本發(fā)明屬于工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)，具體為一種智能化工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著工業(yè)自動(dòng)化和信息化的快速發(fā)展，工業(yè)生產(chǎn)現(xiàn)場(chǎng)的復(fù)雜性和多樣性不斷增加。傳統(tǒng)的安全監(jiān)測(cè)手段通常依賴人工巡檢和簡單的傳感器設(shè)備，這些方法在監(jiān)測(cè)覆蓋范圍、響應(yīng)速度和數(shù)據(jù)處理能力等方面存在一定局限，近年來，物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能等技術(shù)的迅猛發(fā)展推動(dòng)了智能化安全監(jiān)測(cè)的趨勢(shì)，這些技術(shù)能夠?qū)崿F(xiàn)實(shí)時(shí)數(shù)據(jù)采集和智能分析，顯著提升了工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)的效率和準(zhǔn)確性。但是傳統(tǒng)工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)方法中存在主要監(jiān)測(cè)單一的工業(yè)安全風(fēng)險(xiǎn)，忽略了并發(fā)安全風(fēng)險(xiǎn)的技術(shù)問題；現(xiàn)有事件危險(xiǎn)預(yù)測(cè)模型中存在的并發(fā)事件監(jiān)測(cè)不足、難以捕捉安全事件的長期變化及潛在風(fēng)險(xiǎn)，以及在面對(duì)復(fù)雜和異常數(shù)據(jù)時(shí)的不穩(wěn)定性的技術(shù)問題，從而導(dǎo)致模型輸出結(jié)果不準(zhǔn)確；傳統(tǒng)的預(yù)測(cè)模型中存在參數(shù)設(shè)置不當(dāng)，參數(shù)優(yōu)化算法存在全局最優(yōu)解獲取能力弱，從而導(dǎo)致最終預(yù)測(cè)結(jié)果不準(zhǔn)確的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種智能化工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)方法及系統(tǒng)，針對(duì)傳統(tǒng)工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)方法中存在主要監(jiān)測(cè)單一的工業(yè)安全風(fēng)險(xiǎn)，忽略了并發(fā)安全風(fēng)險(xiǎn)的技術(shù)問題，本方案創(chuàng)造性地提出工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)的方法，將單一工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)和并發(fā)工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)相結(jié)合，能夠同時(shí)識(shí)別單一安全隱患和及其引發(fā)的連鎖并發(fā)安全風(fēng)險(xiǎn)，從而實(shí)現(xiàn)潛在安全風(fēng)險(xiǎn)的全面預(yù)測(cè)，解決了傳統(tǒng)方法在并發(fā)事件監(jiān)測(cè)方面的不足的技術(shù)問題，不僅提高了風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確性，還減少冗余計(jì)算，顯著增強(qiáng)了工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)的實(shí)時(shí)性、精準(zhǔn)性和可靠性；針對(duì)現(xiàn)有事件危險(xiǎn)預(yù)測(cè)模型中存在的并發(fā)事件監(jiān)測(cè)不足、難以捕捉安全事件的長期變化及潛在風(fēng)險(xiǎn)，以及在面對(duì)復(fù)雜和異常數(shù)據(jù)時(shí)的不穩(wěn)定性的技術(shù)問題，從而導(dǎo)致模型輸出結(jié)果不準(zhǔn)確，本方案創(chuàng)新設(shè)計(jì)時(shí)間序列層內(nèi)部結(jié)構(gòu)激活函數(shù)和雙分支結(jié)構(gòu)，時(shí)間序列層內(nèi)部結(jié)構(gòu)激活函數(shù)能夠有效識(shí)別和響應(yīng)復(fù)雜安全數(shù)據(jù)中的突發(fā)變化，解決了傳統(tǒng)方法在處理異常數(shù)據(jù)時(shí)的不穩(wěn)定性問題，工業(yè)現(xiàn)場(chǎng)全局安全動(dòng)態(tài)提取分支通過全面捕捉時(shí)間變化和長期依賴，克服了傳統(tǒng)方法在長期安全變化監(jiān)測(cè)中的不足，增強(qiáng)了對(duì)潛在長期風(fēng)險(xiǎn)的準(zhǔn)確識(shí)別，工業(yè)現(xiàn)場(chǎng)安全關(guān)鍵事件提取分支通過精準(zhǔn)識(shí)別并發(fā)風(fēng)險(xiǎn)事件，避免了對(duì)無關(guān)數(shù)據(jù)的干擾，有效提升了并發(fā)安全事件的監(jiān)測(cè)能力，顯著增強(qiáng)了模型預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性；針對(duì)傳統(tǒng)的預(yù)測(cè)模型中存在參數(shù)設(shè)置不當(dāng)，參數(shù)優(yōu)化算法存在全局最優(yōu)解獲取能力弱，從而導(dǎo)致最終預(yù)測(cè)結(jié)果不準(zhǔn)確的技術(shù)問題，本方案通過更新慣性權(quán)重、獲取粒子速度控制參數(shù)和全局最優(yōu)位置變異策略，增強(qiáng)全局最優(yōu)解搜索和提升算法魯棒性，從而獲取模型最優(yōu)超參數(shù)組合，提高模型的輸出準(zhǔn)確性，實(shí)現(xiàn)了工業(yè)現(xiàn)場(chǎng)安全的精準(zhǔn)監(jiān)測(cè)。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的一種智能化工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)方法，該方法包括以下步驟：

