数据与第k个二级历史安全案例的相似度，cos(ci,dkj)表示所述标准化处理后的数据的第i个关键词与第k个二级历史安全案例的第j个关键词的余弦相似度；
对所述一级历史安全案例进行优先级排序，对优先级最高的一级历史安全案例进行调取的方式包括：其中，wr表示为第r个一级历史安全案例的优先级得分，m表示二级标识总数，ava(z,r)表示为第r个一级历史安全案例第z个二级标识是否存在，存在则ava(z,r)为1，不存在则ava(z,r)为0；
所述输出管控策略为输出生产风险评价值，输出所述生产风险评价值的方式包括：获取调取的历史安全案例的安全模型，所述安全模型由多个特征组成；
根据所述安全模型对标准化处理后的数据进行特征提取；
利用以下公式计算获取生产风险评价值：
其中，Q表示生产风险评价值； 表示标准化后的数据各特征的平均值， 表示安全模型各特征的平均值；Xk表示标准化后的数据中特征k的值，Yk表示安全模型中特征k的值，n表示特征的总数；
所述输出管控策略为输出目标执行主体的动作，输出所述目标执行主体的动作的方式包括：从调取的所述历史安全案例中提取所述目标执行主体的动作标准数据；
将标准化后的数据中与所述目标执行主体相对应的动作数据与所述动作标准数据进行比对；
按照所述比对的差值输出所述目标执行主体的具体动作方式。
2.根据权利要求1所述的钢铁数字化安全管控系统，其特征在于，所述安全状态数据包括设备状态数据、人员和车辆定位数据、动环监测数据、基于视觉监测的数据、熔融金属热成像数据、毒害介质、消防数据、道路交通数据、环境数据和数字孪生系统的数据。
3.根据权利要求1所述的钢铁数字化安全管控系统，其特征在于，所述执行模块包括报警器、电动阀门、风机、水泵、消防设施和安全联锁设备。
4.根据权利要求1所述的钢铁数字化安全管控系统，其特征在于，所述模型训练平台包括模型训练单元、模型管理单元、模型部署单元、模型陈列单元和模型应用反馈单元；
所述模型训练单元能够接收所述物联网平台管理的数据并对该数据进行模型训练并生成个性化定制模型；
所述模型管理单元能够管理模型库并接收所述个性化定制模型并进行存储；
所述模型部署单元能够调取所述模型管理单元的个性化定制模型并发送给所述边缘控制模块；
所述模型陈列单元能够调取所述模型管理单元的个性化定制模型以在云端进行共享；
所述模型应用反馈单元能够基于所述执行模块的反馈信息使所述模型管理单元对自身存储的模块进行更新以及使所述数据中台对自身的标准化方式进行优化。 说明书 : 一种钢铁数字化安全管控系统技术领域[0001] 本发明涉及钢铁安全技术领域，具体涉及一种钢铁数字化安全管控系统。背景技术[0002] 2020年发布“工业互联网+安全生产”行动计划，计划中指出“工业互联网+安全生产”是通过工业互联网在安全生产中的融合应用，增强工业安全生产的感知、监测、预警、处置和评估能力，加速安全生产从静态分析向动态感知、事后应急向事前预防、单点防控向全局联防的转变，提升工业生产本质安全水平。[0003] 目前国内多家钢铁企业已开始搭建智能安防管控平台，但在架构各异，大多是本地部署，缺乏云边端的架构，基于安全生产场景的视觉分析缺少云上训练手段，安全状态数据感知手段较单一，安全关联分析不足，缺乏全局联防的动态风险评定以及结合行业安全案例库的融合分析。发明内容[0004] （一）发明目的[0005] 本发明的目的是提供一种采用云边端架构，安全生产场景的视觉分析模型可以训练更新，且结合安全案例进行数据比对的钢铁数字化安全管控系统。