智能监控如何来实现

对于工业生产企业而言，由于业务连续性强、系统复杂，大量生产设备相互联系、耦合紧密，而且具有功率大、运转速度高的特点。安全生产更是保证从业人员的人身安全与健康，设备和设施免受损坏，环境免遭破坏，保证生产经营活动得以顺利进行的必要条件。

对于石油石化行业属于危险、危害因素众多的高危行业，安全生产形势依然十分严峻。

以人工智能技术为手段，精准把握 “高精度质量检测，大范围安全管理”的行业需求，应用机器视觉、体态识别、异常行为分析预警等人工智能技术，在安全防范、监管实施、质量检测和生产流程管理方面，实现实时监控、自动发现问题、主动预警，提高了过去依靠肉眼或“远水救不了近火”的窘境，确保生产安全高效、劳动力分配得当、保持低成本优势，为协助工业企业“降本增效、安全生产”，等等智能化应用，已经逐渐在工业生产安全领域发挥着重要作用，改变了以往安全管理工作“事后处理”的模式，转向对危险的预先识别、分析和控制的科学化管理方式，最终实现事先控制，预防为主，关口前移，防患于未然的目的。

通常情况下，石化企业历年来已分期分批投建了视频监控系统，基本实现每个生产装置和重点部位都已安装监控摄像机。传统机器视觉检测（如比对法）解决了人工目检的一些做不了、做不好以及人做成本高的问题。但依然存在安全隐患：

1、现场作业监管过程中，由于人力、物力等各种原因，各环节相关管理人员有时会无法到施工现场监督监护、审核确认作业票证，或到了现场也是象征性的停留很短时间，最终难以满足当前作业许可制度规范的要求。

2、尽管已经实现了对作业票证的电子审批全过程管理，但是在施工现场工人的不规范行为、设备设施的违规使用等方面也很难进行监管，即使有视频监控，一般也仅绝限于在控制室进行人工识别监控，甚至仅能监控到主要生产装置及要害部位，不能实现在任何生产区域发生不规范作业时进行监控的要求。

3、对承包商的劳务人员的监管也非常重要，在承包商施工人员进入现场前，实行了安全教育培训、职业技能审查等工作，但是真正到现场施工时，也存在换人替代等安全隐患。

与传统机器视觉检测方法相比，基于人工智能的检测方法将在减少对光照、摆放位置、传输速率等外在因素依赖程度，尤其是对一些较难识别的行为动作的大量图像进行神经网络学习，在充分训练的情况下，将为各种行为动作和物体的主要和非主要特征提供更高的识别准确率。

通过建立一套安全作业智能监控管理系统，来加强作业现场的监控管理力度，同时落实属地管理的管理方法，及时发现各生产环节的安全隐患，以便于能够及时分析和处理隐患，最终实现安全生产。

具体的应用场景如下：

1、基于人工智能的安全作业智能监控系统与作业许可票证管理系统相结合，实现对现场作业的全过程的实时监控，实现对施工作业现场的监护人、票证审核人、作业申请人以及承包商派驻的施工人员进行智能识别、身份验证的监控管理，同时也可监控作业区域内是否有人的危险行为动作、是否有未授权人或物的越界等不规范行为的发生。

2、运用基于人工智能的机器视觉识别技术，代替传统的人工视觉识别方式，实现自动智能识别预警功能。

3、能够通过客户端管理软件系统实时查看各监控点视频图像，对关键监控点的远程视频进行调用、预警、广播通知。

4、通过系统可以通过视频回放查看该属地下近期进行的各种作业情况，隐患情况，视频报警的处理情况。

5、实现分级网络架构，上级监控中心能够查看和管理所辖范围内的所有视频图像。

基于AI的安全生产智能监控系统如何设计

基于人工智能的安全作业智能监控系统承担着石化企业安全指挥控制、通讯联络、数据采集、上传和共享的重任，是企业安全生产和管理信息化的关键和纽带，其设计原则必须保证整个系统具备可靠性高、稳定性强、技术先进、人机界面友好、操作简单、维护方便、方便升级等特点。

1、满足集团化监控管理应用的需要，能够完全考虑未来公司近期、中期、远期发展，提出具体建设时间表，提供高效、优质的全系统技术支持服务。

2、保护既有投资，对原有已经安装和使用过监控设备，在新系统建设中尽可能的采用兼容方式处理，从而实现建设的资源节省和设备运转周期加长。

3、石化厂区属于高危险区域，所以有源设备均要采用符合国家标准的防爆设备，既要提高厂区内的安全级别又能满足视频图像采集的要求。

4、系统操作简单，可轻松的控制系统的各种设备，操作形象、简单，无须记忆各个烦琐功能。并且控制面板和媒体播放器和视频回放查询集成在同一客户端软件界面，监控系统终端通过同单一软件就可以实现所有操作，方便客户端的操作。

5、接口开放，可以与其它相关系统无缝对接。

基于人工智能的安全生产监控管理系统区别于传统的安防系统，不仅仅在于视频监控，更多地以深度神经网络计算机视觉AI技术为核心，用机器视觉代替人力肉眼的监管，真正做到解放人力、24小时无缝无死角监管，大大节省人力资源的同时，使得处置手段更为高效化和多样化。

传统的机器学习技术往往使用原始形式来处理自然数据，模型的学习能力受到很大的局限，构成一个模式识别或机器学习系统往往需要相当的专业知识来从原始数据中（如图像的像素值）提取特征，并转换成一个适当的内部表示。

而深度学习则具有自动提取特征的能力，它是一种针对表示的学习。深度学习允许多个处理层组成复杂计算模型，从而自动获取数据的表示与多个抽象级别。这些方法大大推动了语音识别，视觉识别物体，物体检测，药物发现和基因组学等领域的发展。通过使用BP算法，深度学习有能力发现在大的数据集的隐含的复杂结构。

事实证明，物联网、大数据和人工智能等新兴技术无疑是当下企业实现全方位的安全生产管理的有力抓手，相比“制度管理”其可以通过可预知的投入获得可衡量的收益。当然，这些新兴技术也给传统安全生产管理者带来了困惑，就是如何在安全生产管理体系中去应用它们。寄云科技提出“数据驱动安全生产管理”，通过层次化的思维，在统一的工业互联网平台之上，分别从设备、生产和经营三个层面入手，落地安全生产管理解决方案。

基于数据驱动的设备可靠性管理。在设备层面，方案构建设备数字孪生模型，将资产、组织、过程、工艺的数据进行了模型化，形成了不同层次的管理对象，实现指标、从属关系、数据源等属性的配置，从而将接入平台的设备基础数据有效的管理起来。在这些基础数据之上，方案为企业关键生产设备开发预测性维护应用，实现故障率的降低，提高设备的可靠性。

基于数据驱动的生产关键工艺流程管理。在生产层面，方案采集生产过程中的各类数据，通过精细化的多维度、长周期、以工艺为基础结合人工智能的数据分析，来提高生产成品的收率。对于生产中需要监控的各种关键指标，方案根据指标的各种特征，通过模型计算出相应的监控指标，设定监控策略，并对违背策略的异常进行告警。

基于数据驱动的安全风险管控决策和应急指挥。方案建立全效应急指挥和安全生产机制，基于大数据全面感知安全风险态势，结合事故频度、单位等特征统计分析，预测可能发生的重大突发事件;统一组态视角，打通控制系统信息化壁垒，实现实时的生产运行监控;系统还实现业务管理分级预警、报警功能，环保管理等。

数据是贯穿设备、生产和经营三个层面的血脉。方案通过采集设备数据、生产数据、外部数据等，构建融合的“数据中心”。基于这个融合的“数据中心”，实现统一的设备运行状态的监测，并能够结合大数据、人工智能手段实现关键设备的预测性维护，以及生产过程优化等应用，并在此基础上实现整体经营层面的全局管理，最终达到提升安全生产管理水平的目的。

来源：智安物联网