CN112085075A - 基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统 - Google Patents

Abstract

本发明提供了一种基于贝叶斯网络推理模型的管道腐蚀泄漏推演系统。包括管道检测模块：用于管道进行实时监测。管道风险预演模块：用于推算所有火灾源头因素，挖掘风险结点。管道火灾推演模块：用于推算火灾事故并概率算出致灾因素。本发明可以对管道内的气压差、温度、酸碱浓度进行实时监测，进而判断管道内的锈蚀情况以及是否发生泄漏，从而判断出管道的泄漏是否会产生致火因素，进而通过致火因素判断出是否发生火灾事故及其他衍生事故。本发明又基于贝叶斯网络推理模型的推理预演，不仅对致火因素进行了推演预算，而且还对火灾事故进行了推演预算，判断出具体火灾发生概率，实现对火灾事故的提前预演，加强灾前自检，防护，进一步减少火灾事故的发生。

Description

基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统

技术领域

本发明涉及管道火灾预警的技术领域，特别涉及一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾的推演系统。

背景技术

目前，由于管道运输成为我国能源运输的主要运输方式，具有成本低、运量大、效率高等优点，但由于运输管道也有寿命时长，目前我国相当多一部分管道已经在“超龄服役”，由于气体和液体的腐蚀，土壤或金属氧化等众多不确定因素，管道时有泄漏事故的风险，因此，急需一种可以对概率风险较为精确的推演模型，可以快速的生成应对风险的决策。

发明内容

作为本发明的一种实施例，所述一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾系统包括：

一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，包括：

管道检测模块：用于对管道进行实时监测，获取管道内的腐蚀数据；

管道风险预演模块：用于对所述腐蚀情况进行风险预测，确定管道腐蚀的致火因素；

管道火灾推演模块：用于根据所述致火因素进行场景推演，判断火灾事故发生概率。

作为本发明的一种实施例，所述管道检测模块包括：

数据采集单元：用于在管道内壁设置传感设备，获取管壁内的状态数据；其中，

所述状态数据包括管壁内的压力数据，温度数据，气体数据和酸碱度浓度数据；

异常事件判断单元：用于通过所述管壁内的状态数据判断是否发生异常状况，确定异常数据；

录像监测单元：用于在管道内壁设置录像监测设备，获取管壁内的状态图片，当具有异常状况发生时，根据所述状态图片，确定异常状况位置；其中，

所述录像监测设备为微型摄像头，所述微型摄像头通过监控距离布设于管壁上；

腐蚀判断单元：用于根据所述状态数据、异常数据和状态图片，生成腐蚀数据。

作为本发明的一种实施例，所述管道风险预演模块包括：

贝叶斯网络模块预演单元：用于利用贝叶斯条件概率算法对腐蚀数据进行预演，确定管道内壁上的致火因素；

贝叶斯网络模板聚类单元：用于通过对已发生的异常状况的类型进行判断，并将判断结果发送给火灾推演模块进行分类；

自动定位单元：用于对管道泄漏异常状况进行确认，并通过利用压力传感器确认管道渗漏的位置；

贝叶斯网络推理决策单元：通过对贝叶斯网络模板对历史异常事件进行数据挖掘，推演管道腐蚀的致火因素。

作为本发明的一种实施例，所述管道火灾推演模块包括：

Labview系统开发平台单元:用于通过数字信号转换，对采集到的信号特征存储，处理和提取，并以图形和数据的方式显示至界面。

Labview控制系统单元：用于通过根据历史腐蚀情况和管道内的腐蚀情况进性对比，判断管道内的致火因素；

Labview数据挖掘单元：用于将所述致火因素导入所述分类贝叶斯网络，通过分类贝叶斯网络先验概率的目标节点，计算所述火灾事件发生的先验概率；并将所述先验概率计算的数据代入所述分类贝叶斯网络后验概率的目标节点，基于所述后验概率的目标节点的因果关系和关系挖掘数据，计算所述火灾事件发生的后验概率，并基于所述先验概率和后验概率，确定火灾事故发生概率。

作为本发明的一种实施例，所述Labview数据挖掘单元，确定火灾事故的发生概率包括：

步骤1：获取分类贝叶斯网络的目标节点集合N＝{J₁,J₂,J₃……J_i}和致火因素集合Z＝{z₁,z₂,z₃……z_j}；

步骤2：根据所述目标节点集合和致火因素集合，计算所述火灾事件发生的先验概率PX:

