CN113935571A - 一种加油站安全风险评估分级方法及系统 - Google Patents

一种加油站安全风险评估分级方法及系统 Download PDF

Info

Publication number
CN113935571A
CN113935571A CN202111020734.2A CN202111020734A CN113935571A CN 113935571 A CN113935571 A CN 113935571A CN 202111020734 A CN202111020734 A CN 202111020734A CN 113935571 A CN113935571 A CN 113935571A
Authority
CN
China
Prior art keywords
risk assessment
index
safety
indexes
enterprise
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.)
Pending
Application number
CN202111020734.2A
Other languages
English (en)
Inventor
黄晓辉
刘永强
杨继星
刘晓彤
李晏松
高伟伟
黄倩倩
郑纪武
齐春雪
刘嵘
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.)
Communication And Information Center Of Emergency Management Department
Original Assignee
Communication And Information Center Of Emergency Management Department
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 Communication And Information Center Of Emergency Management Department filed Critical Communication And Information Center Of Emergency Management Department
Priority to CN202111020734.2A priority Critical patent/CN113935571A/zh
Publication of CN113935571A publication Critical patent/CN113935571A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及风险评估技术领域，具体涉及一种加油站安全风险评估分级方法及系统，通过步骤：S1获取加油站企业依据相关安全标准规定的安全风险评估指标；S2.将所述安全风险评估指标均传输至安全风险评估系统，形成安全风险评估初始模型；S3.获取企业安全风险评估指标信息，并获取安全风险评估指标预设的期望阈值，建立安全风险评估初始模型，再通过所述安全风险评估模型通过层次分析法、风险指数权重法，再结合多位行业专家预设的各指标的初始权重值，能够构建评估指标重要性判断矩阵，经处理装置分析、计算及筛选，形成安全风险评估模型，计算出企业安全风险值及对应的安全风险等级，使加油站企业一目了然安全风险状况。

