一种基于数据挖掘的作业行为分析方法及系统与流程

1.本技术涉及冶金、化工行业安全生产相关数据分析应用技术领域，尤其涉及一种基于数据挖掘的作业行为分析方法及系统。


背景技术：

2.冶金、化工等行业的生产过程中常伴随着事物的不安全状态和人的不安全行为等不安全因素，从而导致生产安全事故的发生，而由人的不安全行为导致的生产安全责任事故则占其中的绝大部分。因此，如何监控人的作业行为，防止违章作业是保证企业生产安全的重中之重。企业在生产过程中作业人员的相关作业行为信息不断积累，对各种作业相关数据进行收集、分析、整合和使用极为重要，如何得到用以进行数据分析的数据需要借助一定的技术手段。而数据挖掘技术是目前处理大数据信息的主要手段之一，数据挖掘技术是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的潜在有用的信息。随着数据挖掘技术的发展，其涉及众多科学技术，包括数据库技术、统计学、机器学习、信息科学、数据可视化等科学。大数据技术可以利用海量的低价值密度数据，通过对作业人员位置信息、怠岗情况、违规行为等成像要素抽象出标签化的相应安全对象主体模型，以图表的方式全方位展现安全对象信息，综合评价衡量相关信息，形成作业人员的作业行为画像，为现场安全管理提供依据。
3.智能感知技术是通过摄像头和算法的组合，通过对作业过程的实时监控，智能分析作业人员的行为，通过预设算法自动识别包括抽烟、未佩戴安全帽、非法闯入、超时停留、怠岗睡岗等违规行为，同时将判定后的相关信息经审核后形成作业人员的行为标签，作为其作业安全指数的评判依据。除此之外，结合人员定位系统，实时跟踪人员作业过程中的位置信息，通过历史数据的积累与分析，建立标准化作业模型，自动判断作业人员在作业过程中的位置偏移，及时对异常停留及偏离做出预警。通过多种技术的综合应用，实现现场生产场景下的人员作业行为全方位监控，有效预防违章行为及相关事故的发生。
4.但是现有的安全管理手段很难对人员的作业行为实现完全监控，通常只是通过巡检及结果材料来管理监督作业过程，很难对作业行为的规范化进行监督。


技术实现要素：

5.本技术实施例提供了一种基于数据挖掘的作业行为分析方法及系统，以解决现有的安全管理手段很难对人员的作业行为实现完全监控，通常只是通过巡检及结果材料来管理监督作业过程，很难对作业行为的规范化进行监督的技术问题。
6.本技术第一方面提供了一种基于数据挖掘的作业行为分析方法，包括：
7.获取被监测对象的监测信息，所述被监测对象的监测信息包括：被监测对象的实时位置信息、移动轨迹信息和异常行为信息；
8.获取被监测对象的工作类型；
9.基于被监测对象的工作类型，将所述监测信息进行分类处理；
10.基于分类处理后的被监测对象的监测信息，结合历史数据信息，挖掘异常信息关键词组；
11.基于分类处理后的被监测对象的监测信息进行处理，生成预测模型；
12.获取训练数据，对预测模型进行训练；
13.利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型；
14.将被监测对象的监测信息输入至标准化作业过程模型，生成被监测对象的行为异常信息。
15.在一些实施例中，所述获取被监测对象的监测信息包括：
16.基于uwb定位基站，获取定位卡所在位置，根据所述定位卡所在位置，获取被监测对象的实时位置信息和移动轨迹信息；
17.基于ai摄像头，获取被监测对象的异常行为信息。
18.在一些实施例中，所述基于分类处理后的被监测对象的监测信息，结合历史数据信息，挖掘异常信息关键词组包括：
19.基于分类处理后的被监测对象的监测信息，生成异常信息关键词；
20.将异常信息关键词进行分词处理，生成异常信息关键词组。
21.在一些实施例中，所述利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型包括：
22.将异常信息关键词组进行文本向量化处理，利用训练好的预测模型进行分类，生成画像标签；
23.基于画像标签，生成作业过程模型；
