CN111125965B - 一种致灾因素条件下应急调控装备可靠性评估方法及系统 - Google Patents

一种致灾因素条件下应急调控装备可靠性评估方法及系统 Download PDF

Info

Publication number
CN111125965B
CN111125965B CN201911403782.2A CN201911403782A CN111125965B CN 111125965 B CN111125965 B CN 111125965B CN 201911403782 A CN201911403782 A CN 201911403782A CN 111125965 B CN111125965 B CN 111125965B
Authority
CN
China
Prior art keywords
disaster
fault
control equipment
reliability
emergency control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911403782.2A
Other languages
English (en)
Other versions
CN111125965A (zh
Inventor
张嘉勇
艾子博
郭立稳
崔啸
许慎
苏霈洋
贾静
冯培云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Science and Technology
Original Assignee
North China University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China University of Science and Technology filed Critical North China University of Science and Technology
Priority to CN201911403782.2A priority Critical patent/CN111125965B/zh
Publication of CN111125965A publication Critical patent/CN111125965A/zh
Application granted granted Critical
Publication of CN111125965B publication Critical patent/CN111125965B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种致灾因素条件下应急调控装备可靠性评估方法及系统，将人工智能机器学习融入可靠性模型中，提高评估结果的准确性和科学性，为应急调控技术装备的工程实践提供指导。方法包括：灾情特征仿真模拟，根据火灾、瓦斯爆炸、煤岩动力的灾害致灾因素演化规律，确定灾情致灾因素分布规律，进行灾情仿真模拟；应急调控装备的可靠性分析，对应急调控装备的组成单元进行分析，确定各组成单元的故障模式、故障原因及故障影响因素，利用统计数据以获取各组成单元的故障模式、故障原因及故障影响因素的概率信息，确定故障影响因素间的逻辑关系，基于贝叶斯网络进行应急调控装备的可靠性分析。