Description

一种加油站安全风险评估分级方法及系统
技术领域
本发明涉及风险评估技术领域，具体涉及一种加油站安全风险评估分级方法及系统。
背景技术
随着社会的进步，人民生活水平的急速提高，车辆进入到千家万户，城市、乡村加油站数量不断增加。由于加油站经营的油品和气体燃料具有易燃、易爆等危险性，加油站潜在的危险、有害因素等会给加油站员工、用户及周围环境的安全埋下后患，一旦加油站发生火灾爆炸事故，势必酿成严重后果。特别是在人日密集的城市，作为一个特殊行业，加油站位于居民区附近，安全问题非常突出，因此，对加油站的安全风险评估显得至关重要。
现阶段，开展加油站安全现状评估方法有很多种，每种评估方法都有其适用范围和应用条件，尤其是在进行加油站的整体安全风险等级安全评估时，一般由人为打分评估，具有一定的局限性、偏差性和主观性，不能及时准确地评估出加油站的安全风险。
因此，急需一种能够充分、系统、合理、精准的加油站安全风险评估与分级方法及系统。
发明内容
本发明的目的在于针对现有技术的缺陷和不足，提供一种加油站安全风险评估分级方法及系统，通过设置指标采集装置及云端数据采集存储中心，能够采集并储存依据相关安全标准规定的基本信息、装置设备、防护设施、周边环境、管理状况、事故隐患的安全风险评估指标，由于符合安全标准的要求，能够充分、全面地、正确地评估安全风险；通过安全风险评估系统，建立安全风险评估初始模型，再通过前馈神经网络强化学习算法对所述安全风险评估初始模型进行训练、优化，通过自动筛选装置筛选，形成成熟的安全风险评估模型，使评估结果更趋精准；通过所述安全风险评估模型通过层次分析法、风险指数权重法，再结合多位行业专家预设的各指标的初始权重值，能够构建评估指标重要性判断矩阵，经处理装置分析、计算及筛选，形成最终的权重值合理、准确，再结合权重值，计算出企业安全风险值及对应的安全风险等级，使加油站企业一目了然安全风险状况。
为实现上述目的，本发明采用的技术方案：
一种加油站安全风险评估分级方法，包括如下步骤：
S1.获取加油站企业依据相关安全标准规定的基本信息、装置设备、防护设施、周边环境、管理状况、事故隐患安全风险评估指标；
S2.将所述安全风险评估指标均传输至安全风险评估系统，形成安全风险评估初始模型；
S3.获取企业安全风险评估指标信息，并获取安全风险评估指标预设的期望阈值，经预先训练好的安全风险评估模型对所述安全风险评估指标分析、计算、筛选，获取并输出企业的安全风险值及对应的安全风险等级；
在步骤S1中，企业的所述基本信息、所述装置设备、所述防护设施、所述周边环境、所述管理状况、所述事故隐患均包括至少一项安全风险评估指标；
在步骤S3中，所述安全风险评估模型是通过层次分析法与风险指数权重法相结合，形成综合性企业安全风险评估方法，步骤包括：
采用层次分析法将各类安全风险评估指标归类、分级，其中，相邻的上级指标包含下级指标，呈树状图型分布；
采用风险指数权重法，依据各风险评估指标对企业整体安全风险重要度设置各指标的初始权重值，形成安全风险评估初始模型，构建评估指标重要性判断矩阵，经优化和筛选，得到各项指标优化后的权重值，得到最终的企业安全风险评估模型，再次利用上述计算方法，获取并输出企业的安全风险值及对应的安全风险等级。
优选地，步骤S1还包括：所述基本信息的评估指标包括：从业人数、占地面积、加油站等级中的至少一项；
所述装置设备的评估指标包括：加油机数量、油罐、加油机、发电机、油气回收装置、自助加油、通气管中的至少一项；
所述防护设施的评估指标包括：静电防护、防雷设施、消防设施、视频监控设施、警示牌中的至少一项；
所述周边环境的评估指标包括周边敏感场所、加油站罩棚上空是否有架空电力和通信线路跨越、洗车区、便利店中的至少一项；
