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，对异常事件进行分析和演化趋势判定，从而形成异常事件处置方案。此类方法，由于现场环境复杂性，事件演化的多样性和专家经验的差异，给方案的形成带来很大的不确定性风险。如何能将历史事故的处置经验形成可复用的专家知识，借助于信息技术与人工智能方法进行全面分析和判定，是分析当前事故隐患、发现异常事件的可能事故演化的重要途径。
[0005]已有的异常事件检测和分析方法多是基于事故分析模型的，如故障树分析(FTA)、事件树分析(ETA)、蝴蝶结分析法(Bow
‑
Tie)、危险与可操作性分析法(HAZOP)等，这些分析法或是基于单个事故的成因分析或是基于某个装置、设备的安全分析结果——难以形成大量历史案例的归类和汇总。因此，无论是基于贝叶斯网络、随机网络、神经网络等技术发现的异常事件检测、事故推演和情景分析，都仅仅只是以事故为单位的检索和分析，没有形成事故的汇聚分析，因而，不能充分表达多源信息的事件，也难以充分挖掘相似事件的隐含信息，构建的场景不能够全面捕获历史案例的变化和演化，因而对异常事件的检测和演化分析中存在准确性和完整性不足的问题。
[0006]除多数基于事故分析模型方法外，还存在基于图谱构建模型。例如：中国专利技术专利，公开号CN110968699A
‑
一种基于事理推荐的逻辑图谱构建及预警方法和装置和中国专利技术专利，公开号CN108052576A
‑
一种事理知识图谱构建方法及系统等。
[0007]中国专利技术专利，公开号CN110968699A
‑
一种基于事理推荐的逻辑图谱构建及预警方法和装置，该专利在构建图谱方面：根据指定的事件之间的逻辑关系类型进行事理抽取，根据事件抽取结果建立事理图谱。所述事理图谱优点既关注事件外部之间的演化逻辑关系，又关注事件本身丰富的属性信息。但该专利缺少事件抽象层面的顶层结构设计，只是事故案例的图谱。
[0008]中国专利技术专利，公开号CN108052576A
‑
一种事理知识图谱构建方法及系统，该专利构建事理知识图谱由宏观事件层、微观知识层和事理知识本体层构成，虽然采用了本体、微观、宏观的分层结构化网络关系，但是构建的事理图谱在本体层、微观层和事件层是相互分离，信息不连通难以发现事件间深层次的共性。

技术实现思路

[0009]为了解决现有技术的不足，本专利技术提供了基于事理图谱的化工异常事件检测方法及系统；提出基于事理图谱的异常事件检测，通过事理图谱的概念图谱抽象技术汇聚相似事件，通过案例图谱形成每个事故案例的具体成因和演化表达，既而不仅能够发现异常事件的共性信息，又能表示不同案例的个性变化形式，为能准确检测异常事件的历史共性和不同情景演化提供了基础知识组织形式。基于此历史事故案例的知识组织形式，本专利技术提供一种融合整体事故演化的过程关系的异常事件检测方法，可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。
[0010]第一方面，本专利技术提供了基于事理图谱的化工异常事件检测方法；
[0011]基于事理图谱的化工异常事件检测方法，包括：
[0012]获取待检测的化工事故报告；
[0013]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；
[0014]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；
[0015]其中，所述图注意力网络模型，是基于事理图谱训练得到的。
[0016]第二方面，本专利技术提供了基于事理图谱的化工异常事件检测系统；
[0017]基于事理图谱的化工异常事件检测系统，包括：
[0018]获取模块，其被配置为：获取待检测的化工事故报告；
[0019]预处理模块，其被配置为：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；
[0020]预测模块，其被配置为：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；
[0021]其中，所述图注意力网络模型，是基于事理图谱训练得到的。
[0022]第三方面，本专利技术还提供了一种电子设备，包括：
[0023]存储器，用于非暂时性存储计算机可读指令；以及
[0024]处理器，用于运行所述计算机可读指令，
[0025]其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
[0026]第四方面，本专利技术还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
[0027]第五方面，本专利技术还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
[0028]与现有技术相比，本专利技术的有益效果是：
[0029]1、该方法根据专家经验，设计一个描述了化工事件之间的演化规律和模式的事理图谱。此图谱为后续化工事理演化、异常事件检测提供基础；
[0030]2、基于GAT的融合图模型，在进行化工事故演化推理的同时考虑了图节点事件之间的顺承、因果、条件和上下位等事理逻辑关系，为后续的检索、演化推理、分类决策提供优质数据基础，提高了分类的准确率；
[0031]3、该方法充分挖掘数据中的隐含信息，高效的表达多元信息事件和敏感信息，有助于增强化工异常事件的表示以及融合周围节点信息的潜力；
[0032]4、该模型对于给定异常事件做到高效匹配事理图谱节点，快速准确提供异常事件相近历史案例，为其后续提供演化分析和应急处置提供基础。
[0033]5、本专利在事件演化结构的基础上，构建既包含事件演化关系又包含事件抽象关系的分层事理图谱网络结构；同时，本专利在检索方面本文档来自技高网...

【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：