本技术涉及计算机，具体而言，涉及一种基于数据分析的燃气管道失效风险预测方法及系统。
背景技术：
1、燃气管道是燃气供应系统中重要的组成部分，其运行状态直接影响到燃气供应的安全和稳定。因此，对燃气管道的失效风险进行预测，对于防止燃气泄漏、爆炸等严重事故具有重要意义。
2、目前，燃气管道失效风险的评估方法主要包括经验判断法、物理模型法和统计分析法等。其中，经验判断法主要依赖于专家的经验和判断，主观性较强，且难以处理复杂、大规模的管道系统。物理模型法则需要详细的管道参数和运行条件，而这些数据在实际情况中往往难以获取。统计分析法虽然可以利用历史数据进行风险预测，但对数据的质量和数量要求较高，且无法考虑到环境因素的影响。
3、此外，现有的风险评估方法多数无法动态地反映管道的运行状态，只能提供静态的风险评估结果。而燃气管道的运行状态受到许多因素的影响，如温度、压力、流速等，这些因素的变化都可能导致管道的失效风险发生变化。
4、因此，如何基于燃气管道的实时运行数据，提取出有效的风险表征特征，并动态地预测燃气管道的失效风险，是当前技术面临的一个重要问题。
技术实现思路
1、有鉴于此，本技术的目的在于提供一种基于数据分析的燃气管道失效风险预测方法及系统，充分利用了管道状态数据中的多维度信息和特征之间的关联性，提高了风险评估的准确性和客观性，为燃气管道的维护和管理提供了有力的支持。
2、依据本技术的第一方面，提供一种基于数据分析的燃气管道失效风险预测方法，所述方法包括：
3、获取对多个待评估燃气管道进行性能仿真测试生成的管道状态数据，并从各所述待评估燃气管道的管道状态数据中提取出结构向量序列和环境响应向量序列；
4、分别将对应于同一个所述待评估燃气管道的结构向量序列和环境响应向量序列进行聚合，生成各所述待评估燃气管道的风险表征向量序列；
5、在各所述待评估燃气管道的风险表征向量序列中，搜索与目标风险表征向量序列之间符合相似特征的相似风险表征向量序列，并将所述目标风险表征向量序列与符合所述相似特征的相似风险表征向量序列进行集群划分，生成风险表征向量群组；
6、基于所述风险表征向量群组确定各所述待评估燃气管道所对应的失效风险等级。
7、在第一方面的一种可能的实施方式中，所述获取对多个待评估燃气管道进行性能仿真测试生成的管道状态数据，包括：
8、在对多个待评估燃气管道进行性能仿真测试的进程中，对各所述待评估燃气管道的管道测试参数进行记录，生成各所述待评估燃气管道的管道测试特征数据；
9、从各所述待评估燃气管道的管道测试特征数据中解析第一结构风险指标数据；
10、获取各所述待评估燃气管道的运行环境数据，并从各所述运行环境数据中解析第二结构风险指标数据；
11、其中，所述管道状态数据包括所述管道测试特征数据、所述第一结构风险指标数据和所述第二结构风险指标数据。
12、在第一方面的一种可能的实施方式中，所述从各所述待评估燃气管道的管道状态数据中提取出结构向量序列和环境响应向量序列，包括：
13、对所述第一结构风险指标数据和所述第二结构风险指标数据进行交融，生成目标结构风险指标数据；
14、依据风险特征提取网络对所述目标结构风险指标数据进行特征提取，生成结构向量序列；
15、依据环境响应特征提取网络提取所述管道测试特征数据的环境响应向量序列。
16、在第一方面的一种可能的实施方式中，所述分别将对应于同一个所述待评估燃气管道的结构向量序列和环境响应向量序列进行聚合，生成各所述待评估燃气管道的风险表征向量序列，包括：
17、在对应于同一个所述待评估燃气管道的结构向量序列和环境响应向量序列中，确定基于所述待评估燃气管道中同一个管道测试参数提取的目标结构向量序列和目标环境响应向量序列；
18、对所述目标结构向量序列和所述目标环境响应向量序列进行聚合，生成对应于同一个所述待评估燃气管道中所述管道测试参数对应的风险表征向量序列。
19、在第一方面的一种可能的实施方式中，所述在各所述待评估燃气管道的风险表征向量序列中，搜索与目标风险表征向量序列之间符合相似特征的相似风险表征向量序列，包括：在各所述待评估燃气管道的风险表征向量序列中轮询生成目标风险表征向量序列；
20、分别确定所述目标风险表征向量序列与其它风险表征向量序列之间的特征距离；
21、基于所述特征距离，在所述其它风险表征向量序列中确定与所述目标风险表征向量序列之间符合相似特征的相似风险表征向量序列。
22、在第一方面的一种可能的实施方式中，所述风险表征向量群组的统计量为多个；所述基于所述风险表征向量群组确定各所述待评估燃气管道所对应的失效风险等级，包括：
