基于深度学习的施工安全泛场景数据获取方法

为实现隐患场景识别和施工安全泛场景数据智能化处理,在分析场景构成因素基础上,将施工场景划分为不安全行为场景和不安全物态场景2类。结合图像语义层次的划分,应用深度学习方法提取对象语义、空间关系语义、场景语义和行为语义,进而依据施工安全泛场景数据理论,得到图像语义信息与泛场景数据对应关系。选取建筑施工现场照片为样本源,采集施工不安全行为场景数据,验证应用基于深度学习的方法处理泛场景数据的可行性。结果表明:通过深度学习提取图像语义,可以自动采集不安全行为和不安全场景泛物态数据,提高场景数据处理效率。     

考虑街区尺寸的应急救援路径选择仿真研究

为分析街区尺寸对应急救援车辆行程时间的影响，基于小（120 m）、中（264 m）、大（440 m）3种典型街区尺寸，将救援车辆行程时间分为街区内、外2部分，以总行程时间最小为目标，构建基于背景流量水平的救援车辆路径选择仿真模型。设置4种救援场景，分别求解各救援场景在不同街区尺寸下的最短路径时间、冗余度及复杂度。结果表明:街区尺寸对街区内、外部救援时间均有影响，而前者在救援路径距离较短、街区尺寸较大的路网中占据较大比例（可达50%以上）；救援路径包含路段的流量较小时，中、大街区尺寸路网表现类似，而高流量下大尺寸具备更优的救援时间；街区尺寸越小，救援路径冗余度与复杂度均越大。     

危险化学品运输管理及事故应急系统探讨

通过全球定位系统(GPS)、地理信息系统(GIS)、专家系统(ES)、自动监测等技术的集成,充分发挥各自技术的优势,建立危险化学品运输及事故应急系统。该系统由基于GPS技术的“运输车辆管理”、基于自动监测技术的“事故自动报警”、基于扩散数学模型和GIS技术的“泄漏模拟分析”、基于专家系统的“事故应急救援”以及基于Web技术“信息发布及数据维护”等5个子系统组成,通过集成各子系统实现危险化学品运输管理的自动化、智能化,在事故发生的第一时间自动报警,避免因人为因素而贻误救援时间,同时通过现场信息数据分析做出最有效的救援安排。     

基于VR技术的机场应急救援虚拟演练平台

为解决机场实地应急演练中存在的成本消耗高、不安全、扩展性差等问题，研发基于VR技术的机场应急救援虚拟演练平台。平台采用模块化设计方案，并通过定义平台操作流程支持虚拟演练操作。采取分细节度的场景构建方法，运用细节层次模型以3层不同细节度模型方案将虚拟灾害场景划分为3类，同时利用Unity3D粒子系统控制机制实现火灾及灭火粒子特效的模拟，运用双顶层本体模型构建机场应急预案本体模型（AERPO），并利用XML Spy建立存储模型，且支持基于典型场景模型编辑形成整个灾害场景。结果表明:平台模块设置科学、场景效果合理，有助于提升演练人员应急处置能力。     

HAZOP结合What-if方法在某延迟焦化装置除焦中的应用

为克服传统危险与可操作性（HAZOP）定性分析方法在复杂操作、间歇作业等过程中使用的局限性,提出在传统HAZOP定性分析方法的基础上结合What-if（故障假设）方法,对人的不安全行为和操作规程不完备所导致的风险后果分析作出补充。详细说明其技术原理、工作流程等使用细节,系统阐述该方法与传统HAZOP定性分析方法的区别,并在某延迟焦化装置的除焦操作的风险分析中应用。经分析,识别出在“给水-泡焦”节点,有“操作规程错误”场景2项,“操作规程不具体”场景1项,不存在“操作人员未按操作规程执行”场景。研究结果表明:本文方法有效且具有较好效果,可以广泛应用于操作规程/作业指导书审查、作业过程隐患排查等方面,帮助企业开展操作层面的风险识别与管理,提升企业的生产安全水平。     

基于ai智能图像的工控火电现场爆炸风险评估

对工控火电现场爆炸风险进行评估时，若采用人工识别现场图片信息的方法，容易导致现场图片特征信息采集不准确，存在评估耗时长、评估效率低和评估结果不准确的问题。针对该问题，提出1种基于ai智能图像的工控火电现场爆炸风险评估方法；通过自适应融合方法提取工控火电现场ai智能图像中的特征信息，根据特征信息对工控火电现场ai智能图像进行识别；结合层次分析法和问卷调查法，选取工控火电现场爆炸风险评估指标；在图像识别结果的基础上，通过风险等级集合、评估指标权重，建立工控火电现场爆炸风险评估模型，并与另外2种工控火电现场爆炸风险评估方法进行了对比。研究结果表明:所建方法能够缩短评估时间，且评估效率较高、评估结果准确率较高。     

