网站大量收购闲置独家精品文档,联系QQ:2885784924

把蝴蝶结模型与贝叶斯网络方法结合起来的过程系统动态安全分析..docx

把蝴蝶结模型与贝叶斯网络方法结合起来的过程系统动态安全分析..docx

  1. 1、本文档共6页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
把蝴蝶结模型与贝叶斯网络方法结合起来的过程系统动态安全分析.

把蝴蝶结模型与贝叶斯网络方法结合起来的过程系统动态安全分析摘要在用于过程系统安全分析的多种方法中,蝴蝶结模型(BT),越来越受欢迎,因为它把事故场景从原因到影响都展示了出来。然而,由于它的静态自然组件—事件树和事故树的缘故,BT在动态安全分析中的应用受到限制。因此,在BT中考虑到修正事件发生的可能性及结果的风险方面很难。而且,BT不能表示条件之间的相互关系。本文阐述了贝叶斯网络(BN)如何有助于克服这些限制。事实也表明,由于BN灵活的结构,可以用于更大范围的事故场景动态安全分析。美国化学安全委员的一个案例研究用两种技术的比较结果说明了BT和BN技术的应用。 关键词:动态安全分析;蝴蝶结方法;贝叶斯网络介绍因为过程系统在高温或压力时处理有害物质,他们很容易发生毁灭性事故。全面的风险评估之后,实施安全措施对于维持风险水平低于验收标准来说是至关重要的。事故分析中,常采用一系列风险评估方法,如定量风险分析(QRA),概率安全分析(PSA)和最优风险分析(ORA)。Delvosalle et al. (2005)在ARAMIS工程中用了BT方法来识别过程系统中的主要涉及到的事故场景。然而,很难找到一个单一的技术完全从开始到结束都可以捕捉不同阶段的事故以及足够灵活以适应各种事故。 BT优点:在所有事故分析模型中,BT已经被证明是可靠的和有效的工具,部分是由于它能够将一个时间的原因和后果在图形模型中展现出来。它已广泛应用于不同的安全与风险场景,如过程安全分析、事故风险评估、风险管理和安全屏障的实现。 BT缺点:由于BT是由事故树和事件树组成,它同时受到两者的限制。例如1)标准事故树不适用于冗余、常见原因或非独立原因事件发生的场景?2)故障树也无法应用于多变量场景,因为它们经常要在过程系统中建模。3)更重要的是,由于事故树和事件树的静态结构,它们不能用于动态性的事故。总之换句话说,这些技术不能直接使用从设备获得的主要事件和安全壁垒更新的失效概率实时信息。2.为了解决上述问题,一些学者使用了贝叶斯方法。在这种方法中,贝叶斯理论是与标准事故树、事件树和蝴蝶结分析一起使用的。另一方面,BT不仅受益于贝叶斯定理提供的更新概率,它还充分利用其灵活的结构来适用于各种各样的事故。文章结构目前的研究表明BT的局限性,大部分是由于其静态成分,这一点可以通过与BN的结合可以很容易的到解决。 安全分析技术蝴蝶结模型BT模型是表述一个事故场景最好的图形化方法之一,因为它可以从事故的原因开始描述,直到事故后果。当对一个关键事件进行分析时,BT左侧是一个事故树,分析引起关键事件的可能原因事件;而其右侧是一个事件树,分析该关键事件安全功能成功或失败可能造成的后果。图1是BT模型的一个典例,由不同部分组成,如:基本事件(PEi)、中间事件(IEi)、顶事件(TE)安全屏障(SBi)及事故后果(Ci)图1 图5BT特点:a.有助于理解哪些基本事件可能导致事故树中顶事件的发生b.有助于理解哪些安全功能故障可使顶事件发展成为事件树中的特定后果。例如:图1中事件4的发生概率可写为: 在此,P(TE)是顶事件的发生概率,P()、P(SB2) 、P(SB3)分别是SB1的非失效概率、SB2和SB3失效概率 贝叶斯网络与 BT模型类似,贝叶斯(BN)网络模型也是一个图形,它已广泛应用于基于概率和不确定知识的风险和安全分析。贝叶斯理论是处理不确定性信息的重要工具。作为一种基于概率的不确定性推理方法,贝叶斯网络在处理不确定信息的智能化系统中已得到了重要的应用,已成功地用于医疗诊断、统计决策、专家系统,学习预测等领域。这些成功的应用,充分体现了贝叶斯网络技术是一种强有力的不确定性推理方法。一个贝叶斯网络是一个有向无环图(Directed Acyclic Graph,DAG),由代表变量节点及连接这些节点有向边构成。节点代表随机变量,节点间的有向边代表了节点间的互相关系(由父节点指向其子节点),用条件概率进行表达关系强度,没有父节点的用先验概率进行信息表达。节点变量可以是任何问题的抽象,如:测试值,观测现象,意见征询等。适用于表达和分析不确定性和概率性的事件,应用于有条件地依赖多种控制因素的决策,可以从不完全、不精确或不确定的知识或信息中做出推理。贝叶斯网络模型最简单的例子是“分类器”,即在观测节点输入多个特征,就能获得这些特征所对应的具体事物。 例如:一个箱子里装有篮球,排球和足球,你的朋友每次从箱子里取出某一个球。但你看不见所取球的类型,只能通过朋友描述尺寸,外表,颜色等特征(观测数据)来辨别(分类),当然你之所以具备辨别(分类)能力是你长期对几种球类的观察和认识,并将这些特征一一储存在你脑部,这就形成先验知识以及特征与具体事物的对应关系(网络模型结构和参数)。如果模型和先验知识精确,你的

您可能关注的文档

文档评论(0)

s4as2gs2cI + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档