基于迁移学习与残差网络的矿工不安全行为识别

为精确识别矿工的不安全行为,降低煤矿事故发生率,提出迁移学习结合深度残差网络的图像识别方法。将矿工的行为样本划分为完全安全行为、较安全行为、不安全行为3个维度,其中完全安全行为包括:走路、坐下、站立,较安全行为包括:弯腰、下蹲、抬东西、推、拉、挥手、拍手,不安全行为包括:跌倒、投掷;采用ResNet50网络进行训练,微调ImageNet数据集迁移学习的权重参数,通过全连接层进行12分类,并将最终分类结果与测试数据进行对照检验。研究结果表明:基于迁移学习的残差网络模型识别跌倒与投掷动作的准确率,优于其他深度神经网络模型,能够有效识别不安全行为从而避免由人为因素导致的事故发生。     

多作业场景下个体防护装备自动检测研究

为实现对企业作业现场人员个体防护装备(Personal Protective Equipment, PPE)正确穿戴的精准监管，采用YOLOv5模型和单阶段目标检测算法，设计并开发了一种辅助作业现场PPE自动检测与研判的管理系统。通过对某企业工作全流程的调研和分析，明确了存在遮挡物、密集多目标、远距离目标及光照不均匀4类典型的作业场景及检测环境特征。基于不同作业场景下的监控设备完成数据采集，并建立了4种PPE的数据集。通过YOLOv5目标检测模型的训练和测试，融合现有的监控平台，实现了作业过程人员PPE使用情况的动态、快速研判。研究表明，系统对目前企业典型作业场景PPE使用情况的检测平均精确度为99.5%,同时兼顾了检测速度和运行成本，有效提升了企业现场安全管理效能。     

基于深度学习的不安全因素识别和交互分析

为解决行为安全领域不安全因素识别和交互分析困难的问题,构建基于深度学习的不安全因素识别和交互分析模型。首先,从"人-机-环"3方面构建不安全因素识别层,分别采用不同的深度学习结构识别作业人员行为属性、工作环境场景和操作设备工作状态的不安全因素;然后,通过因素交互层,采用关联和回归多值算法完成对不安全因素的交互分析;最后,通过输出显示层实现分析结果的表征。以某煤矿综采、掘进、通风3个生产活动类别的视频音频数据为例,通过Matlab操作平台选取最优深度学习结构,进行模型交互分析。结果表明,用该模型能实现对采煤面空顶作业、喷浆机故障仍然加料、主要通风机异常响动未停机检查等不安全因素的识别和交互分析,完成不安全行为的描述以及风险分级、行为痕迹的分类。     

基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

为精准识别地下矿山声发射事件,采用基于改进的完全集合经验模态分解模型(ICEEMDAN)和多通道卷积神经网络(MC-CNN)模型对声发射信号进行处理后得到分量图,根据各通道输入分量峭度值赋予不同权重,并利用卷积神经网络对输入数据进行训练,最终采用五折交叉实验方法验证该分类识别方法的可行性及有效性.结果表明:基于ICEE...     

改良的AlexNet模型在有杆泵故障诊断中的应用

示功图识别是有杆泵故障诊断的常用方法,随着神经网络技术的发展,虽已能准确识别典型示功图,但存在以下问题:代表不同故障的相似示功图识别精度有待提高;卷积神经网络(CNN)经典AlexNet模型识别示功图运算效率偏低。基于示功图,设计叠加示功图作为诊断对象,增加分类特征。改良的AlexNet模型:学习LeNet-5模型结构简单,运算快速,删减2层卷积、2层池化和1层全连接,提高模型运算速度;选用3×3的卷积核和2×2的池化核,增强特征学习能力,保证模型识别精度。经叠加示功图样本集测试:新模型相比LeNet-5模型、AlexNet模型,在进一步提高识别精度的同时显著提高运算效率。经现场应用:新模型可以准确高效识别代表不同故障的相似示功图,提液单耗减少16%,设备工作效率提高33%等。     

