电厂员工不安全行为识别及预警系统的设计

2022-01-06周宏斌周鹏飞

数字通信世界 2021年12期

周宏斌，马琳，张峰，周鹏飞，李翔

（华电淄博热电有限公司，山东淄博 255054）

0 引言

电力生产是国家经济发展的重要命脉，其安全性对人民生活和工业生产有着直接影响。电力生产涉及众多繁琐的过程包含非常密集的电力设备，并且人员活动频繁，有多种复杂因素影响其安全性，包括工作环境、安全管理、设备稳定性、员工安全意识等，其中人为因素由于存在不确定性和不可预知性，对电力安全生产的威胁较大，由于员工的不安全行为导致电网设备故障以及人员伤亡，不仅会给电力企业造成巨大的损失，还会产生非常恶劣的影响。因此，在电力企业管理当中，需要对员工行为进行有效控制，降低安全生产风险，最大限度的确保电力系统的安全运行。电厂员工不安全行为识别及预警系统是基于人体行为识别算法，实现对电厂员工行为的实时监控，识别不去安全行为并及时作出报警，实现电厂智能化控制功能，提升电力生产的安全性。

1 电力企业安全生产的重要性

电力企业是国家经济发展的支柱型产业，电厂安全稳定运行不仅关系国家经济建设，而且关系到每一个人的日常生活。传统电厂的安全管理主要依靠人工完成，缺乏科学管理措施和方法，严重阻碍了电力企业在生产方面的安全管理和健康发展，再加上部分管理者自身重视程度不足，在安全生产控制方面上存在诸多问题，无法得到有效处理，导致安全事故频发，致使电力企业成为一项高风险行业。在国家经济快速发展的大背景下，电力企业安全生产的重要性越来越突出，不仅关系着电力企业自身的发展，更影响着每一个人的切身利益，下文对电力企业安全生产的重要性进行分析：

1.1 电力企业发展的重要性

电力企业安全生产对企业自身的良性发展有着决定性作用。安全生产不仅可以保安全可靠的电力供应，降低电力设备的维修成本，而且还可以帮助电力企业提升服务质量，取得更好的经济效益。

1.2 电力生产的重要性

电力企业由众多输电线路、用电设备和发电机组组成，自动化程度较高，每个环节都相互影响，如果其中任何一个环节出现安全隐患，都有可能带来连锁反应，导致电力设备损坏或者造成大面积停电。因此，安全生产是电力企业所面临的重要课题。

1.3 员工行为的重要性

电厂生产环境复杂，员工行为容易受到外界因素的影响，人员操作技术不当以及安全防范意识薄弱，都会影响到电力企业的安全生产。尤其是在复杂环境下，安全隐患无法及时排除，不仅会对员工人身安全造成严重的威胁，而且还会造成严重的生产事故。因此，提高员工安全行为管理，规范员工操作，减少不安全因素对电力生产造成的影响是十分必要的。

电力企业员工不安全行为识别及预警是电网安全管理的重要内容，对电力企业风险规避、人员保护和经济效益提升有着非常显著的作用。在系统研发过程中，通过采集电厂员工不安全行为特征，建立系统完善的电厂员工不安全行为预警模型，对员工进行科学有效的风险管理。并且通过完善电厂安全应急救援管理体系，最大限度地降低上生产事故造成的危害。当电力企业出现重大事故后，积极有效的应急预案和调配活动，可以帮助电力企业迅速恢复到正常运营状态。在现代科学技术的推动下，电力企业生产管理逐渐向着自动化、智能化的方向转变，先进的生产设备降低了故障发生的概率，因此，人为因素导致的事故将是电力企业安全管理的核心。通过科学合理的监控设备以及网络通信平台，对电厂员工的行为进行有效甄别，最大程度的避免不安全行为的发生，减少人员伤亡以及财产损失，为电力企业健康、稳定、可持续发展提供有力支持。

2 电厂员工不安全行为识别及预警系统设计

安全生产是电力企业生产管理的核心内容，员工行为则是影响安全生产的重要因素。电力企业需要重视员工安全行为管理，借助现代化技术建立系统完善的员不安全行为识别和预警机制，为电力企业安全生产保驾护航。电厂员工不安全行为识别及预警系统，融合了互联网技术、神经网络技术以及现代化通信技术，主要是对进入监控范围内的员工进行实时监控，具备人员识别、跟踪、检测等功能，同时，可以通过数据库对员工行为进行预判，如果存在不安全操作可以进行报警，从而实现智能化控制的功能，最大限度地避免员工不安全行为的发生。下面就对电厂员工不安全行为识别及预警系统设计进行详细分析：

2.1 员工不安全行为的界定

在电力生产过程中由于员工不安全行为、设备故障是导致生产事故发生的主要诱因，其中员工不安全行为在可管控事故中占比较高。电厂员工不安全行为包括：不正确佩戴安全帽、不正确使用安全带、移动中使用通信设备、与带电设备安全距离不够、开关室内单人作业、翻越（倚靠、坐立）栏杆、跨越皮带、在运行的皮带上工作等。检测出目标人体后，根据电厂关注的具体几个危险行为如：危险操作，翻越护栏，高空抛物，摔倒受伤，违禁吸烟，未佩戴安全帽等。针对分割出的检测的图像，由电厂专家针对部分样本图片进行标注，判断是否为不安全行为。若是不安全行为，则将图片标注为不安全行为，若不是，则标注为安全行为。根据图像标注结果，将标注的不安全行为图片存储至典型不安全行为库中，将安全行为存储至正常行为库，便于后期不安全行为的识别界定。

