CN114595948A - 基于人工智能的多风险参数企业风险评估方法及系统 - Google Patents

基于人工智能的多风险参数企业风险评估方法及系统 Download PDF

Info

Publication number
CN114595948A
CN114595948A CN202210165467.6A CN202210165467A CN114595948A CN 114595948 A CN114595948 A CN 114595948A CN 202210165467 A CN202210165467 A CN 202210165467A CN 114595948 A CN114595948 A CN 114595948A
Authority
CN
China
Prior art keywords
risk
parameter
optimal
value
moment
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.)
Pending
Application number
CN202210165467.6A
Other languages
English (en)
Inventor
岳看彬
岳山错
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Huake Tianchuang Technology Co ltd
Original Assignee
Nanjing Huake Tianchuang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Huake Tianchuang Technology Co ltd filed Critical Nanjing Huake Tianchuang Technology Co ltd
Priority to CN202210165467.6A priority Critical patent/CN114595948A/zh
Publication of CN114595948A publication Critical patent/CN114595948A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种基于人工智能的多风险参数企业风险评估方法及系统，涉及风险评估预警领域。主要包括：根据不同时刻各风险参数的值与标准值的比较结果，获得不同时刻各风险参数的波动程度，以结合构建的权重向量获得不同时刻的风险状态指标，并获得使预设时长内风险状态指标的聚集程度和分散程度综合最大的最优权重向量，以获得最优权重向量所对应的最优风险状态指标，当最优风险状态指标大于预设阈值时，判定存在安全隐患并发出警报。能够通过获得各风险参数对应的最优权重，提高了对于企业的风险的评估结果的准确性，避免了人为因素造成的主观性。

