基于事理图谱的化工异常事件检测方法及系统技术方案

本发明专利技术公开了基于事理图谱的化工异常事件检测方法及系统，其中方法包括：获取待检测的化工事故报告；对待检测的化工事故报告进行预处理，得到待检测化工事故报告的文本向量；根据待检测化工事故报告的文本向量和训练后的图注意力网络模型，确定待检测化工事故报告对应的事故类型和案例类型；其中，所述图注意力网络模型，是基于事理图谱训练得到的。以更加准确的预测事故发生的类型，并快速进行对其提供应急处置方案。提供应急处置方案。提供应急处置方案。

【技术实现步骤摘要】
基于事理图谱的化工异常事件检测方法及系统


[0001]本专利技术涉及化工异常事件检测
，特别是涉及基于事理图谱的化工异常事件检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]化工生产过程具有易燃易爆、副产毒性强、工艺风险高等特性，往往生产过程中的一个“微小”失误事件，即可能演化成火灾、爆炸、中毒等重大事故。海因里希法则认为任何事故的发生都不是一个孤立的事件，而是一系列事件相继发生的结果。这些“小事件”频繁发生在生产现场却常常被人忽视，当这些不安全因素产生汇聚时，将会引发更大的事件、甚至事故，严重时可能造成灾难性的后果，如重大经济损失、人员伤亡、环境污染，甚至会波及到相邻工厂，引发多米诺效应。因此，如果能够准确发现可能演化为事故的异常事件，并能正确分析其可能的事故演化态势，将在保障生产安全、降低事故发生概率等方面具有重要意义。
[0004]对化工异常事件的分析和判定往往借助专家经验。当化工生产过程发生异常事件时，专家根据历史相似事件的处置经验，对异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于事理图谱的化工异常事件检测方法，其特征是，包括：获取待检测的化工事故报告；对待检测的化工事故报告进行预处理，得到待检测化工事故报告的文本向量；根据待检测化工事故报告的文本向量和训练后的图注意力网络模型，确定待检测化工事故报告对应的事故类型和案例类型；其中，所述图注意力网络模型，是基于事理图谱训练得到的。2.如权利要求1所述的基于事理图谱的化工异常事件检测方法，其特征是，对待检测的化工事故报告进行预处理，得到待检测化工事故报告的文本向量；具体包括：对待检测的化工事故报告进行分词处理；对分词处理结果，进行去掉停用词处理；对去掉停用词的处理结果，进行词干提取处理，得到若干个词干；对于提取的每个词干，生成每个词干向量；求取所有词干向量的平均值，将所述平均值作为待检测化工事故报告的文本向量。3.如权利要求1所述的基于事理图谱的化工异常事件检测方法，其特征是，所述图注意力网络模型，包括：依次连接的第一图注意力网络和第二图注意力网络。4.如权利要求1所述的基于事理图谱的化工异常事件检测方法，其特征是，所述事理图谱，获取过程包括：构建训练集和测试集；所述训练集和测试集，均包括M个已知事故类型和每类事故所包含的若干种案例类型；根据每个事故类型，和每个事故类型对应的若干种案例类型，构建每个事故类型对应的子图，得到案例事理网络层；对所有的父节点，按照致灾因子、承灾体、事故类型和事故后果的事故链路线，结合事故发生的因果关系以及事故演化过程进行连线，得到概念事理网络层；案例事理网络层和概念事理网络层合并后，得到事理图谱。5.如权利要求4所述的基于事理图谱的化工异常事件检测方法，其特征是，构建子图的过程中，将每个事故类型作为父节点，将当前事故类型所对应的所有案例类型作为子节点，根据父节点与子节点之间是否存在包含关系进行连线。6.如权利要求1所述的基于事理图谱的化工异常事件检测方法，其特征是，训练后的图注意力网络模型，具体训练过程包括：获取M个已知事故类型和每类事故所包含的若干种案例类型；其中，M为正整数；对每个事故类型构建子图，得到M个子图；对每个事故类型下的事故报告进行向量提取，得到若干个文本向量；...

【专利技术属性】
技术研发人员：杜军威，隋建飞，李浩杰，胡强，江峰，于旭，陈卓，梁宏涛，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：