基于人工神经网络的烟气及温度实时预测模型*

为监测建筑火灾事故区域的危险程度,实现更加安全、高效的火灾应急救援,以通廊式建筑为研究对象,基于转置卷积神经网络及数值模拟方法开发1种可实时预测走廊位置处烟气扩散和温度分布的神经网络模型。首先,依托Python建立包含全连接、转置卷积、反池化等在内的19层神经网络模型的整体架构;其次,建立包含99个火灾场景,共7 920组图像数据的火场信息数据库用于模型训练;最后,使用测试集对模型进行可靠性验证。研究结果表明:烟气（温度）预测模型在不同火灾场景下的预测精度达到95%,训练完成后模型的预测时间一般为1~2 s。研究结果可为应急策略的快速制定提供数据参考。     

光影

从现代新闻摄影角度来看,这是一张摆拍痕迹明显的图片。但在上世纪中后期,摆拍是宣传领域较为普遍、典型的拍摄手法。为了配合宣传,这种拍摄手法往往以直接表现人物的正面形象为主,虽然呆板,却也有唯美之处。日常生活和工作中,我们使用镜头拍摄最多的主体还是人物,特别是消防救援图片,不论是抢险救援的大场景还是防火监督检查的特写,体现的永远都是消防官兵一线奋战、危难挺身的可歌事迹。这类图片,要尽量展现空间     

基于GIS的铁路行车事故救援系统研究

笔者扼要探讨了构建基于GIS的铁路行车事故救援系统的相关理论和方法 ,提出了该系统的设计目标、功能结构、体系结构以及空间数据库设计的简要准则和空间数据的输入方法。笔者还介绍了结合实际科研项目 ,开发的大秦线事故救援辅助决策支持系统。该系统具有以下几方面的特点 :在以工务信息为主体的基础上 ,实现了车、机、工、电、辆各部门主要业务信息以及事故救援预案信息的初步整合 ;实现了线路录像按里程点播以及录像与线路设备综合图的联动 ;实现了事故救援的辅助决策支持 ,提供了一个可以扩展的理想平台。     

东阳“数智化”预警推动救援精准化

7月13日,浙江省应急管理厅与东阳市应急管理局联合举行航空消防应急演练,此次演练全程通过“应急事故快速救援保障场景应用”联动实现队伍整训、卫星传输和巡护侦察,有效提升森林火灾响应、组织指挥和协同作战能力。“我们建设的这个场景应用自2021年7月上线以来,利用其下设场景开展应急救援任务275次,共救援受灾遇险人员960人次,全市突发应急事故所造成经济损失同比下降29.5%。”东阳市应急管理局负责人说。     

基于风量-风压复合特征的通风系统阻变型故障诊断

为了避免风量单一特征进行故障位置诊断的不适定性，提出基于风量-风压复合特征的故障位置诊断方法，实现特征信息的多维互补，提高故障位置诊断的准确度。利用蒙特卡洛方法生成大致满足实际故障风阻值分布的故障仿真样本，为了避免不同变量之间不同量纲、不同数量级造成的数据损失，对原始风量、风压数据进行标准化处理，并分别以风量单一特征、风压单一特征、风量-风压复合特征作为支持向量机（SVM）的输入，构建通风系统阻变型故障位置诊断模型。通过故障模拟实验研究表明:风量、风压单一特征进行故障位置诊断的准确度分别为89.80%，90.34%，风量-风压复合特征进行故障位置诊断的准确度为98.23%，说明风量-风压复合特征进行故障诊断可以消除风量、风压单一特征进行故障诊断的不适定性，提高故障诊断的准确度。     

基于虚拟现实技术的隧道火灾应急培训系统构建和研究

为了解决现实中隧道火灾应急救援演练成本高、危险性大、适应能力弱的问题,基于建构主义安全培训理论,以3Dmax和Unity3D为技术手段,构建隧道火灾应急救援培训系统。系统功能下设体验模式、训练模式和底层模式,对应开发6个培训模块和15个场景科目,实现在高沉浸性的虚拟环境中对隧道救援人员、管理人员进行火灾应急培训。研究结果表明:该系统可以提高人员参加应急救援演练的积极性,降低应急演练成本,使学员在安全真实的虚拟环境中熟悉救援设备使用方法,增强学员处理事故场景的能力。     

