1.一种工程质量安全风险智能评估系统，其特征在于：包括时序数据采集与预处理模块、数据变异分析模块、异常突变指数融合模块、驱动因子识别模块、预警阈值动态判定模块和趋势演化报告生成模块；

时序数据采集与预处理模块通过传感器对工程质量数据进行采集，拟合为原始数据集W，并进行预处理，获取质量数据集ZW；

数据变异分析模块在固定周期T内，计算质量数据集ZW中数据的局部变异程度，获取变异系数Ψ；

数据变异分析模块对质量数据集ZW中的每个参数提取局部变异强度，获取变异系数Ψ，包括地基次级沉降增量变异系数ΨAdz、裂缝宽度微漂移值变异系数ΨAcw、应力回弹频偏值变异系数ΨAre和构件倾角渐变率变异系数ΨAsp，获取步骤如下；

S1、设定固定周期T，构建多尺度嵌套窗口：T1=T，T2=2T，T3=0.5T；

S2、对于质量数据集ZW中第o项数据ZWo，在固定周期T1内，计算获取滑动变异系数Ψo；

滑动变异系数Ψo通过以下公式获取：

；

式中，Ψo（T1）表示在固定周期T1内质量数据集ZW中第o项数据的滑动变异系数，σZWo（T1）表示在固定周期T1内质量数据集ZW中第o项数据的标准差，μZWo（T1）表示在固定周期T1内质量数据集ZW中第o项数据的均值，eo表示非零常数；

S3、通过引入变异增强因子VAF，提高不同趋势状态的敏感性；

变异增强因子VAF通过以下公式获取：

；

式中，ln表示对数函数，Ψo（T2）表示在固定周期T2内质量数据集ZW中第o项数据的滑动变异系数，Ψo（T3）表示在固定周期T3内质量数据集ZW中第o项数据的滑动变异系数；

S4、获取变异系数Ψ；

Ψ=Ψo（T1） VAF；

式中，Ψ表示变异系数；

异常突变指数融合模块将获取的变异系数Ψ进行融合，构建异常突变指数AEI；

异常突变指数AEI通过以下公式获取：

；

式中，ln表示指数函数，A表示非线性增强因子，arctan表示反正切函数；

将获取的异常突变指数AEI与预设的异常突变阈值Tyc进行比较，获取突变状态；

驱动因子识别模块对异常突变指数AEI的加速度进行识别，判断异常突变指数AEI的时间序列是否存在突变驱动点，获取演化加速因子EAF，识别潜在隐患；

驱动因子识别模块包括加速度识别单元和突变驱动点判定单元；

加速度识别单元通过提取异常突变指数AEI的二阶变化特征，构建演化加速度a；

演化加速度a通过以下公式获取：

；

式中，AEI（t）表示时间t时的异常突变指数，AEI（t+1）表示时间t+1时的异常突变指数，AEI（t‑1）表示时间t‑1时的异常突变指数，Δt表示时间间隔；

通过引入风险增长惯性系数GX，对获取的演化加速度a进行修正，获取演化加速因子EAF；

风险增长惯性系数GX通过以下公式获取：

；

式中，AEI（t‑3）表示时间t‑3时的异常突变指数，ae表示正数，V（t）表示异常突变指数AEI的一阶导数；

演化加速因子EAF通过风险增长惯性系数GX与演化加速度a的乘积获取；

预警阈值动态判定模块基于历史统计的自适应动态阈值对异常突变指数AEI和演化加速因子EAF进行联合判定，获取风险等级；

趋势演化报告生成模块根据获取的异常突变指数AEI、演化加速因子EAF和风险等级，生成执行策略。

2.根据权利要求1所述的一种工程质量安全风险智能评估系统，其特征在于：时序数据采集与预处理模块包括参数采集与拟合单元和数据预处理单元；

参数采集与拟合单元通过部署在工程结构位置的传感器对工程质量数据进行采集，包括地基次级沉降增量Adz、裂缝宽度微漂移值Acw、应力回弹频偏值Are和构件倾角渐变率Asp，并拟合为原始数据集W；

地基次级沉降增量Adz通过多点位移计和光纤位移传感器采集获取：裂缝宽度微漂移值Acw通过裂缝计和电阻式裂缝宽度传感器采集获取：应力回弹频偏值Are通过应力波频率传感器和高频结构响应传感器采集获取：构件倾角渐变率Asp通过MEMS倾角传感器和光纤倾角计采集获取：数据预处理单元对原始数据集W进行清洗和归一化处理，获取质量数据集ZW；

清洗通过使用相邻跳变判定和局部线性拟合残差阈值法识别原始数据集W中的异常点；

归一化处理通过使用最大最小归一化法对原始数据集W中的数据进行处理，获取质量数据集ZW；

；

式中，ZWo表示质量数据集ZW中的第o项数据，Wo表示原始数据集W中的第o项数据，minWo表示原始数据集W中的第o项数据的谷值，maxWo表示原始数据集W中的第o项数据的峰值。

3.根据权利要求2所述的一种工程质量安全风险智能评估系统，其特征在于：异常突变指数融合模块对获取的地基次级沉降增量变异系数ΨAdz、裂缝宽度微漂移值变异系数ΨAcw、应力回弹频偏值变异系数ΨAre和构件倾角渐变率变异系数ΨAsp进行非线性结构聚合，获取异常突变指数AEI；

突变状态通过以下方式匹配获取：

当异常突变指数AEI＜异常突变阈值Tyc 0.5时，表示突变状态稳定，正常监测；

当异常突变阈值Tyc 0.5≤异常突变指数AEI＜异常突变阈值Tyc时，表示可逆异常，局部加密监测，启动趋势分析；

当异常突变阈值Tyc≤异常突变指数AEI＜异常突变阈值Tyc 1.5时，表示协同突变前兆，发出早期预警；

当异常突变阈值Tyc 1.5≤异常突变指数AEI时，表示多源结构突变高风险状态，启动临检机制。

4.根据权利要求3所述的一种工程质量安全风险智能评估系统，其特征在于：突变驱动点判定单元根据演化加速因子EAF的演化波动，计算获取演化阈值Teaf；

演化阈值Teaf通过以下公式获取：

；

式中，μEAF表示演化加速因子的均值，σEAF表示演化加速因子的标准差，af表示灵敏系数；

将演化加速因子EAF与演化阈值Teaf进行比对，判断风险状态；

风险状态通过以下方式获取：

当演化加速因子EAF≤演化阈值Teaf时，表示正常稳定状态；

当演化加速因子EAF＞演化阈值Teaf时，表示风险状态，出现隐患，进行预警。

5.根据权利要求4所述的一种工程质量安全风险智能评估系统，其特征在于：预警阈值动态判定模块包括联合指数构建单元和风险等级划分单元；

联合指数构建单元对获取的演化加速因子EAF和异常突变指数AEI进行联合构建，获取联合指标ARIA；

联合指标ARIA通过以下公式获取：

；

式中，r1表示风险强度调节因子，r2表示风险加速调节因子。

6.根据权利要求5所述的一种工程质量安全风险智能评估系统，其特征在于：风险等级划分单元从历史周期中提取联合指标ARIA的所有值，组成集合Har；

通过使用均值法和标准差法对集合Har进行阈值提取，获取指标阈值THr；

指标阈值THr通过联合指标ARIA的均值与0.5倍联合指标ARIA的标准差之和获取；

将联合指标ARIA与指标阈值THr进行对比，获取风险等级；

风险等级通过以下方式匹配获取：

当联合指标ARIA＜0.5 指标阈值THr时，表示第一风险等级，安全状态；

当0.5 指标阈值THr≤联合指标ARIA＜指标阈值THr时，表示第二风险等级，出现可控异常；

当指标阈值THr≤联合指标ARIA＜1.5 指标阈值THr时，表示第三风险等级，出现突变前兆；

当1.5 指标阈值THr≤联合指标ARIA时，表示第四风险等级，异常高风险状态。

7.根据权利要求6所述的一种工程质量安全风险智能评估系统，其特征在于：趋势演化报告生成模块将的异常突变指数AEI和演化加速因子EAF构成的时间序列进行趋势识别，构建异常突变指数AEI时序曲线图和演化加速因子EAF加速度曲线图；

异常突变指数AEI时序曲线图：根据时间戳顺序绘制异常突变指数AEI曲线，并在图中标记峰值点，拐点和风险等级分段色带；

演化加速因子EAF加速度曲线图包括演化加速因子EAF连续上升区段长度和演化加速因子EAF峰值到突变点的时距；

根据异常突变指数AEI时序曲线图和演化加速因子EAF加速度曲线图，与风险等级结合，生成执行策略；

执行策略通过以下方式匹配获取：

当处于第一风险等级时，表示状态稳定，执行策略为：正常巡检，周期性采样；

当处于第二风险等级时，表示存在扰动，未持续演化，执行策略为：增加监测频率，启动局部趋势追踪算法；

当处于第三风险等级时，表示累积失稳正在形成，执行策略为：局部检修预案准备、结构复检和评估是否影响功能；

当处于第四风险等级时，表示临界演化，突变临近，执行策略为：结构卸荷、人员撤离和停工处理。

8.一种工程质量安全风险智能评估方法，应用于权利要求1 7任一项所述的一种工程~质量安全风险智能评估系统，其特征在于：包括以下步骤：步骤一、时序数据采集与预处理模块通过传感器对工程质量数据进行采集，拟合为原始数据集W，并进行预处理，获取质量数据集ZW；

步骤二、数据变异分析模块在固定周期T内，计算质量数据集ZW中数据的局部变异程度，获取变异系数Ψ；

步骤三、异常突变指数融合模块将获取的变异系数Ψ进行融合，构建异常突变指数AEI；

步骤四、驱动因子识别模块对异常突变指数AEI的加速度进行识别，判断异常突变指数AEI的时间序列是否存在突变驱动点，获取演化加速因子EAF，识别潜在隐患；

步骤五、预警阈值动态判定模块基于历史统计的自适应动态阈值对异常突变指数AEI和演化加速因子EAF进行联合判定，获取风险等级；

步骤六、趋势演化报告生成模块根据获取的异常突变指数AEI、演化加速因子EAF和风险等级，生成执行策略。