[0006] （二）技术方案[0007] 为解决上述问题，本发明的提供了一种钢铁数字化安全管控系统，包括：管控平台、数据库模块、物联网平台、模型训练平台、数据中台、数据采集模块、边缘控制模块和执行模块，其中，所述管控平台、所述数据库模块、所述物联网平台和所述模型训练平台共同构成云侧架构，所述数据中台与所述边缘控制模块共同构成边侧架构，所述数据采集模块与所述执行模块共同构成端侧架构，所述云侧架构与所述边侧架构通过虚拟专用网络VPN交互；[0008] 所述数据采集模块能够实时采集人机物的安全状态数据；[0009] 所述数据中台能够接收所述安全状态数据并对所述安全状态数据进行标准化处理；[0010] 所述物联网平台能够接收经过标准化处理的安全状态数据并进行管理；[0011] 所述数据库模块能够存储所有历史安全案例；[0012] 所述管控平台能够接收所述物联网平台管理的安全状态数据并与从所述数据库模块中调取的对应的所述历史安全案例进行比对、分析以及输出管控策略；[0013] 所述模型训练平台能够接收所述物联网平台管理的安全状态数据并对该安全状态数据进行模型训练并生成个性化定制模型；[0014] 所述边缘控制模块能够接收所述个性化定制模型以对所述执行模块进行控制；[0015] 所述执行模块基于所述边缘控制模块发送的指令执行动作。[0016] 本发明的另一方面，优选地，所述数据中台对所述安全状态数据进行标准化处理的方式包括：对所述安全状态数据进行数据去重、数据缺失补充、噪声数据过滤、异常数据处理、数据平滑处理以及特征数据选取，将所有可用数据进行格式化统一处理以形成标准数据。[0017] 本发明的另一方面，优选地，所述安全状态数据包括设备状态数据、人员和车辆定位数据、动环监测数据、基于视觉监测的数据、熔融金属热成像数据、毒害介质、消防数据、道路交通数据、环境数据和数字孪生系统的数据。[0018] 本发明的另一方面，优选地，所述执行模块包括报警器、电动阀门、风机、水泵、消防设施和安全联锁设备。[0019] 本发明的另一方面，优选地，所述模型训练平台包括模型训练单元、模型管理单元、模型部署单元、模型陈列单元和模型应用反馈单元；[0020] 所述模型训练单元能够接收所述物联网平台管理的数据并对该数据进行模型训练并生成个性化定制模型；[0021] 所述模型管理单元能够管理模型库并接收所述个性化定制模型并进行存储；[0022] 所述模型部署单元能够调取所述模型管理单元的个性化定制模型并发送给所述边缘控制模块；[0023] 所述模型陈列单元能够调取所述模型管理单元的个性化定制模型以在云端进行共享；[0024] 所述模型应用反馈单元能够基于所述执行模块的反馈信息使所述模型管理模块对自身存储的模块进行更新以及使所述数据中台对自身的标准化方式进行优化。[0025] 本发明的另一方面，优选地，所述管控平台从所述数据库模块中调取对应的所述历史安全案例的方式包括：[0026] 利用一级标识对所述数据库模块中存储的所有历史安全案例进行首次筛选，将首次筛选出的所有历史安全案例均记为一级历史安全案例，所述一级标识至少包括目标名称标识、目标类别标识和目标地址标识；[0027] 利用二级标识对所有所述一级历史安全案例进行二次筛选，将二次筛选出的所有历史安全案例记为二级历史安全案例，所述二级标识至少包括目标场景标识、目标对象标识、时间标识和季节标识；[0028] 若所述二级历史安全案例的数量大于1，则利用预设的相似度算法，调取出相似度最高的二级历史安全案例；[0029] 若所述二级历史安全案例的数量等于1，则将该二级历史安全案例调取；[0030] 若所述二级历史安全案例的数量等于0，则对所述一级历史安全案例进行优先级排序，对优先级最高的一级历史安全案例进行调取。[0031] 本发明的另一方面，优选地，利用预设的相似度算法，调取出相似度最高的二级历史安全案例的方式包括：[0032] 分别对所述二级历史安全案例进行关键词划分，对标准化处理后的数据进行关键词划分，[0033] 利用以下公式计算所述标准化处理后的数据与所述二级历史安全案例的相似度，调取相似度最高的二级历史安全案例：[0034][0035] 其中，Sk表示所述标准化处理后的数据与第k个二级历史安全案例的相似度，cos(ci,dkj)表示所述标准化处理后的数据的第i个关键词与第k个二级历史安全案例的第j个关键词的余弦相似度。[0036] 本发明的另一方面，优选地，对所述一级历史安全案例进行优先级排序，对优先级最高的一级历史安全案例进行调取的方式包括：[0037][0038] 其中，wr表示为第r个一级历史安全案例的优先级得分，m表示二级标识总数，表示为第r个一级历史安全案例第z个二级标识是否存在，存在则 为1，不存在则 为0。