其中，所述z_j表示第j个致火因素；所述J_i表示第i个目标节点；B表示常数；

步骤3：基于所述先验概率，确定所述火灾事件发生的后验概率PH：

步骤4：根据所述先验概率和后验概率，确定火灾事故的发生概率P：

其中，当P≥1时，表示不能发生火灾；当P＜1时，表示能发生火灾，且P越小发生火灾的几率越大。

作为本发明的一种实施例，所述数据采集单元包括：光纤分布式压力传感器、光纤分布式温度式传感器和管道式液体酸碱浓度检测设备；其中，

所述光纤分布式压力传感器和光纤分布式温度式传感器安装在所述管道的外壁上，检测所述管道的实时温度和实时压力；

所述管道式液体酸碱浓度检测设备安装在所述管道的内壁上和外壁上，检测管道内外的酸碱度差值。

作为本发明的一种实施例，所述贝叶斯网络模块预演单元包括：

网络子单元：用于将腐蚀数据导入贝叶斯网络模型，基于所述贝叶斯网络模型的先验计算和后验计算，确定所述致火因素引起的先验概率事件和后验概率事件，并根据先验概率事件和后验概率事件之间的关系，生成贝叶斯网络图；

熵值计算子单元：用于对所述腐蚀数据进行基于给定标准的状态数据的对比计算，确定腐蚀程度；其中，

所述腐蚀程度包括轻度腐蚀和高度腐蚀；其中，

所述轻度腐蚀和高度腐蚀由所述状态数据与给定标准的状态数据进行对比；

当所述状态数据低于给定标准的状态数据为轻度腐蚀；

当所述状态数据高于给定标准的状态数据为高度腐蚀。

作为本发明的一种实施例，所述述管道火灾推演模块还包括：

DAG单元：用于计算目标节点之间的依赖关系和因果关系，并基于演绎决策树，确定目标节点之间的显性关系；

CPT单元：用于将致火因素代入贝叶斯网络中不同的目标节点，确定所述不同致火因素之间的关联强度，并挖掘决策树中目标节点之间的隐形关系；

决策单元：通过贝叶斯网络模块生成的决策树，在计算机Labview系统上的动态推演模型进行火灾推演，动态的获得火灾事故发生的精准概率推算。

作为本发明的一种实施例，所述系统还包括：

自动定位单元：用于对检测的压力差、温度差和酸碱度差传送至Labview平台系统中，确定管道腐蚀泄漏点的分布图，并基于所述分布图，确定管道腐蚀泄漏的实时位置。

作为本发明的一种实施例，所述系统还包括：

火灾仿真模块：用于根据所述腐蚀情况，通过蒙特卡罗模拟对管道进行仿真，构建管道泄漏的危险性量化预测模型；其中，

所述危险性量化预测模型由三个分模型组成；其中，

所述分模型包括管道介质局部压力降模型、管道破裂气体泄漏速率模型和气体扩散模型；

事故预测模型：用于将人员在火灾辐射下的损伤程度代入所述危险性量化预测模型，生成事故后果预测模型。

作为本发明的一种实施例，所述系统还包括：

气相爆炸预测模块：用于将所述管道的气体信息，并将所述气体信息导入化学动力学软件中，确定气相爆炸的动力学的动力学特性；其中，

所述化学动力学软件包括chemkin；

所述气相爆炸预测模块包括：

气压参数预测单元：用于通过数值模拟法将气体的初始气压代入所述化学动力学软件，确定初始气压对所述气相爆炸的动力学的第一影响参数；

空间参数预测单元：用于通过数值模拟法将气体的空间尺寸代入所述化学动力学软件，确定气体的空间尺寸压对所述气相爆炸的动力学的第二影响参数。

预测单元：用于根据所述第一影响参数和第二影响参数确定所述初始气压和空间尺寸对所述气象爆炸动力的特性的影响参数。

本发明的有益效果在于：本发明可以对管道内的气压差、温度、酸碱浓度进行实时监测，进而判断管道内的锈蚀情况以及是否发生泄漏，从而判断出管道的泄漏是否会产生致火因素，进而通过致火因素判断出是否发生火灾事故。本发明又基于贝叶斯网络推理模型的推理预演，不仅对致火因素进行了推演预算，而且还对火灾事故进行了推演预算，判断出具体火灾发生概率，实现对火灾事故的提前预演，加强灾前自检，防护，进一步减少火灾事故的发生。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1：

