一种海上风电运维人员落水风险预警方法及装置与流程

本发明属于海上风电运维人员落水检测领域，具体涉及一种海上风电运维人员落水风险预警方法及装置。

背景技术：

1、随着海上风电规模化发展及其逐渐向深远海区域拓展，海上风电运维环境呈现出距离陆地远、环境条件复杂、作业空间受限等特点。运维人员在上述复杂环境下作业时，受人员状态、空间位置、环境因素及作业任务等多种因素共同影响，存在发生姿态不稳导致落水事故的风险。一旦落水，受限于海上特殊地理条件，人员的发现、定位及救援难度极大，易酿成重大安全事故。因此，实现对运维人员落水风险状态的实时感知与准确预警，是降低落水事故发生概率、保障海上风电运维安全的关键。

2、近年来，可穿戴传感技术与人工智能技术的快速发展，为上述需求提供了技术支撑。现有方法通常采集人员的生命体征与行为状态等多源数据，利用机器学习模型建立风险状态与多源数据之间的映射关系，实现落水风险的识别与预测。然而，该类纯数据驱动方法存在两方面缺陷：其一，模型内部决策过程不透明，难以显式描述人员状态、空间位置、环境因素及作业任务之间的复杂关联关系，导致预警结果缺乏可解释性；其二，当多个风险因素共同作用时，该方法难以有效刻画不同因素之间的时序关联及风险演化过程，容易因单一指标异常触发误报，或因多因素耦合漏报。上述缺陷的根本原因在于，现有方法缺少一种能够统一表达人员-空间-环境-任务-风险之间复杂关联关系的结构化知识载体。

3、为此，如何构建上述关联关系的显式表达，并基于其时序演化特征实现落水风险的可解释预警，成为亟待解决的技术问题。

技术实现思路

1、本技术提供了一种海上风电运维人员落水风险预警方法及装置，用于提高落水风险预警的可解释性并降低误报率。

2、一种海上风电运维人员落水风险预警方法，包括：

3、基于运维人员的状态信息、空间状态信息以及环境与任务状态信息，形成多源融合落水风险数据；

4、获取预先构建的初始落水风险知识表示，所述初始落水风险知识表示根据历史风险事件数据和领域先验知识预先构建，包含影响落水风险的多个关键实体及各所述关键实体之间的静态关联关系；

5、根据所述多源融合落水风险数据，对所述关键实体的属性进行更新，当更新后的属性满足预设风险状态触发条件时，将对应属性转换为带有时间标识的实时落水风险事实；

6、根据各所述实时落水风险事实的发生时间和空间位置，建立各所述实时落水风险事实之间的时序关联关系；

7、将所述关键实体、所述静态关联关系、所述实时落水风险事实及其时间信息进行融合，构建时序落水风险知识图谱；

8、根据所述时序落水风险知识图谱中的历史演化规律和所述实时落水风险事实，对多因素共同作用下的落水风险演化趋势进行推理，生成可解释落水风险预警信息并输出，所述可解释落水风险预警信息包含风险等级、风险因素及其贡献度排序、风险事实及风险状态关联路径。

9、优选地，根据所述多源融合落水风险数据对所述关键实体的属性进行更新，当更新后的属性满足预设风险状态触发条件时，将对应属性转换为带有时间标识的实时落水风险事实的步骤包括：

10、根据所述多源融合落水风险数据中的运维人员状态信息，对人员实体关联的人员状态属性集进行数值更新；所述人员状态属性集包括生命体征状态属性及行为状态属性，并记录本次更新的时间标识；

11、根据所述多源融合落水风险数据中的空间状态信息，对空间实体关联的空间风险属性集进行数值更新，并记录本次更新的时间标识；

12、根据所述多源融合落水风险数据中的环境及任务状态信息，分别对环境实体关联的环境状态属性集和任务实体关联的任务属性集进行数值更新，并记录本次更新的时间标识；

13、根据预设风险状态判定规则，对各所述关键实体更新后的属性进行分析，当任一所述关键实体的属性或实体间关联关系满足预设风险状态触发条件时，将对应属性或关联关系转换为带有时间标识的实时落水风险事实。

