基于知识本体的HAZOP语义推理检索方法及系统

技术领域

本申请涉及化工安全生产的技术领域，尤其是涉及一种基于知识本体的HAZOP语义推理检索方法及系统。

背景技术

目前，半自动化HAZOP分析与推理已经相对成熟，但存在的问题是分析过程依赖专家经验，HAZOP结果查询困难，延展适用性和过程管理不利、实用性不强，而这些问题的根源在于安全分析知识没有得到有效管理。知识自动化是安全评价过程、故障监测与诊断等系统实现信息化的根基。为了克服HAZOP分析过程中及HAZOP报告中的存在的弊端，完成HAZOP分析方法的信息化转型，通过历史HAZOP分析的数据构建知识本体，然后通过信息检索的方式，在知识本体中获取信息，便于用户快速获取分析结果，减少时间和人工上的浪费；且知识本体(Ontology)技术在国际标准IS015926中是信息表达和提取的基础，本体清晰的层次结构能够更灵活的表达过程工业中的复杂概念，是实现安全分析信息快速重用的基础与核心。

现有技术中，北京化工大学专业学位硕士研究生学位论文，作者姓名为贾瑶，名称为《基于安全分析事件本体的语义检索方法及其应用研究》的论文中记载了通过历史数据构建安全分析事件本体模型，然后建立本体相似度综合计算模型和事件本体语义检索模型，然后通过对用户的查询请求进行分词，然后经过语义拓展，并经过相似度计算筛除相似度低的关键词，按照相似度排序获得查询集合，然后通过查询集合进行查询，获得结果集合。

然而，只是单纯通过关键词语义进行拓展，可能存在与用户身份不相关的关键词，不能满足不同身份用户查询需求，且从海量数据中返回的大量无关结果，一旦查询的实际结果偏离用户的需求，不仅会干扰相关人员对安全评价信息的处理和分析，甚至会影响化工安全事故的正确预测和防范。

发明内容

为了降低对化工安全事故的正确预测和防范的影响，本申请提供一种基于知识本体的HAZOP语义推理检索方法及系统。

第一方面，本申请提供的一种基于知识本体的HAZOP语义推理检索方法，采用如下的技术方案：

一种基于知识本体的HAZOP语义推理检索方法，包括以下步骤：

建立数据库：存储历史数据，根据现有报告信息搜集、整理原始数据，按照标准流程构建安全分析事件本体模型，然后建立本体相似度综合计算模型和事件本体语义检索模型；

关键词输入：用户通过外设解码，并发出查询请求，输入查询内容；

分词处理：查询内容进行分词处理，根据词语词性清洗并去除无关内容后，识别提取关键实体集合A：

语义拓展：包括用户信息获取步骤、偏向匹配步骤和偏向拓展；

用户信息获取：获取用户解码信息，对应识别用户的个人信息，其中个人信息包括用户的监测权限、擅长领域以及监测节点集合；

偏向匹配：根据用户个人信息，进行节点方向筛选，然后根据筛选后的相关节点形成语义拓展库；

偏向拓展：将集合A中的每一个实体映射到语义拓展库中进行语义拓展，遍历所有关键词的上、下位词和同义词，生成优化扩展后的实体集合B：

相似度计算：将实体集合A与B按照本体相似度综合计算模型进行相似度计算，得出两两词语之间的相似度值，并形成相似度值集合S：

相似度判断：相似度集合S与设定阈值r一一比对，获得相似度大于r的关键词集合，并经过相似度排序后得到查询集合C：

信息查询：将查询集合C中的每个关键实体映射到数据库中，获得具体的查询结果集合D：

排序推送：包括重要度获取步骤、权重判断步骤和报表反馈步骤；

重要度获取：获取查询结果集合D中各个结果的严重程度

权重判断：根据关键词相似度

；

式中，

，式中，Q为危害度阈值，x为调整参数；

报表反馈：按照危害度结果集合W形成结果报表，反馈给用户。

通过采用上述技术方案，通过网上的数据信息、现有事故信息以及现有HAZOP分析报告，进行整理汇总，然后按照标准流程构建安全分析事件本体模型，并建立事件本体语义检索模型，在用户通过外设解码，然后发出查询请求时，根据用户输入的内容，进行分词处理，将查询内容中的无用内容去除，识别关键词，形成关键实体集合A，然后获取用户的解码信息，获取用户的身份，并调取用户的个人信息，然后根据用户个人信息，获取用户权限以及监测节点位置，然后对本体库内关键词的范围进行限缩，形成语义拓展库，然后依据语义拓展库对集合A进行拓展，形成优化拓展后的实体集合B，然后进行相似度计算，计算集合A和集合B之间相互对应词语的相似度，并形成相似度值集合，然后将相似度与设定阈值r进行比对，获得相似度大于r的关键词集合，然后根据相似度依照从大到小的顺序进行排序，形成查询集合C，以及与查询集合C一一映射的有效相似度集合

可选地，权重判断步骤中，还包括等值排序步骤；

等值排序：若关键度集合

通过采用上述技术方案，在存在危害度数值大小一样的结果时，进行排序，按照相似度大小进行排序，用户优先关注和处理相关度较高的结果，进行相关节点的关注和处理，通过排序设置，进一步降低安全事故的发生，降低对化工安全事故的正确预测和防范的影响。

可选地，在相似度判断步骤之后，还设置有关键节点分析步骤和提醒报告反馈步骤；

关键节点分析包括：原因分析步骤、中间结果推导步骤和中间结果比对步骤；

原因分析：根据查询集合C中的关键词获得待查询故障，然后反推获得原因节点；

中间结果推导：根据原因节点的信息正向推导获得可能发生的其他中间结果；

中间结果比对：根据可能发生的中间结果信息，按照危害程度进行排序，并形成中间结果预测集合；

提醒报告反馈：根据中间结果预测集合，形成提醒报告，反馈给用户，提醒用户关注中间结果变化。

通过采用上述技术方案，当收到用户的查询请求后，还根据关键词反推查询的故障对应的原因节点，然后根据原因节点可能产生的中间结果进行推导，然后判断中间结果的危害程度，并排序形成中间结果预测集合，并形成提醒报告，反馈给用户，提醒用户对这些中间结果节点，进行关注，必要时进行修订，进而减少进一步结果的产生，降低安全事故的发生，做好预防。

可选地，在提醒报告反馈步骤之后还设置有预测危害步骤；

预测危害：包括危害分析步骤和危害干预步骤；

危害分析：根据中间结果预测可能导致的最终结果，根据最终结果确定严重程度

危害干预：更新

；式中，

，式中，

通过采用上述技术方案，根据预测的中间结果，再次预测中间结果可能导致的最终结果，然后根据最终结果确定严重程度，然后对

可选地，在危害干预步骤中，还设置有中间结果分析步骤；

中间结果分析：包括结果走势分析步骤和第一取值步骤；

结果走势分析：判断单个中间结果是否对应单个最终结果，若是，则直接执行

第一取值：取多个最终结果严重程度的均值，令

；

式中，

通过采用上述技术方案，当单个中间结果对应多个最终结果时，需要计算获得多个最终结果严重程度的均值，然后进行

可选地，在结果走势分析步骤和第一取值步骤之间还设置有分析判断步骤和第二取值步骤；

分析判断：判断最终结果的严重度

第二取值：取多个最终结果的严重度最大值

。

通过采用上述技术方案，当单个中间结果对应多个最终结果时，也会存在严重程度差距较大的情况，此时按照均值，会干预正确的危害度结果集合排序，通过比较，判断是否存在严重度较高的最终结果，若存在，则取最高的最终结果干预危害度结果集合排序，使得排序结果更为合理，及时对最大可能发生的严重隐患进行排查，进一步的降低对化工安全事故的正确预测和防范的影响。

可选地，在提醒报告反馈步骤之后，还设置有报表等级划分步骤；

报表等级划分：其中危害度结果集合W形成的结果报表处理等级优先级大于中间结果预测集合形成的提醒报告。

通过采用上述技术方案，进行中间结果报告导出和危害度结果集合导出时，通过优先级的排序，提醒用户优先排查处理的节点和结果，使得用户能够有序处理排查，降低安全事故的发生概率。

