一种生产安全风险分级和隐患排查双控系统及其控制方法

本发明属于生产安全，特别是涉及一种生产安全风险分级和隐患排查双控系统及方法。

背景技术：

1、双控预防指的是安全生产风险管控和隐患排查治理的双重预防，鉴于生产安全对千家万户民生的重要性，构建科学、系统的双控预防体系对于企业在源头全面、有效地管控风险、将潜在事故扼杀在初期具有十分重要的意义。目前，许多企业的安全管理措施仍依赖于传统的手工操作和专家经验，这导致了一系列问题：首先，现有的风险评估方法往往基于专家意见和人工评估，这使得评估结果受到个人经验和偏好的影响，缺乏客观性和一致性。人工进行风险评估不仅耗时费力，而且难以保证评估的准确性和及时性，特别是在面对大规模或复杂多变的生产环境时。其次，大量的安全生产数据以半结构化或非结构化形式存储，这些数据的潜在价值并未被充分挖掘和利用。传统的数据处理手段往往无法有效提取这些数据中的关键信息，从而限制了风险管理决策的质量和效率。由于缺乏实时监测和动态调整机制，现有的风险评估体系难以对突发状况或变化的环境条件做出快速响应。

技术实现思路

1、本发明实施例的目的在于提供一种生产安全风险分级和隐患排查双控系统，解决依赖人工和经验导致的不客观、不一致及低效的问题，实现更加客观、精确、有效和实时的风险分级管控；

2、本发明实施例的第二目的在于提供一种生产安全风险分级和隐患排查双控系统控制方法。

3、为解决上述技术问题，本发明所采用的技术方案是，一种生产安全风险分级和隐患排查双控系统，包括风险管控子系统与隐患排查子系统；

4、所述风险管控子系统包括：

5、风险信息抽取与导入模块，用于抽取风险相关数据并导入风险数据库；

6、风险分级知识图谱模块，用于抽取风险数据库的数据字段构建成一个风险分级知识图谱，再对风险分级知识图谱进行维护更新；所述风险分级知识图谱，用于风险辨识，并对风险进行分级；包括风险地点，风险原因，风险状态，风险代价，隐患发生次数，隐患排查次数；

7、风险管控措施模块，用于根据不同的风险等级创建相应的管控措施；

8、风险统计模块，用于自动统计分析风险；

9、所述隐患排查子系统，用于对风险管控措施的执行情况进行巡检排查，包括：

10、隐患监测模块，用于对风险分级知识图谱中分级风险地点进行实时监控并记入风险数据库；

11、隐患排查计划模块，用于根据实施管控措施后的残余风险，并对各个风险点制定排查计划；

12、隐患排查登记模块，用于根据制定的隐患排查计划下发排查任务，并接收隐患登记信息；

13、隐患整改模块，用于针对登记的隐患制定整改计划；

14、隐患统计模块，用于根据不同的风险点和部门对隐患进行统计分析。

15、进一步的，包括风险管控子系统控制方法及隐患排查子系统控制方法，所述风险管控子系统的控制方法具体为：

16、s1、风险信息抽取与导入模块抽取生产安全文档中的风险相关数据并整理为结构化的数据集，然后将结构化的数据集导入风险数据库；风险相关数据包括结构化数据和非结构化数据，其中非结构化数据通过小样本训练后的风险信息抽取子系统抽取风险信息，然后再与风险知识库字段相映射，并存入风险数据库中；

17、s2、风险分级知识图谱模块利用风险数据库中的风险地点、风险原因、风险状态、风险代价、隐患发生次数、隐患排查次数及隐患整改次数来构建风险分级知识图谱，并对所述风险分级知识图谱进行补全与更新；其中隐患登记次数、隐患排查次数、隐患整改次数由隐患排查子系统产生；

18、s3、利用风险分级知识图谱，并根据风险数据库自动进行风险分级，创建相应的风险分级；

19、s4、风险分级之后，根据不同的风险等级在风险管控措施模块中创建相应的管控措施，并建立管控措施库；

20、s5、最后风险统计模块进行风险统计；具体统计不同区域、部门的风险数量。

21、进一步的，所述风险数据库包括风险分析对象及风险点；所述风险分级根据风险严重程度将风险数据库的风险点分为低风险、一般风险、较大风险和重大风险等级。

22、进一步的，所述风险信息抽取子系统三个组成部分：小样本关系提取、基于关系的小样本实体识别，以及小样本全局实体配对。

23、进一步的，风险信息抽取子系统通过自然语言预训练模型实现小样本训练，具体过程如下：

24、s1、将人工收集整理标注后的历史风险数据随机抽取一部分作为数据集，分为训练数据集dtrain，测试数据集dtest，再将两个数据集各自划分为支持数据集和查询数据集：

25、

26、其中，为dtrain的支持数据集，为dtrain的查询数据集为dtest的支持数据集，为dtest的查询数据集；

27、s2、在小样本关系提取任务中，引入关系标签知识来优化关系原型表示：

28、

29、为关系i第k个实例句子的关系头实体，为关系i第k个实例句子的关系尾实体，为关系第k个实例句子，f_span函数表示从句子中获取实体表示；

30、

31、其中，实体类型包括设备、操作人员、安全事件；

32、表示句子的整体编码表示，表示包含关于句子、头部实体和尾部实体的信息的关系表示；

33、

34、表示关系原型表示，k表示每个关系包含的句子总数；

35、pr,i＝similarity(hiq,cr)

