CN115619090A - 一种基于模型和数据驱动的安全评估方法 - Google Patents
一种基于模型和数据驱动的安全评估方法 Download PDFInfo
- Publication number
- CN115619090A CN115619090A CN202211220728.6A CN202211220728A CN115619090A CN 115619090 A CN115619090 A CN 115619090A CN 202211220728 A CN202211220728 A CN 202211220728A CN 115619090 A CN115619090 A CN 115619090A
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- index
- safety
- field
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于模型和数据驱动的安全评估方法,通过对装备、设施安全评估的需求分析、系统化设计,拆解安全评估流程关键步骤,并监测记录装备、设施在业务活动中产生的数据,搭建各类逻辑明确可推理验算的算法模型,使用户能依托全域的数据、专业的模型,完成定性指标自动对标评估、关键指标精准量化评估以及综合量化安全评估等全流程闭环,实现对某安全工作的预测预警、关联追溯和分析评估。
Description
技术领域
本发明属于安全评估领域,尤其涉及一种基于模型和数据驱动的安全评估方法。
背景技术
目前,在已开展的装备任务活动、设施任务事项的安全评估工作中,通常先采用文件审查方法,由专家人工对照相关安全法律法规和技术标准,结合专家经验查找安全问题,再通过现场见证测量的等方法进一步验证复核相关问题。然而,由于法律法规、技术标准、报告模板等资料内容常有修订变更,各项安全指标影响因素众多、影响关系错综复杂,传统的安全评估流程无法灵活适应上述情况,人工对标审查效率不高。因此,需要依托科学的分析评估模型、实时有效的测量数据,实现对运行安全状态的精准评估、综合评估,实现了安全评估从“主观定性到科学定量、从专家经验到模型支撑、从单项对标到体系评估”的转型。
发明内容
发明目的:本发明的目的在于提供一种基于模型、数据驱动的安全评估流程与方法,能够实现对不同任务剖面的定性指标自动对标评估、关键指标精准量化评估以及综合量化安全评估,辅助业务人员高效、可靠地开展安全评估工作。
本发明具体提供了一种基于模型和数据驱动的安全评估方法,包括以下步骤:
步骤1,预采集评估对象在安全评估过程中所需的基础类数据、监测类数据,对采集的数据进行分类、编目、处理,构建标准化、规范化安全评估数据域D;
步骤2,构建评估对象的安全指标体系,包括安全指标集U、安全指标属性集P、指标与属性的关系集R;
步骤3,处理法规标准、技术要求、审评准则的文本语料,抽取出三元组<指标实体、指标属性、属性值>格式的安全评价知识,结合预置的经验评语集,自动对标评估得到一般指标的评价等级;
步骤4,对评估对象的关键指标开展精准安全评估,计算得到关键指标安全量化评估结果;
步骤5,构建隶属度分析模型,递阶计算得到评估对象的综合量化安全评估结果。
步骤1包括:
步骤1-1,采集基础类数据:通过配置基础类数据采集模板、下发基础类数据采集模板、上报数据的方式获取基础类数据;
步骤1-2,采集监测类数据:通过在线数据源配置与引接、离线文件导入两种方式采集监测类数据;
步骤1-3,对基础类数据、监测类数据进行分类编目,形成安全评估数据资源目录;
步骤1-4,构建用于数据清洗、规整的数据处理规则集Druler-p={druler-p(1),druler-p(2),druler-p(3)},druler-p(1)表示唯一性约束规则,druler-p(2)表示非空约束规则,druler-p(3)表示格式约束规则,将采集的基础类数据、监测类数据作为原始数据集,数据处理规则作用于原始数据集;
数据处理规则的配置信息用三元组表示为<tablename,fieldname,druler-p(i)>,1≤i≤3,i表示数据处理规则条数,tablename表示数据表名称,fieldname表示数据表中的字段名称,druler-p(i)表示第i条数据处理规则;
关于唯一性约束规则:首先,标注原始数据集中具备唯一性特征的字段;然后,对标注字段配置唯一性约束规则;唯一性约束规则配置完成后,遍历原始数据集中标注字段所有数据记录,当不存在重复数据记录时,判定标注字段满足唯一性约束规则,否则判定为不满足唯一性约束规则;
关于非空约束规则:首先,标注原始数据集中具备非空特征的字段;然后,对标注字段配置非空约束规则;非空约束规则配置完成后,遍历原始数据集中标注字段所有数据记录,当标注字段不存在数据记录为空时,判定标注字段满足非空约束规则,否则判定为不满足非空约束规则;
关于格式约束规则,首先,标注原始数据集中具备格式特征的字段;然后,对标注字段配置格式约束规则;格式约束规则配置完成后,遍历原始数据集中标注字段所有数据记录,当标注字段不存在格式约束异常时,判定标注字段满足格式约束规则,否则判定为不满足格式约束规则。例如,标注字段格式约束为“整数型”,存在标注字段的数据记录为“字符串型”,此类情况提示格式约束异常,判定为不满足格式约束规则。
步骤1-5,建立字段级的数据转换规则集Druler-t={truler-t(1),truler-t(2)},truler-t(1)表示格式转换规则,truler-t(2)表示内容转换规则,字段级的数据转换规则作用于原始数据集中的监测类数据;
数据转换规则的配置信息用五元组表示为
<tablename,fieldname,truler-t(i),fieldpre-format,fieldpost-format>,
其中1≤i≤2,i表示数据转换规则条数,truler-t(i)表示第i条格式转换规则,fieldpre-format表示原字段格式,fieldpost-fomat表示字段内置格式;
关于格式转换规则:首先,遍历固定式监控站、机动式巡检车采集的监测类数据字段格式,记做原字段格式,标注原字段格式与字段内置格式不一致的字段,对标注字段配置格式转换规则,将标注字段格式转换为与字段内置格式一致。例如:关于监测类数据中存在数据字段“编号”,“编号”原字段格式为数值类型,“编号”字段内置格式为字符类型,对“编号”字段配置格式转换规则,将“编号”字段格式转换为字符类型;
