[发明专利]一种厂房内安全隐患危险等级的快速预估方法

权利要求书

1.一种厂房内安全隐患危险等级的快速预估方法，其特征在于，包括以下步骤：

步骤1，建立厂房安全隐患数据库，具体包括以下步骤：

步骤1.1，根据厂房实际生产状况以及人机料法环车间生产五要素列出厂房存在的所有安全隐患；

步骤1.2，对厂房存在的每一个安全隐患按照以下六点进行分析：

(1)安全隐患的产生原因，产生原因包括人为因素和设备物料因素；

(2)安全隐患的危险表征，即安全隐患实际发生时在厂房内部的实际表现形式，具体包括环境因素、设备物料因素和人员因素；

(3)安全隐患致险后果，其中致险后果包括人员致险后果、物料致险后果和设备致险后果；

(4)安全隐患涉及区域，即安全隐患可能发生在厂房哪些区域；

(5)安全隐患涉及对象，即安全隐患涉及到人机料法环中哪几个因素；

(6)安全隐患的危险等级，采用LEC法对厂房初始存在的安全隐患进行危险等级评估；

步骤1.3，将步骤1.2中所分析出的各安全隐患的六点信息都录入进数据库中，形成厂房安全隐患数据库；

步骤2，利用中文语料库进行中文词向量模型的预训练；

所述步骤2具体包括：

步骤2.1，在维基百科网站下载中文语料库作为训练的原始数据并利用opencc工具将中文语料库全部转化为简体字；

步骤2.2，对全部转化为简体字的中文语料库利用正则表达式提取中文语料库内容并进行分词；

步骤2.3，对分词并去除停用词之后的语料利用Word2Vec模型进行训练；

步骤3，划分厂房安全隐患文本训练集、测试集和验证集，并生成安全隐患语料词向量，具体包括以下步骤：

步骤3.1，利用pymysql提取出步骤1所形成的厂房安全隐患数据库中存放的文本数据；

步骤3.2，将提取出来的安全隐患的文本数据标准化，每个安全隐患都采用危险等级+文本内容的格式，用“\t”间隔；

步骤3.3，将安全隐患文本内容中的信息利用Jieba进行分词，在得到分词结果后，针对具体厂房的安全隐患文本内容，建立专门的停用词表；

步骤3.4，将分词以及去除停用词之后的安全隐患文本内容送入步骤2训练好的词向量模型中，输出得到每个对应词汇的特征向量；

步骤4，将经过划分和标准化的安全隐患文本送入bert神经网络模型进行微调，得到危险等级分类模型；

步骤5，当厂房出现新安全隐患时，按照步骤1.2中的六点获取其相关要素信息并形成文本信息并导入危险等级分类模型，预估危险等级，具体为：对新安全隐患的文本信息进行预处理后导入微调之后的危险等级分类模型，按照模型输出的危险等级概率，从高到低排序预估新安全隐患的危险等级；

步骤6，得到预估的新安全隐患的危险等级后，将新安全隐患与数据库中已存有的相同危险等级的安全隐患进行文本相似度比对，进而对新安全隐患的危险等级的预估结果的置信度进行评估。

2.根据权利要求1所述的方法，其特征在于，所述步骤2中的中文语料库为维基百科的中文语料库。

3.根据权利要求1所述的方法，其特征在于，步骤3.4中输出得到的特征向量为64位特征向量。

4.根据权利要求3所述的方法，其特征在于，所述步骤4具体包括：

步骤4.1，建立模型，使用python建立bert的预训练模型；

步骤4.2，读取已经划分好的安全隐患文本训练集、测试集和验证集，开始训练安全隐患危险等级分类模型。