基于ai智能圖像的工控火電現場爆炸風險評估*

鄭雪娜，沈國杰，馬鵬宇，羅宗榮

(重慶大學 城市科技學院，重慶 402167)

0 引言

火電建設企業以安裝管道儀表、調試大型設備、鋼結構為主，屬于高風險、高投入、高技術的行業[1]?；痣娊ㄔO企業通常以熱工調試、汽機安裝、電氣安裝和鍋爐安裝為主體，簡稱為熱、機、電、爐4大部分，各個部分之間互相協調但又互相獨立[2]。為了滿足國家提出的減排和節能要求，火電現場需要采取對應的措施，建立少排放、大容量、低消耗和高參數的機組[3]。火電現場涉及的單位較多、規模較大、技術復雜且建設周期較長，承擔的風險較大，一旦發生爆炸，容易造成人員傷亡和財產損失。因此，火電現場的安全工作是重中之重[4]。當前，火電現場爆炸風險評估方法存在評估效率低和評估結果準確率低的問題，需要對工控火電現場爆炸風險評估方法進行研究[5]。

郭二果等[6]提出了1種火電廠環境風險評估模型，該方法基于火電廠環境風險評估實際工作經驗總結,從風險源識別、危害分析以及風險防范措施改進角度提出電廠環境風險評估的技術要點,在此基礎之上進行火電廠環境風險評估模型設計，但該方法選取的評估指標合理性低，得到的評估結果準確率低；吳庭吉等[7]提出了1種火電廠環境風險的評估技術，該方法采用人工識別現場圖片的信息，進而利用火電廠環境風險評估模型對火電廠環境以及可能會造成的危害進行模擬，最后根據結果對火電廠的環境風險進行評估，該方法評估所用的時間較長，存在評估效率低的問題；孟憲良等[8]提出了1種基于層次化、差異化的工控火電現場爆炸風險評估方法，火電工程項目的風險評價指標體系的構建需先對火電工程的風險要素進行識別,在此基礎上,根據風險評價指標體系的構建原則對火電工程項目施工方風險評價體系進行構建,為火電工程項目的風險評價奠定基礎，但是該方法得到的評估結果與實際不符，存在評估結果準確率低的問題。針對上述問題，提出1種基于ai智能圖像的工控火電現場爆炸風險評估方法。

1 基于ai智能圖像的工控火電現場爆炸風險評估

1.1 工控火電現場ai智能圖像識別

基于ai智能圖像的工控火電現場爆炸風險評估方法對火電現場圖像的空間進行轉化，通過匹配結構元得到火電現場圖像結構元和顏色的映射子圖，通過連通粒屬性得到對應的特征向量[9-10]，采用加權合并方法對特征向量進行融合，獲得工控火電現場ai智能圖像中的特征信息，完成工控火電現場ai智能圖像的識別[11-12]。將M×N大小的工控火電現場圖像的顏色空間進行轉換[13]，將HSV顏色空間轉換為RGB顏色空間，量化為C(x,y)，1≤x≤M，1≤y≤N。

將火電現場圖像分為若干個2×2的圖像塊，進行結構元匹配，獲得[M/2×N/2]大小的映射子圖，用T(i,j)表示映射子圖，在區間[0,8]內取值[14-15]，當T(i,j)=s時，Ts(i,j)=1，得到特征向量Ys為：

(1)

通過分層提取方法得到T(i,j)映射子圖中第s層的結構元連通性特征Js：

Js={Ns,Ms,Ss,Os}

(2)

式中：Ns為連通粒數；Ms為連通粒的平均面積；Ss為場景連通粒；O為對象連通粒。通過結構元連通性特征Js得到顏色連通性特征KL={NL,ML,SL,OL}。

計特征向量Ys、結構元連通性特征Js、顏色連通性特征KL得到映射子圖的權重wi：

wi=l·f(bi)

(3)

式中：i=1,2,3；l為基準函數；f(bi)為向量在全局特征中的重要程度。對權重wi進行歸一化處理，加權合并為工控火電現場ai智能圖像的特征信息H，通過特征信息H完成工控火電現場ai智能圖像的識別：

H=[w1·Norm(Y),w2·Norm(Js),w3·Norm(KL)]

(4)