关于内容转换规则:在监测类数据原字段格式与字段内置格式已保持一致的基础上,标注原字段内容与字段内置内容类型不一致的字段,对标注字段配置内容转换规则,将标注字段内容转换为与字段内置内容类型一致。例如,关于监测类数据存在数据字段“采集日期”,“采集日期”原字段格式与字段内置格式都为日期类型,存在“采集日期”原字段内容“2021年11月17日12时36分”,“采集日期”字段内置内容类型为“YYYY-MM-DD”,对“采集日期”字段配置内容转换规则,将“2021年1月7日12时36分”字段内容转换为“2021-11-17”。
步骤1-6,解析、校核安全评估数据采集内容,按照数据处理规则、数据转换规则对原始数据集进行遍历、处理,将不满足规则的原始数据集中的数据标注为异常数据,将去除了异常数据、处理转换后的原始数据集中的数据入库。
步骤1-1中,所述配置基础类数据采集模板包括如下步骤:
步骤1-1-1,在基础类数据目录中选取基础类数据表单,查看选中基础类数据表单的详细字段;
步骤1-1-2,选中需采集的基础类数据字段,确认待采集字段;
步骤1-1-3,如果基础类数据采集模板未配置完成,回到步骤1-1-1,补充表单选择;如果基础类数据采集模板配置完成,确认待采集表单、字段;
步骤1-1-4,生成、导出基础类数据采集模板。
步骤1-6中,所述解析、校核安全评估数据采集内容包括如下步骤:
步骤1-6-1:解析原始数据集,先按安全评估数据资源目录识别出原始数据集中的数据表名称,按数据表名称,匹配对应数据表中的数据字段;遍历数据文件中的数据记录,将数据记录存储在采集数据变量TEMP中;
其中,原始数据集中包含两个以上数据文件,1个数据文件包含两个以上数据表单,1个数据表单中包含两个以上数据字段,数据文件为Excel格式。数据文件具体指的是安全评估的静态数据。
步骤1-6-2:按照每个数据采集任务的数据处理需求,从数据处理规则集Druler-p中选取规则druler-p(i),将数据处理规则与采集数据变量TEMP中的数据字段进行关联配置;
步骤1-6-3:按照数据处理规则,遍历原始数据集中的数据,将不满足数据处理规则的数据记录判定为异常数据,提示对应的异常信息“不符合唯一性约束规则/非空约束规则/格式约束规则”;
步骤1-6-4:按照每个数据采集任务的数据转换需求,从数据转换规则集Druler-t中选取规则truler-t(i),将数据转换规则与原数据字段进行关联配置;
步骤1-6-5:按照数据转换规则,遍历原始数据集中的数据,将不满足数据转换规则的数据记录判定为异常数据,提示对应的异常信息“不符合格式转换规则/内容转换规则”;
步骤1-6-6:统计数据异常情况,在原始数据集中去除异常数据,将通过数据处理、数据转换后的安全评估数据表示为d∈D,将数据d入库,更新安全评估数据域D。
步骤2包括如下步骤:
步骤2-1:构建安全指标集U,记为U=(u1,u2,…,um),ui表示第i个安全指标,i取值为1~m,m表示安全指标的数量;
步骤2-2:构建安全指标属性集P,记为P={(p11,…,p1z),...,(pi1,…,piz),...,(pmj,…,pmz)),对第i个指标ui的属性pij,其属性值用pij-val表示,j取值为1~z,z表示指标属性的个数;
步骤2-3:构建指标与属性的关系集R,通过三元组的形式表示,记为R=(r1,r2,…,rn),指标ui与属性pij的关系记为ri=[ui,pij,pij-val];
步骤2-4:(业务专家)按照总体层、系统层、变量层、指数层、指标层对各项指标进行分类和分级:采用层次分析法,结合事故致因理论,按照总体层、系统层、变量层、指数层、指标层对各项指标按一定的属性进行分类和分级,逐层细化指标。其中,指数层是对变量层安全指标的进一步细化,指标层是对指数层的进一步细化,指标还具有属性特征。层次化后的安全指标集可由多个专家独立进行评定,可通过决择评语集进行评定结果的规范化。
步骤3包括如下步骤:
步骤3-1:准备一般指标安全评价数据,所述一般指标安全评价数据包括评估对象、定性指标、法规标准、任务采集监测数据;
步骤3-2:构建安全评价知识库模型;
步骤3-3:自动对标任务采集监测数据、安全评价知识库模型数据,按照审评准则,给出一般指标评价等级{优秀,良好,一般,不合格}。
步骤3-1包括:
步骤3-1-1,确定评估对象,基于安全评估数据资源目录自动关联查询获取评估对象基本信息、评估对象安全指标;
步骤3-1-2,根据评估对象的安全指标标注,自动识别出定性指标;
步骤3-1-3,根据定性指标与法规标准、审评准则、技术要求的关联关系,自动关联查询获取选定指标的评估标准;
步骤3-1-4,显示安全分析报告、安全指标、法规标准、审评准则、编制要求、报告模板的对应条款,辅助进行对标审查。
步骤3-2包括:
步骤3-2-1,读取法规标准、技术要求、审评准则的文本语料,文本语料中包括指标实体、指标属性的特征词信息;
步骤3-2-2,对文本语料进行预处理,去除文本中无语义的标识,包括空格、换行、分页、分节符号;
步骤3-2-3,对预处理后的文本语料进行分词,抽取出包含指标实体、指标属性信息的特征词初始集,并对特征词初始集进行词频统计;
步骤3-2-4,按照词性划分,将感叹词、数量词、冠词、连词、助动词、介词、副词类型的词语合集作为停用词表,遍历特征词初始集,如果一个特征词不在停用词表,将所述特征词追加到新定义的候选特征词集;
步骤3-2-5,将候选特征词集中的指标实体、指标属性、属性值转化为格式统一的三元组R=(r1,r2,…,rn),指标ui与属性pij的关系记为ri=[ui,pij,pij-val],通过三元组表示安全评价知识库模型。
步骤4包括:
步骤4-1:准备通用数据,具体包括:
步骤4-1-1,确定评估对象,基于安全评估数据资源目录自动关联查询获取评估对象基本信息、评估对象安全指标;
步骤4-1-2,根据评估对象的安全指标标注,自动识别出关键指标,关键指标构建关键指标评估模型,评估对象的关键指标评估模型参数集modeparameters记为:
modeparameters={model1,...,modeli,...,modeln},
其中1≤i≤n,n表示关键指标评价模型数量,modeli表示第i个模型的参数,记为:
modeli={modelname(i),modelinput(i),modeloutput(i)},
其中modelname(i)表示第i个模型标识,modelinput(i)表示第i个模型输入参数,modeloutput(i)表示模型输出参数;
步骤4-1-3,根据关键指标与法规标准、审评准则、技术要求的关联关系,自动关联查询获取选定指标的评估标准,以环境辐射安全关键指标为例:
指标名称:环境辐射安全;