所述管理状况的评估指标包括安全生产标准化达标等级、安全评价报告、定期开展安全教育培训、应急救援队伍、应急预案与应急演练中的至少一项；
所述事故隐患的评估指标包括隐患排查、情况近一年被检查提出的隐患整改或被行政处罚中的至少一项。
进一步地，所述评估指标值及内容符合所述安全标准的规定。
优选地，步骤S3中，在安全风险评估前，所述安全风险评估系统将低于所述期望阈值安全风险评估指标,或与所述安全风险评估系统的数据库中预设的指标信息不匹配的安全风险评估指标发出异常警告信号，进行错误预警。
优选地，步骤S3中，依据各风险评估指标对企业整体安全风险重要度设置各指标的初始权重值，包括有多名行业专家依据同一级两两指标间对企业整体安全风险影响重要度设置初始权重值，从而形成判断矩阵，优化形成的所述安全风险评估模型对判断矩阵重新计算，获得安全风险评估指标权重值，获取并输出企业的安全风险值及对应的安全风险等级。其中，行业专家应不少于 7位。
进一步地，所述安全风险评估模型对判断矩阵计算的具体步骤：
第j个风险评估指标的平均权重值按照下式计算：
Figure RE-GDA0003332739180000041
式中，Wij表示风险评估指标i相对于风险评估指标j的权重，风险评估指标i与风险评估指标j表示不同的指标；
Figure RE-GDA0003332739180000042
表示风险评估指标j的权重平均权重值；
Figure RE-GDA0003332739180000043
n表示风险评估指标的总数量；
风险评估指标j的标准方差
Figure RE-GDA0003332739180000044
按照下式计算：
假定所有结果服从正态分布
Figure RE-GDA0003332739180000045
根据
Figure RE-GDA0003332739180000046
和
Figure RE-GDA0003332739180000047
可以确定一个置信区间，即
Figure RE-GDA0003332739180000048
式中，
Figure RE-GDA0003332739180000049
表示置信区间是在预先确定好的显著性水平，将
Figure RE-GDA00033327391800000410
设为0.05；
Figure RE-GDA00033327391800000411
为置信度，
Figure RE-GDA00033327391800000412
是标准正态分布上的
Figure RE-GDA00033327391800000413
分位点，可以从标准正态分布表中查得，获得由一个专家设定的初始权重值优化后得到的权重值；
将所有专家设定的初始权重值优化后得到的权重值相加后再计算平均值，即获得风险评估指标j的最终权重值。
优选地，通过前馈神经网络强化学习算法对所述安全风险评估模型进行训练的方法包括：
以所述风险评估指标对企业整体安全风险重要度设置各指标的初始权重值，采用前馈神经网络强化学习算法对所述安全风险评估初始模型进行训练，通过层次分析法与风险指数权重法相结合，得到各项所述风险评估指标训练后权重值；
筛选并剔除训练后权重值过小的风险评估指标，并重新采用前馈神经网络强化学习算法对所述安全风险评估初始模型进行训练，得到优化的安全风险评估模型。
进一步地，加油站企业优化后的安全风险评估模型：
Figure RE-GDA0003332739180000051
Figure RE-GDA0003332739180000061
Figure RE-GDA0003332739180000071
加油站企业应满足上述安全风险评估模型的规定。
本发明提供一种加油站安全风险评估分级系统，包括企业用指标采集装置、云端数据采集存储中心、自动筛选装置、处理装置、数据报警装置和显示装置；
所述指标采集装置用于收集企业的基本信息、装置设备、防护设施、周边环境、管理状况、事故隐患的所有安全风险评估指标；
所述云端数据采集存储中心与所述指标采集装置相连，用于存储所有安全风险评估指标，形成数据库；
所述自动筛选装置用于从所述数据库里获取实时获得的初始评估指标，通过与所述安全标准规定的安全风险评估指标比对、优化，筛选，得到最终符合企业特定的评估指标；
将经计算权重值过小的风险评估指标筛选出；
所述处理装置用于层次分析法和风险指数权重法的分析、计算；
所述数据报警装置用于监测各项评估指标真实性和有效性，以及各指标在计算权重过程中数据分配的合理性和科学性；
所述显示装置，用于显示企业安全风险评估模型、企业安全风险值、企业安全风险评估等级以及安全风险评估指标发出异常警告信号时显示报警信息。
附图说明
图1为本发明实施例提供的加油站安全风险评估方法流程图；
图2为本发明实施例提供的加油站安全风险评估系统的示意图；
图3为本发明实施例提供的层次分析法(AHP)的结构示意图。
其中，附图标记说明：
指标采集装置1；云端数据采集存储中心2；自动筛选装置3；处理装置4；数据报警装置5；显示装置6。
具体实施方式：
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-图3所示，本发明一种优选实施例，采用如下技术方案：
本发明一种加油站安全风险评估分级方法，包括如下步骤：
S1.指标采集装置1获取加油站企业依据相关安全标准规定的基本信息、装置设备、防护设施、周边环境、管理状况、事故隐患安全风险评估指标。
所述基本信息的评估指标包括：从业人数、占地面积、加油站等级中的至少一项。
所述装置设备的评估指标包括：加油机数量、油罐、加油机、发电机、油气回收装置、自助加油、通气管中的至少一项。
所述防护设施的评估指标包括：静电防护、防雷设施、消防设施、视频监控设施、警示牌中的至少一项。
所述周边环境的评估指标包括周边敏感场所、加油站罩棚上空是否有架空电力和通信线路跨越、洗车区、便利店中的至少一项。
所述管理状况的评估指标包括安全生产标准化达标等级、安全评价报告、定期开展安全教育培训、应急救援队伍、应急预案与应急演练中的至少一项。
所述事故隐患的评估指标包括隐患排查、情况近一年被检查提出的隐患整改或被行政处罚中的至少一项。
S2.指标采集装置1将所述安全风险评估指标均传输至安全风险评估系统中的云端数据采集存储中心2，形成数据库，构建安全风险评估初始模型。
S3.指标采集装置1获取企业安全风险评估指标信息，并获取安全风险评估指标预设的期望阈值，所述期望阈值高于或严于相关安全标准规定的指标。
其中，所述自动筛选装置3用于从所述数据库里获取初始评估指标，通过与安全标准规定的安全风险评估指标及预设的期望阈值比对、优化，筛选，最终得到符合企业要求的评估指标。
通过前馈神经网络强化学习算法对所述安全风险评估模型进行训练：以所述风险评估指标对企业整体安全风险重要度设置各指标的初始权重值，采用前馈神经网络强化学习算法对所述安全风险评估初始模型进行训练，通过层次分析法与风险指数权重法相结合，得到各项所述风险评估指标训练后权重值。具体步骤如下：
层次分析法(AHP)是将风险评估问题按总目标、各层子目标按顺序逐级分解为不同的层次结构，相邻的上级指标包含下级指标，呈树状图型，一般分为3层，如图3所示。
构建评估指标重要性判断矩阵，假设有n个C评估指标，经过专家和评估人员比较后并赋值得到判断矩阵M＝(Cij)n×n
Figure RE-GDA0003332739180000101
其中，Cij表示评估指标i相对于评估指标j对目标的重要程度。
构造的判断矩阵应有如下性质：
Cij>0
Cij＝1/Cij(i≠j)
Cij＝1(i＝j；i,j＝1,2,...,n)
为了实现研究结果的量化描述，根据同一级指标相互之间的影响判断进行量化打分，如下表所示：
重要性等级 量化值
i和j指标同等重要 1
i和j指标稍微重要 2
i和j指标比较重要 3
i和j指标明显重要 4
i和j指标十分重要 5
i和j指标强烈重要 6
i和j指标极其重要 7
i和j指标极端重要 8
风险指数权重法是行业专家根据自己的判断选择量化值，从而形成判断矩阵；处理装置4利用评估指标重要性判断矩阵计算模糊综合评价得分，并根据评分选取最大特征向量值，对以上确定出指标权重置信度进行认证，具体歩骤如下：
因素j的平均权重值为因素j的平均权重值为
Figure RE-GDA0003332739180000102
Figure RE-GDA0003332739180000103
其中，wij表示因素i相对于因素j的权重，因素i与因素j表示不同的指标
因素j的标准方差
Figure RE-GDA0003332739180000111
Figure RE-GDA0003332739180000112
输出结果服从正态分布
Figure RE-GDA0003332739180000113
根据上述公式计算得出
Figure RE-GDA0003332739180000114
和
Figure RE-GDA0003332739180000115
可以确定一个置信区间，即
Figure RE-GDA0003332739180000116
式中，
Figure RE-GDA0003332739180000117
表示置信区间是在预先确定好的显著性水平，绝大多数情况会将
Figure RE-GDA0003332739180000118
设为0.05。
Figure RE-GDA0003332739180000119
为置信度，
Figure RE-GDA00033327391800001110
是标准正态分布上的
Figure RE-GDA00033327391800001111
分位点，可以从标准正态分布表中查得。
为了提高各指标权重的准确性，本实施例中组织9名行业专家进行量化打分，针对每位专家量化计算出权重值进行相加后再平均化，得到各指标最终的权重值。
筛选并剔除训练后权重值过小的风险评估指标，并重新采用前馈神经网络强化学习算法对所述安全风险评估初始模型进行训练，得到优化的安全风险评估模型。
最后，安全风险评估系统使用优化的加油站企业安全风险评估模型对企业安全风险评估指标进行计算，获取并输出企业的安全风险值及对应的安全风险等级，本实施例优化后的安全风险评估模型见下表：
加油站企业安全风险评估模型
Figure RE-GDA00033327391800001112
Figure RE-GDA0003332739180000121
Figure RE-GDA0003332739180000131
通过处理装置4自动计算，输出该加油站企业安全风险值共扣19分，综合得分为81分。
依据加油站相关安全标准的规定，评估诊断采用百分制，根据评估诊断结果按照风险从高到低依次将辖区内危险化学品企业分为60分以下为红色、60至75分以下为橙色、75至90分以下为黄色、90分及以上为蓝色，共四个等级，颜色与风险等级相对应，具体见下表：
加油站风险值与安全风险等级表
安全风险值 安全风险等级
60分以下 重大风险
60分(含60分)至75分 较大风险
75分(含75分)至90分 一般风险
90分及以上 低风险
所述安全风险评估系统通过显示装置6将本加油站的安全风险评估指标 81分及对应的一般风险等级输出并显示出来。
优选地，在步骤S3中，在安全风险评估前，所述安全风险评估系统通过数据报警装置5将低于所述期望阈值安全风险评估指标,或与所述安全风险评估系统的数据库中预设的指标信息不匹配的安全风险评估指标发出异常警告信号，进行错误预警，通过显示装置6显示报警信息，以将不合格安全风险评估指标去除。

Claims (9)

1.一种加油站安全风险评估分级方法，其特征在于，包括如下步骤：
S1.获取加油站企业依据相关安全标准规定的基本信息、装置设备、防护设施、周边环境、管理状况、事故隐患安全风险评估指标；
S2.将所述安全风险评估指标均传输至安全风险评估系统，形成安全风险评估初始模型；
S3.获取企业安全风险评估指标信息，并获取安全风险评估指标预设的期望阈值，经预先训练好的安全风险评估模型对所述企业安全风险评估指标分析、计算、筛选，获取并输出企业的安全风险值及对应的安全风险等级；
在步骤S1中，企业的所述基本信息、所述装置设备、所述防护设施、所述周边环境、所述管理状况、所述事故隐患均包括至少一项安全风险评估指标；
在步骤S3中，所述安全风险评估模型是通过层次分析法与风险指数权重法相结合，形成综合性企业安全风险评估方法，步骤包括：
采用层次分析法将各类安全风险评估指标归类、分级，其中，相邻的上级指标包含下级指标，呈树状图型分布；
采用风险指数权重法，依据各风险评估指标对企业整体安全风险重要度设置各指标的初始权重值，形成安全风险评估初始模型，构建评估指标重要性判断矩阵，经优化和筛选，得到各项指标优化后的权重值，得到最终的企业安全风险评估模型，再次利用上述计算方法，获取并输出企业的安全风险值及对应的安全风险等级。
2.根据权利要求1所述的加油站安全风险评估分级方法，其特征在于，步骤S1还包括：所述基本信息的评估指标包括：从业人数、占地面积、加油站等级中的至少一项；
所述装置设备的评估指标包括：加油机数量、油罐、加油机、发电机、油气回收装置、自助加油、通气管中的至少一项；
所述防护设施的评估指标包括：静电防护、防雷设施、消防设施、视频监控设施、警示牌中的至少一项；
所述周边环境的评估指标包括周边敏感场所、加油站罩棚上空是否有架空电力和通信线路跨越、洗车区、便利店中的至少一项；
所述管理状况的评估指标包括安全生产标准化达标等级、安全评价报告、定期开展安全教育培训、应急救援队伍、应急预案与应急演练中的至少一项；
所述事故隐患的评估指标包括隐患排查、情况近一年被检查提出的隐患整改或被行政处罚中的至少一项。
3.根据权利要求2所述的加油站安全风险评估分级方法，其特征在于，所述评估指标值及内容符合所述安全标准的规定。
4.根据权利要求1所述的加油站安全风险评估分级方法，其特征在于，步骤S3中，在安全风险评估前，所述安全风险评估系统将低于所述期望阈值安全风险评估指标,或与所述安全风险评估系统的数据库中预设的指标信息不匹配的安全风险评估指标发出异常警告信号，进行错误预警。
5.根据权利要求1所述的加油站安全风险评估分级方法，其特征在于，步骤S3中，依据各风险评估指标对企业整体安全风险重要度设置各指标的初始权重值，包括有多名行业专家依据同一级两两指标间对企业整体安全风险影响重要度设置初始权重值，从而形成判断矩阵，优化形成的所述安全风险评估模型对判断矩阵重新计算，获得安全风险评估指标权重值，获取并输出企业的安全风险值及对应的安全风险等级，其中，行业专家应不少于7位。
6.根据权利要求5所述的加油站安全风险评估分级方法，其特征在于，所述安全风险评估模型对判断矩阵计算的具体步骤：
Figure FDA0003241857510000021
第j个风险评估指标的平均权重值按照下式计算：
式中，wij表示风险评估指标i相对于风险评估指标j的权重，风险评估指标i与风险评估指标j表示不同的指标；
Figure FDA0003241857510000031
表示风险评估指标j的权重平均权重值；
n表示风险评估指标的总数量；
风险评估指标j的标准方差
Figure FDA0003241857510000032
按照下式计算：
Figure FDA0003241857510000033
假定所有结果服从正态分布
Figure FDA0003241857510000034
根据
Figure FDA0003241857510000035
和
Figure FDA0003241857510000036
可以确定一个置信区间，即
Figure FDA0003241857510000037
式中，
Figure FDA0003241857510000038
表示置信区间是在预先确定好的显著性水平，将
Figure FDA0003241857510000039
设为0.05；
Figure FDA00032418575100000310
为置信度，
Figure FDA00032418575100000311
是标准正态分布上的
Figure FDA00032418575100000312
分位点，可以从标准正态分布表中查得，获得由一个专家设定的初始权重值优化后得到的权重值；
将所有专家设定的初始权重值优化后得到的权重值相加后再计算平均值，即获得风险评估指标j的最终的权重值。
7.根据权利要求1所述的加油站安全风险评估分级方法，其特征在于，通过前馈神经网络强化学习算法对所述安全风险评估模型进行训练的方法包括：
以所述风险评估指标对企业整体安全风险重要度设置各指标的初始权重值，采用前馈神经网络强化学习算法对所述安全风险评估初始模型进行训练，通过层次分析法与风险指数权重法相结合，得到各项所述风险评估指标训练后权重值；
筛选并剔除训练后权重值过小的风险评估指标，并重新采用前馈神经网络强化学习算法对所述安全风险评估初始模型进行训练，得到优化的安全风险评估模型。
8.根据权利要求7所述的加油站安全风险评估分级方法，其特征在于，加油站企业的所述安全风险评估模型应满足下表的要求：
加油站企业安全风险评估模型
Figure FDA0003241857510000041
Figure FDA0003241857510000051
Figure FDA0003241857510000061
9.一种加油站安全风险评估分级系统，其特征在于，包括企业用指标采集装置、云端数据采集存储中心、自动筛选装置、处理装置、数据报警装置和显示装置；
所述指标采集装置用于收集企业的基本信息、装置设备、防护设施、周边环境、管理状况、事故隐患的所有安全风险评估指标；
所述云端数据采集存储中心与所述指标采集装置相连，用于存储所有安全风险评估指标，形成数据库；
所述自动筛选装置用于从所述数据库里获取实时获得的初始评估指标，通过与所述安全标准的规定及预设的所述期望阈值比对、优化，筛选，得到最终符合企业要求的评估指标；
将经计算权重值过小的风险评估指标筛选出；
所述处理装置用于层次分析法和风险指数权重法的分析、计算；
所述数据报警装置用于监测各项评估指标真实性和有效性，以及各指标在计算权重过程中数据分配的合理性和科学性；
所述显示装置，用于显示企业安全风险评估模型、企业安全风险值、企业安全风险评估等级以及安全风险评估指标发出异常警告信号时显示报警信息。
CN202111020734.2A 2021-09-01 2021-09-01 一种加油站安全风险评估分级方法及系统 Pending CN113935571A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111020734.2A CN113935571A (zh) 2021-09-01 2021-09-01 一种加油站安全风险评估分级方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111020734.2A CN113935571A (zh) 2021-09-01 2021-09-01 一种加油站安全风险评估分级方法及系统

