基于深度学习的检修作业过程风险智能预警

doi:10.16265/j.cnki.issn1003-3033.2023.10.1744

中国安全科学学报 ›› 2023, Vol. 33 ›› Issue (10): 16-22.doi: 10.16265/j.cnki.issn1003-3033.2023.10.1744

• 安全社会科学与安全管理 • 上一篇下一篇

基于深度学习的检修作业过程风险智能预警

王金江¹(), 关鹏婷¹, 陈卓¹, 葛伟凤²^,³, 鞠茜⁴

¹ 中国石油大学(北京) 安全与海洋工程学院,北京 102249
² 中海油安全技术服务有限公司,天津 300452
³ 中海油能源发展股份有限公司安全环保分公司,天津 300452
⁴ 中国石油西南油气田公司华油公司,重庆 401120

收稿日期:2023-04-11 修回日期:2023-07-13 出版日期:2023-10-28
作者简介:
王金江 (1981—),男,山东寿光人,博士,教授,主要从事设备安全监测与智能诊断、安全大数据与人工智能等方面的研究。E-mail:jwang@cup.edu.cn。
葛伟凤工程师
鞠茜工程师
基金资助:
国家重点研发计划项目(2020YFB1709702); 国家自然科学基金重点项目(52234007)

Intelligent warning of risk during maintenance operations based on deep learning

WANG Jinjiang¹(), GUAN Pengting¹, CHEN Zhuo¹, GE Weifeng²^,³, JU Qian⁴

¹ School of Safety and Ocean Engineering, China University of Petroleum-Beijing, Beijing 102249, China
² CNOOC Safety Technology Service Co., Ltd., Tianjin 300452, China
³ Safety & Environmental Protection Branch, CNOOC EnerTech Co., Ltd.,Tianjin 300452, China
⁴ CNPC Petro China Southwest Oil & Gas Field Company HuayouCompany, Chongqing 401120, China

Received:2023-04-11 Revised:2023-07-13 Published:2023-10-28

摘要/Abstract

摘要：

为提高炼化企业检维修作业过程的安全性,利用目标检测技术,构建基于深度学习的智能风险识别模型;首先,结合贝叶斯网络(BN)及模糊集理论,建立动态风险评估模型;其次,采用分级动态预警方法,实现检修作业过程风险要素的智能监控预警;然后,以压缩机检修作业过程为例,采用失效模式和影响分析(FMEA)与作业条件危险性分析方法,辨识作业过程风险,再利用基于深度学习的风险智能识别模型,监控现场作业过程并识别风险;最后,采用BN和模糊集理论相结合的方法,评估作业过程中的动态风险,并采用分级预警的方法智能预警作业过程风险。结果表明:该方法可以有效识别压缩机检修作业过程中的风险因素,识别准确率为93%,在此基础上进行动态风险评估,当观测到事件概率发生变化,且超出相应预警阈值时,依据风险等级进行报警,实现风险要素的智能监控。

关键词: 深度学习, 检修作业, 过程风险, 智能预警, 贝叶斯网络(BN)

Abstract:

In order to improve the safety of the inspection and maintenance operation process in refining and chemical enterprises, a deep learning-based intelligent risk identification model was constructed by using the target detection technology. Firstly, a dynamic risk assessment model was established by combining the BN and fuzzy set theory. Secondly, a hierarchical dynamic early warning method was adopted to realize the intelligent monitoring and warning of the risk elements of the overhauling operation process; then the compressor overhauling operation process was taken as an example to identify the operation process risks by means of Failure Mode and Effect Analysis (FMEA) and hazard analysis of operation conditions, and then the intelligent identification model of risk based on deep learning was used for on-site monitoring of the operation process and identification of risk. Finally, the dynamic risk assessment of the operation process was carried out by using the method of combining the BN and the fuzzy set theory, and the grading warning method was used to realize intelligent monitoring and early warning of the risk of the operation process. The results show that the method effectively identify the risk factors in the compressor overhauling operation process, with an identification accuracy rate of 93%. Based on this, a dynamic risk assessment is carried out. When the probability of the event changed and exceeded the corresponding warning thresholds, alarms are issued based on the risk level to realize the intelligent monitoring of the risk elements.

Key words: deep learning, inspection operations, process risk, intelligent warning, Bayesian network(BN)

王金江, 关鹏婷, 陈卓, 葛伟凤, 鞠茜. 基于深度学习的检修作业过程风险智能预警[J]. 中国安全科学学报, 2023, 33(10): 16-22.

WANG Jinjiang, GUAN Pengting, CHEN Zhuo, GE Weifeng, JU Qian. Intelligent warning of risk during maintenance operations based on deep learning[J]. China Safety Science Journal, 2023, 33(10): 16-22.

