企业安全生产管理系统及其管理方法与流程

1.本发明涉及智能生产管理的领域，且更为具体地，涉及一种企业安全生产管理系统及其管理方法。


背景技术：

2.目前企业的安全生产管理主要依靠少数监管人员，负责在安全事故发生后执行相应的应急处理。这种监管模式中，无法及时、安全地把握企业安全生产状况。近年来，物联网、5g和大数据等前沿科技的发展为企业安全生产管理提供了新的解决思路和方案。
3.因此，期望一种企业安全生产管理系统来对安全生产进行智能管理。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种企业安全生产管理系统及其管理方法，其通过利用深度学习技术的深度神经网络模型来对企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息的隐含关联特征进行深层挖掘，以在对当前时间点的所述企业生产系统的生产风险进行判断，并且在此过程中，还添加了特征分布流形的修正系统，以进行特征值集合的边界约束，从而避免了特征值集合由于集合的分布外特征值导致在分类目标域内的决策区域的碎片化，进而提升提高了分类的准确性。这样，能够对于当前时间点的企业生产系统的生产风险进行更准确地判断。
5.根据本技术的一个方面，提供了一种企业安全生产管理系统，其包括：
6.历史数据采集模块，用于获取企业生产系统在生产过程中产生的历史数据，其中，所述历史数据为所述企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息；
7.历史数据结构化模块，用于将所述企业生产系统在生产过程中产生的历史数据按照时间维度和机械设备样本维度排列为二维输入状态矩阵；
8.历史数据特征提取模块，用于使用所述第一卷积神经网络模型对所述二维输入状态矩阵进行显式空间编码以得到运行状态关联特征矩阵；
9.当前状态数据采集模块，用于获取当前时间点的所述企业生产系统的各个机械设备的运行状态信息；
10.当前状态数据编码模块，用于将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息通过包含一维卷积层的序列编码器以得到当前状态特征向量；
11.特征分布校正模块，用于分别对所述当前状态特征向量和所述设备运行关联特征矩阵进行校正以得到校正后当前状态特征向量和校正后设备运行关联特征矩阵；
12.向量查询模块，用于以所述校正后当前状态特征向量作为查询向量与所述校正后设备运行关联特征矩阵进行相乘以得到分类特征向量；以及
13.安全管理结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的企业生产系统的生产是否存在风险。
14.在上述企业安全生产管理系统中，在所述历史数据中，如果所述企业生产系统的各个机械设备在各个预定时间点的运行状态状态为开启状态，则以所述机械设备的运行功率作为所述机械设备在该预定时间点的运行状态信息；如果所述企业生产系统的各个机械设备在各个预定时间点的运行状态状态为关闭状态，则以零值作为所述机械设备在该预定时间点的运行状态信息。
15.在上述企业安全生产管理系统中，所述历史数据结构化模块，包括：行向量构造单元，用于将所述企业生产系统在生产过程中产生的历史数据按照所述时间维度分别排列为行向量以得到多个行向量；二维排列单元，用于将所述多个行向量按照所述机械设备样本维度排列为所述二维输入状态矩阵。
16.在上述企业安全生产管理系统中，所述历史数据特征提取模块，进一步用于使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述运行状态关联特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述二维输入状态矩阵。
17.在上述企业安全生产管理系统中，所述当前状态数据编码模块，包括：输入向量构造单元，用于将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息按照时间维度排列为对应于所述企业生产系统的各个机械设备的一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0018][0019]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。在上述企业安全生产管理系统中，所述特征分布校正模块，包括：向量校正单元，用于以如下公式对所述当前状态特征向量进行校正以得到所述校正后当前状态特征向量；
[0020]
其中，所述公式为：
[0021][0022]
其中vi表示所述当前状态特征向量的第i个位置的特征值，v
′i表示所述校正后当前状态特征向量的第i个位置的特征值；以及，矩阵校正单元，用于以如下公式对所述设备运行关联特征矩阵进行校正以得到所述校正后设备运行关联特征矩阵；
[0023]
其中，所述公式为：
[0024][0025]
其中m
i，j
为所述设备运行关联特征矩阵的第(i，j)位置的特征值，m
