基于流程挖掘的风险智能预测方法

技术领域

本发明属于安全生产和应急管理技术领域，涉及一种风险预测方法，具体涉及一种以化工园区为核心的基于流程挖掘的风险智能预测方法。

背景技术

截至2020年底，全国重点化工园区或以石油和化工为主导产业的工业园区共有616家。以传统园区为例，园内一旦突发公共事件发生，上到整体应急预案的制定、下到管理机制和人员管控等多数工作仍依靠人力完成，难以实现快速管理响应及数据统计，无法保证信息及时准确的收集，对于整体事件影响的评估、重建、恢复产能等方面的建设并不够完善，各类应急资源配置不合理、应急救援能力不强。虽然针对危险化学品的安全监管我国建立了一套自己的法规体系，并相应出台了一系列危险化学品的管理规定和标准，这对有效控制和预防危险化学品的危害起到了积极作用，但是我国现行的危险化学品安全监管制度体系已不能适应市场经济的需要，制度建设本身存在着立法滞后、制度体系标准矛盾、与国际不接轨等突出问题。其次，企业预防意识薄弱，预警和监控系统不完善。再者，发生危险化学品事故时还是处于仓促面对的现象，造成不必要的损失。

风险是指在某一特定环境下，在某一特定时间段内，某种损失发生的可能性。风险是由风险因素、风险事故和风险损失等要素组成。风险有两种定义：一种定义强调了风险表现为不确定性；而另一种定义则强调风险表现为损失的不确定性。具体到化工园区中的风险，既有风险的不确定性，也有风险带来损失的不确定性，例如化工废水中有机磷过多会对周围环境造成严重的生态/经济方面的负面影响，但这种超标何时发生与危害的严重性，是不确定的。如果能预测风险，就可以针对具体情况实施降低风险发生概率的具体措施，来降低负面影响，谋求更好的安全水平和经济效益。

风险智能预测是结合例如流程挖掘等的先进技术手段进行数据处理后输出决策支持的方法。根据监控监测所采集的实时重大应急突发事件信息与同期历史数据，进行智能分析和风险识别，对潜在存在风险的可能危害范围及灾害衍生作出科学性综合研判，同时通过图形化展示功能提供更加精确的预测、预警结果，为应急处理争得先机。这种智能的预测方法需要结合流程模型库、应急管理知识库等模块，最终以决策支持信息的形式进行输出。

流程模型库是指存储从化工园区历史的应急处理事件日志中挖掘出应急管理预案流程模型，描述处理过程中处理措施、应急资源的配置情况及处理效果等信息的数据仓库。在流程模型库中可以检索到不同异常类型(如SO

流程挖掘是指从信息系统收集的实际业务执行的数据中获取流程知识，并提取结构化流程模型的技术，可以发现、监控和改进实际的系统行为。α算法是流程挖掘的一个里程碑算法。它通过找出流程中的活动并挖掘日志中的四个基本关系，即跟随、并发、因果和不相关关系，来构建一个由Petri网表示的流程模型。但由于α算法不能解决噪声问题和识别异常问题，研究者提出了一系列不同角度的新算法来解决这些问题，如归纳式挖掘算法、启发式挖掘算法等。

多源异构数据融合解析是指在化工园区的应急管理中，涉及到来自气象、传感器、RFID、摄像头、边缘服务器等众多来源且属性/维度等不同数据。

虽然这些技术已经广泛应用于实际场景中，但考虑应急管理领域特性及需求，需要拓展流程挖掘技术应用场景，提出适应应急管理的新的风险智能预测方法。

发明内容

针对目前化工产业事故频发造成人财物损失，同时企业风险预测手段处于初级阶段、应急处理管理不完善，如何能够利用先进技术以及现有的领域知识实现风险预测的问题，本发明提供了一种基于流程挖掘的风险智能预测方法。该方法以基于物联网和大数据的流程模型库和应急知识库的数据为基础，用于从园区产生的实时数据中分析园区安全风险，不仅可以通过监测数据的异常情况发出预警，还能够通过使用流程模型库和应急管理知识库得到未来可能发生的事件、险情、传感器数值变化及其发生的概率，甚至对具体情况历史处理方式及其效果，作为决策支持信息输出。

本发明的目的是通过以下技术方案实现的：

一种基于流程挖掘的风险智能预测方法，包括如下步骤：

步骤一、读取传感器实时监测数据，进行预处理

从化工园区的各传感器读取实时监测数据，对传感器的多源异构数据进行融合解析，得到易于处理的标准化、格式化数据D(Type

步骤二、判定实时监测数据是否异常及异常等级

查询应急管理知识库EMKB，检索异常类型为i、传感器为j的异常数据判定知识，检索到D(Type

步骤三、判断异常是否为误报警

查询应急管理知识库EMKB，检索异常类型为i、传感器为j的报警性质判定知识K(Type

步骤四、根据异常类型生成流程模型候选集

根据Type

步骤五、根据异常分级筛选候选集中的流程模型

查询应急管理知识库EMKB，检索异常类型为i、传感器为j的异常数据判定知识，检索到D(Type

步骤六、计算筛选后的应急管理流程模型适用于当前异常的概率

根据候选集S

步骤七、对预测结果进行排序，发出预测预警

根据最终候选集S

相比于现有技术，本发明具有如下优点：

1、本发明结合化工园区应急管理的需求，研究多源异构数据融合与解析技术，以应急管理业务程为核心构建数据融合总线，对采集的数据过滤、清洗、解析及标准化，从而不仅将物理世界与计算机世界联系在一起，还将网络边缘的硬件、嵌入式软件及中间件与企业系统连接起来，使得由分布物理事件所形成的数据能够统一传递到应急管理平台中，为后续的数据利用奠定基础。

2、本发明以化工园区的潜在风险为背景，采用化工园区信息系统中传感器的数据来获取实时数据，结合应急管理知识库判断数据的异常情况与异常时报警的性质，避免了人工判断风险情况与人工选用应急流程的延迟性与不准确性。同时，可以帮助化工园区准确识别风险、智能预测处理风险的应急管理预案的解决方案，描述面对当前风险推荐采用的应急管理预案及其适配当前情况的概率，提升化工园区应对安全风险的响应效率与处理效果，帮助园区更好的应对突发情况进而减少损失。

3、本发明在判断数据异常与报警性质时，提出了“误报警”用于识别数据的某些异常实为没有风险的情况，可以帮助园区减少不必要的风险与安全处理过程。

附图说明

图1为本发明基于流程挖掘的风险智能预测方法的架构图；

图2为步骤(3)的示意图；

图3为步骤(4)、步骤(5)的示意图。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

为了更清晰展现本发明的具体实现方法，首先描述一些相关的概念：

在基于物联网的应急管理平台中汇集了大量的事件日志Log，其中包含了已经执行的应急处理流程实例Trace，Trace则由一系列按时序发生的事件Event构成。

事件E是组成Trace的基本元素，表示为E

一个应急处理流程实例T由一系列按时间顺序排列的事件组成，可以表示为T(tName)＝

价值弧表示一个活动和一个参与者之间的价值流动。当一个活动由一个参与者执行时，它们之间存在一个价值弧，表示为va＝(a,ar,v

流程模型库PML中的应急管理流程模型EMPM是一个面向价值的业务流程BPMN模型，定义为EMPM＝(A,Actor,VA,Edge,GXOR,GAND,start,end)，其中：1)A是服务活动的集合；2)Edge＝{(head,tail)}是顺序流的集合，其中(head,tail)表示从head到tail的顺序流，head∈{A,GXOR,GAND,start}，tail∈{A,GXOR,GAND,end}；3)GXOR和GAND分别表示排他和并行网关；4)start和end分别表示流程的开始事件和结束事件。5)Actor是服务流程模型中参与者的集合；6)VA是A和Actor之间的价值弧集合。流程模型库PML中分区存储不同异常类型Type的应急管理流程，例如处理SO

应急管理知识库EMKB为现有的领域知识，EMKB中的知识分为异常数据判定知识和报警性质判定知识两类。异常数据判定知识是流程模型中各事件的数据(状态、数值等描述)的异常范围，表示为K(Type

实时监测的数据D

本发明中，基于流程挖掘的风险智能预测方法包括如下步骤：

(1)读取传感器实时监测数据，进行预处理。从化工园区的各传感器读取实时监测数据，各类传感器数据类型以及监测的异常类型是有差异的。利用现有的数据融合解析技术对传感器的多源异构数据进行解析，得到易于处理的标准化、格式化数据D(Type

(2)判定实时监测数据是否异常及异常等级。访问应急管理知识库EMKB，检索异常类型为i、传感器为j的异常数据判定知识，检索到D(Type

(3)判断异常是否为误报警。查询应急管理知识库EMKB，检索异常类型为i、传感器为j的报警性质判定知识K(Type

(4)根据异常类型生成流程模型候选集。根据Type

(5)根据异常分级筛选候选集中的流程模型。查询应急管理知识库EMKB，检索异常类型为i、传感器为j的异常数据判定知识，检索到D(Type

(6)计算筛选后的应急管理流程模型适用于当前异常的概率。根据候选集S

(7)对预测结果进行排序，发出预测预警。根据最终候选集S

本发明中，完整的风险智能预测步骤如图1所示，算法具体描述如表1所示。

表1

本发明中，提供了一种应急管流程模型EMPM的建模方法，该方法以化工园区为背景，以物联网应急管理平台的各种设备及终端系统采集的各种事件日志数据为基础，对流程实例进行解析与统计之后抽象为流程变体，将流程变体合并为流程模型，从数据中提取价值信息，进而构建应急管理流程模型，对每个分类主体的流程实例集合重复从而建立流程模型库。具体实施步骤如下：

步骤1、数据预处理：

对存储在应急管理平台中的事件数据进行清洗、过滤以及分类，获取事件日志集合log；

步骤2、流程实例解析与统计：

以一个分类主体S的流程实例集合为样本，对其中的流程实例T解析和统计，获得集合{(T

步骤21、以一个分类主体S的流程实例集合为样本，将流程实例T的事件映射为具有相同名字的相应活动a，根据时序关系挖掘活动顺序关系和并行关系，从而确定流程实例T中所包含的活动a及其关系；

步骤22、将包含的活动a及其关系相同的流程实例T进行归并，统计相同实例的数量，得到集合{(T

步骤3、将流程实例抽象为流程变体：

确定流程实例集合{T

步骤4、合并流程变体为流程模型PM：

对变体集合{VI

步骤41、对变体集合{VI

步骤42、抽取原流程变体中全部不重复的事件、活动以及网关，网关根据其相连的元素进行标识；

步骤43、遍历所有原流程变体中的每一条边(head,tail)，不重复地添加到新流程模型中，由于变体之间存在不同的部分，新流程模型中可能存在非网关元素有多条出边的情况，需要为该元素添加选择网关，将该元素所有出边中的head替换为选择网关，并删除该元素所有出边，最后添加一条由该元素指向选择网关的边，从而得到完整的流程模型PM；

步骤5、提取价值弧集合VA：

基于步骤2获得的活动集合中的每个活动，从对应的事件E中抽取相应的参与者ar以及输入价值v

步骤51、基于步骤二获得的活动a，从对应的事件E中抽取相应的参与者ar，并从事件E的属性和值的集合attrVal抽取ar参与活动a的输入价值v

步骤52、对每个活动执行步骤五一的操作，即可获得价值弧集合VA；

步骤6、构建应急管理流程模型EMPM：

将价值弧集合VA中每个价值弧标注到流程模型PM中对应活动a

步骤61、如果价值弧(a

步骤62、重复步骤61，建立应急管理流程模型EMPM＝(A,Actor,VA,Edge,GXOR,GAND,start,end)，其中：A是服务活动的集合；Edge＝{(head,tail)}是顺序流的集合，head∈{A,GXOR,GAND,start}，tail∈{A,GXOR,GAND,end}；GXOR和GAND分别表示排他和并行网关；start和end分别表示流程的开始事件和结束事件；Actor是服务流程模型中参与者的集合；VA是A和Actor之间的价值弧集合；