指标关联的法规标准:《辐射性废物分类》、《辐射性废物处理规程》;
审评要求:辐射性废物的来源、种类、数量、分类;
技术要求:辐射性废物的产生量、积存量、临时和长期存放方式。
步骤4-1-4,遍历评估对象的关键指标评估模型输入参数modelinput(i),通过安全评价知识库模型自动关联查询获取关键指标的知识关系;
步骤4-2:准备专用数据,按照关键指标评估模型输入参数modelinput(i),通过关键指标的知识关系,从安全评估数据域D自动关联查询获取关键指标的专用数据,即关键指标评估模型的输入参数值modelinput-val(i)。
步骤5包括:
步骤5-1:确定抉择评语集V、等级参数C,将安全指标集U中的元素状态分为4个评估等级,设置抉择评语集V={v1、v2、v3、v4};其中v1表示优秀,v2表示良好,v3表示一般,v4表示不合格;
对于定量的安全指标,如果满足评定标准,评定结果为优秀,如果不满足评定标准,则评定为不合格;
对每一个评估等级设置分值区间:90分以上为优秀,80~90分为良好,60~80分为一般,60分以下为不合格,除优秀外,其余选择各等级成绩区间的下限作为各等级的参数,经归一化得到相应的等级参数C=(1,0.8,0.6,0),等级参数C用实数集表示,实数集范围在0~1之间;
步骤5-2:确定隶属函数μv,隶属函数是一种可能性分布函数,将隶属函数设置为:
μv=S1/S2
可通过隶属函数表示安全指标集到决择评语集V的模糊关系,代入安全指标的评定结果统计值后,可计算得到中安全指标集U中的任一元素ui对抉择等级vi的隶属度。其中,S2表示参与单个指标ui评估的专家统计数,S1表示单个指标被评定为某评估等级的专家统计数。
步骤5-3:建立评估矩阵E,对安全指标集U中的第i个指标ui的专家评定结果进行统计,代入隶属函数后,得到安全指标ui的指标评估集Ei=(ei1,ei2,…,ein),ein表示安全指标ui对评估等级vn的评估结果,n取值为1,2,3,4;Num_sp表示参与安全指标ui评估的专家数量,表示安全指标ui评估结果为vn的专家数量;对安全指标集中的m个元素逐一评估,构建形成与隶属函数对应的评估矩阵E:
步骤5-4:设置安全指标重要性集A={a1,…,am},设定ai表示单个指标ui在总评估中的重要性系数;
步骤5-5:最终得到了抉择评语集V,安全指标重要性集A、评估矩阵E,通过如下公式计算得到评估对象的等级模糊集B:
B=(b1,b2,…bm)=A·E=(a1,…,am)·E
其中,bi表示等级vj对综合评判所得的等级模糊集B的隶属度,n表示抉择评语集的元素个数;通过如下公式计算得到评估对象的对等级参数的隶属度res:
其中,res为一个实数,res值越大表示评估对象的安全性越高;等级参数C=[c1,c2,c3,c4],其经验取值为(1,0.8,0.6,0)。
有益效果:与现有技术相比,本发明具有如下显著优点:
(1)结合了机动式检测、固定式监控、综合信息系统等多种数据采集管理技术手段,首次构建了覆盖多级、标准统一、要素齐全的安全评估数据资源库,能够满足各任务剖面的安全评估数据需要。
(2)首次通过业务域、数据域、模型域协同设计,对于各类定性定量指标,依托各类人工智能、大数据相关的算法模型和领域专业评估模型,针对性解决了安全评估过程中知识转化程度不高、自动化程度不足、关键指标量化评估困难的问题,满足某安全工作的自动化、规范化、定量化、智能化要求,同时能够支持各类指标评估模型升级拓展和灵活加载,有效提升安全评估流程的科学性和可持续发展能力。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明方法示意图。
图2是定性指标自动对标评估流程示意图。
图3是关键指标精准量化评估流程示意图。
图4是安全综合整体评价流程示意图。
具体实施方式
如图1、图2、图3、图4所示,本发明提供了一种基于模型和数据驱动的安全评估方法,包括:
一、安全评估数据准备
采集安全评估过程所需的基础类数据、监测类数据,通过手工录入、文件导入等方式完成单位信息、人员信息、任务剖面、安全指标、法规标准、安全报告模板等基础类数据采集,通过固定式监控站和机动式巡检车等外部系统引接方式完成装备、设施在任务活动中产生的环境动态或运行设备状态等监测类数据采集。
以设施运行任务活动为例,首先完成多源异构的基础类数据、监测类数据梳理,构建要素齐全、标准统一的安全数据资源池。
(1)采集基础类数据
基础类数据中的目录字典主要为结构化数据,包括单位信息、人员信息、装备设备信息、工程设施信息、专家信息以及任务剖面、安全指标、问题等级、单位分类、人员分类等内容。一般通过手工录入或者采用配置基础类数据采集模板、下发模板、上报数据的方式获取这部分信息。基础类数据采集模板配置步骤包括:
1)在基础类数据目录中选取某基础表单,查看选中基础类数据表单的详细字段;
2)选中需采集的基础数据字段,确认待采集字段;
3)如果采集模板数据表单未选择完成,回到步骤1),补充表单选择;如果采集模板数据表单选择完成,确认待采集表单、字段;
4)生成、导出基础类数据采集模板。
基础类数据中的文书数据分为半结构化、非结构化数据,包括安全分析报告模板、法规标准、安全分析报告、安全评价报告,通过可视化数据管理软件提供手工录入、文件导入的方式离线获取。
(2)采集监测类数据
监测数据包括环境样本数据、设施设备运行数据、图片视频监测数据,是在设施常态化运行或开展任务事项的过程中常态化产生的现场数据,这类数据来源包括机动式巡检车、固定式监控站。通过在线数据源配置与引接、离线文件导入两种方式采集结构化监测类数据。
机动式巡检车搭载了多种检测设备仪器,按照创建巡检任务、策划巡检项目、实施巡检项目数据采集、巡检数据规整入库的步骤,能够周期性或非周期性地对设施周边的环境样本数据进行采集。
固定式监控站通过信息采集与防篡改技术从设施某综合信息系统、某辐射监测系统等现场自动采集现场设施设备运行数据、图片视频监测数据,保证固定式监控站监测数据与各类传感设备的原始数据一致。
(3)数据清洗入库
数据清洗入库的具体步骤如下:
1)对采集的基础类数据、监测类数据进行分类编目,形成安全评估数据资源目录;其中,安全评估数据资源目录结构依次为数据模式、数据表单、数据字段,安全评估数据资源包括了多个数据模式,1个数据模式对应多个数据表单,1个数据表单对应多个数据字段;
2)建立数据清洗、规整的数据处理规则集,包括唯一性约束规则、非空约束规则、格式约束规则;
3)建立字段级的数据转换规则库,包括格式转换规则、内容转换规则;
4)解析、校核安全评估数据采集内容,如果提示数据异常,按提示对异常数据进行处理;如果未提示异常,确认安全评估数据内容,按照数据转换规则进行数据转换入库。