14、优选地，根据各所述实时落水风险事实的发生时间和空间位置，建立各所述实时落水风险事实之间的时序关联关系的步骤包括：

15、获取各所述实时落水风险事实对应的实体类型、关联关系类型、发生时间及空间位置；

16、根据任意两个所述实时落水风险事实的发生时间ti和tj，采用时间衰减函数计算时间关联系数：

17、

18、其中，k为预设时间衰减系数，所述时间关联系数用于表征风险状态连续演化过程中的时间依赖关系；

19、根据任意两个所述实时落水风险事实对应的空间位置间pi和pj，计算空间关联系数：

20、

21、所述空间关联系数用于表征人员活动区域变化与危险区域之间的空间约束关系；

22、根据所述时间关联系数和所述空间关联系数，计算任意两个所述实时落水风险事实之间的综合关联强度:

23、；

24、其中，为第一预设权重系数，为第二预设权重系数,为预设的时序关联关系的综合关联强度偏移量；

25、当所述综合关联强度大于预设关联阈值时，建立两个所述实时落水风险事实之间的时序关联关系，并将所述综合关联强度作为对应时序关联关系的关联权重。

26、优选地，根据所述时序落水风险知识图谱中的历史演化规律和所述实时落水风险事实，对多因素共同作用下的落水风险演化趋势进行推理，生成可解释落水风险预警信息并输出的步骤包括：

27、根据当前时刻的所述实时落水风险事实，在所述时序落水风险知识图谱中匹配对应的风险演化模式，确定当前运维人员风险状态的演化趋势；

28、根据所述演化趋势，获取所述时序落水风险知识图谱中各所述关键实体之间的时序关联关系，沿时序关联路径对不同风险因素进行信息传播，获得综合风险关联特征，并根据所述综合风险关联特征获得当前风险状态向目标风险状态演化的关联强度；

29、根据所述关联强度，将当前风险状态特征与所述综合风险关联特征进行融合，输入至落水风险预测模型，计算运维人员在预设未来时间范围内进入目标落水风险状态的概率；

30、根据各所述关键实体对所述概率的贡献程度，确定影响当前风险状态变化的关键实体，提取对应的风险状态关联路径，生成可解释落水风险预警信息并输出。

31、优选地，根据当前时刻的所述实时落水风险事实，在所述时序落水风险知识图谱中匹配对应的风险演化模式，确定当前运维人员风险状态的演化趋势的步骤包括：

32、根据当前时刻的所述实时落水风险事实，获取对应的风险实体类型、实体关联关系类型、事实发生时间及风险关联权重；

33、以所述风险实体类型和所述实体关联关系类型为检索条件，在所述时序落水风险知识图谱中提取与当前风险状态具有相同风险实体类型和相同实体关联关系类型的历史风险事实，按时间顺序排列形成历史风险事实序列；

34、计算当前风险状态对应的时序特征与所述历史风险事实序列中各候选风险演化模式对应的时序特征之间的相似度；

35、将相似度最高的候选风险演化模式确定为匹配的风险演化模式，根据匹配的风险演化模式确定当前运维人员风险状态对应的演化趋势。

36、优选地，根据所述演化趋势，获取所述时序落水风险知识图谱中各所述关键实体之间的时序关联关系，沿时序关联路径对不同风险因素进行信息传播，获得综合风险关联特征，并根据所述综合风险关联特征获得当前风险状态向目标风险状态演化的关联强度的步骤包括：

37、根据所述演化趋势，确定参与风险演化的各所述关键实体，包括人员实体、空间实体、环境实体、任务实体及风险状态实体；

38、获取所述时序落水风险知识图谱中参与风险演化的各所述关键实体之间的时序关联关系及对应的时序关联路径；

39、沿所述时序关联路径，将各所述关键实体的风险因素特征依次传递至相邻实体，当任一实体接收到多个相邻实体传递的风险因素特征时，按照各关联关系对应的风险关联权重进行加权求和，形成该实体的综合风险关联特征；

