基于知识图谱增强大语言模型的承压设备风险评估方法、装置、设备及介质与流程

本技术涉及承压设备检测领域，尤其涉及一种基于知识图谱增强大语言模型的承压设备风险评估方法、相应的装置、电子设备及计算机可读存储介质。

背景技术：

1、基于风险的检验（risk-based inspection, rbi）作为承压设备系统安全管理的重要技术手段，在石化成套装置承压设备系统完整性管理中已得到广泛应用。rbi通过系统评估承压设备的失效可能性与失效后果，实现检验资源从“周期驱动”向“风险驱动”的优化配置。国内gb/t 26610系列标准从检验策略制定、风险定性分析到失效可能性与失效后果的定量分析，构建了覆盖rbi全流程的技术体系；国际上，api rp 580系统规范了rbi的实施流程与管理要求，api rp 581进一步给出了失效可能性与失效后果的定量评估模型。

2、目前，现有rbi方法在工程实施中仍存在如下技术缺陷，其包括：

3、其一、风险评估过程过度依赖人工经验，评估一致性和可追溯性不足。当前rbi方法实施的许多重要环节（如腐蚀回路划分、损伤模式辨识、损伤速率确定、检验策略拟定等）仍高度依赖检验人员的专业素养和工作经验。关键参数赋值与风险评估尺度易受个人主观判断影响，不同项目团队对同一承压设备系统的分析结果可能存在较大偏差，严重制约了rbi实施效率和分析结果的一致性。

4、其二、领域知识利用分散，难以系统化复用。rbi涉及法规标准体系庞杂、跨领域知识分散。gb/t 26610（承压设备系统基于风险的检验实施导则）、gb/t 30579（承压设备损伤模式识别）、api rp 571（炼油工业固定设备损伤机理）等标准规范中的条款、计算过程和工程判断在实践中往往分散在不同工具和文档中，缺乏统一的信息化载体，导致工程经验和历史案例难以系统化复用。尤其在复杂服役工况、非典型设备及超设计使用年限设备评估中，更依赖人工经验进行综合判断，制约了rbi方法在企业层面的系统化实施。

5、其三、现有rbi软件的知识整合和工程解释能力有限。以挪威船级社（dnv）的synergi rbi及国内主流rbi软件为代表的商业软件，将标准方法和风险模型集成于统一平台，用于支撑企业级rbi项目的实施与风险排序。然而，此类软件多侧重于方法学流程和计算结果的实现，对标准条款背后的工程逻辑、损伤机理关联关系以及历史项目经验的系统化表达与复用支持仍相对有限。在复杂服役工况条件下，现有软件在知识整合能力、过程引导和工程解释性方面仍存在进一步提升空间。

6、其四、通用大语言模型在强规范工程场景下的适用性不足。近年来，现有的大语言模型技术在自然语言理解、知识整合和复杂任务处理等方面能力显著提升，已在医学、金融、制造、能源等领域用于文档理解、专业问答和辅助决策等任务。然而，承压设备rbi属于高安全、强规范约束场景，现有通用大语言模型存在领域知识缺失、决策精度不足、“幻觉”及可解释性差等短板，难以在损伤模式识别、检验策略分析等关键环节稳定发挥作用。

7、综上所述，适应现有技术中的rbi方法在工程实施中高度依赖人工经验导致评估一致性不足，领域知识分散难以系统化复用，商业软件知识整合与工程解释能力有限，且通用大语言模型在强规范场景下存在知识缺失、幻觉及可解释性差等问题，本技术人出于解决该问题的考虑作出相应的探索。

技术实现思路

1、本技术的目的在于解决上述问题而提供一种基于知识图谱增强大语言模型的承压设备风险评估方法、相应的装置、电子设备及计算机可读存储介质。

2、为满足本技术的各个目的，本技术采用如下技术方案：

3、适应本技术的目的之一而提出的一种基于知识图谱增强大语言模型的承压设备风险评估方法，包括：

4、调用承压设备知识图谱，以各承压设备以及其对应的风险评估关联数据为匹配条件，在所述知识图谱的多层级损伤失效分类结构中逐层匹配筛选，提取适配所述承压设备且呈树形拓扑的损伤失效分类节点子集，并生成承压设备对应的多层级损伤失效推理树；