第二方面，本申请提供的一种基于知识本体的HAZOP语义推理检索系统，采用如下的技术方案：

一种基于知识本体的HAZOP语义推理检索系统，包括以下模块：

数据库：用于存储历史数据，且内部存储有构建安全分析事件本体模型和事件本体语义检索模型；

关键词输入模块：输入端与外设连接，输出端与数据库连接，用于接收用户的查询请求；

分词处理模块：输入端与关键词输入模块的输出端以及数据库的输出端连接，用于根据查询内容进行分词处理，根据词语词性清洗并去除无关内容后，识别提取关键实体集合A；

语义拓展模块：输入端与分词处理模块的输出端连接，用于根据用户信息确定语义拓展库，并根据语义拓展库生成优化扩展后的实体集合B；

相似度计算模块：输入端与语义拓展模块的输出端连接，用于实体集合A与B按照本体相似度综合计算模型进行相似度计算，得出两两词语之间的相似度值，并形成相似度值集合S；

相似度判断模块：输入端与相似度计算模块的输出端连接，用于将相似度集合S与设定阈值r一一比对，并经过相似度排序后得到查询集合C：

信息查询模块：输入端与相似度判断模块的输出端连接，用哪个与将查询集合C中的每个关键实体映射到数据库中，获得具体的查询结果D；

排序推送模块：输入端与信息查询模块的输出端连接，用于获得危害度结果集合W，并形成结果报表，反馈给用户。

通过采用上述技术方案，用户通过关键词输入模块进行查询请求的发出，然后执行分词处理模块，对输入的关键词进行分词，并去除无关内容，形成关键实体集合A，然后执行语义拓展模块，语义拓展模块根据用户权限，定义拓展方向并形成语义拓展库，然后进行语义拓展，然后执行相似度计算模块，计算拓展后的实体集合B与关键实体集合A的相似度，并进行相似度比较，剔除相似度较低的关键词，然后经过相似度排序得到查询集合C，然后执行信息查询模块，通过查询集合C获得具体查询结果，然后执行排序推送模块，通过结果的严重程度干预，得到危害度结果集合W，然后形成报表反馈给用户，用户进行分析处理，进行隐患排查；通过上述系统的设置，对语义拓展方向进行限定，使得拓展后的关键词更加贴合于用户想要查询的方向，使得结果更为准确，且通过危害程度进行干预排序，便于用户及时处理容易发生且严重程度较高的隐患，降低安全事故的发生概率，降低对化工安全事故的正确预测和防范的影响。

综上所述，本申请包括以下至少一种有益技术效果：

1.通过根据用户的权限对语义拓展方向进行限定，使得语义拓展更加贴合于用户的查询意愿与方向，减少查询的实际结果偏离用户的需求，使得结果的输出更具准确性，然后通过严重程度和相似度的互相干预，对结果进行排序，使得用户能够根据结果排序，进行节点筛查和节点关注，降低相关人员对安全评价信息的处理和分析的干扰，减少对化工安全事故的正确预测和防范的影响；

2.根据预测的中间结果，再次预测中间结果可能导致的最终结果，然后根据最终结果确定危害程度，然后对

3.进行中间结果报告导出和危害度结果集合导出时，通过优先级的排序，提醒用户优先排查处理的节点和结果，使得用户能够有序处理排查，降低安全事故的发生概率。

附图说明

图1是本申请实施例1中语义检索方法的流程图；

图2是本申请实施例1中七步法构建事件本体流程图；

图3是本申请实施例1中三层BP网络模型图；

图4是本申请实施例1中语义综合相似度计算过程图；

图5是本申请实施例2中等值排序步骤S8-4的流程图；

图6是本申请实施例2中步骤S9-1至S12-4的流程图；

图7是本申请实施例2中步骤S13的流程图；

图8是本申请实施例中语义检索系统的系统图。

具体实施方式

以下结合图1至图8对本申请作进一步详细说明。

本实施例公开了一种基于知识本体的HAZOP语义推理检索方法。

实施例1：参照图1，基于知识本体的HAZOP语义推理检索方法，包括以下步骤：

S1：建立数据库：存储历史数据，根据现有报告信息搜集、整理原始数据，按照标准流程构建安全分析事件本体模型，然后建立本体相似度综合计算模型和事件本体语义检索模型；

具体地，存储历史数据，历史数据的获取由网上数据和相关化工系统内部历史安全分析报告；首先根据HAZOP分析，将无序、半结构化的安全评价信息转化为结构化、标准化的安全分析知识，并结合网络上及现有报告中搜集、整理了原始数据，实现数据集成，之后通过分析规范化数据并按照标准流程构建安全分析事件本体模型；其次，清洗、标注历史数据后存于数据库；

其中，安全分析事件本体模型的建立为现有技术，源自北京化工大学专业学位硕士研究生学位论文《基于安全分析事件本体的语义检索方法及其应用研究》，依靠半自动构建方式进行构建以及利用Protégé可视化工具进行构建，半自动构建首先建立上层事件本体模型，之后通过实体与关系识别、提取技术从HAZOP报表中抽取有用信息，完成与顶层事件模型的融合。在以七步法该自顶向下的方式构建事件本体模型，其中，七步法构建事件本体流程参照图2。