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。     

基于强化学习的城镇燃气事故信息抽取方法

为解决因城镇燃气事故调查报告标注样本缺乏,从而影响命名实体识别性能这一问题,提出基于BiLSTM-CRF+强化学习的燃气事故领域命名实体识别方法。首先在数据预处理阶段,采用基于文本结构的主旨段落抽取方法,识别事故调查报告的关键段落;其次在模型训练阶段,采用BiLSTM-CRF+强化学习模型,实现城镇燃气事故命名实体识别模型训练;最后利用城镇燃气事故调查报告作为试验数据进行验证。研究结果表明:经由强化学习模型降噪后,实体识别模型的综合评价指标提高5.76%,主旨段落识别方法相比Word2vec特征表示方法,使模型的综合评价指标提升7.17%。     

因子分析与多层神经网络组合的酒驾辨识模型研究

为准确辨识驾驶员酒驾行为以及酒驾状态水平,提高酒驾治理效率,通过人因工程试验和驾驶模拟试验,采集并预处理驾驶员在正常、饮酒、醉酒3种驾驶状态下的驾驶行为数据(包括驾驶员的人、车、环境数据);对原始参数进行因子分析,提取特征参数并将其作为多层神经网络的输入向量,训练多层神经网络,建立基于因子分析和多层神经网络的酒驾行为辨识模型;选取75组测试样本数据输入模型,将模型的输出结果与实际情况比较,验证模型的有效性。研究表明:该模型的训练时间为0.905 s,最优验证均方误差(MSE)为0.034,识别准确率达92.41%,用该模型能较为快速、准确地识别酒后驾驶行为。     

深度学习下吊装作业工人防护装备及吊钩检测方法

为解决危大工程中吊装作业安全管理的问题,基于深度学习构建目标检测算法(You Only Look Once version 5,YOLOv5)网络模型,针对进入吊装作业区域内人员的防护装备进行多目标融合检测,并对吊钩在施工过程中的状态进行检测。在原始的检测网络模型中引入4种注意力机制,并通过5种训练模型的结果对比分析,进而选择卷积块注意力模块(Convolutional Block Attention Module, CBAM)最优模型。优化后的检测模型对安全帽的平均识别精度达86.5%,对反光衣的平均识别精度达83.0%,对吊钩的状态识别精度达92.0%。将训练好的人员检测模型和吊钩检测模型打包成exe执行文件,应用到施工安全管理人员的中控平台,可帮助管理人员更好地判断吊装作业的工作情况,进而及时进行风险管控。     

高斯混合模型下建筑工人高空作业失稳检测方法

为防止施工现场高处坠落事故,实现个性化矫正管理,在考虑个体异质性对运动信号造成的差异化影响基础上,提出一种基于高斯混合模型(GMM)的实时检测方法,可及时识别建筑工人高空作业失稳状态。首先,采用姿态传感器实时采集加速度和角速度数据,以刻画建筑工人的高空作业姿态特征;然后,基于GMM算法,建立建筑工人高空作业的个性化失稳检测模型,获得个性化阈值,以判断姿势失稳状态;最后,通过试验对比基于个体数据集和公共数据集2种方式构建的模型。研究结果表明：生成的个性化检测模型在准确度P、召回率R和综合评价指标F₁值上,均远优于公共数据集模型,具有更好的个性化检测效果。该失稳检测方法能够从工人的作业姿态习惯探究个性化的高空失稳风险,促进差异化安全预控和精准化安全培训。     

井下有限空间内作业人员噪声危害调查

为研究煤矿井下环境相对封闭、空间相对有限的情况下,噪声对作业人员的影响及危害,通过问卷调查的形式,分别对开滦集团东欢坨及荆各庄2煤矿井下5个不同作业区人员进行了共计200份的噪声危害问卷调查。将问卷调查结果通过SPSS软件进行统计与分析,并将SPSS分析得到的数据用于分析井下噪声对作业人员的影响及危害,归纳出噪声对作业人员的影响因素,并对噪声、影响因素及症状之间建立了井下噪声对作业人员影响的理论关系模型。结果表明:在井下有限空间内,噪声对作业人员的危害最严重的症状是耳鸣,危害最轻的症状是畏惧感;参与调查的多为年龄较大、工龄较长的作业人员,噪声对工龄较长者的危害程度要大于对年龄较大者,且工龄与噪声危害之间存在Pearson相关性系数大于0的正相关关系。     

