劉洋 譚昆 張健威 郝壯遠(yuǎn)

中國(guó)石油集團(tuán)安全環(huán)保技術(shù)研究院 北京 102206

安全問題對(duì)于石油天然氣生產(chǎn)至關(guān)重要，隨著現(xiàn)代化的企業(yè)安全制度的確立，國(guó)內(nèi)油氣企業(yè)的事故發(fā)生率與事故亡人率顯著降低。但是，目前企業(yè)在安全管理方面依然存在許多問題，例如同一起事故在同一單位多次發(fā)生、同一類問題在不同的單位重復(fù)出現(xiàn)，其中一個(gè)重要原因就是對(duì)現(xiàn)場(chǎng)安全數(shù)據(jù)資源的認(rèn)識(shí)和價(jià)值利用不足，原因分析不到位。企的內(nèi)部數(shù)據(jù)庫中已經(jīng)積累了海量的安全文本數(shù)據(jù)，但是缺乏高效的分析方法，沒有正確認(rèn)識(shí)到事故事件資源的潛在價(jià)值。

隨著計(jì)算機(jī)硬件的不斷發(fā)展與各種公開數(shù)據(jù)集的提出，深度學(xué)習(xí)技術(shù)再次成為各個(gè)領(lǐng)域的研究熱點(diǎn)，研究者們提出了各式各樣的神經(jīng)網(wǎng)絡(luò)模型，例如循環(huán)神經(jīng)網(wǎng)絡(luò)[1（RNN）、卷積神經(jīng)網(wǎng)絡(luò)[2]（CNN）、強(qiáng)化學(xué)習(xí)[3]、對(duì)抗生成網(wǎng)絡(luò)[4]（GAN）等?；谏疃葘W(xué)習(xí)的自然語言處理算法不斷刷新自然語言處理領(lǐng)域各個(gè)任務(wù)的最高記錄，例如關(guān)系抽取[5]、機(jī)器翻譯[6]、命名實(shí)體識(shí)別[7]、問答系統(tǒng)[8]和閱讀理解[9]。本論文的一項(xiàng)主要工作為使用深度學(xué)習(xí)技術(shù)對(duì)油氣行業(yè)的HSE 數(shù)據(jù)進(jìn)行文本挖掘，涉及到的自然語言處理任務(wù)有文本相似度計(jì)算、詞向量訓(xùn)練、文本分類等。

1 構(gòu)建現(xiàn)場(chǎng)安全知識(shí)圖譜

現(xiàn)場(chǎng)安全管理涉及大量的安全知識(shí)點(diǎn)，如危險(xiǎn)源識(shí)別、風(fēng)險(xiǎn)評(píng)估方法、事故案例等，這些知識(shí)點(diǎn)之間存在復(fù)雜的關(guān)聯(lián)關(guān)系。然而，這些安全知識(shí)常常散落在各種文件、歷史案例與專家腦中，難以系統(tǒng)梳理和關(guān)聯(lián)。

語義分析人工智能技術(shù)可以自動(dòng)提取這些安全知識(shí)，識(shí)別知識(shí)點(diǎn)之間的關(guān)聯(lián)關(guān)系，構(gòu)建現(xiàn)場(chǎng)安全知識(shí)圖譜。具體可以：

1.1 安全知識(shí)采集

構(gòu)建安全知識(shí)圖譜的第一步是廣泛采集現(xiàn)場(chǎng)安全管理涉及的各類知識(shí)，主要來源包括：

（1） 安全規(guī)程及操作規(guī)范文件。包含對(duì)設(shè)備安全要求、操作流程、預(yù)警值等詳細(xì)規(guī)定；

（2） 安全案例及事件報(bào)告。記載了歷史上發(fā)生的事故案例，包括事件過程、影響及教訓(xùn)，是安全知識(shí)的重要來源；

（3） 專家訪談與經(jīng)驗(yàn)分享。專家在長(zhǎng)期工作中積累了大量安全管理知識(shí)與經(jīng)驗(yàn)，需要通過訪談等方式進(jìn)行采集；

（4） 跟蹤知識(shí)與前沿技術(shù)。跟蹤行業(yè)內(nèi)外最新發(fā)布的標(biāo)準(zhǔn)、技術(shù)白皮書等，采集最新安全管理知識(shí)與理念；

（5） 數(shù)據(jù)統(tǒng)計(jì)與分析結(jié)果。通過分析現(xiàn)場(chǎng)各類監(jiān)控?cái)?shù)據(jù)和過程參數(shù)，可以發(fā)現(xiàn)設(shè)備或過程的“空窗期”知識(shí)等。

1.2 知識(shí)抽取與表示

從上述來源采集的安全知識(shí)常常以非結(jié)構(gòu)化形式表達(dá)，需要利用語義分析技術(shù)轉(zhuǎn)換為結(jié)構(gòu)化知識(shí)表示：

（1） 實(shí)體識(shí)別。識(shí)別安全知識(shí)中的關(guān)鍵實(shí)體，如設(shè)備名稱、工藝參數(shù)、物料名稱等，建立實(shí)體節(jié)點(diǎn)；

（2） 關(guān)系抽取。分析實(shí)體之間的關(guān)聯(lián)與作用，識(shí)別相互依賴、順序關(guān)系、上下級(jí)關(guān)系等，構(gòu)建關(guān)系邊；

（3） 事件解析。解析安全案例報(bào)告等，識(shí)別關(guān)鍵事件與影響因素，建立事件節(jié)點(diǎn)與關(guān)系；

（4） 概念歸納。分析概念定義及上下文，識(shí)別近義詞與上位概念，建立概念類別體系。

1.3 知識(shí)關(guān)聯(lián)與推理

在獲得安全知識(shí)結(jié)構(gòu)化表示后，需要構(gòu)建知識(shí)點(diǎn)之間的關(guān)聯(lián)與邏輯關(guān)系，實(shí)現(xiàn)對(duì)知識(shí)的深度理解與推理：

（1） 相互關(guān)聯(lián)。根據(jù)知識(shí)內(nèi)容與語義，識(shí)別知識(shí)點(diǎn)之間的相互依賴、交互作用、相關(guān)影響等關(guān)聯(lián)關(guān)系。

（2） 層級(jí)分類。根據(jù)概念抽象程度將知識(shí)點(diǎn)分類，識(shí)別上位概念和下位概念關(guān)聯(lián)。

（3） 邏輯推理。構(gòu)建知識(shí)關(guān)聯(lián)網(wǎng)絡(luò)，支持對(duì)知識(shí)的推理與查詢，發(fā)現(xiàn)知識(shí)之間的潛在關(guān)聯(lián)與聯(lián)系。

（4） 知識(shí)完備性分析。檢查知識(shí)關(guān)聯(lián)網(wǎng)絡(luò)的完備性，發(fā)現(xiàn)知識(shí)缺失或關(guān)聯(lián)不足之處，指導(dǎo)后續(xù)知識(shí)采集。

構(gòu)建安全知識(shí)圖譜是一個(gè)循環(huán)迭代的過程。通過不斷采集、抽取、關(guān)聯(lián)與完善，可以實(shí)現(xiàn)對(duì)現(xiàn)場(chǎng)安全管理知識(shí)的系統(tǒng)梳理，為實(shí)現(xiàn)安全追溯與決策提供知識(shí)基礎(chǔ)。

2 開展事件追溯

在石油天然氣生產(chǎn)現(xiàn)場(chǎng)，各種安全事件時(shí)有發(fā)生，事后開展事件追溯可以找出事件發(fā)生的完整路徑，分析各種影響因素，為事件調(diào)查和防范決策提供基礎(chǔ)。

然而，現(xiàn)場(chǎng)的數(shù)據(jù)量大且分散在各個(gè)監(jiān)控系統(tǒng)、傳感器數(shù)據(jù)與手寫記錄中，使用人工方式開展事件追溯需耗費(fèi)大量時(shí)間和精力。語義分析人工智能技術(shù)可以實(shí)現(xiàn)自動(dòng)化事件追溯：

2.1 現(xiàn)場(chǎng)數(shù)據(jù)采集與整合

事件追溯首先需要采集與事件相關(guān)的各類現(xiàn)場(chǎng)數(shù)據(jù)，包括：

（1） 監(jiān)控系統(tǒng)數(shù)據(jù)。包括視頻監(jiān)控、巡檢數(shù)據(jù)，提供事件發(fā)生時(shí)的現(xiàn)場(chǎng)環(huán)境信息。

（2） 工藝參數(shù)數(shù)據(jù)。包括壓力、溫度、流量等實(shí)時(shí)數(shù)據(jù)，反映事件發(fā)生時(shí)工藝狀態(tài)。

（3） 傳感器數(shù)據(jù)。各類震動(dòng)、熱損失傳感器的數(shù)據(jù)，可檢測(cè)到設(shè)備微小變化。

（4） 操作日志與工作票。操作員操作記錄和工作許可，提供有關(guān)人員行為信息；。

（5） 事件報(bào)告。事件發(fā)生后編寫的報(bào)告，描述事件過程及現(xiàn)場(chǎng)情況，是追溯的重要信息源。

然后需要對(duì)采集的數(shù)據(jù)進(jìn)行清洗、轉(zhuǎn)化和關(guān)聯(lián)，構(gòu)建與事件相關(guān)的統(tǒng)一數(shù)據(jù)環(huán)境，方便進(jìn)行后續(xù)追溯與分析。

2.2 事件實(shí)體與數(shù)據(jù)識(shí)別

在數(shù)據(jù)環(huán)境下，利用自然語言處理等技術(shù)識(shí)別：

（1） 關(guān)鍵事件實(shí)體。如事件發(fā)生的設(shè)備名稱、時(shí)間點(diǎn)、涉及物料等。

（2） 數(shù)據(jù)參數(shù)變化。在事件發(fā)生前后識(shí)別工藝參數(shù)、傳感器數(shù)據(jù)等的變化模式；。

（3） 操作行為記錄。識(shí)別事件相關(guān)的操作行為，如關(guān)閉閥門、啟動(dòng)設(shè)備等。

（4） 報(bào)告信息提取。從事件報(bào)告等中提取事件過程中環(huán)境變化、操作響應(yīng)等信息。

這些信息為在海量的數(shù)據(jù)中精確定位到與事件相關(guān)的數(shù)據(jù)提供依據(jù)，實(shí)現(xiàn)事件追溯路徑的識(shí)別。

2.3 事件數(shù)據(jù)關(guān)聯(lián)與追溯路徑構(gòu)建

根據(jù)上述識(shí)別的各類信息，可以在數(shù)據(jù)環(huán)境下構(gòu)建事件追溯路徑：

（1） 時(shí)間 axis構(gòu)建。根據(jù)事件實(shí)體中提取的時(shí)間信息，定位到事件發(fā)生前后的瞬時(shí)數(shù)據(jù)，構(gòu)建事件沿時(shí)間軸的數(shù)據(jù)分布。

（2） 空間路徑識(shí)別。根據(jù)事件相關(guān)的設(shè)備實(shí)體、傳感器位置等信息，識(shí)別事件涉及的數(shù)據(jù)在空間上的分布與傳播路徑。

（3） 數(shù)據(jù)變化關(guān)聯(lián)。根據(jù)工藝參數(shù)、傳感器數(shù)據(jù)的變化模式，關(guān)聯(lián)到導(dǎo)致這些變化的數(shù)據(jù)，延伸事件追溯路徑。

（4） 操作行為鏈接。根據(jù)操作日志與工作票中識(shí)別的操作記錄，找到導(dǎo)致這些操作的數(shù)據(jù)變化或報(bào)警信息，擴(kuò)展事件追溯路徑。

（5） 路徑完備性評(píng)估。評(píng)估構(gòu)建路徑的完備性，發(fā)現(xiàn)數(shù)據(jù)缺失或關(guān)聯(lián)不足之處，提供后續(xù)采集或關(guān)聯(lián)的方向。

通過上述步驟，可以實(shí)現(xiàn)在大量現(xiàn)場(chǎng)數(shù)據(jù)中自動(dòng)識(shí)別事件關(guān)聯(lián)信息，構(gòu)建事件從發(fā)生到結(jié)束的完整追溯路徑，為事件影響因素分析和決策提供詳實(shí)依據(jù)。但也需警惕由于數(shù)據(jù)不完備或算法限制導(dǎo)致的路徑誤導(dǎo)，需要專家驗(yàn)證與修正。

