一种基于深度学习与多重分形的新危险事件分类模型
计算与语言
2023-02-14 v2
摘要
危险与可操作性分析（HAZOP）是工业安全的范式，可从节点偏差、后果、原因、措施与建议中揭示过程的危险，此类危险可视为危险事件（HaE）。对HaE的分类研究具有诸多不可替代的实用价值。本文提出一种称为DLF的深度学习模型，通过多重分形探索HaE分类，其动机在于HaE可自然视为一种时间序列。具体而言，首先利用BERT将HaE向量化得到HaE时间序列；随后提出一种称为HmF-DFA的新多重分形分析方法，通过分析HaE时间序列得到HaE分形序列；最后设计一种新的分层门控神经网络（HGNN）处理HaE分形序列，从严重度、可能性与风险三方面完成HaE分类。我们以18个过程的HAZOP报告为案例并在此基础上开展实验。结果表明，与其他分类器相比，DLF分类器在精确率、召回率与F1-score指标下表现更优，尤其在严重度方面。此外，HmF-DFA与HGNN有效促进了HaE分类。我们的HaE分类系统可为专家、工程师、员工及其他企业提供应用激励。希望本研究能为工业安全的日常实践提供额外支撑。
引用
@article{arxiv.2209.05263,
title = {A new hazard event classification model via deep learning and multifractal},
author = {Zhenhua Wang and Bin Wang and Ming Ren and Dong Gao},
journal= {arXiv preprint arXiv:2209.05263},
year = {2023}
}
备注
accepted by Computers In Industry