一种基于云平台的车间生产安全系统

本发明涉及安全系统，具体涉及一种基于云平台的车间生产安全系统。

背景技术：

1、造成事故发生的因素是多方面的，例如气体中毒、机器运行异常、工人状态不佳导致误操作等等。

2、在现有技术当中，在保障车间生产安全方面，一般采用安排专门人员进行巡检、定期组织安全生产培训等手段；在其使用监测设备方面，仅使用个别传感器及相关设备，且只用于对车间单方面或针对车间个别方向进行检测。这些措施难以直观地显示出当前车间所存在的安全隐患，故不能及时全面地发现安全隐患并采取针对性消除措施。

3、鉴于此，如何在车间生产中及时并且全面地发现安全隐患并予以消除，降低事故发生率，是亟待解决的问题。

技术实现思路

1、发明目的：本发明的目的是提供一种能够在车间生产中及时并且全面地发现安全隐患并予以消除，进而保障安全生产、降低事故发生率的基于云平台的车间生产安全系统。

2、技术方案：本发明所述的基于云平台的车间生产安全系统，包括：

3、云平台；

4、检测系统，包括温度传感器、气体传感器、车间智能电表和动态摄像机四个感应装置，其中，温度传感器用于实时检测车间环境温度；气体传感器用于实时检测车间有毒气体相关参数；车间智能电表的读数能够反映车间生产机器的电能质量，并且能够检测机器运行状态是否异常；动态摄像机用于对生产线上的工作人员进行实时监控，定时捕捉人像；

5、预测系统，利用检测系统采集的数据，获取对应于四个感应装置的危险指数；构建目标函数，利用灰色预测算法g(1,1)对目标函数进行优化预测，得到最优的危险指数预测值；向云平台输入前一天24时平均危险指数以及四个感应装置的危险指数；

6、目标函数为：

7、

8、其中，dc-day为前一天24时平均危险指数，为前一天24时各小时危险总指数之和；

9、dc(t)＝dg(t)+dh(t)+de(t)+da(t)

10、其中，dc(t)为第t时的危险总指数，dg(t)为第t时对应于气体传感器的危险指数，dh(t)为第t时对应于温度传感器的危险指数，de(t)为第t时对应于车间智能电表的危险指数，da(t)为第t时对应于动态摄像机的危险指数；

11、诊断系统，从云平台获取目标函数dc-day的危险指数预测值，并基于神经网络bp模型算法进行危险等级诊断；以及，

12、控制系统，用于根据诊断出的危险等级，控制执行设备采取相应的安全措施。

13、进一步地，气体传感器包括有毒气体传感器、湿度传感器、气体质量传感器、气体压强传感器；

14、对应于气体传感器的危险指数：

15、dg(t)＝cg(t)*a1+cs(t)*a2+ct(t)*a3+ch(t)*a4

16、其中，cg(t)为t时有毒气体的浓度，cs(t)为t时有毒气体的有害成分占比，通过有毒气体传感器检测得到；ct(t)为t时有毒气体的温度，通过温度传感器检测得到，ch(t)为t时有毒气体的湿度，通过湿度传感器检测得到；a1、a2、a3、a4为影响因子；

17、

18、其中，m为t时有毒气体的气体质量，v为t时有毒气体的气体体积，通过气体质量传感器检测得到；

19、

20、其中，cto(t)＝cs(t)·m，为t时有毒气体中有害成分总质量；

21、

22、其中，p为t时有毒气体的气体压强，通过气体压强传感器检测得到；n为该气体摩尔数；r为该气体的气体常数，为已知量；

23、

24、其中，mv为t时水蒸气的摩尔质量，ma为t时干空气的摩尔质量，均为固定值。

25、进一步地，对应于温度传感器的危险指数：

26、dh(t)＝te(t)*b1+tg(t)*b2+tc(t)*b3+tt(t)*b4

27、其中，te(t)为t时车间温度值，为已知量，tg(t)为t时车间温度梯度，tc(t)为t时车间温度变化率，tt(t)为t时车间温度趋势，b1、b2、b3、b4为影响因子；

28、

29、其中，to为原始温度，为已知量，tcc为温度变化值；

30、tcc＝tmax-tmin

31、其中，tmax为该小时最高温度，tmin为该小时最低温度，均为已知量；

32、

33、其中，δt为温度变化值所对应的时间变化值，为已知量；

34、te(t)＝f(t)

35、其中，f(t)为车间温度值随时间的对应函数关系；

36、对于温度趋势tt：

37、tt＝f'(t)

38、其中，f'(t)为f(t)求导所得。

39、进一步地，对应于车间智能电表的危险指数：

40、de(t)＝ee(t)*c1+ev(t)*c2+ea(t)*c3+eab(t)*c4

41、其中，ee为车间电能每小时消耗数值，ev为车间电表t时电压波动率大小，ea为车间电表t时内电流波动率大小，eab为生产车间t时内电气设备故障率，均通过车间智能电表检测得到或利用检测值计算得到；c1、c2、c3、c4为影响因子；