3 進(jìn)行原因分析

3.1 影響因素提取

原因分析第一步是從構(gòu)建的事件追溯路徑和安全知識(shí)圖譜中提取所有可能影響事件發(fā)生的因素，主要包括：

（1） 數(shù)據(jù)異常點(diǎn)。如工藝參數(shù)超限，傳感器測(cè)量異常等，可能導(dǎo)致設(shè)備故障或操作錯(cuò)誤。

（2） 操作不當(dāng)。操作員錯(cuò)誤操作可能直接導(dǎo)致事件發(fā)生，需要檢查事件相關(guān)操作記錄。

（3） 設(shè)備問題。設(shè)備老化或潛在缺陷可能影響正常運(yùn)行，需要檢查維保記錄及歷史故障信息。

（4） 管理漏洞。如安全規(guī)程不完善、培訓(xùn)不足等管理方面原因，是較難識(shí)別但也需考慮的影響因素。

（5） 外界環(huán)境。如氣象條件變化、供電供料異常等外界環(huán)境變化也可能是事件癥結(jié)所在。

3.2 因素關(guān)系建模

當(dāng)提取各種影響因素后，需要構(gòu)建這些因素之間的相互作用模型，識(shí)別對(duì)事件產(chǎn)生直接影響的因素。關(guān)系建模主要通過：

（1） 知識(shí)圖譜推理。利用構(gòu)建的安全知識(shí)圖譜，分析各因素與事件結(jié)果之間的邏輯關(guān)系與相互作用，判斷因果關(guān)系。

（2） 統(tǒng)計(jì)學(xué)分析。利用歷史數(shù)據(jù)對(duì)各影響因素與事件的對(duì)應(yīng)關(guān)系進(jìn)行統(tǒng)計(jì)學(xué)分析，得出因素作用的置信度。

（3） 專家驗(yàn)證。通過提出影響因素與關(guān)系模型，征詢專家意見進(jìn)行驗(yàn)證與修正，減少模型誤導(dǎo)的可能。

3.3 原因確定與驗(yàn)證

根據(jù)構(gòu)建的影響因素關(guān)系模型，可以確定最可能的原因：

（1） 綜合判斷?？紤]各因素對(duì)事件產(chǎn)生影響的置信度和知識(shí)推理結(jié)果，綜合判斷作用最大的因素作為原因；

（2） 路徑追溯。從事件結(jié)果以因果邏輯推理至各影響因素，可以判斷導(dǎo)致后續(xù)影響的因素作為原因。

（3） 雙向驗(yàn)證。基于原因提出的假說，檢驗(yàn)其是否可以解釋導(dǎo)致事件產(chǎn)生的全部影響因素與變化過程。如果不能充分解釋，則需重新確定原因。

（4） 專家評(píng)估。將人工智能確定的原因提交專家評(píng)估，判斷其準(zhǔn)確性與合理性，必要時(shí)提出新的因素考慮。

原因分析的結(jié)果將決定后續(xù)的改進(jìn)方案和指導(dǎo)措施。所以，必須在數(shù)據(jù)和知識(shí)的支持下，采用多角度檢驗(yàn)的方式確保其準(zhǔn)確性，最大限度地減少由算法局限導(dǎo)致的誤判風(fēng)險(xiǎn)。同時(shí)，也需要不斷通過實(shí)踐檢驗(yàn)，優(yōu)化知識(shí)模型和分析方法。

總體而言，實(shí)現(xiàn)以數(shù)據(jù)和知識(shí)驅(qū)動(dòng)的原因分析需要安全知識(shí)圖譜與事件追溯的有力支撐。只有在全面考慮各類影響因素的基礎(chǔ)上，才能得出準(zhǔn)確可信的事件癥結(jié)判斷。這也為人工智能在復(fù)雜問題分析中的不足提出了更高要求。

4 結(jié)束語

石油天然氣生產(chǎn)現(xiàn)場(chǎng)涉及大量工藝設(shè)備與操作環(huán)節(jié)，安全管理追溯難度大，數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)為其帶來新思路。語義分析人工智能技術(shù)可以實(shí)現(xiàn)對(duì)現(xiàn)場(chǎng)海量異構(gòu)數(shù)據(jù)的深入理解，構(gòu)建安全知識(shí)圖譜，開展事件追溯與原因分析，為現(xiàn)場(chǎng)安全管理決策提供信息化支撐。

總之，語義分析人工智能技術(shù)為實(shí)現(xiàn)石油天然氣生產(chǎn)現(xiàn)場(chǎng)“數(shù)據(jù)驅(qū)動(dòng)”、“全自動(dòng)化”的新一代安全管理追溯體系提供了可能。但也面臨一定的挑戰(zhàn)，需要在實(shí)踐中不斷總結(jié)經(jīng)驗(yàn)、優(yōu)化提高。