[发明专利]一种以监测数据驱动的综合管廊运维动态风险评价方法

权利要求书

1.一种以监测数据驱动的综合管廊运维动态风险评价方法，其特征在于包括如下步骤：

（1）建立管廊FMEA风险评价机制：根据管廊运维风险分类建立风险评价指标、以及根据历史图纸对管廊构件和设备分类，再以风险评价指标、管廊构件和设备分类通过FMEA风险分析建立基于SOD评分标准的风险评价机制；

（2）将传感监测数据接入风险评价机制：对传感监测数据进行分析实现传感监测数据与SOD评分标准之间的转换；

（3）评价云生成：通过逆向云发生器实现评价数据到云模型的不确定性转换，生成专家评价云和传感监测云；

逆向云发生器：；

式中，Ex为期望，代表风险程度的典型值，En为熵，代表风险的离散程度，He为超熵，代表风险的不确定性度量，当输入数据为专家评价值时，N为专家个数，x_i为第i个专家的评价值，为专家评价均值，s为专家评价标准差；当输入数据为传感监测报警次时，N为监测点数量，x_i为第i个监测点报警次数对应发生度评价值，为监测点报警次数对应发生度评价值的均值，s为监测点报警次数对应发生度评价值的标准差；

专家评价云：C_p=(Ex_p^O,En_p^O,He_p^O,Ex_p^S,En_p^SHe_p^S,Ex_p^D,En_p^D,He_p^D)，C_p为专家评价云，Ex_p^O为专家评价O评分的期望，En_p^O为专家评价O评分的熵，He_p^O为专家评价O评分的超熵，Ex_p^S为专家评价S评分的期望，En_p^S为专家评价S评分的熵，He_p^S为专家评价S评分的超熵，Ex_p^D为专家评价D评分的期望，En_p^D为专家评价D评分的熵，He_p^D为专家评价D评分的超熵；

传感监测云：C_m=(Ex_m^O,En_m^O,He_m^O,Ex_m^S,En_m^SHe_m^S,Ex_m^D,En_m^D,He_m^D)，C_m为传感监测云，Ex_m^O为传感监测数据转化为O评分的期望，En_m^O为传感监测数据转化为O评分的熵，He_m^O为传感监测数据转化为O评分的超熵，Ex_m^S为传感监测数据转化为S评分的期望，En_m^S为传感监测数据转化为S评分的熵，He_m^S为传感监测数据转化为S评分的超熵，Ex_m^D为传感监测数据转化为D评分的期望，En_m^D为传感监测数据转化为D评分的熵，He_m^D为传感监测数据转化为D评分的超熵；

（4）风险数据迭代：通过风险数据迭代将持续更新的传感监测云与原数据的接入，更新动态风险云，迭代修正评价数据；

所述风险数据迭代按照如下步骤进行：

步骤1：定义评价次数t=0，传感监测云输入状态值s=0，初始动态风险云C_d=(Ex_d^O,En_d^O,He_d^O,Ex_d^S,En_d^SHe_d^S,Ex_d^D,En_d^D,He_d^D) ，C_d为初始动态风险云，Ex_d^O为初始状态数据为O评分的期望，En_d^O为初始状态数据为O评分的熵，He_d^O为初始状态数据为O评分的超熵，Ex_d^S为初始状态数据为S评分的期望，En_d^S为初始状态数据为S评分的熵，He_d^S为初始状态数据为S评分的超熵，Ex_d^D为初始状态数据为D评分的期望，En_d^D为初始状态数据为D评分的熵，He_d^D为初始状态数据为D评分的超熵；

步骤2：当t=0时，把专家评价云C_p赋值给动态风险云C_d^(t)，以专家评价作为初始评价数据；t≥1时，则使用云综合算法结果作为本次的动态风险云输入值C_d^(t)；若有传感监测云输入，变更状态值s=1，输入传感监测云C_m^(t)；

步骤3：若s=1，将步骤2输出的C_d^(t)、C_m^(t)代入云综合算法；

步骤4：赋值t=t+1，输出动态风险云C_d^(t)，变更状态值s=0，完成1次动态风险云更新计算；

步骤5：当有新的传感监测云输入时，将步骤4输出结果代入，循环执行步骤2～4迭代计算，即获得持续更新的动态风险云；

其中，迭代第t次的动态风险云：

；

式中，Ex_d^(t)为迭代第t次的动态风险云的期望，En_d^(t)为迭代第t次的动态风险云的熵，He_d^(t)为迭代第t次的动态风险云的超熵，Ex_d^(t-1)为迭代第t-1次的动态风险云的期望，En_d^(t-1)为迭代第t-1次的动态风险云的熵，He_d^(t-1)为迭代第t-1次的动态风险云的超熵，Ex_s^(t)为迭代第t次的传感监测云的期望，En_s^(t)为迭代第t次的传感监测云的熵，He_s^(t)为迭代第t次的传感监测云的超熵；

（5）风险排序：以动态风险云为输入通过云模型灰关联算法获得风险排序；

（6）建立综合管廊运维风险知识图谱：所述综合管廊运维风险知识图谱包括模式层和数据层，其中，以管廊FMEA评价机制为核心，根据构件与风险的映射关系建立综合管廊运维风险知识图谱模式层；根据模式层数据构架对基本三元组数据进行收集并建立数据层，基本三元组数据包括节点、节点属性数据、关系、关系属性数据；在Neo4j图数据库中存储实际数据文件建立综合管廊运维风险知识图谱；

（7）风险查询和知识推理：通过建立的综合管廊运维风险知识图谱进行风险查询及对应维护知识推理。