基于VR的地铁基坑施工安全教育系统设计与应用*

为解决地铁基坑施工事故应急演练存在的实际操作困难、场景复杂、成本高等问题,采用多人虚拟现实（VR）技术开发的地铁基坑施工安全教育系统,使受训人员可以身临其境地体验地铁基坑施工过程中常出现的典型安全事故（触电、物体打击、高空坠落、基坑坍塌）,以满足演练需求。每个系统场景由多个环节组成,解决地铁基坑跨度大造成的场景数据庞大问题,并采用UE4级联粒子系统来实现复杂粒子动态变化,运用物理引擎PhysX来简化碰撞模型。同时,系统采用分角色互动演练,以培养施工员之间的协同性。结果表明:系统模拟符合实际地铁基坑施工事故应急演练要求,具有较高体验感和互动性,可快速提升施工员的安全意识和应急能力。     

考虑颜色特征最优组合的CART决策树火灾图像识别方法*

针对火灾图像识别过程中颜色特征数量多、特征间相关性复杂、难以在多维特征融合过程中有效融合图像颜色特征等问题,提出1种考虑颜色特征最优组合的CART决策树火灾图像识别方法。首先,在Lab、RGB、HSV 3种色彩模式下基于图像颜色特征提取火灾图像特征序列;其次,分别在3种色彩模式下基于精细决策树与特征随机排列组合方法提取颜色特征中最优组合特征;最后,将提取的火灾图像最优组合特征序列作为CART决策树输入进行模型训练,并通过测试样本以及其他机器学习方法进行模型泛化能力的分析。研究结果表明:本文方法寻找出识别火灾图像的最优颜色特征组合为“Kb1+Var1+Kg+Kb2+Var2+Kh+Ks+Kv”;CART决策树方法对于火灾图像识别的测试准确度可达84.5%,其分类效果明显优于其他决策树类与集成树类方法;9折为最佳交叉验证折数,其测试准确度可达86.47%,与5折交叉验证相比明显提升14.77%。研究结果可为火灾图像识别提供方法基础。     

基于迭代退火算法的高压变频器功率单元频繁故障诊断方法研究*

现有的变压器故障诊断方法较为复杂且计算冗余度较高,在高压变频器的功率单元频繁发生故障时难以高效地检测故障。为此,提出基于迭代退火算法的高压变频器功率单元频繁故障诊断方法。采用小波包分解方法提取高压变频器功率单元的电压信号特征熵,将该特征熵输入到支持向量机模型。使用迭代退火算法优化支持向量机的训练参数,并输出诊断结果。研究结果表明:该方法提取的高压变频器单元故障的平均冗余度最低至3.2%,平均诊断时间为15.1 ms,可实现高压变频器功率单元频繁故障的高效诊断。     

隧道救援站通风网络优化设计及人员疏散研究*

为确定铁路隧道救援站最佳通风结构，对烟道布置提出合理建议，采用计算流体力学（CFD）的方法，对铁路隧道救援站通风网络进行优化设计。同时，采用模拟计算的方法对救援站人员疏散进行模拟分析，确定救援横通道布置及防护门开度设置的合理性。研究结果表明:在同等通风参数工况设置下，采用多节点排烟竖井结构后各救援横通道流量分配更均匀，救援站压力平衡性更好，通风效率可提升15%；通过疏散模拟证实，在长560 m的紧急救援站范围内设置10条疏散横通道，横通道设1.7 m宽的逃生门能够满足疏散要求。     

基于机器学习方法的安全帽佩戴行为检测

施工现场作业人员是否佩戴安全帽主要依靠人工检查,存在监管效率低、时效性差等问题,为了实时自动监管作业人员是否佩戴安全帽,提出1种基于机器学习的安全帽佩戴行为检测方法。首先利用深度学习YOLOv3算法检测出现场视频中的施工人员脸部位置,根据安全帽与人脸的关系估算出安全帽潜在区域;然后对安全帽潜在区域图像进行增强处理,使用HOG（方向梯度直方图）提取样本的特征向量;再利用SVM（机器学习的支持向量机）分类器对脸部上方是否有安全帽进行判断,进而实现对施工人员安全帽佩戴行为的实时检测与预警。以某高铁站施工现场为例进行验证,研究数据表明在施工通道和塔吊作业区域,该方法可实时有效检测出工人未佩戴安全帽的行为,识别率达90%。     

基于多模态信息融合的心理负荷评估*

为了相对稳定地识别人员是否处于心理负荷状态,设计并实施含能材料起爆作业心理负荷诱导试验。首先对心理负荷诱导情况进行判断,然后分别采集27名被试在静息状态和实施含能材料撞击起爆作业状态下的眼动、心率变异性（HRV）和脑电信号（EEG）,通过正态性检验和假设检验获得心理负荷表征指标并进行统计功效分析,依据表征指标,采用支持向量机（SVM）和随机森林（RF）算法建立多模态信息融合的心理负荷评估模型,最后采用被试工作特征曲线（ROC曲线）分析各模态组合和分类器的心理负荷识别性能。研究结果表明:双模态（眼动+EEG）下SVM算法和3模态下RF算法评估性能和稳健性较高,多模态信息组合具有优异的识别效果。