Description

一种致灾因素条件下应急调控装备可靠性评估方法及系统
技术领域
本发明属于应急调控装备可靠性评估技术领域，尤其涉及一种致灾因素条件下应急调控装备可靠性评估方法及系统。
背景技术
随着煤炭开采规模逐年扩大，各类煤矿事故也呈现不同的发展趋势，防治难度也更加复杂。煤矿事故不仅给煤炭企业造成大量设备财产的经济损失，而且危及作业人员的生命安全，造成无法挽回的人员伤亡。因此，针对矿井火灾、瓦斯爆炸、煤岩动力等灾害而研制应急调控装备，防止灾变范围扩大，减少人员伤亡具有重要意义。但是不同灾变场景应急装备有效响应方案、调控系统间各单元的协作控灾机制和应急调控装备协同集控可靠性评估模型等均未有能适应多变的致灾因素条件下的有效、科学、准确的装备可靠性评估方法，因此也无法为应急装备研制提供有支撑的理论基础。
目前，急需一种能够确定不同灾变场景应急调控装备与远程监控系统协同关系的方法，以为灾变风烟流应急调控技术装备的工程实践提供指导。
发明内容
针对上述问题，本发明提供了一种致灾因素条件下应急调控装备可靠性评估方法及系统，将人工智能机器学习融入可靠性模型中，提高评估结果的准确性和科学性，为应急调控技术装备的工程实践提供指导。
一种致灾因素条件下应急调控装备可靠性评估方法，该方法包括：
灾情特征仿真模拟，根据火灾、瓦斯爆炸、煤岩动力的灾害致灾因素演化规律，确定灾情致灾因素分布规律，进行灾情仿真模拟；
应急调控装备的可靠性分析，对应急调控装备的组成单元进行分析，确定各组成单元的故障模式、故障原因及故障影响因素，利用统计数据以获取各组成单元的故障模式、故障原因及故障影响因素的概率信息，确定故障影响因素间的逻辑关系，基于贝叶斯网络进行应急调控装备的可靠性分析。
进一步的，所述灾情特征仿真模拟包括，通过矿井检测的实时数据，利用影响灾情大小的物理参数来确定致灾因素分布规律，利用蒙特卡洛马尔可夫（MCMC）抽样进行随机状态下灾情大小的仿真模拟。
进一步的，所述的灾情特征仿真模拟还包括，通过高斯混合模型算法（GMM）对各致灾因素进行估计，确定在一定样本数据下各种情况发生概率，通过后验参数进行gibbs抽样，模拟随机情况下的灾情特征。
进一步的，影响灾情大小的物理参数包括瓦斯浓度、体积、气体温度。
进一步的，所述应急调控装备的可靠性分析包括，采用FFB建模方法构建贝叶斯网络，利用贝叶斯网络的不确定性问题处理能力对系统可靠性进行分析。
进一步的，FFB建模方法包括失效影响分析（FMEA）、故障树分析（FTA）、贝叶斯网络分析（BN）。
进一步的，所述应急调控装备可靠性分析还包括，利用失效影响分析（FMEA）对可能存在的故障模式、故障原因及故障影响因素进行全面的分析；然后，将失效影响分析（FMEA）转化为故障树分析（FTA），对影响严重的故障模式的故障原因进行深入的分析，确定各故障影响因素间的逻辑关系；最后，将故障树分析（FTA）转化为贝叶斯网络分析（BN），利用贝叶斯网络分析（BN）计算整体发生故障的概率。
进一步的，所述应急调控装备可靠性分析还包括，建立基于集成学习算法的可靠性评估模型，确定可靠性评估指标，实现灾变发生后应急调控装备可靠度的实时研判。
进一步的，应急调控装备的可靠性分析中，获取各组成单元的故障原因的概率信息的统计数据为专家意见数据库。
一种实现致灾因素条件下应急调控装备可靠性评估方法的系统，该系统包括：
灾情特征仿真模拟模块，其根据火灾、瓦斯爆炸、煤岩动力的灾害致灾因素演化规律，确定灾情致灾因素分布规律，进行灾情仿真模拟；
应急调控装备的可靠性分析模块，其对应急调控装备的组成单元进行分析，确定各组成单元的故障模式、故障原因及故障影响因素，利用统计数据以获取各组成单元的故障模式、故障原因及故障影响因素的概率信息，确定故障影响因素间的逻辑关系，基于贝叶斯网络进行应急调控装备的可靠性分析。
有益效果：
本发明提出了一种致灾因素条件下应急调控装备可靠性评估方法及系统，将人工智能机器学习融入可靠性模型中，提高评估结果的准确性和科学性，为应急调控技术装备的工程实践提供指导。
本发明具有如下效果：实现了应急调控装备协同集控可靠性评估；明确了应急装备系统间各单元的协作控灾机制，可根据不同灾变场景随时调整应急装备响应方案；通过机器深度学习，得到应急装备协同集控所需的可靠性评估指标。
附图说明
图1为本发明的致灾因素条件下应急调控装备可靠性评估方法及系统的技术路线图；
图2为本发明的致灾因素条件下应急调控装备可靠性评估方法及系统的可靠性分析框图。
具体实施方式
针对现有技术，本发明提供了一种致灾因素条件下应急调控装备可靠性评估方法及系统，将人工智能机器学习融入可靠性模型中，提高评估结果的准确性和科学性，为应急调控技术装备的工程实践提供指导。
现参照图1-2对本发明的致灾因素条件下应急调控装备可靠性评估方法及系统的具体实施方式详述如下。
一种致灾因素条件下应急调控装备可靠性评估方法，该方法包括：
灾情特征仿真模拟，根据火灾、瓦斯爆炸、煤岩动力的灾害致灾因素演化规律，确定灾情致灾因素分布规律，进行灾情仿真模拟；
应急调控装备的可靠性分析，对应急调控装备的组成单元进行分析，确定各组成单元的故障模式、故障原因及故障影响因素，利用统计数据以获取各组成单元的故障模式、故障原因及故障影响因素的概率信息，确定故障影响因素间的逻辑关系，基于贝叶斯网络进行应急调控装备的可靠性分析。
所述灾情特征仿真模拟包括，通过矿井检测的实时数据，利用影响灾情大小的物理参数来确定致灾因素分布规律，利用蒙特卡洛马尔可夫（MCMC）抽样进行随机状态下灾情大小的仿真模拟。
所述的灾情特征仿真模拟还包括，通过高斯混合模型算法（GMM）对各致灾因素进行估计，确定在一定样本数据下各种情况发生概率，通过后验参数进行gibbs抽样，模拟随机情况下的灾情特征。
影响灾情大小的物理参数包括瓦斯浓度、体积、气体温度。
所述应急调控装备的可靠性分析包括，采用FFB建模方法构建贝叶斯网络，利用贝叶斯网络的不确定性问题处理能力对系统可靠性进行分析。
FFB建模方法包括失效影响分析（FMEA）、故障树分析（FTA）、贝叶斯网络分析（BN）。
所述应急调控装备可靠性分析还包括，利用失效影响分析（FMEA）对可能存在的故障模式、故障原因及故障影响因素进行全面的分析；然后，将失效影响分析（FMEA）转化为故障树分析（FTA），对影响严重的故障模式的故障原因进行深入的分析，确定各故障影响因素间的逻辑关系；最后，将故障树分析（FTA）转化为贝叶斯网络分析（BN），利用贝叶斯网络分析（BN）计算整体发生故障的概率。
所述应急调控装备可靠性分析还包括，建立基于集成学习算法的可靠性评估模型，确定可靠性评估指标，实现灾变发生后应急调控装备可靠度的实时研判。
应急调控装备的可靠性分析中，获取各组成单元的故障原因的概率信息的统计数据为专家意见数据库。
一种实现致灾因素条件下应急调控装备可靠性评估方法的系统，该系统包括：
灾情特征仿真模拟模块，其根据火灾、瓦斯爆炸、煤岩动力的灾害致灾因素演化规律，确定灾情致灾因素分布规律，进行灾情仿真模拟；
应急调控装备的可靠性分析模块，其对应急调控装备的组成单元进行分析，确定各组成单元的故障模式、故障原因及故障影响因素，利用统计数据以获取各组成单元的故障模式、故障原因及故障影响因素的概率信息，确定故障影响因素间的逻辑关系，基于贝叶斯网络进行应急调控装备的可靠性分析。
本发明提出了一种致灾因素条件下应急调控装备可靠性评估方法及系统，将人工智能机器学习融入可靠性模型中，提高评估结果的准确性和科学性，为应急调控技术装备的工程实践提供指导。
本发明具有如下效果：实现了应急调控装备协同集控可靠性评估；明确了应急装备系统间各单元的协作控灾机制，可根据不同灾变场景随时调整应急装备响应方案；通过机器深度学习，得到应急装备协同集控所需的可靠性评估指标。

