基于图神经网络的社区户内燃气系统动态风险评估
2021-10-08史运涛党亚光雷振伍张荫芬
史运涛，党亚光*，雷振伍，张荫芬，董 哲
(1.北方工业大学现场总线技术及自动化北京市重点实验室,北京 100144；2.中国标准化研究院,北京 100089)
随着我国城市管道燃气事业的迅速发展，燃气管道大量进入社区及居民用户家中。由于燃气供气范围不断扩大、用户数量不断增长，与燃气有关的各类风险因素也随之增加，社区户内燃气事故呈逐年上升趋势。据“燃气爆炸”微信公众平台的不完全统计，2020年全国燃气安全事故共548起，其中室内燃气事故有327起，占比达到了燃气事故总数的59.7%。不难看出，社区燃气用户已成为燃气事故高发群体。为了加强对社区户内燃气系统的监管，确保社区居民的安全用气，需要对社区户内燃气系统进行风险评估，以快速全面地了解社区户内燃气系统的风险水平，从而指导管理者和使用者选择适当的防范措施来遏制燃气风险事故的发生，保障社区居民的生命和财产安全。
目前燃气系统风险评估的对象多为燃气管道，针对社区户内燃气系统，研究工作主要集中于户内燃气事故原因的分析与梳理，而对于社区户内燃气系统风险评估方法的研究较少。如杨涛等从燃气设施和安装质量两方面着手构建安全评价体系，并基于打分法进行了社区户内燃气系统的风险评估；程琦从“操作人员—操作设备—安全管理”三个方面分析室内燃气管道系统的安全风险影响因素，并构建了室内燃气管道系统的安全风险评价指标体系；徐小羽通过梳理社区户内燃气系统的风险因素，构建了社区户内燃气系统的故障树模型，并利用风险因素评分划分风险等级，实现了社区户内燃气系统的安全评价。
综上研究可以看出，目前对于社区户内燃气系统的风险评估大都是基于专家经验的静态分析方法，无法体现社区户内燃气系统风险的动态特性。此外，现有的风险评估方法一般只对社区户内燃气系统中单独组成部分进行建模，忽略了社区户内燃气系统风险复杂的耦合影响关系，无法对社区户内燃气系统可能发生的风险事件提供及时的警告与维护建议。
近年来，基于机器学习的应用可以作为动态风险评估方法的解决方案。因此，本文提出了一种基于图神经网络的社区户内燃气系统动态风险评估方法。首先，通过构建社区户内燃气系统的动态风险评估指标体系，用来反映社区户内燃气系统的安全失效动态风险；然后，将知识图谱用于社区户内燃气系统的场景构建，利用知识图谱来反映社区户内燃气系统动态风险复杂的耦合影响关系，并在构建社区户内燃气系统知识图谱基础上，提出了一种基于图神经网络的社区户内燃气系统动态风险评估方法，通过对知识图谱中实体特征进行聚合，挖掘实体深层次的信息，从而实现社区户内燃气系统的动态风险评估，可为社区燃气用户的安全管理提供理论参考；最后，通过案例应用分析研究，验证了该方法的有效性和可靠性。
1 构建社区户内燃气系统动态风险评估指标体系
建立一个合理的风险评价指标体系对于风险评估具有科学的指导性作用。通过对2016—2020年全国燃气事故统计数据以及社区户内典型燃气安全事故进行全面分析，识别出社区户内燃气系统存在的风险问题和风险因素。结合事故分析结果和专家意见，分别从社区户内燃气设施因素、运行环境因素、人为因素和管理因素4个方面构建如图1所示的社区户内燃气系统动态风险评估指标体系，实现对社区户内燃气系统风险水平科学、准确的描述。
图1 社区户内燃气系统动态风险评估指标体系Fig.1 Dynamic risk assessment index system of community indoor gas system
1.1 燃气设施因素