以设施运行任务活动为例,安全评估数据资源目录如表1所示。
表1
二、构建安全指标体系
对不同审评对象各类任务剖面的指标实体、指标属性、关联关系进行分析梳理,首先定义、标注指标实体,再扩展至指标属性、指标与指标关系、指标与属性关系的定义,构建安全指标体系的具体步骤如下:
(1)定义与标注指标实体
结合安全法规标准、审评准则及业界术语,规范化定义指标实体名称,得到指标实体集合u,记为u=(u1,u2,…,um),ui表示第i个安全指标实体元素,i取值为1~m;
指标实体标注类型包括定量指标、定性指标。定量指标及属性是量化表示,包括数值量化或通过量纲转换为量化表示;定性指标及属性是模糊表示,是指标标准的边界模糊,不能直接通过数值或量纲明确表示,需结合专家经验和辅助证明进行评估。
(2)指标属性定义
结合安全法规标准、审评准则及业界术语,规范化定义指标属性名称,得到指标属性集合,记为P=(p11,…,p1z,...,pmj,…,pmz),对单个指标ui的属性pij(i=1,…,m;j=1,…,z),其属性值用pij-val表示。
一个指标能够映射关联多个属性,属性值格式包括数值、字符。
(3)关系定义与表示
规范化定义指标与属性的关系,通过三元组的形式表示,记为R=(r1,r2,…,rn),指标ui与属性pij的关系可记为ri=[ui,pij,pij-val]。
(4)层次分析法
采用层次分析法,结合事故致因理论,按照总体层、系统层、变量层、指数层、指标层对各项指标按一定的属性进行分类和分级,逐层细化指标。其中,指数层是对变量层安全指标的进一步细化,指标层是对指数层的进一步细化,指标还具有属性特征。层次化后的安全指标集可由多个专家独立进行评定,可通过决择评语集进行评定结果的规范化。
以设施运行为例,经层次化后的指标体系为:
1)总体层安全指标:设施运行;
2)系统层安全指标:包括基础结构、设施设备、环境保障、安全管理;
3)变量层安全指标:包括基础结构的场址适宜性、设计基准、建设质量,设施设备的配套率、性能,环境保障的内部条件、外部水平,安全管理的制度机构、技术手段等;
4)指数层安全指标:指数层是对变量层安全指标的进一步细化,以变量层安全指标“场址适宜性”为例,其指数层安全指标包括自然防护条件、水文地质条件、外部人为条件;
5)指标层安全指标:指标层是对指数层的进一步细化,以指数层安全指标“水文地质条件”为例,其指标层安全指标包括地表断裂、地面塌陷、沉降或隆起、斜坡不稳定性、极端风量、降水量、气温和洪水量。
以装备运输为例,经层次化后的指标体系为:
1)总体层安全指标:装备运输;
2)系统层安全指标:包括技术准备、使用过程、事故应急、安全防卫;
3)变量层安全指标:包括技术准备的值班人员、值班场所环境安全,使用过程的待机、机动安全,事故应急的应急装备配套及性能指标,安全防卫的保卫措施、行动指标等。
4)指数层安全指标:指数层是对变量层安全指标的进一步细化,以变量层安全指标“物资器材”为例,其指数层安全指标包括人员防护用品、消防器材、通信器材、维修器材;
5)指标层安全指标:指标层是对指数层的进一步细化,以指数层安全指标“消防器材”为例,其指标层安全指标包括器材数量、配套情况、性能指标。
三、定性指标自动对标评估
面向定性指标开展自动对标评估,首先结合定性指标实体、属性、关系,采用知识图谱技术对安全法规标准、审评大纲、编制要求、报告模板等文书建立安全评价知识库模型;再通过语义分析技术对当前任务采集填写的安全分析报告文本进行解析,将解析得到的指标及指标测量值与知识库的标准要求进行自动匹配,完成实时对标评估,具体步骤如下:
(1)准备数据
一般指标安全评价数据准备包括评估对象、定性指标、法规标准、任务采集监测数据,具体包括:
1)确定评估对象,基于安全评估数据资源目录自动关联查询获取评估对象基本信息、评估对象安全指标;
2)根据评估对象的安全指标标注,自动识别出定性指标;
3)根据定性指标与法规标准、审评准则、技术要求的关联关系,自动关联查询获取选定指标的评估标准;
4)通过业务可视化工具软件,能够自动同屏显示安全分析报告、安全指标、法规标准、审评准则、编制要求、报告模板的对应条款,辅助进行对标审查。
(2)构建知识库模型
知识库模型构建的步骤具体如下:
1)读取法规标准、技术要求、审评准则等文本语料,语料中含有指标实体、指标属性等特征词信息;
2)定义正则表达式对文本语料进行预处理,去除文本中的空格;
3)通过Jieba分词工具对预处理后的语料进行分词,抽取出包含指标实体、指标属性信息的特征词初始集,并对特征词初始集进行词频统计;
4)定义停用词表,遍历特征词初始集,如果某特征词不在停用词表,将该特征词追加到新定义的候选特征词集;
5)考虑设施、装备安全评估业务场景复杂、专业词汇较多,结合专家经验法补充、优化候选特征词集;
6)将候选特征词集中的指标实体、指标属性、属性值转化为格式统一的三元组R=(r1,r2,…,rn),指标ui与属性pij的关系可记为ri=[ui,pij,pj-val];
7)通过NEO4J图数据库工具及知识加工方法,构建覆盖评估对象、任务剖面、安全指标、指标属性、安全要求等多要素的知识库模型。
(3)实体匹配
实体匹配的步骤具体如下:
1)将安全评估数据进行分区索引,以降低计算的复杂度;
2)利用相似度函数计算查找出匹配的指标信息;
3)结合基于关联规则的知识融合算法,得到定性指标与属性测量值、标准范围的匹配结果,完成自动对标安全评估。
四、关键指标定量精准评估
面向关键指标开展精准安全评估,构建基于蒙特卡洛和高分辨率的仿真计算、人体模型当量转换、小流域山洪计算、爆炸危险源安全距离计算、内爆炸压力计算等逻辑明确可推理验算的专业算法模型,完成辐射场强度、人员受照剂量、防洪性能、防内爆性能等安全指标精准定量评估,具体步骤如下:
(1)准备通用数据
关键指标安全评价通用数据准备包括评估对象、关键指标、法规标准、任务采集监测等数据。
1)确定评估对象,基于安全评估数据资源目录自动关联查询获取评估对象基本信息、评估对象安全指标;
2)根据评估对象的安全指标标注,自动识别出关键指标,定义关键指标评估模型输入参数集;
3)根据关键指标与法规标准、审评准则、技术要求的关联关系,自动关联查询获取选定指标的评估标准;
4)根据预定义的关键指标评估模型输入参数,自动关联查询获取关键指标的任务监测数据。
(2)准备专用数据
根据预定义的关键指标评估模型输入参数,自动关联查询获取关键指标的专用数据,包括装备评估对象的常用材料、物理几何及屏蔽计算,设施评估对象的工程结构、爆炸物危险源以及所处的暴雨山洪、地理地形等数据。