2.2 行为特征提取

特征是一幅图像中能够引起人们注意的特点，也是视觉监控系统的核心。对同一个运动目标在任何场景环境中提取的特征都应该是相同的。特征提取是计算机数字图像处理中的重要基础，对每一个像素点，获得目标的特征信息。输入图像作为特征提取的操作对象和信息源，然后通过对兴趣区域的处理获得图像内目标前景的各种特征信息。从目标图像中提取出来的特征信息被称为特征描述。图像特征一般包括：形状特征、颜色特征、纹理特征和空间关系特征。利用深度学习方法对人体行为进行识别，提取人员行为特征。

2.2.1 TLSTM-Atten神经网络

利用自注意力机制自适应地感知，对识别结果有较大影响的关节权重，使模型能够根据行为序列的前后关系实现更精确的识别。神经网络预测之前需要借助训练使网络具有联想记忆和预测的能力。神经网络模型包括网络层数和隐含层节点数，其中隐含层数又划分为单隐含层与多隐含层。多隐含层泛化能力较强，预测精准度高，但是需要耗费大量的训练时间。因此，在网络精度要求不高的情况下，可以选择但隐含层，节省训练时间。

2.2.2 帧间差分法

帧间差分法是在图像序列中，将相邻两帧图像或相隔几帧的两幅图像的像素值相减并且阈值化来提取图像中的运动区域。其主要优点是算法实现简单，但对场景光线的变化不太敏感，受目标阴影的影响也不太大。问题是“当目标表面存在大的灰度均匀的区域时，在目标的上述区域产生”空洞“，目标运动速度越大，检测出的区域就比实际的区域越大，而当目标运动很缓时，往往检测到得区域很小，甚至无法检测到目标运动。

2.2.3 运动目标检测法

基于电厂已有实时视频画面，把视频中的运动部分分割出目标图像来，然后把分割的图像送到识别的窗口中进行识别人体，判断是否为行人。利用深度学习方法时刻监视行人目标的状态信息，包括：行人出现、消失、移动的位置、大小变换和速度等属性，检测识别出人体目标后，再对该目标持续不断的追踪，直到完全消失。运动目标检测常用的方法：背景减除法，帧间差分法、光流法级统计学方法。

根据上述方法所提取的行为特征，再结合其标注是否不安全行为，利用SVM、xgBoost等机器学习算法进行建模训练，对未标注图像所提取的特征进行分类标签化，将不同姿势的特征各自划分至各自特征类中。依据人体行为特征分类，将人员不安全行为所提取的特征存储至人体不安全行为特征库中，以为后续行为识别使用。人员不安全行为特征库建立流程图如图1所示：

图1 人员不安全行为特征库

2.3 建立安全事故知识库

安全事故知识库系统采用电力行业安全知识和信息化标准知识库体系相结合的方式进行构建。既包含了数据的采集、编录、审核、发布、又包含了按照电力行业使用倾向性的个性化发布、共享、查询方式。不同的知识库作为安全事故知识库的二级分类，风险大数据设计包括：编目、查询、接口服务，提供对事故案例致因剖析库、人机风险预控措施库的安全风险数据库管理。提取安全事故案例、防控措施、安全规定三大类风险数据库特征，形成风险大数据库核心元数据。提取本质安全事故案例、风险防控措施、安全规定相关表单资源以及其相关特征信息，形成业务内容的元数据。

电力企业员工不安全行为识别及预警系统，围绕员工行为、工作环境、信息共享等方面进行综合设计，包括不安全行为预测、报警、行为规范等机制。通过甄别员工不安全行为与电力生产之间的关联性，规范员工操作改进电力生产安全管理现状，将电力生产运营由危险迅速转变为安全状态，确保电力设备正常运行。在电力企业生产过程中，系统会对复杂的作业环境进行预测，判断工作环境是否存在引发事故的外在因素。预测是消除员工不安全行为的关键步骤，可以通过有效预测确保电力企业的安全生产规避不安全行为的发生。针对员工产生不安全行为的因素进行实时监测，科学识别和诊断报警。此外，员工不安全行为识别及预警系统，可以对可能出现的事故危险源展开有效的识别和警告，最大限度地确保电厂安全生产。该系统还可以针对电厂企业员工生产过程中出现的不安全行为，进行有效的矫正，当员工生产存在不安全状态，系统借助矫正机制能过快速促使电厂员工恢复正常工作状态。当出现危险状况或者由于不安全因素，导致员工出现不安全行为时，系统可以快速甄别问题产生的原因，并立即推送应急措施，有效规避事故的发生。电力企业员工不安全行为识别及预警系统运行过程中可以对员工行为进行有效管控，预警机制则承担着警示和规范的作用，不仅可以实现员工不安全行为的超前反馈，预防风险于未然，而且当电力企业出现灾害事故时，该系统在应急救援中可以提供有效的信息，对救援工作起到有效的引导和指挥作用。