高海拔矿山井下环境对安全人因指标影响机理研究*

为探明高海拔矿山井下作业环境对安全人因指标影响规律及致因过程,基于安全工程学原理与正交分析理论,借助高海拔环境模拟试验系统,开展单因素及正交复合因素试验,分析安全人因指标与矿山环境参数定量关系,并利用统计分析软件SPSS进行多元回归分析,构建高海拔矿山恶劣环境条件下各安全人因指标动态预测模型,通过与实测数据比对,验证模型可靠性。结果表明:人因指标动态预测模型可以有效预测高海拔矿山井下作业人员安全人因指标变化规律;氧分压、温度、湿度3项环境因素对安全人因指标存在交互影响作用。研究结果可为高海拔矿山安全生产提供理论依据。     

民航不安全事件报告危险源识别模型

为了识别民航不安全事件的发生原因,从民航不安全事件报告出发,提出了一种基于LDA主题模型和Word2Vec模型的民航不安全事件报告危险源识别模型。首先,构建危险源标签分类表,选取民航不安全事件报告与Wiki中文数据库作为数据源,然后利用LDA主题模型得出民航不安全事件报告的主题概率分布与词概率分布,最后利用Wiki中文数据库训练Word2Vec模型得到词向量,进而计算文档主题与不同危险源标签之间的相似度,得出民航不安全事件报告的危险源分类。结果表明,该模型的精准率为77.7%、召回率为86.8%、F为82.0%,能够有效识别各民航不安全事件报告的危险源。     

基于卷积神经网络的安全标识分类算法研究

为解决安全标识数据集、安全标识特殊图形及复杂背景缺乏等问题,采用卷积神经网络(CNN)提取安全标识的特征,在VGG-16网络结构和CNN的基础上构建能够识别17种安全标识的VGG16-17模型。原始数据有816张,通过数据增强扩展数据集,得到4 708张图片,按照4∶1的比例将数据集划分为训练集和验证集。通过调节模型中部分参数,分析迭代次数和批量大小对模型识别分类效果的影响。结果表明：当迭代次数为20次、批量大小为32时,模型结果最理想,识别准确率为97.92%,相较于基于未经过数据增强数据集的改进模型的准确率提高19.39%,同时,改进模型相较于传统VGG16模型,识别准确率提高4.3%,证明模型改进和数据增强对图像识别能力的提高有一定帮助。     

基于Multi-class SVM的车辆换道行为识别模型研究

自动安全换道是车辆实现无人驾驶的关键,为精确识别行驶车辆换道状态,保证行车安全,设计了一种基于多分类支持向量机(Multi-class Support Vector Machine,Multiclass SVM)的车辆换道识别模型。从NGSIM数据集中选取美国101公路车辆轨迹数据进行分类处理,并将车辆换道过程划分为车辆跟驰阶段、车辆换道准备阶段和车辆换道执行阶段。采用网格搜索结合粒子群优化算法(Grid Search-PSO)对SVM模型中惩罚参数C和核参数g进行寻优标定,利用多分类支持向量机换道识别模型对样本数据进行训练和测试,模型测试精度达97.68%。研究表明,模型能够很好地识别车辆在换道过程中的行为状态,为车辆换道阶段的研究提供支持。     