3、步驟s1：數(shù)據(jù)采集；

4、步驟s2：數(shù)據(jù)預(yù)處理；

5、步驟s3：工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)；

6、步驟s4：模型超參數(shù)優(yōu)化；

7、步驟s5：工業(yè)現(xiàn)場(chǎng)安全全面監(jiān)測(cè)。

8、進(jìn)一步地，在步驟s1中，所述數(shù)據(jù)采集，具體為從工業(yè)現(xiàn)場(chǎng)中，通過數(shù)據(jù)采集得到工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)原始數(shù)據(jù)；所述工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)原始數(shù)據(jù)包括歷史安全監(jiān)測(cè)數(shù)據(jù)和實(shí)時(shí)安全監(jiān)測(cè)數(shù)據(jù)；所述歷史安全監(jiān)測(cè)數(shù)據(jù)和實(shí)時(shí)安全監(jiān)測(cè)數(shù)據(jù)都包括工業(yè)現(xiàn)場(chǎng)環(huán)境數(shù)據(jù)、工業(yè)現(xiàn)場(chǎng)設(shè)備數(shù)據(jù)、工業(yè)現(xiàn)場(chǎng)外部環(huán)境數(shù)據(jù)和設(shè)備操作員行為數(shù)據(jù)；所述歷史安全監(jiān)測(cè)數(shù)據(jù)還包括歷史安全事件記錄數(shù)據(jù)。

9、進(jìn)一步地，在步驟s2中，所述數(shù)據(jù)預(yù)處理，具體為用于對(duì)工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)過濾、標(biāo)準(zhǔn)化處理、數(shù)據(jù)補(bǔ)全和特征選擇，得到工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)初步數(shù)據(jù)；所述數(shù)據(jù)清洗用于消除無效和不準(zhǔn)確的數(shù)據(jù)，具體為通過處理數(shù)據(jù)缺失值、數(shù)據(jù)異常值和數(shù)據(jù)重復(fù)值；所述數(shù)據(jù)過濾用于去除數(shù)據(jù)中的高頻噪聲和干擾信號(hào)，具體為通過使用濾波算法使數(shù)據(jù)平滑；所述標(biāo)準(zhǔn)化處理是基于最大最小歸一化方法對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；所述數(shù)據(jù)補(bǔ)全用于補(bǔ)全缺失和未采集的數(shù)據(jù)，具體為使用插值技術(shù)填補(bǔ)缺失的數(shù)據(jù)點(diǎn)；所述特征選擇是運(yùn)用相關(guān)性分析方法，篩選出與工業(yè)現(xiàn)場(chǎng)安全相關(guān)特征。

10、進(jìn)一步地，在步驟s3中，所述工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)包括工業(yè)現(xiàn)場(chǎng)安全單一危險(xiǎn)監(jiān)測(cè)、構(gòu)建關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型、關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型訓(xùn)練、獲取并發(fā)工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)和獲取工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)結(jié)果；具體包括以下步驟：

