CN116644954B - 抽蓄工程施工安全风险智能化决策方法 - Google Patents
抽蓄工程施工安全风险智能化决策方法 Download PDFInfo
- Publication number
- CN116644954B CN116644954B CN202310506387.7A CN202310506387A CN116644954B CN 116644954 B CN116644954 B CN 116644954B CN 202310506387 A CN202310506387 A CN 202310506387A CN 116644954 B CN116644954 B CN 116644954B
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- engineering
- library
- dimension
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005086 pumping Methods 0.000 title claims abstract description 29
- 238000005065 mining Methods 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000007418 data mining Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 43
- 239000006185 dispersion Substances 0.000 claims description 22
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 208000027418 Wounds and injury Diseases 0.000 claims description 4
- 238000009430 construction management Methods 0.000 claims description 4
- 230000006378 damage Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 208000014674 injury Diseases 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000002265 prevention Effects 0.000 description 5
- 230000010485 coping Effects 0.000 description 3
- 108010074864 Factor XI Proteins 0.000 description 2
- 206010017740 Gas poisoning Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000551 statistical hypothesis test Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种抽蓄工程施工安全风险智能化决策方法,包括:采集大量工程实际案例数据;对大量工程实际案例数据进行数据挖掘分析,抽象解析出标准的风险事件库、致险因子库、风险场景库及风险管控措施库;基于风险事件库、致险因子库、风险场景库结合工程实际数据样本,利用致险因子与风险事故之间的映射关系建立决策表,在此基础上挖掘满足支持度与置信度要求的可靠规则,构建安全风险管理贝叶斯网络模型;根据安全风险管理贝叶斯网络模型对抽蓄工程施工安全风险进行智能化决策。对大量工程实际案例数据进行数据挖掘分析,缩短事故处理的时间,提高风险应对效率,同时对风险进行动态监控。
Description
技术领域
本发明涉及智能化决策技术领域,特别涉及一种抽蓄工程施工安全风险智能化决策方法。
背景技术
在抽蓄工程中,施工活动的复杂、专业特性和不安全因素的客观现实,加之有关各方利益驱使或安全意识淡薄等,造成建设施工现场安全风险重大危险源客观存在。因此,进行施工安全风险源辨识,是加强施工安全生产管理,预防重大事故发生的基础性的、最紧迫的工作任务。
