海洋油气田生产与作业隐患风险辨识及评价方法技术

本发明专利技术属于石油工程领域，具体地，涉及海洋油气田生产与作业隐患风险辨识及评价方法。海洋油气田生产与作业隐患风险辨识及评价方法，包括分析并确定隐患数据的风险特征项体系、隐患数据特征项抽取、隐患数据特征项分类、确定隐患数据的风险值计算特征项、风险值计算五个步骤，其中，隐患数据特征项抽取分为隐患特征项标注、特征项抽取模型建立、模型训练、数据预测四个步骤，隐患数据特征项分类分为隐患数据特征项分类体系建立、隐患特征项类别标注、隐患特征项分类模型建立、隐患特征项分类模型训练、隐患特征项分类预测五个步骤，确定隐患数据的风险值计算特征项分为计算发生概率特征项、计算后果评价特征项两个步骤。计算后果评价特征项两个步骤。计算后果评价特征项两个步骤。

【技术实现步骤摘要】
海洋油气田生产与作业隐患风险辨识及评价方法


[0001]本专利技术属于石油工程领域，具体地，涉及海洋油气田生产与作业隐患风险辨识及评价方法。

技术介绍

[0002]隐患排查治理、隐患数据中风险的辨识与评价是海上石油生产安全的重要保障，每年都会产生大量的海上石油生产隐患数据。但隐患数据大多数以文本形式的自然语言记录。目前，基于隐患数据的风险辨识与评价主要以人工方式进行，效率低，时间成本高，缺乏标准化、规范化、系统化的分析方法，已成为制约海上生产与作业隐患治理工作提质增效的重要因素。