社区户内燃气系统的构成,如图2所示。社区燃气用户家中的燃气设施一般包括燃气立管、燃气表、燃气阀门、燃气灶具、燃气连接管、燃气热水器、抽油烟机等。而燃气设施由于老化、腐蚀、故障和安装不当等原因会引发燃气泄漏的风险问题。例如：导致燃气表泄漏的原因主要包括使用时间较长造成燃气表本身密封件老化发生燃气泄漏、燃气表使用环境不清洁造成燃气表腐蚀穿孔发生燃气泄漏、受外力影响或安装问题导致燃气表表体或连接处受损引发燃气泄漏；而燃气灶具的风险问题一般包括灶具的老化、灶具自身质量问题和灶具点火失败等故障问题；燃气热水器的风险问题除了由于服役时间长易造成燃气泄漏外，还包括因设施安装位置不当和烟道问题可能引起室内聚集大量一氧化碳(CO)。
图2 社区户内燃气系统构成Fig.2 Composition of community indoor gas system
通过对社区户内燃气设施的风险分析，其评估指标体系分别从燃气设施的服役时间、外防腐层完整性、安装位置和设备故障状况4个三级指标来反映社区户内燃气设施的风险水平。
1.2 运行环境因素
通过分析社区户内燃气事故发生原因及其产生的影响，社区户内燃气系统安全失效可划分为燃气爆炸事故和人员CO中毒事故。燃气设施由于泄漏以及用气环境通风不良等风险问题会导致室内可燃气体聚集，当可燃气体浓度达到爆炸极限或遇到明火会引发严重的燃气爆炸事故；此外，燃气设施安装在密闭空间或通风不良的位置，由于燃气的不充分燃烧会造成CO聚集，进一步可导致人员CO中毒事故。因此，社区户内燃气系统运行环境的风险水平可以通过可燃气体浓度和CO浓度2个三级指标来反映。
1.3 人为因素
社区户内燃气系统由于用户违规操作和使用不当等人为因素引发的燃气事故也常有发生，例如：用户缺乏安全用气意识，出现用气时无人看管、使用燃气后未及时关闭阀门或关闭不到位、未及时更换超期使用的燃气设施等不良用气习惯；为了个人使用的便利，未经批准私改燃气设施、封包暗藏燃气设施、堆积易燃易爆物品等导致用气环境失效等。因此，针对社区户内燃气系统风险的人为因素，三级指标体系包括用气习惯、用气环境可靠性。
1.4 管理因素
管理因素主要是指由于燃气管理单位存在管理缺陷而引发的风险问题，如燃气公司未按照规定进入户内进行周期检修、宣教不到位等。因此，社区户内燃气系统动态风险的管理因素的三级指标体系包括安全教育知识宣传力度和入户检修频率。
2 构建社区户内燃气系统的知识图谱
知识图谱旨在描述真实世界中存在的各种实体或概念，以及它们之间的关联关系。在知识图谱中，每个实体具有属性值，每个属性值用来刻画实体的内在特征，而关系用来连接两个实体，用来刻画它们之间存在的关联关系。知识图谱以图的形式表示客观世界中存在的“实体”和实体间的“关系”。本文在社区户内燃气系统动态风险评估指标体系的基础上，利用知识图谱来反映户内燃气系统风险复杂的耦合影响关系，实现社区户内燃气系统的场景构建。
具体地，将评估指标体系中二级指标“燃气设施因素”作为一种实体类型，其余二级指标“运行环境因素”“人为因素”和“管理因素”综合为“燃气用户”实体类型，用来反映燃气用户的风险水平。同时，根据社区户内燃气系统的构成，定义“燃气设施”之间的关系为“连接”；“燃气设施”与“燃气用户”间的关系为“属于”。最终，构建的社区户内燃气系统知识图谱，见图3。
图3 社区户内燃气系统知识图谱Fig.3 Knowledge graph of community indoor gas system
此外，将评估指标体系中的三级指标作为实体的内在特征，即实体的属性值。为了对实体特征进行规范的描述，根据《城镇燃气设计规范》[GB 50028—2006(2020年版)]中居民生活用气应用要求，对实体的特征进行了简化和离散化处理，其离散化处理结果见表1。考虑到实体“燃气设施”对实体“燃气用户”的风险影响，将两种实体间的特征进行关联，如：“用气习惯”的结果受“服役时间”的影响；“燃气设施可靠性”的结果受“设施故障状况”的影响。在离散化结果中，由于燃气设施的设计寿命不同，因此“服役时间”的特征值由燃气设施的设计寿命决定。例如户内燃气系统中某一灶具阀门的服役时间为3～4 a之间，其设计寿命为10 a，则对应的特征值为“<设计寿命50%”。