现有技术中,基于人为定性或定量评价方案识别潜在风险,对发生可能性较大的风险及早应对防范,包括以下方法:1、询问、交谈:与生产现场的管理、施工人员合技术人员交流讨论、获取安全风险源资料。2、现场观察:到施工现场观察各类设施、场地,分析操作行为、安全管理状态等,获取安全风险源资料。3、事故树分析法:可针对各类事故进行分析,并按事故树分析要求展开和绘图,获取安全风险源资料。4、安全表检查法:采用预先设计好的安全检查表或制度与规范,到现场发现安全风险问题及时记录和分析,并据此获取安全风险源资料。
现有技术中存在以下技术问题:1、面对大量的安全管理内容,仅依赖人的归纳和分析出的风险知识库,存在范围不全、更新不及时、数据难以挖掘的问题;2、过度依赖人的经验和知识,当事故发生,一般基于召集专家开展工程会议集中讨论解决方案,很可能会耽误工程事故处理的最佳时间,风险应对效率不高,稀缺的专家知识尚未集成化管理用于实时安全管理决策;3、局限在静态安全管理,施工安全管理是一个动态复杂的变化过程,目前安全管理不足以提供实时决策支持。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明的目的在于提出抽蓄工程施工安全风险智能化决策方法,对大量工程实际案例数据进行数据挖掘分析,提高数据全面性、及时性及挖掘深度。利用致险因子与风险事故之间映射关系建立决策表,在此基础上挖掘满足支持度与置信度要求的可靠规则,构建安全风险管理贝叶斯网络模型,能够从原始样本数据中推理各影响因素之间的拓扑结构和概率关系,进行风险知识的发现,构建模型预测潜在事件;事前阶段运用正向推理技术预测事故发生概率,以辅助界定风险等级,及早防范;缩短事故处理的时间,提高风险应对效率,同时对风险进行动态监控,提高了安全管理的有效性。
为达到上述目的,本发明实施例提出了一种抽蓄工程施工安全风险智能化决策方法,包括:
采集大量工程实际案例数据;
对大量工程实际案例数据进行数据挖掘分析,抽象解析出标准的风险事件库、致险因子库、风险场景库及风险管控措施库;
基于风险事件库、致险因子库、风险场景库结合工程实际数据样本,利用致险因子与风险事故之间的映射关系建立决策表,在此基础上挖掘满足支持度与置信度要求的可靠规则,构建安全风险管理贝叶斯网络模型;
根据安全风险管理贝叶斯网络模型对抽蓄工程施工安全风险进行智能化决策。
根据本发明的一些实施例,所述案例数据包括安全事故数据、安全隐患数据及安全风险数据。
根据本发明的一些实施例,所述风险事件库,包括:触电、高处坠落、物体打击、机械伤害、基坑***、基坑塌方、滑坡、支撑体系整体或局部失稳,围护结构;
所述致险因子库,包括:地质因素、水文地质因素、地质灾害、施工管理原因、设备故障、环境恶劣;
所述风险场景库,包括:施工用电、施工供风、钢筋加工、模板加工、危险品使用、交通安全、工区环境、道路工程、砂石骨料生产、混凝土生产、导流工程、地下厂房工程、生活营地、基坑施工、隧道施工;
所述风险管控措施库,为基于风险事件库、致险因子库、风险场景库对应的管控措施组成的数据库。
根据本发明的一些实施例,根据安全风险管理贝叶斯网络模型对抽蓄工程施工安全风险进行智能化决策,包括:
获取抽蓄工程施工数据,根据所述施工数据及安全风险管理贝叶斯网络模型运用正向推理技术预测事故发生概率,以辅助界定风险等级,根据风险等级确定对应的等级的风险管控措施;
在发生风险事故后,获取风险事故的检测数据,根据检测数据及安全风险管理贝叶斯网络模型运用逆向推理公式技术确定最可能致险因子组合,并与风险事故进行关联,同时对风险事故对应的风险管控措施进行更新。
根据本发明的一些实施例,根据所述施工数据及安全风险管理贝叶斯网络模型运用正向推理技术预测事故发生概率,包括:
利用安全风险管理贝叶斯网络模型正向推理技术,通过输入施工数据及联合概率分布,直接推算出n个致险因子Xi(i=1,2,...,n)组合下风险事件T的发生概率P(T=t);
P(T=t)=ΣP(T=t|X1=x1,X2=x2,...,Xn=xn)×P(X1=x1,X2=x2,...,Xn=xn)
t={t1,t2,....,tp},xi={xi 1,xi 2,...,xi Qi},i=1,2,...,n
其中,t表示叶节点所取状态,共有{t1,t2,....,tp}p个状态;xi表示根节点存在的状态,共有{xi 1,xi 2,...,xi Qi}Qi个状态;ΣP(T=t|X1=x1,X2=x2,...,Xn=xn)表示BN前向传导的条件概率表;P(X1=x1,X2=x2,...,Xn=xn)表示各致险因子的联合概率。
根据本发明的一些实施例,根据检测数据及安全风险管理贝叶斯网络模型运用逆向推理公式技术确定最可能致险因子组合,包括:
