一种以监测数据驱动的综合管廊运维动态风险评价方法技术

本发明专利技术公开了一种以监测数据驱动的综合管廊运维动态风险评价方法，包括（1）根据管廊运维风险分类建立风险评价指标、以及根据历史图纸对管廊构件和设备分类，再通过FMEA风险分析建立风险评价机制；（2）对传感监测数据进行分析实现数据与SOD评分标准之间的转换；（3）通过逆向云发生器实生成专家评价云和传感监测云；（4）通过风险数据迭代更新动态风险云，迭代修正评价数据；（5）以动态风险云为输入通过云模型灰关联算法获得风险排序；（6）建立综合管廊运维风险知识图谱；（7）通过综合管廊运维风险知识图谱进行风险查询及对应维护知识推理。本发明专利技术辅助发现潜在风险，前置风险控制介入时间，提高运维风险管理能力，进而降低风险处理成本。

【技术实现步骤摘要】
一种以监测数据驱动的综合管廊运维动态风险评价方法
本专利技术属于管廊运维风险评估领域，具体涉及一种以监测数据驱动的综合管廊运维动态风险评价方法。
技术介绍
地下综合管廊在运营过程中易发生管线老化、泄漏及廊体沉降变形等病害，导致严重的运行及经济后果。对风险进行识别和评价，为运维风险管理提供决策依据，可有效降低风险发生概率。目前，建筑运维风险评价多以专家评分等静态数据为数据源，结合故障树、多属性决策、层次分析法等方法。然而与传统建筑形式不同，管廊由多个独立运行的管线系统构成，其内部风险关系错综复杂，其次同一舱室内往往安置多种类型管线，管线间存在耦合风险，因此需要在风险评价之初纳入对风险源分析的考量。此外管廊运行状态变化尤为频繁，专家评价不利于及时捕捉风险状态，缺乏时效性。失效模式及影响分析（FailureModeandEffectsAnalysis，简称FMEA）方法从严重度(Severity)、发生度(Occurrence)、检知度(Detection)(下文简称SOD)三个维度描述风险，相较其他评价方法，具备较好的风险源分析能力。近年来，部分学者将云模型和FMEA结合应用，以处理客观风险和主观评价的不确定性，进一步扩展了FMEA的风险分析能力。Hu-ChenLiu等采用云模型应对FMEA语言评价中存在的模糊性和随机性，弥补FMEA固有不确定性缺陷。XinlongLi等将FMEA的属性评价结果转化为云模型，提出一种基于云模型的风险评估方法，有效分析数控机床失效风险。然而，FMEA虽能描述复杂风险源，却难以捕捉动态风险变化。近年来，随着大数据时代的到来，通过动态数据反映风险的动态变化在众多领域得到应用。ShabtaiIsaac和TsahEdrei提出一种统计模型，通过利用实时工人行为、风险区域等数据来计算施工安全风险，以在工人施工安全风险升高的情况下主动提供警报。XianguoWu等提出一种基于动态贝叶斯的系统决策方法，旨在为隧道路面损伤随时间变化的动态风险安全分析提供指导。唐超等将监测数据根据报警值转化为相应的风险概率,采用施工阶段变形与应力监测数据为风险评估参数,建立了地铁深基坑施工阶段风险评估方法。可见，通过动态数据捕捉动态风险，可实现具时效性的风险评价，然而综合管廊领域目前缺乏相关研究。另外，现有研究未考虑评价结果的后续应用，基于风险评价的风险管理方法仍需完善。近年来，随着建筑信息化的推进，部分学者将知识管理技术应用于建筑领域，以提升建筑信息数据价值。其中，知识图谱以图数据的形式描述知识，简洁易读且具备良好的算法可扩展性，相较传统数据库，磁盘读/写操作和数据访问效率也有大幅提高，因此近年来基于知识图谱技术开发相关应用系统逐渐成为研究热点。MatternHannah等人使用基于知识图谱的图数据模型，用于描述和管理BIM模型导出的信息，并借助该图数据库开发系统以辅助早期设计。SabriQamerUddin等人结合图论与CBR、精确图匹配和非精确图匹配技术，开发了一个系统，帮助建筑师在早期设计阶段检索相似的平面图，以辅助设计。AliIsmail等人提出了一种将IFC模型自动转换为IFC元图和对象图数据库的工作流程，研究和论证了利用图论概念和图数据库来管理、可视化和分析基于IFC标准的BIM模型的巨大信息和复杂关系的潜力。而管廊风险关系复杂，管廊运维相关知识和数据来源广泛，引入能较好表达不同类型知识内部及知识间的语义关系的知识图谱，结合风险分析结果，能提供更为准确立体的风险决策辅助与对策措施方案。