11、步驟s31：工業(yè)現(xiàn)場(chǎng)安全單一危險(xiǎn)監(jiān)測(cè)，用于根據(jù)簡單的安全標(biāo)準(zhǔn)閾值獲取潛在工業(yè)現(xiàn)場(chǎng)安全風(fēng)險(xiǎn)，具體為根據(jù)工業(yè)現(xiàn)場(chǎng)的安全要求和標(biāo)準(zhǔn)，將實(shí)時(shí)安全監(jiān)測(cè)數(shù)據(jù)的安全監(jiān)測(cè)數(shù)據(jù)與預(yù)設(shè)的安全閾值進(jìn)行對(duì)比，得到單一工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)，所述安全監(jiān)測(cè)數(shù)據(jù)具體為所述工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)初步數(shù)據(jù)中工業(yè)現(xiàn)場(chǎng)環(huán)境數(shù)據(jù)和工業(yè)現(xiàn)場(chǎng)設(shè)備數(shù)據(jù)；包括以下步驟：

12、步驟s311：設(shè)定安全標(biāo)準(zhǔn)和閾值，具體為根據(jù)工業(yè)現(xiàn)場(chǎng)的具體安全要求、生產(chǎn)環(huán)境特點(diǎn)以及相關(guān)的國家和行業(yè)安全標(biāo)準(zhǔn)，設(shè)置每種安全監(jiān)測(cè)參數(shù)的正常工作范圍和安全閾值；所述安全閾值為根據(jù)不同的安全要求和工況，設(shè)定其安全閾值；

13、步驟s312：安全閾值對(duì)比，具體為將每種安全監(jiān)測(cè)數(shù)據(jù)與設(shè)定的安全閾值進(jìn)行對(duì)比，判斷每個(gè)數(shù)據(jù)點(diǎn)是否超出預(yù)設(shè)的安全閾值；

14、步驟s313：獲取單一工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)，具體為使用所述工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)初步數(shù)據(jù)中工業(yè)現(xiàn)場(chǎng)環(huán)境數(shù)據(jù)和工業(yè)現(xiàn)場(chǎng)設(shè)備數(shù)據(jù)與設(shè)置安全閾值對(duì)比，得到單一工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)；

15、步驟s32：構(gòu)建關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型，用于預(yù)測(cè)由單一潛在安全風(fēng)險(xiǎn)引發(fā)的并發(fā)安全事故，獲取并發(fā)工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)，具體包括以下步驟：

16、步驟s321：構(gòu)建時(shí)間序列層，具體包括以下步驟：

17、步驟s3211：設(shè)計(jì)時(shí)間序列層內(nèi)部結(jié)構(gòu)激活函數(shù)，具體為設(shè)計(jì)數(shù)據(jù)增幅激活函數(shù)和數(shù)據(jù)平衡調(diào)節(jié)激活函數(shù)，所用公式如下：

18、；

19、；

20、式中，表示數(shù)據(jù)增幅激活函數(shù)，表示數(shù)據(jù)平衡調(diào)節(jié)激活函數(shù)，表示數(shù)據(jù)增幅激活函數(shù)的輸入變量，表示數(shù)據(jù)平衡調(diào)節(jié)激活函數(shù)的輸入變量；表示控制部分的幅度大小，表示控制后者的幅度大小，表示調(diào)節(jié)部分對(duì)輸入的敏感性，表示調(diào)節(jié)后者對(duì)輸入的敏感性，表示調(diào)整分子中輸入變量的幅度，表示控制分母中輸入變量的影響程度；

21、步驟s3212：設(shè)計(jì)時(shí)間序列層內(nèi)部結(jié)構(gòu)，所用公式如下：

22、；

23、式中，表示遺忘門的輸出，表示是時(shí)間序列層的輸入數(shù)據(jù)，表示是上一時(shí)刻隱藏狀態(tài)，和分別表示對(duì)應(yīng)遺忘門處理輸入數(shù)據(jù)和處理隱藏狀態(tài)的權(quán)重矩陣，表示遺忘門的偏置項(xiàng)參數(shù)，it表示輸入門的輸出，和分別表示對(duì)應(yīng)輸入門處理輸入數(shù)據(jù)和處理隱藏狀態(tài)的權(quán)重矩陣，bi表示輸入門的偏置項(xiàng)參數(shù)，表示新細(xì)胞單元狀態(tài)候選值，和分別表示對(duì)應(yīng)細(xì)胞單元狀態(tài)處理輸入數(shù)據(jù)和處理隱藏狀態(tài)的權(quán)重矩陣，表示細(xì)胞單元狀態(tài)的偏置項(xiàng)參數(shù)，表示是當(dāng)前時(shí)刻細(xì)胞單元狀態(tài)，表示是上一時(shí)刻細(xì)胞單元狀態(tài)，表示輸出門的輸出，和分別表示是對(duì)應(yīng)輸出門處理輸入數(shù)據(jù)和處理隱藏狀態(tài)的權(quán)重矩陣，表示輸出門的偏置項(xiàng)參數(shù)，表示當(dāng)前時(shí)刻的隱藏狀態(tài)；

24、步驟s322：建立工業(yè)現(xiàn)場(chǎng)全局安全動(dòng)態(tài)提取分支，用于從整體時(shí)間序列中分析單一潛在安全風(fēng)險(xiǎn)的發(fā)展軌跡及其對(duì)工業(yè)現(xiàn)場(chǎng)其他潛在安全事件的影響，具體為通過時(shí)間分布全連接層用于增強(qiáng)每個(gè)時(shí)間步的數(shù)據(jù)特征，然后利用捕捉序列的長時(shí)間依賴性，并通過兩個(gè)全連接層進(jìn)一步處理，最終生成時(shí)間步序列特征；

25、步驟s323：建立工業(yè)現(xiàn)場(chǎng)安全關(guān)鍵事件提取分支，用于分析關(guān)聯(lián)事件的危險(xiǎn)觸發(fā)點(diǎn)，具體通過提取初步的序列特征，接著引入注意力機(jī)制計(jì)算每個(gè)時(shí)間步的注意力權(quán)重，并根據(jù)權(quán)重生成加權(quán)特征，最后通過全連接層生成緊湊的全局特征；

26、步驟s324：分支特征拼接，所用公式如下：

27、；

28、式中，表示拼接后的綜合特征；

29、步驟s325：建立模型輸出層，所用公式如下：

30、；

31、式中，表示關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)結(jié)果，表示模型輸出層的權(quán)重矩陣，表示模型輸出層的偏置項(xiàng)參數(shù)，表示sigmoid激活函數(shù)；

32、步驟s33：關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型訓(xùn)練，具體為使用所述工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)初步數(shù)據(jù)中歷史安全監(jiān)測(cè)數(shù)據(jù)，對(duì)關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型；

33、步驟s34：獲取并發(fā)工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)，具體為將所述工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)初步數(shù)據(jù)中實(shí)時(shí)安全監(jiān)測(cè)數(shù)據(jù)和單一工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)作為訓(xùn)練后的關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型的輸入數(shù)據(jù)，得到并發(fā)工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)；

34、步驟s35：獲取工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)結(jié)果，具體為結(jié)合單一工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)與并發(fā)工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)，得到工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)結(jié)果。

35、進(jìn)一步地，在步驟s4中，所述模型超參數(shù)優(yōu)化具體為通過改進(jìn)粒子群優(yōu)化算法獲取關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型最優(yōu)超參數(shù)組合，包括以下步驟：

36、步驟s41：初始化參數(shù)，具體為通過構(gòu)建算法初始參數(shù)；所述算法初始參數(shù)，包括粒子數(shù)量n和最大迭代次數(shù)；

37、步驟s42：初始化粒子群，具體是隨機(jī)生成粒子位置，所述粒子位置表示模型超參數(shù)組合；

38、步驟s43：計(jì)算適應(yīng)度值，具體為計(jì)算粒子群中粒子適應(yīng)度值fi，將基于個(gè)體位置建立關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型性能作為個(gè)體的適應(yīng)度值；

39、步驟s44：更新慣性權(quán)重，具體為根據(jù)當(dāng)前迭代次數(shù)調(diào)整慣性權(quán)重，所用公式如下：

40、；

41、式中，表示第t次迭代的慣性權(quán)重，表示慣性權(quán)重的最大值，示慣性權(quán)重的最小值，t表示當(dāng)前迭代次數(shù)；

42、步驟s45：獲取粒子速度控制參數(shù)，具體為自適應(yīng)調(diào)整粒子速度控制參數(shù)，平衡全局搜索和局部收斂能力，所用公式如下：

43、；

44、式中，表示粒子速度控制參數(shù)，表示個(gè)體學(xué)習(xí)因子，用于控制粒子向個(gè)體最優(yōu)位置移動(dòng)的速度，表示群體學(xué)習(xí)因子，用于控制粒子向全局最優(yōu)位置移動(dòng)的速度；

45、步驟s46：更新粒子速度，所用公式如下：

46、；

47、式中，表示第i個(gè)粒子在第t+1迭代中速度，表示第i個(gè)粒子在第t迭代中速度，表示第i個(gè)粒子在第t迭代中位置，表示粒子個(gè)體局部最優(yōu)位置，表示粒子的全局最優(yōu)位置，和表示[0,1]范圍內(nèi)的隨機(jī)數(shù)；

48、步驟s47：更新粒子位置，所用公式如下：

49、；

50、式中，表示第i個(gè)粒子在第t+1迭代中位置；

51、步驟s48：更新粒子個(gè)體局部最優(yōu)位置，所用公式如下：

52、；

53、式中，表示更新后的粒子個(gè)體局部最優(yōu)位置，表示柯西概率分布，表示適應(yīng)度值計(jì)算函數(shù)；

54、步驟s49：更新粒子全局最優(yōu)位置，具體為比較所有粒子的局部最優(yōu)位置的適應(yīng)度值，找到目標(biāo)函數(shù)值最優(yōu)的粒子，更新為全局最優(yōu)位置，若全局最優(yōu)位置在3次迭代中未進(jìn)行更新，則對(duì)全局最優(yōu)位置進(jìn)行位置變異，所用公式如下：

55、；

56、式中，表示變異后的全局最優(yōu)位置；

57、步驟s410：搜索判定，具體為通過構(gòu)建搜索終止條件，進(jìn)行粒子全局最優(yōu)位置的搜索判定，得到粒子全局最優(yōu)位置數(shù)據(jù)設(shè)置；

58、所述搜索終止條件，包括閾值終止和迭代終止；

59、所述閾值終止，具體為設(shè)置適應(yīng)度閾值，當(dāng)所述粒子適應(yīng)度值fi高于適應(yīng)度閾值時(shí)，搜索完成；

60、所述迭代終止，具體指達(dá)到最大迭代次數(shù)時(shí)，終止迭代并獲得粒子全局最優(yōu)位置；

61、所述粒子全局最優(yōu)位置，具體指模型最優(yōu)超參數(shù)組合。

62、進(jìn)一步地，在步驟s5中，所述工業(yè)現(xiàn)場(chǎng)安全全面監(jiān)測(cè)，用于對(duì)工業(yè)現(xiàn)場(chǎng)安全進(jìn)行全面監(jiān)測(cè)和管理；具體是基于所述工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)結(jié)果，實(shí)現(xiàn)智能化工業(yè)現(xiàn)場(chǎng)安全全面監(jiān)測(cè)，確保工業(yè)生產(chǎn)的穩(wěn)定和人員的安全。

63、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的一種智能化工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)模塊、模型超參數(shù)優(yōu)化模塊和工業(yè)現(xiàn)場(chǎng)安全全面監(jiān)測(cè)模塊；

64、所述數(shù)據(jù)采集模塊從工業(yè)現(xiàn)場(chǎng)中，通過采集得到工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)原始數(shù)據(jù)，并將所述工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)原始數(shù)據(jù)發(fā)送至數(shù)據(jù)預(yù)處理模塊；

65、所述數(shù)據(jù)預(yù)處理模塊接收數(shù)據(jù)采集模塊發(fā)送的數(shù)據(jù)，并對(duì)所述工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)過濾、標(biāo)準(zhǔn)化處理、數(shù)據(jù)補(bǔ)全和特征選擇，得到工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)初步數(shù)據(jù)，將所述工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)初步數(shù)據(jù)發(fā)送到工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)模塊；

66、所述工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)模塊接收數(shù)據(jù)預(yù)處理模塊發(fā)送的數(shù)據(jù)，并通過安全標(biāo)準(zhǔn)閾值判斷，實(shí)現(xiàn)工業(yè)現(xiàn)場(chǎng)安全單一危險(xiǎn)監(jiān)測(cè)，通過構(gòu)建關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型并對(duì)模型訓(xùn)練，最后將實(shí)時(shí)安全監(jiān)測(cè)數(shù)據(jù)和所述單一工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)作為訓(xùn)練后模型的輸入數(shù)據(jù)，獲取到多重工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)，結(jié)合單一工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)與并發(fā)工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)，得到工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)結(jié)果，并將所述工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)結(jié)果發(fā)送到工業(yè)現(xiàn)場(chǎng)安全全面監(jiān)測(cè)模塊；