利用安全风险管理贝叶斯网络模型逆向推理技术,通过输入检测数据,计算各个致险因子的后验概率;
基于各个致险因子的后验概率确定最可能致险因子组合。
根据本发明的一些实施例,对大量工程实际案例数据进行数据挖掘分析,包括:
对大量工程实际案例数据基于预设分类维度进行数据划分,得到若干个维度数据,同时建立若干个维度数据之间的关联关系;预设分类维度包括风险事件维度、致险因子维度、风险场景维度、风险管控措施维度;
为每个维度数据分配对应类型的执行节点,各个执行节点对分配的维度数据进行并行处理。
根据本发明的一些实施例,在对大量工程实际案例数据进行数据挖掘分析前,还包括:
确定大量工程实际案例数据中的异常数据字段,并进行剔除处理,得到第一处理数据;
确定第一处理数据中各个字段关系的离散度,并判断是否大于预设离散度,在确定离散度大于预设离散度时,对第一处理数据进行缺失值填补处理,得到第二处理数据,对所述第二处理数据进行数据挖掘分析。
根据本发明的一些实施例,执行节点对分配的维度数据进行处理,包括:
基于所述执行节点对应的业务需求标签获取所述维度数据的各个特征内容;
将所述各个特征内容分别输入识别度确定模型中,输出特征内容的特征识别度;所述识别度确定模型为卷积神经网络模型;
根据特征识别度及预设映射关系,确定用户的兴趣值;
确定最大的兴趣值及最小的兴趣值,确定用户的兴趣区间;
确定兴趣区间的中间值,基于中间值分为第一区间及第二区间;
确定第一区间的特征内容对应的第一特征向量,形成第一集合;
确定第二区间的特征内容对应的第二特征向量,形成第二集合;
求第一集合与第二集合的交集,确定共同特征向量,基于共同特征向量确定对维度数据的挖掘维度;
执行节点基于挖掘维度对分配的维度数据进行处理。
根据本发明的一些实施例,执行节点基于挖掘维度对分配的维度数据进行处理,包括:
执行节点基于挖掘维度对分配的维度数据进行处理,确定若干个挖掘数据;
对若干个挖掘数据进行两两对比之后,确定各个挖掘数据的权重值,并根据权重值的大小进行排序,根据排序结果确定对应的数据库。
本发明提出抽蓄工程施工安全风险智能化决策方法,对大量工程实际案例数据进行数据挖掘分析,提高数据全面性、及时性及挖掘深度。利用致险因子与风险事故之间映射关系建立决策表,在此基础上挖掘满足支持度与置信度要求的可靠规则,构建安全风险管理贝叶斯网络模型,能够从原始样本数据中推理各影响因素之间的拓扑结构和概率关系,进行风险知识的发现,构建模型预测潜在事件;事前阶段运用正向推理技术预测事故发生概率,以辅助界定风险等级,及早防范;缩短事故处理的时间,提高风险应对效率,同时对风险进行动态监控,提高了安全管理的有效性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明一个实施例的抽蓄工程施工安全风险智能化决策方法的流程图;
图2是根据本发明一个实施例的根据安全风险管理贝叶斯网络模型进行智能化决策的方法的流程图;
图3是根据本发明一个实施例的利用致险因子与风险事故之间的映射关系建立的决策表。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提出了一种抽蓄工程施工安全风险智能化决策方法,包括步骤S1-S4:
S1、采集大量工程实际案例数据;
S2、对大量工程实际案例数据进行数据挖掘分析,抽象解析出标准的风险事件库、致险因子库、风险场景库及风险管控措施库;
S3、基于风险事件库、致险因子库、风险场景库结合工程实际数据样本,利用致险因子与风险事故之间的映射关系建立决策表,在此基础上挖掘满足支持度与置信度要求的可靠规则,构建安全风险管理贝叶斯网络模型;
S4、根据安全风险管理贝叶斯网络模型对抽蓄工程施工安全风险进行智能化决策。
上述技术方案的工作原理:如图3所示,为利用致险因子与风险事故之间的映射关系建立的决策表。设置规则1、规则2、规则3、规则4、规则5、规则6及地质、水文地质、地质灾、施工管理、设备故障、氧气不足、环境、地层软、塌方、崩塌、水淹、气体中毒、人员受伤及相应的判断结果。判断结果包括“是”或“否”。在此基础上挖掘满足支持度与置信度要求的可靠规则,构建安全风险管理贝叶斯网络模型,包括在决策表中,我们得到了风险事故和致险因子之间的映射关系,利用关联规则挖掘算法找出满足支持度和置信度要求的可靠规则,基于统计学假设检验原理设置模型准确性指标与模型可靠性指标的信度区间为[0.025,0.975],通过数据分析可得到可靠规则,如地质因素和底层软同时出现时崩塌的概率、环境恶劣和氧气不足时气体中毒的概率。利用这些规则,可得到每个致险因子和风险事件之间的概率,即贝叶斯网络节点之间的条件概率关系,进而便于构建安全风险管理贝叶斯网络模型。
