[发明专利]基于物联网和人工智能的安全生产指标异常快速感知方法

说明书

本发明提供了一种基于物联网和人工智能的安全生产指标异常快速感知方法，该方法包括：综合生产环境的多个安全参数得到安全生产指标；根据安全参数的历史数据获取安全生产指标序列；对多个安全生产指标序列对应的表征向量进行降维，得到多个二维投影点；多个二维投影点聚类后得到的点簇质心点为离散点构建泰森多边形；在每个泰森多边形中的点簇处生成高斯热斑，并为泰森多边形的边进行赋值得到泰森多边形图；运用阶段：每个时刻的表征向量投影到泰森多边形图中得到投影图，将时序上的多张投影图输入异常感知模型中判断安全生产指标是否异常。本发明可以进一步的判断出安全生产指标是渐变异常还是突变异常，根据不同的异常情况采取不同的措施。

技术领域

本发明涉及人工智能领域，具体为一种基于物联网和人工智能的安全生产指标异常快速感知方法。

背景技术

现有的采用CUSUM算法检测安全生产指标异常的方法在一些场景下必须使用非参数策略，而使用非参数策略会带来高延迟，使得异常感知不及时，导致相关人员不能及时采取相应的事故预防和控制措施。

发明内容

为了解决上述问题，本发明提出一种基于物联网和人工智能的安全生产指标异常快速感知方法，该方法包括：

综合生产环境的多个安全参数得到安全生产指标；根据安全参数的历史数据获取安全生产指标序列；

获取多个安全生产指标序列对应的表征向量，并对表征向量进行降维，得到多个二维投影点；多个二维投影点聚类后得到的点簇质心点为离散点构建泰森多边形；

在每个泰森多边形中的点簇处生成高斯热斑，并为泰森多边形的边进行赋值得到泰森多边形图；

运用阶段：每个时刻的表征向量投影到泰森多边形图中得到投影图，将时序上的多张投影图输入异常感知模型中判断安全生产指标是否异常。

进一步地，所述热斑大小和点簇中点的分布有关，具体地，根据点簇中的点与该点簇质心间的平均距离确定高斯热斑的大小。

进一步地，每个泰森多边形都对应一个指标状态类别，所述指标状态类别包括正常、渐变异常、突变异常。

进一步地，所述每个时刻的表征向量投影到泰森多边形图中得到投影图包括：以投影点为中心点生成预设大小的高斯热斑。

进一步地，若所述多张投影图中的投影点处的高斯热斑均位于指标状态类别为渐变异常或突变异常的泰森多边形的高斯热斑区域内，则不需异常感知模型，直接判断安全生产指标异常。

进一步地，所述异常感知模型基于多个投影点的变化趋势判断安全生产指标的指标状态类别。

进一步地，所述异常感知模型中包括卷积神经网络、时序编码器和全连接网络。

进一步地，利用向量获取神经网络获取安全生产指标序列对应的表征向量。

进一步地，利用DBSCAN算法对所述多个二维投影点进行聚类。

进一步地，利用主成分分析法对表征向量进行降维。

本发明的有益效果在于：

1.本发明利用向量获取神经网络获取安全生产指标序列对应的表征向量，所获取的表征向量准确且可以很好的表征安全生产指标在时序上的变化情况，保证后续聚类结果的准确性。

2.本发明基于泰森多边形图来判断安全生产指标是否发生异常，可以进行异常的快速感知，且本发明中结合时序上二维投影点的变化趋势判断安全生产指标的指标状态类别，可以进一步的判断出安全生产指标是渐变异常还是突变异常，根据不同的异常情况，相关人员可以做出不同的反应。

具体实施方式