40、根据所述综合风险关联特征，分析不同风险因素共同作用下风险状态变化趋势，获得当前风险状态向目标风险状态演化的关联强度。

41、优选地，根据各所述关键实体对所述概率的贡献程度，确定影响当前风险状态变化的关键实体，提取对应的风险状态关联路径，生成可解释落水风险预警信息并输出的步骤包括：

42、采用贡献度归因方法，计算所述时序落水风险知识图谱中各所述关键实体对所述概率的贡献程度；

43、根据各所述关键实体的贡献程度进行排序，将贡献程度超过预设阈值的关键实体确定为影响当前风险状态变化的关键实体；

44、根据所述关键实体、对应风险事实以及实体间关联关系，在所述时序落水风险知识图谱中提取从初始风险状态至当前风险状态所经历的风险状态关联路径；

45、生成可解释落水风险预警信息并输出，所述可解释落水风险预警信息包含风险等级、风险因素及其贡献度排序、风险事实及风险状态关联路径。

46、优选地，所述方法还包括：

47、根据输出的所述可解释落水风险预警信息与实际风险状态变化结果之间的偏差，对所述时序落水风险知识图谱中所述关键实体与落水风险状态实体之间的关联权重进行更新；

48、根据更新后的关联关系及新增的实时落水风险事实，对所述时序落水风险知识图谱中的关键实体、关联关系及风险演化规律进行更新，优化所述时序落水风险知识图谱。

49、优选地，所述关键实体包括人员实体、空间实体、环境实体、任务实体及落水风险状态实体；

50、所述人员实体用于表征参与海上风电运维活动的人员对象，关联人员状态属性集，所述人员状态属性集包括生命体征状态属性及行为状态属性；

51、所述空间实体用于表征海上风电运维作业所涉及的物理空间及其空间风险特征，关联空间风险属性集，所述空间风险属性集包括危险等级；

52、所述环境实体用于表征影响海上风电运维人员安全的外部环境因素；

53、所述任务实体用于表征运维人员当前执行的作业活动类型，关联任务属性集，所述任务属性集包括任务持续时间及任务风险等级；

54、所述落水风险状态实体用于表征运维人员在特定时间和空间条件下由人员状态、环境因素及任务状态共同作用形成的风险演化状态，包括正常状态、风险萌发状态、风险累积状态、高风险状态及临近落水状态。

55、本技术还提供了一种海上风电运维人员落水风险预警装置，包括：

56、融合模块，用于基于运维人员的状态信息、空间状态信息以及环境与任务状态信息，形成多源融合落水风险数据；

57、获取模块，用于获取预先构建的初始落水风险知识表示，所述初始落水风险知识表示根据历史风险事件数据和领域先验知识预先构建，包含影响落水风险的多个关键实体及各所述关键实体之间的静态关联关系；

58、更新模块，用于根据所述多源融合落水风险数据，对所述关键实体的属性进行更新，当更新后的属性满足预设风险状态触发条件时，将对应属性转换为带有时间标识的实时落水风险事实；

59、建立模块，用于根据各所述实时落水风险事实的发生时间和空间位置，建立各所述实时落水风险事实之间的时序关联关系；

60、构建模块，用于将所述关键实体、所述静态关联关系、所述实时落水风险事实及其时间信息进行融合，构建时序落水风险知识图谱；

61、预警模块，用于根据所述时序落水风险知识图谱中的历史演化规律和所述实时落水风险事实，对多因素共同作用下的落水风险演化趋势进行推理，生成可解释落水风险预警信息并输出，所述可解释落水风险预警信息包含风险等级、风险因素及其贡献度排序、风险事实及风险状态关联路径。

62、本发明的有益效果为：

63、该方法通过融合多源落水风险数据，构建包含人员、空间位置、环境因素及作业任务等关键实体及其时序关联关系的知识图谱，利用该知识图谱进行多因素时序关联推理，实现落水风险演化趋势的准确预测与可解释预警生成，解决了现有纯数据驱动方法存在的黑盒问题及多因素时序关联刻画不足导致的误报漏报问题。