Claims (3)

1.一种致灾因素条件下应急调控装备可靠性评估方法，其特征在于，该方法包括：
灾情特征仿真模拟，根据火灾、瓦斯爆炸、煤岩动力的灾害致灾因素演化规律，确定灾情致灾因素分布规律，进行灾情仿真模拟；
应急调控装备的可靠性分析，对应急调控装备的组成单元进行分析，确定各组成单元的故障模式、故障原因及故障影响因素，利用统计数据以获取各组成单元的故障模式、故障原因及故障影响因素的概率信息，确定故障影响因素间的逻辑关系，基于贝叶斯网络进行应急调控装备的可靠性分析；
灾情特征仿真模拟包括，通过矿井检测的实时数据，利用影响灾情大小的物理参数来确定致灾因素分布规律，利用蒙特卡洛马尔可夫（MCMC）抽样进行随机状态下灾情大小的仿真模拟；
灾情特征仿真模拟还包括，通过高斯混合模型算法（GMM）对各致灾因素进行估计，确定在一定样本数据下各种情况发生概率，通过后验参数进行gibbs抽样，模拟随机情况下的灾情特征；
影响灾情大小的物理参数包括瓦斯浓度、体积、气体温度；
所述应急调控装备的可靠性分析包括，采用FFB建模方法构建贝叶斯网络，利用贝叶斯网络的不确定性问题处理能力对系统可靠性进行分析；
 FFB建模方法包括失效影响分析（FMEA）、故障树分析（FTA）、贝叶斯网络分析（BN）；
所述应急调控装备可靠性分析还包括，利用失效影响分析（FMEA）对可能存在的故障模式、故障原因及故障影响因素进行全面的分析；然后，将失效影响分析（FMEA）转化为故障树分析（FTA），对影响严重的故障模式的故障原因进行深入的分析，确定各故障影响因素间的逻辑关系；最后，将故障树分析（FTA）转化为贝叶斯网络分析（BN），利用贝叶斯网络分析（BN）计算整体发生故障的概率；
所述应急调控装备可靠性分析还包括，建立基于集成学习算法的可靠性评估模型，确定可靠性评估指标，实现灾变发生后应急调控装备可靠度的实时研判。
2.根据权利要求1所述的一种致灾因素条件下应急调控装备可靠性评估方法，其特征在于，应急调控装备的可靠性分析中，获取各组成单元的故障原因的概率信息的统计数据为专家意见数据库。
3.一种实现权利要求1-2任一项所述的致灾因素条件下应急调控装备可靠性评估方法的系统，该系统包括：
灾情特征仿真模拟模块，其根据火灾、瓦斯爆炸、煤岩动力的灾害致灾因素演化规律，确定灾情致灾因素分布规律，进行灾情仿真模拟；
应急调控装备的可靠性分析模块，其对应急调控装备的组成单元进行分析，确定各组成单元的故障模式、故障原因及故障影响因素，利用统计数据以获取各组成单元的故障模式、故障原因及故障影响因素的概率信息，确定故障影响因素间的逻辑关系，基于贝叶斯网络进行应急调控装备的可靠性分析。
CN201911403782.2A 2019-12-30 2019-12-30 一种致灾因素条件下应急调控装备可靠性评估方法及系统 Active CN111125965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911403782.2A CN111125965B (zh) 2019-12-30 2019-12-30 一种致灾因素条件下应急调控装备可靠性评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911403782.2A CN111125965B (zh) 2019-12-30 2019-12-30 一种致灾因素条件下应急调控装备可靠性评估方法及系统