36、pr,i为查询实例与关系原型的相似度，为查询集关系i的实例，cr为支持集关系i的关系原型；

37、

38、lrel为小样本关系抽取的交叉熵损失函数，n为训练数据集内关系种类总数，yr,i为关系i中的关系标签，pr,i为查询实例与关系原型的相似度；

39、在基于关系的小样本实体识别任务上，构建了基于跨度的实体级原型：

40、

41、e为句子的跨度表示，l表示实例的单词数量，e表示每个单词的嵌入原型跨度，h为词嵌入的标记编码，hn表示第n个词嵌入的标记编码，hn-span_size为第n-span_size个词嵌入的标记编码，span_size为单个跨度最大长度，f为最大池化函数对跨度的嵌入进行组合；

42、s3、引入层次对比学习，对不同跨度组合进行分层对比学习，联合细化用于关系抽取和实体识别的度量空间。

43、进一步的，所述层次对比学习包括关系原型之间的对比学习、实体之间的对比学习、实体与关系之间的对比学习：

44、

45、lconrel是关系原型对比约束损失，m1是同类数据的最小距离边值，m2是异类数据的最大距离边值，n为训练数据集内关系种类总数，表示关系i的原型，表示关系j的原型；

46、

47、lconentity是实体原型对比约束损失，e是训练数据集内实体总数，表示关系k下的第i类实体的原型，表示关系k下的第j类实体的原型；

48、

49、进一步的，所述风险分级知识图谱随着隐患的发生频率，风险管控措施的执行等因素的变化会跟着进行补全与更新，而对于风险分级知识图谱的补全与更新，使用仿生原型内存注意网络训练风险分级知识图谱的补全与更新模型进行实现，当风险分级知识图谱包含的风险地点，风险原因，风险状态，风险代价，隐患发生次数，隐患排查次数发生变化后，训练风险分级知识图谱的补全与更新模型自动更新与补全风险分级知识图谱，模型训练方法具体为：

50、s1、建立由短期内存、工作内存和长期内存三部分组成的内存库m＝{m(i),m(w),m(l)}；m是内存库，m(i)是短期内存，m(w)是工作内存，m(l)是长期内存；

51、s2、引入仿生内存更新机制：

52、

53、其中，g(·)是相似性函数，是m(i)中的第n个候选原型特征；exp为自然指数函数，μn是第n个候选平均原型特征，为特征方差，m n(i)为短期内存中存储的n个原型特征；

54、s3、采用记忆增强的原型平滑三重损失来约束新旧内存知识之间的相似性：

55、l＝lm+λlp

56、其中，l是模型的总损失，lm是基于边际的排序损失，lp是原型平滑三重损失，λ是超参数，其中基于边际的排序损失lm：

57、

58、其中，q r是模型构建的正查询数据集，q r-是模型构建的负查询数据集，sr是模型的支持数据集，φ(qr,sr)分别表示正负查询数据集与支持数据集sr之间的相似得分，γ为边缘超参数，是负查询数据集中一个查询单元，qr是正查询数据集中一个查询单元，r为关系数量；

59、其中lp是原型平滑三重

60、

61、表示原型z的同类数据的最远嵌入，表示原型z的异类数据的最近嵌入。

62、进一步的，所述隐患排查子系统的控制方法具体为：

63、s1、隐患监测模块对风险分级等级对存在风险的地点或设备进行隐患实时监测监控；

64、s2、当隐患监测模块发现隐患，隐患排查子系统将及时向安全管理员发出告警，并通过隐患排查登记模块自动向风险数据库登记隐患信息；

65、s3、隐患排查计划模块提供隐患排查功能，通过制定隐患排查计划对风险点进行隐患排查，

66、s4、制定隐患排查计划后，隐患排查登记模块对隐患排查区域进行隐患排查，对排查出来的隐患按照工厂指定的安全标准，以人工方式将隐患分为一般隐患，重大隐患，并进行隐患登记，隐患整改模块对根据登记的隐患制定隐患整改计划，然后隐患整改人员根据隐患整改计划，进行隐患整改，整改完成后，提交隐患整改验收；

67、s5、在隐患排查和整改完成后，隐患统计分析模块进行隐患统计分析，统计出各个区域，部门的隐患登记次数，隐患排查次数，隐患整改次数，然后定时更新补全风险分级知识图谱。

68、进一步的，所述隐患排查计划包括：周期排查，定时排查，实时排查；周期排查包括按年，按月，按周，按日进行周期排查；定时排查按照制定的排查开始时间进行排查；实时排查制定的排查计划立即开始排查；排查计划的内容包括：隐患排查开始时间，结束时间，隐患排查人，隐患排查区域。

69、与现有技术相比，本发明的有益效果包括以下几点：

70、1.现有的风险评估方法往往基于专家意见和人工评估，这使得评估结果受到个人经验和偏好的影响，缺乏客观性和一致性。而本发明基于大量基础风险数据进行分析，使用人工智能的知识图谱对数据进行建模，从而得到更加客观的评估结果。

71、2.现有风险评估没有与隐患排查结果相结合，风险评估在确定后很少变动，并不能实时的反映风险单元的风险级别。而本发现将风险评估与隐患排查相结合，在风险评估之后，根据系统收集的隐患排查结果进行分析，利用知识图谱补全技术按照一定的更新策略对风险分级知识图谱进行更新，从而使整个系统完成闭环，风险评估也更加具有时效性。

72、3.本发明建立了一种基于仿生原型内存注意网络的算法模型，以实现对风险分级知识图谱的补全与更新。此模型能够在检测到系统内与风险分级知识图谱相关的数据发生变化时，更为精确地自动调整和更新知识图谱的内容，确保对各类风险实施有效的动态管理。此外，本发明还利用了小样本信息抽取算法模型，该模型仅需使用相对较小的数据集即可训练出具有足够高准确率的知识三元组(主体－关系－客体)，大幅降低了对大规模人工标注数据的需求，从而有效节约了人力成本。