式中：Norm(·)為歸一化處理。

1.2 工控火電現場爆炸風險評估

在工控火電現場ai智能圖像識別結果的基礎上[13]，通過層次分析法和問卷調查法獲取風險評估指標，構建風險級別集合，通過兩兩比較法得到工控火電現場爆炸風險評估指標的權重，構建工控火電現場爆炸風險評估模型，對工控火電現場爆炸的風險進行評估。

結合問卷調查法和層次分析法得到工控火電現場爆炸風險的評估指標，分別為設施、設備管理，安全生產管理制度，安全技術管理和人員、機構、資質管理[16]。

設U1為設施、設備管理，其表達式如下：

U1={u11,u12,u13,u14}

(5)

式中：u11為測試工具管理；u12為設備安全管理；u13為防護管理和安全設施；u14為裝備安全控制。

設U2為安全生產管理制度，其表達式如下：

U2={u21,u22,u23,u24,u25}

(6)

式中：u21為安全生產責任制度；u22為安全生產資金保障制度；u23為事故報告處理制度；u24為安全檢查制度；u25為培訓制度。

設U3為安全技術管理，表達式如下：

U3={u31,u32,u33,u34,u35,u36}

(7)

式中：u31為對工藝和安全設備的選用；u32為危險源控制；u33為操作規程和技術標準規范；u34為施工組織設計；u35為安全技術；u36為專業安全技術方案。

設U4為資源管理，其表達式如下：

U4={u41,u42,u43,u44}

(8)

式中：u41為供應單位管理；u42為從業人員資格和企業資質；u43為人員資格管理和分包資質；u44為安全生產管理機構。

設Ri為工控火電現場爆炸風險評估指標的風險級別集合[17-18]，其表達式如下：

Ri={R1,R2,R3,R4,R5}

(9)

式中：R1，R2，R3，R4，R5代表的級別分別是“很低”、“低”、“中”、“高”、“很高”。

通過兩兩比較法得到工控火電現場爆炸風險評估指標的權重，設A代表的判斷矩陣，其表達式如下：

A=(Ui)n×n

(10)

評估指標的權重ωi的計算公式如下：

(11)

在工控火電現場ai智能圖像識別結果的基礎上，結合風險級別集合Ri和指標權重得到工控火電現場爆炸風險評估模型RT：

(12)

將上述所求參數帶入模型公式中，求出RT偏度系數，當系數高于2時，風險較大，反之風險較小。

2 實驗結果與分析

為了驗證基于ai智能圖像的工控火電現場爆炸風險評估方法的整體有效性，需要對基于ai智能圖像的工控火電現場爆炸風險評估方法進行測試，本次測試的實驗平臺為Mulan，操作系統為Windows10.0。基于模糊聚類排序的工控火電現場爆炸風險評估方法(方法1)和基于廣義斷面的工控火電現場爆炸風險評估方法(方法2)是2種傳統的評估方法，將本文提出的基于ai智能圖像的工控火電現場爆炸風險評估方法(方法3)與這2種方法進行對比測試。3種評估方法所用的評估時間如圖1所示。

圖1 3種方法的評估時間Fig.1 Evaluation time for three different methods

對比3種不同方法的測試結果可知，基于ai智能圖像的工控火電現場爆炸風險評估方法所用的評估時間較少，該方法縮短了識別圖像所用的時間，提高了評估效率。

評估指標的合理性決定了工控火電現場爆炸風險評估結果的準確率。采用3種方法分別進行測試，評估指標為設備管理、安全生產管理制度、安全技術管理和資質管理。對比3種不同方法選擇的評估指標的偏度系數，指標的偏度系數越接近于零，指標的合理性越高，測試結果如圖2所示。

圖2 本文方法和文獻方法的指標偏度系數對比Fig.2 Comparison of index skewness coefficients between methods and literature methods

對比3種不同方法的測試結果可知，基于ai智能圖像的工控火電現場爆炸風險評估方法選擇的評估指標偏度系數更接近于零，因為基于ai智能圖像的工控火電現場爆炸風險評估方法結合問卷調查法和層次分析法對評估指標進行選取，提高了指標的合理性，驗證基于ai智能圖像的工控火電現場爆炸風險評估方法的評估結果準確率較高。

3 結論

1)經過對比實驗結果可知本文方法識別圖像所用的時間短。證明了本文方法提高了評估效率，可在較短的時間內完成工控火電現場爆炸的風險評估。

2)本文基于ai智能圖像的工控火電現場爆炸風險評估方法選擇的評估指標偏度系數更接近于零，說明所提方法合理性較高，即評估結果準確率較高。