′
i，j
表示所述校正后设备运行关联特征矩阵的第(i，j)位置的特征值。
[0026]
在上述企业安全生产管理系统中，所述安全管理结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn，bn)：...：(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0027]
根据本技术的另一方面，一种企业安全生产管理系统的管理方法，其包括：
[0028]
获取企业生产系统在生产过程中产生的历史数据，其中，所述历史数据为所述企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息；
[0029]
将所述企业生产系统在生产过程中产生的历史数据按照时间维度和机械设备样本维度排列为二维输入状态矩阵；
[0030]
使用所述第一卷积神经网络模型对所述二维输入状态矩阵进行显式空间编码以得到运行状态关联特征矩阵；
[0031]
获取当前时间点的所述企业生产系统的各个机械设备的运行状态信息；
[0032]
将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息通过包含一维卷积层的序列编码器以得到当前状态特征向量；
[0033]
分别对所述当前状态特征向量和所述设备运行关联特征矩阵进行校正以得到校正后当前状态特征向量和校正后设备运行关联特征矩阵；
[0034]
以所述校正后当前状态特征向量作为查询向量与所述校正后设备运行关联特征矩阵进行相乘以得到分类特征向量；以及
[0035]
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的企业生产系统的生产是否存在风险。
[0036]
在上述企业安全生产管理系统的管理方法中，在所述历史数据中，如果所述企业生产系统的各个机械设备在各个预定时间点的运行状态状态为开启状态，则以所述机械设备的运行功率作为所述机械设备在该预定时间点的运行状态信息；如果所述企业生产系统的各个机械设备在各个预定时间点的运行状态状态为关闭状态，则以零值作为所述机械设备在该预定时间点的运行状态信息。
[0037]
在上述企业安全生产管理系统的管理方法中，将所述企业生产系统在生产过程中产生的历史数据按照时间维度和机械设备样本维度排列为二维输入状态矩阵，包括：将所述企业生产系统在生产过程中产生的历史数据按照所述时间维度分别排列为行向量以得到多个行向量；将所述多个行向量按照所述机械设备样本维度排列为所述二维输入状态矩阵。
[0038]
在上述企业安全生产管理系统的管理方法中，使用所述第一卷积神经网络模型对所述二维输入状态矩阵进行显式空间编码以得到运行状态关联特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络
模型的最后一层的输出为所述运行状态关联特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述二维输入状态矩阵。
[0039]
在上述企业安全生产管理系统的管理方法中，将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息通过包含一维卷积层的序列编码器以得到当前状态特征向量，包括：将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息按照时间维度排列为对应于所述企业生产系统的各个机械设备的一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0040][0041]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0042]
在上述企业安全生产管理系统的管理方法中，分别对所述当前状态特征向量和所述设备运行关联特征矩阵进行校正以得到校正后当前状态特征向量和校正后设备运行关联特征矩阵，包括：以如下公式对所述当前状态特征向量进行校正以得到所述校正后当前状态特征向量；
[0043]
其中，所述公式为：
[0044][0045]
其中vi表示所述当前状态特征向量的第i个位置的特征值，v
′i表示所述校正后当前状态特征向量的第i个位置的特征值；以及，以如下公式对所述设备运行关联特征矩阵进行校正以得到所述校正后设备运行关联特征矩阵；
[0046]
其中，所述公式为：
[0047][0048]
其中m
i，j
为所述设备运行关联特征矩阵的第(i，j)位置的特征值，m
′
i，j
表示所述校正后设备运行关联特征矩阵的第(i，j)位置的特征值。
[0049]
在上述企业安全生产管理系统的管理方法中，将所述分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn，bn)：...：(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0050]
