CN115994683A - 一种基于知识图谱与迁移学习的企业安全风险预测方法 - Google Patents
一种基于知识图谱与迁移学习的企业安全风险预测方法 Download PDFInfo
- Publication number
- CN115994683A CN115994683A CN202210572850.3A CN202210572850A CN115994683A CN 115994683 A CN115994683 A CN 115994683A CN 202210572850 A CN202210572850 A CN 202210572850A CN 115994683 A CN115994683 A CN 115994683A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- knowledge graph
- data
- transfer learning
- production
- 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
Links
- 238000013526 transfer learning Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012097 association analysis method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 231100000279 safety data Toxicity 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 238000004138 cluster model Methods 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 abstract 1
- 238000005065 mining Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于知识图谱与迁移学习的企业安全风险预测方法,所述方法包括建立企业生产安全知识图谱、预训练基于迁移学习的灰色聚类算法、根据企业生产安全知识图谱获取事故发生数据并微调迁移学习的灰色聚类算法、根据微调后迁移学习的灰色聚类算法分析现场行为安全数据、计算生产现场安全风险等级、根据灰关联分析方法计算行为指标关联度追踪关键行为指标、根据企业生产安全事故知识图谱路径推理算法识别关键行为指标相关危险位置。本方法利用知识图谱构建算法,建立知识库,通过在已有数据预训练模型,提升模型的准确率和挖掘信息的能力,有效指导和规范生产运营各个环节,可较好的应用于实际企业生产中。
Description
技术领域
本发明涉企业安全风险大数据分析领域,具体地,公开了一种基于知识图谱与迁移学习的企业安全风险预测方法。
背景技术
随着国内外企业生产规模扩大,企业安全风险愈发受到重视。在生产中,安全隐患最大的特点就是隐蔽性,它的潜在危险性极大,往往是事故已经发生才引起关注,危及员工性命也给企业带来很大损失,因此提前对企业的厂房、设备、配套设施及生产环境存在的风险、隐患进行排查是非常重要的。
安全风险预测的研究开始于上世纪60年代,目前国内外也有很多在这方面的探索成果,可以在一定程度上达到企业风险管理技术风险评估、降低安全风险,但仍存在一些问题:1、大多聚焦于研究预警指标的处理,而缺乏对企业风险本质原因进行深入探究,未能较好的全局性考虑问题;2、现在的研究多追求更多的监测技术,使得计算任务繁重,信息量巨大却难以利用,所建预测模型日益复杂,导致模型预测效率低3、现有风险分析与危险点识别方法难以反映项目和地区特征以及主观不确定性问。
发明内容
针对现有技术中的缺陷,本发明提供一种基于知识图谱与迁移学习的企业安全风险预测方法,所述方法步骤包括:
S1:根据相关企业安评报告、企业安全生产十三要素数据、企业安全相关资料建立企业生产安全事故知识图谱;
S2:根据安全相关数据预训练基于迁移学习的灰色聚类算法;
S3:根据所述企业生产安全知识图谱获取事故发生数据,微调迁移学习的灰色聚类算法,根据微调后迁移学习的灰色聚类算法分析现场行为安全数据,计算生产现场安全风险等级;
S4:根据灰关联分析方法计算行为指标关联度,追踪关键行为指标;
S5:根据企业生产安全事故知识图谱路径推理算法识别关键行为指标相关危险位置。
优选的,所述企业生产安全事故知识图谱的构建,采用自顶向下的知识图谱构建方法,步骤包括:
S21:通过复用现有的知识本体,构建企业生产安全事故知识图谱本体;
S22:基于多特征双向门控神经网络的应急物资实体抽取方法,从结构化、半结构化和非结构化数据中抽取安全生产实体信息;
S23:对异构数据执行实体对齐和匹配,使用知识推理技术对现有数据进行补充,进行实体知识融合;
S24:采用三元组(实体-关系实体)的数据存储模式对融合后的知识进行存储;其中,企业生产安全事故知识图谱采用自顶向下的知识图谱构建方法。
更优选的,所述企业生产安全事故知识图谱的构建抽取安全生产实体信息;使用混合特征融合的化工文本分词及关系抽取方法,分割化工关键词,并基于统计学方法抽取实体之间的关系。
优选的,所述基于迁移学习预训练模型的构建;使用TrAdaBoost算法设置目标域训练数据作为参考,筛选来源数据中与目标数据有差异的数据,使用Boosting去除。
更优选的,迁移学习的方法步骤包括:
S51:初始化权重向量
S52:利用聚类模型WL在总数据集T上进行训练,重复更新参数,提升准确率得到ht
S53:计算ht在Ts的错误率,公式如下:
