本发明涉及工业安全数据管理方法，尤其涉及一种智能工厂多源安全大数据结构化管理方法。
背景技术：
：随着智能制造时代的来临，智能工厂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。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、企业安全规范制度等各领域，如事故调查报告、安全应急预案、工艺流程安全数据、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。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。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。苏鑫等在文献“大数据技术在过程工业中的应用研究进展”中指出工业大数据除了具有一般大数据的4v特性，即海量性(volume)、多样性(variety)、高速性(velocity)、易变性(variability)外，还具有样本分布不均匀、强非线性、高维度等特点。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cn201710766584.7的中国专利文献公开了一种安全数据管理方法、终端及计算机可读存储介质，该安全数据管理方法通过监测安全数据是否被调用，在监测到安全数据被调用时，控制终端通过所使用的数据网络接入vpn，然后通过vpn，使用安全数据完成业务。公开号为cn201710627875.8的中国专利文献公开了一种智能工厂系统，包括下层scada过程控制系统、中层mes制造执行系统、上层erp业务计划系统。公开号为cn201510770114.9的中国专利文献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，目前所存在的工业大数据通常是多源异构的，如果不对数据格式进行统一结构化管理，则无法实现价值挖掘。如何合理有效地实现多源工业大数据的结构化建模和管理成为目前亟需解决的问题。技术实现要素：针对工业大数据具有多源异构的特点，本发明提供了一种智能工厂多源安全大数据结构化管理方法，从智能工厂安全大数据的定义及类别作为切入点，对各类数据进行结构化建模与描述，从而实现对多源安全大数据的结构化管理。本发明提供了如下技术方案：一种智能工厂多源安全大数据结构化管理方法，包括以下步骤：(1)通过多源数据采集模块采集智能工厂的多源安全大数据，并按更新时间尺度将多源安全大数据分为静态数据和动态数据，建立智能工厂安全数据库；(2)分析静态数据和动态数据的组成要素、现有数据组织结构，分别建立静态数据和动态数据的结构化模型；(3)基于静态数据和动态数据的结构化模型，得到智能工厂安全数据库的主数据表定义，实现对多源安全大数据的结构化管理。所述的多源数据采集模块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等；采集的多源安全大数据涵盖工业生产作业安全、企业安全文化制度等各领域，包括事故调查报告、安全管理静态和动态信息、视频监控数据、生产图纸信息等多种形式的数据。由于安全大数据的数据源具有多样性，其主要存在形式为数值、文本、语音、视频、图片等多种形式，本发明的管理方法将非结构化数据转化为结构化数据，最大程度实现安全大数据的应用价值。按更新时间尺度差异可将安全数据分为静态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。优选的，所述的静态安全数据包括工厂设计数据、安全事故记录数据、安全应急预案数据及安全失效数据。建立工厂设计数据模型，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。工厂安全事故是由人机料法环五个维度综合影响产生的意外事件。根据工厂安全事故的基础特征，将事故数据从非结构化到结构化转变，可解决事故记录数据的不规范和不统一等缺点，提高事故数据的检索、关联分析等其他应用价值。安全事故一般具有几个重要元素，即事故编号、事故时间、事故地点、事故等级、事故类型、事故起因和事故后果等。优选的，建立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。安全应急预案元素分为应急事件、应急组织机构、应急资源和应急响应过程。优选的，建立安全应急预案模型，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。优选的，建立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；servicetimc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。优选的，建立人员失效模型，表达为：humanfailuredata＝(action，failurerate)其中，action为人员行为事件，failurerate为失效率。优选的，所述的动态数据包括dcs过程数据/报警数据、人工/自动巡检数据及视频监控安全数据。工业生产装置在生产运行时产生了大量的工艺过程数据，这些过程数据直接、实时地反映了生产装置的运行状况。集散控制系统dcs被广泛用于工业生产过程数据采集与监控。优选的，建立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。在正常运行时，控制系统往往将各变量设定为固定的最佳目标值，然而当生产过程受到各种干扰(如环境突变、设备老化、人员操作失误)时，这些变量将发生波动从而偏离目标值。优选的，建立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。生产设备安全巡检是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。优选的，建立人工/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。工厂厂区各重要装置、危险源集聚区、关键路口等位置安装了大量视频监控摄像头，这些摄像头每天产生的视频数据量将可能达到亿兆级别。监控视频在安全领域具有重要应用，例如及时准确地从监控视频中检测出火灾烟雾事件可有效进行事故预警和应急处理，越早检测出火情，则可大大降低事故损失。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。通过对上述各类数据的结构化模型描述并基于结构化模型得到智能工厂安全数据库的主数据表定义，实现对多源安全大数据的结构化管理。与现有技术相比，本发明的有益效果为：本发明的多源安全大数据结构化管理方法，从智能工厂安全大数据的定义及类别作为切入点，对各类数据进行结构化建模与描述，将非结构化数据转化为结构化数据，从而实现对多源安全大数据的结构化管理，最大程度实现安全大数据的应用价值。附图说明图1为智能工厂多源安全大数据结构化管理方法的流程示意图。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，智能工厂多源安全大数据结构化管理方法包括以下步骤：步骤1、通过多源数据采集模块对智能工厂多源安全大数据进行采集；多源数据采集模块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及人工录入等多种方式。所采集的多源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。数据表现为数值、文本、语音、视频、图片等多种形式。步骤2、根据数据更新的时间尺度将多源安全大数据分为静态数据和动态数据两大类；按更新时间尺度差异可将安全数据分为静态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。两类数据的数据源、更新时间粒度和安全用途等属性实例可详见表1和表2。表1静态安全数据分类及特点列表表2动态安全数据分类及特点列表由于安全大数据的数据源具有多样性，其主要存在形式为图片、视频、文档等非结构化数据，将其转化为结构化数据是最大程度实现安全大数据应用价值的基础。步骤3和4、对静态和动态安全数据的组成要素、现有数据组织结构等特点展开分析，并给出安全大数据的结构化模型表达，基于结构化模型得到智能工厂安全数据库主数据表定义，从而实现安全大数据的数字化规范管理。本实例静态安全数据包括工厂设计数据、安全事故记录数据、安全应急预案数据及安全失效数据3种。动态安全数据包括dcs过程数据/报警数据、人工/自动巡检数据及视频监控安全数据。对静态安全数据和动态数据分别进行结构化建模及安全数据库主数据表定义，具体如下：(1)静态安全数据(i)建立工厂设计数据模型，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。(ii)安全事故记录数据工厂安全事故是由人机料法环五个维度综合影响产生的意外事件。因此，一般可用多维状态空间来描述某个事故数据，比如事故发生时间和地点是两个最基本的维度，另外还可增加其他维度，如事故等级、事故起因等。各个维度之间又存在关联性和层次性，因而不同维度不同层次的基本要素相互作用产生了不同的事故，也就构成了事故数据的内容。根据工厂安全事故的基础特征，将事故数据从非结构化到结构化转变，可解决事故记录数据的不规范和不统一等缺点，提高事故数据的检索、关联分析等其他应用价值。安全事故一般具有几个重要元素，即事故编号、事故时间、事故地点、事故等级、事故类型、事故起因、事故后果等。因此，对事故记录进行如下结构化集合描述：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。基于上述模型，可设计工厂安全事故主数据表，如表3所示。表3智能工厂安全事故数据库主数据表表3中的字段说明如下：aid的组成格式一般为年份+n位数，当n为3时，后面3位编码可提供001-999共999个编号，例如发生在2017年的第5个事故，则可对该事故编号为2017005。adatetime的组成形式为year-month-dayhour：minute，例如2017-12-1016：22。aplace的组成形式为country/province/city/company/plant/facility的目录结构，按地域范围逐渐缩小，直至定位到某个设施。其中country为国家；province为省或市；city为城市；company为公司；plant为某个厂区；facility为某个现场装置、设备或其他设施。例如中国/广东/惠州/中海油惠州分公司/石化一厂/催化裂化装置。当这些数据缺失而只有事故发生位置的经纬度数据时，则取值为经纬度。aenvironment＝{ae1，ae2，ae3，...，aek}，k＞0，表示k个环境因素，主要包括自然环境因素和生产环境因素。其中自然环境主要指气象因素，例如气温、风、雨、雪等，alevel＝{al1，al2，al3，...，aln}，n＞0，表示n个事故等级。根据《生产安全事故报告和调查处理条例》第3条，可按生产安全事故造成的直接经济损失或人员伤亡，将事故分为特别重大安全事故、重大事故、较大事故和一般事故4个等级。atype＝{at1，at２，at3，...，atm}，m＞0，表示m种事故类型。参考《企业职工伤亡事故分类标准》，根据伤害对象的不同，可将工厂安全事故分为5大类主要事故类型：人员伤亡事故、职业危害事故、设备安全事故、环境污染事故以及质量安全事故。acause＝{ac1，ac2，ac3，...，acp}，p＞0，表示p种事故起因。由于工厂安全事故是由“人机料法环”各个因素综合产生的，因此可将起因分为人为因素、机器因素、材料因素、方法因素和环境因素5个维度。aloss＝(productionloss，assetsloss，humanloss，environmentalloss)，其中productionloss为生产损失，包括停车损失、维护损失、产品质量损失等；assetsloss为财产损失，主要包括设备损害费用和建筑损害费用等；humanloss为人员伤亡损失，包括重伤、轻伤损失和死亡人数；environmentalloss为环境污染损失，主要包括大气污染、水污染、噪声污染、固体废弃物污染等损失。(iii)安全应急预案数据应急预案元素分为应急事件、应急组织机构、应急资源和应急响应过程。安全应急预案的模型可以表达为：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。(iv)安全失效数据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/其他失效数据，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。一旦安全设备失效，生产过程将会因失去安全保护而易于发生安全事故，故而安全设备在安全生产中具有重要地位。安全设备包括物理失效和功能失效两种失效类型，其中物理失效是指系统中至少有一个组件发生失效，如仪表导线断裂、零件失效等；功能失效是指系统具备运行能力但无法完成预定功能，如plc逻辑错误、设备操作系统出错等。安全设备失效数据模型为：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。基于上述模型，工业安全设备失效数据库主数据表如表4所示。表4工业安全设备失效数据库主数据表人员失效模型为：humanfailuredata＝(action，failurerate)其中，action为人员行为事件，failurerate为失效率。(2)动态数据(i)dcs过程数据和报警数据工厂生产装置在生产运行时产生了大量温度、压力、液位、流量等工艺过程数据，这些过程数据直接、实时地反映了生产装置的运行状况。dcs和紧急停车系统(emergencyshutdowndevice，esd)被广泛用于生产过程监控。表5是采集自某工厂dcs过程数据片段，数据采样间隔为5秒。由此可得出dcs过程数据包括时间戳、过程变量这2个基本要素，对其进行结构化描述为：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。表5dcs报警数据库示例timestampasd_li_2201asd_li_2204asd_li_2207asd_li_2210asd_li_22132016/2/10：00104641084163582040327672016/2/10：05104641084163582041327672016/2/10：10104641084163582041327672016/2/10：15104641084163582040327672016/2/10：20104641084163582040327672016/2/10：2510464108416358204132767在正常运行时，控制系统往往将各变量设定为固定的最佳目标值，然而当生产过程受到各种干扰(如环境突变、设备老化、人员操作失误)时，这些变量将发生波动从而偏离目标值。根据偏离程度对应的风险大小，安全工程师在系统设计中通常制定了一些报警阈值。实际工厂中每天大约将产生5000～10000个报警，也被称为“报警泛滥”，这些报警事件(alarm&event，a&e)日志将被存储于dcs报警数据库中。如表6所示，dcs报警事件日志数据一般包括以下几个元素：报警时间戳、报警来源、报警类型、变化状态、报警优先级等信息，由此对dcs过程报警数据进行集合化描述。dcs报警数据模型为：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，如高高(hh)位、高(h)位、低(l)位等；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。表6dcs过程数据示例datetimesourcealarmtypestatepriority2017112417：05：00pmfi50halm12017112417：05：08pmpi110lalm12017112417：05：08pmt125llalm22017112417：05：10pmpt101halm22017112417：05：20pmf18lrtn42017112417：05：30pmt12hrtn2基于以上模型，dcs报警数据库主数据表如表7所示。表7dcs报警事件数据库主数据表(ii)人工/自动巡检数据生产设备安全巡检是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。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。管理人员一般由现场安全专家担当，主要负责拟定巡检计划；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。人工/自动巡检数据模型为：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。基于上述模型，设计工厂巡检数据库主数据表如表8所示。表8工厂巡检数据库主数据表(iii)视频监控安全数据工厂厂区各重要装置、危险源集聚区、关键路口等位置安装了大量视频监控摄像头，这些摄像头每天产生的视频数据量将可能达到亿兆级别。监控视频在安全领域具有重要应用，例如及时准确地从监控视频中检测出火灾烟雾事件可有效进行事故预警和应急处理，越早检测出火情，则可大大降低事故损失。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。基于上述模型，设计工厂视频监控数据库主数据表如表9所示。表9视频监控安全数据库主数据表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。当前第1页12