67、所述模型超參數(shù)優(yōu)化模塊通過改進(jìn)粒子群優(yōu)化算法獲取關(guān)聯(lián)事件危險(xiǎn)預(yù)測(cè)模型最優(yōu)超參數(shù)組合，并將所述模型最優(yōu)超參數(shù)組合發(fā)送到工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)模塊；

68、所述工業(yè)現(xiàn)場(chǎng)安全全面監(jiān)測(cè)模塊接收工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)模塊發(fā)送的結(jié)果，基于所述工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)結(jié)果，實(shí)現(xiàn)智能化工業(yè)現(xiàn)場(chǎng)安全全面監(jiān)測(cè)。

69、采用上述方案本發(fā)明取得的有益效果如下：

70、（1）針對(duì)傳統(tǒng)工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)方法中存在主要監(jiān)測(cè)單一的工業(yè)安全風(fēng)險(xiǎn)，忽略了并發(fā)安全風(fēng)險(xiǎn)的技術(shù)問題，本方案創(chuàng)造性地提出工業(yè)現(xiàn)場(chǎng)安全雙重監(jiān)測(cè)的方法，將單一工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)和并發(fā)工業(yè)現(xiàn)場(chǎng)潛在安全風(fēng)險(xiǎn)相結(jié)合，能夠同時(shí)識(shí)別單一安全隱患和及其引發(fā)的連鎖并發(fā)安全風(fēng)險(xiǎn)，從而實(shí)現(xiàn)潛在安全風(fēng)險(xiǎn)的全面預(yù)測(cè)，解決了傳統(tǒng)方法在并發(fā)事件監(jiān)測(cè)方面的不足的技術(shù)問題，不僅提高了風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確性，還減少冗余計(jì)算，顯著增強(qiáng)了工業(yè)現(xiàn)場(chǎng)安全監(jiān)測(cè)的實(shí)時(shí)性、精準(zhǔn)性和可靠性。

71、（2）針對(duì)現(xiàn)有事件危險(xiǎn)預(yù)測(cè)模型中存在的并發(fā)事件監(jiān)測(cè)不足、難以捕捉安全事件的長期變化及潛在風(fēng)險(xiǎn)，以及在面對(duì)復(fù)雜和異常數(shù)據(jù)時(shí)的不穩(wěn)定性的技術(shù)問題，從而導(dǎo)致模型輸出結(jié)果不準(zhǔn)確，本方案創(chuàng)新設(shè)計(jì)時(shí)間序列層內(nèi)部結(jié)構(gòu)激活函數(shù)和雙分支結(jié)構(gòu)，時(shí)間序列層內(nèi)部結(jié)構(gòu)激活函數(shù)能夠有效識(shí)別和響應(yīng)復(fù)雜安全數(shù)據(jù)中的突發(fā)變化，解決了傳統(tǒng)方法在處理異常數(shù)據(jù)時(shí)的不穩(wěn)定性問題，工業(yè)現(xiàn)場(chǎng)全局安全動(dòng)態(tài)提取分支通過全面捕捉時(shí)間變化和長期依賴，克服了傳統(tǒng)方法在長期安全變化監(jiān)測(cè)中的不足，增強(qiáng)了對(duì)潛在長期風(fēng)險(xiǎn)的準(zhǔn)確識(shí)別，工業(yè)現(xiàn)場(chǎng)安全關(guān)鍵事件提取分支通過精準(zhǔn)識(shí)別并發(fā)風(fēng)險(xiǎn)事件，避免了對(duì)無關(guān)數(shù)據(jù)的干擾，有效提升了并發(fā)安全事件的監(jiān)測(cè)能力，顯著增強(qiáng)了模型預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性。

72、（3）針對(duì)傳統(tǒng)的預(yù)測(cè)模型中存在參數(shù)設(shè)置不當(dāng)，參數(shù)優(yōu)化算法存在全局最優(yōu)解獲取能力弱，從而導(dǎo)致最終預(yù)測(cè)結(jié)果不準(zhǔn)確的技術(shù)問題，本方案通過更新慣性權(quán)重、獲取粒子速度控制參數(shù)和全局最優(yōu)位置變異策略，增強(qiáng)全局最優(yōu)解搜索和提升算法魯棒性，從而獲取模型最優(yōu)超參數(shù)組合，提高模型的輸出準(zhǔn)確性，實(shí)現(xiàn)了工業(yè)現(xiàn)場(chǎng)安全的精準(zhǔn)監(jiān)測(cè)。