Description

基于人工智能的多风险参数企业风险评估方法及系统
技术领域
本申请涉及风险评估预警领域，具体涉及一种基于人工智能的多风险参数企业风险评估方法及系统。
背景技术
化工企业在各种生产发展过程中会存在较多的风险因素，各风险因素时时刻刻威胁着周围人的生命与财产安全，若不加强管理，就会酿成事故。
考虑到化工场所的风险隐患是由多风险因素引起的，但对于多维的安全隐患影响因素分析存在较多不确定性，且对于多风险因素，对于风险参数之间的权重，现有技术中往往通过层次分析法或者组织专家进行评分等方法获取。
发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：
现有技术的化工企业的风险程度评估结果因人为干扰因素过大而造成主观性太强，且各风险参数之间的权重无法根据现场的实际情况进行适时调整，进而使得对于企业的风险的评估结果不能契合实际情况。
发明内容
针对上述技术问题，本发明提供了一种基于人工智能的多风险参数企业风险评估方法及系统， 能够通过获得各风险参数对应的最优权重，提高了对于企业的风险的评估结果的准确性，避免了人为因素造成的主观性。
第一方面，本文发明实施例提出了一种基于人工智能的多风险参数企业风险评估方法，包括：
获取生产过程中预设时长内包含各风险参数的数据并进行归一化处理。
将各风险参数在不同时刻的数值与对应的标准数值进行比较，分别获得不同风险参数在不同时刻的波动性指标。
构建权重向量，所述权重向量中各元素分别与各风险参数对应，并将所述权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的风险状态指标。
获得预设时长内所述风险状态指标的聚集程度以及分散程度，并将所述聚集程度与所述分散程度的乘积作为目标函数，将使所述目标函数取得最大的权重向量作为最优权重向量。
将最优权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的最优风险状态指标，当所述最优风险状态指标大于预设阈值时，判定存在安全隐患并发出警报。
在一个可行的实施例中，获得预设时长内所述风险状态指标的聚集程度以及分散程度，包括：
获得预设时长内所述风险状态指标的聚集程度，包括：
Figure 553592DEST_PATH_IMAGE001
其中，
Figure 970798DEST_PATH_IMAGE002
权重向量
Figure 391284DEST_PATH_IMAGE003
对应的预设时长
Figure 143208DEST_PATH_IMAGE004
内的聚集程度，
Figure 995757DEST_PATH_IMAGE005
为预设时长
Figure 782317DEST_PATH_IMAGE004
内第
Figure 373704DEST_PATH_IMAGE006
时刻的风险状态指标，
Figure 98077DEST_PATH_IMAGE007
为预设时长
Figure 3585DEST_PATH_IMAGE004
内第
Figure 441389DEST_PATH_IMAGE008
时刻的风险状态指标，
Figure 892093DEST_PATH_IMAGE009
为单位阶跃函数，W 为预设参数。
所述分散程度是通过预设时长内风险状态指标的方差获得的。
在一个可行的实施例中，对包含各风险参数的数据进行归一化处理，包括：
对于与风险状态呈正相关的风险参数，将风险参数的值减去预设时长内的最小值后，除以预设时长内的最大值与预设时长内的最小值的差值，分别得到归一化各时刻风险参数的值。
对于与风险状态呈负相关的风险参数，将风险参数在预设时长内的最大值减去风险参数的值后，除以预设时长内的最大值与预设时长内的最小值的差值，分别得到归一化各时刻风险参数的值。
在一个可行的实施例中，将最优权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的最优风险状态指标后，所述方法还包括：
将各时刻的最优风险状态指标以及各时刻的前一时刻的最优风险状态指标进行加权平均，将加权平均后的结果分别作为各时刻的最优风险状态指标。
在一个可行的实施例中，所述加权平均过程中各时刻的前一时刻的最优风险状态指标的权重为0.05。
在一个可行的实施例中，各风险参数对应的标准数值是通过分别对各风险参数的历史数据进行统计后获得的。
在一个可行的实施例中，将各风险参数在不同时刻的数值与对应的标准数值进行比较，分别获得不同风险参数在不同时刻的波动性指标，包括：
Figure 358889DEST_PATH_IMAGE010
式中，
Figure 864826DEST_PATH_IMAGE011
为第
Figure 111131DEST_PATH_IMAGE012
时刻风险参数
Figure 982004DEST_PATH_IMAGE013
的波动性指标，
Figure 992554DEST_PATH_IMAGE014
为第
Figure 725018DEST_PATH_IMAGE012
时刻风险参数
Figure 137413DEST_PATH_IMAGE013
的值，
Figure 179187DEST_PATH_IMAGE015
为风险参数
Figure 162187DEST_PATH_IMAGE013
的标准数值，
Figure 947609DEST_PATH_IMAGE016
为自然常数。
在一个可行的实施例中，根据所述权重向量中各元素与同一时刻的各风险参数的波动性指标，分别获得各时刻的风险状态指标，包括：
将所述权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的风险状态指标。
在一个可行的实施例中，根据最优权重向量中各元素与同一时刻的各风险参数的波动性指标，分别获得各时刻的最优风险状态指标，包括：
将最优权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的最优风险状态指标。
