CN111611751B - 一种基于贝叶斯与事件树的化工过程风险动态分析方法 - Google Patents
一种基于贝叶斯与事件树的化工过程风险动态分析方法 Download PDFInfo
- Publication number
- CN111611751B CN111611751B CN202010489697.9A CN202010489697A CN111611751B CN 111611751 B CN111611751 B CN 111611751B CN 202010489697 A CN202010489697 A CN 202010489697A CN 111611751 B CN111611751 B CN 111611751B
- Authority
- CN
- China
- Prior art keywords
- probability
- event
- variable
- bayesian
- alarm
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000001311 chemical methods and process Methods 0.000 title claims description 10
- 238000009826 distribution Methods 0.000 claims abstract description 51
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000035945 sensitivity Effects 0.000 claims abstract description 14
- 230000001960 triggered effect Effects 0.000 claims abstract description 4
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000012955 system risk analysis Methods 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 8
- 239000007788 liquid Substances 0.000 description 7
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 208000032767 Device breakage Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明一种基于贝叶斯理论建立贝叶斯动态分析方法，属于安全系统风险分析领域，适用于对安全系统失效率与变量的风险进行实时动态更新。方法包括：1）结合累积数据与贝叶斯理论建立贝叶斯修正模型；2）根据变量概率后验分布和变量的概率敏感性分布对结果事件概率进行分析；3）对于由H/L报警触发HH/LL报警概率偏高的关键变量，工程师针对所述关键变量的控制环节进行改进，并为工厂的操作人员提供参考。本发明采用高低报警这类小的事故作为结果事件，更容易采集并分析应用于实际之中；结合了事件树模型分析了事件的动态分析，得到了结果事件的更新后的概率值；解决了传统分析方法无法动态更新风险概率的问题。
Description
技术领域
本发明一种基于贝叶斯理论建立贝叶斯动态分析方法，属于安全系统风险分析领域，适用于对安全系统失效率与变量的风险进行实时动态更新，是一种基于未遂事故报警数据的“贝叶斯+事件树”化工过程风险动态分析方法。
背景技术
传统风险分析方法仅仅从静态角度考虑火灾等重大事故来评估风险，常常忽略小的事故和潜在事故，由于重大化工事故属于低频事件，其数据的有限性致使依赖化工事故数据的传统风险评估方法无法有效地运用到生产实践当中而与此同时，大量的未遂事件相比于最终的化工事故来说，其高频次和高数据量可为化工过程风险评估提供另一种思路。未遂事件(Near Miss)可视为化工事故的先兆。在化工事故发生之前，未遂事件发生频率通常会有所增加。因此，对未遂事件风险进行量化具有重要的意义。
发明内容
本发明的目的是针对上述不足之处提供一种基于贝叶斯与事件树的化工过程风险动态分析方法，充分考虑未遂事件对风险的动态影响，结合未遂事件信息，建立风险动态评价模型，分析了变量风险的动态变化；在获取高风险变量动态概率的基础上，进一步基于事件树分析方法研究不同结果事件的发生概率；通过敏感性分布得到变量的概率分布与变化趋势，可为操作人员提供可靠的指导与参考。
本发明是采取以下技术方案实现的：
基于贝叶斯与事件树的化工过程风险动态分析方法，包括如下步骤：
(1)结合未遂事故报警数据库累积数据与贝叶斯理论建立贝叶斯修正模型；
(1-1)确定先验分布；
(1-2)由结果事件数得到似然函数；
(1-3)结合贝叶斯理论进行修正；
(1-4)得到后验分布参数；
(1-5)更新事件的结果概率并同时得到概率的敏感性分布；
(2)根据变量概率后验分布和变量的概率敏感性分布对结果事件概率进行分析；
(2-1)选择主控变量，根据变量的后验概率以及敏感性分布状况确定主控变量或者关键变量；
(2-2)建立变量事件树模型，基于关键变量建立事件树模型分析影响该变量的系统风险；