24.基于作业过程模型，结合历史数据信息进行模型训练，生成标准化作业过程模型。
25.在一些实施例中，所述将异常信息关键词组进行文本向量化处理，利用训练好的预测模型进行分类，生成画像标签之前，包括：
26.获取测试数据，对训练好的预测模型进行测试，生成测试结果；
27.根据测试结果，确定是否生成画像标签。
28.在一些实施例中，所述标准化作业过程模型包括：动态标签模型和静态标签模型；
29.其中，所述动态标签模型表示被监测人员的非规范行为，所述静态标签模型表示被监测人员的身份信息。
30.本技术第二方面提供了一种基于数据挖掘的作业行为分析系统，实现上述第一方面任一项所述一种基于数据挖掘的作业行为分析方法，包括：
31.第一获取模块，被配置为获取被监测对象的监测信息，所述被监测对象的监测信息包括：被监测对象的实时位置信息、移动轨迹信息和异常行为信息；
32.第二获取模块，被配置为获取被监测对象的工作类型；
33.分类模块，被配置为基于被监测对象的工作类型，将所述监测信息进行分类处理；
34.挖掘模块，被配置为基于分类处理后的被监测对象的监测信息，结合历史数据信息，挖掘异常信息关键词组；
35.第一生成模块，被配置为基于分类处理后的被监测对象的监测信息进行处理，生成预测模型；
36.训练模块，被配置为获取训练数据，对预测模型进行训练；
37.第二生成模块，被配置为利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型；
38.第三生成模块，被配置为将被监测对象的监测信息输入至标准化作业过程模型，生成被监测对象的行为异常信息。
39.在一些实施例中，所述第一获取模块包括：
40.定位模块，被配置为基于uwb定位基站，获取定位卡所在位置，根据所述定位卡所在位置，获取被监测对象的实时位置信息和移动轨迹信息；
41.行为模块，被配置为基于ai摄像头，获取被监测对象的异常行为信息。
42.本技术实施例提供一种基于数据挖掘的作业行为分析方法及系统，包括：获取被监测对象的监测信息，所述被监测对象的监测信息包括：被监测对象的实时位置信息、移动轨迹信息和异常行为信息；获取被监测对象的工作类型；基于被监测对象的工作类型，将所述监测信息进行分类处理；基于分类处理后的被监测对象的监测信息，结合历史数据信息，挖掘异常信息关键词组；基于分类处理后的被监测对象的监测信息进行处理，生成预测模型；获取训练数据，对预测模型进行训练；利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型；将被监测对象的监测信息输入至标准化作业过程模型，生成被监测对象的行为异常信息，以实现通过安全管理手段对人员的作业行为实现完全监控。
附图说明
43.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
44.图1为本技术中基于数据挖掘的作业行为分析方法原理示意图；
45.图2为本技术中基于数据挖掘的作业行为分析系统的结构示意图；
46.图3为本技术中基于数据挖掘的作业行为分析流程图；
47.图4为本技术中作业行为现场数据采集的原理示意图；
48.图5为本技术中作业过程安全管理架构的流程图；
49.图6为本技术中静态标签的结构示意图；
50.图7为作业行为安全相关性的示例图。
51.附图标记说明：
52.1-第一获取模块；11-定位模块；12-行为模块；2-第二获取模块；3-分类模块；4-挖掘模块；5-第一生成模块；6-训练模块；7-第二生成模块；8-第三生成模块。
具体实施方式
53.为了使本技术领域的人员更好地理解本技术中的技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护
的范围。
54.由于在一些技术中，安全管理手段很难对人员的作业行为实现完全监控，通常只是通过巡检及结果材料来管理监督作业过程，很难对作业行为的规范化进行监督，为了解决该技术问题，本技术提供了一种基于数据挖掘的作业行为分析方法及系统，下面对基于数据挖掘的作业行为分析方法及系统进行说明：