第二方面，本发明实施例提出了一种基于人工智能的多风险参数企业风险评估系统，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现本发明实施例中基于人工智能的多风险参数企业风险评估方法。
本发明提供了一种基于人工智能的多风险参数企业风险评估方法及系统，能够根据不同时刻各风险参数的值与标准值的比较结果，获得不同时刻各风险参数的波动程度，以结合构建的权重向量获得不同时刻的风险状态指标，并获得使预设时长内风险状态指标的聚集程度和分散程度综合最大的最优权重向量，以获得最优权重向量所对应的最优风险状态指标，当最优风险状态指标大于预设阈值时，判定存在安全隐患并发出警报。
相比于现有技术，本发明实施例的有益效果在于：能够通过获得各风险参数对应的最优权重，提高了对于企业的风险的评估结果的准确性，避免了人为因素造成的主观性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于人工智能的多风险参数企业风险评估方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例提供了一种基于人工智能的多风险参数企业风险评估方法，如图1所示，包括：
步骤S101、获取生产过程中预设时长内包含各风险参数的数据并进行归一化处理。
步骤S102、将各风险参数在不同时刻的数值与对应的标准数值进行比较，分别获得不同风险参数在不同时刻的波动性指标。
步骤S103、构建权重向量，权重向量中各元素分别与各风险参数对应，并将权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的风险状态指标。
步骤S104、获得预设时长内风险状态指标的聚集程度以及分散程度，并将聚集程度与分散程度的乘积作为目标函数，将使目标函数取得最大的权重向量作为最优权重向量。
步骤S105、将最优权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的最优风险状态指标，当最优风险状态指标大于预设阈值时，判定存在安全隐患并发出警报。
本发明实施例将通过选取和布置合理的数据采集设备，对所需监测的风险参数进行数据采集，并对所采集到的多风险参数进行分析，以实现对化工场所的综合风险情况进行评估。
本发明实施例主要适用于对化工企业、化工场所的风险评估预测，基于本发明实施例所述风险熵对化工场所进行风险判断，并对风险熵异常的监测参数发出预警提示，提醒相关管理人员及时对该监测区域内与该类参数相关的设备仪器等，防止重大风险事故的发生。
进一步的，步骤S101、获取生产过程中预设时长内包含各风险参数的数据并进行归一化处理。具体包括：
首先，通过传感器、监测仪等数据感知设备对预设时长内风险参数的数据进行采集，本实施例中风险参数包括温度参数数据、可燃气体参数、有毒气体参数、气象监测参数、储罐压力参数等。
需要说明的是，针对化工场所内实际情况，实施者可自行选择需要进行采集并分析的风险参数，本发明实施例不对所采集的具体参数类型进行限制。
作为一个示例，本发明实施例中预设时长为5分钟。
其次，对采集到的各风险参数进行归一化处理，归一化处理的内容包括：
对于与风险状态呈正相关的风险参数，将风险参数的值减去预设时长内的最小值后，除以预设时长内的最大值与预设时长内的最小值的差值，分别得到归一化各时刻风险参数的值。
对于与风险状态呈负相关的风险参数，将风险参数在预设时长内的最大值减去风险参数的值后，除以预设时长内的最大值与预设时长内的最小值的差值，分别得到归一化各时刻风险参数的值。
如此能够使得归一化后的不同时刻各风险参数的值与风险程度呈现正相关，避免参数之间存在相互矛盾。
进一步的，步骤S102、将各风险参数在不同时刻的数值与对应的标准数值进行比较，分别获得不同风险参数在不同时刻的波动性指标。具体包括：
需要说明的是，各风险参数对应的标准数值是通过分别对各风险参数的历史数据进行统计后获得的。
不同风险参数在不同时刻的波动性指标的获得过程包括：
Figure 965244DEST_PATH_IMAGE017
，式中，
Figure 177919DEST_PATH_IMAGE011
为第
Figure 891623DEST_PATH_IMAGE012
时刻风险参数
Figure 231469DEST_PATH_IMAGE013
的波动性指标，
Figure 556140DEST_PATH_IMAGE014
为第
Figure 736454DEST_PATH_IMAGE012
时刻风险参数
Figure 897308DEST_PATH_IMAGE013
的值，
Figure 352429DEST_PATH_IMAGE015
为风险参数
Figure 813497DEST_PATH_IMAGE013
的标准数值，
Figure 367976DEST_PATH_IMAGE016
为自然常数。需要说明的是，本发明实施例中风险参数的波动性指标越大，风 险参数对应的区域内的稳定性越小。各风险参数对应的标准数值是通过分别对各风险参数 的历史数据进行统计后获得的。
如此，便于后续根据各风险参数的在不同时刻的波动指标进一步分析数据的稳定情况。
进一步的，步骤S103、构建权重向量，权重向量中各元素分别与各风险参数对应，并将权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的风险状态指标。具体包括：
需要说明的是，由于在风险演化过程中多维参数的影响是难以准确衡量的，且通过提前设定固定的权重值对其综合评估时，将会存在理论依据不足、人为主观干扰性较大等问题，从而导致预测结果不准确。因此，为提高化工场所风险评估预测的精度，本发明实施例设置多维风险参数融合分析模型，用于检测各风险参数对化工场所综合风险态势的影响程度，即准确获取各风险参数对化工企业综合风险的不良影响程度，从而更加准确地评估化工企业的风险情况。