5、将所述损伤失效分类节点子集中的根节点确定为私有根节点，将其第一中间分支节点、第二中间分支节点和叶子节点确定为可被所有承压设备复用的共享节点，所有共享节点内统一绑定损伤失效知识规则；在所述私有根节点与各共享节点之间搭建相互独立的关联链路，各关联链路隔离存储仅适配对应承压设备工况的损伤失效约束参数；

6、基于树形拓扑层级固化的思维链推理路径，形成强制分步推演约束，使大语言模型按照树形拓扑层级顺序进行分层推理，逐级输出各分支节点的损伤失效大类以及其对应的细分损伤模式，以叶子节点输出的损伤模式为索引检索全部所需参数后，由私有根节点绑定的损伤失效概率计算模型执行一次性汇总计算，得到损伤失效概率；

7、根据所述损伤失效概率对应的失效可能性等级以及所述损伤失效约束参数对应的失效后果等级，判定目标承压设备所处的风险等级，生成风险评估结论；

8、归档所述思维链推理路径、各分支节点对应的行业标准条款、损伤失效概率的计算依据以及风险评估结论的判定依据，形成可溯源档案，输出承压设备的风险评估自然描述。

9、可选的，所述损伤失效分类节点子集包含表征承压设备的私有根节点、表征损伤失效大类的第一中间分支节点、表征细分损伤模式的第二中间分支节点以及表征损伤失效概率的叶子节点；

10、所述承压设备包括成套石化装置压力容器以及压力管道，其中，所述成套石化装置压力容器包括反应容器、换热容器、分离容器以及储存容器；

11、所述风险评估关联数据包括累计服役时长、实际检出的损伤种类数、各损伤的退化速率系数、工况波动偏差系数、检测数据缺失度系数、材料力学性能参数以及耐腐蚀特性参数；

12、所述损伤失效知识规则包括腐蚀机理、行业标准条款、损伤失效概率计算模型以及各细分损伤模式对应的检测规则、维修处置规则；

13、所述损伤失效约束参数包括工况数值边界条件、介质组分限定范围以及介质浓度限定范围。

14、可选的，在所述知识图谱的多层级损伤失效分类结构中逐层匹配筛选，提取适配所述承压设备且呈树形拓扑的损伤失效分类节点子集，并生成承压设备对应的多层级损伤失效推理树的步骤，包括：

15、对所述承压设备以及其对应的风险评估关联数据进行特征提取，得到与所述承压设备的风险评估目标相关的特征向量；

16、基于所述特征向量，在所述承压设备知识图谱中定位与所述风险评估目标相匹配的起始损伤失效分类节点；

17、从所述起始损伤失效分类节点出发，沿着所述承压设备知识图谱中的多层级损伤失效分类结构，依据预设的思维链推理路径逐级执行深度优先检索，提取构成所述多层级损伤失效推理树的损伤失效分类节点子集；

18、将所述损伤失效分类节点子集按层级从属关系组织为树形拓扑结构，生成适配所述承压设备的多层级损伤失效推理树。

19、可选的，基于树形拓扑层级固化的思维链推理路径，形成强制分步推演约束，使大语言模型按照树形拓扑层级顺序进行分层推理，逐级输出各分支节点的损伤失效大类以及其对应的细分损伤模式的步骤，包括：

20、将所述多层级损伤失效推理树的结构化实体、层级关系、节点内置规则以及思维链推理路径作为约束上下文输入至大语言模型；

21、所述大语言模型沿所述树形拓扑层级固化的思维链推理路径，自上而下逐层遍历所述多层级损伤失效推理树的各级损伤失效分类节点，按照承压设备、损伤失效大类、细分损伤模式、计算损伤失效概率的思维链推理路径分步链式推导；

22、在分层推导过程中，同步调用所述损伤失效知识规则与所述损伤失效约束参数分步校核推理过程，并依据行业标准条款以及工况数值边界条件对推理过程中生成的推理分支进行校验，完成拓扑约束增强。

23、可选的，以叶子节点输出的损伤模式为索引检索全部所需参数后，由私有根节点绑定的损伤失效概率计算模型执行一次性汇总计算，得到损伤失效概率的步骤，包括：

24、以各叶子节点输出的细分损伤模式为索引，在所述共享节点中并行检索匹配各损伤模式对应的退化速率系数与无损检测折减系数，并由全部已识别损伤类型组合匹配获取损伤协同耦合放大指数；从私有链路中调取累计服役时长、工况波动偏差系数及检测数据缺失度系数；从所述共享节点中调取基准固有失效概率及权重系数；