技术实现思路

[0003]为克服现有方法存在的缺陷，本专利技术提供海洋油气田生产与作业隐患风险辨识及评价方法。
[0004]为实现上述目的，本专利技术采用下述技术方案：
[0005]步骤1：分析并确定隐患数据的风险特征项体系，具体为：确定隐患数据的特征项，用特征项代替隐患数据，将隐患数据划分为物的不安全状态、管理上的缺陷、人的不安全行为、环境的不安全状态四类，其中物的不安全状态划分为位置、种类、状态、后果四个特征项，管理上的缺陷划分为对象、缺陷、后果三个特征项，人的不安全行为划分为人员、作业、行为、后果四个特征项，环境的不安全状态划分为位置、根源、后果三个特征项；确定隐患数据的风险值计算特征项，将隐患数据的风险值计算特征项划分为发生概率值、后果估计值两个特征项。
[0006]步骤2：隐患数据特征项抽取，具体包括以下步骤：
[0007]步骤2.1：进行隐患特征项标注，对物的不安全状态、管理上的缺陷、人的不安全行为、环境的不安全状态四类隐患数据各进行一定数量的标注，具体为：对于物的不安全状态类隐患，将隐患数据中位置、种类、状态、后果四个特征项对应的内容进行标注；对于管理上的缺陷类隐患，将隐患数据中对象、缺陷、后果三个特征项对应的内容进行标注；对于人的不安全行为类隐患，将隐患数据中人员、作业、行为、后果四个特征项对应的内容进行标注；对于环境的不安全状态类隐患，将隐患数据中位置、根源、后果三个特征项对应的内容进行标注。
[0008]步骤2.2：进行特征项抽取模型建立，具体为：将特征项抽取视为命名实体识别任务，通过建立机器学习或深度学习算法模型，实现特征项抽取模型建立，所采用的的机器学习或深度学习模型包括但不限于隐马尔科夫算法、条件随机场、双向长短时记忆网络、卷积神经网络。
[0009]步骤2.3：进行模型训练，具体为：将步骤2.1标注的数据输入步骤2.2建立的特征项抽取模型，进行训练；
[0010]步骤2.4：进行数据预测，具体为：将未标注的隐患数据输入步骤2.3训练好的模型，实现特征项自动抽取。
[0011]步骤3：隐患数据特征项分类，并用隐患数据特征项分类结果代替原特征项，实现隐患数据特征项形式标准化、统一化和深度分析，具体包括以下步骤：
[0012]步骤3.1：隐患数据特征项分类体系建立，具体为：对于物的不安全状态类隐患数据，将状态特征项划分为被遮挡压盖、不合理放置、功能异常、非正常使用、完整性受损、缺失、疏于维护保养七类；对于管理上的缺陷类隐患数据，将缺陷特征项划分为执行落实不彻底、建立不符合相关要求、未建立、未执行落实四类；对于人的不安全行为类隐患数据，将行为特征项划分为违规作业、违章指挥两类；对于环境的不安全状态类隐患数据，将根源特征项划分为积水、空气、空间限制、缺少必要设备设施、能源供应异常、湿度、温度、噪声、照明九类；将物的不安全状态、管理上的缺陷、人的不安全行为、环境的不安全状态四类隐患数据的后果特征项划分为影响工作或应急活动、违法违规、人员伤亡、环境污染、财产损失、设备设施损坏六类。
[0013]步骤3.2：进行隐患特征项类别标注，根据步骤3.1建立的隐患数据特征项分类体系，对物的不安全状态类隐患的状态和后果特征项、管理上的缺陷类隐患的缺陷和后果特征项、人的不安全行为类隐患的行为和后果特征项、环境的不安全状态类隐患的根源和后果特征项各进行一定数量的标注。
[0014]步骤3.3：进行隐患特征项分类模型建立，具体为：将隐患特征项分类视为文本分类任务，通过建立机器学习或深度学习分类算法模型，实现特征项抽取模型建立，所采用的的机器学习或深度学习模型包括但不限于支持向量机、随机森林算法、双向长短时记忆网络、卷积神经网络。
[0015]步骤3.4：进行隐患特征项分类模型训练，具体为：将步骤3.1标注的数据输入步骤3.3建立的隐患特征项分类模型，进行训练；
[0016]步骤3.5：进行隐患特征项分类预测，具体为：将未标注的隐患数据输入步骤3.4训练好的模型，实现特征项自动分类。
[0017]步骤4：确定隐患数据的风险值计算特征项，具体包括以下步骤：
[0018]步骤4.1：计算发生概率特征项，采用关联规则挖掘算法，具体为：对于一条具体的物的不安全状态类隐患数据，首先计算该隐患数据的位置和种类特征项的支持度以及位置、种类和状态特征项的支持度。
[0019]计算该隐患数据的位置、种类和状态特征项的置信度。
[0020]对于一条具体的管理上的缺陷类隐患数据，首先计算该隐患数据的对象特征项的支持度以及对象、缺陷特征项的支持度。
[0021]计算该隐患数据的对象和缺陷特征项的置信度。
[0022]对于一条具体的人的不安全行为类隐患数据，首先计算该隐患数据的人员、作业特征项的支持度以及人员、作业、行为特征项的支持度。
[0023]计算该隐患数据的人员、作业和行为特征项的置信度。
[0024]对于一条具体的环境的不安全状态类隐患数据，首先计算该隐患数据的位置特征项的支持度以及位置、根源特征项的支持度。
[0025]计算该隐患数据的位置、根源特征项的置信度。
[0026]步骤4.2：计算后果评价特征项，具体为：对于物的不安全状态类隐患数据，首先确定该隐患数据的位置、种类、状态、后果特征项的后果严重度参数，之后确定各特征项的权重。
[0027]对于管理上的缺陷类隐患数据，首先确定该隐患数据的对象、缺陷、后果特征项的后果严重度参数，之后确定各特征项的权重。
[0028]对于人的不安全行为类隐患数据，首先确定该隐患数据的人员、作业、行为、后果特征项的后果严重度参数，之后确定各特征项的权重。
[0029]对于环境的不安全状态类隐患数据，首先确定该隐患数据的位置、根源、后果特征项的后果严重度参数，之后确定各特征项的权重。
[0030]步骤5：风险值计算，具体为：计算物的不安全状态类隐患风险值、计算管理上的缺陷类隐患风险值、计算人的不安全行为类隐患风险值、计算环境的不安全状态类隐患风险值。
[0031]相对于现有方法，本专利技术的有益效果如下：只需要人工进行少量的数据标注，即可完成隐患数据中风险因素的自动识别，降低了隐患数据分析整理的人力和时间成本。通过进行隐患特征项分类，对隐患数据进行深度分析，使数据形式标准化、规范化，实现数据自动归类。在风险值计算阶段，将基于关联规则挖掘算法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.海洋油气田生产与作业隐患风险辨识及评价方法，其特征在于：包括以下步骤：步骤1：分析并确定隐患数据的风险特征项体系；步骤2：隐患数据特征项抽取，具体包括以下步骤：步骤2.1：进行隐患特征项标注，对物的不安全状态、管理上的缺陷、人的不安全行为、环境的不安全状态的四类隐患数据各进行一定数量的标注，其中，对于物的不安全状态类隐患数据，将隐患数据中位置、种类、状态、后果四个特征项对应的内容进行标注；对于管理上的缺陷类隐患数据，将隐患数据中对象、缺陷、后果三个特征项对应的内容进行标注；对于人的不安全行为类隐患数据，将隐患数据中人员、作业、行为、后果四个特征项对应的内容进行标注；对于环境的不安全状态类隐患数据，将隐患数据中位置、根源、后果三个特征项对应的内容进行标注；步骤2.2：进行特征项抽取模型建立；步骤2.3：进行模型训练，将步骤2.1标注的隐患数据输入步骤2.2建立的特征项抽取模型，进行训练；步骤2.4：进行数据预测，将未标注的隐患数据输入步骤2.3已进行训练的模型，实现特征项自动抽取；步骤3：隐患数据特征项分类，并用隐患数据特征项分类结果代替原特征项，实现隐患数据特征项形式标准化、统一化和深度分析，具体包括以下步骤：步骤3.1：隐患数据特征项分类体系建立；步骤3.2：进行隐患特征项类别标注，根据步骤3.1建立的隐患数据特征项分类体系，对物的不安全状态类隐患数据的状态和后果特征项、管理上的缺陷类隐患数据的缺陷和后果特征项、人的不安全行为类隐患数据的行为和后果特征项、环境的不安全状态类隐患数据的根源和后果特征项各进行一定数量的标注；步骤3.3：进行隐患特征项分类模型建立；步骤3.4：进行隐患特征项分类模型训练，将步骤3.1标注的隐患数据输入步骤3.3建立的隐患特征项分类模型，进行训练；步骤3.5：进行隐患特征项分类预测，将未标注的隐患数据输入步骤3.4已进行训练的模型，实现特征项自动分类；步骤4：确定隐患数据的风险值计算特征项，具体包括以下步骤：步骤4.1：计算发生概率特征项；步骤4.2：计算后果评价特征项，对于物的不安全状态类隐患数据，首先确定该隐患数据的位置、种类、状态、后果特征项的后果严重度参数，之后确定各特征项的权重，该隐患数据的后果评价特征项为：S
物
＝w
物1
×
s(位置)+w
物2
×
s(种类)+w
物3
×
s(状态)+w
物4
×
s(后果)其中S
物
为物的不安全状态类隐患数据的后果评价特征项，s(位置)为该隐患数据位置特征项的后果严重度参数，w
物1
为该隐患数据位置特征项后果严重度参数的权重，s(种类)为该隐患数据种类特征项的后果严重度参数，w
物2
为该隐患数据种类特征项后果严重度参数的权重，s(状态)为该隐患数据状态特征项的后果严重度参数，w
物3
为该隐患数据状态特征项后果严重度参数的权重，s(后果)为该隐患数据后果特征项的后果严重度参数，w
物4
为该隐患数据后果特征项后果严重度参数的权重；
对于管理上的缺陷类隐患数据，首先确定该隐患数据的对象、缺陷、后果特征项的后果严重度参数，之后确定各特征项的权重，该隐患数据的后果评价特征项为：S
管
＝w
管1
×
s(对象)+w
管2
×
s(缺陷)+w
管3
×
s(后果)其中S
管
为管理上的缺陷类隐患数据的后果评价特征项，s(对象)为该隐患数据对象特征项的后果严重度参数，w
管1
为该隐患数据对象特征项后果严重度参数的权重，s(缺陷)为该隐患数据缺陷特征项的后果严重度参数，w
管2
为该隐患数据缺陷特征项后果严重度参数的权重，s(后果)为该隐患数据状态特征项的后果严重度参数，w
管3
为该隐患数据后果特征项后果严重度参数的权重；对于人的不安全行为类隐患数据，首先确定该隐患数据的人员、作业、行为、后果特征项的后果严重度参数，之后确定各特征项的权重，该隐患数据的后果评价特征项为：S
人
＝w
人1
×
s(人员)+w
人2
×
s(作业)+w
人3
×
s(行为)+w
人4
×
s(后果)其中S
人
为人的不安全行为类隐患数据的后果评价特征项，s(人员)为该隐患数据人员特征项的后果严重度参数，w
人1
为该隐患数据人员特征项后果严重度参数的权重，s(作业)为该隐患数据作业特征项的后果严重度参数，w
人2
为该隐患数据作业特征项后果严重度参数的权重，s(行为)为该隐患数据行为特征项的后果严重度参数，w
人3
为该隐患数据行为特征项后果严重度参数的权重，s(后果)为该隐患数据后果特征项的后果严重度参数，w
人4
为该隐患数据后果特征项后果严重度参数的权重；对于环境的不安全状态类隐患数据，首先确定该隐患数据的位置、根源、后果特征项的后果严重度参数，之后确定各特征项的权重，该隐患数据的后果评价特征项为：S
环
＝w
环1
×
s(位置)+w
环2
×
s(根源)+w
环3
×
s(后果)其中S
环
为环境的不安全状态类隐患数据的后果评价特征项，s(位置)为该隐患数据位置特征项的后果严重度参数，w
环1
为该隐患数据位置特征项后果严重度参数的权重，s(根源)为该隐患数据根源特征项的后果严重度参数，w
环2
为该隐患数据根源特征项后果严重度参数的权重，s(后果)为该隐患数据后果特征项的后果严重度参数，w
环3
为该隐患数据后果特征项后果严重度参数的权重；步骤5：风险值计算，具体为：计算物的不安全状态类隐患数据风险值：R
物
＝con(位置,种类,状态)
×
S
物
其中R
物
为物的不安全状态类隐患数据风险值，con(位置,种类,状态)为...

【专利技术属性】
技术研发人员：吴奇兵，陈泽光，刘可扬，李文涛，陈军，葛伟凤，陈明新，孟祥吉，何宝林，王冠楠，蔡宝平，田园，饶茜，李跃，林文昭，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：