Publications (2)

Publication Number Publication Date
CN111125965A CN111125965A (zh) 2020-05-08
CN111125965B true CN111125965B (zh) 2023-04-21

Family

ID=70505934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911403782.2A Active CN111125965B (zh) 2019-12-30 2019-12-30 一种致灾因素条件下应急调控装备可靠性评估方法及系统

Country Status (1)

Country Link
CN (1) CN111125965B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487592B (zh) * 2020-12-16 2022-01-18 北京航空航天大学 基于贝叶斯网络的任务可靠性建模分析方法
CN112964493B (zh) * 2021-03-25 2023-01-24 中国计量大学 一种小型应急装备在多灾害作用下损坏模拟实验系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814114A (zh) * 2010-01-07 2010-08-25 北京航空航天大学 一种利用模型转换进行故障诊断的方法
CN102609557A (zh) * 2011-11-11 2012-07-25 南京航空航天大学 航空发动机转子非包容失效安全性分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8762321B2 (en) * 2011-07-18 2014-06-24 Siemens Aktiengesellschaft Method, system and computer program product for automatic generation of Bayesian networks from system reliability models

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814114A (zh) * 2010-01-07 2010-08-25 北京航空航天大学 一种利用模型转换进行故障诊断的方法
CN102609557A (zh) * 2011-11-11 2012-07-25 南京航空航天大学 航空发动机转子非包容失效安全性分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹然 ; 金鸿章 ; 冯丽媛 ; .博弈模型在复杂系统连锁故障预防的应用.电机与控制学报.2013,第17卷(第05期),93-97. *

Also Published As

Publication number Publication date
CN111125965A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111563524A (zh) 一种多站融合系统运行态势异常监测和告警合并方法
CN111125965B (zh) 一种致灾因素条件下应急调控装备可靠性评估方法及系统
CN108615098B (zh) 基于贝叶斯生存分析的供水管网管道爆管风险预测方法
CN111583067A (zh) 一种城市地下大空间施工安全预警与应急决策方法及系统
CN112330184A (zh) 施工风险的预测方法、装置、设备和介质
CN116756909A (zh) 一种基于数据模型及机理模型的火电厂预警诊断系统
CN117846706A (zh) 一种地下隧道结构有害气体的监测报警方法和控制装置
CN113743750B (zh) 核电厂工艺系统过程风险评估系统及方法
Brodny et al. Applying an automatic gasometry system and a fuzzy set theory to assess the state of gas hazard during the coal mining production process
CN105426665B (zh) 基于状态监测的动态可靠度确定方法
CN116777085B (zh) 基于数据分析和机器学习技术的煤矿水害预测系统
CN112668749B (zh) 一种基于类标加权极限学习机的煤矿瓦斯预警方法
CN117852295A (zh) 一种基于数字孪生的煤矿事故仿真模拟系统
Barabadi et al. Application of accelerated failure model for the oil and gas industry in Arctic region
CN117520989A (zh) 一种基于机器学习的天然气管道泄漏检测方法
Wang et al. A novel IoT-based framework with Prognostics and Health Management and short term fire risk assessment in smart firefighting system
CN116090616A (zh) 一种煤矿风险灾害预测方法及装置
CN103337000A (zh) 一种油气集输系统安全监测预警方法
CN103197564A (zh) 数字化人机界面监视单元数量优化方法及系统
Asghari et al. Improving dynamic fault tree method for complex system reliability analysis: case study of a wind turbine
Borges et al. Smart WDS management: pipe burst detection using real-time monitoring data
Zhang et al. A support vector machine based prediction on sensitivity to coal ash blast for different degrees of deterioration
Ahn et al. An Predictive System for urban gas leakage based on Deep Learning
Wang et al. Prediction of fire smoke concentration based on Grey-Markov model
Zhang et al. Prediction of Gas Concentration Based on ARIMA and GARCH Model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant