一种知识数据双驱工业隐患辨识方法、系统、设备及介质与流程

本发明涉及高危工业隐患智能辨识，具体为一种知识数据双驱工业隐患辨识方法、系统、设备及介质。

背景技术：

1、随着高危工业生产系统向规模化、复杂化、连续化方向持续演进，生产设备与工艺链路的耦合程度不断提升，设备隐患呈现隐蔽性强、传导路径多、演化速度快的典型特征。传统依靠人工巡检、单点阈值报警的安全防控模式，不仅存在巡检覆盖不全、隐患发现滞后的短板，更难以应对多隐患耦合、渐进式演化的复杂场景，已无法满足现代高危工业精准监管与前置防控的核心需求。

2、现有技术中，基于人工智能的隐患辨识方案主要分为知识驱动与数据驱动两条技术路线。知识驱动路线以专家规则与传统知识图谱为核心，能够输出合规、可解释的判定结果，但受限于隐患标准文本的语义异构性与逻辑隐含性，大量非结构化规范难以直接转化为可计算的结构化知识。同时传统知识图谱普遍采用“实体-关系-实体”的三元组确定性结构，缺少对不确定性知识的概率化表征，也无法实现与多模态感知数据的语义级耦合，导致知识推理与数据识别长期处于割裂状态，知识底座对识别模型的引导约束作用未能充分发挥。

3、数据驱动路线虽能实现较高精度的隐患识别，但现有多模态融合通常依赖固定权重，难以随工况变化及数据质量波动进行自适应调整，在强噪声、数据缺失等复杂环境下容易出现特征失真与辨识偏差；同时，现有方案多采用单一推理逻辑，规则推理的适应性有限，数据推理又缺乏机理约束，在多隐患耦合及渐进演化场景下容易产生误判和漏判，且推理过程缺少与因果关系、规范依据之间的有效关联，难以满足高危工业安全监管对结果可追溯、可验证及可解释的要求。现有知识驱动与数据驱动方案通常仅在输出阶段进行结果融合，知识图谱主要承担推理结果的后置校验功能，尚未有效参与多模态特征融合及推理调度过程，多元组知识图谱中的属性信息也未能充分参与算法计算，导致知识先验与现场感知数据难以形成深层协同，制约了复杂高危工业场景下隐患辨识精度与可靠性的进一步提升。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：现有的高危工业隐患智能辨识方法存在知识机理与多模态感知数据难以深度协同、融合过程难以适应工况及数据质量变化、推理策略缺乏场景自适应性，以及如何实现知识约束下的多模态动态融合与多逻辑协同推理的问题。

3、为解决上述技术问题，本发明提供如下技术方案：一种知识数据双驱工业隐患辨识方法，包括将高危工业隐患知识图谱对应的知识嵌入向量与工业现场多模态特征向量映射至统一语义空间，形成知识语义与多模态数据语义相对应的统一语义特征；基于所述统一语义特征进行知识引导的多模态注意力融合，并结合高危工业隐患知识图谱中的模态基准权重和实时数据质量确定各模态数据特征的融合权重，形成知识约束下的融合特征向量；根据所述融合特征向量对应的场景特征，确定对应的推理逻辑组合及各推理逻辑的权重，并按照所述推理逻辑组合对所述融合特征向量进行协同推理；根据推理逻辑组合的推理结果及各推理逻辑的权重形成融合推理结果，并基于所述高危工业隐患知识图谱中的知识置信概率对所述融合推理结果进行校准，得到高危工业隐患辨识结果。

4、作为本发明所述的知识数据双驱工业隐患辨识方法的一种优选方案，其中：所述将高危工业隐患知识图谱对应的知识嵌入向量与工业现场多模态特征向量映射至统一语义空间包括，分别通过知识侧投影矩阵和数据侧投影矩阵对所述知识嵌入向量和所述工业现场多模态特征向量进行投影，将同一隐患类型对应的知识嵌入向量与工业现场多模态特征向量构建为正样本对，将不同隐患类型对应的知识嵌入向量与工业现场多模态特征向量构建为负样本对。

5、基于双边际对比损失约束所述正样本对和负样本对在统一语义空间中的相似度，并根据约束结果调整所述知识侧投影矩阵和数据侧投影矩阵，使同一隐患类型的知识语义与多模态数据语义在所述统一语义空间内对应。

6、作为本发明所述的知识数据双驱工业隐患辨识方法的一种优选方案，其中：所述进行知识引导的多模态注意力融合包括，根据高危工业隐患知识图谱中的模态基准权重确定多头注意力对应投影矩阵的初始参数，将统一语义空间中的知识特征与各模态数据特征组成特征序列。