技术实现思路
本专利技术的目的在于提供一种以监测数据驱动的综合管廊运维动态风险评价方法，该方法通过管廊运维风险评价机制，结合专家评价实现管廊复杂风险源分析；引入传感监测数据作为评价数据，捕捉管廊动态风险，采用云模型处理数据不确定性，实现动态风险评价，建立综合管廊运维风险知识图谱，提供风险可视化分析和维护知识推理，进而辅助发现潜在风险，前置风险控制介入时间，提高运维风险管理能力，进而降低风险处理成本。为实现上述目的，本专利技术采用如下技术方案：一种以监测数据驱动的综合管廊运维动态风险评价方法，包括如下步骤：（1）建立管廊FMEA风险评价机制：根据管廊运维风险分类建立风险评价指标、以及根据历史图纸对管廊构件和设备分类，再以风险评价指标、管廊构件和设备分类通过FMEA风险分析建立基于SOD评分标准的风险评价机制；（2）将传感监测数据接入风险评价机制：对传感监测数据进行分析实现传感监测数据与SOD评分标准之间的转换；（3）评价云生成：通过逆向云发生器实现评价数据到云模型的不确定性转换，生成专家评价云和传感监测云；逆向云发生器：；式中，Ex为期望，代表风险程度的典型值，En为熵，代表风险的离散程度，He为超熵，代表风险的不确定性度量，当输入数据为专家评价值时，N为专家个数，xi为第i个专家的评价值，为专家评价均值，s为专家评价标准差；当输入数据为传感监测报警次时，N为监测点数量，xi为第i个监测点报警次数对应发生度评价值，为监测点报警次数对应发生度评价值的均值，s为监测点报警次数对应发生度评价值的标准差；专家评价云：Cp=(ExpO,EnpO,HepO,ExpS,EnpSHepS,ExpD,EnpD,HepD)，Cp为专家评价云，ExpO为专家评价O评分的期望，EnpO为专家评价O评分的熵，HepO为专家评价O评分的超熵，ExpS为专家评价S评分的期望，EnpS为专家评价S评分的熵，HepS为专家评价S评分的超熵，ExpD为专家评价D评分的期望，EnpD为专家评价D评分的熵，HepD为专家评价D评分的超熵；传感监测云：Cm=(ExmO,EnmO,HemO,ExmS,EnmSHemS,ExmD,EnmD,HemD)，Cm为传感监测云，ExmO为传感监测数据转化为O评分的期望，EnmO为传感监测数据转化为O评分的熵，HemO为传感监测数据转化为O评分的超熵，ExmS为传感监测数据转化为S评分的期望，EnmS为传感监测数据转化为S评分的熵，HemS为传感监测数据转化为S评分的超熵，ExmD为传感监测数据转化为D评分的期望，EnmD为传感监测数据转化为D评分的熵，HemD为传感监测数据转化为D评分的超熵；（4）风险数据迭代：通过风险数据迭代将持续更新的传感监测云与原数据的接入，更新动态风险云，迭代修正评价数据；其中，迭代第t次的动态风险云：；式中，Exd(t)为迭代第t次的动态风险云的期望，End(t)为迭代第t次的动态风险云的熵，Hed(t)为迭代第t次的动态风险云的超熵，Exd(t-1)为迭代第t-1次的动态风险云的期望，End(t-1)为迭代第t-1次的动态风险云的熵，Hed(t-1)为迭代第t-1次的动态风险云的超熵，Exs(t)为迭代第t次的传感监测云的期望，Ens(t)为迭代第t次的传感监测云的熵，Hes(t)为迭代第t次的传感监测云的超熵；（5）风险排序：以动态风险云为输入通过云模型灰关联算法获得风险排序；（6）本文档来自技高网...