如附图1所示，本发明为一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，主要通过Labview系统利用贝叶斯网络实现对不确定风险的概率计算和生成应急决策，包括：

一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，包括：

管道检测模块：用于对管道进行实时监测，获取管道内的环境的实时情况；例如：工作人员在管道内装置分布式光纤传感器和录像设备，光电检测器测试出异常，Labview控制台打开录像设备监测管道；录像设备为微型夜视摄像仪。

管道风险预演模块：用于对所述腐蚀情况进行风险预测，确定管道腐蚀的致火因素；主要通过挖掘风险结点，确定管道腐蚀泄漏的致火因素；例如：利用管壁厚度有异，发现是因为空气中酸度过高，让管壁腐蚀从而引发泄漏；利用气压差，和酸碱浓度差判断综合判断管道是否已经锈蚀泄漏。例如：管道内外气压差相同且酸碱度相同。

管道火灾推演模块：用于根据所述致火因素，判断火灾事故发生概率。可以计算出具体的先验概率火灾事故发生概率，也可以根据后验概率对火灾事故进行精确检验，得到综合的火灾事故预估判断结果。例如：贝叶斯网络系统通过条件概率计算出通过以前致火事例概率推算处酸碱腐蚀发生火灾概率为20％，因为防腐涂层发生火灾的概率为25％，因为装备设计发生火灾的概率为35％等等。

本发明的有益效果在于：本发明可以对管道内的气压差、温度、酸碱浓度进行实时监测，进而判断管道内的锈蚀情况以及是否发生泄漏，从而判断出管道的泄漏是否会产生致火因素，进而通过致火因素判断出是否发生火灾事故。本发明又基于贝叶斯网络推理模型的推理预演，不仅对致火因素进行了推演预算，而且还对火灾事故进行了推演预算，判断出具体火灾发生概率，实现对火灾事故的提前预演，加强灾前自检，防护，进一步减少火灾事故的发生。

实施例2：

作为本发明的一种实施例，所述管道检测模块包括：

数据采集单元：用于在管道内壁设置传感设备，获取管壁内的状态数据；其中，

所述状态数据包括管壁内的压力数据，温度数据，气体数据和酸碱度浓度数据；检测管壁是否破损，空气里气体或液体的酸碱度浓度等情况；例如：管壁厚度的参数差变大，说明管壁变薄，可能有破损导致泄漏的风险，或者空气中气体或液体的酸度过低，或者碱度过高，那么可能会腐蚀管壁，要去检查管壁的防腐涂层；而具体的管道状态需要通过管道内的设想设备进行确定，因为管道内长时间处于黑暗状态，需要采用微型也是装备实现对管道的检测。

异常事件判断单元：用于在管道内壁设置录像监测设备，获取管壁内的状态图片，当具有异常状况发生时，根据所述状态图片，确定异常状况位置；其中，

所述录像监测设备为微型摄像头，所述微型摄像头通过监控距离布设于管壁上；腐蚀判断单元：用于根据所述状态数据、异常数据和状态图片，生成腐蚀数据。例如：在具体的夜视图片处理中，会以信号强度的方式对图片进行处理。确定图片中的夜视特征，当信号特征在Labview系统上以图像形式显示出来的时候，若信号特征曲线峰值过高或者谷值过低，异常事件判断单元就会在异常事件数据库中搜索相似异常事件查看是否匹配，进而也容易判断出致火因素。

在一个优选实施例中，本发明还具有录像监测单元：用于在管道内壁设置录像设备，当异常事件确定时，打开录像或拍照设备进行从故障排查；例如：当异常事件单元确定空气中气体或液体的酸度过低或者碱度过高，便触发录像监测事件机制，打开提前安装好的监控设备进行拍照或者录像；

上述技术方案的有益效果在于：本发明在具有异常事件发生时，会通过管道内壁设置录像设备和传感设备确定空气中气体或液体的酸度过低或者碱度过高，便触发录像监测事件机制，打开提前安装好的监控设备进行拍照或者录像，保持设备的准时检测，以特征的形式进行检测当信号特征在Labview系统上以图像形式显示出来的时候，若信号特征曲线峰值过高或者谷值过低，异常事件判断单元就会在异常事件数据库中搜索相似异常事件查看是否匹配，进而也容易判断出致火因素。

实施例3：

作为本发明的一种实施例，所述管道风险预演模块包括：

贝叶斯网络模块预演单元：用于利用贝叶斯条件概率算法对腐蚀数据进行预演，确定管道内壁上的致火因素。本发明具体运用贝叶斯条件概率算法对泄漏致火因素发生概率进行计算的过程；例如：贝叶斯条件概率区推演具体的致火因素，判断你管道腐蚀的情况对火灾的影响。

贝叶斯网络模板聚类单元：用于通过对已发生的异常状况的类型进行判断，并将判断结果发送给火灾推演模块进行分类。本发明具体通过对已发生的异常事件类型进行判断，判断结果发送给Labview控制系统进行分类；例如：空气中气体和液体中的二氧化碳和硫化氢浓度，对于火灾可能发生造成的影响。

自动定位单元：用于对管道泄漏异常状况进行确认，并通过利用压力传感器确认管道渗漏的位置。主要用于通过控制系统对管道泄漏异常事件的确认，利用压力传感器确认管道渗漏的地方；

贝叶斯网络推理决策单元：通过对贝叶斯网络模板对历史异常事件进行数据挖掘，推演管道腐蚀的致火因素。在具体的推演决策步骤中，通过对贝叶斯网络模板聚类单元里分类过的异常事例进行数据挖掘，推演管道腐蚀的致火因素，利用Labview生成决策树，进而基于决策树对致火因素进行推演判断。

作为本发明的一种实施例，所述管道火灾推演模块包括：

Labview系统开发平台单元:用于通过数字信号转换，对采集到的信号特征存储，处理和提取，并以图形和数据的方式显示至界面。在具体的火灾事件推演过程中，本发明会以可视化显示的方式，将具体推演的过程和具体的管道数据状态，以可视化的形式进行展示，最后通过系统界面进行显示。

Labview控制系统单元：用于通过根据历史腐蚀情况和管道内的腐蚀情况进性对比，判断管道内的致火因素；通过不同的腐蚀情况进行推演，一方面可以提高对腐蚀情况的判断能力，而另一方面可以对致火因素的准确度进行判断。

Labview数据挖掘单元：用于将所述致火因素导入所述分类贝叶斯网络，通过分类贝叶斯网络先验概率的目标节点，计算所述火灾事件发生的先验概率；并将所述先验概率计算的数据代入所述分类贝叶斯网络后验概率的目标节点，基于所述后验概率的目标节点的因果关系和关系挖掘数据，计算所述火灾事件发生的后验概率，并基于所述先验概率和后验概率，确定火灾事故发生概率。基于目标结点的先验概率和后验概率进行计算，一方面可以提高对事件发生概率的判断，另一方面也可以对事件通过双重计算，以更高的精确度判断是否能够发生火灾。

作为本发明的一种实施例，所述Labview数据挖掘单元，确定火灾事故的发生概率包括：

步骤1：获取分类贝叶斯网络的目标节点集合N＝{J₁,J₂,J₃……J_i}和致火因素集合Z＝{z₁,z₂,z₃……z_j}；

步骤2：根据所述目标节点集合和致火因素集合，计算所述火灾事件发生的先验概率PX:

其中，所述z_j表示第j个致火因素；所述J_i表示第i个目标节点；B表示常数；

步骤3：基于所述先验概率，确定所述火灾事件发生的后验概率PH：

步骤4：根据所述先验概率和后验概率，确定火灾事故的发生概率P：

其中，当P≥1时，表示不能发生火灾；当P＜1时，表示能发生火灾，且P越小发生火灾的几率越大。

本发明在对火灾事故进行判断时，会基于分类贝叶斯网络的目标节点，通过节点集合的方式进行对事件因素进行判断。而在对目标节点和致火因素的判断上，通过计算火灾发生的先验概率，即，通过对致火因素的判断，进而实现对火灾发生的概率进行判断。在进行先验概率计算之后，再通过先验概率进行推演计算，确定火灾事件发生的后验概率。最终通过先验概率和后验概率确定最终的火灾事件发生概率。提高对火灾事件发生情况的判断。

作为本发明的一种实施例，所述数据采集单元包括：光纤分布式压力传感器、光纤分布式温度式传感器和管道式液体酸碱浓度检测设备；其中，

所述光纤分布式压力传感器和光纤分布式温度式传感器安装在所述管道的外壁上，检测所述管道的实时温度和实时压力；

所述管道式液体酸碱浓度检测设备安装在所述管道的内壁上和外壁上，检测管道内外的酸碱度差值。

本发明在传感设备的检测方式上，光纤分布式压力传感器和光纤分布式温度式传感器安装在所述管道的外壁上，可以基于历史温度对管道的实时温度进行判断，也可以对管道的温具体情况进行简单判断。而酸碱度检测需要更加精确的数值，需要管道壁内外进行联合判断。

作为本发明的一种实施例，所述贝叶斯网络模块预演单元包括：

网络子单元：用于将腐蚀数据导入贝叶斯网络模型，基于所述贝叶斯网络模型的先验计算和后验计算，确定所述致火因素引起的先验概率事件和后验概率事件，并根据先验概率事件和后验概率事件之间的关系，生成贝叶斯网络图；贝叶斯网络图可以对致火因素以节点是分布的情况进行判断处理，将每一个致火因素都通过一个目标结点进行控制。

熵值计算子单元：用于对所述腐蚀数据进行基于给定标准的状态数据的对比计算，确定腐蚀程度；其中，

所述腐蚀程度包括轻度腐蚀和高度腐蚀；其中，

所述轻度腐蚀和高度腐蚀由所述状态数据与给定标准的状态数据进行对比；

当所述状态数据低于给定标准的状态数据为轻度腐蚀；

当所述状态数据高于给定标准的状态数据为高度腐蚀。

在对腐蚀情况进行判断时，本发明基于给定的标准进行判断，通过对腐蚀情况的处理，本发明的熵值计算确定了腐蚀因素的偏重情况，进而以熵值情况确定腐蚀的具体成度。

作为本发明的一种实施例，所述述管道火灾推演模块还包括：

DAG单元：用于计算目标节点之间的依赖关系和因果关系，并基于演绎决策树，确定目标节点之间的显性关系；主要用于对目标节点进行决策树构建，明确显示各个目标节点中致火因素的对火灾的影响状况。

CPT单元：用于将致火因素代入贝叶斯网络中不同的目标节点，确定所述不同致火因素之间的关联强度，并挖掘决策树中目标节点之间的隐形关系；本发明通过计算不同节点之间的关联强度，从而可以对致火因素进行联合判断，多因素决定致火因素对火灾的影响，也可以确定致火因素之间的隐形关系，即多个致火因素导致火灾发生的关键值。

决策单元：通过贝叶斯网络模块生成的决策树，在计算机Labview系统上的动态推演模型进行火灾推演，动态的获得火灾事故发生的精准概率推算。火灾的动态推演可以对火灾事件进行动态的决策判断，实现火灾的动态预警。

作为本发明的一种实施例，所述系统还包括：

自动定位单元：用于对检测的压力差、温度差和酸碱度差传送至Labview平台系统中，确定管道腐蚀泄漏点的分布图，并基于所述分布图，确定管道腐蚀泄漏的实时位置。自动定位可以对管道的泄漏情况和实时位置进行判断处理。

本发明的有益效果在于：本发明可以对管道内的气压差、温度、酸碱浓度进行实时监测，进而判断管道内的锈蚀情况以及是否发生泄漏，从而判断出管道的泄漏是否会产生致火因素，进而通过致火因素判断出是否发生火灾事故。本发明又基于贝叶斯网络推理模型的推理预演，不仅对致火因素进行了推演预算，而且还对火灾事故进行了推演预算，判断出具体火灾发生概率，实现对火灾事故的提前预演，加强灾前自检，防护，进一步减少火灾事故的发生。

作为本发明的一种实施例，所述系统还包括：

火灾仿真模块：用于根据所述腐蚀情况，通过蒙特卡罗模拟对管道进行仿真，构建管道泄漏的危险性量化预测模型；其中，

本发明中，基于蒙特卡罗模拟对管道的泄漏情况进行仿真，基于仿真，模型对如果管道发生泄漏，基于合理的结果预测，对泄漏可能发生的事故后果进行判断。蒙特卡罗的特性在于非常贴合实际，能够更精确的获得预测结果。

