CN114819384A - 一种基于动态贝叶斯网络的天然气管道第三方破坏事故预警方法 - Google Patents
一种基于动态贝叶斯网络的天然气管道第三方破坏事故预警方法 Download PDFInfo
- Publication number
- CN114819384A CN114819384A CN202210526442.4A CN202210526442A CN114819384A CN 114819384 A CN114819384 A CN 114819384A CN 202210526442 A CN202210526442 A CN 202210526442A CN 114819384 A CN114819384 A CN 114819384A
- Authority
- CN
- China
- Prior art keywords
- probability
- model
- party
- accident
- damage
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
Abstract
本发明提供一种基于动态贝叶斯网络的天然气管道第三方破坏事故预警方法。包括:第一步,第三方破坏事故因素识别;第二步,风险事故场景搭建;第三步,事故后果分析,利用ESD构建起关于第三方破坏可能导致的天然气管道失效后果的序列图;第四步,节点概率计算;第五步,耦合FT和ESD的DBN动态定量建模;第六步,基于DBN模型的第三方事故概率动态分析;第七步,根据失效概率分析结果总结出风险管控措施。本发明方法通过调取历史数据、模糊综合评价方法计算各个因素的发生概率,并将其作为贝叶斯网络的输入数据信息推理得到管道的失效风险概率,借此概率信息结合事故后果分析方法进行提前预警。
Description
技术领域
本发明涉及天然气管道破坏事故预警方法技术领域,特别是关于一种基于动态贝叶斯网络的天然气管道第三方破坏事故预警方法。
背景技术
随着能源行业天然气需求量的增加,管道输送无疑取代了其他输送方式,成为输送石油天然气等介质最高效、经济的方式,我国已建成的天然气管道总长超过8万公里。历史数据表明,第三方破坏已经成为威胁埋地管道结构完整性的主要因素之一。因此,针对天然气管道事故进行有效地预警并且对可能造成的后果能够进行预测,就可以有效地提高管道整体的运行可靠性。
目前,用于天然气管道失效风险评估的方法主要是层次分析法、肯特评分法、事故树分析法等等,但这些方法往往都依赖专家的主观意见,导致风险评估的结果具有互异性和不确定性,这些原因都将导致管道风险评估的结果不准确。现阶段国内行业在管道第三方破坏的风险评估通过传统方法只能实现初步地静态评估,无法很好地处理第三方事故随意性强、不可预测和不确定性的特性。
近年来为了实现事故演绎推理的可能性,贝叶斯网络作为一种用于处理不确定性问题的概率推理技术,常用于如泄漏、火灾、爆炸、钻井作业、维修活动的风险分析中。与传统的风险评估方法相比较,贝叶斯网络的优势主要在于:1) 贝叶斯网络在事故概率推理中不受主观因素的影响,在定量分析计算部分减少了人为因素的干扰,尽可能消除主观因素带来的不确定性;2)贝叶斯网络可以用于处理信息不完整的数据集,相比传统方法无法对缺失、偏差数据进行处理,贝叶斯网络模型的映射方法反应的是整个数据库中数据之间的概率关系模型,某一输入数据的缺失不干扰整个模型的精确推理;3)贝叶斯网络具有独特的参数学习、概率更新能力,当有新的观测证据作为输入信息时,贝叶斯网络模型可以利用贝叶斯定理实现概率信息的实时更新,保证输出的概率计算结果的实时性。
通过上述分析不难看出贝叶斯网络模型的特点可以很好地应对管道第三方破坏失效事故风险评估中的难点,这也是其能够成为风险评估主要工具的理由之一。但仅仅实现失效事故的分析并不能从根本上实现预警功能,需要考虑风险因素在时序上的向前发展可能才能做到风险的预警,因此选择采用动态贝叶斯网络。所谓的动态贝叶斯网络并不是指网络拓扑结果或参数是动态变化的,而是指把静态贝叶斯网络与时间因素相结合,从而形成的具有时序数据处理功能的网络模型。相较于常规BN模型,DBN模型的优势主要有以下几点:
(1)考虑模型中节点的时序性特点。在DBN模型中,充分考虑节点因素的时间特性,运用可靠性理论中的隐形马尔可夫定理设置状态转移方程,以此来计算自循环节点后续各个时间片段中的发生概率,做到有效的提前预警功能。
(2)在考虑节点时序性的同时保留了常规BN模型的特点。保留了常规BN 在数据分析、概率更新等方面特性,也可以与FTA模型、ESD模型结合完成从定性分析到定量分析的过渡,完成在事故因果关系上的分析。