上述技术方案的有益效果:对大量工程实际案例数据进行数据挖掘分析,提高数据全面性、及时性及挖掘深度。利用致险因子与风险事故之间映射关系建立决策表,在此基础上挖掘满足支持度与置信度要求的可靠规则,构建安全风险管理贝叶斯网络模型,能够从原始样本数据中推理各影响因素之间的拓扑结构和概率关系,进行风险知识的发现,构建模型预测潜在事件;基于安全风险管理贝叶斯网络模型对抽蓄工程施工安全风险进行智能化决策缩短事故处理的时间,提高风险应对效率,同时对风险进行动态监控,提高了安全管理的有效性。
根据本发明的一些实施例,所述案例数据包括安全事故数据、安全隐患数据及安全风险数据。
根据本发明的一些实施例,所述风险事件库,包括:触电、高处坠落、物体打击、机械伤害、基坑***、基坑塌方、滑坡、支撑体系整体或局部失稳,围护结构;
所述致险因子库,包括:地质因素、水文地质因素、地质灾害、施工管理原因、设备故障、环境恶劣;
所述风险场景库,包括:施工用电、施工供风、钢筋加工、模板加工、危险品使用、交通安全、工区环境、道路工程、砂石骨料生产、混凝土生产、导流工程、地下厂房工程、生活营地、基坑施工、隧道施工;
所述风险管控措施库,为基于风险事件库、致险因子库、风险场景库对应的管控措施组成的数据库。
如图2所示,根据本发明的一些实施例,根据安全风险管理贝叶斯网络模型对抽蓄工程施工安全风险进行智能化决策,包括步骤S41-S42:
S41、获取抽蓄工程施工数据,根据所述施工数据及安全风险管理贝叶斯网络模型运用正向推理技术预测事故发生概率,以辅助界定风险等级,根据风险等级确定对应的等级的风险管控措施;
S42、在发生风险事故后,获取风险事故的检测数据,根据检测数据及安全风险管理贝叶斯网络模型运用逆向推理公式技术确定最可能致险因子组合,并与风险事故进行关联,同时对风险事故对应的风险管控措施进行更新。
上述技术方案的工作原理及有益效果:该实施例中,抽蓄工程施工数据为风险事故发生前获取的数据。获取抽蓄工程施工数据,根据所述施工数据及安全风险管理贝叶斯网络模型运用正向推理技术预测事故发生概率,以辅助界定风险等级,根据风险等级确定对应的等级的风险管控措施,便于及早以相应等级的风险管控措施进行防范。该实施例中,检测数据为风险事故发生后获取的数据。根据检测数据及安全风险管理贝叶斯网络模型运用逆向推理公式技术确定最可能致险因子组合,并与风险事故进行关联,同时对风险事故对应的风险管控措施进行更新。便于准确确定致险因子组合,及对风险事故对应的风险管控措施进行更新,为下一次风险预防提供支持。
根据本发明的一些实施例,根据所述施工数据及安全风险管理贝叶斯网络模型运用正向推理技术预测事故发生概率,包括:
利用安全风险管理贝叶斯网络模型正向推理技术,通过输入施工数据及联合概率分布,直接推算出n个致险因子Xi(i=1,2,...,n)组合下风险事件T的发生概率P(T=t);
P(T=t)=ΣP(T=t|X1=x1,X2=x2,...,Xn=xn)×P(X1=x1,X2=x2,...,Xn=xn)
t={t1,t2,....,tp},xi={xi 1,xi 2,...,xi Qi},i=1,2,...,n
其中,t表示叶节点所取状态,共有{t1,t2,....,tp}p个状态;xi表示根节点存在的状态,共有{xi 1,xi 2,...,xi Qi}Qi个状态;ΣP(T=t|X1=x1,X2=x2,...,Xn=xn)表示BN前向传导的条件概率表;P(X1=x1,X2=x2,...,Xn=xn)表示各致险因子的联合概率。
上述技术方案的工作原理及有益效果:就像激活函数层、卷积层、全连接层、池化层一样,BN(Batch Normalization)也属于网络的一层。发生概率P(T=t)的大小表明了风险事件T发生可能性的大小,便于施工人员在事前阶段界定事故发生的可能性,是风险等级判断条件之一。便于确定对应等级的风险管控措施,及时进行预防。
根据本发明的一些实施例,根据检测数据及安全风险管理贝叶斯网络模型运用逆向推理公式技术确定最可能致险因子组合,包括:
利用安全风险管理贝叶斯网络模型逆向推理技术,通过输入检测数据,计算各个致险因子的后验概率;
基于各个致险因子的后验概率确定最可能致险因子组合。