以设施运行、装备运输为例,关键指标定量精准评估数据准备情况如表2所示。
表2
(3)定量评估关键指标
构建基于蒙特卡洛和高分辨率的仿真计算、人体模型当量转换、小流域山洪计算、爆炸危险源安全距离计及内爆炸压力计算等逻辑明确可推理验算的专业算法模型,完成辐射场强度、人员受照剂量、防洪性能、防内爆性能等安全指标精准定量评估。
五、安全量化综合评估
面向当前任务活动全部指标的综合量化安全评估,结合定性定量指标评估结果,构建隶属度分析模型,按照等级参数评估步骤递阶段计算得到评估对象的安全综合评价结果,完成综合整体安全评估,具体步骤如下:
(1)确定抉择评语集、等级参数
考虑将安全指标集中的元素状态分为4个评估等级,设置抉择评语集V={优秀(v1)、良好(v2)、一般(v3)、不合格(v4)};对于定量的安全指标,如果满足评定标准,评定结果为优秀,如果不满足评定标准,则评定为不合格。
对每一个评估等级设置分值区间:优秀(90分以上),良好(80~90分),一般(60~80分),不合格(60分以下),除优秀外,其余选择各等级成绩区间的下限作为各等级的参数,经归一化得到相应的等级参数C=(1,0.8,0.6,0),该等级参数用实数集表示,实数集范围在0~1之间。
(2)确定隶属函数
隶属函数是一种可能性分布函数,是把模糊集合运算转化为函数运算的桥梁,同一任务活动或任务场景,选取不同的隶属函数得到的评估结果也会有所不同。
在某典型任务活动中,确定隶属函数为:
μv=S实/S标
可通过隶属函数表示安全指标集到决择评语集V的模糊关系,代入安全指标的评定结果统计值后,可计算得到中安全指标集U中的任一元素u_i对抉择等级v_i的隶属度。其中,S标表示参与单个指标评估ui(i=1,2,…m)的专家统计数,S实表示单个指标被评定为某评估等级的专家统计数。
(3)建立评估矩阵
对安全指标集中的第i个指标ui的专家评定结果进行统计,代入隶属函数后,得到安全指标ui的指标评估集Ri=(ri1,ri2,…rin);对安全指标集中的m个元素逐一评估,构建形成与隶属函数对应的模糊关系矩阵,也称为评估矩阵R。
(4)确定因素重要性集合
由于不同安全指标对评估对象的影响程度不同,对评估对象做综合评价时需兼顾考虑到各安全指标的重要性差异,假定ai(i=1,2,…m)表示单个指标ui在总评估中的重要性系数。
(5)等级参数评估
通过以上步骤,得到了抉择评语集V,安全指标重要性集A、评估矩阵E,通过如下公式计算得到评估对象的等级模糊集B:
B=(b1,b2,…bm)=A·E=(a1,…,am)·E
其中,bi表示等级vj对综合评判所得的等级模糊集B的隶属度,n表示抉择评语集的元素个数;通过如下公式计算得到评估对象的对等级参数的隶属度res:
其中,res为一个实数,res值越大表示评估对象的安全性越高;等级参数C=[c1,c2,c3,c4],其经验取值为(1,0.8,0.6,0)。
具体实现中,本申请提供计算机存储介质以及对应的数据处理单元,其中,该计算机存储介质能够存储计算机程序,所述计算机程序通过数据处理单元执行时可运行本发明提供的一种基于模型和数据驱动的安全评估方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来,该计算机程序软件产品可以存储在存储介质中,包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机,服务器,单片机。MUU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种基于模型和数据驱动的安全评估方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种基于模型和数据驱动的安全评估方法,其特征在于,包括如下步骤:
步骤1,预采集评估对象在安全评估过程中所需的基础类数据、监测类数据,对采集的数据进行分类、编目、处理,构建标准化、规范化安全评估数据域D;
步骤2,构建评估对象的安全指标体系,包括安全指标集U、安全指标属性集P、指标与属性的关系集R;
步骤3,处理法规标准、技术要求、审评准则的文本语料,抽取出三元组<指标实体、指标属性、属性值>格式的安全评价知识,结合预置的经验评语集,自动对标评估得到一般指标的评价等级;
步骤4,对评估对象的关键指标开展精准安全评估,计算得到关键指标安全量化评估结果;
步骤5,构建隶属度分析模型,递阶计算得到评估对象的综合量化安全评估结果。
2.根据权利要求1所述的方法,其特征在于,步骤1包括:
步骤1-1,采集基础类数据:通过配置基础类数据采集模板、下发基础类数据采集模板、上报数据的方式获取基础类数据;
步骤1-2,采集监测类数据:通过在线数据源配置与引接、离线文件导入两种方式采集监测类数据;
步骤1-3,对基础类数据、监测类数据进行分类编目,形成安全评估数据资源目录;
步骤1-4,构建用于数据清洗、规整的数据处理规则集Druler-p={druler-p(1),druler-p(2),druler-p(3)},druler-p(1)表示唯一性约束规则,druler-p(2)表示非空约束规则,druler-p(3)表示格式约束规则,将采集的基础类数据、监测类数据作为原始数据集,数据处理规则作用于原始数据集;
数据处理规则的配置信息用三元组表示为<tadlename,fieldname,druler-p(i)>,1≤i≤3,i表示数据处理规则条数,tablename表示数据表名称,fieldname表示数据表中的字段名称,druler-p(i)表示第i条数据处理规则;
关于唯一性约束规则:首先,标注原始数据集中具备唯一性特征的字段;然后,对标注字段配置唯一性约束规则;唯一性约束规则配置完成后,遍历原始数据集中标注字段所有数据记录,当不存在重复数据记录时,判定标注字段满足唯一性约束规则,否则判定为不满足唯一性约束规则;
关于非空约束规则:首先,标注原始数据集中具备非空特征的字段;然后,对标注字段配置非空约束规则;非空约束规则配置完成后,遍历原始数据集中标注字段所有数据记录,当标注字段不存在数据记录为空时,判定标注字段满足非空约束规则,否则判定为不满足非空约束规则;
关于格式约束规则,首先,标注原始数据集中具备格式特征的字段;然后,对标注字段配置格式约束规则;格式约束规则配置完成后,遍历原始数据集中标注字段所有数据记录,当标注字段不存在格式约束异常时,判定标注字段满足格式约束规则,否则判定为不满足格式约束规则;
步骤1-5,建立字段级的数据转换规则集Druler-t={truler-t(1),truler-t(2)},truler-t(1)表示格式转换规则,truler-t(2)表示内容转换规则,字段级的数据转换规则作用于原始数据集中的监测类数据;