42、

43、其中，q为生产车间电气设备运行的功率之和，为已知量；

44、

45、其中，vmax为t内时车间智能电表显示的电气设备最高电压，vn为电气设备额定电压，均为已知量；

46、

47、其中，imax为t内时车间智能电表显示的电气设备最高电压，in为电气设备额定电压，均为已知量；

48、

49、其中，tw为设备故障停机等待时间，td为设备故障维修时间，t为计划使用总时间，均为已知量。

50、进一步地，对应于动态摄像机的危险指数：

51、da(t)＝pd(t)*d1+pab(t)*d2+pc(t)*d3+ps(t)*d4

52、其中，pd为生产车间生产人员行为危险指数，pc为生产车间环境状况危险指数，pd和pc人为设定；pab为生产车间生产设备故障率，ps为生产车间动态摄像机所感知的安全区域范围，为已知量；d1、d2、d3、d4为影响因子。

53、

54、其中，pab为生产设备故障率，tw'为生产设备故障停机等待时间，td'为生产设备故障维修时间，t'为计划使用总时间，均为已知量。

55、进一步地，利用灰色预测算法g(1,1)对目标函数进行优化预测，得到最优的危险指数预测值，包括：

56、t表示某一时刻，d(t)＝dt表示一天内某一时刻四个感应装置对应的危险指数，生成累加数据列：

57、

58、其中，d(0)(t)为初始数据列中的一项，d(1)(t)为叠加数据列中的一项；

59、建立gm(1，1)模型：

60、d(0)(t)+nj(1)(t)＝m

61、j(1)(t)＝cd(1)(t)+(1-c)d1

62、其中，j(1)(t)为数据函数，d1为叠加数据列，c为平移常数，n、m为待确定的未知参数；

63、求解白化方程：

64、d(1)(t)'+nj(1)(t)＝m

65、

66、d(1)(t)'表示对d(1)(t)求导；

67、联立方程获得预测值：

68、

69、其中，q为预测系统优化预测值，预测系统优化预测值q中含有目标函数中所需参数，将其输入目标函数中，即得到目标函数dc-day的最优危险指数预测值。

70、进一步地，利用神经网络bp模型算法进行危险等级诊断，包括：

71、数据收集，获取预测系统上传至云平台的对应四个感应装置的危险指数以及危险指数预测值；

72、数据预处理，建立目标函数：

73、f＝e{1.a,2.b,3.c}

74、其中，a为低危信号，b为中危信号，c为高危信号；

75、构建bp神经网络模型，利用预处理后的数据进行模型训练，利用训练完成的bp神经网络模型进行危险等级诊断。

76、进一步地，在模型训练过程中，进行测试，评估其诊断信号危险等级的准确性；同时，根据评估测试结果，对诊断模型进行误差优化；

77、采用梯度下降法，通过调整优化目标函数危险等级诊断的期望输出与实际输出的网络权值来优化参数模型；定义误差目标函数：

78、

79、其中，k为神经网络离散时间变量，t为神经网络所有的权值所组成的向量，y(t)(k)为神经网络期望的网络输出向量，y′(t,k)为神经网络实际输出向量，||为欧几里德范数；

80、误差目标函数达到最小，训练完成。

81、进一步地，危险等级包括高危、中危和低危；执行设备包括危险指示灯、报警器、排气通风闸、空气开关和人像行为捕捉平台；

82、诊断系统若诊断为低危，则危险指示灯闪烁；

83、诊断系统若诊断为中危，则报警器发出警报，人像行为捕捉平台打开进行监视，同时将生产车间出现的高危行为进行拍摄，并上报安全监护人员；

84、诊断系统若诊断为高危，则排气通风闸和空气开关打开，以降低生产车间温度和有毒气体浓度。

85、进一步地，为了保证诊断结果更准确，在诊断系统若诊断为中危后，诊断系统还进一步判别云平台中对应于车间智能电表和动态摄像机的危险指数是否高出危险阈值，如高出，则人像行为捕捉平台打开进行监视，同时将生产车间出现的高危行为进行拍摄，并上报安全监护人员；在诊断系统诊断为高危后，诊断系统还进一步判别云平台中对应于温度传感器和气体传感器的危险指数是否高出危险阈值，如高出，则排气通风闸和空气开关打开，以降低生产车间温度和有毒气体浓度。

86、有益效果：本发明与现有技术相比，具有如下显著优点：

87、能够对车间生产进行实时全面的检测，利用检测数据获取危险指数预测值，进一步诊断出危险等级，最终根据危险等级控制执行设备采取相应的安全措施；能够避免人为操作失误、设备故障等原因导致的安全事故，降低了生产事故率以及安全生产保障方面的人力成本，保障了生产效率和质量。