25、根据所述实际检出的损伤种类数量、所述退化速率系数及所述累计服役时长，计算多损伤独立退化累积项；

26、根据所述损伤协同耦合放大指数与所述多损伤独立退化累积项进行幂运算，得到多损伤耦合放大因子；根据所述无损检测折减系数进行连乘，得到分层针对性检验修正因子；

27、根据所述工况波动偏差系数及其对应的第一权重系数、所述检测数据缺失度系数及其对应的第二权重系数进行加权求和后与数值一相加，得到不确定性修正因子；

28、根据所述基准固有失效概率、所述多损伤耦合放大因子、所述分层针对性检验修正因子及所述不确定性修正因子进行乘积运算，得到所述承压设备的损伤失效概率。

29、可选的，根据所述损伤失效概率对应的失效可能性等级以及所述损伤失效约束参数对应的失效后果等级，判定目标承压设备所处的风险等级，生成风险评估结论的步骤，包括：

30、获取所述损伤失效约束参数中的工况数值边界条件、介质组分限定范围及介质浓度限定范围；

31、根据所述工况数值边界条件、所述介质组分限定范围及所述介质浓度限定范围，确定所述目标承压设备的失效后果等级；

32、将所述损伤失效概率映射至预设的失效可能性等级区间，确定所述目标承压设备的失效可能性等级；

33、根据所述失效可能性等级以及所述失效后果等级，在预设的风险矩阵中定位所述目标承压设备的风险坐标，其中，所述风险矩阵为以失效可能性等级为纵轴、以失效后果等级为横轴构建的二维风险评估表，所述二维风险评估表中的每个交叉点对应一个风险等级；

34、将所述风险坐标对应的风险等级作为所述目标承压设备所处的风险等级，生成包含风险等级判定结果及失效后果等级判定结果的风险评估结论。

35、可选的，归档所述思维链推理路径、各分支节点对应的行业标准条款、损伤失效概率的计算依据以及风险评估结论的判定依据，形成可溯源档案，输出承压设备的风险评估自然描述的步骤，包括：

36、采集所述大语言模型沿所述树形拓扑层级顺序进行分层推理过程中生成的各级推理记录，形成所述思维链推理路径；

37、采集各分支节点在推理过程中调用的行业标准条款原文及其条款编号，形成标准条款调用记录；

38、采集所述损伤失效概率的计算依据及所述风险评估结论的判定依据，形成结论支撑记录；

39、将所述思维链推理路径、所述标准条款调用记录及所述结论支撑记录按照推理时序进行结构化关联，生成推理全过程的可溯源档案；

40、基于所述可溯源档案，以自然语言形式输出包含推理链路摘要、关键判定依据及风险评估结论的风险评估自然描述。

41、适应本技术的另一目的而提供的一种基于知识图谱增强大语言模型的承压设备风险评估装置，包括：

42、推理树生成模块，设置为调用承压设备知识图谱，以各承压设备以及其对应的风险评估关联数据为匹配条件，在所述知识图谱的多层级损伤失效分类结构中逐层匹配筛选，提取适配所述承压设备且呈树形拓扑的损伤失效分类节点子集，并生成承压设备对应的多层级损伤失效推理树；

43、节点配置模块，设置为将所述损伤失效分类节点子集中的根节点确定为私有根节点，将其第一中间分支节点、第二中间分支节点和叶子节点确定为可被所有承压设备复用的共享节点，所有共享节点内统一绑定损伤失效知识规则；在所述私有根节点与各共享节点之间搭建相互独立的关联链路，各关联链路隔离存储仅适配对应承压设备工况的损伤失效约束参数；

44、分层推理模块，设置为基于树形拓扑层级固化的思维链推理路径，形成强制分步推演约束，使大语言模型按照树形拓扑层级顺序进行分层推理，逐级输出各分支节点的损伤失效大类以及其对应的细分损伤模式，以叶子节点输出的损伤模式为索引检索全部所需参数后，由私有根节点绑定的损伤失效概率计算模型执行一次性汇总计算，得到损伤失效概率；

45、风险等级判定模块，设置为根据所述损伤失效概率对应的失效可能性等级以及所述损伤失效约束参数对应的失效后果等级，判定所述目标承压设备所处的风险等级，生成风险评估结论；