55.由图1可知，本技术第一方面提供了一种基于数据挖掘的作业行为分析方法，包括：获取被监测对象的监测信息，所述被监测对象的监测信息包括：被监测对象的实时位置信息、移动轨迹信息和异常行为信息；获取被监测对象的工作类型；如工种信息；基于被监测对象的工作类型，将所述监测信息进行分类处理；根据被监测对象的工种信息，将被监测对象规划于其所在工种领域进行监测；基于分类处理后的被监测对象的监测信息，结合历史数据信息，挖掘异常信息关键词组；基于分类处理后的被监测对象的监测信息进行处理，生成预测模型；获取训练数据，对预测模型进行训练；利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型；将被监测对象的监测信息输入至标准化作业过程模型，生成被监测对象的行为异常信息。
56.由图3所示，本技术针对作业行为分析的五个个阶段，首先是针对被监测对象进行目标解读：进行作业行为分析的目标是为了提升对被监测人员及作业过程的安全管理力度，细化安全管理维度，实现全方位的安全管理能力，能够宏观展现，微观钻取。因此，首先需要明确建设目标和效果预期，进而有针对性的开展实施工作。
57.在该实施例中，现有安全管理手段很难对人员的作业行为实现监控，通常只是通过巡检及结果材料来管理作业过程，很难对作业行为的规范化进行监督。本技术借助物联网、智能感知及大数据技术，通过收集并整合相关数据并进行数据建模，形成标准化作业模型，自动监控并判断人员作业行为，并形成作业人员行为画像，为企业安全生产管理提供有效支撑。所采用的技术方案是：围绕冶金、化工行业安全生产领域数据采集及分析应用，从作业人员相关属性、作业过程位置信息、作业状态、行为规范性等多方面全面分析作业行为，从而为作业人员的精准安全监管提供数据支撑。通过智能感知、物联网、大数据分析等手段从作业人员自身、作业行为、作业环境、作业状态等维度对作业人员建立起整体认识。
58.由图4可知，所述获取被监测对象的监测信息包括：基于uwb定位基站，获取定位卡所在位置，根据所述定位卡所在位置，获取被监测对象的实时位置信息和移动轨迹信息；基于ai摄像头，获取被监测对象的异常行为信息。
59.如图4所示，主要是对作业现场数据采集的过程及原理进行示意，作业行为分析需要采集现场视频监控及人员作业过程中的位置信息等非结构化数据，现场通过ai摄像头对作业过程及员工作业行为进行监控和捕捉，通过uwb定位技术(包括定位基站及定位卡)实现人员位置信息的实时采集及轨迹跟踪。通过被监测人员佩戴定位卡来获取到被监测人员的实时位置信息。
60.在该实施例中，所述基于分类处理后的被监测对象的监测信息，结合历史数据信息，挖掘异常信息关键词组包括：基于分类处理后的被监测对象的监测信息，生成异常信息关键词；如抽烟、未佩戴安全帽、非法闯入、超时停留、怠岗睡岗等违规行为；将异常信息关键词进行分词处理，生成异常信息关键词组。分词处理包括过滤停用词，合并近义词，将异常信息关键词中意思较为相近的进行合并，以生成被监测对象的行为异常信息时，方便监
测人员进行查看。
61.在该实施例中，所述利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型包括：将异常信息关键词组进行文本向量化处理，利用训练好的预测模型进行分类，生成画像标签；基于画像标签，生成作业过程模型；基于作业过程模型，结合历史数据信息进行模型训练，生成标准化作业过程模型。
62.如图5所示，详细展示了数据采集到标签生成再到行为分析的全流程，通过大数据集群底层组件提供的非结构化文件抽取、数据表抽取、数据表存储等构件，实现作业相关过程信息的分布式存储。根据已经提取并存储的数据，生成动态标签。首先选择朴素贝叶斯算法做分类，提供训练数据，使用该算法进行模型训练；其次获取测试数据，对训练好的模型进行测试，保障预测模型的准确性；然后对已获取的网络信息等进行分词，过滤停用词，合并近义词；之后对分好词的文本向量化，利用训练好的预测模型进行分类，并将最终分好类的类别作为画像标签；通过建模方法建立作业过程模型，结合历史数据进行模型训练，得到标准化作业过程模型；作业过程中通过视频监控及人员定位系统对作业行为进行实时监测，并与标准化作业过程模型进行对照，及时发现作业行为异常。