数据转换规则的配置信息用五元组表示为<tablename,fieldname,truler-t(i),fieldpre-format,fieldpost-format>,其中1≤i≤2,i表示数据转换规则条数,truler-t(i)表示第i条格式转换规则,fieldpre-format表示原字段格式,fieldpost-format表示字段内置格式;
关于格式转换规则:首先,遍历固定式监控站、机动式巡检车采集的监测类数据字段格式,记做原字段格式,标注原字段格式与字段内置格式不一致的字段,对标注字段配置格式转换规则,将标注字段格式转换为与字段内置格式一致;
关于内容转换规则:在监测类数据原字段格式与字段内置格式已保持一致的基础上,标注原字段内容与字段内置内容类型不一致的字段,对标注字段配置内容转换规则,将标注字段内容转换为与字段内置内容类型一致;
步骤1-6,解析、校核安全评估数据采集内容,按照数据处理规则、数据转换规则对原始数据集进行遍历、处理,将不满足规则的原始数据集中的数据标注为异常数据,将去除了异常数据、处理转换后的原始数据集中的数据入库。
3.根据权利要求2所述的方法,其特征在于,步骤1-1中,所述配置基础类数据采集模板包括如下步骤:
步骤1-1-1,在基础类数据目录中选取基础类数据表单,查看选中基础类数据表单的详细字段;
步骤1-1-2,选中需采集的基础类数据字段,确认待采集字段;
步骤1-1-3,如果基础类数据采集模板未配置完成,回到步骤1-1-1,补充表单选择;如果基础类数据采集模板配置完成,确认待采集表单、字段;
步骤1-1-4,生成、导出基础类数据采集模板。
4.根据权利要求3所述的方法,其特征在于,步骤1-6中,所述解析、校核安全评估数据采集内容包括如下步骤:
步骤1-6-1:解析原始数据集,先按安全评估数据资源目录识别出原始数据集中的数据表名称,按数据表名称,匹配对应数据表中的数据字段;遍历数据文件中的数据记录,将数据记录存储在采集数据变量TEMP中;
其中,原始数据集中包含两个以上数据文件,1个数据文件包含两个以上数据表单,1个数据表单中包含两个以上数据字段,数据文件为Excel格式;数据文件具体指的是安全评估的静态数据;
步骤1-6-2:按照每个数据采集任务的数据处理需求,从数据处理规则集Druler-p中选取规则druler-p(i),将数据处理规则与采集数据变量TEMP中的数据字段进行关联配置;
步骤1-6-3:按照数据处理规则,遍历原始数据集中的数据,将不满足数据处理规则的数据记录判定为异常数据,提示对应的异常信息;
步骤1-6-4:按照每个数据采集任务的数据转换需求,从数据转换规则集Druler-t中选取规则truler-t(i),将数据转换规则与原数据字段进行关联配置;
步骤1-6-5:按照数据转换规则,遍历原始数据集中的数据,将不满足数据转换规则的数据记录判定为异常数据,提示对应的异常信息;
步骤1-6-6:统计数据异常情况,在原始数据集中去除异常数据,将通过数据处理、数据转换后的安全评估数据表示为d∈D,将数据d入库,更新安全评估数据域D。
5.根据权利要求4所述的方法,其特征在于,步骤2包括如下步骤:
步骤2-1:构建安全指标集U,记为U=(u1,u2,…,um),ui表示第i个安全指标,i取值为1~m,m表示安全指标的数量;
步骤2-2:构建安全指标属性集P,记为P={(p11,…,p1z),...,(pi1,…,piz),...,(pmj,…,pmz)),对第i个指标ui的属性pij,其属性值用pij-val表示,j取值为1~z,z表示指标属性的个数;
步骤2-3:构建指标与属性的关系集R,通过三元组的形式表示,记为R=(r1,r2,…,rn),指标ui与属性pij的关系记为ri=[ui,pij,pij-val];
步骤2-4:按照总体层、系统层、变量层、指数层、指标层对各项指标进行分类和分级。
6.根据权利要求1所述的方法,其特征在于,步骤3包括如下步骤:
步骤3-1:准备一般指标安全评价数据,所述一般指标安全评价数据包括评估对象、定性指标、法规标准、任务采集监测数据;
步骤3-2:构建安全评价知识库模型;
步骤3-3:自动对标任务采集监测数据、安全评价知识库模型数据,按照审评准则,给出一般指标评价等级{优秀,良好,一般,不合格}。
7.根据权利要求6所述的方法,其特征在于,步骤3-1包括:
步骤3-1-1,确定评估对象,基于安全评估数据资源目录自动关联查询获取评估对象基本信息、评估对象安全指标;
步骤3-1-2,根据评估对象的安全指标标注,自动识别出定性指标;
步骤3-1-3,根据定性指标与法规标准、审评准则、技术要求的关联关系,自动关联查询获取选定指标的评估标准;
步骤3-1-4,显示安全分析报告、安全指标、法规标准、审评准则、编制要求、报告模板的对应条款,辅助进行对标审查。
8.根据权利要求6所述的方法,其特征在于,步骤3-2包括:
步骤3-2-1,读取法规标准、技术要求、审评准则的文本语料,文本语料中包括指标实体、指标属性的特征词信息;
步骤3-2-2,对文本语料进行预处理,去除文本中无语义的标识,包括空格、换行、分页、分节符号;
步骤3-2-3,对预处理后的文本语料进行分词,抽取出包含指标实体、指标属性信息的特征词初始集,并对特征词初始集进行词频统计;
步骤3-2-4,按照词性划分,将感叹词、数量词、冠词、连词、助动词、介词、副词类型的词语合集作为停用词表,遍历特征词初始集,如果一个特征词不在停用词表,将所述特征词追加到新定义的候选特征词集;
步骤3-2-5,将候选特征词集中的指标实体、指标属性、属性值转化为格式统一的三元组R=(r1,r2,…,rn),指标ui与属性pij的关系记为ri=[ui,pij,pij-val],通过三元组表示安全评价知识库模型。
9.根据权利要求8所述的方法,其特征在于,步骤4包括:
步骤4-1:准备通用数据,具体包括:
步骤4-1-1,确定评估对象,基于安全评估数据资源目录自动关联查询获取评估对象基本信息、评估对象安全指标;
步骤4-1-2,根据评估对象的安全指标标注,自动识别出关键指标,关键指标构建关键指标评估模型,评估对象的关键指标评估模型参数集modeparameters记为:
modeparameters={model1,…,modeli,…,modeln},
其中1≤i≤n,n表示关键指标评价模型数量,modeli表示第i个模型的参数,记为:
modeli={modelndme(i),modelinput(i),modeloutput(i)},