高海拔矿井作业人员动态热舒适性评价

针对高海拔矿井井下通风环境差及通风能耗浪费问题,通过修正的高海拔矿井平均热感觉指数(PMV)模型,评价高海拔矿井作业人员的动态热舒适性。根据典型工况日的气象参数信息计算井上逐时热舒适度,生成井上逐时热舒适度曲线控制图,并通过建立的井下PMV模型,拟合生成井下仿自然热环境控制曲线,实时反映井下作业人员的热舒适感变化情况。研究表明:井上环境12:00—19:00时间段内舒适度为稍凉,7:00—12:00与19:00—3:00舒适度为凉,3:00—7:00舒适度为冷,经试验验证修正后的PMV模型适用于高海拔低气压环境,优化后井下热舒适度0:00—12:00及18:00—0:00舒适度为中性,12:00—18:00舒适度为稍暖;优化后的井下热舒适指标更接近人体热舒适感的最优值。     

基于智能手机采集数据的施工活动识别

施工人员的活动监控对施工安全管理及预防职业疾病至关重要。为提升施工安全的智能化管理水平,对楼板钢筋工程施工中的8个主要活动进行识别。为弥补单一传感技术采集维度不足的缺陷和集成传感技术对系统灵活性的限制,采用智能手机内置加速度传感器和陀螺仪采集试验人员模拟施工人员活动时的加速度和倾角数据,并提取平均值、标准差、协方差、四分位距(IQR)为活动的特征矢量。通过决策树中的CART算法建立分类训练模型,采用“交叉验证法”对模型进行评估和验证。测试结果表明:对于样本个体的平均分类准确率为95.28%,预测准确率为92.86%;样本总体的分类准确率为89.67%,预测准确率为94.82%。研究表明,基于智能手机采集数据的决策树模型可以用于施工人员的活动识别。     

基于BP神经网络的盘管泄漏检测方法研究

针对单一阈值不能适用于多变工况条件的问题,采用动态阈值修正的流量平衡法与神经网络法相结合的新方法检测反应釜内冷却水盘管泄漏.通过盘管泄漏模拟试验,研究工况变化与泄漏时盘管进出口流量的变化情况.从流量信号中提取盘管泄漏的特征指标构造出神经网络输入矩阵,通过使用大量试验数据对BP神经网络进行训练,对比不同结构的网络训练误差结果,确定其网络结构,建立对盘管运行状况进行分类的BP神经网络模型.试验证明,这种方法能有效检测出盘管泄漏.     

深度学习在危险天气自动识别中的应用研究

基于机器视觉的危险天气自动识别技术近年来已成为研究热点，但模型识别准确率不高和模型不够轻量化是该项技术面临的主要问题。针对上述问题，提出了一种利用CycleGAN网络自动扩展危险天气数据集的方法，有效解决了数据集数据量不足、数据类型不平衡的问题。同时，还提出了一种三通道融合卷积神经网络(3-Channel Convolutional Neural Network, 3C-CNN),该网络主干分支采用迁移学习的技术方案，并利用多分支结构提取并融合天气图像中的整体与局部特征。结果表明，利用CycleGAN网络扩充的WeatherDataset-6Plus数据集能够有效改善深度学习模型的训练性能，3C-CNN模型的6类天气现象综合识别准确率达到了98.99%,识别速度达到220帧/s。该方法在保证准确率的同时实现了模型的轻量化，有利于其在嵌入式设备中部署。     

基于安全屏障模型的海上钻完井作业风险分析

海上钻完井作业面临海洋环境恶劣、浅层地质灾害等复杂工况,极易发生油气泄漏、井喷等事故。为有效预防海上钻完井作业事故,提出基于瑞士奶酪模型的安全屏障模型。采用事故树和故障模式及影响分析相结合的方法,分析作业过程风险。该模型根据挪威标准D-010,建立完井作业关井阶段的物理安全屏障和安全屏障控制原理图,在此基础上构建油气泄漏事故树和失效模式与影响分析表,找出关井阶段可能的油气泄漏途径。通过对重要度计算和风险优先度值排序确定作业过程中最薄弱的安全屏障和关键故障模式。结果表明,作业过程中最薄弱的安全屏障是采油树、油管和地面控制井下安全阀(SCSSV),采油树腐蚀、密封失效、油管接头密封失效和SCSSV开关故障是影响作业过程的关键故障模式。