63.在该实施例中，所述将异常信息关键词组进行文本向量化处理，利用训练好的预测模型进行分类，生成画像标签之前，包括：获取测试数据，对训练好的预测模型进行测试，生成测试结果；根据测试结果，确定是否生成画像标签。在生成画像标签之前，会先利用测试数据对训练好的预测模型进行测试，通过测试结果确定是否在往下进行，从而提高生成后的被监测对象的行为异常信息的准确性。
64.在该实施例中，所述标准化作业过程模型包括：动态标签模型和静态标签模型；其中，所述动态标签模型表示被监测人员的非规范行为，所述静态标签模型表示被监测人员的身份信息。所述动态标签模型具体表示被监测人员的抽烟、未佩戴安全帽、非法闯入、超时停留、怠岗睡岗等违规行为；所述静态标签模型一般标注的是被监测人员的真实信息，如图6所示，通过对被监测人员的相关静态属性进行分析，可得到一定的作业行为规律。
65.如图7所示为申请提供的基于数据挖掘的作业行为系统及方法在实际场所应用的原理图，通过获取到被监测人员的实时位置信息与运动轨迹信息和标准化作业流程相对比，生成被检测人员的行为异常信息，在结合获取到的被监测人员的异常行为信息以及被监测人员属性和监视设备中查看到的被检测人员的工作状态，得出被监测人员作业结果反馈。
66.由图2可知，本技术第二方面提供了一种基于数据挖掘的作业行为分析系统，实现上述任一实施例中的所述一种基于数据挖掘的作业行为分析方法，包括：第一获取模块1，被配置为获取被监测对象的监测信息；第二获取模块2，被配置为获取被监测对象的工作类型；分类模块3，被配置为基于被监测对象的工作类型，将所述监测信息进行分类处理；挖掘模块4，被配置为基于分类处理后的被监测对象的监测信息，结合历史数据信息，挖掘异常信息关键词组；第一生成模块5，被配置为基于分类处理后的被监测对象的监测信息进行处理，生成预测模型；训练模块6，被配置为获取训练数据，对预测模型进行训练；第二生成模块7，被配置为利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型；第三生成模块8，被配置为将被监测对象的监测信息输入至标准化作业过程模型，生成被监测对象的行为异常信息。上述系统在执行上述方法是各部分的作用效果可参见上述
方法实施例，在此不予赘述。
67.由图2可知，所述第一获取模块1包括：定位模块11，被配置为基于uwb定位基站，获取定位卡所在位置，根据所述定位卡所在位置，获取被监测对象的实时位置信息和移动轨迹信息；行为模块12，被配置为基于ai摄像头，获取被监测对象的异常行为信息。上述系统在执行上述方法是各部分的作用效果可参见上述方法实施例，在此不予赘述。
68.本技术的有益效果是，通过作业人员作业行为分析的应用提升安全管理部门的管理效率，强化对企业的生产安全管理力度，细化管理维度，建立全方位的管理能力；通过作业行为分析辅助管理人员及时发现异常状态，同时提醒作业人员及时发现自身问题，防止违章行为及其事故后果的发生。
69.以上的具体实施方式，对本技术实施例的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本技术实施例的具体实施方式而已，并不用于限定本技术实施例的保护范围，凡在本技术实施例的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本技术实施例的保护范围之内。

技术特征：
1.一种基于数据挖掘的作业行为分析方法，其特征在于，包括：获取被监测对象的监测信息，所述被监测对象的监测信息包括：被监测对象的实时位置信息、移动轨迹信息和异常行为信息；获取被监测对象的工作类型；基于被监测对象的工作类型，将所述监测信息进行分类处理；基于分类处理后的被监测对象的监测信息，结合历史数据信息，挖掘异常信息关键词组；基于分类处理后的被监测对象的监测信息进行处理，生成预测模型；获取训练数据，对预测模型进行训练；利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型；将被监测对象的监测信息输入至标准化作业过程模型，生成被监测对象的行为异常信息。2.根据权利要求1所述的一种基于数据挖掘的作业行为分析方法，其特征在于，所述获取被监测对象的监测信息包括：基于uwb定位基站，获取定位卡所在位置，根据所述定位卡所在位置，获取被监测对象的实时位置信息和移动轨迹信息；基于ai摄像头，获取被监测对象的异常行为信息。3.根据权利要求1所述的一种基于数据挖掘的作业行为分析方法，其特征在于，所述基于分类处理后的被监测对象的监测信息，结合历史数据信息，挖掘异常信息关键词组包括：基于分类处理后的被监测对象的监测信息，生成异常信息关键词；将异常信息关键词进行分词处理，生成异常信息关键词组。4.根据权利要求1所述的一种基于数据挖掘的作业行为分析方法，其特征在于，所述利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型包括：将异常信息关键词组进行文本向量化处理，利用训练好的预测模型进行分类，生成画像标签；基于画像标签，生成作业过程模型；基于作业过程模型，结合历史数据信息进行模型训练，生成标准化作业过程模型。5.根据权利要求4所述的一种基于数据挖掘的作业行为分析方法，其特征在于，所述将异常信息关键词组进行文本向量化处理，利用训练好的预测模型进行分类，生成画像标签之前，包括：获取测试数据，对训练好的预测模型进行测试，生成测试结果；根据测试结果，确定是否生成画像标签。6.根据权利要求1所述的一种基于数据挖掘的作业行为分析方法，其特征在于，所述标准化作业过程模型包括：动态标签模型和静态标签模型；其中，所述动态标签模型表示被监测人员的非规范行为，所述静态标签模型表示被监测人员的身份信息。7.一种基于数据挖掘的作业行为分析系统，实现上述任一项权利要求1至6中的所述一种基于数据挖掘的作业行为分析方法，其特征在于，包括：第一获取模块(1)，被配置为获取被监测对象的监测信息，所述被监测对象的监测信息
包括：被监测对象的实时位置信息、移动轨迹信息和异常行为信息；第二获取模块(2)，被配置为获取被监测对象的工作类型；分类模块(3)，被配置为基于被监测对象的工作类型，将所述监测信息进行分类处理；挖掘模块(4)，被配置为基于分类处理后的被监测对象的监测信息，结合历史数据信息，挖掘异常信息关键词组；第一生成模块(5)，被配置为基于分类处理后的被监测对象的监测信息进行处理，生成预测模型；训练模块(6)，被配置为获取训练数据，对预测模型进行训练；第二生成模块(7)，被配置为利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型；第三生成模块(8)，被配置为将被监测对象的监测信息输入至标准化作业过程模型，生成被监测对象的行为异常信息。8.根据权利要求7所述的一种基于数据挖掘的作业行为分析系统，其特征在于，所述第一获取模块(1)包括：定位模块(11)，被配置为基于uwb定位基站，获取定位卡所在位置，根据所述定位卡所在位置，获取被监测对象的实时位置信息和移动轨迹信息；行为模块(12)，被配置为基于ai摄像头，获取被监测对象的异常行为信息。

技术总结
本申请提供一种基于数据挖掘的作业行为分析方法及系统，包括：获取被监测对象的监测信息；获取被监测对象的工作类型；基于被监测对象的工作类型，将所述监测信息进行分类处理；结合历史数据信息，挖掘异常信息关键词组；基于分类处理后的被监测对象的监测信息进行处理，生成预测模型；获取训练数据，对预测模型进行训练；利用训练好的预测模型对异常信息关键词组进行分类，生成标准化作业过程模型；将被监测对象的监测信息输入至标准化作业过程模型，生成被监测对象的行为异常信息，以解决目前的安全管理手段很难对人员的作业行为实现完全监控，通常只是通过巡检及结果材料来管理监督作业过程，很难对作业行为的规范化进行监督的问题。监督的问题。监督的问题。


技术研发人员：张瑞楠
受保护的技术使用者：山信软件股份有限公司
技术研发日：2023.05.23
技术公布日：2023/7/18