首先，构建权重向量，向量中各元素分别反映了各风险参数对于化工企业的整体风险的不良影响程度，权重向量中各元素分别与各风险参数对应，本领域技术人员应该知道，权重向量中各元素之和为1。
其次，将权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的风险状态指标。如此，获得了不同时刻的风险状态指标，便于后续寻找最佳的权重向量。
进一步的，步骤S104、获得预设时长内风险状态指标的聚集程度以及分散程度，并将聚集程度与分散程度的乘积作为目标函数，将使目标函数取得最大的权重向量作为最优权重向量。 具体包括：
首先，获得预设时长内风险状态指标的聚集程度以及分散程度。
具体的，获得预设时长内风险状态指标的聚集程度的内容包括：
Figure 62131DEST_PATH_IMAGE018
，其中，
Figure 9358DEST_PATH_IMAGE002
权重向量
Figure 777463DEST_PATH_IMAGE003
对应的预设时长
Figure 830739DEST_PATH_IMAGE004
内的聚集程度，
Figure 700606DEST_PATH_IMAGE005
为预设时长
Figure 441072DEST_PATH_IMAGE004
内第
Figure 860421DEST_PATH_IMAGE006
时刻的风险状态指标，
Figure 38592DEST_PATH_IMAGE007
为预设 时长
Figure 645023DEST_PATH_IMAGE004
内第
Figure 980058DEST_PATH_IMAGE008
时刻的风险状态指标，
Figure 739067DEST_PATH_IMAGE009
为单位阶跃函数，W为预设参数，实施者可根据需要 自行设定。单位阶跃函数指的是括号内的值小于0时，函数的取值为0，否则，函数的取值为 1。
需要说明的是，分散程度是通过预设时长内风险状态指标的方差获得的，具体包括：
Figure 337407DEST_PATH_IMAGE019
，其中，
Figure 165555DEST_PATH_IMAGE020
为分散程度，
Figure 507543DEST_PATH_IMAGE021
为预设时长内不同时刻的风险状态 指标的均值，
Figure 917796DEST_PATH_IMAGE004
为预设时长，
Figure 687038DEST_PATH_IMAGE005
为预设时长
Figure 285639DEST_PATH_IMAGE004
内第
Figure 650892DEST_PATH_IMAGE006
时刻的风险状态指标。
其次，将将聚集程度与分散程度的乘积作为目标函数，即目标函数
Figure 430498DEST_PATH_IMAGE022
，将使目标函数取得最大的权重向量作为最优权重向量。
需要说明的是，对于目标函数的求解可以采用优化算法实现。本发明实施例中优化算法可采用：遗传算法、粒子群优化算法、梯度下降法、贪心算法等，实施者可自行选取优化算法，本发明实施例不对优化算法的具体算法进行限制。
如此，得到的最优权重向量中的元素分别反映各风险参数对于化工企业的不良影响的程度，便于后续对化工企业的综合风险状况进行评估。
进一步的，步骤S105、将最优权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的最优风险状态指标，当最优风险状态指标大于预设阈值时，判定存在安全隐患并发出警报。具体包括：
首先，将最优权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的最优风险状态指标。
可选的，可以将各时刻的最优风险状态指标以及各时刻的前一时刻的最优风险状态指标进行加权平均，将加权平均后的结果分别作为各时刻的最优风险状态指标。如此可以使得到的各时刻的最优风险状态指标更具参考性。
作为一个示例，加权平均过程中各时刻的前一时刻的最优风险状态指标的权重为0.05。
需要说明的是，化工场所内各时刻的最优风险状态指标越高，该时刻化工场所的整体风险越是朝着无序的状态发展，发生风险事故的可能性越高。为直观评估化工场所综合风险情况，本发明实施例中当化工场所内任一时刻的最优风险状态指标大于预设阈值T时，此时需要发出警报，从而及时提示相关管理人员尽快对监测区域进行进一步的检测排查，并采取相应的措施以避免重大危险事故的发生。
作为一个示例，本发明实施例中预设阈值T=0.6。
基于与上述方法相同的发明构思，本实施例还提供了一种基于人工智能的多风险参数企业风险评估系统，本实施例中基于人工智能的多风险参数企业风险评估系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于人工智能的多风险参数企业风险评估方法实施例中所描述的利用风险参数对企业的风险进行评估。
由于基于人工智能的多风险参数企业风险评估方法实施例中已经对利用风险参数对企业的风险进行评估的方法进行了说明，此处不再赘述。
综上所述，本发明实施例提供了一种基于人工智能的多风险参数企业风险评估方法及系统，能够根据不同时刻各风险参数的值与标准值的比较结果，获得不同时刻各风险参数的波动程度，以结合构建的权重向量获得不同时刻的风险状态指标，并获得使预设时长内风险状态指标的聚集程度和分散程度综合最大的最优权重向量，以获得最优权重向量所对应的最优风险状态指标，当最优风险状态指标大于预设阈值时，判定存在安全隐患并发出警报。
相比于现有技术，本发明实施例的有益效果在于：能够通过获得各风险参数对应的最优权重，提高了对于企业的风险的评估结果的准确性，避免了人为因素造成的主观性。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的多风险参数企业风险评估方法，其特征在于，包括：
获取生产过程中预设时长内包含各风险参数的数据并进行归一化处理；
将各风险参数在不同时刻的数值与对应的标准数值进行比较，分别获得不同风险参数在不同时刻的波动性指标；