上述技术方案的工作原理及有益效果:利用安全风险管理贝叶斯网络模型逆向推理技术,通过输入检测数据,计算各个致险因子的后验概率;第i个致险因子xi的后验概率是P(Xi=xi|T=t)越大,表明Xi成为事故,T=t致因的可能性越大。便于准确确定可能致险因子组合,提高安全诊断的准确性和效率。当观察到事故已经发生,则可通过贝叶斯网络计算各个致险因子的后验概率,即逆向推理。后验概率可以作为重要指标,考察事故已经发生状况下事故致因的可能性组合,为事故致因诊断寻找可靠依据。
第i个致险因子Xi的后验概率用P(Xi=xi|T=t)表示,计算公式:P(Xi=xi|T=t)=P(Xi=xi)*P(T=t|Xi=xi)/P(T=t),i=1,2,...,n,P(Xi=xi|T=t)越高,表明Xi成为事故T=t致因可能性越大,进而指导施工人员进行故障诊断,快速查明最可能致因组合。
根据本发明的一些实施例,对大量工程实际案例数据进行数据挖掘分析,包括:
对大量工程实际案例数据基于预设分类维度进行数据划分,得到若干个维度数据,同时建立若干个维度数据之间的关联关系;预设分类维度包括风险事件维度、致险因子维度、风险场景维度、风险管控措施维度;
为每个维度数据分配对应类型的执行节点,各个执行节点对分配的维度数据进行并行处理。
上述技术方案的工作原理及有益效果:基于不同的执行节点对相应的维度数据进行并行处理,提高了数据处理的效率及准确性,同时基于若干个维度数据之间的关联关系,实现对数据的拆分处理,在拆分处理后还可对数据整体进行解析,实现了数据的有效管理。
根据本发明的一些实施例,在对大量工程实际案例数据进行数据挖掘分析前,还包括:
确定大量工程实际案例数据中的异常数据字段,并进行剔除处理,得到第一处理数据;
确定第一处理数据中各个字段关系的离散度,并判断是否大于预设离散度,在确定离散度大于预设离散度时,对第一处理数据进行缺失值填补处理,得到第二处理数据,对所述第二处理数据进行数据挖掘分析。
上述技术方案的工作原理及有益效果:确定大量工程实际案例数据中的异常数据字段,并进行剔除处理,得到第一处理数据;便于消除异常数据。确定第一处理数据中各个字段关系的离散度,并判断是否大于预设离散度,在确定离散度大于预设离散度时,对第一处理数据进行缺失值填补处理,得到第二处理数据,对所述第二处理数据进行数据挖掘分析。第二处理数据中字段关系的离散度不大于预设离散度。实现对数据的有效修正,提高了数据的准确性。
根据本发明的一些实施例,执行节点对分配的维度数据进行处理,包括:
基于所述执行节点对应的业务需求标签获取所述维度数据的各个特征内容;
将所述各个特征内容分别输入识别度确定模型中,输出特征内容的特征识别度;所述识别度确定模型为卷积神经网络模型;
根据特征识别度及预设映射关系,确定用户的兴趣值;
确定最大的兴趣值及最小的兴趣值,确定用户的兴趣区间;
确定兴趣区间的中间值,基于中间值分为第一区间及第二区间;
确定第一区间的特征内容对应的第一特征向量,形成第一集合;
确定第二区间的特征内容对应的第二特征向量,形成第二集合;
求第一集合与第二集合的交集,确定共同特征向量,基于共同特征向量确定对维度数据的挖掘维度;
执行节点基于挖掘维度对分配的维度数据进行处理。
上述技术方案的工作原理:该实施例中,特征内容为基于业务需求标签确定的。
该实施例中,特征识别度为表示基于识别度确定模型对特征内容的识别度。
该实施例中,预设映射关系为基于样本数据确定的特征识别度与用户的兴趣值之间的对应关系。
该实施例中,第一区间为最小值至中间值的区间,第二区间为中间值至最大值的区间。
上述技术方案的有益效果:确定用户的兴趣区间,确定在低区间对应的第一集合及高区间对应的第二集合,求第一集合与第二集合的交集,基于共同特征向量确定对维度数据的挖掘维度,可以保证不同兴趣区间在不同的特征内容中应用场景性能更加统一,便于确定更加准确的挖掘维度,提高了数据挖掘的能力。
根据本发明的一些实施例,执行节点基于挖掘维度对分配的维度数据进行处理,包括:
执行节点基于挖掘维度对分配的维度数据进行处理,确定若干个挖掘数据;
对若干个挖掘数据进行两两对比之后,确定各个挖掘数据的权重值,并根据权重值的大小进行排序,根据排序结果确定对应的数据库。
上述技术方案的工作原理及有益效果:执行节点基于挖掘维度对分配的维度数据进行处理,确定若干个挖掘数据;对若干个挖掘数据进行两两对比之后,确定各个挖掘数据的权重值,并根据权重值的大小进行排序,根据排序结果确定对应的数据库。数据库为风险事件库、致险因子库、风险场景库及风险管控措施库中的至少一个。实现对挖掘数据的有序整理,进而便于验证各个数据库之间的关联关系,提高了数据管理的准确性。基于确定数据库,在其他数据库中的基于对应的排序结果进行排序,各个数据库之间具有对应关系。