其中modelname(i)表示第i个模型标识,modelinput(i)表示第i个模型输入参数,modeloutput(i)表示模型输出参数;
步骤4-1-3,根据关键指标与法规标准、审评准则、技术要求的关联关系,自动关联查询获取选定指标的评估标准;
步骤4-1-4,遍历评估对象的关键指标评估模型输入参数modelinput(i),通过安全评价知识库模型自动关联查询获取关键指标的知识关系;
步骤4-2:准备专用数据,按照关键指标评估模型输入参数modelinput(i),通过关键指标的知识关系,从安全评估数据域D自动关联查询获取关键指标的专用数据,即关键指标评估模型的输入参数值modelinput-val(i)。
10.根据权利要求1所述的方法,其特征在于,步骤5包括:
步骤5-1:确定抉择评语集V、等级参数C,将安全指标集U中的元素状态分为4个评估等级,设置抉择评语集V={1、v2、v3、v4};其中v1表示优秀,v2表示良好,v3表示一般,v4表示不合格;
对于定量的安全指标,如果满足评定标准,评定结果为优秀,如果不满足评定标准,则评定为不合格;
对每一个评估等级设置分值区间:90分以上为优秀,80~90分为良好,60~80分为一般,60分以下为不合格,除优秀外,其余选择各等级成绩区间的下限作为各等级的参数,经归一化得到相应的等级参数C=(1,0.8,0.6,0),等级参数C用实数集表示,实数集范围在0~1之间;
步骤5-2:确定隶属函数μv,将隶属函数设置为:
通过隶属函数表示安全指标集U到决择评语集V的模糊关系,代入安全指标的评定结果统计值后,计算得到中安全指标集U中的任一元素ui对抉择等级vi的隶属度;其中,S2表示参与单个指标ui评估的专家统计数,S1表示单个指标被评定为某评估等级的专家统计数;
步骤5-3:建立评估矩阵E,对安全指标集U中的第i个指标ui的专家评定结果进行统计,代入隶属函数后,得到安全指标ui的指标评估集Ei=(ei1,ei2,…,ein),ein表示安全指标ui对评估等级vn的评估结果,n取值为1,2,3,4;Num_sp表示参与安全指标ui评估的专家数量,表示安全指标ui评估结果为vn的专家数量;对安全指标集中的m个元素逐一评估,构建形成与隶属函数对应的评估矩阵E:
步骤5-4:设置安全指标重要性集A={a1,…,am},设定ai表示单个指标ui在总评估中的重要性系数;
步骤5-5:最终得到了抉择评语集V,安全指标重要性集A、评估矩阵E,通过如下公式计算得到评估对象的等级模糊集B:
B=(b1,b2,…bm)=A·E=(a1,…,am)·E
其中,bi表示等级vj对综合评判所得的等级模糊集B的隶属度,n表示抉择评语集的元素个数;通过如下公式计算得到评估对象的对等级参数的隶属度res:
其中,res为一个实数,res值越大表示评估对象的安全性越高;等级参数C=[c1,c2,c3,c4]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220728.6A CN115619090B (zh) | 2022-10-08 | 2022-10-08 | 一种基于模型和数据驱动的安全评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211220728.6A CN115619090B (zh) | 2022-10-08 | 2022-10-08 | 一种基于模型和数据驱动的安全评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115619090A true CN115619090A (zh) | 2023-01-17 |
CN115619090B CN115619090B (zh) | 2023-06-23 |
Family
ID=84861225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211220728.6A Active CN115619090B (zh) | 2022-10-08 | 2022-10-08 | 一种基于模型和数据驱动的安全评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619090B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726237A (zh) * | 2024-02-07 | 2024-03-19 | 四川大学华西医院 | 即时评估方法、装置、计算机设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015070466A1 (zh) * | 2013-11-18 | 2015-05-21 | 国家电网公司 | 安全风险评估方法和装置 |
CN107832973A (zh) * | 2017-11-29 | 2018-03-23 | 国网山东省电力公司电力科学研究院 | 一种基于多态信息综合评判的设备质量管控的方法 |
CN114049026A (zh) * | 2021-11-22 | 2022-02-15 | 码客工场工业科技(北京)有限公司 | 一种基于层次分析法的工业互联网标识解析风险评估方法 |
CN114528848A (zh) * | 2022-04-22 | 2022-05-24 | 中国电子科技集团公司第二十八研究所 | 一种基于指标阈值和语义解析的安全分析和自动评估方法 |
CN114548637A (zh) * | 2021-11-04 | 2022-05-27 | 国网浙江省电力有限公司湖州供电公司 | 一种基于ahp-rst的电力通信骨干数据网络安全综合评估方法 |
CN114595917A (zh) * | 2021-12-02 | 2022-06-07 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 一种等级评估模型 |
-
2022
- 2022-10-08 CN CN202211220728.6A patent/CN115619090B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015070466A1 (zh) * | 2013-11-18 | 2015-05-21 | 国家电网公司 | 安全风险评估方法和装置 |
CN107832973A (zh) * | 2017-11-29 | 2018-03-23 | 国网山东省电力公司电力科学研究院 | 一种基于多态信息综合评判的设备质量管控的方法 |