7、对所述特征序列进行联合自注意力计算，根据知识特征与各模态数据特征之间的关联程度调整各模态数据特征的信息贡献，形成经知识引导交互后的各模态增强特征。

8、作为本发明所述的知识数据双驱工业隐患辨识方法的一种优选方案，其中：所述确定各模态数据特征的融合权重包括，根据各模态数据的清晰度、信噪比和数据完整度形成对应的数据质量评分。

9、根据隐患类别候选结果对高危工业隐患知识图谱中的模态基准权重进行修正，将修正后的模态基准权重与所述数据质量评分进行归一化计算，得到各模态数据特征的融合权重。

10、对各模态数据特征的融合权重设置下限约束，并按照所述融合权重对各模态增强特征进行加权聚合，形成所述融合特征向量。

11、作为本发明所述的知识数据双驱工业隐患辨识方法的一种优选方案，其中：所述确定对应的推理逻辑组合及各推理逻辑的权重包括，将所述场景特征作为强化学习的状态，将符号规则推理、统计规律推理、因果关联推理和设备机理推理的组合及对应权重作为强化学习的动作。

12、根据当前状态对应的推理调度策略确定推理逻辑组合及各推理逻辑的权重，按照确定的推理逻辑组合执行隐患推理，并根据隐患辨识准确率和推理耗时形成奖励值。

13、基于所述奖励值对所述推理调度策略进行迭代更新，使后续场景特征按照更新后的推理调度策略确定对应的推理逻辑组合及各推理逻辑的权重。

14、作为本发明所述的知识数据双驱工业隐患辨识方法的一种优选方案，其中：所述根据推理逻辑组合的推理结果及各推理逻辑的权重形成融合推理结果包括，按照各推理逻辑对应的权重对各推理结果进行加权，形成初始融合推理结果。

15、以高危工业隐患知识图谱中对应因果规则的知识置信概率作为校准系数，对所述初始融合推理结果进行知识置信校准。

16、对不同推理逻辑的判定结果进行交叉校验，在符号规则推理和设备机理推理均判定正常且统计规律推理判定异常时过滤对应异常结果，并根据所述交叉校验结果确定隐患是否成立，在确定隐患成立时形成高危工业隐患辨识结果。

17、作为本发明所述的知识数据双驱工业隐患辨识方法的一种优选方案，其中：针对多模态数据中的缺失特征进行插值补全，针对异常离群特征进行识别和剔除。

18、在单一模态数据失效时，将对应模态的融合权重调整为零，根据剩余有效模态对应的增强特征和高危工业隐患知识图谱提供的知识先验重新确定融合特征向量，并基于重新确定的融合特征向量进行隐患推理。

19、本发明的另外一个目的是提供一种知识数据双驱工业隐患辨识系统，其能通过知识数据语义对齐、知识引导多模态融合、场景自适应协同推理及推理融合校准，实现知识信息与多模态数据的协同处理，解决目前工业隐患辨识技术中知识与数据融合程度不足、推理方式难以适应不同场景的问题。

20、作为本发明所述的知识数据双驱工业隐患辨识系统的一种优选方案，其中：包括知识数据语义对齐模块，知识引导多模态融合模块，场景自适应协同推理模块以及推理融合校准模块。

21、所述知识数据语义对齐模块用于将知识嵌入向量与工业现场多模态特征向量映射至统一语义空间，形成相对应的统一语义特征。

22、所述知识引导多模态融合模块用于基于统一语义特征进行知识引导的多模态融合，并结合模态基准权重和实时数据质量形成融合特征向量。

23、所述场景自适应协同推理模块用于根据融合特征向量对应的场景特征确定推理逻辑组合及各推理逻辑的权重，并执行协同推理。

24、所述推理融合校准模块用于根据各推理逻辑的结果及各推理逻辑的权重形成融合推理结果，并结合知识置信概率进行校准，得到高危工业隐患辨识结果。

25、本发明的再一个目的是提供了一种知识数据双驱工业隐患辨识设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序是实现知识数据双驱工业隐患辨识方法的步骤。

26、本发明的还一个目的是提供了一种知识数据双驱工业隐患辨识存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现知识数据双驱工业隐患辨识方法的步骤。

27、本发明的有益效果：本发明提供的知识数据双驱工业隐患辨识方法通过将高危工业隐患知识图谱的知识嵌入向量与工业现场多模态特征映射至统一语义空间，实现知识语义与多模态数据语义的协同表征；通过知识引导的多模态注意力融合，并结合模态基准权重和实时数据质量动态确定融合权重，使融合结果能够适应不同工况及数据质量变化；通过依据场景特征自适应确定推理逻辑组合及其权重，使不同推理逻辑能够针对当前工业场景协同参与隐患判定；通过对各推理结果进行融合并结合知识置信概率进行校准，降低单一推理逻辑产生误判的影响，从而提高复杂高危工业场景下隐患辨识的准确性、适应性与可靠性。