步骤7、形成流程模型库：

将得到分类主体S的应急管理流程模型EMPM加入到流程模型库中；对每个分类主体的流程实例集合重复步骤2～步骤6，将得到各个分类实体所对应的应急管理流程模型加入到流程模型库中，从而得到完整的流程模型库。

以上步骤中，步骤3、步骤4和步骤5为并行执行关系，整个方法的执行过程算法具体描述如表2所示。

本发明中，提出了应急管理流程模型候选集的定义与确定过程：候选集是面对某一种风险类型，可能适配这种风险情况的应急管理流程的集合，记为S

本发明中，最后输出的风险预测应急预案具有以下特征：第一，针对的风险情况，匹配当前风险异常；第二，历史中处理同样情况的异常时，被采用的概率最大；第三，历史中处理同样情况的异常时，能有效解决此风险异常。

实施例：

本实施例以一个化工园区的应急管理平台的监测数据为样本，由于平台存储了数以千万级的数据量，流程模型库和应急管理知识库不是本发明的重点，主要通过一次智能风险预测的运行过程的数据集合为例，对本发明后续的各个步骤进行验证：

本化工园区的应急管理平台中有流程模型库。流程模型库中有序存储了历史使用过的应急管理流程。其中，一级分类指标是异常类型，例如二氧化硫泄漏与一氧化氮泄漏是不同的异常类型，用于处理二氧化硫泄漏的应急管理流程和用于处理一氧化氮泄漏的应急管理流程分开存储；二级分类指标是传感器，例如化工园区内仓库的一个二氧化硫浓度传感器数据异常采用的应急管理流程和工厂的一个二氧化硫浓度传感器数据异常采用的应急管理流程是有差异的，流程模型库对相同异常类型下不同的传感器对应的流程模型分开存储；三级分类指标是异常等级，例如化工园区内一个仓库内同一个二氧化硫浓度传感器的数据异常程度不同(如超标二倍对比超标十倍)，历史中采取的应急管理流程不同，这些应急管理流程也分开存储。

本化工园区的应急管理平台中有应急管理知识库。应急管理知识库中有序存储了风险智能预测需要的应急管理知识。其中，应急管理知识包含各传感器的异常判定知识和报警性质判断知识。异常判定知识指化工园区内各风险预测传感器的数据异常范围。报警性质判定知识指结合传感器精度、稳定性、可靠性，综合风险出现的特征，判定传感器的实时数据是否表示出现了风险。异常判定知识根据异常类型、传感器、异常等级三个参数检索，将所需的实时输入后得到报警是否有效的判定。

如表3所示，详细步骤如下：

第一步：输入传感器实时监测数据，解析融合，得到标准的格式化数据D

第二步：访问应急管理知识库，检索D(SO

第三步：访问应急管理知识库，检索D(SO

第四步：访问流程模型库，根据异常类型为二氧化硫泄漏、传感器为传感器1进行流程模型匹配，得到流程模型候选集S

第五步：在上一步得到的候选集中根据异常等级为Level

第六步：对S

第七步：对第六步中各应急管理流程的概率从大到小排序，P

表3

本发明根据化工园区应急管理平台中流程数据与已有结构功能的特点，提出了一种基于流程挖掘的风险智能预测方法。通过这种方法，不仅可以通过监测数据的异常情况发出预警，还能够通过使用流程模型库和应急管理知识库得到未来可能发生的事件、险情、传感器数值变化及其发生的概率，甚至对具体情况历史处理方式及其效果，作为决策支持信息输出。风险智能预测方法是对应急管理平台、流程模型库、应急管理知识库的综合运用，方法包含了风险的识别判定与应急方案的预测，完善的流程模型库有利于帮助企业更好地应对突发情况。