CN114548637A (zh) * | 2021-11-04 | 2022-05-27 | 国网浙江省电力有限公司湖州供电公司 | 一种基于ahp-rst的电力通信骨干数据网络安全综合评估方法 |
CN114049026A (zh) * | 2021-11-22 | 2022-02-15 | 码客工场工业科技(北京)有限公司 | 一种基于层次分析法的工业互联网标识解析风险评估方法 |
CN114595917A (zh) * | 2021-12-02 | 2022-06-07 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 一种等级评估模型 |
CN114528848A (zh) * | 2022-04-22 | 2022-05-24 | 中国电子科技集团公司第二十八研究所 | 一种基于指标阈值和语义解析的安全分析和自动评估方法 |
Non-Patent Citations (1)
Title |
---|
杨肖 等: "基于模糊层次分析的工业 SCADA 安全风险评估方法研究与应用", vol. 34, no. 5, pages 54 - 60 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726237A (zh) * | 2024-02-07 | 2024-03-19 | 四川大学华西医院 | 即时评估方法、装置、计算机设备及可读存储介质 |
CN117726237B (zh) * | 2024-02-07 | 2024-05-10 | 四川大学华西医院 | 即时评估方法、装置、计算机设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115619090B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108447534A (zh) | 一种基于nlp的电子病历数据质量管理方法 | |
CN112559766B (zh) | 一种法律知识图谱构建系统 | |
CN113254594B (zh) | 一种面向智慧电厂的安全知识图谱构建方法及系统 | |
Fantoni et al. | Text mining tool for translating terms of contract into technical specifications: Development and application in the railway sector | |
CN112182246A (zh) | 通过大数据分析建立企业画像的方法、系统、介质及应用 | |
CN113688169B (zh) | 基于大数据分析的矿山安全隐患辨识与预警系统 | |
Ren et al. | Semantic rule-based construction procedural information extraction to guide jobsite sensing and monitoring | |
Van et al. | Research trends on machine learning in construction management: a scientometric analysis | |
CN112036842A (zh) | 一种科技服务智能匹配平台 | |
Pence et al. | Data-theoretic approach for socio-technical risk analysis: Text mining licensee event reports of US nuclear power plants | |
CN115619090B (zh) | 一种基于模型和数据驱动的安全评估方法 | |
JPWO2018230616A1 (ja) | 法的情報処理システム、方法及びプログラム | |
Luo et al. | Convolutional Neural Network Algorithm–Based Novel Automatic Text Classification Framework for Construction Accident Reports | |
CN107798137B (zh) | 一种基于可加模型的多源异构数据融合架构系统 | |
CN115982429B (zh) | 一种基于流程控制的知识管理方法及系统 | |
Radermacher et al. | Trends in environmental information processing | |
Ahmed et al. | Analysis of breakdown reports using natural language processing and machine learning | |
Ellingsworth et al. | Text mining improves business intelligence and predictive modeling in insurance | |
Razali et al. | Big data analytics for preventive maintenance management | |
Cybulski | Patterns in software requirements reuse | |
KR100700376B1 (ko) | 실시간 서지데이터베이스 평가 방법 | |
Noursalehi et al. | Machine-learning-augmented analysis of textual data: application in transit disruption management | |
Li | Using Big Data Analytics to Build Prosperity Index of Transportation Market | |
CN117390139B (zh) | 基于知识图谱的变电工作票工作内容准确性评估的方法 | |
Hu et al. | A hierarchical retrieval approach for automatically generating assembly instructions |
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 |