根据本技术的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的企业安全生产管理系统的管理方法。
[0051]
与现有技术相比，本技术提供的企业安全生产管理系统及其管理方法，其通过利用深度学习技术的深度神经网络模型来对企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息的隐含关联特征进行深层挖掘，以在对当前时间点的所述企业生产系统的生产风险进行判断，并且在此过程中，还添加了特征分布流形的修正系统，以进行特征值集合的边界约束，从而避免了特征值集合由于集合的分布外特征值导致在分类目标域内的决策区域的碎片化，进而提升提高了分类的准确性。这样，能够对于当前时间点的企业生产系统的生产风险进行更准确地判断。
附图说明
[0052]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0053]
图1为根据本技术实施例的企业安全生产管理系统的应用场景图。
[0054]
图2为根据本技术实施例的企业安全生产管理系统的框图。
[0055]
图3为根据本技术实施例的企业安全生产管理系统中特征分布校正模块的框图。
[0056]
图4为根据本技术实施例的企业安全生产管理系统的管理方法的流程图。
[0057]
图5为根据本技术实施例的企业安全生产管理系统的管理方法的架构示意图。
具体实施方式
[0058]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0059]
场景概述
[0060]
如前所述，目前企业的安全生产管理主要依靠少数监管人员，负责在安全事故发生后执行相应的应急处理。这种监管模式中，无法及时、安全地把握企业安全生产状况。近年来，物联网、5g和大数据等前沿科技的发展为企业安全生产管理提供了新的解决思路和方案。
[0061]
因此，期望一种企业安全生产管理系统来对安全生产进行智能管理。
[0062]
相应地，本技术发明人考虑到由于企业在进行生产活动中各个机械设备需要协同作业，以完成特定的作业任务，因此，可以通过对各个机械设备的运行状态信息进行监控以对安全生产进行智能管理。但是，在各个机械设备协同来进行任务的完成时，各个机械设备之间会存在着关联关系，并且同一个设备在各个时间点下的任务完成度也会存在着相互的关联关系，一个环节出错都可能会导致安全事故的发生。因此在应用各个机械设备的运行状态的监控信息来对安全生产进行智能管理时，需要考虑这些方面的因素。
[0063]
基于此，在本技术的技术方案中，首先，获取企业生产系统在生产过程中产生的历史数据，所述历史数据为企业生产系统在安全生产时各个机械设备在多个预定时间点的运行状态信息。特别地，在一个具体示例中，如果所述企业生产系统的各个机械设备在各个预定时间点的运行状态状态为开启状态，则以所述机械设备的运行功率作为所述机械设备在
该预定时间点的运行状态信息；如果所述企业生产系统的各个机械设备在各个预定时间点的运行状态状态为关闭状态，则以零值作为所述机械设备在该预定时间点的运行状态信息。
[0064]
然后，为了利用深度神经网络模型来充分提取出所述企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息的关联特征信息，进一步地，将所述企业生产系统在生产过程中产生的历史数据按时间维度和机械设备维度来构造二维输入状态矩阵。接着，将所述二维输入状态矩阵通过第一卷积神经网络中进行空间显示编码，以提取出所述各个机械设备在多个预定时间点的运行状态信息的在时间和样本维度上的隐含关联特征信息，即所述各个机械设备的动态变化特征，从而获得运行状态关联矩阵。
[0065]
在对企业生产系统的各个机械设备的运行状态进行实际的监控时，若想判断当前时间点的企业生产系统是否存在风险，进一步地，首先，获取当前时间点的所述企业生产系统的各个机械设备的运行状态信息。然后，考虑到所述企业生产系统的各个机械设备的运行状态信息在时序上具有动态性的规律，为了更为充分地提取出所述各个机械设备的运行状态信息的动态变化隐含规律，将获得的数据信息输入值包含一维卷积层的序列编码器中进行编码处理，以得到当前状态特征向量。
[0066]
这样，就可以进一步融合所述当前状态特征向量和所述设备运行关联特征矩阵来进行特征映射，进而再进行分类以得到用于表示当前时间点的企业生产系统的生产是否存在风险的分类结果。但是，当以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量时，由于所述当前状态特征向量表示所述当前时间点的各个机械设备的运行状态信息的语义关联信息，而设备运行关联特征矩阵表示多个机械设备在多个时间点的样本-时间维度上的二维关联信息，如果向量与矩阵自身在分类目标域内的特征分布不规则，则在进行向量与矩阵的相乘后，特征分布所表示的在分类目标空间内的流形会更加不规则，从而影响分类准确性。
[0067]
基于此，在将所述当前状态特征向量与所述设备运行关联特征矩阵相乘之前，优选地对其进行修正，表示为：