图/表 9

图1

图2

表1

目标检测模型性能评估指标体系

指标体系	名称	公式
精度	P	P= $T P T P + F P$
精度	R	R= $T P T P + F N$
速度	每秒帧数(Frames Per Second, FPS)	—
速度	浮点运算量(Floating-point Operations Per Second, FLOPS)	—

表1

表2

表3

图3

图4

图5

表4

参考文献 16

[1]	刁俊武, 乔志强. 炼化企业生产智能化规划与实施路径[J]. 智能制造, 2021(3):66-69,74.
[2]	FIROOZSHAHI A, KIM S. Intelligent and innovative monitoring of water treatment plant in large gas refinery[C]. 2010 IEEE International Conference on Control Applications, 2010:269-273.
[3]	BRAGATTO P, ANSALDI S M, MENNUTI C. Improving safety of process plants, through smart systems for critical equipment monitoring[J]. Chemical Engineering Transactions (CET Journal), 2018, 67: 49-54.
[4]	李永帅, 陈庚晓. 控制阀智能诊断功能在炼化企业中的应用[J]. 仪器仪表用户, 2021, 28(7): 46-48, 34.
	LI Yongshuai, CHEN Gengxiao. Application of intelligent diagnosis function of control valve in refining and chemical enterprises[J]. Instrumentation, 2021, 28(7): 46-48, 34.
[5]	石凤勇, 党晓峰, 于彦明, 等. 智能模拟工厂技术在炼化装置建设阶段的应用[J]. 石油化工自动化, 2018, 54(2): 6-10.
	SHI Fengyong, DANG Xiaofeng, YU Yanming, et al. Application of intelligent simulated factory technology in the construction stage of refining and chemical plants[J]. Automation in Petro-Chemical Industry, 2018, 54(2): 6-10.
[6]	西门子(中国)有限公司. 西门子阀门状态监测 App助力中石化青岛炼化打造智能工厂[J]. 自动化博览, 2021, 38(12): 16-17.
[7]	郭鹏. 如何有效开展风险识别和控制[J]. 中国安全生产科学技术, 2009, 5(增1):163-164.
	GUO Peng. How to effectively carry out risk identification and control[J]. Journal of Safety Science and Technology, 2009, 5(S1):163-164.
[8]	吴耀男, 林雷, 任新温, 等. 一种基于逻辑结构数的改进型FMEA方法[J]. 中国安全科学学报, 2021, 31(10):97-104. doi: 10.16265/j.cnki.issn1003-3033.2021.10.014
	WU Yaonan, LIN Lei, REN Xinwen, et al. An improved FMEA method based on logical structure number[J]. China Safety Science Journal, 2021, 31(10): 97-104. doi: 10.16265/j.cnki.issn1003-3033.2021.10.014
[9]	范宗平. 浅析失效模式和影响分析(FMEA)在石油化工产品质量风险管理中的应用[J]. 当代化工研究, 2022(10):107-109.
	FAN Zongping. Application of failure mode and effects analysis(FMEA) in quality risk management of petrochemical products[J]. Modern Chemical Research, 2022(10):107-109.
[10]	殷勇. 石油炼化关键装置风险预警分级方法研究[D]. 北京: 中国地质大学(北京), 2009.
	YIN Yong. The study of grading methods of the risk of the key device of oil refining and chemical for early-warning system[D]. Beijing: China University of Geosciences (Beijing), 2009.
[11]	王孟飞, 屈英杰, 刘振乾. LEC法在建筑施工企业安全评价中的应用[J]. 安全, 2018, 39(8):31-33.
	WANG Mengfei, QU Yingjie, LIU Zhenqian. Application of LEC method in safety evaluation of construction enterprises[J]. Safety & Security, 2018, 39(8):31-33.
[12]	赵广玉. 石油化工装置检修施工安全管理措施[J]. 化工安全与环境, 2022, 35(30):18-21.
[13]	付苗苗, 邓淼磊, 张德贤. 深度神经网络图像目标检测算法综述[J]. 计算机系统应用, 2022, 31(7):35-45.
	FU Miaomiao, DENG Miaolei, ZHANG Dexian. Survey on deep neural network image target detection algorithms[J]. Computer Systems & Applications, 2022, 31(7):35-45.
[14]	陈科圻, 朱志亮, 邓小明, 等. 多尺度目标检测的深度学习研究综述[J]. 软件学报, 2021, 32(4):1201-1227.
	CHEN Keqi, ZHU Zhiliang, DENG Xiaoming, et al. Deep learning for multi-scale object detection: a survey[J]. Journal of Software, 2021, 32(4): 1201-1227.
[15]	KHAN A, SOHAIL A, ZAHOORA U, et al. A survey of the recent architectures of deep convolutional neural networks[J]. Artificial Intelligence Review, 2020, 53(8): 5455-5516. doi: 10.1007/s10462-020-09825-6
[16]	屈静, 张建彬, 李旭芳, 等. 基于贝叶斯网络的输油管道泄漏事故情景推演[J]. 中国安全科学学报, 2021, 31(1): 192-198. doi: 10.16265/j.cnki.issn1003-3033.2021.01.028
	QU Jing, ZHANG Jianbin, LI Xufang, et al. Deduction of leakage accident scenarios of oil pipelines based on Bayesian network[J]. China Safety Science Journal, 2021, 31(1): 192-198. doi: 10.16265/j.cnki.issn1003-3033.2021.01.028