在一实施例中,确定挖掘数据的权重值,包括:
其中,Qi为第i个挖掘数据的权重值;Bi/Bj为从M个挖掘数据中,随机选取的第i个挖掘数据Bi与第j个挖掘数据Bj相比较的重要参数。
基于上述算法,便于准确确定每个挖掘数据的权重值,进而确定准确的排序结果。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种抽蓄工程施工安全风险智能化决策方法,其特征在于,包括:
采集大量工程实际案例数据;
对大量工程实际案例数据进行数据挖掘分析,抽象解析出标准的风险事件库、致险因子库、风险场景库及风险管控措施库;
基于风险事件库、致险因子库、风险场景库结合工程实际数据样本,利用致险因子与风险事故之间的映射关系建立决策表,在此基础上挖掘满足支持度与置信度要求的可靠规则,构建安全风险管理贝叶斯网络模型;
根据安全风险管理贝叶斯网络模型对抽蓄工程施工安全风险进行智能化决策;
对大量工程实际案例数据进行数据挖掘分析,包括:
对大量工程实际案例数据基于预设分类维度进行数据划分,得到若干个维度数据,同时建立若干个维度数据之间的关联关系;预设分类维度包括风险事件维度、致险因子维度、风险场景维度、风险管控措施维度;
为每个维度数据分配对应类型的执行节点,各个执行节点对分配的维度数据进行并行处理;
执行节点对分配的维度数据进行处理,包括:
基于所述执行节点对应的业务需求标签获取所述维度数据的各个特征内容;
将所述各个特征内容分别输入识别度确定模型中,输出特征内容的特征识别度;所述识别度确定模型为卷积神经网络模型;
根据特征识别度及预设映射关系,确定用户的兴趣值;
确定最大的兴趣值及最小的兴趣值,确定用户的兴趣区间;
确定兴趣区间的中间值,基于中间值分为第一区间及第二区间;
确定第一区间的特征内容对应的第一特征向量,形成第一集合;
确定第二区间的特征内容对应的第二特征向量,形成第二集合;
求第一集合与第二集合的交集,确定共同特征向量,基于共同特征向量确定对维度数据的挖掘维度;
执行节点基于挖掘维度对分配的维度数据进行处理;
执行节点基于挖掘维度对分配的维度数据进行处理,包括:
执行节点基于挖掘维度对分配的维度数据进行处理,确定若干个挖掘数据;
对若干个挖掘数据进行两两对比之后,确定各个挖掘数据的权重值,并根据权重值的大小进行排序,根据排序结果确定对应的数据库。
2.如权利要求1所述的抽蓄工程施工安全风险智能化决策方法,其特征在于,所述案例数据包括安全事故数据、安全隐患数据及安全风险数据。
3.如权利要求1所述的抽蓄工程施工安全风险智能化决策方法,其特征在于,所述风险事件库,包括:触电、高处坠落、物体打击、机械伤害、基坑***、基坑塌方、滑坡、支撑体系整体或局部失稳,围护结构;
所述致险因子库,包括:地质因素、水文地质因素、地质灾害、施工管理原因、设备故障、环境恶劣;
所述风险场景库,包括:施工用电、施工供风、钢筋加工、模板加工、危险品使用、交通安全、工区环境、道路工程、砂石骨料生产、混凝土生产、导流工程、地下厂房工程、生活营地、基坑施工、隧道施工;
所述风险管控措施库,为基于风险事件库、致险因子库、风险场景库对应的管控措施组成的数据库。
4.如权利要求1所述的抽蓄工程施工安全风险智能化决策方法,其特征在于,根据安全风险管理贝叶斯网络模型对抽蓄工程施工安全风险进行智能化决策,包括:
获取抽蓄工程施工数据,根据所述施工数据及安全风险管理贝叶斯网络模型运用正向推理技术预测事故发生概率,以辅助界定风险等级,根据风险等级确定对应的等级的风险管控措施;
在发生风险事故后,获取风险事故的检测数据,根据检测数据及安全风险管理贝叶斯网络模型运用逆向推理公式技术确定最可能致险因子组合,并与风险事故进行关联,同时对风险事故对应的风险管控措施进行更新。
5.如权利要求4所述的抽蓄工程施工安全风险智能化决策方法,其特征在于,根据所述施工数据及安全风险管理贝叶斯网络模型运用正向推理技术预测事故发生概率,包括:
利用安全风险管理贝叶斯网络模型正向推理技术,通过输入施工数据及联合概率分布,直接推算出n个致险因子Xi(i=1,2,...,n)组合下风险事件T的发生概率P(T=t);
P(T=t)=ΣP(T=t|X1=x1,X2=x2,...,Xn=xn)×P(X1=x1,X2=x2,...,Xn=xn)
t={t1,t2,....,tp},xi={xi 1,xi 2,...,xi Qi},i=1,2,...,n