表1 社区户内燃气系统实体特征的离散化处理Table 1 Discretization of entity features of community indoor gas system
3 基于图神经网络的社区户内燃气系统动态风险评估方法
根据上述构建的社区户内燃气系统知识图谱以及对知识图谱实体特征的离散化处理结果，本文提出了一种基于图神经网络的社区户内燃气系统动态风险评估方法。图神经网络(Graph Neural Network,GNN) 是一种连接模型，它通过图的节点之间的消息传递来捕捉图的依赖关系，能够处理具有广义拓扑图结构的数据，如知识图谱等，并可深入发掘其特征和规律。目前GNN的主要应用包括实体分类、链路预测和图分类等任务场景。
如图4所示为基于图神经网络的社区户内燃气系统动态风险评估模型的实现流程。
图4 社区户内燃气系统动态风险评估模型的实现流程Fig.4 Implementation process of community indoor gas system dynamic risk assessment model
将社区户内燃气系统知识图谱的实体特征矩阵和表示实体间连接关系的邻接矩阵作为社区户内燃气系统动态风险评估模型的输入。模型结构共分为3层：实体级注意力层、语义级注意力层和实体分类层。在社区户内燃气系统知识图谱中，实体间具有不同的关系，给定一种关系，每个实体都有基于该关系的邻居实体。首先，实体级注意力层利用注意力机制学习某一实体(目标实体)在特定关系下邻居实体的重要性，得到目标实体在邻居实体影响下的特征嵌入；然后，语义级注意力层利用注意力机制学习不同关系的重要性，为其分配权重，并计算目标实体在不同关系影响下的实体特征嵌入，挖掘实体特征的深层信息；最后，将经实体级注意力层和语义级注意力层后得到的目标实体新的特征嵌入输入到实体分类层进行分类，判定目标实体的标签类别，实现目标实体的风险等级划分。
3.1 模型相关变量定义
在构建社区户内燃气系统动态风险评估模型前，先对模型中的相关变量进行定义。
定义1：社区户内燃气系统知识图谱由G
=(V
，R
)表示，其中V
={e
,e
,…,e
}表示知识图谱中的实体集合,R
={r
,r
,…,r
}表示知识图谱的关系集合,N
表示知识图谱中的实体个数,D
表示知识图谱中的关系个数。
φ
={φ
,φ
,…,φ
,…,φ
}，其中P
为知识图谱中的语义路径个数,φ
表示某一语义路径。3.2 实体级注意力层
针对社区户内燃气系统知识图谱，考虑实体间的影响关系，对实体特征信息进行聚合。首先，实体级注意力层利用实体级注意力机制学习基于特定语义路径目标实体的邻居实体重要性，并为它们分配不同的权重，通过聚合目标实体自身特征和邻居实体的特征，得到目标实体新的特征嵌入。
由于不同实体类型具有不同的特征空间，为了将知识图谱中不同类型实体的特征映射到同一特征空间中，需要将实体特征进行线性变换，得到映射到高维空间的特征向量，其计算公式为
(1)
为了学习邻居实体对于目标实体的权重，引入了实体级注意力机制，其作用是能够更好地学习到目标实体与邻居实体特征之间的依赖关系，其计算公式为
(2)
为了使实体级注意力系数便于计算和比较，利用softmax函数对实体级注意力系数进行归一化处理，其公式为
(3)
公式(3)是一个单层的前馈神经网络，并加入了LeakyReLu函数作为非线性的激活函数。利用该式运算得到了归一化后的不同实体间的注意力系数，使用注意力系数计算对应特征的线性组合并结合多头注意力机制，其计算公式为
(4)
3.3 语义级注意力层
在实体级注意力层的基础上，为了得到实体在不同语义路径下的特征嵌入，在语义级注意力层引入了语义级注意力机制，将实体级注意力层的输出作为语义级注意力层输入，通过计算不同语义路径的重要性，得到不同语义路径的权重，进一步得到实体在不同语义路径下的特征嵌入。
(5)
与实体级注意力系数一致，为了使语义级注意力系数更容易计算和比较，利用softmax函数对语义注意力系数进行归一化处理，其公式为
μ
=softmax(attn
_sem
)
(6)
(7)
3.4 模型结构
为了获得社区户内燃气系统知识图谱中目标实体的最终特征嵌入，模型分别使用了两个实体级注意力层和语义级注意力层，具体计算公式如下：
(8)
(9)
3.5 实体分类层
为了实现知识图谱中实体的风险等级评估，在实体级和语义级注意力层后增加了实体分类层。定义社区户内燃气系统风险评价等级集合为{低风险，较低风险，中等风险，较高风险，高风险}，利用softmax函数作为实体分类层激活函数，将语义级注意力层的输出作为实体分类层的输入，可得到目标实体属于各个风险等级的概率。实体分类层的计算公式为
(10)
社区户内燃气系统动态风险评估模型的整体结构，见图5。
图5 社区户内燃气系统动态风险评估模型结构Fig.5 Structure of dynamic risk assessment model for indoor gas
为了对模型中的参数进行训练，利用交叉熵损失函数对带标签的训练数据与预测结果进行对比。交叉熵损失函数的计算公式为
(11)
表2 实体分类标签编码Table 2 Encodings of entity classification label
利用公式(11)计算带标签实体的真实风险等级与预测结果之间的差异，并利用梯度下降法反传误差进行半监督学习，对模型中可学习的参数进行训练。
3.6 模型训练
3.6.1 数据来源与数据处理
为了对社区户内燃气系统动态风险评估模型的参数进行训练，通过对北京市石景山区建钢南里社区进行调研，获得了相关数据。在社区中，通过设计数据采集表获得知识图谱中的实体特征数据，同时利用项目应用示范工程在社区加装的物联网传感器获得社区燃气用户可燃气体浓度和CO浓度的相关数据。
通过数据采集，得到建钢南里社区103个燃气用户共1 000个实体的特征数据，通过对数据进行处理后得到模型输入的特征矩阵和邻接矩阵。
另外，为了构建模型训练的标签集合，结合层次分析法和专家打分法对实体进行风险评估。具体计算步骤为：利用层次分析法获得实体特征的权值矩阵W
，并根据实体的特征进行专家打分，得到分数矩阵S
，通过公式Risk=W
·S
计算实体的分数，并根据风险等级划分原则(见表3)，确定实体的风险等级。
表3 风险等级划分表Table 3 Risk classification
3.6.2 模型参数设置
3.6.3 模型训练结果
模型训练结果见图6，其中train_loss和val_loss分别对应左纵坐标中训练集损失和验证集损失；train_acc和val_acc分别对应右纵坐标中的训练集准确率和验证集准确率。
图6 模型训练结果Fig.6 Model training results
由图6可见，当迭代至334次时，模型准确率达到了最高的88.3%，说明当训练集数据只占数据集的20%时，模型已有较好的预测结果。
继续增大训练集数据量，并在不同训练集占比下重复训练10次，将验证集和测试集准确率的最大值作为模型训练结果，见表4。
表4 不同训练集占比的模型训练结果对比Table 4 Comparison of different training set proportion model results
根据模型训练结果(见表4)，模型具有较高的准确率，可用于社区户内燃气系统的风险评估。
4 案例应用与分析
本文选取北京市石景山区建钢南里社区燃气用户作为评估对象，分别于2019年10月和2020年10月使用数据采集表对该社区中103个燃气用户进行调研，获得了相关数据，并利用训练好的社区户内燃气系统动态风险评估模型对其进行风险评估，其评估结果见图7和表5。
图7 建钢南里社区中不同时间实体数据风险水平变化Fig.7 Change of entity risk level at different time in Jiangang Nanli Community
表5 建钢南里社区中不同时间较高风险和高风险实体类型数量的统计结果Table 5 Comparison of the number of high-risk and higher-risk entity types at different time in Jiangang Nanli Community
由图7可见，根据模型评估结果，随着时间的变化，建钢南里社区中较高风险和高风险的实体数量有所增加。通过对该社区中不同时间较高风险和高风险实体类型数量的统计结果(见表5)进行对比分析，发现在该社区中燃气连接管、燃气表和燃气热水器等实体类型存在较高风险和高风险的数量相对较多。结合社区燃气用户使用燃气的实际情况，分析其原因主要为：①社区部分燃气用户使用的燃气连接管材质为胶管，而燃气胶管的设计寿命一般为18个月，在该社区中特别在老年人家中存在燃气胶管超期使用的情况较多；②建钢南里社区是建成于20世纪80年代的老旧小区，社区内公共燃气设施服务年限较长，户内燃气表和燃气立管由于老化和腐蚀等原因，存在较为严重的风险问题；③社区部分燃气用户使用的燃气热水器安装在卫生间、厨房等通风不良的位置，存在较大的安全隐患，同时部分用户家中使用的燃气热水器服役时间较长，存在设施老化、故障等问题。
此外，根据建钢南里社区部分实体间的风险影响评估结果(见图8)可以看出：当“燃气热水器3”的实体特征为{>设计寿命90%，破损点≥5个，安装位置不合格，有故障}，模型预测其风险等级为“高风险”，与之相连的“燃气用户3”受其影响，模型预测其风险等级为“中等风险”；当与“燃气用户12”相连的“燃气表12”、“燃气灶具12”和“抽油烟机12”的实体特征分别为{>设计寿命90%，破损点≥5个，安装位置不合格，有故障}、{>设计寿命90%，破损点<5个，安装位置不合格，有故障}和{>设计寿命90%，破损点≥5个，安装位置不合格，无故障}，模型预测“燃气表12”、“燃气灶具12”和“抽油烟机12”的风险等级分别为{高风险，高风险，较高风险}，受3个实体的风险影响，模型预测“燃气用户12”的风险等级为“高风险”。
图8 建钢南里社区中实体间的风险影响评估结果Fig.8 Risk impact results between entities of Jiangang Nanli Community
通过上述分析可知，所构建的动态风险评估模型可以针对社区户内燃气系统风险复杂的耦合影响关系进行动态风险评估，并根据评估结果确定社区户内燃气系统存在的风险问题，这对采取有效的风险防控措施指明了方向,如：社区管理者应督促燃气用户对风险较高的燃气连接管和燃气热水器进行及时更换；对于腐蚀较为严重的燃气表，燃气公司应及时进行检修和更换，以避免燃气事故的发生。
5 结论与建议
本文以社区户内燃气系统为研究对象，通过构建社区户内燃气系统动态风险评估指标体系，结合社区户内燃气系统的构成，建立了社区户内燃气系统的知识图谱，并提出了一种基于图神经网络的社区户内燃气系统动态风险评估方法。通过实例应用分析表明：该方法可以针对社区户内燃气系统风险复杂的耦合影响关系，实现社区户内燃气系统的安全动态风险评价，对社区燃气用户的安全管理与采取及时有效的风险防控措施具有一定的指导和参考意义。
本文的研究中，评估对象未考虑燃气取暖器、燃气壁挂炉等户内燃气设施的影响，未来将进一步完善评估对象，并深入研究图神经网络方法在燃气风险评估中的应用。