(2-3)根据累积数据对安全系统进行贝叶斯修正，对于系统风险进行贝叶斯修正分析系统的风险概率；
(2-4)得到安全系统的后验分布；
(2-5)蒙特卡罗模拟；
(2-6)得到结果事件的概率值，即基于变量的系统事件树模型分析其由于未遂事件导致的结果事件的概率；
(3)对于由H/L(高位报警/低位报警)报警触发HH/LL(高高位报警/低低位报警)报警概率偏高的关键变量，一方面工程师可以对该变量的控制环节进行改进，另一方面，在面对多个变量报警时，也能为工厂的操作人员提供参考；
(4)由系统失效率分析出哪些系统部件容易由未遂事故引起事故。
与现有技术相比较，本发明具备如下优点：
1、采用高低报警这类小的事故作为结果事件，相较于传统的报警类低频结果事件，更容易采集并分析应用于实际之中。
2、结合了事件树模型分析了事件的动态分析，得到了结果事件的更新后的概率值。
3、根据此方法建立的概率模型，解决了传统分析方法无法动态更新风险概率的问题。
附图说明
下面将结合附图对本发明作进一步说明：
图1是本发明方法中的变量的概率走势图；
图2是本发明方法中变量的敏感性分布图；
图3是本发明方法的方差与时间关系图；
图4是本发明方法的主控变量结果事件树模型；
图5是本发明方法的安全系统后验分布概率图；
图6是本发明方法的三大结果事件概率与时间的关系图；
图7是本发明方法的贝叶斯修正流程图；
图8是本发明方法的化工过程动态风险分析流程图。
具体实施方式
以下结合附图1～8以及具体实施例对本发明作详细说明。
参照附图7～8，本发明基于贝叶斯理论建立贝叶斯动态分析方法，其中结合累积数据与贝叶斯理论建立贝叶斯修正模型的方法，包括如下步骤：
(1-1)选择工艺后确定变量先验分布；
(1-2)由结果事件数(此例中为报警次数)得到似然函数；
(1-3)根据结果累积次数进行贝叶斯修正；
(1-4)得到更新后的分布参数进一步得到后验概率；
(1-5)当步骤(1-4)的后验概率波动的幅值在5％以内时，输出概率值，否则执行步骤(1-6)；(1-6)继续步骤(1-3)～步骤(1-5)修正，直到后验概率波动的幅值满足5％。
步骤(1-5)中，在10个时段内波峰与波谷之间的幅值是修正以来最大幅值的5％时，则可以停止修正；本发明中1个时间段是8小时。
根据变量概率后验分布和变量的概率敏感性分布对结果事件概率进行分析的方法，包括如下步骤：
(2-1)选择主控变量；
(2-2)建立事件树模型；
(2-3)根据累积数据对安全系统进行贝叶斯修正；
(2-4)更新各个安全系统的后验分布；
(2-5)对步骤(2-4)获得更新的后验分布进行蒙特卡罗模拟；
(2-6)更新结果事件的概率值。
实施例1
本实施例1选取以青岛某化工厂苯酚制取苯乙烯为例，使用贝叶斯修正模型预测变量风险的后验概率取化工厂中关键变量包含流量、液位、压力、温度四个变量。报警数据由苯酚制取苯乙烯过程中的DCS(分布式控制系统)数据库中报警记录整理得到。
表1为包含该四个变量(流量、液位、压力、温度)在连续100个时间段的报警累积数据(历史数据)表：
由贝叶斯理论设x为关键变量触发H/L报警后继续触发HH/LL报警的概率，f(x)为先验分布，f(x|data)为后验分布,g(data|x)为似然函数可得：
假设先验分布服从Beta分布(1，1)；
根据结果次数得到似然函数,似然函数服从二项分布可得：
g(data|x)∝xf(1-x)s 公式(2)；
其中ab表示先验分布参数，这里为均匀分布(1，1)，f表示H/L报警累积次数，S表示HH/LL报警累积次数。
由于Beta分布和二项分布属于共轭分布，结合贝叶斯理论可得后验分布：
f(x|data)∝g(data|x)f(x)∝xa+f-1(1-x)b+s-1 公式(3)；
结合公式(3)，根据表1中100时段的报警累积数据得到对应的后验分布参数，得到下表2所示的后验分布参数表。
表2：变量的后验分布参数
本发明的变量的后验概率与时间的关系，结合公式(4)；
通过MATLAB可以得到相应的概率走势图如图1所示。
由图1可知，后验概率最高的变量是液位变量。
本实施例的变量敏感性分布图如图2所示，图2的敏感性分布图也可由表2的后验分布参数得到。
从敏感性分布图可以看出概率的分布状况以及变化趋势，以及验证贝叶斯修正的合理性：随着报警次数增加，α与β参数不断更新，概率密度曲线会不断偏移调整以拟合新的信息，并当信息越来越多，基于实际情况调整后的曲线就会越窄。从图1～图3以及图5、图6中可以看出，四个关键参数的概率曲线分布越来越集中，说明贝叶斯理论将更多信息加入了风险概率分布之中，使得对风险概率的估计更加准确，进一步验证了贝叶斯修正的合理性液位。液位的报警率更分布于横坐标右侧，意味着液位变量触发高报警的后验概率最高。根据液位变量曲线对应的报警率的取值区间分布(0.1,0.3)，液位变量的后验期望修正后也是最大的。
本实施例的方差与时间关系图如图3所示。
通过方差公式(5)得到图3方差与时间的关系，也可以看出经过修正概率得波动性减弱趋于稳态，减低了不确定性。
从图3可以看到，随着观测数据的增加，四个关键变量由H/L触发HH/LL报警的后验方差明显降低，概率波动性减弱并趋于稳态。因此，通过贝叶斯理论多次修正降低了评估的不确定性。
本实施例的主控变量结果事件树模型图如图4所示。
结合流量后验概率与变量敏感性分布图可以选择一个主控变量，针对主控变量可以得到主控变量得结果事件模型如图4所示的主控变量的结果事件树模型图。
该事件树包括五个安全控制系统，即S1～S5。发生高位报警时，S1代表操作人员进行识别(自动识别)，S1的上支表示成功识别高位报警；S2代表自动调节，当S2上支调节成功，得到的最终状态就是ES1(连续运转)，如果S2调节失败就会进入下支，高高位报警就会被触发(X2)；S3上支表示冷却系统调节成功，最终状态为ES2连续运转。如果S3冷却系统调节失败，液位就会继续触发超高报警，然后S4紧急停车起作用；S4的上支表示调整成功会导致ES3紧急停车事件，S4的下半支表示自动紧急停车失败，之后S5手动紧急停车起作用；S5的上支表示手动停车成功，会导致ES4紧急停车，当S5手动停车失败，会导致破裂事故或者是罐顶跑料事故发生。
表3为本发明的安全系统报警累积数据表，根据安全系统的累积数据可以得到安全系统对应的后验分布参数表。
表3：
结合贝叶斯理论可以得到安全系统的后验分布参数表。
表4：安全系统的后验分布参数表
结合表4得到本实施例安全系统的后验分布概率图，见图5。
图5是计算获得的安全控制系统后验概率，可以看到，随着事故后验数据的引入，安全控制系统的后验概率随时间发生了明显的变化。通过贝叶斯修正使得各个安全系统的故障概率得到了更新，且经过多次修正后，概率值最终趋于稳定。
本实施例结合安全系统的后验概率与事件树模型得到的9种结果状态概率计算式以及三大最终结果状态的后验概率表达式如下表5所示。
表5：
表6：关键变量的安全系统事件树模型符号含义。
| 序号 | 1 | 2 | 3 | 4 | 5 |
| S | 自动识别 | 自动调节 | 冷却系统 | 紧急停车 | 手动停车 |
| X | S1失效率 | S2失效率 | S3失效率 | S4失效率 | S5失效率 |
| ES | 连续运转 | 连续运转 | 紧急停车 | 紧急停车 | 破裂事故 |
| 序号 | 6 | 7 | 8 | 9 | |
| S | / | / | / | / | |
| X | / | / | / | / | |
| ES | 连续运转 | 紧急停车 | 紧急停车 | 破裂事故 |
蒙特卡罗模拟公式如下：
P连续运转＝P(ES1)+P(ES2)+P(ES6) 公式(6)；
P紧急停车＝P(ES3)+P(ES4)+P(ES7)+P(ES8) 公式(7)；
P破裂事故＝P(ES5)+P(ES9) 公式(8)；
将事件树结果事件的计算式作为极限方程，用MATLAB编程实现蒙特卡罗模拟。每次模拟取10000个样本，模拟10次，将模拟的平均值作为结果事件的概率值作为先验概率，最后把结果事件分为3大类，即：P(ES1)，P(ES2)和P(ES6)表示系统在高位异常事件发生之后，通过不同安全系统的控制作用使得装置可以连续运转的概率；P(ES3),P(ES4),P(ES7)和P(ES8)表示系统在高位异常事件发生之后，在不同安全控制系统的控制作用之下，最终导致装置运行出现紧急停车的概率；P(ES5)和P(ES9)表示装置发生破裂事故(罐顶跑料)的概率。
本实施例根据安全系统的后验概率得到的最终三大结果事件的概率。图6为三大类事件的后验概率趋势图。可以看到，发生高位事件后，三大事件的结果概率为：P连续运转>P停车>P破裂。蒙特卡罗模拟得到先验概率，经过设备运行后，事件的概率发生明显变化，经过多次修正后，最后趋于稳定。图中可以看出紧急停车事件明显呈上升趋势，而连续运转与破裂事件呈不断下降趋势，其中紧急停车事件的概率最终稳定在0.3～0.4之间，远远大于破裂事故的后验概率。连续运转事件的概率先上升后降低，最终趋于0.65左右，比先验预测概率值0.79要低；紧急停车事件发生的概率先降低后增加，最终趋于0.32，比先验预测值0.15大；破裂事件的概率不断下降最终趋于0.004。紧急停车事件概率发生的可能性不断提高，建议可以设立一个安全阀值，当结果事件的概率超过阀值时，需要进行安全决策，对五个安全控制系统进行改进，以降低各类危险后果发生的风险。
通过上述实施例可以看到，本发明预测模型可以较为精确的预测变量下个时间段风险水平，结合历史数据进行建模，相比于传统的静态方法，本预测方法具有更高得精度与稳定性。事件树模型利用未遂事件评估变量偏离正常区间的概率，反映出化工安全控制系统每个环节存在得风险，进而可以发现安全系统的不足之处。经过事件树模型高位报警会得到最终不同的运行状态，通过分析事件树的最终运行状态的概率，可以评估出化工过程运行的安全性与可靠性。本发明得模型将报警数据库与具体工艺特点相结合，将会更加有效的对过程风险进行评估。
Claims (2)
1.一种基于报警数据库的贝叶斯与事件树的化工过程风险动态分析方法，其特征在于，包括如下步骤：
（1）结合未遂事故报警数据库累积数据与贝叶斯理论建立贝叶斯修正模型；
（1-1）确定先验分布；
（1-2）由结果事件数得到似然函数；
（1-3）结合贝叶斯理论进行修正；
（1-4）得到后验分布参数；
（1-5）更新事件的结果概率并同时得到概率的敏感性分布；
（2）根据变量概率后验分布和变量的概率敏感性分布对结果事件概率进行分析；
步骤（2）的具体步骤如下：
（2-1）选择主控变量，根据变量的后验概率以及敏感性分布状况确定主控变量或者关键变量；
（2-2）建立变量事件树模型，基于关键变量建立事件树模型分析影响该变量的系统风险；
（2-3）根据累积数据对安全系统进行贝叶斯修正，对于系统风险进行贝叶斯修正分析系统的风险概率；
（2-4）得到安全系统的后验分布；
（2-5）蒙特卡罗模拟；
（2-6）得到结果事件的概率值，即基于变量的系统事件树模型分析其由于未遂事件导致的结果事件的概率；
（3）对于由H/L报警触发HH/LL报警概率偏高的关键变量，工程师针对所述关键变量的控制环节进行改进，并为工厂的操作人员提供参考；
（4）由系统失效率分析出由未遂事故引起事故的系统部件；
其中结合未遂事故报警数据库累积数据与贝叶斯理论建立贝叶斯修正模型的方法，包括如下步骤：
（a）选择工艺后确定变量先验分布；
（b）由报警次数得到似然函数；
（c）根据结果累积次数结合贝叶斯理论进行修正；
（d）得到更新后的分布参数进一步得到后验概率；
（e）当步骤（d）的后验概率波动的幅值在5%以内时，输出概率值，否则执行步骤（f）；
（f）继续步骤（c）~ 步骤（e）修正，直到后验概率波动的幅值在5%以内。
2.根据权利要求1所述的基于报警数据库的贝叶斯与事件树的化工过程风险动态分析方法，其特征在于，步骤（e）中，在10个时段内波峰与波谷之间的幅值是修正以来最大幅值的5%以内时，则停止修正；所述1个时间段是8小时。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010489697.9A CN111611751B (zh) | 2020-06-02 | 2020-06-02 | 一种基于贝叶斯与事件树的化工过程风险动态分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010489697.9A CN111611751B (zh) | 2020-06-02 | 2020-06-02 | 一种基于贝叶斯与事件树的化工过程风险动态分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611751A CN111611751A (zh) | 2020-09-01 |
| CN111611751B true CN111611751B (zh) | 2024-02-27 |
Family
ID=72201054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010489697.9A Active CN111611751B (zh) | 2020-06-02 | 2020-06-02 | 一种基于贝叶斯与事件树的化工过程风险动态分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611751B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668865A (zh) * | 2020-12-23 | 2021-04-16 | 贵阳市城市轨道交通集团有限公司 | 一种城市地铁风险动态分析方法 |
| CN113096479A (zh) * | 2021-04-15 | 2021-07-09 | 苏州大学附属儿童医院 | 一种消防演习虚拟训练方法 |
| CN115239045B (zh) * | 2021-04-23 | 2024-04-05 | 中国石油化工股份有限公司 | 一种安全风险监测的方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012129561A1 (en) * | 2011-03-24 | 2012-09-27 | Pariyani Ankur | Dynamic risk analysis using alarm database |
| CN107633365A (zh) * | 2017-09-22 | 2018-01-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于安全运行基本功能要求的工程风险分解识别方法 |
| CN108108908A (zh) * | 2018-01-03 | 2018-06-01 | 中国石油大学(华东) | 贫数据、信息不完全条件下的定量风险评估方法 |
| CN109684713A (zh) * | 2018-12-21 | 2019-04-26 | 中国人民解放军陆军工程大学 | 基于贝叶斯的复杂系统可靠性分析方法 |
| CN110147956A (zh) * | 2019-05-21 | 2019-08-20 | 重庆科技学院 | 一种井喷事故风险分析方法 |
| CN111178764A (zh) * | 2019-12-30 | 2020-05-19 | 中国矿业大学(北京) | 一种大型活动踩踏事故动态风险评估方法 |
-
2020
- 2020-06-02 CN CN202010489697.9A patent/CN111611751B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012129561A1 (en) * | 2011-03-24 | 2012-09-27 | Pariyani Ankur | Dynamic risk analysis using alarm database |
| CN107633365A (zh) * | 2017-09-22 | 2018-01-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于安全运行基本功能要求的工程风险分解识别方法 |
| CN108108908A (zh) * | 2018-01-03 | 2018-06-01 | 中国石油大学(华东) | 贫数据、信息不完全条件下的定量风险评估方法 |
| CN109684713A (zh) * | 2018-12-21 | 2019-04-26 | 中国人民解放军陆军工程大学 | 基于贝叶斯的复杂系统可靠性分析方法 |
| CN110147956A (zh) * | 2019-05-21 | 2019-08-20 | 重庆科技学院 | 一种井喷事故风险分析方法 |
| CN111178764A (zh) * | 2019-12-30 | 2020-05-19 | 中国矿业大学(北京) | 一种大型活动踩踏事故动态风险评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611751A (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111611751B (zh) | 一种基于贝叶斯与事件树的化工过程风险动态分析方法 | |
| EP2519895B1 (en) | Method and apparatus for monitoring performance and anticipate failures of plant instrumentation | |
| US10152879B2 (en) | Method, apparatus, and system for monitoring manufacturing equipment | |
| EP2132605B1 (en) | Method and system of using inferential measurements for abnormal event detection in continuous industrial processes | |
| US8423484B2 (en) | Prognostics and health management method for aging systems | |
| US9146800B2 (en) | Method for detecting anomalies in a time series data with trajectory and stochastic components | |
| US20140067327A1 (en) | Similarity curve-based equipment fault early detection and operation optimization methodology and system | |
| CN108663995B (zh) | 一种工业过程变量趋势异常检测方法及装置 | |
| CN104714537B (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
| CN104020724A (zh) | 告警监控方法和装置 | |
| CN112598172A (zh) | 一种风电机组轴承温度预警方法 | |
| CN117009831B (zh) | 一种精细化工事故风险预测评估方法 | |
| CN103309342A (zh) | 一种针对工业控制系统的防危性验证方案 | |
| US11720093B2 (en) | Method for predictive maintenance of equipment via distribution chart | |
| CN117291582A (zh) | 一种基于数据分析的工业生产互联监控系统 | |
| CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
| CN111507603A (zh) | 一种在产企业环境风险现状评估方法和系统 | |
| CN118550263B (zh) | 一种硅酮密封胶生产用控制系统及方法 | |
| CN112668873A (zh) | 矿山安全态势分析及预测预警方法 | |
| CN108376293A (zh) | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 | |
| CN117662445B (zh) | 一种氮压机运行控制方法及系统 | |
| CN117874437A (zh) | 一种基于时间序列分析的事故趋势识别方法 | |
| CN103955786A (zh) | 用在化工工艺装置的风险分析方法 | |
| CN111879522B (zh) | 基于时序概率的汽轮机运行监测和故障判别方法及系统 | |
| CN115909697B (zh) | 基于幅值变化趋势概率推断的报警状态预测方法及系统 |
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 |