Publications (1)

Publication Number Publication Date
CN113935571A true CN113935571A (zh) 2022-01-14

Family

ID=79274744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111020734.2A Pending CN113935571A (zh) 2021-09-01 2021-09-01 一种加油站安全风险评估分级方法及系统

Country Status (1)

Country Link
CN (1) CN113935571A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081970A (zh) * 2022-08-24 2022-09-20 北京奥维云网大数据科技股份有限公司 精装地产装修数据分析与评测系统及评测方法
CN116558574A (zh) * 2023-06-29 2023-08-08 深圳市秒加能源科技有限公司 基于大数据的气站安全监测方法和装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081970A (zh) * 2022-08-24 2022-09-20 北京奥维云网大数据科技股份有限公司 精装地产装修数据分析与评测系统及评测方法
CN115081970B (zh) * 2022-08-24 2022-11-15 北京奥维云网大数据科技股份有限公司 精装地产装修数据分析与评测系统及评测方法
CN116558574A (zh) * 2023-06-29 2023-08-08 深圳市秒加能源科技有限公司 基于大数据的气站安全监测方法和装置
CN116558574B (zh) * 2023-06-29 2023-09-26 深圳市秒加能源科技有限公司 基于大数据的气站安全监测方法和装置

Similar Documents

Publication Publication Date Title
CN110555617B (zh) 一种基于物联网的建筑火灾风险实时动态定量评估方法
CN113988530A (zh) 一种非煤矿山安全风险评估分级方法及系统
CN112529265B (zh) 一种燃气管线综合风险评估、预测方法及系统
CN113935571A (zh) 一种加油站安全风险评估分级方法及系统
CN113869736A (zh) 一种烟花爆竹经营企业安全风险评估分级方法及系统
CN112580995A (zh) 施工安全大数据监督系统与安全风险动态评估方法
CN113689129B (zh) 一种基于风险分级及分级监察的综合性安全监管信息平台系统
An et al. Railway risk assessment-the fuzzy reasoning approach and fuzzy analytic hierarchy process approaches: a case study of shunting at waterloo depot
CN113515720B (zh) 一种危险化学品企业重大安全风险辨识与评估方法
CN109978374B (zh) 油气管道系统风险评估方法
CN113506001B (zh) 一种作业现场安全风险精益化智慧管控辅助决策方法
CN110059949A (zh) 一种基于突变理论的铝粉爆炸风险评估方法
CN109615237A (zh) 一种基于三维风险分析的加油站安全评估方法
CN116629607A (zh) 一种危险废物环境安全风险辨识与评估方法
CN114926028A (zh) 一种隧道火灾风险评估方法
CN117151478B (zh) 一种基于卷积神经网络的化工企业风险预警方法及系统
CN113723817A (zh) 一种企业粉尘爆炸风险评估方法、装置和设备
CN113657788A (zh) 一种企业安全生产标准化智能监管系统及方法
CN111178731A (zh) 基于大数据赋能条件下的社会单位动态火灾风险评估方法
CN114358539A (zh) 一种基于风险的铁路运营安全判识方法
CN113807638A (zh) 一种尾矿库重大安全风险量化方法
CN114493290A (zh) 基于信息融合的作业管控系统安全风险等级评定方法
CN114021864A (zh) 一种涉氨制冷企业重大风险辨识与实时动态风险评估方法
CN112132397A (zh) 基于网络分析的大型商圈安全风险模糊综合评价方法及装置
CN117057601B (zh) 基于物联网的非煤矿山安全监测预警系统

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