其中,εt为ht在Ts的错误率;
S54:更新样本权重,并用于新一轮训练聚类模型。
与现有技术相比,本申请具有如下的有益效果:
1、利用实际安全生产中收集的数据构建了一个完整的基于企业安全风险管理系统,可较好的应用于实际生产生活中;
2、对企业安全风险预测的各个环节涉及多方面,从数据收集、知识图谱构建、预训练模型、微调迁移模型各环节对企业的安全生产过程中的风险进行统计分析,基于大数据分析技术,建立了管理体系,最大程度的可规避风险;
3、通过建立企业安全风险知识图谱提取风险特征数据,改进风险分析算法、支撑危险点识别,解决现有风险分析与危险点识别方法难以反映项目和地区特征以及主观不确定性问题;
4、利用迁移学习的思想最大程度的利用已有数据集,将不同任务的数据集迁移到该问题,有效解决训练数据不足、样本小、模型准确率低、泛化性差的问题。
附图说明
图1根据本申请实施例,示出了一种企业安全风险知识图谱的构建流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
一种基于知识图谱与迁移学习的企业安全风险预测方法,步骤包括:
步骤1:根据相关企业安评报告、企业安全生产十三要素数据、企业安全相关资料建立企业生产安全事故知识图谱;
步骤2:根据安全相关数据预训练基于迁移学习的灰色聚类算法;
步骤3:根据所述企业生产安全知识图谱获取事故发生数据,微调迁移学习的灰色聚类算法,根据微调后迁移学习的灰色聚类算法分析现场行为安全数据,计算生产现场安全风险等级;
步骤4:根据灰关联分析方法计算行为指标关联度,追踪关键行为指标;
步骤5:根据企业生产安全事故知识图谱路径推理算法识别关键行为指标相关危险位置。
参考图1,企业安全风险知识图谱的构建流程包括以下几个模块:
信息抽取、知识抽取、企业安全风险知识图谱本体构建、企业安全风险知识图谱本体、实体融合、存储、企业安全风险知识图谱;
所述信息抽取包括对实体、关系、属性三类数据进行信息抽取;
其中,实体、关系、属性三类数据进行信息来自企业安评报告、企业安全生产十三要素数据、企业安全相关资料。
Claims (5)
1.一种基于知识图谱和迁移学习的企业安全风险预测方法,其特征在于,所述方法步骤包括:
S1:根据相关企业安评报告、企业安全生产十三要素数据、企业安全相关资料建立企业生产安全事故知识图谱;
S2:根据安全相关数据预训练基于迁移学习的灰色聚类算法;
S3:根据所述企业生产安全知识图谱获取事故发生数据,微调迁移学习的灰色聚类算法,根据微调后迁移学习的灰色聚类算法分析现场行为安全数据,计算生产现场安全风险等级;
S4:根据灰关联分析方法计算行为指标关联度,追踪关键行为指标;
S5:根据企业生产安全事故知识图谱路径推理算法识别关键行为指标相关危险位置。
2.如权利要求1所述的一种基于知识图谱和迁移学习的企业安全风险预测系统及方法,其特征在于企业生产安全事故知识图谱的构建,采用自顶向下的知识图谱构建方法,所述步骤包括:
S21:通过复用现有的知识本体,构建企业生产安全事故知识图谱本体;
S22:基于多特征双向门控神经网络的应急物资实体抽取方法,从结构化、半结构化和非结构化数据中抽取安全生产实体信息;
S23:对异构数据执行实体对齐和匹配,使用知识推理技术对现有数据进行补充,进行实体知识融合;
S24:采用三元组(实体-关系实体)的数据存储模式对融合后的知识进行存储。
3.如权利要求2所述的企业生产安全事故知识图谱的构建,其特征在于抽取安全生产实体信息;使用混合特征融合的化工文本分词及关系抽取方法,分割化工关键词,并基于统计学方法抽取实体之间的关系。
4.如权利要求1所述的一种基于知识图谱和迁移学习的企业安全风险预测系统及方法,其特征在于基于迁移学习预训练模型的构建;使用TrAdaBoost算法设置目标域训练数据作为参考,筛选来源数据中与目标数据有差异的数据,使用Boosting去除。
5.如权利要求4所述的基于迁移学习预训练模型的构建方法,其特征在于迁移学习的方法步骤包括:
S51:初始化权重向量
其中,是权重向量,n是辅助数据集Td的行数,m是目标数据集Ts的行数,总数据集T=Ts∪Td;
S52:利用聚类模型WL在总数据集T上进行训练,重复更新参数,提升准确率得到ht;
S53:计算ht在Ts的错误率,公式如下:
其中,εt为ht在Ts的错误率;
S54:更新样本权重,并用于新一轮训练聚类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572850.3A CN115994683A (zh) | 2022-05-20 | 2022-05-20 | 一种基于知识图谱与迁移学习的企业安全风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572850.3A CN115994683A (zh) | 2022-05-20 | 2022-05-20 | 一种基于知识图谱与迁移学习的企业安全风险预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115994683A true CN115994683A (zh) | 2023-04-21 |
Family
ID=85993069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210572850.3A Pending CN115994683A (zh) | 2022-05-20 | 2022-05-20 | 一种基于知识图谱与迁移学习的企业安全风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994683A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882538A (zh) * | 2023-05-26 | 2023-10-13 | 海南大学 | 一种海洋环境预测模型的训练方法及相关装置 |
CN117094566A (zh) * | 2023-10-19 | 2023-11-21 | 中节能大数据有限公司 | 一种视图导向的企业管理分析策略方法 |
-
2022
- 2022-05-20 CN CN202210572850.3A patent/CN115994683A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882538A (zh) * | 2023-05-26 | 2023-10-13 | 海南大学 | 一种海洋环境预测模型的训练方法及相关装置 |
CN116882538B (zh) * | 2023-05-26 | 2024-03-05 | 海南大学 | 一种海洋环境预测模型的训练方法及相关装置 |
CN117094566A (zh) * | 2023-10-19 | 2023-11-21 | 中节能大数据有限公司 | 一种视图导向的企业管理分析策略方法 |
CN117094566B (zh) * | 2023-10-19 | 2024-01-02 | 中节能大数据有限公司 | 一种视图导向的企业管理分析策略方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115994683A (zh) | 一种基于知识图谱与迁移学习的企业安全风险预测方法 | |
Hou et al. | Review on the new development of vibration-based damage identification for civil engineering structures: 2010–2019 | |
CN110148285B (zh) | 一种基于大数据技术的油井参数智能预警系统及其预警方法 | |
Dong et al. | Deep metric learning-based for multi-target few-shot pavement distress classification | |
CN110110080A (zh) | 文本分类模型训练方法、装置、计算机设备及存储介质 | |
CN109636055A (zh) | 一种非煤矿山安全生产风险预测预警平台 | |
CN113779272B (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
Gupta et al. | Prediction of air quality index using machine learning techniques: a comparative analysis | |
CN111636891B (zh) | 盾构姿态实时预测系统和预测模型的构建方法 | |
CN109034140A (zh) | 基于深度学习结构的工业控制网络信号异常检测方法 | |
CN114004210A (zh) | 基于神经网络的应急预案生成方法、系统、设备及介质 | |
CN113807645A (zh) | 一种基于开源情报的产业链风险推演方法 | |
Ding et al. | A framework for regional association rule mining in spatial datasets | |
CN110795888A (zh) | 一种石油钻井风险预测方法 | |
Yang et al. | An intelligent singular value diagnostic method for concrete dam deformation monitoring | |
CN116645056A (zh) | 一种基于物联网的工地安全管理系统 | |
CN117611015A (zh) | 一种建筑工程质量实时监测系统 | |
CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
Banerjee et al. | Traffic accident risk prediction using machine learning | |
CN113626929A (zh) | 多阶段多拓扑的船舶交通复杂度度量方法及系统 | |
CN105335758A (zh) | 一种基于视频费舍尔向量描述符的车型识别方法 | |
CN114238599A (zh) | 一种信息通信系统故障应急辅助决策方法及系统 | |
Rasekh et al. | Machine learning approach for contamination source identification in water distribution systems | |
Yang et al. | Prediction of criminal tendency of high-risk personnel based on combination of principal component analysis and support vector machine | |
JP2005350972A (ja) | 防災事業計画支援システムとその方法 |
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 |