构建权重向量，各风险参数分别与所述权重向量中各元素对应，并根据所述权重向量中各元素与同一时刻的各风险参数的波动性指标，分别获得各时刻的风险状态指标；
获得预设时长内所述风险状态指标的聚集程度以及分散程度，并将所述聚集程度与所述分散程度的乘积作为目标函数，将使所述目标函数取得最大的权重向量作为最优权重向量；
根据最优权重向量中各元素与同一时刻的各风险参数的波动性指标，分别获得各时刻的最优风险状态指标，当所述最优风险状态指标大于预设阈值时，判定存在安全隐患并发出警报。
2.根据权利要求1所述的基于人工智能的多风险参数企业风险评估方法，其特征在于，获得预设时长内所述风险状态指标的聚集程度以及分散程度，包括：
获得预设时长内所述风险状态指标的聚集程度，包括：
Figure 392785DEST_PATH_IMAGE001
其中，
Figure 734773DEST_PATH_IMAGE002
权重向量
Figure 603415DEST_PATH_IMAGE003
对应的预设时长
Figure 654548DEST_PATH_IMAGE004
内的聚集程度，
Figure 969992DEST_PATH_IMAGE005
为预设时长
Figure 131983DEST_PATH_IMAGE004
内第
Figure 646010DEST_PATH_IMAGE006
时刻 的风险状态指标，
Figure 133623DEST_PATH_IMAGE007
为预设时长
Figure 467521DEST_PATH_IMAGE004
内第
Figure 433203DEST_PATH_IMAGE008
时刻的风险状态指标，
Figure 4999DEST_PATH_IMAGE009
为单位阶跃函数，W为预 设参数；
所述分散程度是通过预设时长内风险状态指标的方差获得的。
3.根据权利要求1所述的基于人工智能的多风险参数企业风险评估方法，其特征在于，对包含各风险参数的数据进行归一化处理，包括：
对于与风险状态呈正相关的风险参数，将风险参数的值减去预设时长内的最小值后，除以预设时长内的最大值与预设时长内的最小值的差值，分别得到归一化各时刻风险参数的值；
对于与风险状态呈负相关的风险参数，将风险参数在预设时长内的最大值减去风险参数的值后，除以预设时长内的最大值与预设时长内的最小值的差值，分别得到归一化各时刻风险参数的值。
4.根据权利要求1所述的基于人工智能的多风险参数企业风险评估方法，其特征在于，将最优权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的最优风险状态指标后，所述方法还包括：
将各时刻的最优风险状态指标以及各时刻的前一时刻的最优风险状态指标进行加权平均，将加权平均后的结果分别作为各时刻的最优风险状态指标。
5.根据权利要求4所述的基于人工智能的多风险参数企业风险评估方法，其特征在于，所述加权平均过程中各时刻的前一时刻的最优风险状态指标的权重为0.05。
6.根据权利要求1所述的基于人工智能的多风险参数企业风险评估方法，其特征在于，各风险参数对应的标准数值是通过分别对各风险参数的历史数据进行统计后获得的。
7.根据权利要求1所述的基于人工智能的多风险参数企业风险评估方法，其特征在于，将各风险参数在不同时刻的数值与对应的标准数值进行比较，分别获得不同风险参数在不同时刻的波动性指标，包括：
Figure 647201DEST_PATH_IMAGE010
式中，
Figure 484707DEST_PATH_IMAGE011
为第
Figure 237769DEST_PATH_IMAGE012
时刻风险参数
Figure 477120DEST_PATH_IMAGE013
的波动性指标，
Figure 290224DEST_PATH_IMAGE014
为第
Figure 552709DEST_PATH_IMAGE012
时刻风险参数
Figure 127040DEST_PATH_IMAGE013
的值，
Figure 486477DEST_PATH_IMAGE015
为 风险参数
Figure 470482DEST_PATH_IMAGE013
的标准数值，
Figure 735110DEST_PATH_IMAGE016
为自然常数。
8.根据权利要求1所述的基于人工智能的多风险参数企业风险评估方法，其特征在于，根据所述权重向量中各元素与同一时刻的各风险参数的波动性指标，分别获得各时刻的风险状态指标，包括：
将所述权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的风险状态指标。
9.根据权利要求1所述的基于人工智能的多风险参数企业风险评估方法，其特征在于，根据最优权重向量中各元素与同一时刻的各风险参数的波动性指标，分别获得各时刻的最优风险状态指标，包括：
将最优权重向量中各元素与同一时刻的各风险参数的波动性指标对应相乘，分别获得各时刻的最优风险状态指标。
10.一种基于人工智能的多风险参数企业风险评估系统，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-9中任一项所述的基于人工智能的多风险参数企业风险评估方法。
CN202210165467.6A 2022-02-23 2022-02-23 基于人工智能的多风险参数企业风险评估方法及系统 Pending CN114595948A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210165467.6A CN114595948A (zh) 2022-02-23 2022-02-23 基于人工智能的多风险参数企业风险评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210165467.6A CN114595948A (zh) 2022-02-23 2022-02-23 基于人工智能的多风险参数企业风险评估方法及系统