其中事件本体语义检索模型的建立为现有技术，源自北京化工大学专业学位硕士研究生学位论文《基于安全分析事件本体的语义检索方法及其应用研究》；事件本体综合相似度计算模型为现有技术，源自北京化工大学专业学位硕士研究生学位论文《基于安全分析事件本体的语义检索方法及其应用研究》。

S2：关键词输入：用户通过外设解码，并发出查询请求，输入查询内容；

具体地，用户通过密码或密令会人脸识别进行解锁外设，然后通过外设发出查询请求，查询请求以语句或短句的形式输入。

S3：分词处理：查询内容进行分词处理，根据词语词性清洗并去除无关内容后，识别提取关键实体集合A：

具体地，将查询内容进行分词处理，根据词语的性质进行区分，并去除无关内容，然后将剩下的词语组成关键实体集合A。

S4：语义拓展：包括用户信息获取步骤S4-1、偏向匹配步骤S4-2和偏向拓展S4-3；

S4-1：用户信息获取：获取用户解码信息，对应识别用户的个人信息，其中个人信息包括用户的监测权限、擅长领域以及监测节点集合；

S4-2：偏向匹配：根据用户个人信息，进行节点方向筛选，然后根据筛选后的相关节点形成语义拓展库；

S4-3：偏向拓展：将集合A中的每一个实体映射到语义拓展库中进行语义拓展，遍历所有关键词的上、下位词和同义词，生成优化扩展后的实体集合B：

具体地，根据用户解锁外设时，解锁形式，获取用户的个人信息，确定用户的权限，以及用户主要管理的节点为哪些，节点相关的参数有哪些，然后根据用户的个人信息，进行节点方向筛选，不同的用户输入的查询信息，方向不同，对应获得的语义拓展库不同，根据经过初步筛选后形成的语义拓展库，进行语义的拓展，生成优化扩展后动实体集合B。

S5：相似度计算：将实体集合A与B按照本体相似度综合计算模型进行相似度计算，得出两两词语之间的相似度值，并形成相似度值集合S：

S6：相似度判断：相似度集合S与设定阈值r一一比对，获得相似度大于r的关键词集合，并经过相似度排序后得到查询集合C：

具体地，相似度的计算包括时间要素名称相似度计算、事件本体结构相似度计算、事件要素属性相似度计算，然后将上述三种计算基于BP算法的本体相似度综合计算模型，得到事件本体综合相似度；

计算安全分析事件要素

；

式中，ED为事件要素

事件本体结构相似度计算公式如下：

；

式中，

其中，

事件要素到最近公共祖先节点(Lowest Common Ancestor，缩写为LcA)的距离表示为

是指两个事件要素

。

事件要素属性相似度计算公式如下：

；式中，

BP神经网络能模拟复杂模型中各因子的关系，BP网络由输入层、隐层和输出层组成；本实施例优选三层BP网络模型如图3所示，图中，输入层和隐含层之间的权值为

BP神经网络的训练学习包括信号前向传播和误差反向传播两个过程。在训练过程中，首先输入层向量通过

其中，S函数公式下：

误差函数的公式如下：

基于安全分析事件本体的语义综合相似度计算过程如图4所示，即输入两个事件要素

S7：信息查询：将查询集合C中的每个关键实体映射到数据库中，获得具体的查询结果集合D：

S8：排序推送：包括重要度获取步骤S8-1、权重判断步骤S8-2和报表反馈步骤S8-3；

S8-1：重要度获取：获取查询结果集合D中各个结果的严重程度

S8-2：权重判断：根据关键词相似度

；

式中，

，式中，Q为危害度阈值，x为调整参数；

S8-3：报表反馈：按照危害度结果集合W形成结果报表，反馈给用户。

具体地，将获得的查询集合C一一映射至数据库内，然后获得具体的查询结果集合，然后对查询结果的严重程度进行获取，其中，严重程度根据HAZOP分析的严重等级相对应，分为四级风险等级分别为低、中、中高和高，根据风险等级进行确定严重程度，可根据具体危害范围和程度，进行严重程度的定义，其中中高和高与低和中差值可适当增大；然后根据关键词相似度

；

式中，

，式中，Q为危害度阈值，x为调整参数；其中x可根据化工厂类型，以往事故危害程度，确定Q的取值，并根据事故的危害程度确定x的取值或根据历史数据计算获得；然后对计算获得的关键度集合

本申请实施例1的实施原理为：用户通过外设解码，然后发出查询请求时，根据用户输入的内容，进行分词处理，将查询内容中的无用内容去除，识别关键词，形成关键实体集合A，然后获取用户的解码信息，获取用户的身份，并调取用户的个人信息，然后根据用户个人信息，获取用户权限以及监测节点位置，然后对本体库内关键词剔除不相关的节点方向，对语义拓展本体库的范围进行限缩，形成语义拓展库，然后依据语义拓展库对集合A进行拓展，形成优化拓展后的实体集合B，然后进行相似度计算，计算集合A和集合B之间相互对应词语的相似度，并形成相似度值集合，然后将相似度与设定阈值r进行比对，获得相似度大于r的关键词集合，然后根据相似度依照从大到小的顺序进行排序，形成查询集合C，以及与查询集合C一一映射的有效相似度集合

实施例2：参照图5，本实施例与实施例1的不同之处在于，权重判断步骤中S8-2，还包括等值排序步骤S8-4；

S8-4：等值排序：若关键度集合

具体地，危害度结果集合W：

参照图6，在其他实施方式中，在相似度判断步骤之后，还设置有关键节点分析步骤S9和提醒报告反馈步骤S10；

S9：关键节点分析包括：原因分析步骤S9-1、中间结果推导步骤S9-2和中间结果比对步骤S9-3；

S9-1：原因分析：根据查询集合C中的关键词获得待查询故障，然后反推获得原因节点；

S9-2：中间结果推导：根据原因节点的信息正向推导获得可能发生的其他中间结果；

S9-3：中间结果比对：根据可能发生的中间结果信息，按照危害程度进行排序，并形成中间结果预测集合；

S10：提醒报告反馈：根据中间结果预测集合，形成提醒报告，反馈给用户，提醒用户关注中间结果变化。

具体地，在相似度判断步骤之后，根据关键词的故障位置获得故障信息，然后反推获得导致该故障信息的原因节点是什么，然后根据原因节点推导获得可能出现的中间结果，然后根据中间结果的危害程度进行从大到小的排序，形成中间结果预测集合，然后按照中间结果预测集合的排列顺序，生成提醒报告，然后反馈给用户，在完成危害度结果报告的排查后，用户可根据中间结果的提醒报告，进行排查，以便于及时发现并消除隐患。

在其他实施方式中，在提醒报告反馈步骤之后还设置有预测危害步骤S11；

S11：预测危害：包括危害分析步骤S11-1和危害干预步骤S11-2；

S11-1：危害分析：根据中间结果预测可能导致的最终结果，根据最终结果确定严重程度

S11-2：危害干预：更新

；式中，

，式中，

具体地，中间结果的产生可能对后续工艺造成影响，导致出现具有危害性的最终结果，通过中间结果的参数影响关系，预测可能导致的最终结果，然后判断最终结果的严重程度，根据最终结果的严重程度对

在其他实施方式中，在危害干预步骤中，还设置有中间结果分析步骤S12；

S12：中间结果分析：包括结果走势分析步骤S12-1、分析判断步骤S12-2、第一取值步骤S12-3和第二取值步骤S12-4；

S12-1：结果走势分析：判断单个中间结果是否对应单个最终结果，若是，则直接执行

S12-2：分析判断：判断最终结果的严重度

S12-3：第一取值：取多个最终结果严重程度的均值，令

；

式中，

S12-4：第二取值：取多个最终结果的严重度最大值

。

具体地，根据中间结果预测可能出现的最终结果，当最终结果出现多个时，执行分析判断步骤，判断最终结果的严重程度

S13：报表等级划分：其中危害度结果集合W形成的结果报表处理等级优先级大于中间结果预测集合形成的提醒报告。

具体地，根据危害度结果集合形成的结果报表，更加贴合于用户的查询请求，将其作为第一优先级，便于及时对危险隐患进行排查，然后再根据中间结果预测集合形成的提醒报告进行排查隐患，能够有效的减少安全事故的发生，做到提前预防。

本申请实施例2的实施原理为：当存在危害度相同数值的结果时，根据关键词相似度的从大到小的顺序，排列相同危害度的结果；并根据关键词获取查询故障的信息，然后根据节点前后相关联的参数节点或原因节点，反推获得原因节点，然后再结合原因节点进行中间结果预测，即改原因节点可能导致的其他中间结果，并根据中间结果的危害程度进行排序，获得中间结果预测集合，并形成报表反馈给用户，提醒用户关注其变化，及时处理可能存在的隐患。