[0039] 本发明的另一方面，优选地，所述输出管控策略为输出生产风险评价值，输出所述生产风险评价值的方式包括：[0040] 获取调取的历史安全案例的安全模型，所述安全模型由多个特征组成；[0041] 根据所述安全模型对标准化处理后的数据进行特征提取；[0042] 利用以下公式计算获取生产风险评价值：[0043][0044] 其中，Q表示生产风险评价值; 表示标准化后的数据各特征的平均值， 表示安全模型各特征的平均值；Xk表示标准化后的数据中特征k的值，Yk表示安全模型中特征k的值，n表示特征的总数。[0045] 本发明的另一方面，优选地，所述输出管控策略为输出目标执行主体的动作，输出所述目标执行主体的动作的方式包括：[0046] 从调取的所述历史安全案例中提取所述目标执行主体的动作标准数据；[0047] 将标准化后的数据中与所述目标执行主体相对应的动作数据与所述动作标准数据进行比对；[0048] 按照所述比对的差值输出所述目标执行主体的具体动作方式。[0049] （三）有益效果[0050] 本发明的上述技术方案具有如下有益的技术效果：[0051] 本发明整体采用云边端架构，其中，数据采集模块与执行模块共同构成端侧架构，实现对现场数据的采集和根据控制指令进行执行；数据中台与边缘控制模块共同构成边侧架构，能够对数据进行标准化处理，以及对执行模块进行控制；管控平台、数据库模块、物联网平台和模型训练平台共同构成云侧架构，能够进行模型训练并生成个性化定制模型，模型的适配性更高；云边端架构能有效利用云上模型训练的资源；引入安全案例数据库，对安全风险评估及评定提供支撑，并能形成动态的的安全风险评定方法。附图说明[0052] 图1是本发明一个实施例的管控系统整体结构示意图；[0053] 图2是本发明一个实施例的模型训练平台的结构示意图。具体实施方式[0054] 为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。[0055] 显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0056] 此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。实施例[0057] 一种钢铁数字化安全管控系统，图1示出了本发明一个实施例的整体结构图，如图1所示，包括：管控平台、数据库模块、物联网平台、模型训练平台、数据中台、数据采集模块、边缘控制模块和执行模块；[0058] 其中，所述管控平台、所述数据库模块、所述物联网平台和所述模型训练平台共同构成云侧架构，[0059] 此处不限制所述管控平台的具体内容，可选的，本实施例中，所述管控平台能够接收所述物联网平台管理的安全状态数据并与从所述数据库模块中调取的对应的所述历史安全案例进行比对、分析以及输出管控策略；实现全厂的安全的智能化管理；[0060] 此处也不限制所述数据库模块的具体内容，可选的，本实施例中，所述数据库模块能够存储所有历史安全案例，此处不限制所述所有历史安全案例的具体来源，可选的，本实施例中，所述所有的历史安全案例引入中钢集团武汉安全环保研究院的安全案例大数据库，对平台的安全风险评估及评定提供支撑；[0061] 此处也不限制物联网平台的具体内容，可选的，本实施例中，所述物联网平台能够接收经过标准化处理的安全状态数据并进行管理；所述安全状态数据包括工厂内的各种人机物的安全状态数据；所述安全状态数据来源是企业侧采集的数据，进一步的，物联网平台负责与边侧数据中台对接，具备设备接入、设备管理、数据管理、安全性、应用使能等功能，实现各类物联网数据的采集及管理；[0062] 