[0068][0069][0070]
其中vi表示所述当前状态特征向量的第i个位置的特征值，v
′i表示所述校正后当前状态特征向量的第i个位置的特征值，m
i，j
为所述设备运行关联特征矩阵的第(i，j)位置的特征值，m
′
i，j
表示所述校正后设备运行关联特征矩阵的第(i，j)位置的特征值。
[0071]
这样，通过该修正，可以分别对特征向量和特征矩阵的特征值及其所属的类条件进行基于规则的结构化理解，来进行特征值集合的边界约束，从而避免了特征值集合由于集合的分布外特征值导致在分类目标域内的决策区域的碎片化，从而赋予了所述当前状态特征向量与所述设备运行关联特征矩阵较为稳健的条件化类边界，来提升分类特征向量在分类目标域内的分类决策精度，进而，可以提高分类的准确性，以更准确地对当前时间点的企业生产系统的生产风险性进行判断。
[0072]
基于此，本技术提出了一种企业安全生产管理系统，其包括：历史数据采集模块，
用于获取企业生产系统在生产过程中产生的历史数据，其中，所述历史数据为所述企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息；历史数据结构化模块，用于将所述企业生产系统在生产过程中产生的历史数据按照时间维度和机械设备样本维度排列为二维输入状态矩阵；历史数据特征提取模块，用于使用所述第一卷积神经网络模型对所述二维输入状态矩阵进行显式空间编码以得到运行状态关联特征矩阵；当前状态数据采集模块，用于获取当前时间点的所述企业生产系统的各个机械设备的运行状态信息；当前状态数据编码模块，用于将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息通过包含一维卷积层的序列编码器以得到当前状态特征向量；特征分布校正模块，用于分别对所述当前状态特征向量和所述设备运行关联特征矩阵进行校正以得到校正后当前状态特征向量和校正后设备运行关联特征矩阵；向量查询模块，用于以所述校正后当前状态特征向量作为查询向量与所述校正后设备运行关联特征矩阵进行相乘以得到分类特征向量；以及，安全管理结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的企业生产系统的生产是否存在风险。
[0073]
图1图示了根据本技术实施例的企业安全生产管理系统的应用场景图。如图1所示，在该应用场景中，首先，通过云存储端(例如，如图1中所示意的t)查询获取所述企业生产系统在安全生产过程中各个机械设备在历史多个预定时间点的运行状态信息，并且通过监测设备(例如，如图1中所示意的m)获取当前时间点的所述企业生产系统的各个机械设备(例如，如图1中所示意的e1-en)的运行状态信息。然后，将获得的所述企业生产系统在安全生产过程中各个机械设备在历史多个预定时间点的运行状态信息以及所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息输入至部署有企业安全生产管理算法的服务器中(例如，如图1中所示意的云服务器s)，其中，所述服务器能够以企业安全生产管理算法对所述企业生产系统在安全生产过程中各个机械设备在历史多个预定时间点的运行状态信息以及所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息进行处理，以生成用于表示当前时间点的企业生产系统的生产是否存在风险的分类结果。
[0074]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0075]
示例性系统
[0076]
图2图示了根据本技术实施例的企业安全生产管理系统的框图。如图2所示，根据本技术实施例的企业安全生产管理系统200，包括：历史数据采集模块210，用于获取企业生产系统在生产过程中产生的历史数据，其中，所述历史数据为所述企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息；历史数据结构化模块220，用于将所述企业生产系统在生产过程中产生的历史数据按照时间维度和机械设备样本维度排列为二维输入状态矩阵；历史数据特征提取模块230，用于使用所述第一卷积神经网络模型对所述二维输入状态矩阵进行显式空间编码以得到运行状态关联特征矩阵；当前状态数据采集模块240，用于获取当前时间点的所述企业生产系统的各个机械设备的运行状态信息；当前状态数据编码模块250，用于将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息通过包含一维卷积层的序列编码器以得到当前状态特征向量；特征分布校正模块260，用于分别对所述当前状态特征向量和所述设备运行关联特征矩阵进行校正以得到校正后当前状态特征向量和校正后设备运行关联特征矩阵；向量查询模块270，用于以
所述校正后当前状态特征向量作为查询向量与所述校正后设备运行关联特征矩阵进行相乘以得到分类特征向量；以及，安全管理结果生成模块280，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的企业生产系统的生产是否存在风险。
