對于工業生產企業而言，由于業務連續性強、系統復雜，大量生產設備相互聯系、耦合緊密，而且具有功率大、運轉速度高的特點。安全生產更是保證從業人員的人身安全與健康，設備和設施免受損壞，環境免遭破壞，保證生產經營活動得以順利進行的必要條件。
對于石油石化行業屬于危險、危害因素眾多的高危行業，安全生產形勢依然十分嚴峻。
人工智能在安全生產領域的作用顯著提升
以人工智能技術為手段，精準把握 “高精度質量檢測，大范圍安全管理”的行業需求，應用機器視覺、體態識別、異常行為分析預警等人工智能技術，在安全防范、監管實施、質量檢測和生產流程管理方面，實現實時監控、自動發現問題、主動預警，提高了過去依靠肉眼或“遠水救不了近火”的窘境，確保生產安全高效、勞動力分配得當、保持低成本優勢，為協助工業企業“降本增效、安全生產”，等等智能化應用，已經逐漸在工業生產安全領域發揮著重要作用，改變了以往安全管理工作“事后處理”的模式，轉向對危險的預先識別、分析和控制的科學化管理方式，最終實現事先控制，預防為主，關口前移，防患于未然的目的。
通常情況下，石化企業歷年來已分期分批投建了視頻監控系統，基本實現每個生產裝置和重點部位都已安裝監控攝像機。傳統機器視覺檢測(如比對法)解決了人工目檢的一些做不了、做不好以及人做成本高的問題。但依然存在安全隱患：
1、現場作業監管過程中，由于人力、物力等各種原因，各環節相關管理人員有時會無法到施工現場監督監護、審核確認作業票證，或到了現場也是象征性的停留很短時間，最終難以滿足當前作業許可制度規范的要求。
2、盡管已經實現了對作業票證的電子審批全過程管理，但是在施工現場工人的不規范行為、設備設施的違規使用等方面也很難進行監管，即使有視頻監控，一般也僅絕限于在控制室進行人工識別監控，甚至僅能監控到主要生產裝置及要害部位，不能實現在任何生產區域發生不規范作業時進行監控的要求。
3、對承包商的勞務人員的監管也非常重要，在承包商施工人員進入現場前，實行了安全教育培訓、職業技能審查等工作，但是真正到現場施工時，也存在換人替代等安全隱患。
與傳統機器視覺檢測方法相比，基于人工智能的檢測方法將在減少對光照、擺放位置、傳輸速率等外在因素依賴程度，尤其是對一些較難識別的行為動作的大量圖像進行神經網絡學習，在充分訓練的情況下，將為各種行為動作和物體的主要和非主要特征提供更高的識別準確率。
人工智能如何在安全生產領域落地
通過建立一套安全作業智能監控管理系統，來加強作業現場的監控管理力度，同時落實屬地管理的管理方法，及時發現各生產環節的安全隱患，以便于能夠及時分析和處理隱患，最終實現安全生產。
具體的應用場景如下：
1、基于人工智能的安全作業智能監控系統與作業許可票證管理系統相結合，實現對現場作業的全過程的實時監控，實現對施工作業現場的監護人、票證審核人、作業申請人以及承包商派駐的施工人員進行智能識別、身份驗證的監控管理，同時也可監控作業區域內是否有人的危險行為動作、是否有未授權人或物的越界等不規范行為的發生。
2、運用基于人工智能的機器視覺識別技術，代替傳統的人工視覺識別方式，實現自動智能識別預警功能。
3、能夠通過客戶端管理軟件系統實時查看各監控點視頻圖像，對關鍵監控點的遠程視頻進行調用、預警、廣播通知。
4、通過系統可以通過視頻回放查看該屬地下近期進行的各種作業情況，隱患情況，視頻報警的處理情況。
5、實現分級網絡架構，上級監控中心能夠查看和管理所轄范圍內的所有視頻圖像。
基于AI的安全生產智能監控系統如何設計
基于人工智能的安全作業智能監控系統承擔著石化企業安全指揮控制、通訊聯絡、數據采集、上傳和共享的重任，是企業安全生產和管理信息化的關鍵和紐帶，其設計原則必須保證整個系統具備可靠性高、穩定性強、技術先進、人機界面友好、操作簡單、維護方便、方便升級等特點。
