融合多源数据智能识别，实现厂区全局危险事件预警

　　近年化工行业迅猛发展，工艺装置超着大型化、复杂化和集成化方向发展，危化品物料使用规模持续增加，易燃易爆的物质、复杂的工艺流程、人员违章操作等多源风险因素叠加使得生产风险直线上升。安全生产事故频发造成了严重的人员伤害、财产损失和环境破坏，化工安全生产管理引起了国家的高度重视。

　　中国石化青岛安全工程研究院(安工院)以危险化学品重大事故防控为目标，基于风险分类分级管控的基础理念，专注学科体系建设，持续积累化工行业安全管理数据资源，挖掘图像识别、数据融合、大数据分析等新兴技术与化工安全领域的创新结合点，并与北京邮电大学、海康威视等研究机构和企业优势互补开展深度合作，提出了本体特征与状态聚合的厂区全域风险识别预警技术，为实现安全生产风险动态监测与管控提供重要理论指导，发展成为国家危险化学品安全管理重要的技术支撑平台。

　　全域动态监控风险水平

　　生产现场人、车、装置、设备、工具、环境等关键元素及业务系统的关系抽象、交错，复杂危险事件关联元素多、安全逻辑关系繁杂，实现这种跨模态多源特征信息的有效融合从而进行风险识别预警是业界面临普遍的难题。国外大量的研究机构和企业专注于单一识别对象算法的优化提升，安全领域的推广应用案例主要集中于安保领域，厂区安全生产事件预警覆盖率不足10%，单一算法的准确率在80%左右;国内许多科技公司开始涉足安全、消防领域，大多通过神经网络等人工智能方法简单基于图像数据或业务运行数据构建识别模型，主要针对的是单一目标、场景危险事件识别或者进行简单组合，厂区性预警事件覆盖率大约在30%。由于缺少视觉语义与安全业务知识关联的专业性指导，导致识别精度偏低，普遍在现场应用时识别率在60%-70%。因此如何基于安全业务逻辑规则创建融合厂区内大量多模态多源数据的安全知识网络是识别预警方法创新过程中关键的技术难题。

　　安工院基于化学品企业安全事故分析报告、风险评估报告、登记数据、安全体系运行数据以及大量制度规程、安全标准等创建蕴含安全业务知识、视觉语义、监测数据等多源信息关联关系的安全知识网络，基于图卷积神经网络架构，将该知识网络引入决策层，并创新选用本体特征与状态聚合的思路，通过研发安全监测动态限幅滤波算法、基于神经网络的异常特征数据挖掘技术以及模糊粗糙-灰色关联分析的风险识别模型，创建多源数据风险识别预警模型，进行数据级、特征级、决策级分级融合，进而达到全域风险事件的智能识别，实现面向大范围、跨模态数据的全局最优和厂区全域异常及危险事件识别，相比于传统方法，其覆盖率、识别率和处理速度都得到有效提高，其风险覆盖率从原有的20%-30%提高到90%左右，识别准确率由80%改进至92.1%，处理速度提升至181ms/帧。

全域风险识别预警技术架构图

　　该项技术形成全国性风险识别预警主导标准2项和风险识别预警技术国家专利9项，相关成果取得了公安部第三研究所检测认证，并在普光气田等石油化工公司进行了推广应用，为国内外石油化工企业利用人工智能技术助力风险管控措施提供了有效思路。