【技术保护点】
1.一种以监测数据驱动的综合管廊运维动态风险评价方法，其特征在于包括如下步骤：/n（1）建立管廊FMEA风险评价机制：根据管廊运维风险分类建立风险评价指标、以及根据历史图纸对管廊构件和设备分类，再以风险评价指标、管廊构件和设备分类通过FMEA风险分析建立基于SOD评分标准的风险评价机制；/n（2）将传感监测数据接入风险评价机制：对传感监测数据进行分析实现传感监测数据与SOD评分标准之间的转换；/n（3）评价云生成：通过逆向云发生器实现评价数据到云模型的不确定性转换，生成专家评价云和传感监测云；/n逆向云发生器：

【技术特征摘要】
1.一种以监测数据驱动的综合管廊运维动态风险评价方法，其特征在于包括如下步骤：
（1）建立管廊FMEA风险评价机制：根据管廊运维风险分类建立风险评价指标、以及根据历史图纸对管廊构件和设备分类，再以风险评价指标、管廊构件和设备分类通过FMEA风险分析建立基于SOD评分标准的风险评价机制；
（2）将传感监测数据接入风险评价机制：对传感监测数据进行分析实现传感监测数据与SOD评分标准之间的转换；
（3）评价云生成：通过逆向云发生器实现评价数据到云模型的不确定性转换，生成专家评价云和传感监测云；
逆向云发生器：；
式中，Ex为期望，代表风险程度的典型值，En为熵，代表风险的离散程度，He为超熵，代表风险的不确定性度量，当输入数据为专家评价值时，N为专家个数，xi为第i个专家的评价值，为专家评价均值，s为专家评价标准差；当输入数据为传感监测报警次时，N为监测点数量，xi为第i个监测点报警次数对应发生度评价值，为监测点报警次数对应发生度评价值的均值，s为监测点报警次数对应发生度评价值的标准差；
专家评价云：Cp=(ExpO,EnpO,HepO,ExpS,EnpSHepS,ExpD,EnpD,HepD)，Cp为专家评价云，ExpO为专家评价O评分的期望，EnpO为专家评价O评分的熵，HepO为专家评价O评分的超熵，ExpS为专家评价S评分的期望，EnpS为专家评价S评分的熵，HepS为专家评价S评分的超熵，ExpD为专家评价D评分的期望，EnpD为专家评价D评分的熵，HepD为专家评价D评分的超熵；
传感监测云：Cm=(ExmO,EnmO,HemO,ExmS,EnmSHemS,ExmD,EnmD,HemD)，Cm为传感监测云，ExmO为传感监测数据转化为O评分的期望，EnmO为传感监测数据转化为O评分的熵，HemO为传感监测数据转化为O评分的超熵，ExmS为传感监测数据转化为S评分的期望，EnmS为传感监测数据转化为S评分的熵，HemS为传感监测数据转化为S评分的超熵，ExmD为传感监测数据转化为D评分的期望，EnmD为传感监测数据转化为D评分的熵，HemD为传感监测数据转化为D评分的超熵；
（4）风险数据迭代：通过风险数据迭代将持续更新的传感监测云与原数据的接入，更新动态风险云，迭代修正评价数据；
其中，迭代第t次的动态风险云：

；
式中，Exd(t)为迭代第t次的动态风险云的期望，End(t)为迭代第t次的动...

【专利技术属性】
技术研发人员：龙丹冰，赵一静，杨成，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51