此处也不限制所述模型训练平台的具体内容，图2示出了本发明一个实施例的模型训练平台的结构示意图，如图2所示，可选的，本实施例中，所述模型训练平台能够接收所述物联网平台管理的安全状态数据并对该安全状态数据进行模型训练并生成个性化定制模型；模型训练平台能够对海量数据预处理及半自动化标注、大规模分布式训练、自动化模型生成，端‑边‑云按需部署能力，实现快速创建和部署模型；进一步的，本实施例中，所述模型训练平台包括模型训练单元、模型管理单元、模型部署单元、模型陈列单元和模型应用反馈单元；[0063] 所述模型训练单元能够接收所述物联网平台管理的数据并对该数据进行模型训练并生成个性化定制模型；具体可以通过在线编码、预设算法、分布式集群、模型可视化和自动学习功能，实现对该数据进行模型训练并生成个性化定制模型；[0064] 所述模型管理单元能够管理模型库并接收所述个性化定制模型并进行存储；可以实现对模型溯源和精度跟踪；[0065] 所述模型部署单元能够调取所述模型管理单元的个性化定制模型并发送给所述边缘控制模块；可以实现在线服务、边缘服务和批量服务；[0066] 所述模型陈列单元能够调取所述模型管理单元的个性化定制模型以在云端进行共享；可以实现算法共享、模型分享和数据分享；[0067] 所述模型应用反馈单元能够基于所述执行模块的反馈信息使所述模型管理模块对自身存储的模块进行更新以及使所述数据中台对自身的标准化方式进行优化；[0068] 以控制热风炉煤气燃烧的阀门为例，模型训练平台从物联网平台获取热风炉现场的煤气管网压力、温度、流量、氧含量、残氧量等数据，模型训练平台根据选取的历史安全案例中燃烧数据及对应的安全模型，燃烧模型，进一步训练，实现寻优、迭代、仿真模拟的过程，训练出更优的燃烧模型，对模型进行更新，并将更新后的模型下发到现场边缘控制器，控制阀门开度，实现更好的燃烧效果。具体步骤包括在同等燃烧温度的情况下，单位时间消耗能源量越少，效果越优，反之则劣，现有模型在执行模块执行，模型训练平台通过云上的分布式训练，获得更佳的燃烧模型，下发到边缘控制器上执行，不断计算的单位时间消耗量作为反馈值，云上再次训练，模型下发，如此反复，达到闭环优化的效果。当热风炉工控变化时，也会调整燃烧模型，进行更新，一路反馈给数据中台提出数据优化的建议，比如以往用废气温度作为控制燃烧模型输入的权值较大的数据，通过不断模型训练后发现提升用残氧值作为控制燃烧模型输入的权值，修正模型的输入因子，形成动态的模型架构。[0069] 所述数据中台与所述边缘控制模块共同构成边侧架构；[0070] 此处不限制所述数据中台的具体内容，可选的，本实施例中，所述数据中台能够接收所述安全状态数据并对所述安全状态数据进行标准化处理；进一步的，所述数据中台将采集的多源和多协议数据进行处理，形成标准化数据存储到数据库模块；进一步的，所述数据中台对所述安全状态数据进行数据去重、数据缺失补充、噪声数据过滤、异常数据处理、数据平滑处理以及特征数据选取，将所有可用数据进行格式化统一处理以形成标准数据；[0071] 具体的，对所述安全状态数据进行去重操作包括去除重复的数据记录；对缺失数据进行处理，缺失的数据是指比如按照时间序列进行采集的数据，缺少某个时间段的数据，该数据即为缺失的数据，缺失的数据可以通过插值、平均值或者使用其他相关数据进行填充；[0072] 对所述安全状态数据噪声过滤包括利用噪声过滤方法包括平滑滤波、中值滤波、高斯滤波等对采集到的数据进行过滤，去除噪音。[0073] 对所述安全状态数据进行异常值检测包括基于统计学的方法，Z‑Score、基于距离的方法，KNN和基于模型的方法，箱线图，去除在数据中可能存在一些异常值，如与其他数据明显不同的极端值；异常值可能是由设备故障、操作错误等引起的。为了保证数据分析和建模的准确性，需要对异常值进行检测和处理；[0074] 对所述安全状态数据进行数据平滑处理，包括利用滑动平均、指数平滑进行平滑处理，某些设备数据可能具有噪声或波动的特点，为了提高数据的稳定性和可读性，可以采用数据平滑技术对数据进行平滑操作。[0075] 对所述安全状态数据进行特征数据选取：包括原始数据中选取具有较高相关性或重要性的特征，特征选择主要采用统计方法，如相关系数、方差分析和机器学习方法如决策树、随机森林等。[0076] 进一步的，对所述对所述安全状态数据进行标准化处理包括：制定数据采集数据格式的标准，对于不同类型的数据通过格式转换器转换为标准数据对数据进行数据格式统一化操作，将不同类型的数据统一为相同的数据格式。[0077] 此处也不限制所述边缘控制模块的具体内容，可选的，本实施例中，所述边缘控制模块能够接收所述个性化定制模型以对所述执行模块进行控制；边缘控制器带有边缘计算功能，相对于算力下沉到现场侧，具有胖客户机的属性，可对执行器进行控制，完成各种生产安全保护动作；[0078] 所述数据采集模块与所述执行模块共同构成端侧架构，所述云侧架构与所述边侧架构通过虚拟专用网络VPN交互；[0079] 此处不限制所述数据采集模块的具体内容，可选的，本实施例中，所述数据采集模块能够实时采集安全状态数据；此处不限制安全状态数据的具体内容，所述安全状态数据包括设备状态数据、人员和车辆定位数据、动环监测数据、基于视觉监测的数据、熔融金属热成像数据、毒害介质、消防数据、道路交通数据、环境数据和数字孪生系统的数据；[0080] 此处也不限制所述执行模块的具体内容，可选的，本实施例中，所述执行模块基于所述边缘控制模块发送的指令执行动作，进一步，所述执行模块包括报警器、电动阀门、风机、水泵、消防设施和安全联锁设备。[0081] 进一步，本发明一个实施例中，所述管控平台从所述数据库模块中调取对应的所述历史安全案例的方式包括：[0082] 利用一级标识对所述数据库模块中存储的所有历史安全案例进行首次筛选，将首次筛选出的所有历史安全案例均记为一级历史安全案例，所述一级标识至少包括目标名称标识、目标类别标识和目标地址标识；[0083] 利用二级标识对所有所述一级历史安全案例进行二次筛选，将二次筛选出的所有历史安全案例记为二级历史安全案例，所述二级标识至少包括目标场景标识、目标对象标识、时间标识和季节标识；[0084] 若所述二级历史安全案例的数量大于1，则利用预设的相似度算法，调取出相似度最高的二级历史安全案例；[0085] 若所述二级历史安全案例的数量等于1，则将该二级历史安全案例调取；[0086] 若所述二级历史安全案例的数量等于0，则对所述一级历史安全案例进行优先级排序，对优先级最高的一级历史安全案例进行调取。[0087] 可选的，本实施例中，利用预设的相似度算法，调取出相似度最高的二级历史安全案例的方式包括：[0088] 分别对所述二级历史安全案例进行关键词划分，对标准化处理后的数据进行关键词划分，[0089] 利用以下公式计算所述标准化处理后的数据与所述二级历史安全案例的相似度，调取相似度最高的二级历史安全案例：[0090][0091] 其中，Sk表示所述标准化处理后的数据与第k个二级历史安全案例的相似度，cos(ci,dkj)表示所述标准化处理后的数据的第i个关键词与第k个二级历史安全案例的第j个关键词的余弦相似度。通过语义相似度计算连选取相似度最高的二级历史安全案例，匹配的准确率更好，能较好的把握案例与标准化的数据两者的焦点，并且计算简单，能缩短在线计算时间。[0092] 可选的，本实施例中，对所述一级历史安全案例进行优先级排序，对优先级最高的一级历史安全案例进行调取的方式包括：[0093][0094] 其中，wr表示为第r个一级历史安全案例的优先级得分，m表示二级标识总数，表示为第r个一级历史安全案例第z个二级标识是否存在，存在则 为1，不存在则 为0。通过在在没有全部二级标识的一级历史安全案例中选出有二级标识最多的案例，算法简单，且根据标识的存。在与否来进行排序精确度高，算法简单。[0095] 可选的，本实施例中，所述输出管控策略为输出生产风险评价值，输出所述生产风险评价值的方式包括：[0096] 获取调取的历史安全案例的安全模型，所述安全模型由多个特征组成；[0097] 根据所述安全模型对标准化处理后的数据进行特征提取；[0098] 利用以下公式计算获取生产风险评价值：[0099][0100] 其中，Q表示生产风险评价值; 表示标准化后的数据各特征的平均值， 表示安全模型各特征的平均值；Xk表示标准化后的数据中特征k的值，Yk表示安全模型中特征k的值，n表示特征的总数。通过与安全模型的特征进行比对计算，进行整体判断，不是单一的特征进行判断，整体性较高，获取的生产风险评价值参考价值更好。[0101] 可选的，本实施例中，所述输出管控策略为输出目标执行主体的动作，输出所述目标执行主体的动作的方式包括：[0102] 从调取的所述历史安全案例中提取所述目标执行主体的动作标准数据；[0103] 将标准化后的数据中与所述目标执行主体相对应的动作数据与所述动作标准数据进行比对；[0104] 按照所述比对的差值输出所述目标执行主体的具体动作方式。[0105] 具体的，流程如下：通过数据采集模块的摄像头对某作业平台进行视觉采集，采集的数据发送给数据中台，数据中台对数据进行清洗滤波等处理，并将处理完的数据发送给物联网平台，管控平台从数据库模块中的历史安全案例中按照上述步骤调取适配的安全案例，获取调取的安全案例相应的安全模型后，进行特征提取和计算获取生产风险评价值，该生产风险评价值可以表示位置、温度等超出了范围，如发现作业平台的位置发生了偏移，并超出设定的阈值，系统给出预判，存在发生例如掉落的事故风险，系统给出预警，预警可以是通过声光预警，也可以是通过APP等形式预警，提醒人员注意。[0106] 例如对电机轴承温振的数据采集，形成历史曲线和趋势，发现振动值达到某个设定值，可以认为存在轴承滚珠碎裂的风险，系统给出预判和预警。通知运维人员轴承到达更换期。[0107] 进一步的，关键设备和重点工艺参数智能监测预警，从物联网平台获取经清洗后的现场采集的各种安全风险监测的数据，要求真实准确。[0108] 安全案例中的数据是历年发生过事故案例具有较强的借鉴性，现场实际各种安全风险场景与案例大数据比对，可以分析在此场景下最可能出现的事故类型和事故爆发点，进而系统着重对此类风险加大预判的权值，形成更为准确的风险评估和判断，指导安全生产。安全风险等级在工业安全领域有一定标准，参照此标准并结合冶金企业东北地区高寒高粉尘等特征进行修正，形成适合本企业和东北冶金行业的安全风险等级。[0109] 进一步的，不同的工况下安全风险监测内容和侧重点会发现变化，例如高炉风口巡检系统，通过红外测温仪，发现高炉某个送风装置的温度有增高的趋势，即预示此送风装置可能即将烧损。这时对高炉风口的安全风险评定要加大影响因子，在全厂安全风险管控项中，将此项风险等级提升，显示到主画面上，这样形成了动态的安全风险评定方法，当某个工序进行检修的时候，安全风险评估的侧重点发现变化。设备停机检修时削弱对设备的安全风险监测，更加着重人员检修的安全风险因素，形成不同的工况场景，不同的安全风险应对策略，即动态评估。[0110] 本实施例通过云边端架构，能有效利用云上模型训练的资源；提高模型的适配度，引入中钢集团武汉安全环保研究院的安全案例大数据库，有效提升安全风险评估及评定的准确性，为安全管控提供快速响应和决策指导；采用物联网平台及模型训练平台，解决传统安全管控平台本地化应用的短板；[0111] 并且能够结合工况变化及检修计划，形成动态的安全风险评定方法。[0112] 应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。[0113] 以上参照本发明的实施例对本发明予以了说明。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。本发明的范围由所附权利要求及其等价物限定。不脱离本发明的范围，本领域技术人员可以做出多种替换和修改，这些替换和修改都应落在本发明的范围之内。[0114] 尽管已经详细描述了本发明的实施方式，但是应该理解的是，在不偏离本发明的精神和范围的情况下，可以对本发明的实施方式做出各种改变、替换和变更。[0115] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

专利地区：黑龙江

专利申请日期：2023-11-07

专利公开日期：2024-09-13

专利公告号：2024-09-13