所述危险性量化预测模型由三个分模型组成；其中，

所述分模型包括管道介质局部压力降模型、管道破裂气体泄漏速率模型和气体扩散模型；管道介质局部压力降模型基于管道的传输介质，通过管道的压力变化，判断管道的状态。而管道破裂气体泄漏速率模型是基于管道的泄漏口的大小以及内部气体的密度、气压等参数来进行综合判断气体泄漏速度，最后基于气体扩散模型，通过对气体的仿真扩散状况进行预演，判断扩散的范围，从而对事故可能造成的后果进行判断。

事故预测模型：用于将人员在火灾辐射下的损伤程度代入所述危险性量化预测模型，生成事故后果预测模型。通过判断人体在火灾中可能遭受的损害。

作为本发明的一种实施例，所述系统还包括：

气相爆炸预测模块：用于将所述管道的气体信息，并将所述气体信息导入化学动力学软件中，确定气相爆炸的动力学的动力学特性；其中，

所述化学动力学软件包括chemkin；

所述气相爆炸预测模块包括：

气压参数预测单元：用于通过数值模拟法将气体的初始气压代入所述化学动力学软件，确定初始气压对所述气相爆炸的动力学的第一影响参数；在对气相爆炸预测的过程中，本发明基于化学动力学软件，将不同变量参数对最后爆炸预演的情况进行判断，分别确定气压和空间对爆炸后过的影响，在本发明中气相信息代表气相组合。

空间参数预测单元：用于通过数值模拟法将气体的空间尺寸代入所述化学动力学软件，确定气体的空间尺寸压对所述气相爆炸的动力学的第二影响参数。空间参数决定了爆炸的范围，因此将空间尺寸代入化学动力学软件，可以通过预演手段，对管道外部的空间尺寸进行设计，防止爆炸产生的灾害范围太大。

预测单元：用于根据所述第一影响参数和第二影响参数确定所述初始气压和空间尺寸对所述气象爆炸动力的特性的影响参数。最终基于不同的影响参数，判断不同变量对整个气相爆炸产生的影响，进而根据影响对爆炸范围的预测。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (11)

1.一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，包括：

管道检测模块：用于管道进行实时监测，获取管道内的腐蚀数据；

管道风险预演模块：用于对所述腐蚀情况进行风险预测，确定管道腐蚀的致火因素；

管道火灾推演模块：用于根据所述致火因素进行场景推演，判断火灾事故发生概率。

2.如权利要求1所述的一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，所述管道检测模块包括：

数据采集单元：用于在管道内壁设置传感设备，获取管壁内的状态数据；其中，

所述状态数据包括管壁内的压力数据，温度数据，气体数据和酸碱度浓度数据；

异常事件判断单元：用于通过所述管壁内的状态数据判断是否发生异常状况，确定异常数据；

录像监测单元：用于在管道内壁设置录像监测设备，获取管壁内的状态图片，当具有异常状况发生时，根据所述状态图片，确定异常状况位置；其中，

所述录像监测设备为微型摄像头，所述微型摄像头通过监控距离布设于管壁上；

腐蚀判断单元：用于根据所述状态数据、异常数据和状态图片，生成腐蚀数据。

3.如权利要求2所述的一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，所述管道风险预演模块包括：

贝叶斯网络模块预演单元：用于利用贝叶斯条件概率算法对腐蚀数据进行预演，确定管道内壁上的致火因素；

贝叶斯网络模板聚类单元：用于通过对已发生的异常状况的类型进行判断，并将判断结果发送给火灾推演模块进行分类；

自动定位单元：用于对管道泄漏异常状况进行确认，并通过利用压力传感器确认管道渗漏的位置；

贝叶斯网络推理决策单元：通过对贝叶斯网络模板对历史异常事件进行数据挖掘，推演管道腐蚀的致火因素。

4.如权利要求1所述的一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，所述管道火灾推演模块包括：

Labview系统开发平台单元:用于通过数字信号转换，对采集到的信号特征存储，处理和提取，并以图形和数据的方式显示至界面。

Labview控制系统单元：用于通过根据历史腐蚀情况和管道内的腐蚀情况进性对比，判断管道内的致火因素；

Labview数据挖掘单元：用于将所述致火因素导入所述分类贝叶斯网络，通过分类贝叶斯网络先验概率的目标节点，计算所述火灾事件发生的先验概率；并将所述先验概率计算的数据代入所述分类贝叶斯网络后验概率的目标节点，基于所述后验概率的目标节点的因果关系和关系挖掘数据，计算所述火灾事件发生的后验概率，并基于所述先验概率和后验概率，确定火灾事故发生概率。

5.如权利要求4所述一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，所述Labview数据挖掘单元，确定火灾事故的发生概率包括：

步骤1：获取分类贝叶斯网络的目标节点集合N＝{J₁,J₂,J₃……J_i}和致火因素集合Z＝{z₁,z₂,z₃……z_j}；

步骤2：根据所述目标节点集合和致火因素集合，计算所述火灾事件发生的先验概率PX:

其中，所述z_j表示第j个致火因素；所述J_i表示第i个目标节点；B表示常数；

步骤3：基于所述先验概率，确定所述火灾事件发生的后验概率PH：

步骤4：根据所述先验概率和后验概率，确定火灾事故的发生概率P：

其中，当P≥1时，表示不能发生火灾；当P＜1时，表示能发生火灾，且P越小发生火灾的几率越大。

6.如权利要求2所述一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，所述数据采集单元包括：光纤分布式压力传感器、光纤分布式温度式传感器和管道式液体酸碱浓度检测设备；其中，

所述光纤分布式压力传感器和光纤分布式温度式传感器安装在所述管道的外壁上，检测所述管道的实时温度和实时压力；

所述管道式液体酸碱浓度检测设备安装在所述管道的内壁上和外壁上，检测管道内外的酸碱度差值。

7.如权利要求3所述的一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，所述贝叶斯网络模块预演单元包括：

网络子单元：用于将腐蚀数据导入贝叶斯网络模型，基于所述贝叶斯网络模型的先验计算和后验计算，确定所述致火因素引起的先验概率事件和后验概率事件，并根据先验概率事件和后验概率事件之间的关系，生成贝叶斯网络图；

熵值计算子单元：用于对所述腐蚀数据进行基于给定标准的状态数据的对比计算，确定腐蚀程度；其中，

所述腐蚀程度包括轻度腐蚀和高度腐蚀；其中，

所述轻度腐蚀和高度腐蚀由所述状态数据与给定标准的状态数据进行对比；

当所述状态数据低于给定标准的状态数据为轻度腐蚀；

当所述状态数据高于给定标准的状态数据为高度腐蚀。

8.如权利要求3所述的一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，所述述管道火灾推演模块还包括：

DAG单元：用于计算目标节点之间的依赖关系和因果关系，并基于演绎决策树，确定目标节点之间的显性关系；

CPT单元：用于将致火因素代入贝叶斯网络中不同的目标节点，确定所述不同致火因素之间的关联强度，并挖掘决策树中目标节点之间的隐形关系；

决策单元：通过贝叶斯网络模块生成的决策树，在计算机Labview系统上的动态推演模型进行火灾推演，动态的获得火灾事故发生的精准概率推算。

9.如权利要求1所述的一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，所述系统还包括：

自动定位单元：用于对检测的压力差、温度差和酸碱度差传送至Labview平台系统中，确定管道腐蚀泄漏点的分布图，并基于所述分布图，确定管道腐蚀泄漏的实时位置。

10.如权利要求1所述的一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，所述系统还包括：

火灾仿真模块：用于根据所述腐蚀情况，通过蒙特卡罗模拟对管道进行仿真，构建管道泄漏的危险性量化预测模型；其中，

所述危险性量化预测模型由三个分模型组成；其中，

所述分模型包括管道介质局部压力降模型、管道破裂气体泄漏速率模型和气体扩散模型；

事故预测模型：用于将人员在火灾辐射下的损伤程度代入所述危险性量化预测模型，生成事故后果预测模型。

11.如权利要求1所述的一种基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统，其特征在于，所述系统还包括：

气相爆炸预测模块：用于将所述管道的气体信息，并将所述气体信息导入化学动力学软件中，确定气相爆炸的动力学的动力学特性；其中，

所述化学动力学软件包括chemkin；

所述气相爆炸预测模块包括：

气压参数预测单元：用于通过数值模拟法将气体的初始气压代入所述化学动力学软件，确定初始气压对所述气相爆炸的动力学的第一影响参数；

空间参数预测单元：用于通过数值模拟法将气体的空间尺寸代入所述化学动力学软件，确定气体的空间尺寸压对所述气相爆炸的动力学的第二影响参数。

预测单元：用于根据所述第一影响参数和第二影响参数确定所述初始气压和空间尺寸对所述气象爆炸动力的特性的影响参数。

Images