其中,t表示叶节点所取状态,共有{t1,t2,....,tp}p个状态;xi表示根节点存在的状态,共有{xi 1,xi 2,...,xi Qi}Qi个状态;ΣP(T=t|X1=x1,X2=x2,...,Xn=xn)表示BN前向传导的条件概率表;P(X1=x1,X2=x2,...,Xn=xn)表示各致险因子的联合概率。
6.如权利要求4所述的抽蓄工程施工安全风险智能化决策方法,其特征在于,根据检测数据及安全风险管理贝叶斯网络模型运用逆向推理公式技术确定最可能致险因子组合,包括:
利用安全风险管理贝叶斯网络模型逆向推理技术,通过输入检测数据,计算各个致险因子的后验概率;
基于各个致险因子的后验概率确定最可能致险因子组合。
7.如权利要求1所述的抽蓄工程施工安全风险智能化决策方法,其特征在于,在对大量工程实际案例数据进行数据挖掘分析前,还包括:
确定大量工程实际案例数据中的异常数据字段,并进行剔除处理,得到第一处理数据;
确定第一处理数据中各个字段关系的离散度,并判断是否大于预设离散度,在确定离散度大于预设离散度时,对第一处理数据进行缺失值填补处理,得到第二处理数据,对所述第二处理数据进行数据挖掘分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310506387.7A CN116644954B (zh) | 2023-05-06 | 2023-05-06 | 抽蓄工程施工安全风险智能化决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310506387.7A CN116644954B (zh) | 2023-05-06 | 2023-05-06 | 抽蓄工程施工安全风险智能化决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116644954A CN116644954A (zh) | 2023-08-25 |
CN116644954B true CN116644954B (zh) | 2024-02-09 |
Family
ID=87642602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310506387.7A Active CN116644954B (zh) | 2023-05-06 | 2023-05-06 | 抽蓄工程施工安全风险智能化决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644954B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822965B (zh) * | 2023-08-28 | 2023-11-21 | 中铁七局集团电务工程有限公司武汉分公司 | 一种地铁施工风险预警方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077447A (zh) * | 2013-01-24 | 2013-05-01 | 华中科技大学 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 |
CN114444933A (zh) * | 2022-01-26 | 2022-05-06 | 四川省第六建筑有限公司 | 一种基于建筑工程的危险源分析方法、设备和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10330018B2 (en) * | 2014-03-24 | 2019-06-25 | Rolls-Royce Corporation | Integrating design and field management of gas turbine engine components with a probabilistic model |
-
2023
- 2023-05-06 CN CN202310506387.7A patent/CN116644954B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077447A (zh) * | 2013-01-24 | 2013-05-01 | 华中科技大学 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 |
CN114444933A (zh) * | 2022-01-26 | 2022-05-06 | 四川省第六建筑有限公司 | 一种基于建筑工程的危险源分析方法、设备和介质 |
Non-Patent Citations (1)
Title |
---|
基于本体论的地铁施工安全风险管理研究;魏文景;万方学位论文库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116644954A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Onan et al. | An evolutionary multi-objective optimization approach to disaster waste management: A case study of Istanbul, Turkey | |
CN117152893B (zh) | 一种森林防灾方法及*** | |
CN115526422B (zh) | 一种煤矿瓦斯***风险预测方法 | |
CN111223027A (zh) | 一种城市地震灾害风险评估方法及*** | |
Chen et al. | Resilience assessment of regional areas against earthquakes using multi-source information fusion | |
CN112528519A (zh) | 发动机质量预警服务的方法、***、可读介质和电子设备 | |
CN116777223B (zh) | 一种城市地下管网安全综合风险评估方法及*** | |
CN116644954B (zh) | 抽蓄工程施工安全风险智能化决策方法 | |
KR102379472B1 (ko) | 시공간 피해특성을 고려한 다종 데이터 융합 분석방법 | |
CN114841660B (zh) | 一种基于现场信息的企业智慧安全管控云平台 | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养*** | |
CN117370919B (zh) | 污水处理设备远程监控*** | |
Lu et al. | Using cased based reasoning for automated safety risk management in construction industry | |
CN113536433A (zh) | 基于bim平台的建筑灾后疏散动态逃生路线优化*** | |
CN116703148B (zh) | 基于云计算的矿山企业风险画像方法 | |
Hong et al. | Evaluation of disaster-bearing capacity for natural gas pipeline under third-party damage based on optimized probabilistic neural network | |
CN117726162A (zh) | 一种基于多模态数据融合的社区风险等级评估方法及*** | |
Joo et al. | An analysis of factors influencing disaster mobility using location data from smartphones: Case study of western Japan flooding | |
CN114048439B (zh) | 一种基于ai的安全行为分析***及方法 | |
CN113516288A (zh) | 河流水质巡查监督方法、装置、设备及存储介质 | |
Xu et al. | Intelligent Exploration of Construction Accidents Based on Knowledge Graph | |
CN115345465B (zh) | 一种基于基层治理事件的多色层级管理方法及*** | |
Weeraddana et al. | Machine learning for water mains maintenance | |
Reddy et al. | Probability Concepts and Probability Distributions | |
CN115618971A (zh) | 一种油田安全生产设备异常检测与故障诊断方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |