CN117709729A - 重大工程技术创新成果应用风险评估方法及电子设备 - Google Patents

重大工程技术创新成果应用风险评估方法及电子设备 Download PDF

Info

Publication number
CN117709729A
CN117709729A CN202311838945.6A CN202311838945A CN117709729A CN 117709729 A CN117709729 A CN 117709729A CN 202311838945 A CN202311838945 A CN 202311838945A CN 117709729 A CN117709729 A CN 117709729A
Authority
CN
China
Prior art keywords
risk
probability
bayesian network
layer
application
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
Application number
CN202311838945.6A
Other languages
English (en)
Other versions
CN117709729B (zh
Inventor
蔡超勋
荆浩飞
王青娥
王朝静
石越峰
魏强
汤晓光
刘延宏
薛彩丽
姚建平
赵钰
李秀清
王敏
付红剑
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.)
China Railway Construction Management Co ltd
Beijing Jiaotong University
Central South University
China Academy of Railway Sciences Corp Ltd CARS
Railway Engineering Research Institute of CARS
China State Railway Group Co Ltd
Original Assignee
China Railway Construction Management Co ltd
Beijing Jiaotong University
Central South University
China Academy of Railway Sciences Corp Ltd CARS
Railway Engineering Research Institute of CARS
China State Railway Group 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 China Railway Construction Management Co ltd, Beijing Jiaotong University, Central South University, China Academy of Railway Sciences Corp Ltd CARS, Railway Engineering Research Institute of CARS, China State Railway Group Co Ltd filed Critical China Railway Construction Management Co ltd
Priority to CN202311838945.6A priority Critical patent/CN117709729B/zh
Publication of CN117709729A publication Critical patent/CN117709729A/zh
Application granted granted Critical
Publication of CN117709729B publication Critical patent/CN117709729B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提出一种重大工程技术创新成果应用风险评估方法及电子设备，该方法包括以下步骤：识别风险因素、构建风险指标体系、构建风险等级标准矩阵；构建成贝叶斯网络拓扑结构；计算所有贝叶斯网络拓扑结构中指标层的先验概率值；计算目标层和准则层的条件概率值；建立贝叶斯网络风险概率模型；对贝叶斯网络风险概率模型进行正向概率推理/逆向概率推理，得到目标层、准则层发生的概率分布数据，或得到指标层的后验概率分布数据；根据目标层、准则层发生的概率分布数据和指标层的后验概率分布数据，完成重大工程技术创新成果应用风险评估。本申请提供的技术方案，能够对重大工程技术创新成果应用风险展开评估，以满足实际工程的需要。

Description

重大工程技术创新成果应用风险评估方法及电子设备
技术领域
本申请涉及工程评估技术领域，尤其涉及一种基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法；本申请还涉及一种电子设备。
背景技术
成果应用是重大工程技术创新活动的核心环节之一，是指将现有的科研成果通过一定的载体和方式转化为服务于工程的产品，实现在重大工程现场的应用与转化。受多种因素限制，成果应用不顺畅一直是技术创新工作的短板，面临着成果应用效率、效益和质量不理想等困境，是许多不确定性因素的互相耦合作用的过程。当前，技术创新成果应用风险已然成为制约我国重大工程建设与发展的重要影响因素，成果应用一旦受阻，势必会阻碍重大工程的开展，造成生命财产损失，因此对重大工程技术创新成果应用活动开展风险识别、风险评估、风险控制等管理工作具有十分重要的意义。
在风险管理中，对风险的正确评估是有效管理的前提，然而目前在市面上缺乏一种科学的手段对重大工程技术创新成果应用风险进行评估。风险评估是指基于一定标准去评判各种风险要素对项目的影响程度和发生概率。
传统的风险评估方法主要为灰色关联分析法、层次分析法、网络分析法、模糊综合评价法、故障树分析法等，这些方法虽然在风险研究领域取得了一定的进展，但仍然未能为技术创新成果应用风险的定量评估和动态评估提供有效的解决方法。
因此，如何提供一种基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，其能够对重大工程技术创新成果应用风险展开评估，以满足实际工程的需要，是本领域技术人员亟待解决的技术问题。
发明内容
针对上述现有技术的不足，本发明的目的在于能够对重大工程技术创新成果应用风险展开评估，以满足实际工程的需要。
根据本发明的第一个实施方案，提供一种基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法：
一种基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，该方法包括以下步骤：挖掘重大工程技术创新成果应用的风险因素，基于所述风险因素构建风险指标体系，所述风险因素构建风险指标体系包括：目标层、准则层、指标层；基于风险矩阵法，根据风险发生概率和风险损失程度构建风险等级标准矩阵；基于所述风险因素构建风险指标体系，构建成贝叶斯网络拓扑结构；基于所述风险等级标准矩阵，根据三角模糊数法和DUOWA算法，计算所有所述贝叶斯网络拓扑结构中所述指标层的先验概率值；基于LeakyNoisy-or gate模型计算所述目标层和所述准则层的条件概率值；建立贝叶斯网络风险概率模型；对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述目标层和准则层发生的概率分布数据；对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述指标层的后验概率分布数据；根据所述目标层和准则层发生的概率分布数据和所述指标层的后验概率分布数据，完成重大工程技术创新成果应用风险评估。
进一步地，作为本发明一种更为优选地实施方案，所述目标层为技术创新成果应用风险A，所述准则层由多个影响所述目标层A的风险类型Bn组成，所述指标层由多个影响所述准则层的风险源Cnm组成；所述风险类型Bn包括：技术风险B1、管理风险B2、环境风险B3、资源风险B4、直接效益风险B5、间接效益风险B6；
所述风险源Cnm包括：与所述技术风险B1对应的应用基础情况C11、需求匹配性C12、技术就绪度C13、技术融合性C14；与所述管理风险B2对应的需求单位对新技术的掌握难度C21、新技术的转化管理流程的复杂性C22、新技术对标准规范的扰动程度C23、新技术对施工组织的干扰程度C24；与所述环境风险B3对应的气候环境适应性C31、地质环境适应性C32、水文环境适应性C33、生态环境适应性C34；与所述资源风险B4对应的技术转化费用C41、技术转化周期C42、技术转化人力资源需求C43、技术转化设备/材料保障能力C44；与所述直接效益风险B5对应的安全防控能力C51、质量提升水平C52、进度提升水平C53、成本节约水平C54、环保提升水平C55；与所述间接效益风险B6对应的技术应用范围C61、人才培养数量C62、产业转化效益C63。
进一步地，作为本发明一种更为优选地实施方案，所述“基于风险矩阵法，根据风险发生概率和风险损失程度构建风险等级标准矩阵”具体包括以下步骤：将风险发生概率作为横坐标，将风险损失程度作为纵坐标，构建风险等级标准矩阵；其中，所述风险发生概率和所述风险损失程度配置为五级量纲；风险等级配置为五级；不同级别的所述风险发生概率和不同级别的所述风险损失程度组合对应不同级别的所述风险等级，所述风险等级Rn，n＝1、2、……、5。
进一步地，作为本发明一种更为优选地实施方案，所述“基于所述风险因素构建风险指标体系，构建成贝叶斯网络拓扑结构”具体包括以下步骤：所述贝叶斯网络拓扑结构中设定目标层为叶节点，准则层为中间节点，指标层为根节点，构建成贝叶斯网络拓扑结构；将所述叶节点、所述中间节点、所述根节点配置为二级变量属性。
进一步地，作为本发明一种更为优选地实施方案，所述“基于所述风险等级标准矩阵，根据三角模糊数法和DUOWA算法，计算所有所述贝叶斯网络拓扑结构中所述指标层的先验概率值”具体包括以下步骤：采用三角模糊数，计算所述根节点先验概率值，所述根节点风险发生时的概率模糊子集如公式(1)：
其中，αi、βi为的置信上下限，mi为所述根节点概率中值；
根据所述风险等级标准矩阵，设定所述风险等级Rn对应的语言描述值和先验概率模糊数；
采集专家基于所述风险等级Rn和对应所述语言描述值标准，对各个所述根节点的风险等级评判，得到对应各个所述根节点的概率模糊数Fk＝(ak,bk,ck)，进一步，采用均值面积法去模糊化得到所述根节点的解模糊化的专家评估值Fk；
采用DUOWA算法，确定不同专家的评估值权重：
通过解模糊化的专家评估值Fk与专家评估模糊数的算术平均值的相似度来确定不同专家的评估值权重wk；
结合所述根节点的不同专家的评估值权重wk及解模糊化的专家评估值Fk，得到去模糊化的精确评价值Fjq。
进一步地，作为本发明一种更为优选地实施方案，所述“基于Leaky Noisy-orgate模型计算所述目标层和所述准则层的条件概率值”具体包括以下步骤：
设X为Y的父节点，Xl为影响Y发生的不确定性因素；
首先需确定P(Y|Xi)、其中P(Y|Xi)表示仅Xi发生导致Y发生的概率，/>表示仅Xi不发生而Y发生的概率；
设Pi是Xi的连接概率，进一步得到Y所对应的所有父节点的连接概率：
设Pl为不确定性因素Xl的连接概率，从而得出节点Y的条件概率为：
其中，Xp为条件概率表对应的项。
进一步地，作为本发明一种更为优选地实施方案，对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述叶节点对应的所述目标层中技术创新成果应用风险A和所述中间节点对应的所述准则层中各个所述风险类型Bn的发生概率分布数据；对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述根节点对应的所述指标层中各个所述风险源Cnm的后验概率分布数据。
进一步地，作为本发明一种更为优选地实施方案，所述“对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述目标层和准则层发生的概率分布数据”具体包括以下步骤：结合所述指标层的先验概率值、所述目标层和所述准则层的条件概率值；将所述指标层的先验概率值和所述目标层和所述准则层的条件概率值输入GeNIe软件中，选择聚类推理算法进行因果推理，可得到所述目标层中技术创新成果应用风险A和所述准则层中各个所述风险类型Bn的发生概率分布。
进一步地，作为本发明一种更为优选地实施方案，所述“对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述指标层的后验概率分布数据并进行重要性评价”具体包括以下步骤：在GeNIe软件中将“技术创新成果应用风险A”节点“发生”状态下的概率设为100％，逆向得出各节点的后验概率值；
对风险因素进行重要性评价，以确定威胁重大工程技术创新成果应用风险的关键风险源，重要度I公式为：
式中，T为叶节点对应风险事件，Xi为根节点对应风险事件。
根据本发明的第二个实施方案，提供一种电子设备：
电子设备，包括：计算机程序，所述计算机程序用于执行上述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法；存储器，所述存储器用于存储所述计算机程序；处理器，所述处理器用于执行所述计算机程序。
与现有技术相比，本申请提供的技术方案中，通过先建立风险因素构建风险指标体系及风险等级标准矩阵，再构建贝叶斯网络拓扑结构；利用三角模糊数法和DUOWA算法，得到所有所述贝叶斯网络拓扑结构中所述指标层的先验概率值；利用Leaky Noisy-orgate模型计算所述目标层和所述准则层的条件概率值；进而建立了贝叶斯网络风险概率模型。对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述目标层和准则层发生的概率分布数据；对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述指标层的后验概率分布数据；根据所述目标层和准则层发生的概率分布数据和所述指标层的后验概率分布数据，完成重大工程技术创新成果应用风险评估。本申请提供的技术方案，能够从多维度构建了普适性的风险指标体系；将贝叶斯网络和模糊理论相结合，集成专家经验和贝叶斯网络良好的推理能力，对重大工程技术创新成果应用风险展开评估，以满足实际工程的需要。
附图说明
图1为本申请方案的实施例中重大工程技术创新成果应用风险评估方法的整体流程结构示意图；
图2为本申请方案的实施例中重大工程技术创新成果应用风险评估方法的流程节点的示意图；
图3为本申请方案的实施例中风险因素构建风险指标体系结构示意图；
图4为本申请方案的实施例中风险等级标准矩阵的结构示意图；
图5为本申请方案的实施例中重大工程技术创新成果应用风险贝叶斯拓扑结构(含节点状态)示意图；
图6为本申请方案的实施例中贝叶斯网络逆向概率推理结果。
具体实施方式
为了使本领域的技术人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件上，它可以直接在另一个元件上或者间接设置在另一个元件上；当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至另一个元件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，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。在本申请的描述中，“多个”、“若干个”的含义是两个或两个以上，除非另有明确具体的限定。
须知，本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本申请可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本申请所能产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容得能涵盖的范围内。
需要说明的是，目前的成果应用风险评估借鉴多学科交叉方法，尤其是计算机科学领域的方法，如VaR风险价值法、模糊神经网络、蒙特卡罗法、贝叶斯概率法在风险评估中被广泛地运用。但在面向重大工程技术创新成果应用风险评估中仍然存在指标不全面、评估主观性强、评估风险准确率低等问题。
贝叶斯网络(Bayesian Networks，BN)是一种基于概率推理的有效途径模型。贝叶斯网络作为一个功能强大的数据分析工具，集成了诸多先进实用的数据挖掘处理与分析技术，通过可观察的网络模型表达问题所在领域中变量之间的依赖关系和关联关系，在风险评估中被广泛地运用。
在成果应用风险评估中，需要利用统计方法和历史样本数据计算风险发生的概率。重大工程技术创新成果应用活动较为复杂，其风险源众多，且产生的影响也具有很强的不确定性，历史样本数据少且精确度不足，只能表示为一种模糊关系。针对贝叶斯网络进行概率分析时过度依赖节点概率的问题，模糊理论提供了一种有效的技术，利用模糊隶属函数将语言估计转化为模糊数进行定量评价，既可以充分利用现有的统计数据和专家知识，又允许部分误差的存在。
本发明针对重大工程技术创新成果应用活动的现状，从多维度构建了普适性的风险指标体系；将贝叶斯网络和模糊理论相结合，集成专家经验和贝叶斯网络良好的推理能力，对重大工程技术创新成果应用风险展开评估，以满足实际工程的需要。
根据本发明的第一个实施方案，提供一种基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法：
一种基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，该方法包括以下步骤：挖掘重大工程技术创新成果应用的风险因素，基于所述风险因素构建风险指标体系，所述风险因素构建风险指标体系包括：目标层、准则层、指标层；基于风险矩阵法，根据风险发生概率和风险损失程度构建风险等级标准矩阵；基于所述风险因素构建风险指标体系，构建成贝叶斯网络拓扑结构；基于所述风险等级标准矩阵，根据三角模糊数法和DUOWA算法，计算所有所述贝叶斯网络拓扑结构中所述指标层的先验概率值；基于LeakyNoisy-or gate模型计算所述目标层和所述准则层的条件概率值；建立贝叶斯网络风险概率模型；对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述目标层和准则层发生的概率分布数据；对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述指标层的后验概率分布数据；根据所述目标层和准则层发生的概率分布数据和所述指标层的后验概率分布数据，完成重大工程技术创新成果应用风险评估。
本申请提供了一种基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法的技术方案中。通过先建立风险因素构建风险指标体系及风险等级标准矩阵，再构建贝叶斯网络拓扑结构；利用三角模糊数法和DUOWA算法，得到所有所述贝叶斯网络拓扑结构中所述指标层的先验概率值；利用Leaky Noisy-or gate模型计算所述目标层和所述准则层的条件概率值；进而建立了贝叶斯网络风险概率模型。对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述目标层和准则层发生的概率分布数据；对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述指标层的后验概率分布数据；根据所述目标层和准则层发生的概率分布数据和所述指标层的后验概率分布数据，完成重大工程技术创新成果应用风险评估。本申请提供的技术方案，能够从多维度构建了普适性的风险指标体系；将贝叶斯网络和模糊理论相结合，集成专家经验和贝叶斯网络良好的推理能力，对重大工程技术创新成果应用风险展开评估，以满足实际工程的需要。
具体地进行阐述，在本发明实施例中，所述目标层为技术创新成果应用风险A，所述准则层由多个影响所述目标层A的风险类型Bn组成，所述指标层由多个影响所述准则层的风险源Cnm组成；所述风险类型Bn包括：技术风险B1、管理风险B2、环境风险B3、资源风险B4、直接效益风险B5、间接效益风险B6；
所述风险源Cnm包括：与所述技术风险B1对应的应用基础情况C11、需求匹配性C12、技术就绪度C13、技术融合性C14；与所述管理风险B2对应的需求单位对新技术的掌握难度C21、新技术的转化管理流程的复杂性C22、新技术对标准规范的扰动程度C23、新技术对施工组织的干扰程度C24；与所述环境风险B3对应的气候环境适应性C31、地质环境适应性C32、水文环境适应性C33、生态环境适应性C34；与所述资源风险B4对应的技术转化费用C41、技术转化周期C42、技术转化人力资源需求C43、技术转化设备/材料保障能力C44；与所述直接效益风险B5对应的安全防控能力C51、质量提升水平C52、进度提升水平C53、成本节约水平C54、环保提升水平C55；与所述间接效益风险B6对应的技术应用范围C61、人才培养数量C62、产业转化效益C63。
需要说明的是，从整体上先从客观上找到所有的风险源，将风险源进行分类得到风险类型；不同的风险类型构成准则层，而与各个不同风险类型对应的是风险源Cnm；以此实现对重大工程技术创新成果应用风险因素的体系化，有利于后续对风险因素构建风险指标体系的数据分析，构建贝叶斯网络风险概率模型。
具体地进行阐述，在本发明实施例中，所述“基于风险矩阵法，根据风险发生概率和风险损失程度构建风险等级标准矩阵”具体包括以下步骤：将风险发生概率作为横坐标，将风险损失程度作为纵坐标，构建风险等级标准矩阵；其中，所述风险发生概率和所述风险损失程度配置为五级量纲；风险等级配置为五级；不同级别的所述风险发生概率和不同级别的所述风险损失程度组合对应不同级别的所述风险等级，所述风险等级Rn，n＝1、2、……、5。
需要说明的是，通过预先构建的风险等级标准矩阵，实现对后续多位专家的评估进行客观的归类总结，提高后续对贝叶斯网络风险概率模型训练的质量，提高评估的客观准确性。
具体地进行阐述，在本发明实施例中，所述“基于所述风险因素构建风险指标体系，构建成贝叶斯网络拓扑结构”具体包括以下步骤：所述贝叶斯网络拓扑结构中设定目标层为叶节点，准则层为中间节点，指标层为根节点，构建成贝叶斯网络拓扑结构；将所述叶节点、所述中间节点、所述根节点配置为二级变量属性。
需要说明的是，在所述风险因素构建风险指标体系进行建立时，即风险源进行细致的拆分，使得风险源-根节点的状态能够被配置为二级变量属性，提高贝叶斯网络拓扑结构更具可训练性，提高模型的评估准确性。
具体地进行阐述，在本发明实施例中，所述“基于所述风险等级标准矩阵，根据三角模糊数法和DUOWA算法，计算所有所述贝叶斯网络拓扑结构中所述指标层的先验概率值”具体包括以下步骤：采用三角模糊数，计算所述根节点先验概率值，所述根节点风险发生时的概率模糊子集如公式(1)：
其中，αi、βi为的置信上下限，mi为所述根节点概率中值；
根据所述风险等级标准矩阵，设定所述风险等级Rn对应的语言描述值和先验概率模糊数；
采集专家基于所述风险等级Rn和对应所述语言描述值标准，对各个所述根节点的风险等级评判，得到对应各个所述根节点的概率模糊数Fk＝(ak,bk,ck)，进一步，采用均值面积法去模糊化得到所述根节点的解模糊化的专家评估值Fk；
采用DUOWA算法，确定不同专家的评估值权重：
通过解模糊化的专家评估值Fk与专家评估模糊数的算术平均值的相似度来确定不同专家的评估值权重wk；
结合所述根节点的不同专家的评估值权重wk及解模糊化的专家评估值Fk，得到去模糊化的精确评价值Fjq。
需要说明的是，首先结合三角模糊数预先设定匹配不同风险等级的语言描述值和先验概率模糊数；在结合专家对不同根节点的评判分值，过去各个根节点的评估值，再通过获取评估值权重，得到去模糊化的精确评价值；
具体地进行阐述，在本发明实施例中，所述“基于Leaky Noisy-or gate模型计算所述目标层和所述准则层的条件概率值”具体包括以下步骤：
设X为Y的父节点，Xl为影响Y发生的不确定性因素；
首先需确定P(Y|Xi)、其中P(Y|Xi)表示仅Xi发生导致Y发生的概率，/>表示仅Xi不发生而Y发生的概率；
设Pi是Xi的连接概率，进一步得到Y所对应的所有父节点的连接概率：
设Pl为不确定性因素Xl的连接概率，从而得出节点Y的条件概率为：
其中，Xp为条件概率表对应的项。
具体地进行阐述，在本发明实施例中，对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述叶节点对应的所述目标层中技术创新成果应用风险A和所述中间节点对应的所述准则层中各个所述风险类型Bn的发生概率分布数据；对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述根节点对应的所述指标层中各个所述风险源Cnm的后验概率分布数据。
需要说明的是，对贝叶斯网络风险概率模型进行正向概率推理和逆向概率推理是现有技术中的技术手段，但放在本申请技术方案中，可实现获得所述目标层中技术创新成果应用风险A、各个所述风险类型Bn的发生概率分布数据和获得所述指标层中各个所述风险源Cnm的后验概率分布数据。
具体地进行阐述，在本发明实施例中，所述“对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述目标层和准则层发生的概率分布数据”具体包括以下步骤：结合所述指标层的先验概率值、所述目标层和所述准则层的条件概率值；将所述指标层的先验概率值和所述目标层和所述准则层的条件概率值输入GeNIe软件中，选择聚类推理算法进行因果推理，可得到所述目标层中技术创新成果应用风险A和所述准则层中各个所述风险类型Bn的发生概率分布。
具体地进行阐述，在本发明实施例中，所述“对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述指标层的后验概率分布数据并进行重要性评价”具体包括以下步骤：在GeNIe软件中将“技术创新成果应用风险A”节点“发生”状态下的概率设为100％，逆向得出各节点的后验概率值。
对风险因素进行重要性评价，以确定威胁重大工程技术创新成果应用风险的关键风险源，重要度I公式为：
式中，T为叶节点对应风险事件，Xi为根节点对应风险事件。
需要说明的是，将贝叶斯网络风险概率模型输入GeNIe软件中进行正向/逆向的概率推理，实现贝叶斯网络风险概率模型在重大工程技术创新成果应用风险评估中的应用，并得到可信的结果。
根据本发明的第二个实施方案，提供一种电子设备：
电子设备，包括：计算机程序，所述计算机程序用于执行上述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法；存储器，所述存储器用于存储所述计算机程序；处理器，所述处理器用于执行所述计算机程序。
本申请提供的技术方案具体说明如下，如图2该技术方案包括以下步骤：
步骤一：识别重大工程技术创新成果应用风险因素，建立普适性的重大工程技术创新成果应用风险指标体系；
步骤二：基于风险矩阵法，从风险发生概率和风险损失程度两方面划定风险等级标准；
步骤三：根据重大工程技术创新成果应用风险指标体系，构建贝叶斯网络拓扑结构，根据风险因素的发生特性确定节点的状态属性；
步骤四：根据专家意见，采用三角模糊数和DUOWA算法计算根节点先验概率值，采用Leaky Noisy-or gate模型计算非根节点条件概率值，建立贝叶斯网络风险概率模型；
步骤五：对贝叶斯网络风险概率模型进行正向概率推理，确定重大工程技术创新成果应用风险概率水平；
步骤六：对贝叶斯网络风险概率模型进行逆向概率推理，根据后验概率进行重要性评价，确定影响重大工程技术创新成果应用风险的关键风险因素。
需要说明的是，步骤一中，基于现场调研和专家经验，识别重大工程技术创新成果应用风险因素。如图3，将重大工程技术创新成果应用风险指标体系分为三层，包括目标层、准则层、指标层。
目标层为技术创新成果应用风险A；准则层由影响目标层的风险分类组成，包括：技术风险B1、管理风险B2、环境风险B3、资源风险B4、直接效益风险B5、间接效益风险B6；
指标层由影响准则层指标的风险源组成，包括：技术风险B1对应的应用基础情况C11、需求匹配性C12、技术就绪度C13、技术融合性C14，
管理风险B2对应的需求单位对新技术的掌握难度C21、新技术的转化管理流程的复杂性C22、新技术对标准规范的扰动程度C23、新技术对施工组织的干扰程度C24，
环境风险B3对应的气候环境适应性C31、地质环境适应性C32、水文环境适应性C33、生态环境适应性C34，
资源风险B4对应的技术转化费用C41、技术转化周期C42、技术转化人力资源需求C43、技术转化设备/材料保障能力C44，
直接效益风险B5对应的安全防控能力C51、质量提升水平C52、进度提升水平C53、成本节约水平C54、环保提升水平C55，
间接效益风险B6对应的技术应用范围C61、人才培养数量C62、产业转化效益C63。
需要进一步说明的是，指标层具体解释：
技术风险B1对应的指标“应用基础情况C11”指标评价新技术是否经过试点应用，以及试点应用的效果，试点应用效果越好的技术应用性越强；“需求匹配性C12”指标评价新技术的工程参数是否符合工程建设项目的建设需求；“技术就绪度C13”指标评价新技术的技术成熟程度，根据科研项目的研发规律，把发现基本原理到实现产业化应用的研发过程划分为9个标准化等级，对科研项目关键技术的成熟程度进行定量评价；“技术融合性C14”指标评价新技术与其他技术系统、配套设备的集成匹配程度，若新技术的应用方式是部件替换，可认为新技术的技术融合性较高，若新技术的应用方式是技术系统的整体更新，则认为新技术的技术融合性相对较低。
管理风险B2对应的指标“需求单位对新技术的掌握难度C21”指标评价操作工人学习新技术的难易程度以及工人对新技术的接受程度；“新技术的转化管理流程的复杂性C22”评价新技术的审核审批流程环节等管理流程是否繁复，复杂的审核审批流程会降低现场工作人员使用新技术的积极性，从而使新技术的转化应用受阻；“新技术对标准规范的扰动程度C23”指标评价新技术对工程计量计价等标准规范的扰动程度，新技术对标准规范的扰动可能会带来管理上的不确定性，从而带来管理风险；“新技术对施工组织的干扰程度C24”评价应用新技术主要对施工组织的干扰程度，施工组织计划是实现既定工程目标的保证，若新技术对施工组织计划的变化较大，没有配套设置紧急应急的施工组织预案，可能会在工程施工时出现各种隐患问题，从而带来工程建设风险。
环境风险B3对应的指标“气候环境适应性C31”指标评价新技术对高温、低温、淋雨、结冰/结霜、湿热、雪载荷、风等气候因素的适应性；“地质环境适应性C32”指标评价新技术的工程参数是否适合工程项目所在地的地质环境特点，是否能应对地质环境问题等；“水文环境适应性C33”指标评价新技术能否适应工程项目所在地的地下水、河流、湖泊等水体对工程的影响，能否解决水文环境问题等；“生态环境适应性C34”评价新技术是否能满足工程所在地的生态环境保护要求或减小项目对生态环境的影响。
资源风险B4对应的指标“技术转化费用C41”指标评价新技术在技术应用转化过程中的材料采购、施工安装、运营使用等的费用；“技术转化周期C42”指标评价新技术从技术遴选到施工现场试验，创新试验评估以及适应性改进的技术转化时长，技术转化周期短的技术更能更快的进行推广应用；“技术转化人力资源需求C43”指标评价新技术对于操作人员数量和质量上的要求；“技术转化设备/材料保障能力C44”指标评价工程项目对新技术所需要的设备/材料的供应、运输、存储需求的满足程度，如新技术的设备/材料保障存在较大困难，会极大影响新技术的现场应用转化。
直接效益风险B5对应的指标“安全防控能力C51”指标评价新技术的安全风险防控能力，针对复杂艰难地区条件下的重大工程，致力于构建人防、物防、技防“三位一体”的安全保障体系；“质量提升能力C52”指标评价新技术应用对工程建设质量的提升幅度，主要体现在极难地质施工的攻克情况、各工序的施工质量等；“进度提升水平C53”指标评价新技术应用对工程进度和效率的提升程度，主要体现在施工效率、控制实际进度与计划的偏差以及工期的控制；“成本节约水平C54”指标评价新技术应用对成本费用的降低程度，主要体现在物料造价、复杂条件下运营和维护费用以及工程全寿命经济效益；“环保改善水平C55”指标评价新技术对敏感生态保护的能力，主要体现在改善施工作业环境，工程资源的利用效率及节能减排。
间接效益风险B6对应的指标“技术应用范围C61”指标评价新技术应用能否为典型工程问题的解决提供更有效的技术路径，是否具有良好的应用前景与应用价值；“人才培养数量C62”指标评价依托重大工程项目培养的跨学科跨领域的技术创新人才水平；“产业转化效益C63”指标评价以重大工程技术创新成果为载体，引领带动区域经济社会发展的效益水平。
需要说明的是，步骤二中，将风险发生概率作为横坐标，将风险损失程度作为纵坐标，建立风险矩阵图，见图4；风险发生概率、风险损失程度采用五级量纲，风险源等级分为五级，对应不同的风险可接受程度，风险等级越高则风险的可接受程度越低。风险发生概率评价集G＝{G1,G2,G3,G4,G5}，用G1,G2,G3,G4,G5分别描述“难以发生”、“偶然发生”、“可能发生”、“很可能发生”、“频繁发生”；风险损失程度评价集H＝{H1,H2,H3,H4,H5}，用H1,H2,H3,H4,H5分别描述“轻微”、“较大”、“严重”、“很严重”、“灾难性”；风险分级与可接受准则集R＝{R1,R2,R3,R4,R5}，用R1,R2,R3,R4,R5分别描述“可接受”、“需优化”、“需做较大改进”、“不期望”、“不可接受”，R1对应采取措施为“加以监测”，R2对应采取措施为“优化改进并加以监测”，R3对应采取措施为“较大改进并加以重点监测，R4对应采取措施为“采取处理风险措施并加以重点监测”，R5对应采取措施为对应采取措施为“必须加以重视并采取紧急措施规避风险”。
需要说明的是，步骤三中，如图5，将重大工程技术创新成果应用风险指标体系中A目标层指标作为叶节点，B准则层指标作为中间节点，C指标层指标作为根节点，并根据层级关系建立贝叶斯网络拓扑结构；各节点状态为二级变量，如“高”和“低”、“不合格”和“合格”、“不合理”和“合理”、“不适应”和“适应”、“不满足”和“满足”、“不达标”和“达标”、“较差”和“良好”等。
需要说明的是，步骤四中，采用三角模糊数计算根节点先验概率值，根节点风险发生时的概率模糊子集为：
式中：αi、βi为的置信上下限，当αi的值越接近mi，βi的值越大时，根节点先验概率值模糊度越高，当其值为0时，根节点先验概率为精确概率值；mi为根节点先验概率中值。
根据风险源等级的评判，定义所述风险等级Rn对应的根节点先验概率的概率区间、语言描述值和模糊数，如下表1所示。
表1根节点先验概率模糊数定义表
等级 概率区间 描述 发生概率模糊数
R1 [0,0.0003) 几乎不可能发生 (0,5×10-5,3×10-3)
R2 [0.0003,0.003) 难以发生 (5×10-5,3×10-3,3×10-2)
R3 [0.003,0.03) 偶然发生 (3×10-3,3×10-2,3×10-1)
R4 [0.03,0.3) 可能发生 (3×10-2,3×10-1,5×10-1)
R5 [0.3,1] 频繁发生 (3×10-1,5×10-1,1)
采集专家基于所述风险等级Rn和对应所述语言描述值标准，对各个所述根节点的风险等级评判，得到对应各个所述根节点的概率模糊数Fk＝(ak,bk,ck)，进一步，采用均值面积法去模糊化-公式(2)得到所述根节点的解模糊化的专家评估值Fk；
采用DUOWA算子思想整合专家意见，基于相似度确定专家评估数值的权重，
计算过程为：
设Fk为解模糊化的专家评估值，为专家评估模糊数的算术平均值，其中：
k＝1,2,3,…,n
为Fk与/>的距离测度，/>表示其相似度，计算公式分别为:
得到权重系数wk：
对专家评估结果集成去模糊化得到精确评价值Fjq：
进一步的，采用Leaky Noisy-or gate模型计算非根节点条件概率值。LeakyNoisy-or gate模型是在Noisy-or gate模型的基础上提出，假设：网络中所有节点状态为二级变量，且所有节点相互独立；每个父节点可单独影响子节点的状态改变；考虑不可预测或未知的父节点存在导致子节点状态改变的情况。
条件概率的计算首先需确定仅单一父节点发生状态下子节点发生的概率和单一父节点不发生状态下子节点发生的概率，即和/> 然后通过计算节点连接概率确定节点Y条件概率表的其他项，计算过程为：
设X为Y的父节点，Xl为影响Y发生的不确定性因素；除Xi以外其他因素的总和为Xall，Pi为Xi的连接概率，Pall为Xall的连接概率，Xall总为真值，则有
P(Y|Xi)＝Pi+Pall-PiPall (10)
由上式联立可得到Y所对应的所有父节点的连接概率Pi，计算公式为：
设Pl为不确定性因素Xl的连接概率，从而得出节点Y的条件概率为：
其中，Xp为条件概率表对应的项。
需要说明的是，步骤五中，应用GeNIe软件对贝叶斯网络进行正向概率推理。将根节点先验概率值和非根节点条件概率值输入GeNIe软件中，选择聚类推理算法进行因果推理，点击“Update”按钮，可得到技术风险、管理风险、环境风险、资源风险、直接效益风险、间接效益风险、技术创新成果应用风险的发生概率分布。
需要说明的是，步骤六中，应用GeNIe软件对贝叶斯网络进行逆向概率推理。在GeNIe软件中将“技术创新成果应用风险A”节点“发生”状态下的概率设为100％，点击“Update”按钮，逆向得出各节点的后验概率值。
对风险因素进行重要性评价，以确定威胁重大工程技术创新成果应用风险的关键风险源，重要度I公式为：
式中，T为叶节点对应风险事件，Xi为根节点对应风险事件。
使用实施例1
通过以复杂艰险山区S铁路工程技术创新成果应用活动为实例，对本发明的评估方法做详细的说明。
邀请5位从事铁路行业的高级技术人员和高级管理人员，根据相关项目经历和工作经验，参照重大工程技术创新成果应用风险等级标准矩阵，确定风险源对应的风险等级。
根据根节点先验概率模糊数定义表，得到每位专家的模糊数据。
根据相关公式，对专家评分进行集成并去模糊化，得到贝叶斯网络根节点的先验概率。
以技术风险B1下的应用基础情况C11为例，说明根节点先验概率的计算过程：
表2为专家对“应用基础情况C11”“不佳”状态评分的结果。
表2“应用基础情况C11”“不佳”状态专家评分表
由公式(2)去模糊化可得评分数值：专家E1的评分为0.2825，专家E2的评分为0.09075，专家E3的评分为0.2825，专家E4的评分为0.2825，专家E5的评分为0.09075。确定“应用基础情况C11”“不佳”状态专家权重。
由公式(3)-公式(5)可得专家评估模糊数的算术平均值，
由公式(6)可得专家E1的距离测度专家E2的距离测度 专家E3的距离测度/>专家E4的距离测度专家E5的距离测度/>可得，/>
由公式(7)可得专家E1的相似度专家E2的相似度专家E3的相似度/>专家E4的相似度/>专家E5的相似度/>可得/>
由公式(8)可得专家E1的权重系数wE1＝0.21，专家E2的权重系数wE2＝0.19，专家E3的权重系数wE3＝0.21，专家E4的权重系数wE4＝0.21，专家E5的权重系数wE5＝0.19。
由公式(9)可得去模糊化的“应用基础情况C11”“不佳”状态专家精确评价值Fjq＝0.21。
采用Leaky Noisy-or gate模型计算非根节点条件概率值。以间接效益风险B6为例，说明非根节点条件概率的计算过程。
已知概率：P(B6|X61)＝0.5，P(B6|X62)＝0.6，P(B6|X63)＝0.4， 未知因素的连接概率Pl＝0.10
由公式(12)可得连接概率P61＝0.17，P62＝0.20，P63＝0.14。
由公式(13)可得间接效益风险B6的条件概率值，结果见下表3。
表3间接效益风险B6的条件概率值
将根节点先验概率和非根节点条件概率录入GeNIe软件中，分别对应贝叶斯网络中的节点和有向边。选择聚类推理算法进行正向概率推理，可得技术风险、管理风险、环境风险、资源风险、直接收益风险、间接收益风险和技术创新成果应用风险的概率分布，见下表4。
表4贝叶斯网络正向概率推理结果
需要说明的是，步骤六：在贝叶斯网络的逆向概率推理中，后验概率反映了导致技术创新成果应用风险发生的最可能原因。假设技术创新成果应用风险发生，将叶节点“技术创新成果应用风险”设置为“Evidence＝发生”，更新网络，计算其他节点的后验概率，见下图6。由公式(14)可得重大工程技术创新成果应用风险源重要度，见下表5。
表5重大工程技术创新成果应用风险源重要度
根节点 X11 X12 X13 X14 X21 X22
重要度 1.51E-02 1.78E-02 1.85E-02 9.30E-03 3.24E-03 2.80E-03
根节点 X23 X24 X31 X32 X33 X34
重要度 3.48E-03 3.25E-03 1.68E-03 3.12E-03 2.20E-03 2.31E-03
根节点 X41 X42 X43 X44 X51 X52
重要度 6.30E-03 2.86E-03 2.70E-03 3.92E-03 1.86E-03 1.09E-02
根节点 X53 X54 X55 X61 X62 X63
重要度 1.08E-02 1.12E-02 2.97E-03 4.68E-03 5.67E-03 6.29E-03
从表5中可以看出，技术风险中技术就绪度X13、需求匹配性X12、应用基础情况X11的重要度最高，其次是直接效益风险中成本节约水平X54、质量提升水平X52、进度提升水平X53，这些是S铁路工程技术创新成果应用活动中的关键风险源，说明S铁路工程要更加注重新技术应用所面临的技术问题和直接效益问题，需采取必要手段进行控制。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，其特征在于，该方法包括以下步骤：
挖掘重大工程技术创新成果应用的风险因素，基于所述风险因素构建风险指标体系，所述风险因素构建风险指标体系包括：目标层、准则层、指标层；
基于风险矩阵法，根据风险发生概率和风险损失程度构建风险等级标准矩阵；
基于所述风险因素构建风险指标体系，构建成贝叶斯网络拓扑结构；
基于所述风险等级标准矩阵，根据三角模糊数法和DUOWA算法，计算所有所述贝叶斯网络拓扑结构中所述指标层的先验概率值；基于Leaky Noisy-or gate模型计算所述目标层和所述准则层的条件概率值；建立贝叶斯网络风险概率模型；
对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述目标层、准则层发生的概率分布数据；
对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述指标层的后验概率分布数据并进行重要性评价；
根据所述目标层、准则层发生的概率分布数据和所述指标层的后验概率分布数据，完成重大工程技术创新成果应用风险评估。
2.根据权利要求1所述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，其特征在于，
所述目标层为技术创新成果应用风险A，所述准则层由多个影响所述目标层A的风险类型Bn组成，所述指标层由多个影响所述准则层的风险源Cnm组成；
所述风险类型Bn包括：技术风险B1、管理风险B2、环境风险B3、资源风险B4、直接效益风险B5、间接效益风险B6；
所述风险源Cnm包括：
与所述技术风险B1对应的应用基础情况C11、需求匹配性C12、技术就绪度C13、技术融合性C14；
与所述管理风险B2对应的需求单位对新技术的掌握难度C21、新技术的转化管理流程的复杂性C22、新技术对标准规范的扰动程度C23、新技术对施工组织的干扰程度C24，
与所述环境风险B3对应的气候环境适应性C31、地质环境适应性C32、水文环境适应性C33、生态环境适应性C34，
与所述资源风险B4对应的技术转化费用C41、技术转化周期C42、技术转化人力资源需求C43、技术转化设备/材料保障能力C44，
与所述直接效益风险B5对应的安全防控能力C51、质量提升水平C52、进度提升水平C53、成本节约水平C54、环保提升水平C55，
与所述间接效益风险B6对应的技术应用范围C61、人才培养数量C62、产业转化效益C63。
3.根据权利要求2所述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，其特征在于，所述“基于风险矩阵法，根据风险发生概率和风险损失程度构建风险等级标准矩阵”具体包括以下步骤：
将风险发生概率作为横坐标，将风险损失程度作为纵坐标，构建风险等级标准矩阵；
其中，所述风险发生概率和所述风险损失程度配置为五级量纲；风险等级配置为五级；不同级别的所述风险发生概率和不同级别的所述风险损失程度组合对应不同级别的所述风险等级，所述风险等级Rn，n＝1、2、……、5。
4.根据权利要求3所述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，其特征在于，所述“基于所述风险因素构建风险指标体系，构建成贝叶斯网络拓扑结构”具体包括以下步骤：
所述贝叶斯网络拓扑结构中设定目标层为叶节点，准则层为中间节点，指标层为根节点，构建成贝叶斯网络拓扑结构；
将所述叶节点、所述中间节点、所述根节点配置为二级变量属性。
5.根据权利要求4所述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，其特征在于，
所述“基于所述风险等级标准矩阵，根据三角模糊数法和DUOWA算法，计算所有所述贝叶斯网络拓扑结构中所述指标层的先验概率值”具体包括以下步骤：
采用三角模糊数，计算所述根节点先验概率值，所述根节点风险发生时的概率模糊子集如公式(1)：
其中，αi、βi为的置信上下限，mi为所述根节点概率中值；
根据所述风险等级标准矩阵，设定所述风险等级Rn对应的语言描述值和先验概率模糊数；
采集专家基于所述风险等级Rn和对应所述语言描述值标准，对各个所述根节点的风险等级评判，得到对应各个所述根节点的概率模糊数Fk＝(ak,bk,ck)，进一步，采用均值面积法去模糊化得到所述根节点的解模糊化的专家评估值Fk；
采用DUOWA算法，确定不同专家的评估值权重：
通过解模糊化的专家评估值Fk与专家评估模糊数的算术平均值的相似度来确定不同专家的评估值权重wk；
结合所述根节点的不同专家的评估值权重wk及解模糊化的专家评估值Fk，得到去模糊化的精确评价值Fjq。
6.根据权利要求5所述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，其特征在于，
所述“基于Leaky Noisy-or gate模型计算所述目标层和所述准则层的条件概率值”具体包括以下步骤：
设X为Y的父节点，Xl为影响Y发生的不确定性因素；
首先需确定P(Y|Xi)、其中P(Y|Xi)表示仅Xi发生导致Y发生的概率，/>表示仅Xi不发生而Y发生的概率；
设Pi是Xi的连接概率，进一步得到Y所对应的所有父节点的连接概率：
设Pl为不确定性因素Xl的连接概率，从而得出节点Y的条件概率为：
其中，Xp为条件概率表对应的项。
7.根据权利要求1-6中任一项所述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，其特征在于，
对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述中间节点对应的所述目标层中技术创新成果应用风险A和准则层中各个所述风险类型Bn的发生概率分布数据；
对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述根节点对应的所述指标层中各个所述风险源Cnm的后验概率分布数据。
8.根据权利要求7所述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，其特征在于，
所述“对所述贝叶斯网络风险概率模型进行正向概率推理，得到所述目标层和准则层发生的概率分布数据”具体包括以下步骤：
结合所述指标层的先验概率值、所述目标层和所述准则层的条件概率值，
将所述指标层的先验概率值和所述目标层和所述准则层的条件概率值输入GeNIe软件中，选择聚类推理算法进行因果推理，可得到所述目标层中技术创新成果应用风险A和准则层中各个所述风险类型Bn的发生概率分布。
9.根据权利要求7所述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法，其特征在于，
所述“对所述贝叶斯网络风险概率模型进行逆向概率推理，得到所述指标层的后验概率分布数据并进行重要性评价”具体包括以下步骤：
在GeNIe软件中将“技术创新成果应用风险A”节点“发生”状态下的概率设为100％，逆向得出各节点的后验概率值；
对风险因素进行重要性评价，以确定威胁重大工程技术创新成果应用风险的关键风险源，重要度I公式为：
式中，T为叶节点对应风险事件，Xi为根节点对应风险事件。
10.电子设备，其特征在于，包括：
计算机程序，所述计算机程序用于执行权利要求1-9中任一项所述的基于模糊贝叶斯网络的重大工程技术创新成果应用风险评估方法；存储器，所述存储器用于存储所述计算机程序；处理器，所述处理器用于执行所述计算机程序。
CN202311838945.6A 2023-12-28 2023-12-28 重大工程技术创新成果应用风险评估方法及电子设备 Active CN117709729B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311838945.6A CN117709729B (zh) 2023-12-28 2023-12-28 重大工程技术创新成果应用风险评估方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311838945.6A CN117709729B (zh) 2023-12-28 2023-12-28 重大工程技术创新成果应用风险评估方法及电子设备

Publications (2)

Publication Number Publication Date
CN117709729A true CN117709729A (zh) 2024-03-15
CN117709729B CN117709729B (zh) 2024-07-23

Family

ID=90160746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311838945.6A Active CN117709729B (zh) 2023-12-28 2023-12-28 重大工程技术创新成果应用风险评估方法及电子设备

Country Status (1)

Country Link
CN (1) CN117709729B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503910A (zh) * 2016-10-27 2017-03-15 扬州大学 一种动态人机交互安全风险评估系统与方法
CN106846155A (zh) * 2017-03-29 2017-06-13 哈尔滨理工大学 基于模糊贝叶斯网络的海底管道泄漏事故风险评估方法
CN110991855A (zh) * 2019-11-28 2020-04-10 西南交通大学 一种基于贝叶斯网络的高速铁路风险评估的方法
CN111563648A (zh) * 2020-03-27 2020-08-21 中国石油化工股份有限公司石油工程技术研究院 一种钻井风险评估方法及装置
CN111985804A (zh) * 2020-08-18 2020-11-24 华中科技大学 基于数据挖掘和数据融合盾构近接既有隧道安全评价方法
CN113191084A (zh) * 2021-05-07 2021-07-30 哈尔滨工业大学 基于贝叶斯网络理论的既有铁路桥梁可靠度综合评估方法
CN115018334A (zh) * 2022-06-15 2022-09-06 湖南科技大学 一种基于模糊贝叶斯网络的瓦斯爆炸风险评估方法
CN115630752A (zh) * 2022-11-30 2023-01-20 中国矿业大学(北京) 基于动态模糊综合贝叶斯网络的pba车站施工风险评估方法
CN117236687A (zh) * 2023-09-08 2023-12-15 武汉理工大学 基于贝叶斯网络和风险矩阵的港口水污染风险评估方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503910A (zh) * 2016-10-27 2017-03-15 扬州大学 一种动态人机交互安全风险评估系统与方法
CN106846155A (zh) * 2017-03-29 2017-06-13 哈尔滨理工大学 基于模糊贝叶斯网络的海底管道泄漏事故风险评估方法
CN110991855A (zh) * 2019-11-28 2020-04-10 西南交通大学 一种基于贝叶斯网络的高速铁路风险评估的方法
CN111563648A (zh) * 2020-03-27 2020-08-21 中国石油化工股份有限公司石油工程技术研究院 一种钻井风险评估方法及装置
CN111985804A (zh) * 2020-08-18 2020-11-24 华中科技大学 基于数据挖掘和数据融合盾构近接既有隧道安全评价方法
CN113191084A (zh) * 2021-05-07 2021-07-30 哈尔滨工业大学 基于贝叶斯网络理论的既有铁路桥梁可靠度综合评估方法
CN115018334A (zh) * 2022-06-15 2022-09-06 湖南科技大学 一种基于模糊贝叶斯网络的瓦斯爆炸风险评估方法
CN115630752A (zh) * 2022-11-30 2023-01-20 中国矿业大学(北京) 基于动态模糊综合贝叶斯网络的pba车站施工风险评估方法
CN117236687A (zh) * 2023-09-08 2023-12-15 武汉理工大学 基于贝叶斯网络和风险矩阵的港口水污染风险评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王成汤;王浩;覃卫民;钟国强;陈舞;: "基于多态模糊贝叶斯网络的地铁车站深基坑坍塌可能性评价", 岩土力学, no. 05 *
翟胜;师五喜;修春波;: "基于模糊贝叶斯网的危害性分析方法", 计算机应用, no. 12, 10 December 2014 (2014-12-10) *

Also Published As

Publication number Publication date
CN117709729B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
Chan et al. When should fuzzy analytic hierarchy process be used instead of analytic hierarchy process?
Barak et al. A novel hybrid fuzzy DEA-Fuzzy MADM method for airlines safety evaluation
Wei et al. Algorithms for probabilistic uncertain linguistic multiple attribute group decision making based on the GRA and CRITIC method: application to location planning of electric vehicle charging stations
Kizielewicz et al. Comparison of Fuzzy TOPSIS, Fuzzy VIKOR, Fuzzy WASPAS and Fuzzy MMOORA methods in the housing selection problem
Mou et al. A graph based group decision making approach with intuitionistic fuzzy preference relations
Haktanır et al. A novel picture fuzzy CRITIC & REGIME methodology: Wearable health technology application
Pei et al. A novel approach to multi-attribute decision making based on intuitionistic fuzzy sets
Xu On multi-period multi-attribute decision making
Zavadskas et al. Evaluation of ranking accuracy in multi-criteria decisions
Zavadskas et al. Risk assessment of construction projects
CN111598352A (zh) 一种基于贝叶斯网络的混凝土梁式桥综合评估方法
CN107992968A (zh) 基于集成时间序列分析技术的电能表计量误差预测方法
CN106295332A (zh) 基于区间数和理想解的信息安全风险评估方法
Yu et al. A novel FMEA approach for submarine pipeline risk analysis based on IVIFRN and ExpTODIM-PROMETHEE-II
Tuş et al. Green supplier selection based on the combination of fuzzy SWARA (SWARA-F) and fuzzy MARCOS (MARCOS-F) methods
Yan et al. Evaluation and Forecasting of Wind Energy Investment Risk along the Belt and Road Based on a NovelHybrid Intelligent Model.
Liou et al. Exploring the key barriers to ESG adoption in enterprises
CN117575564A (zh) 可扩展的基础设施网络组件维修与改造决策评估方法及系统
CN117709729B (zh) 重大工程技术创新成果应用风险评估方法及电子设备
Sarkar et al. Recent development and applications of neutrosophic fuzzy optimization approach
Liu et al. Supplier evaluation in supply chain environment based on radial basis function neural network
CN101527016A (zh) 出入境检验检疫符合性条件的筛选方法
CN110727801A (zh) 基于本体的模糊评价搜索引擎广告优化方法
Abnane et al. Evaluating fuzzy analogy on incomplete software projects data
Wu et al. ITARA and ELECTRE III three-way decision model in the spherical fuzzy environment and its application in customer selection

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