基于ai智能图像的工控火电现场爆炸风险评估*

郑雪娜，沈国杰，马鹏宇，罗宗荣

(重庆大学 城市科技学院，重庆 402167)

0 引言

火电建设企业以安装管道仪表、调试大型设备、钢结构为主，属于高风险、高投入、高技术的行业[1]。火电建设企业通常以热工调试、汽机安装、电气安装和锅炉安装为主体，简称为热、机、电、炉4大部分，各个部分之间互相协调但又互相独立[2]。为了满足国家提出的减排和节能要求，火电现场需要采取对应的措施，建立少排放、大容量、低消耗和高参数的机组[3]。火电现场涉及的单位较多、规模较大、技术复杂且建设周期较长，承担的风险较大，一旦发生爆炸，容易造成人员伤亡和财产损失。因此，火电现场的安全工作是重中之重[4]。当前，火电现场爆炸风险评估方法存在评估效率低和评估结果准确率低的问题，需要对工控火电现场爆炸风险评估方法进行研究[5]。

郭二果等[6]提出了1种火电厂环境风险评估模型，该方法基于火电厂环境风险评估实际工作经验总结,从风险源识别、危害分析以及风险防范措施改进角度提出电厂环境风险评估的技术要点,在此基础之上进行火电厂环境风险评估模型设计，但该方法选取的评估指标合理性低，得到的评估结果准确率低；吴庭吉等[7]提出了1种火电厂环境风险的评估技术，该方法采用人工识别现场图片的信息，进而利用火电厂环境风险评估模型对火电厂环境以及可能会造成的危害进行模拟，最后根据结果对火电厂的环境风险进行评估，该方法评估所用的时间较长，存在评估效率低的问题；孟宪良等[8]提出了1种基于层次化、差异化的工控火电现场爆炸风险评估方法，火电工程项目的风险评价指标体系的构建需先对火电工程的风险要素进行识别,在此基础上,根据风险评价指标体系的构建原则对火电工程项目施工方风险评价体系进行构建,为火电工程项目的风险评价奠定基础，但是该方法得到的评估结果与实际不符，存在评估结果准确率低的问题。针对上述问题，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。

1 基于ai智能图像的工控火电现场爆炸风险评估

1.1 工控火电现场ai智能图像识别

基于ai智能图像的工控火电现场爆炸风险评估方法对火电现场图像的空间进行转化，通过匹配结构元得到火电现场图像结构元和颜色的映射子图，通过连通粒属性得到对应的特征向量[9-10]，采用加权合并方法对特征向量进行融合，获得工控火电现场ai智能图像中的特征信息，完成工控火电现场ai智能图像的识别[11-12]。将M×N大小的工控火电现场图像的颜色空间进行转换[13]，将HSV颜色空间转换为RGB颜色空间，量化为C(x,y)，1≤x≤M，1≤y≤N。

将火电现场图像分为若干个2×2的图像块，进行结构元匹配，获得[M/2×N/2]大小的映射子图，用T(i,j)表示映射子图，在区间[0,8]内取值[14-15]，当T(i,j)=s时，Ts(i,j)=1，得到特征向量Ys为：

(1)

通过分层提取方法得到T(i,j)映射子图中第s层的结构元连通性特征Js：

Js={Ns,Ms,Ss,Os}

(2)

式中：Ns为连通粒数；Ms为连通粒的平均面积；Ss为场景连通粒；O为对象连通粒。通过结构元连通性特征Js得到颜色连通性特征KL={NL,ML,SL,OL}。

计特征向量Ys、结构元连通性特征Js、颜色连通性特征KL得到映射子图的权重wi：

wi=l·f(bi)

(3)

式中：i=1,2,3；l为基准函数；f(bi)为向量在全局特征中的重要程度。对权重wi进行归一化处理，加权合并为工控火电现场ai智能图像的特征信息H，通过特征信息H完成工控火电现场ai智能图像的识别：

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

(4)

式中：Norm(·)为归一化处理。

1.2 工控火电现场爆炸风险评估

在工控火电现场ai智能图像识别结果的基础上[13]，通过层次分析法和问卷调查法获取风险评估指标，构建风险级别集合，通过两两比较法得到工控火电现场爆炸风险评估指标的权重，构建工控火电现场爆炸风险评估模型，对工控火电现场爆炸的风险进行评估。

结合问卷调查法和层次分析法得到工控火电现场爆炸风险的评估指标，分别为设施、设备管理，安全生产管理制度，安全技术管理和人员、机构、资质管理[16]。

设U1为设施、设备管理，其表达式如下：

U1={u11,u12,u13,u14}

(5)

式中：u11为测试工具管理；u12为设备安全管理；u13为防护管理和安全设施；u14为装备安全控制。

设U2为安全生产管理制度，其表达式如下：

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

(6)

式中：u21为安全生产责任制度；u22为安全生产资金保障制度；u23为事故报告处理制度；u24为安全检查制度；u25为培训制度。

设U3为安全技术管理，表达式如下：

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

(7)

式中：u31为对工艺和安全设备的选用；u32为危险源控制；u33为操作规程和技术标准规范；u34为施工组织设计；u35为安全技术；u36为专业安全技术方案。

设U4为资源管理，其表达式如下：

U4={u41,u42,u43,u44}

(8)

式中：u41为供应单位管理；u42为从业人员资格和企业资质；u43为人员资格管理和分包资质；u44为安全生产管理机构。

设Ri为工控火电现场爆炸风险评估指标的风险级别集合[17-18]，其表达式如下：

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

(9)

式中：R1，R2，R3，R4，R5代表的级别分别是“很低”、“低”、“中”、“高”、“很高”。

通过两两比较法得到工控火电现场爆炸风险评估指标的权重，设A代表的判断矩阵，其表达式如下：

A=(Ui)n×n

(10)

评估指标的权重ωi的计算公式如下：

(11)

在工控火电现场ai智能图像识别结果的基础上，结合风险级别集合Ri和指标权重得到工控火电现场爆炸风险评估模型RT：

(12)

将上述所求参数带入模型公式中，求出RT偏度系数，当系数高于2时，风险较大，反之风险较小。

2 实验结果与分析

为了验证基于ai智能图像的工控火电现场爆炸风险评估方法的整体有效性，需要对基于ai智能图像的工控火电现场爆炸风险评估方法进行测试，本次测试的实验平台为Mulan，操作系统为Windows10.0。基于模糊聚类排序的工控火电现场爆炸风险评估方法(方法1)和基于广义断面的工控火电现场爆炸风险评估方法(方法2)是2种传统的评估方法，将本文提出的基于ai智能图像的工控火电现场爆炸风险评估方法(方法3)与这2种方法进行对比测试。3种评估方法所用的评估时间如图1所示。

图1 3种方法的评估时间Fig.1 Evaluation time for three different methods

对比3种不同方法的测试结果可知，基于ai智能图像的工控火电现场爆炸风险评估方法所用的评估时间较少，该方法缩短了识别图像所用的时间，提高了评估效率。

评估指标的合理性决定了工控火电现场爆炸风险评估结果的准确率。采用3种方法分别进行测试，评估指标为设备管理、安全生产管理制度、安全技术管理和资质管理。对比3种不同方法选择的评估指标的偏度系数，指标的偏度系数越接近于零，指标的合理性越高，测试结果如图2所示。

图2 本文方法和文献方法的指标偏度系数对比Fig.2 Comparison of index skewness coefficients between methods and literature methods

对比3种不同方法的测试结果可知，基于ai智能图像的工控火电现场爆炸风险评估方法选择的评估指标偏度系数更接近于零，因为基于ai智能图像的工控火电现场爆炸风险评估方法结合问卷调查法和层次分析法对评估指标进行选取，提高了指标的合理性，验证基于ai智能图像的工控火电现场爆炸风险评估方法的评估结果准确率较高。

3 结论

1)经过对比实验结果可知本文方法识别图像所用的时间短。证明了本文方法提高了评估效率，可在较短的时间内完成工控火电现场爆炸的风险评估。

2)本文基于ai智能图像的工控火电现场爆炸风险评估方法选择的评估指标偏度系数更接近于零，说明所提方法合理性较高，即评估结果准确率较高。