Publications (1)

Publication Number Publication Date
CN114595948A true CN114595948A (zh) 2022-06-07

Family

ID=81806384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210165467.6A Pending CN114595948A (zh) 2022-02-23 2022-02-23 基于人工智能的多风险参数企业风险评估方法及系统

Country Status (1)

Country Link
CN (1) CN114595948A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117009831B (zh) * 2023-10-07 2023-12-08 山东世纪阳光科技有限公司 一种精细化工事故风险预测评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832921A (zh) * 2017-10-19 2018-03-23 南京邮电大学 一种基于组合赋权法的电动汽车充电一体化安全评价方法
WO2019140675A1 (zh) * 2018-01-22 2019-07-25 大连理工大学 基于逼近理想点违约鉴别能力最大的信用评级最优权重向量的方法
CN111010083A (zh) * 2019-11-21 2020-04-14 浙江大学 一种光伏电站故障综合预警系统
CN113792984A (zh) * 2021-08-21 2021-12-14 中国人民解放军空军工程大学 基于云模型的防空反导指挥控制模型能力评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832921A (zh) * 2017-10-19 2018-03-23 南京邮电大学 一种基于组合赋权法的电动汽车充电一体化安全评价方法
WO2019140675A1 (zh) * 2018-01-22 2019-07-25 大连理工大学 基于逼近理想点违约鉴别能力最大的信用评级最优权重向量的方法
CN111010083A (zh) * 2019-11-21 2020-04-14 浙江大学 一种光伏电站故障综合预警系统
CN113792984A (zh) * 2021-08-21 2021-12-14 中国人民解放军空军工程大学 基于云模型的防空反导指挥控制模型能力评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙凤英: "道路安全评价的投影——人工鱼群算法研究", 森林工程, pages 1 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117009831B (zh) * 2023-10-07 2023-12-08 山东世纪阳光科技有限公司 一种精细化工事故风险预测评估方法

Similar Documents

Publication Publication Date Title
CN109325692B (zh) 水管网的数据实时分析方法及装置
CN112348237B (zh) 一种动态钻井数据异常趋势检测方法
CN112783101A (zh) 存储器、危险化学品罐区安全风险预警方法、设备和装置
CN113783272B (zh) 一种基于超级电容监控管理系统的安全控制方法
CN110008096B (zh) 数据监测方法、装置、电子设备及计算机可读存储介质
CN116181416A (zh) 一种冲击地压多参量超前预警系统及方法
CN107194586B (zh) 储罐动态风险分析方法、装置及系统
CN114429308A (zh) 一种基于大数据的企业安全风险评估方法及系统
CN114595948A (zh) 基于人工智能的多风险参数企业风险评估方法及系统
CN114254879A (zh) 多传感器信息融合的电力设备安全诊断方法和装置
CN113343177A (zh) 基于模糊综合评价理论的电梯设备健康状态诊断方法
CN116070917A (zh) 一种基于人工智能存储的危化品风险等级评估系统
CN116105802A (zh) 一种基于物联网的地下设施安全监测预警方法
CN111191855A (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
CN117171366B (zh) 用于电网调度运行态势的知识图谱构建方法及系统
CN114331055A (zh) 企业安全生产风险预警方法、装置、设备和存储介质
CN117411918A (zh) 一种基于iot物联网的监控报警方法及系统
CN117058826A (zh) 一种基于人工智能的声学安防传感器运行检测系统
CN111207306A (zh) 基于数字压力信号处理的热力管网泄漏监测方法
CN103577700B (zh) 一种船舶消防系统连锁性失效的预测方法
CN116718638A (zh) 一种基于电子鼻物联网的危险化学品检测方法和系统
CN112905463B (zh) 软件测试监控方法、装置、电子设备及可读存储介质
CN111915858B (zh) 一种融合模拟量与数字量相关信息的报警方法及系统
CN115153164A (zh) 一种用于高空安全作业监控的健康手环
CN114666361A (zh) 一种基于消防物联网的水系统整体故障检测系统及方法

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