本发明涉及工业安全大数据发生方法，尤其涉及一种基于te模型的智能工厂安全大数据数据源发生方法及装置。
背景技术：
工业生产过程自动控制与优化管控系统涉及大量的数据。工业领域大数据具有多源性、连续采样、价值密度低、动态性强等特点。大数据的合理应用对于工业领域动态模型建设、安全运行及监控、多目标优化控制方法等多个方面将有显著的促进作用。因此，促进制造企业工业大数据的自动采集、应用不断创新的工业大数据开发与分析技术，促进制造企业从工业大数据中获取最大收益，是非常紧迫的挑战与任务。
石化行业是一个高危行业，具有高温高压、有毒有害、连续作业、点多面广的特点，随着生产能力和规模的逐年加大，生产储存装置逐渐向大型化、规模化发展，重大危险源不断增多，任何一项制度缺陷、设备隐患、程序遗漏、工作疏忽或个人违章行为，都有可能造成重大事故的发生，引发严重后果。大型石油化工企业建立的业务系统，加上互联网不断的深化应用，已经为安全管理积累了大量的安全数据。随着智能制造时代的来临，工业大数据技术及实践应用将成为未来提升企业竞争力、生产力和创新力的重要驱动力。从工业安全大数据中挖掘人的不安全行为、物的不安全状态及管理缺陷等有价值信息，寻找事故发生的规律，提高安全生产的管理的水平，具有重要的意义和作用。为加快工业大数据在安全生产领域的发展，国家安全监督管理总局于近年提出了建立安全生产数据库的目标，同时指出目前安全生产大数据面临的主要问题包括缺乏统一的标准、部门协调能力不足、信息化能力弱、分析工具欠缺、专业人员缺乏和数据规模小而缺乏原始信息等。
工业大数据一般可分为企业信息化数据、工业物联网数据以及外部跨界数据。其中，企业信息化和工业物联网中设备运行过程所产生的海量生产时序数据是导致工业数据规模变大的主要来源。在工业大数据背景下，安全数据涵盖生产作业安全、企业安全文化制度等各个领域，如事故调查报告、安全管理静态和动态信息、视频监控数据、生产图纸信息等；数据载体的表现形式也更为丰富，包括数值、文本、语音、视频、图片等；数据的获取手段更为全面，包括物联网技术下的移动终端采集系统、视频监控系统、生产实时数据采集系统，以及互联网等。
王秉等在文献“基于安全大数据的安全科学创新发展探讨”中提出安全大数将对安全科学领域产生深远影响，表现在改变人们对安全现象的思考方式、提升安全科学研究的时效性、增强安全分析结果的客观性等诸多方面。
李金诺在文献“浅谈石油行业大数据的发展趋势”中充分肯定工业大数据应用价值的同时，指出工业大数据目前需要解决的问题主要有数据的采集与存储、数据分析及可视化、数据开放共享等。
刘强等在文献“过程工业大数据建模研究展望”中指出工业大数据的采样率高、数据源广，数据大量以图片、视频、文档等非结构化形式存在，其具有多层面不规则采样性、多时空时间序列性和不真实数据混杂性等特性。
公开号为cn201510770114.9的中国专利申请“一种面向工业大数据的知识表示及其自动化应用方法”公开了一种面向工业大数据的知识表示及其自动化应用方法。包括创建智能对象库、相应的各种判定条件和计算模型及自动化规则、业务流程等内容。
综上可知，目前针对工业安全大数据挖掘和应用方面还存在许多技术问题，需要针对性地进行研究与测试。如何合理有效地获取工业安全大数据集及实例集成为目前亟需解决的问题。
技术实现要素：
本发明提供一种基于te模型的智能工厂安全大数据发生装置，可合理有效地获取智能工厂工业安全大数据，可用于对工业安全大数据进行针对性地研究与测试。
本发明提供了如下技术方案：
一种基于te模型的智能工厂安全大数据数据源发生装置，包括：
工业安全大数据模型，基于工业安全大数据模型及te过程模型映射生成工厂安全场景模型库，并对te智能工厂仿真器产生的非结构化的工业安全大数据进行结构化；
te智能工厂仿真器，针对执行器、物料状态、控制器和传感器预埋故障源，进行事故场景的动态仿真；
安全数据采集模块，分类采集te智能工厂仿真器产生的工业安全大数据；
安全数据处理模块，对采集到的工业安全大数据进行实例化处理；
工业安全大数据实例集，存放实例化处理后的工业安全大数据。
田纳西-伊斯曼过程(tennesseeeastman，te)过程是由伊斯曼化学品公司创建的，目的是为评价过程控制和监控方法提供一个现实的工业过程。该过程是基于一个真实工业过程的仿真，作为比较各种方法的数据源，已在故障检测与诊断方面得到了广泛的应用。
本发明以工业安全大数据模型作为切入点，通过建立基于te模型的工业场景模型库对te过程进行扩展，从而建立te智能工厂仿真器，通过安全数据采集模块、安全数据处理模块对te智能工厂仿真器产生的工业安全大数据进行采集和处理，并最终形成工业安全大数据库及实例集。