1、滿足集團化監控管理應用的需要，能夠完全考慮未來公司近期、中期、遠期發展，提出具體建設時間表，提供高效、優質的全系統技術支持服務。
2、保護既有投資，對原有已經安裝和使用過監控設備，在新系統建設中盡可能的采用兼容方式處理，從而實現建設的資源節省和設備運轉周期加長。
3、石化廠區屬于高危險區域，所以有源設備均要采用符合國家標準的防爆設備，既要提高廠區內的安全級別又能滿足視頻圖像采集的要求。
4、系統操作簡單，可輕松的控制系統的各種設備，操作形象、簡單，無須記憶各個煩瑣功能。并且控制面板和媒體播放器和視頻回放查詢集成在同一客戶端軟件界面，監控系統終端通過同單一軟件就可以實現所有操作，方便客戶端的操作。
5、接口開放，可以與其它相關系統無縫對接。
基于人工智能的安全生產監控管理系統區別于傳統的安防系統，不僅僅在于視頻監控，更多地以深度神經網絡計算機視覺AI技術為核心，用機器視覺代替人力肉眼的監管，真正做到解放人力、24小時無縫無死角監管，大大節省人力資源的同時，使得處置手段更為高效化和多樣化。
傳統的機器學習技術往往使用原始形式來處理自然數據，模型的學習能力受到很大的局限，構成一個模式識別或機器學習系統往往需要相當的專業知識來從原始數據中(如圖像的像素值)提取特征，并轉換成一個適當的內部表示。
而深度學習則具有自動提取特征的能力，它是一種針對表示的學習。深度學習允許多個處理層組成復雜計算模型，從而自動獲取數據的表示與多個抽象級別。這些方法大大推動了語音識別，視覺識別物體，物體檢測，藥物發現和基因組學等領域的發展。通過使用BP算法，深度學習有能力發現在大的數據集的隱含的復雜結構。
安全生產管理 從行政管理到數據驅動的進化
事實證明，物聯網、大數據和人工智能等新興技術無疑是當下企業實現全方位的安全生產管理的有力抓手，相比“制度管理”其可以通過可預知的投入獲得可衡量的收益。當然，這些新興技術也給傳統安全生產管理者帶來了困惑，就是如何在安全生產管理體系中去應用它們。寄云科技提出“數據驅動安全生產管理”，通過層次化的思維，在統一的工業互聯網平臺之上，分別從設備、生產和經營三個層面入手，落地安全生產管理解決方案。
基于數據驅動的設備可靠性管理。在設備層面，方案構建設備數字孿生模型，將資產、組織、過程、工藝的數據進行了模型化，形成了不同層次的管理對象，實現指標、從屬關系、數據源等屬性的配置，從而將接入平臺的設備基礎數據有效的管理起來。在這些基礎數據之上，方案為企業關鍵生產設備開發預測性維護應用，實現故障率的降低，提高設備的可靠性。
基于數據驅動的生產關鍵工藝流程管理。在生產層面，方案采集生產過程中的各類數據，通過精細化的多維度、長周期、以工藝為基礎結合人工智能的數據分析，來提高生產成品的收率。對于生產中需要監控的各種關鍵指標，方案根據指標的各種特征，通過模型計算出相應的監控指標，設定監控策略，并對違背策略的異常進行告警。
基于數據驅動的安全風險管控決策和應急指揮。方案建立全效應急指揮和安全生產機制，基于大數據全面感知安全風險態勢，結合事故頻度、單位等特征統計分析，預測可能發生的重大突發事件;統一組態視角，打通控制系統信息化壁壘，實現實時的生產運行監控;系統還實現業務管理分級預警、報警功能，環保管理等。
數據是貫穿設備、生產和經營三個層面的血脈。方案通過采集設備數據、生產數據、外部數據等，構建融合的“數據中心”。基于這個融合的“數據中心”，實現統一的設備運行狀態的監測，并能夠結合大數據、人工智能手段實現關鍵設備的預測性維護，以及生產過程優化等應用，并在此基礎上實現整體經營層面的全局管理，最終達到提升安全生產管理水平的目的。
京公網安備 11010502049343號