序号	对象	标注	说明	应用
1	安全帽	helmet	穿戴规范	作业区域
2	吸烟	smoke	文明作业	作业区域
3	烟雾	smog	作业安全	作业区域
4	火焰	fire	作业安全	作业区域

对象	安全帽	吸烟	火焰	烟雾	总计
训练集	7 225	2 396	1 589	887	12 475
验证集	2 879	758	436	236	4 431
测试集	358	166	233	55	847
总计	10 462	3 320	2 258	1 178	17 753

基于深度学习的检修作业过程风险智能预警

Intelligent warning of risk during maintenance operations based on deep learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘富鹏, 杨九, 吴世博, 徐立新. 基于FDHHFLTS-BN的海底管道泄漏失效风险定量分析[J]. 中国安全科学学报, 2024, 34(1): 166-170.
[2]	魏德志, 杜志勇, 滕春阳, 辛吴天, 李泽坤. 露天矿破碎站链条断裂安全监测技术研究[J]. 中国安全科学学报, 2023, 33(S2): 170-175.
[3]	赵光辉, 赵鹏, 胡金良. 语义分割的传送带跑偏视频检测算法[J]. 中国安全科学学报, 2023, 33(S1): 81-84.
[4]	林青, 姚俊名, 梁伟, 杨放, 廖春燕, 王有春. 基于深度学习的燃气发电机组剩余寿命预测[J]. 中国安全科学学报, 2023, 33(9): 113-121.
[5]	孙逸林, 郑小强, 刘险峰, 贺艳艳, 王冶. 基于AcciMap模型的燃气管道泄漏爆炸事故分析[J]. 中国安全科学学报, 2023, 33(7): 140-146.
[6]	吴海涛, 刘月, 杜彗敏. 小样本条件下地铁运营事故致因推理模型[J]. 中国安全科学学报, 2023, 33(3): 134-140.
[7]	付姗姗, 张悦, 席永涛, 翁金贤. 多因素耦合下长江口水域交通事故致因链分析[J]. 中国安全科学学报, 2023, 33(3): 60-67.
[8]	马港, 徐晓楠, 郭小芳, 张志珍, 徐子豪. 基于贝叶斯网络的电镀企业火灾事故情景推演[J]. 中国安全科学学报, 2023, 33(2): 202-208.
[9]	张冰鉴, 苏秦, 刘海龙. 基于FTA-BN的云ERP不安全事件的人因失误分析[J]. 中国安全科学学报, 2023, 33(2): 38-47.
[10]	靳慧斌, 朱孟昌, 马明霞. 基于ACE-BN的通勤飞行事故/事件诱因分析[J]. 中国安全科学学报, 2023, 33(2): 96-102.
[11]	李海, 孙鹏. 基于知识图谱的火灾图像识别研究[J]. 中国安全科学学报, 2023, 33(10): 147-159.
[12]	马庆禄, 孙枭, 唐小垚, 鲁佳萍, 段学锋. 基于改进YOLOv5s算法的隧道初期火灾检测模型[J]. 中国安全科学学报, 2023, 33(10): 214-223.
[13]	范冰倩, 董秉聿, 王彪, 李铭, 吴松, 佟瑞鹏. 基于深度学习的地铁施工作业人员不安全行为识别与应用[J]. 中国安全科学学报, 2023, 33(1): 41-47.
[14]	赵建伟, 谢磊, 杨洋, 胡昕源, 欧昌奎, 曾荣. 基于ISM-BN的内河船舶航行风险因素研究*[J]. 中国安全科学学报, 2022, 32(8): 37-44.
[15]	黄珍珍, 肖硕, 王钰, 陈伟, 王升志, 江海峰. 铁路工人人体行为识别模型[J]. 中国安全科学学报, 2022, 32(6): 17-22.