所述的工业安全大数据模型按数据变化时间尺度将安全数据分为静态安全数据和动态安全数据两大类。静态安全数据是指更新时间尺度相对较长(如年、季、月)的安全数据，如设备设计、检修与维护记录材料、工厂设计规划图纸、危化品管理信息、安全应急预案、历史事故记录数据等；动态安全数据是指更新时间尺度相对较短(如日、时、分、秒)的安全数据，如视频监控、dcs过程监控、人工巡检、卫星遥感、gis地理信息、移动终端采集数据等。
所述的工业安全大数据模型包括静态数据模型及动态数据模型；
所述的静态数据模型包括工厂设计数据模型、安全事故记录数据模型、安全应急数据模型及安全失效数据模型；
所述的动态安全数据模型包括dcs过程和报警数据模型、人工/自动巡检数据模型及视频监控数据模型。
静态数据模型中：
工厂设计数据模型表达为：
plantdesigndata＝(eid，elayoutdata，esizedata，eprocessdata，etechnicaldata)
其中eid为te工厂生产线设备编号，elayoutdata为设备布局，esizedata为设备外形尺寸，eprocessdata为设备工艺参数，包括原料产品、加工工艺等，etechnicaldata为设备安全技术参数，包括设备可靠性参数等。
安全事故记录数据模型表达为：
accidentdata＝(aid，adatetime，aplace，aenvironment，alevel，atype，acause，aloss)
其中aid为事故编号，adatetime为事故发生时间，aplace为事故发生地点，aenvironment为事故发生的气象条件以及周边环境，alevel为事故等级，atype为事故类型，acause为事故起因，aloss为事故所造成的后果损失。
安全应急预案模型表达为：
emergencyplan＝(event，organzation，resource，responseprocess)
其中，event为应急事件，organzation是应急组织架构，resource是应急资源，responseprocess是应急响应过程。
安全失效数据也被称为可靠性数据，主要可分为安全设备失效数据和人员失效数据，分别描述设备、人员或其他因素的可靠性程度。安全失效数据对于评估系统可靠性和风险水平具有重要作用。
安全设备主要是指安全仪表系统中所包含的控制器、传感器、执行器等设备，是保证安全生产的重要措施。
安全设备失效数据模型表达为：
sefailuredata＝(id，name，location，servicetime，inventory，failure，maintenance)
其中id是安全设备在厂区的唯一标识；name是设备名称；location是地理数据；servicetime为累积服役时间；inventory是编目数据；failure是失效数据；maintenance是维护数据；
失效数据模型为：
failure＝(fmode，fnum，frate)
其中fmode为失效模式，fnum对每一种失效模式下的累积失效总数，frate为针对每一种失效模式评估的失效率。
失效模式模型为：
fmode＝{fm1，fm2，fm3，...，fmn}，n＞0
其中，fmi(1≤i≤n)表示某一种失效模式。例如，石化压力容器典型失效模式有爆炸(物理、化学)、断裂(脆性、韧性、疲劳)、泄漏(密封泄漏、腐蚀穿孔)、变形、损伤(电化学腐蚀、氧化腐蚀、机械损伤)等。
失效率模型为：
fprobability＝{fp1，fp2，fp3，...，fpm}，m＞0
其中，fpi(1≤i≤m)表示某一种失效率属性。常见的属性包括下限lower、上限upper、标准差sd、平均值mean等。其中上下限为失效率的90％区间。
维护数据模型为：
maintenance＝(mmethod，mtime，mcost)
其中mmethod为维修方法，mtime为维修时间，mcost为维修所消耗的经济成本。
维修方法模型为：
mmethod＝{mm1，mm2，mm3，...，mmp}，p＞0
其中，mmi(1≤i≤p)表示其中某一种维修方法。
维修时间模型为：
mtime＝{mt1，mt2，mt3，...，mtp}，p＞0
其中，mti(1≤i≤p)表示其中某一种维修时间属性。常见的属性包括最长修理时间max、最短修理时间min、平均修理时间mean。
人员失效模型，表达为：
humanfailuredata＝(action，failurerate)，
其中，action为人员行为事件，failurerate为失效率。
动态安全数据模型中：
dcs过程数据模型表达为：
processdata＝(timestamp，variableset)
其中，timestamp为采样时间戳，variableset＝{v1，v2，...，vn}为所监测的过程变量集合。
dcs报警数据模型表达为：
processalarmdata＝(datetime，source，alarmtype，state，priority)
其中，datetime是报警事件发生的时刻；source是指发生报警的过程变量或过程仪表测量点位置；alarmtype即报警事件类型，是指根据报警触发条件的不同而划分的等级；state即工艺参数变化状态，可分为rtn(returntonormal)和alm(alarmoccurrences)两种，用以描述过程变量变化趋势，前者表示变量偏移程度减小的方向，后者则反之；priority即优先级，通常在系统设计时根据监控变量的重要程度进行确定。
人工/自动巡检数据模型表达为：
inspectiondata＝(datetime，employeeid，type，location，equipmentid，parameterset，state)
其中，datetime为巡检当前时间，employeeid为巡检人员编号，type为巡检类型，location为巡检位置，equipmentid为所检查的设备编号，parameterset为对某个设备所记录的参数集合，state为当前设备的整体状态。
视频监控数据模型为：
videomonitordata＝(datetime，monitorid，location，eventtype，eventstate，eventprob)
其中，datetime为监测到安全事件的时间；monitorid为监控摄像头的编号；location为监控摄像头安装的地理位置信息；eventtype为视频事件类型；eventstate为事件状态，表明事件的态势；eventprob为事件的概率。
视频事件类型模型为：
eventtype＝{et1，et2，et3，...，etm}，m＞0
其中eti(1≤i≤m)表示某个事件类型。工厂常见的安全事件类型包括火灾(池火灾、喷射火、闪火等)、烟雾、爆炸(蒸汽云爆炸、粉尘爆炸等)、泄漏、人员/车辆等。
事件状态模型为：
eventstate＝{es1，es2，es3，...，esm}，m＞0
其中esi(1≤i≤m)表示某个事件状态，对于事故而言主要包括蔓延、衰减等，对于人员安全状况而言包括有无穿戴安全头盔、专用工装等。
所述的te智能工厂仿真器包括：
工厂安全场景模型库，覆盖智能工厂设计、运营、维护过程中的典型场景模型；
te过程模型；
生产线设计模块，根据工厂安全场景模型库中典型场景对te过程模型进行扩展设计，输出动态仿真模块的组态参数和仿真实验条件，设定安全系统模块的工作模式；
动态仿真模块，对智能生产过程中的事故场景进行动态仿真；动态仿真模块针对执行器(阀门)、物料状态(温度、流量、成分、压力)、控制器和传感器预埋故障源，进行事故场景的动态仿真；
安全系统模块，对事故场景仿真的过程进行监控，输出工业安全大数据。
所述的安全系统模块包括dcs实时数据采集系统、移动终端巡检系统、视频监控系统、气象监测系统和gis地理信息系统。
所述的安全数据采集模块采集包括工厂设计数据、dcs实时监测数据、人工巡检数据、视频监控数据、气象数据、gis地理信息、人员活动数据、设备失效数据等安全数据。
本发明还提供了一种基于te模型的智能工厂安全大数据数据源发生方法，包括以下步骤：
(1)基于工业安全大数据模型及te过程模型映射生成工厂安全场景模型库；
(2)基于工厂安全场景模型库对te过程进行扩展设计，得到面向安全大数据研究的te智能工厂仿真器；
(3)运行te智能工厂仿真器，针对执行器、物料状态、控制器和传感器预埋故障源，进行事故场景的动态仿真；
(4)通过安全数据采集模块分类采集te智能工厂仿真器产生的安全数据；
(5)通过安全数据处理模块对采集到的安全数据进行实例化处理，结果存放到工业安全大数据实例集中。
步骤(1)中，选取工业生产过程典型场景，基于工业安全大数据模型生成工厂安全场景模型库；
所述工业生产过程典型场景包括设计变更、设备维护保养和安全应急预案更新。
步骤(2)中，所述的扩展设计包括生产线结构设计、安全系统设计和动态仿真系统扩展设计。
根据工厂设计规范，te智能工厂生产线结构设计包括布局、结构、建筑、管道等，设计院根据设计标准，将产生一系列设计输出文件。
根据生产工艺流程、厂区危化品、生产装置布局等信息，对全厂区进行危险源辨识，得到危险源一览表。在生产装置区和罐区等重点安全区域的四周，建设了保证安全冗余的消防炮和泡沫灭火器，一旦出现火灾爆炸等事故，消防人员将按照灭火应急预案进行有效的应急抢险；在日常安全管理中，巡检人员将手持智能移动终端根据规定路线进行安全巡检，记录现场仪表数据、确认现场设备安全状态以及观察现场异常事件；为便于移动终端能够顺利上传图片、发送语音消息和同步现场仪表数据，全厂已经覆盖通信网络；现场关键装置区和主要关口已经安装智能视频监控系统，可从监控视频中检测异常人员和险情事件，并及时产生报警以通知人员介入确认；除了风险管理与安全应急系统对全厂区进行安全监控之外，中控室内操值班人员将时刻关注dcs系统监控情况和视频监控系统，一旦有异常情况将立即启动应急措施；厂区同时建设了气象监控系统，可采集风向、气温、雨雪雷电等环境信息，这些信息对于判断火势蔓延趋势、预测设备老化程度等具有重要参考价值。
因此相较于经典te过程，te智能工厂所包含的数据采集技术包括dcs实时数据采集系统、移动终端巡检系统、视频监控系统、气象监测系统、gis地理信息系统等，并增加了人工巡检数据、视频监控数据、气象数据、gis地理信息、人员活动数据、设备失效数据等。
te过程仿真系统通过在模型程序中预埋故障源来模拟真实生产过程中常见的异常状况。经典te过程故障设置只考虑到执行器(阀门)和物料状态(温度、流量、成分、压力)变化，而未考虑控制器和传感器等故障。本发明的te智能工厂仿真器在经典te过程模型的基础上，增加了控制器和传感器两类故障场景，并开发仿真模型进行事故场景的动态仿真。
步骤(4)中，通过安全数据采集模块采集的的安全数据包括安全事故记录数据、安全应急预案数据、可靠性数据、dcs过程和报警数据、人工/自动巡检数据、视频监控数据。
步骤(5)中，通过安全数据处理模块对采集到的te智能工厂安全数据进行实例化处理，结果存放到工业安全大数据实例集中。
对te智能工厂安全数据进行实例化处理包括：
基于工业安全大数据模型，将安全数据采集模块采集的非结构化安全数据进行结构化；
基于工厂安全场景模型，将结构化后的安全数据与仿真场景数据进行实例场景化还原，形成完整的安全事故实例信息。
所述的仿真场景数据包括事故地理位置、地图标识、周边视频片段、相关仪表记录曲线等。
其中，安全事故记录数据为非结构化文本数据，为快速实现从非结构化文本记录中提取出相应的事故信息并生成结构化记录，本发明采用以下方法对安全事故记录数据进行结构化分解，实施流程如下：
(a1)按装置仪表名词类、化学品名词类、安全生产相关名词类组织相应的专有名词，建立特定行业的专有名词语料库；
(a2)使用jieba中文分词算法工具包对安全事故记录数据进行分解，形成一系列名词序列；
(a3)从分解得到的名词序列中利用正则表达式基于关键词提取相应的内容，形成键值对；
(a4)按照安全事故记录数据模型输出结构化数据。
与现有技术相比，本发明的有益效果为：
本发明基于te模型的智能工厂安全大数据数据源发生方法和装置以工业安全大数据模型作为切入点，通过建立基于te模型的工业场景模型库对te过程进行扩展，从而建立te智能工厂仿真器，通过安全数据采集模块、安全数据处理模块对te智能工厂仿真器产生的工业安全大数据进行采集和处理，并最终形成工业安全大数据库及实例集。
本发明的基于te模型的智能工厂安全大数据数据源发生方法和装置可合理有效地获取工业安全大数据集及实例集，用于对进行针对性地研究与测试。
附图说明
图1为智能工厂安全大数据数据源发生装置的结构示意图；
图2为实施例中的巡检业务流程示意图；
图3为实施例中的te智能工厂仿真器结构示意图；
图4为实施例中的te智能工厂设计示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种基于te模型的智能工厂安全大数据数据源发生器包括工业安全大数据模型、面向安全大数据研究的te智能工厂仿真器、安全数据采集模块、安全数据处理模块及工业安全大数据实例集。
工业安全大数据模型按数据变化时间尺度将安全数据分为静态安全数据和动态安全数据两大类。静态安全数据是指更新时间尺度相对较长(如年、季、月)的安全数据，如设备设计、检修与维护记录材料、工厂设计规划图纸、危化品管理信息、安全应急预案、历史事故记录数据等；动态安全数据是指更新时间尺度相对较短(如日、时、分、秒)的安全数据，如视频监控、dcs过程监控、人工巡检、卫星遥感、gis地理信息、移动终端采集数据等。
工业安全大数据模型包括静态数据模型及动态数据模型。静态数据模型包括工厂设计数据模型、安全事故记录数据模型、安全应急数据模型及安全失效数据模型；动态安全数据模型包括dcs过程和报警数据模型、人工/自动巡检数据模型及视频监控数据模型。
静态数据模型中：
工厂设计数据模型表达为：请补充
plantdesigndata＝(eid，elayoutdata，esizedata，eprocessdata，etechnicaldata)
其中eid为te工厂生产线设备编号，elayoutdata为设备布局，esizedata为设备外形尺寸，eprocessdata为设备工艺参数，包括原料产品、加工工艺等，etechnicaldata为设备安全技术参数，包括设备可靠性参数等。
安全事故记录数据模型表达为：
accidentdata＝(aid，adatetime，aplace，aenvironment，alevel，atype，acause，aloss)
其中aid为事故编号，adatetime为事故发生时间，aplace为事故发生地点，aenvironment为事故发生的气象条件以及周边环境，alevel为事故等级，atype为事故类型，acause为事故起因，aloss为事故所造成的后果损失。
安全应急预案模型表达为：
emergencyplan＝(event，organzation，resource，responseprocess)
其中，event为应急事件，organzation是应急组织架构，resource是应急资源，responseprocess是应急响应过程。
安全失效数据也被称为可靠性数据，主要可分为安全设备失效数据和人员失效数据，分别描述设备、人员或其他因素的可靠性程度。安全失效数据对于评估系统可靠性和风险水平具有重要作用。
安全设备主要是指安全仪表系统中所包含的控制器、传感器、执行器等设备，是保证安全生产的重要措施。
安全设备失效数据模型表达为：
sefailuredata＝(id，name，location，servicetime，inventory，failure，maintenance)
其中id是安全设备在厂区的唯一标识；name是设备名称；location是地理数据；servicetime为累积服役时间；inventory是编目数据；failure是失效数据；maintenance是维护数据；
失效数据模型为：
failure＝(fmode，fnum，frate)
其中fmode为失效模式，fnum对每一种失效模式下的累积失效总数，frate为针对每一种失效模式评估的失效率。
失效模式模型为：
fmode＝{fm1，fm2，fm3，...，fmn}，n＞0
其中，fmi(1≤i≤n)表示某一种失效模式。例如，石化压力容器典型失效模式有爆炸(物理、化学)、断裂(脆性、韧性、疲劳)、泄漏(密封泄漏、腐蚀穿孔)、变形、损伤(电化学腐蚀、氧化腐蚀、机械损伤)等。
失效率模型为：
fprobability＝{fp1，fp2，fp3，...，fpm}，m＞0
其中，fpi(1≤i≤m)表示某一种失效率属性。常见的属性包括下限lower、上限upper、标准差sd、平均值mean等。其中上下限为失效率的90％区间。
维护数据模型为：
maintenance＝(mmethod，mtime，mcost)
其中mmethod为维修方法，mtime为维修时间，mcost为维修所消耗的经济成本。
维修方法模型为：
mmethod＝{mm1，mm2，mm3，...，mmp}，p＞0
其中，mmi(1≤i≤p)表示其中某一种维修方法。
维修时间模型为：
mtime＝{mt1，mt2，mt3，...，mtp}，p＞0
其中，mti(1≤i≤p)表示其中某一种维修时间属性。常见的属性包括最长修理时间max、最短修理时间min、平均修理时间mean。
人员失效模型，表达为：
humanfailuredata＝(action，failurerate)
其中，action为人员行为事件，failurerate为失效率。
动态安全数据模型中：
dcs过程数据模型表达为：
processdata＝(timestamp，variableset)
其中，timestamp为采样时间戳，variableset＝{v1，v2，...，vn}为所监测的过程变量集合。
dcs报警数据模型表达为：
processalarmdata＝(datetime，source，alarmtype，state，priority)
其中，datetime是报警事件发生的时刻；source是指发生报警的过程变量或过程仪表测量点位置；alarmtype即报警事件类型，是指根据报警触发条件的不同而划分的等级；state即工艺参数变化状态，可分为rtn(returntonormal)和alm(alarmoccurrences)两种，用以描述过程变量变化趋势，前者表示变量偏移程度减小的方向，后者则反之；priority即优先级，通常在系统设计时根据监控变量的重要程度进行确定。
人工/自动巡检数据模型表达为：
inspectiondata＝(datetime，employeeid，type，location，equipmentid，parameterset，state)
其中，datetime为巡检当前时间，employeeid为巡检人员编号，type为巡检类型，location为巡检位置，equipmentld为所检查的设备编号，parameterset为对某个设备所记录的参数集合，state为当前设备的整体状态。
视频监控数据模型为：
videomonitordata＝(datetime，monitorld，location，eventtype，eventstate，eventprob)
其中，datetime为监测到安全事件的时间；monitorid为监控摄像头的编号；location为监控摄像头安装的地理位置信息；eventtype为视频事件类型；eventstate为事件状态，表明事件的态势；eventprob为事件的概率。
视频事件类型模型为：
eventtype＝{et1，et2，et3，...，etm}，m＞0
其中eti(1≤i≤m)表示某个事件类型。工厂常见的安全事件类型包括火灾(池火灾、喷射火、闪火等)、烟雾、爆炸(蒸汽云爆炸、粉尘爆炸等)、泄漏、人员/车辆等。
事件状态模型为：
eventstate＝{es1，es2，es3，...，esm}，m＞0
其中esi(1≤i≤m)表示某个事件状态，对于事故而言主要包括蔓延、衰减等，对于人员安全状况而言包括有无穿戴安全头盔、专用工装等。
te智能工厂仿真器包括工厂安全场景模型库、经典te过程模型、生产线设计模块、安全系统模块及动态仿真模块。
其中工厂安全场景模型库覆盖智能工厂设计、运营、维护等全生命周期典型活动场景模型。生产线设计模块以te模型为基础，根据工厂安全场景模型库典型场景进行扩展设计。生产线设计模块设计输出的静态数据模型实例，一方面自动映射为动态仿真模块的组态参数和仿真实验条件，另一方面自动设定安全系统模块中各安全监控设施的工作模式，如监测内容和监测频率。安全系统模块在te生产线过程中设置了dcs实时数据采集系统、移动终端巡检系统、视频监控系统、气象监测系统、gis地理信息系统等安全监控设施。各监控设施的工作模式既可人工组态，也可自动设定。动态仿真模块在te过程针对执行器(阀门)和物料状态(温度、流量、成分、压力)预埋故障源的基础上，增加控制器和传感器两类故障场景，并通过仿真模型进行事故场景的动态仿真。
基于te模型的智能工厂安全大数据数据源发生方法包括以下步骤：
(1)基于工业安全大数据模型及te过程模型映射生成工厂安全场景模型库；
选取工业生产过程典型的场景，比如设计变更、设备维护保养、安全应急预案更新等场景，基于工业安全大数据模型，形成工厂安全场景模型库。
以工厂安全巡检场景为例，石化工厂通常都有日常安全巡检的任务，目的是通过巡检及早发现设备的隐患和缺陷，及时进行设备维护，从而保证生产设备正常运行。同时在某种意义上，人工巡检相当于一种移动的“传感器”，从而弥补了dcs系统、视频监控等只能在固定位置进行数据采集的不足。巡检业务流程图如图2所示，首先在对石化厂区设计图纸和生产装置分布等分析之后制定巡检路线，再根据人员编制情况分配班组执行巡检任务。巡检内容主要包括通过看、听、查、摸、闻等人体感官和利用巡检仪、温度仪等仪器对设备性能和厂区环境进行检测，一旦发现有异常情况将根据应急处理步骤尽快对设备展开维修，若仍无法解决则通过对讲机通知值班长请求援助。在此过程中一切行为和数据将必须记录在案，以备后续追溯和设备及时维修。传统的人工巡检模式存在管理成本高、效率低下、信息反馈不及时等不足。目前，基于rfid等技术的新型智能巡检系统正在得到广泛应用。
通常情况下，根据巡检周期和内容可将巡检分为日常巡检和定期巡检。日常巡检的频率大约是2～3次/天，而定期巡检的频率则可能为1次/周，视厂区安全管理需要而定。巡检过程也必须要有多人配合，从功能角度可将人员角色分为管理人员、巡检人员(外操)、内操人员、维修人员和值班长。管理人员主要负责拟定巡检计划，以及人员管理等工作；巡检人员则根据巡检计划进行现场巡检，还需配合位于中控室的内操人员完成一些必需的生产操作，如开启/切断手工阀等；由于巡检人员手上设备有限，有时无法完成维修任务，此时则需要通知专业维修人员前来处理；值班长负责巡检过程中的人员管理，以及在巡检人员遇到异常情况时提供必要的指导。智能巡检系统不仅需要记录这些必要的巡检信息，还必须具有反馈及时、数据录入方便、能够采集地理位置信息等性能。
(2)基于工厂安全场景模型库对te过程进行扩展，得到te智能工厂仿真器；
te过程包含5个过程操作单元，即反应器、压缩机、冷凝器、气液分离器、汽提塔。其生产过程包含a、b、c、d、e、f、g和h共8种物料，其中a、c、d、e为气态组分(原料)，b为惰性组分(催化剂)，g和h为液态组分(产品)，f为副产品。te过程反应过程可用4个方程式进行描述，如下式所示：
a(g)+c(g)+d(g)→g(l)
a(g)+c(g)+e(g)→h(l)
a(g)+e(g)→f(l)
3d(g)→2f(l)
3种气态组分(a、d、e)从原料罐区经过管道输送至反应器中，经过催化反应过程产生液态产品g和副产品f。经过反应后，反应器中所有物质将进入冷凝器冷却，再通过气液分离器进行气液分离。从气液分离器中分离出的蒸汽将通过压缩机返回至反应器输入侧线。反应过程中，惰性组分b和副产品f将可能产生集聚现象，因此需将部分再循环流排放至te过程系统外。从气液分离器中分离出的液体将输送至汽提塔中与原料c进行反应，最后汽提塔中的剩余反应物与再循环流汇合，产品g和h将从汽提塔的底部输出至下游产品罐区进行缓存。
te过程共包含53个观测变量，分为测量变量(41个)和操纵变量(12个)两类。测量变量主要描述了反应过程中流量、液位、压力和温度等过程参数。te过程定义了工艺流程和生产机理，配套设计完成了相应的仪表自控系统。
本实例针对经典te开展扩展设计，主要设计内容包括生产线结构设计、安全系统设计和动态仿真系统扩展设计，得到如图3所示的面向安全大数据研究的te智能工厂仿真器。
(i)生产线设计
对经典te过程开展扩展设计得到如图4所示的te智能工厂厂区平面图。厂区包括2个生产装置区、5个储罐区、公用工程区、冷水系统和消防系统等功能区域。
生产装置区包含反应器、汽提塔、气液分离器等装置以及附属消防设施；原料罐区b和c分别包含12个和8个压力球罐用以储存原料a、c、d、e，这些原料均有易燃易爆性和毒性；产品罐区包含6个储罐，用以储存整个te过程的最终产品，并通过电泵输送至装车站后由车辆运送至厂外，或通过管道输送至工业园区下游工厂的原料。
根据工厂设计规范，te智能工厂生产线工程设计包括布局、结构、建筑、管道等，设计院根据设计标准，将产生一系列设计输出文件。本实例针对安全管理，设计输出了设备功能和可靠性文件(静态数据)、生产线布局结构、原料和产品库区等。公用工程等其他设施暂时忽略。
(ii)安全系统设计
根据生产工艺流程、厂区危化品、生产装置布局等信息，对全厂区进行危险源辨识，得到危险源一览表，如表1所示。
表1危险源一览表
为保证厂区安全，te智能工厂投入了大量人力物力用于升级安全设施、加强员工安全文化培训等。在综合楼的中控室内，已经搭建完毕基于大数据的风险管理与安全应急平台。在生产装置区和罐区等重点安全区域的四周，建设了保证安全冗余的消防炮和泡沫灭火器，一旦出现火灾爆炸等事故，消防人员将按照灭火应急预案进行有效的应急抢险。在日常安全管理中，巡检人员将手持智能移动终端根据规定路线进行安全巡检，记录现场仪表数据、确认现场设备安全状态以及观察现场异常事件。为便于移动终端能够顺利上传图片、发送语音消息和同步现场仪表数据，全厂已经覆盖通信网络。现场仪表包括压力表、温度表和可燃性气体检测仪表等。现场关键装置区和主要关口已经安装智能视频监控系统，可从监控视频中检测异常人员和险情事件，并及时产生报警以通知人员介入确认。除了风险管理与安全应急系统对全厂区进行安全监控之外，中控室内操值班人员将时刻关注dcs系统监控情况和视频监控系统，一旦有异常情况将立即启动应急措施。厂区同时建设了气象监控系统，可采集风向、气温、雨雪雷电等环境信息，这些信息对于判断火势蔓延趋势、预测设备老化程度等具有重要参考价值。因此相较于经典te过程，te智能工厂所包含的数据采集技术包括dcs实时数据采集系统、移动终端巡检系统、视频监控系统、气象监测系统、gis地理信息系统等，并增加了人工巡检数据、视频监控数据、气象数据、gis地理信息、人员活动数据、设备失效数据等。
针对te智能工厂中存在的危险源，所设计视频监控布局信息如表2所示，主要针对易燃危化品储罐区和重点生产装置区进行监控，从而及时发现火情、烟雾、泄漏等危险事件。
表2视频监控布局统计表
(iii)动态仿真设计
te过程仿真系统通过在模型程序中预埋故障源来模拟真实生产过程中常见的异常状况，共包含21个故障，其中16个是已知故障，5个是未知故障。
经典te过程故障设置只考虑到执行器(阀门)和物料状态(温度、流量、成分、压力)变化，而未考虑控制器和传感器等故障。因此，本实施例在经典te的基础上，增加了控制器和传感器两类故障场景，并开发仿真模型进行事故场景的动态仿真，如表3所示。
表3本实施例te过程故障列表
(3)运行te智能工厂仿真器，通过安全数据采集模块分类采集各类te智能工厂安全数据，并通过安全数据处理模块对采集到的安全大数据进行实例化处理，结果存放到工业安全大数据实例集中。
安全数据采集模块的数据采集分为静态安全数据的采集和动态安全数据的采集。
首先，基于工业安全大数据模型，将安全数据采集模块采集的非结构化安全数据进行结构化：
(i)安全事故记录数据
te智能工厂若干典型安全事故记录，以生产装置区a火灾事故场景为例，如表4所示。
表4te智能工厂安全事故场景描述
为快速实现从非结构化文本记录中提取出相应的事故信息并生成结构化记录，本发明提出一种文本自动化结构分解方法，其实施流程如下：
步骤1：建立石化行业专有名词语料库。可将语料库按装置仪表名词类、化学品名词类、安全生产相关名词类等几个类别组织相应的专有名词。各个名词之间用空格符号隔开，并支持程序批量导入和词汇动态增加、删除和修改。在分词工具包中添加该石化行业专有名词语料库，防止在分词时误将专有名词进行分解。需注意的是，txt文件中汉字默认编码方式为gbk。
步骤2：文本分词处理。本方法选择使用jieba中文分词算法工具包中“精确模式”对输入文本进行分解，形成一系列名词序列。为降低序列长度，停用“的”、“是”等常用词。
步骤3：关键信息提取。从分解得到的名词序列中利用正则表达式基于关键词提取相应的内容，形成键值对。例如，对表5中的事故记录进行分词得到的序列“2017年/7月/15日/15：07分/天气/晴朗/室外/气温/30℃/南风/3级……”，利用关键词“年、月、日、分、天气、气温、南风”等可提取出相应的取值，若文本中未提及，则相应的取值为null。
步骤4：结构化数据输出。
按照安全事故记录数据模型输出结构化数据，得到相应的结果如下：
事故编号：2017001；事故时间：2017-07-1515：07；事故地点：te智能工厂/生产装置区a/反应器；事故环境：(天气：晴朗；气温：30℃；风速：3级)；事故类型：(人员伤亡事故：火灾；职业危害事故：化学中毒；设备安全事故：设备损坏；环境污染事故：大气污染；质量事故：无)；事故等级：一般事故；事故起因：(人员因素：进料操作不当；机器因素：管道失效；材料因素：可燃气体；方法因素：操作规程不规范；环境因素：气温较高)；事故损失：(人员健康损失：1人死亡，1人中毒昏迷；环境损失：大气污染；生产损失：生产停工；财产损失：约1000万元)。
上述所获得的结构化事故记录为事后调研报告，而无法反映事故发生前和发生时的状况。为此，本文利用仿真技术模拟事故发生前的相关数据(包括事故地理位置、地图标识、周边视频片段、相关仪表记录曲线等)，形成完整的事故实例信息。
(ii)安全应急预案数据
针对te智能工厂火灾事故场景，以生产装置区火灾、爆炸应急预案为例，对该应急预案按照应急事件、应急组织机构、应急资源和应急响应过程4个部分结构化分解如下：
a)应急事件信息：
应急事件＝{应急事件属性，应急响应级别：2级(厂区级)，事件损失}。
b)应急组织机构：
应急组织结构＝(角色，关系，职责)。
其中，角色＝(应急抢险小组：内操、外操；应急救援小组：医疗救护队；应急指挥人员：班长、经理)，关系＝(管理，组成，替代)
c)应急资源内容：
应急资源＝(资源类型，资源名称，属性)。
其中，资源类型＝(人资：消防队、应急指挥人员、医疗救护人员、现场抢险人员等；物资：防火服、正压式空气呼吸器、灭火器、消防水枪、消防车等)。
d)应急响应过程：
应急响应过程＝{响应级别：2级(厂区级)，应急活动，应急任务间的逻辑关系}。
其中，应急活动＝(人员救援，灭火，撤退，清理现场)。
(iii)可靠性数据
以设备失效数据为例，由设备维修记录转化得到设备失效率的步骤为：
step1：由设备维修记录计算故障平均间隔时间，按时间长短升序排序；
step2：计算失效率估计值；
step3：为估计得到标准差。
根据上述流程，可得到te智能工厂中关键设备失效数据。
(iv)dcs过程数据和报警数据
经典te仿真系统可提供相应的dcs过程数据，可配置的参数包括操作变量参数、过程测量变量目标值参数、仿真基本参数(仿真时间、积分步长)。利用其报警日志生成机制可解决报警数据的来源问题，其主要思想是根据te过程仿真程序，对其各个过程变量划定报警阈值，在仿真程序运行时对触发报警的过程变量按给定的报警日志格式进行记录。
(v)人工/自动巡检数据
由于te智能工厂终究是一个虚拟工厂，我们无法直接从te智能工厂中获得人工巡检数据。为解决这一问题，考虑到te过程数据其实是在有限监控点(52个)的情况下所记录的过程数据，而某些现场仪表所检测的数据则没有被dcs系统所采集。一种解决方案是选择te过程数据中部分监控点作为巡检数据，而把剩余监控点数据仍作为dcs过程数据，这就相当于在te智能工厂里增加了真实的现场仪表所获取的数据。
根据te智能工厂厂区平面图中的巡检路线，对巡检过程进行如下假设：
假设1：人的正常移动速度为2m/s，巡检一个装置的平均时间约为5～15min，视装置的规模及所需巡检的附属仪表和设备而定；
假设2：所采用的智能巡检系统可支持获取地理位置信息、接收及发送消息、摄像、rfid等功能；
假设3：考虑到厂区实际距离和巡检对象的重要程度，设计te智能工厂的日常安全巡检安排，并可得到te智能工厂的巡检数据。员工在手持智能移动终端执行日常巡检任务时，移动终端将实时记录员工的地理信息，同时巡检人员将对识别当前对象的rfid标识和录入现场仪表数据，最终这些数据将以json格式通过网络同步至服务器。
(vi)视频监控安全数据
根据te智能工厂中所部署的视频监控点，假设2017年12月7日14：28：10在b原料罐区中tk-2204a/b附近由于储罐泄漏造成物料挥发产生烟雾，此时除了可燃性气体报警器产生报警之外，位于储罐附近的监控摄像头dsm-1007也从视频中检测到这一事件，由此产生如表6所示的json格式的事件数据。由于火情、烟雾等安全事件的发生频率很低，视频监控事件数据的更新周期较长，产生下一条数据的间隔时间可能是几个月。同时，视频监控事件数据所包含的信息时效性很强，最新获得的事件数据才具有实际价值。
表5te智能工厂视频监控数据示例
其次，基于工厂安全场景模型，将结构化后的安全数据与仿真场景数据进行实例场景化还原，形成完整的安全事故实例信息。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。