[0077]
具体地，在本技术实施例中，所述历史数据采集模块210，用于获取企业生产系统在生产过程中产生的历史数据，其中，所述历史数据为所述企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息。如前所述，应可以理解，由于企业在进行生产活动中各个机械设备需要协同作业，以完成特定的作业任务，因此，在本技术的技术方案中，可以通过对各个所述机械设备的运行状态信息进行监控以对安全生产进行智能管理。但是，在所述各个机械设备协同来进行任务的完成时，所述各个机械设备之间会存在着关联关系，并且同一个设备在各个时间点下的任务完成度也会存在着相互的关联关系，一个环节出错都可能会导致安全事故的发生。因此在应用各个机械设备的运行状态的监控信息来对安全生产进行智能管理时，需要考虑这些方面的因素。
[0078]
因此，在本技术的技术方案中，具体地，首先，获取企业生产系统在生产过程中产生的历史数据，所述历史数据为企业生产系统在安全生产时各个机械设备在多个预定时间点的运行状态信息。特别地，在一个具体示例中，如果所述企业生产系统的各个机械设备在各个预定时间点的运行状态状态为开启状态，则以所述机械设备的运行功率作为所述机械设备在该预定时间点的运行状态信息；如果所述企业生产系统的各个机械设备在各个预定时间点的运行状态状态为关闭状态，则以零值作为所述机械设备在该预定时间点的运行状态信息。
[0079]
具体地，在本技术实施例中，所述历史数据结构化模块220和所述历史数据特征提取模块230，用于将所述企业生产系统在生产过程中产生的历史数据按照时间维度和机械设备样本维度排列为二维输入状态矩阵，并使用所述第一卷积神经网络模型对所述二维输入状态矩阵进行显式空间编码以得到运行状态关联特征矩阵。应可以理解，为了利用深度神经网络模型来充分提取出所述企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息的关联特征信息，进一步地，将所述企业生产系统在生产过程中产生的历史数据按时间维度和机械设备维度来构造二维输入状态矩阵。接着，将所述二维输入状态矩阵通过第一卷积神经网络中进行空间显示编码，以提取出所述各个机械设备在多个预定时间点的运行状态信息的在时间和样本维度上的隐含关联特征信息，即所述各个机械设备的动态变化特征，从而获得运行状态关联矩阵。相应地，在一个具体示例中，使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述运行状态关联特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述二维输入状态矩阵。
[0080]
更具体地，在本技术实施例中，所述历史数据结构化模块，包括：行向量构造单元，用于将所述企业生产系统在生产过程中产生的历史数据按照所述时间维度分别排列为行向量以得到多个行向量；二维排列单元，用于将所述多个行向量按照所述机械设备样本维度排列为所述二维输入状态矩阵。
[0081]
具体地，在本技术实施例中，所述当前状态数据采集模块240和所述当前状态数据编码模块250，用于获取当前时间点的所述企业生产系统的各个机械设备的运行状态信息，并将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息通过包含一维卷积层的序列编码器以得到当前状态特征向量。应可以理解，在对所述企业生产系统的各个机械设备的运行状态进行实际的监控时，若想判断当前时间点的企业生产系统是否存在风险，进一步地，首先，获取当前时间点的所述企业生产系统的各个机械设备的运行状态信息。然后，考虑到所述企业生产系统的各个机械设备的运行状态信息在时序上具有动态性的规律，为了更为充分地提取出所述各个机械设备的运行状态信息的动态变化隐含规律，将获得的数据信息输入值包含一维卷积层的序列编码器中进行编码处理，以得到当前状态特征向量。
[0082]
更具体地，在本技术实施例中，所述当前状态数据编码模块，包括：输入向量构造单元，用于将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息按照时间维度排列为对应于所述企业生产系统的各个机械设备的一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0083][0084]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0085]
具体地，在本技术实施例中，所述特征分布校正模块260，用于分别对所述当前状态特征向量和所述设备运行关联特征矩阵进行校正以得到校正后当前状态特征向量和校正后设备运行关联特征矩阵。应可以理解，在获得所述当前状态特征向量和所述设备运行关联特征矩阵后，就可以进一步融合所述当前状态特征向量和所述设备运行关联特征矩阵来进行特征映射，进而再进行分类以得到用于表示当前时间点的企业生产系统的生产是否存在风险的分类结果。但是，当以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量时，由于所述当前状态特征向量表示当前时间点的所述各个机械设备的运行状态信息的语义关联信息，而所述设备运行关联特征矩阵表示所述多个机械设备在多个时间点的样本-时间维度上的二维关联信息，如果向量与矩阵自身在分类目标域内的特征分布不规则，则在进行向量与矩阵的相乘后，特征分布所表示的在分类目标空间内的流形会更加不规则，从而影响分类准确性。因此，在本技术的技术方案汇总，进一步在将所述当前状态特征向量与所述设备运行关联特征矩阵相乘映射之前，优选地对其进行修正。
[0086]
更具体地，在本技术实施例中，所述特征分布校正模块，包括：以如下公式对所述当前状态特征向量进行校正以得到所述校正后当前状态特征向量；其中，所述公式为：
[0087][0088]
其中vi表示所述当前状态特征向量的第i个位置的特征值，v
′i表示所述校正后当前状态特征向量的第i个位置的特征值。并且，以如下公式对所述设备运行关联特征矩阵进行校正以得到所述校正后设备运行关联特征矩阵；
[0089]
其中，所述公式为：
[0090][0091]
其中m
i，j
为所述设备运行关联特征矩阵的第(i，j)位置的特征值，m
′
i，j
表示所述校正后设备运行关联特征矩阵的第(i，j)位置的特征值。应可以理解，这样，通过该修正，可以分别对所述当前状态特征向量和所述设备运行关联特征矩阵的特征值及其所属的类条件进行基于规则的结构化理解，来进行特征值集合的边界约束，从而避免了特征值集合由于集合的分布外特征值导致在分类目标域内的决策区域的碎片化，从而赋予了所述当前状态特征向量与所述设备运行关联特征矩阵较为稳健的条件化类边界，来提升分类特征向量在分类目标域内的分类决策精度，进而，可以提高分类的准确性，以更准确地对当前时间点的企业生产系统的生产风险性进行判断。
[0092]
图3图示了根据本技术实施例的企业安全生产管理系统中特征分布校正模块的框图。如图3所示，所述特征分布校正模块260，包括：向量校正单元261，用于以如下公式对所述当前状态特征向量进行校正以得到所述校正后当前状态特征向量；
[0093]
其中，所述公式为：
[0094][0095]
其中vi表示所述当前状态特征向量的第i个位置的特征值，v
′i表示所述校正后当前状态特征向量的第i个位置的特征值；以及，矩阵校正单元262，用于以如下公式对所述设备运行关联特征矩阵进行校正以得到所述校正后设备运行关联特征矩阵；
[0096]
其中，所述公式为：
[0097][0098]
其中m
i，j
为所述设备运行关联特征矩阵的第(i，j)位置的特征值，m
′
i，j
表示所述校正后设备运行关联特征矩阵的第(i，j)位置的特征值。
[0099]
具体地，在本技术实施例中，所述向量查询模块270，用于以所述校正后当前状态特征向量作为查询向量与所述校正后设备运行关联特征矩阵进行相乘以得到分类特征向量。也就是，进一步地，将校正后的所述校正后当前状态特征向量作为查询向量与所述校正后设备运行关联特征矩阵进行相乘，以将所述校正后当前状态特征向量映射到所述校正后设备运行关联特征矩阵的高维特征空间中，从而得到分类特征向量。
[0100]
具体地，在本技术实施例中，所述安全管理结果生成模块280，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的企业生产系统的生产是否存在风险。相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特
征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn，bn)：...：(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0101]
综上，基于本技术实施例的所述企业安全生产管理系统200被阐明，其通过利用深度学习技术的深度神经网络模型来对企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息的隐含关联特征进行深层挖掘，以在对当前时间点的所述企业生产系统的生产风险进行判断，并且在此过程中，还添加了特征分布流形的修正系统，以进行特征值集合的边界约束，从而避免了特征值集合由于集合的分布外特征值导致在分类目标域内的决策区域的碎片化，进而提升提高了分类的准确性。这样，能够对于当前时间点的企业生产系统的生产风险进行更准确地判断。
[0102]
如上所述，根据本技术实施例的企业安全生产管理系统200可以实现在各种终端设备中，例如企业安全生产管理算法的服务器等。在一个示例中，根据本技术实施例的企业安全生产管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该企业安全生产管理系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该企业安全生产管理系统200同样可以是该终端设备的众多硬件模块之一。
[0103]
替换地，在另一示例中，该企业安全生产管理系统200与该终端设备也可以是分立的设备，并且该企业安全生产管理系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0104]
示例性方法
[0105]
图4图示了企业安全生产管理系统的管理方法的流程图。如图4所示，根据本技术实施例的企业安全生产管理系统的管理方法，包括步骤：s110，获取企业生产系统在生产过程中产生的历史数据，其中，所述历史数据为所述企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息；s120，将所述企业生产系统在生产过程中产生的历史数据按照时间维度和机械设备样本维度排列为二维输入状态矩阵；s130，使用所述第一卷积神经网络模型对所述二维输入状态矩阵进行显式空间编码以得到运行状态关联特征矩阵；s140，获取当前时间点的所述企业生产系统的各个机械设备的运行状态信息；s150，将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息通过包含一维卷积层的序列编码器以得到当前状态特征向量；s160，分别对所述当前状态特征向量和所述设备运行关联特征矩阵进行校正以得到校正后当前状态特征向量和校正后设备运行关联特征矩阵；s170，以所述校正后当前状态特征向量作为查询向量与所述校正后设备运行关联特征矩阵进行相乘以得到分类特征向量；以及，s180，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的企业生产系统的生产是否存在风险。
[0106]
图5图示了根据本技术实施例的企业安全生产管理系统的管理方法的架构示意图。如图5所示，在所述企业安全生产管理系统的管理方法的网络架构中，首先，将获得的所述企业生产系统在生产过程中产生的历史数据(例如，如图5中所示意的in1)按照时间维度和机械设备样本维度排列为二维输入状态矩阵(例如，如图5中所示意的m)；接着，使用所述第一卷积神经网络模型(例如，如图5中所示意的cnn)对所述二维输入状态矩阵进行显式空间编码以得到运行状态关联特征矩阵(例如，如图5中所示意的mf)；然后，将获得的所述当
前时间点的所述企业生产系统的各个机械设备的运行状态信息(例如，如图5中所示意的in2)通过包含一维卷积层的序列编码器(例如，如图5中所示意的e)以得到当前状态特征向量(例如，如图5中所示意的vf)；接着，分别对所述当前状态特征向量和所述设备运行关联特征矩阵进行校正以得到校正后当前状态特征向量(例如，如图5中所示意的vc)和校正后设备运行关联特征矩阵(例如，如图5中所示意的mc)；然后，以所述校正后当前状态特征向量作为查询向量与所述校正后设备运行关联特征矩阵进行相乘以得到分类特征向量(例如，如图5中所示意的v)；以及，最后，将所述分类特征向量通过分类器(例如，如图5中所示意的圈s)以得到分类结果，所述分类结果用于表示当前时间点的企业生产系统的生产是否存在风险。
[0107]
更具体地，在步骤s110中，获取企业生产系统在生产过程中产生的历史数据，其中，所述历史数据为所述企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息。应可以理解，由于企业在进行生产活动中各个机械设备需要协同作业，以完成特定的作业任务，因此，在本技术的技术方案中，可以通过对各个所述机械设备的运行状态信息进行监控以对安全生产进行智能管理。但是，在所述各个机械设备协同来进行任务的完成时，所述各个机械设备之间会存在着关联关系，并且同一个设备在各个时间点下的任务完成度也会存在着相互的关联关系，一个环节出错都可能会导致安全事故的发生。因此在应用各个机械设备的运行状态的监控信息来对安全生产进行智能管理时，需要考虑这些方面的因素。
[0108]
因此，在本技术的技术方案中，具体地，首先，获取企业生产系统在生产过程中产生的历史数据，所述历史数据为企业生产系统在安全生产时各个机械设备在多个预定时间点的运行状态信息。特别地，在一个具体示例中，如果所述企业生产系统的各个机械设备在各个预定时间点的运行状态状态为开启状态，则以所述机械设备的运行功率作为所述机械设备在该预定时间点的运行状态信息；如果所述企业生产系统的各个机械设备在各个预定时间点的运行状态状态为关闭状态，则以零值作为所述机械设备在该预定时间点的运行状态信息。
[0109]
更具体地，在步骤s120和步骤s130中，将所述企业生产系统在生产过程中产生的历史数据按照时间维度和机械设备样本维度排列为二维输入状态矩阵，并使用所述第一卷积神经网络模型对所述二维输入状态矩阵进行显式空间编码以得到运行状态关联特征矩阵。应可以理解，为了利用深度神经网络模型来充分提取出所述企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息的关联特征信息，进一步地，将所述企业生产系统在生产过程中产生的历史数据按时间维度和机械设备维度来构造二维输入状态矩阵。接着，将所述二维输入状态矩阵通过第一卷积神经网络中进行空间显示编码，以提取出所述各个机械设备在多个预定时间点的运行状态信息的在时间和样本维度上的隐含关联特征信息，即所述各个机械设备的动态变化特征，从而获得运行状态关联矩阵。
[0110]
更具体地，在步骤s140和步骤s150中，获取当前时间点的所述企业生产系统的各个机械设备的运行状态信息，并将所述当前时间点的所述企业生产系统的各个机械设备的运行状态信息通过包含一维卷积层的序列编码器以得到当前状态特征向量。应可以理解，在对所述企业生产系统的各个机械设备的运行状态进行实际的监控时，若想判断当前时间点的企业生产系统是否存在风险，进一步地，首先，获取当前时间点的所述企业生产系统的
各个机械设备的运行状态信息。然后，考虑到所述企业生产系统的各个机械设备的运行状态信息在时序上具有动态性的规律，为了更为充分地提取出所述各个机械设备的运行状态信息的动态变化隐含规律，将获得的数据信息输入值包含一维卷积层的序列编码器中进行编码处理，以得到当前状态特征向量。
[0111]
更具体地，在步骤s160中，分别对所述当前状态特征向量和所述设备运行关联特征矩阵进行校正以得到校正后当前状态特征向量和校正后设备运行关联特征矩阵。应可以理解，在获得所述当前状态特征向量和所述设备运行关联特征矩阵后，就可以进一步融合所述当前状态特征向量和所述设备运行关联特征矩阵来进行特征映射，进而再进行分类以得到用于表示当前时间点的企业生产系统的生产是否存在风险的分类结果。但是，当以所述当前状态特征向量作为查询向量与所述设备运行关联特征矩阵进行相乘以得到分类特征向量时，由于所述当前状态特征向量表示当前时间点的所述各个机械设备的运行状态信息的语义关联信息，而所述设备运行关联特征矩阵表示所述多个机械设备在多个时间点的样本-时间维度上的二维关联信息，如果向量与矩阵自身在分类目标域内的特征分布不规则，则在进行向量与矩阵的相乘后，特征分布所表示的在分类目标空间内的流形会更加不规则，从而影响分类准确性。因此，在本技术的技术方案汇总，进一步在将所述当前状态特征向量与所述设备运行关联特征矩阵相乘映射之前，优选地对其进行修正。
[0112]
更具体地，在步骤s170中，以所述校正后当前状态特征向量作为查询向量与所述校正后设备运行关联特征矩阵进行相乘以得到分类特征向量。也就是，进一步地，将校正后的所述校正后当前状态特征向量作为查询向量与所述校正后设备运行关联特征矩阵进行相乘，以将所述校正后当前状态特征向量映射到所述校正后设备运行关联特征矩阵的高维特征空间中，从而得到分类特征向量。
[0113]
更具体地，在步骤s180中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的企业生产系统的生产是否存在风险。
[0114]
综上，基于本技术实施例的所述企业安全生产管理系统的管理方法被阐明，其通过利用深度学习技术的深度神经网络模型来对企业生产系统在安全生产过程中各个机械设备在多个预定时间点的运行状态信息的隐含关联特征进行深层挖掘，以在对当前时间点的所述企业生产系统的生产风险进行判断，并且在此过程中，还添加了特征分布流形的修正系统，以进行特征值集合的边界约束，从而避免了特征值集合由于集合的分布外特征值导致在分类目标域内的决策区域的碎片化，进而提升提高了分类的准确性。这样，能够对于当前时间点的企业生产系统的生产风险进行更准确地判断。
[0115]
示例性计算机程序产品和计算机可读存储介质
[0116]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的企业安全生产管理系统的管理方法中的功能中的步骤。
[0117]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软
件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0118]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的企业安全生产管理系统的管理方法中的步骤。
[0119]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0120]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0121]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0122]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0123]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0124]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。