在预测获得中间结果后，预测中间结果可能导致的最终结果，并判断单个中间结果导致多个最终结果或单个最终结果，导致单个最终结果时，该最终结果的严重程度直接对

危害度结果集合W形成的结果报表处理等级优先级大于中间结果预测集合形成的提醒报告，可通过颜色提醒或者其他提示方式，进行警示提醒。

本申请实施例还公开了一种基于知识本体的HAZOP语义推理检索系统。

参照图8，基于知识本体的HAZOP语义推理检索系统，包括以下模块：

数据库：用于存储历史数据，且内部存储有构建安全分析事件本体模型和事件本体语义检索模型；

关键词输入模块：输入端与外设连接，输出端与数据库连接，用于接收用户的查询请求；

分词处理模块：输入端与关键词输入模块的输出端以及数据库的输出端连接，用于根据查询内容进行分词处理，根据词语词性清洗并去除无关内容后，识别提取关键实体集合A；

具体地，查询请求和查询信息以及分词处理后的关键实体集合均存储于数据库内，数据库内存储有相同行业相同产品的相关事故分析报告以及HAZOP预测分析报告，以及可在网上获取相关分析报告。

语义拓展模块：输入端与分词处理模块的输出端连接，用于根据用户信息确定语义拓展库，并根据语义拓展库生成优化扩展后的实体集合B；

具体地，通过获取用户的个人信息，确定用户属于哪方面的技术人员，相应的权限有哪些，监控的节点有哪些，进而确定查询请求的拓展方向，形成语义拓展库，然后根据语义拓展库进行拓展，形成优化扩展后的实体集合B。

相似度计算模块：输入端与语义拓展模块的输出端连接，用于实体集合A与B按照本体相似度综合计算模型进行相似度计算，得出两两词语之间的相似度值，并形成相似度值集合S；

相似度判断模块：输入端与相似度计算模块的输出端连接，用于将相似度集合S与设定阈值r一一比对，并经过相似度排序后得到查询集合C：

信息查询模块：输入端与相似度判断模块的输出端连接，用哪个与将查询集合C中的每个关键实体映射到数据库中，获得具体的查询结果D；

排序推送模块：输入端与信息查询模块的输出端连接，用于获得危害度结果集合W，并形成结果报表，反馈给用户。

具体地，在相似度计算完毕后，通过信息查询模块获取对应的结果，并根据结果的严重程度以及结果对应关键词的相似度，进行排序，获得危害度结果集合W，然后形成结果报表，反馈给用户；且在进行排序时，当存在关键度数值一样的结果时，根据该结果对应的关键词相似度按照从大到小的顺序进行排序。

关键节点分析模块：输入端与相似度判断模块的输出端连接，用于根据关键词对应的故障反向推导获得原因节点的信息，然后根据原因节点的信息推导可能发生的中间结果，然后根据中间结果信息的危害程度进行排序，形成中间结果预测集合。

提醒报告反馈模块：输入端与关键节点分析模块的输出端连接，用于根据中间结果预测集合，形成提醒报告发送用户。

预测危害模块：输入端与提醒报告反馈模块的输出端连接，用于预测中间结果可能产生的最终结果，然后根据最终结果的严重程度对关键度集合进行干预，修改危害度结果集合的排序。

报表等级划分模块：输入端与预测危害模块的输出端以及提醒报告反馈模块的输出端连接，对两者产生的报告进行优先级划分，其中危害度结果集合W形成的结果报表处理等级优先级大于中间结果预测集合形成的提醒报告。

本申请实施例一种基于知识本体的HAZOP语义推理检索系统的实施原理为：用户通过关键词输入模块发出查询请求，然后执行分词处理模块，对查询内容进行分词处理，取出无用信息，然后执行语义拓展模块，对分词后的关键词进行拓展，形成实体集合B，然后执行相似度计算模块，计算实体集合A和实体集合B的相似度，并形成相似度集合S，然后执行相似度判断模块，筛除相似度较低的关键词，然后根据相似度从大到小的顺序进行排序，形成查询集合C，然后执行信息查询模块，获得具体的查询结果D，然后执行关键节点分析模块，对关键节点进行反推获得原因节点，然后根据原因节点获得中间结果，根据中间结果进行危害度排序，形成提醒报告发送用户，同时执行预测危害模块对中间结果导致的最终结果进行预测，然后执行排序推送模块，获得危害度结果集合W，并将其形成报表反馈用户；同时在执行报表等级划分模块，对两个报表进行优先级划分，便于用户确定处理顺序。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。