46、可溯源档案归档模块，设置为归档所述思维链推理路径、各分支节点对应的行业标准条款、损伤失效概率的计算依据以及风险评估结论的判定依据，形成可溯源档案，输出承压设备的风险评估自然描述。

47、适应本技术的另一目的而提供的一种电子设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本技术所述基于知识图谱增强大语言模型的承压设备风险评估方法的步骤。

48、适应本技术的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述基于知识图谱增强大语言模型的承压设备风险评估方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行相应的方法所包括的步骤。

49、相对于现有技术，本技术针对现有技术中的rbi方法在工程实施中高度依赖人工经验导致评估一致性不足，领域知识分散难以系统化复用，商业软件知识整合与工程解释能力有限，且通用大语言模型在强规范场景下存在知识缺失、幻觉及可解释性差等问题，本技术包括但不限于如下有益效果：

50、其一、本技术针对风险评估过程过度依赖人工经验，评估一致性和可追溯性不足，通过树形拓扑层级固化的思维链推理路径形成强制分步推演约束，使大语言模型严格按照承压设备、损伤失效大类、细分损伤模式以及叶子节点的层级顺序执行分层推理，将依赖个人经验的判断过程转化为标准化、确定性的推理流程；各分支节点的推理结论均基于共享节点内统一绑定的行业标准条款与知识规则，避免了不同检验人员因知识背景和经验差异导致的评估偏差；同时通过可溯源档案完整归档思维链推理路径、标准条款调用记录及计算/判定依据，使评估结论的形成过程可复核、可追溯，显著提升了rbi分析的一致性和透明度。

51、其二、本技术针对领域知识利用分散以及难以系统化复用，通过构建承压设备领域知识图谱，将gb/t 26610（承压设备系统基于风险的检验实施导则）、gb/t 30579（承压设备损伤模式识别）、api rp 571（炼油工业固定设备损伤机理）等标准规范中的损伤失效知识规则统一绑定于全局共享节点，同时将历史rbi项目报告、检验记录及典型工程案例进行结构化整理建立案例知识库，实现了分散知识的系统化整合；所有承压设备共用同一套共享节点中的知识规则，新增设备仅需配置其私有约束参数即可复用完整的知识体系，有效降低了知识维护的边际成本，提升了工程经验和历史案例的复用效率。

52、其三、针对现有rbi软件的知识整合和工程解释能力有限，本技术以大语言模型作为推理引擎，在推理过程中同步调用损伤失效知识规则与约束参数进行分步校核，并依据行业标准条款与工况边界条件对推理分支进行合规性校验，实现了对标准条款背后工程逻辑的系统化表达；通过可溯源档案完整归档各分支节点调用的标准条款原文及编号，使每个推理结论均有明确的工程依据，显著提升了工程解释能力；同时通过私有根节点与各共享节点之间搭建相互独立的关联链路实现了通用知识规则与个体约束参数的分离管理，兼顾了知识体系的统一性与工况适配的灵活性，克服了现有商业软件重流程计算、轻知识整合与工程解释的局限性。

53、其四、针对通用大语言模型在强规范工程场景下的适用性不足，本技术通过多层级损伤失效推理树作为结构化检索增强生成索引，限定了大语言模型的知识来源和分析范围；通过树形拓扑层级固化的思维链推理路径替代依靠提示词动态生成的推理链路，从机制上抑制了模型推理偏移与“幻觉”风险；通过规则引擎与知识增强大语言模型协同工作的“双引擎”架构，在推理过程中同步调用知识规则与约束参数进行分步校核，并依据行业标准条款与工况边界条件对推理分支进行合规性校验，形成了“领域知识图谱约束知识来源、固化思维链约束推理路径、规则引擎约束输出结果”的三重可信推理机制，使大语言模型从可能产生“幻觉”的自由文本生成器转变为严格按工程知识图谱所固化的层级路径执行强制分步推演的可信推理工具，实现了大语言模型在承压设备rbi这一高安全、强规范工程场景下的可信应用。

54、进一步的，本技术在保持大语言模型语义理解与自然语言交互优势的同时，将其推理行为严格约束在工程规范与知识规则限定的边界内，有效抑制了通用大语言模型在强规范工程场景下的推理偏移与“幻觉”风险，实现了评估过程的标准化、推理路径的透明化、决策依据的可溯源化，为承压设备rbi提供了一种兼具知识完整性、工程约束性与结果可解释性的智能风险评估方案。