23、基于多个所述风险表征向量群组中各所述待评估燃气管道的风险表征向量序列的统计量，确定各所述待评估燃气管道的目标风险表征向量群组；
24、在所述目标风险表征向量群组中进行注意力权重分配，生成注意力风险表征向量序列，对所述注意力风险表征向量序列进行风险预测，生成所述目标风险表征向量群组对应的失效风险等级；
25、将各所述待评估燃气管道的目标风险表征向量群组对应的失效风险等级，作为各所述待评估燃气管道所对应的失效风险等级。
26、在第一方面的一种可能的实施方式中，所述在各所述待评估燃气管道的风险表征向量序列中，搜索与目标风险表征向量序列之间符合相似特征的相似风险表征向量序列，包括：
27、在各所述待评估燃气管道的风险表征向量序列和多个已评估燃气管道的风险表征向量序列中，搜索与目标风险表征向量序列之间符合相似特征的相似风险表征向量序列；
28、所述确定各所述待评估燃气管道的目标风险表征向量群组对应的参考失效风险等级，包括：
29、在所述目标风险表征向量群组中获取属于任意一个所述已评估燃气管道的风险表征向量序列；
30、将任意一个所述已评估燃气管道的失效风险等级，作为所述目标风险表征向量群组的失效风险等级。
31、在第一方面的一种可能的实施方式中，所述结构向量序列和所述环境响应向量序列是依据机器学习网络模型获得；所述获取对多个待评估燃气管道进行性能仿真测试生成的管道状态数据的步骤之前，所述方法还包括：
32、获取对多个示例燃气管道进行性能仿真测试生成的各示例管道状态数据；
33、依据初始化机器学习网络提取各所述示例管道状态数据的第一结构向量学习序列和第一环境响应向量学习序列，并将各所述示例管道状态数据的第一结构向量学习序列和第一环境响应向量学习序列进行聚合，生成各第一风险表征向量学习序列；
34、在各所述第一风险表征向量学习序列中，搜索与目标风险表征向量学习序列之间符合所述相似特征的相似风险表征向量学习序列；
35、基于所述目标风险表征向量学习序列的第一失效风险热力图和所述相似风险表征向量学习序列的第一失效风险热力图，确定第一训练误差参数；
36、基于所述目标风险表征向量学习序列的第一失效风险热力图，确定第二训练误差参数；
37、基于所述第一训练误差参数和所述第二训练误差参数，更新所述初始化机器学习网络的网络参数，生成所述机器学习网络模型。
38、在第一方面的一种可能的实施方式中，所述获取对多个示例燃气管道进行性能仿真测试生成的各示例管道状态数据之后，还包括：
39、对所述示例管道状态数据进行特征增强，生成所述示例管道状态数据的各增强管道状态数据；
40、依据基础模型提取所述示例管道状态数据的第二风险表征向量学习序列和各所述增强管道状态数据的第一增强风险表征向量学习序列；
41、基于所述示例管道状态数据的第二风险表征向量学习序列和各所述第一增强风险表征向量学习序列之间的特征距离，确定第三训练误差参数；
42、基于所述第三训练误差参数更新所述基础模型的参数，生成所述初始化机器学习网络。
43、譬如，在第一方面的一种可能的实施方式中，所述基于所述第一训练误差参数和所述第二训练误差参数，更新所述初始化机器学习网络的网络参数，生成所述机器学习网络模型的步骤之后，所述方法还包括：
44、对各所述示例管道状态数据进行特征增强，生成各所述示例管道状态数据的多个增强管道状态数据；
45、依据所述机器学习网络模型提取各所述示例管道状态数据的第三风险表征向量学习序列和各所述增强管道状态数据的第二增强风险表征向量学习序列；
46、确定各所述第三风险表征向量学习序列的第二失效风险热力图，以及各所述第二增强风险表征向量学习序列的第二失效风险热力图；
47、基于门限参数值和各所述第二失效风险热力图，确定各所述第二失效风险热力图所对应的模糊失效风险预测数据；
48、在各所述第二失效风险热力图中轮询生成目标失效风险热力图，确定所述目标失效风险热力图所对应的模糊失效风险预测数据的第一统计量，并确定所述目标失效风险热力图所对应的模糊失效风险预测数据中的各所述第二失效风险热力图的第二统计量；
49、基于所述第一统计量和所述第二统计量确定所述目标失效风险热力图的更新因子，基于所述目标失效风险热力图和所述目标失效风险热力图所对应的模糊失效风险预测数据中的各所述第二失效风险热力图，确定所述目标失效风险热力图的交叉熵；
50、基于轮询生成的各所述目标风险热力图的所述交叉熵和所述更新因子，更新所述机器学习网络模型的参数，生成更新后的机器学习网络模型。
51、依据本技术的第二方面，提供一种风险预测系统，所述风险预测系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该风险预测系统实现前述的基于数据分析的燃气管道失效风险预测方法。
52、依据本技术的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的基于数据分析的燃气管道失效风险预测方法。
53、依据上述任意一个方面，本技术的技术效果在于：
54、通过获取对多个待评估燃气管道进行性能仿真测试生成的管道状态数据，并从中提取出结构向量序列和环境响应向量序列，实现了对燃气管道状态的全面、细致描述。通过将对应于同一个待评估燃气管道的结构向量序列和环境响应向量序列进行聚合，生成了各待评估燃气管道的风险表征向量序列，从而准确、高效地反映了各管道的风险特性。进一步地，在各待评估燃气管道的风险表征向量序列中，搜索与目标风险表征向量序列之间符合相似特征的相似风险表征向量序列，并将目标风险表征向量序列与符合相似特征的相似风险表征向量序列进行集群划分，生成风险表征向量群组。这一过程充分利用了风险表征向量序列中的信息，实现了对待评估燃气管道风险的深入挖掘和有效聚类。最后，通过基于风险表征向量群组确定各待评估燃气管道所对应的失效风险等级，不仅提高了风险评估的效率和准确性，而且为燃气管道的维护和管理提供了有力支持，有助于及时发现和防范潜在的安全隐患，保障燃气管道的安全稳定运行。
55、也即，在本技术实施例中，首先获取对多个待评估燃气管道进行性能仿真测试生成的管道状态数据，并从中提取出结构向量序列和环境响应向量序列。然后，将对应于同一个待评估燃气管道的结构向量序列和环境响应向量序列进行聚合，生成风险表征向量序列。在风险表征向量序列中，通过搜索与目标风险表征向量序列之间符合相似特征的相似风险表征向量序列，并将所述目标风险表征向量序列与符合所述相似特征的相似风险表征向量序列进行集群划分，生成风险表征向量群组。最后，基于风险表征向量群组确定各待评估燃气管道所对应的失效风险等级。这样，可以根据不同的风险等级，采取不同的维护策略，从而提高管道的运行安全性和稳定性，同时也有助于节约资源，提高运行效率。此外，由于采用了结构向量和环境响应向量，能够更全面地反映管道的状态，提高预测的准确性。同时，通过集群划分，可以对风险进行分级，使得风险管理更加清晰，方便进行决策。
1.一种基于数据分析的燃气管道失效风险预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于数据分析的燃气管道失效风险预测方法，其特征在于，所述获取对多个待评估燃气管道进行性能仿真测试生成的管道状态数据，包括：
3.根据权利要求2所述的基于数据分析的燃气管道失效风险预测方法，其特征在于，所述从各所述待评估燃气管道的管道状态数据中提取出结构向量序列和环境响应向量序列，包括：
4.根据权利要求1所述的基于数据分析的燃气管道失效风险预测方法，其特征在于，所述分别将对应于同一个所述待评估燃气管道的结构向量序列和环境响应向量序列进行聚合，生成各所述待评估燃气管道的风险表征向量序列，包括：
5.根据权利要求1所述的基于数据分析的燃气管道失效风险预测方法，其特征在于，所述在各所述待评估燃气管道的风险表征向量序列中，搜索与目标风险表征向量序列之间符合相似特征的相似风险表征向量序列，包括：在各所述待评估燃气管道的风险表征向量序列中轮询生成目标风险表征向量序列；
6.根据权利要求1所述的基于数据分析的燃气管道失效风险预测方法，其特征在于，所述风险表征向量群组的统计量为多个；所述基于所述风险表征向量群组确定各所述待评估燃气管道所对应的失效风险等级，包括：
7.根据权利要求6所述的基于数据分析的燃气管道失效风险预测方法，其特征在于，所述在各所述待评估燃气管道的风险表征向量序列中，搜索与目标风险表征向量序列之间符合相似特征的相似风险表征向量序列，包括：
8.根据权利要求1所述的基于数据分析的燃气管道失效风险预测方法，其特征在于，所述结构向量序列和所述环境响应向量序列是依据机器学习网络模型获得；所述获取对多个待评估燃气管道进行性能仿真测试生成的管道状态数据的步骤之前，所述方法还包括：
9.根据权利要求8所述的基于数据分析的燃气管道失效风险预测方法，其特征在于，所述获取对多个示例燃气管道进行性能仿真测试生成的各示例管道状态数据之后，还包括：
10.一种风险预测系统，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-9中任意一项所述的基于数据分析的燃气管道失效风险预测方法。