近些年来国外针对管道第三方破坏事故的研究则主要集中在将贝叶斯网络与其他定性分析方法相结合,实现从定性到定量评估方法的转换。目前在风险分析方法中,贝叶斯网络是针对概率系统中不确定性知识的有效分析工具,由于其在处理系统变量的各种状态、相关性和故障相关不确定性方面表现优秀,被广泛用于各种事故分析中。常常与其他分析方法(领结模型、事故树模型、Delphi 技术等)相组合,使其在事故风险评估中更加有效。但常规的贝叶斯网络模型无法解释事件对于时间的依赖性,不能根据节点在不同时间段内的动态特性进行评估预警。同时需要根据现有数据拟合出最有可能发生的后果,以达到提前管控预防的目的。因此,需要设计一种新的风险模型可以用于第三方事故对于管道破坏的风险预警和后果预测分析方法。
上述背景技术旨在辅助理解本发明的发明构思及技术方案,其并不必然属于本专利申请的现有技术,在没有明确的证据表明上述内容在本专利申请的申请日前已公开的情况下,上述背景技术不应当用于评价本申请技术方案的新创性。
发明内容
为解决上述背景技术中提及的至少一种技术问题,本发明的目的旨在提出基于动态贝叶斯网络的天然气管道第三方破坏风险评估及后果预测方法,旨在建立风险预警模型,通过调取历史数据、模糊综合评价方法计算各个因素的发生概率,并将其作为贝叶斯网络的输入数据信息推理得到管道的失效风险概率,借此概率信息结合事故后果分析方法进行提前预警。
为了实现上述目的,本发明提供如下技术方案。
一种基于动态贝叶斯网络的天然气管道第三方破坏事故预警方法,包括:
第一步,第三方破坏事故因素识别,从管道监测报告、EGIG、PHMSA现有资料及领域专家的意见中识别出基本事件,初步建立基本因素分析体系;
第二步,风险事故场景搭建,将第一步中的基本因素通过FT建立相互关联;
第三步,事故后果分析,利用ESD构建起关于第三方破坏可能导致的天然气管道失效后果的序列图;
第四步,节点概率计算;
第五步,耦合FT和ESD的DBN动态定量建模,将FT和ESD两种定性分析模型根据一定的映射关系得到相应的BN模型,并根据节点的时间特性确定模型中的自循环节点,确定模型中的时序因素,完成DBN模型的构建;
第六步,基于DBN模型的第三方事故概率动态分析;
第七步,根据失效概率分析结果总结出风险管控措施。
第一步中,主要分为非故意第三方损坏和故意第三方损坏。
故意第三方损坏选择从蓄意破坏管道、钻孔盗气2个方面因素进行分析。
非故意第三方损坏选择从自然因素、人为因素2个方面因素进行分析。
第二步中,将第一步中分析得到所有基本事件BEs作为FT模型中的初始事件,第三方破坏导致管道泄漏作为顶上事件,将两者以树状网络进行连接并在合适的位置加入中间节点保证模型的连贯性。
第三步中,第三方破坏的作用形式考虑的失效类型有变形、表面破坏和断裂三种。
第四步中,包括基本事件、后果概率的计算,本方法所需基本事件(BEs) 的概率通过两种方法得到,一是通过管道调查报告、EGIG、PHMSA等文献数据库直接搜索得到发生概率;二是对于没有查询到的发生概率的BEs,选择采用模糊综合评价方法将专家对于事件的定性评价转换为定量评价进而计算出发生概率。
选择梯形模糊数(TZFN)来描述专家判断语言,再根据专家层次权重结合一定规则转换为模糊数,并进一步通过计算出发生概率。
第五步中,DBN动态定量建模基于如下假设:
1)各个基本事件之间相互独立;
2)同一因素的子节点之间条件独立;
3)管道失效事故只受所分析的第三方因素影响。
基于上述假设,将FT模型通过Bobbio映射函数转换为BN模型,在图形映射中,FT的基本事件、中间事件和顶事件相应地在BN中表示为叶节点、子节点和根节点,事故树模型中各级事件之间的连线在BN中以弧的形式进行表示。在数值映射中,将基本事件的发生概率分配给相应的叶节点作为先验概率;对于子节点和根节点通过编辑条件概率表(CPT)进行概率计算。
DBN作为BN模型在时间序列上的展开,其时间切片中的任何节点都只会依赖于同一时间切片中的父节点和相邻时间切片中的相似节点,本方法所运用的模型均为双时间切片DBN,它的时间切片数量从2扩展到N,其联合概率分布表示为:
第六步中,分析诊断有三种:
1)可靠性分析;通过对关键因素的输入参数进行±10%的调整,观察整个系统的风险评估波动是否正常;
2)结构重要度分析:使用概率的异变比RoV进行重要度分析,利用每个叶节点的先验概率和后验概率计算RoV;
3)预测性分析:利用DBN进行时间序列上的基本事件以及失效后果概率预测。
2)结构重要度分析时,在模型运行中,先验概率越大的事件表示其发生频率越高,RoV越高的事件对管道破坏事故的贡献度越大。其算式如式(15)所示:
相比于已有的第三方破坏风险评估方法,本发明考虑了基本事件在时间序列上的动态特性,综合考虑事故后果的各种可能事件并利用分析方法预测后果在接下来一段时间的发生可能性,更加符合当前在事故风险预警上的设计思路,通过将历史数据、计算概率作为输入信息输入模型就能够获得当前情况下最可能的失效情况,为管道第三方破坏事故的预警提供依据,加强管道安全管理。
考虑到使用BN模型的局限性在于其因果路径上不存在循环,即模型中的数据信息无法根据时间顺序特性实现预警功能。本方法采用DBN模型克服传统BN 模型在时间无关特性上的局限性,不仅仅可以捕捉变量之间的静态依赖关系,还可以捕捉沿着时间维度的依赖关系。在后果风险预测上通过ESD模型进行事故场景的传播分析,ESD在条件关系、逻辑门、规则等要素以及图形符号等方面与BN网络有着一定的互通性,可以作为BN模型的附加部分一同分析。利用历史数据进行层次贝叶斯分析,以获取相应时间节点上的后果发生可能性,实现整体系统从事故原因分析到后果预测时间动态特性。
本发明还提供上述方法在天然气管道第三方破坏事故预警中的应用。
在符合本领域常识的基础上,上述各优选条件,可以相互组合,得到具体实施方式。
本发明涉及到的原料或试剂均为普通市售产品,涉及到的操作如无特殊说明均为本领域常规操作。
本发明的有益效果为:
本方法基于FT和ESD,在BN模型中加入相关节点的时序信息分析,形成针对管道第三方事故风险预警的DBN模型。同时在事故之后运用ESD方法分析可能的后果情况并通过历史数据进行发生可能性分析,为管道的提前预警提供可靠的依据。
该方法在针对管道第三方风险事故预警过程中,以ESD代替常规的事件树分析方法,在事故后果分析方面更加完整全面,并且ESD模型可以更好地与后续BN模型分析相互融合,尽可能地减少数据信息丢失;将FTA和ESD方法进行耦合搭建关于天然气管道第三方破坏事故的动态贝叶斯网络模型DBN,充分考虑第三方破坏中与时间相关的时序性因素,运用隐性马尔可夫中的状态转移方程实现发生概率预测,并以此作为依据实现模型的预警功能。
本发明为实现上述目的而采用了上述技术方案,弥补了现有技术的不足,设计合理,操作方便。
附图说明
为让本发明的上述和/或其他目的、特征、优点与实例能更明显易懂,所附附图的说明如下:
图1是天然气管道第三方破坏事故预警方法流程图;
图2是天然气管道第三方破坏事故树示意图(图2(a)是天然气管道第三方破坏事故树;图2(b)是故意破坏因素的钻孔盗气事故树;图2(c)是非故意破坏因素的自然因素事故树;图2(d)是非故意破坏因素的人为因素事故树;图2(e)是人为因素的外部工程活动事故树;图2(f)是人为因素下管理制度缺陷的制度不完善的事故树);
图3是天然气管道第三方破坏后果ESD模型示意图;
图4是将FT映射成为BN模型的映射规则;
图5是双时间切片的DBN;
图6是构建得到的天然气管道第三方破坏风险DBN模型。
具体实施方式
本领域技术人员可以借鉴本文内容,适当替换和/或改动工艺参数实现,然而特别需要指出的是,所有类似的替换和/或改动对本领域技术人员来说是显而易见的,它们都被视为包括在本发明。本发明所述产品和制备方法已经通过较佳实例进行了描述,相关人员明显能在不脱离本发明内容、精神和范围内对本文所述的产品和制备方法进行改动或适当变更与组合,来实现和应用本发明技术。
除非具体说明,本文所描述的材料、方法和实例仅是示例性的,而非限制性的。尽管与本文所述的那些方法和材料类似或等同的方法和材料可用于本发明的实施或测试,但本文仍描述了合适的方法和材料。
本申请所包括的关键术语包括下述所列。
第三方破坏:指与管道运行无关的人员活动,致使移动设备、工具、车辆、故意损坏等直接导致油气管道设施遭到意外性破坏的行为。
风险评估:在风险事件发生之前或之后(事件未结束之前),事件对周边环境、居民的生活、生命、财产各个方面造成的影响和损失的概率进行量化评估的过程。即风险评估就是量化测评某一事件或事物带来的影响或损失的可能程度。本文中,风险评估指的是识别天然气管道泄漏事故的第三方危害因素,并根据各个因素的发生可能性大小推理管道失效事故发生的风险等级。
FTA:Fault Tree Analysis,事故树分析,一个从上到下逐级建树并根据事件而联系,用图形化路径的方法对系统的危险性进行辨识。
ESD:Event Sequence Diagram,事件序列图,通过定义事件、条件、逻辑门、参数、限制、规则等要素以及图形符号来表示故障的发生和导致影响的可能发展过程。
FCEM:Fuzzy Comprehension Evaluation Method,模糊综合评价法,根据模糊数学的隶属度理论将定性评价转化为定量评价,即用模糊数学对受到多种因素制约的对象给出一个总体评价。
HBA:Hierarchical Bayesian analysis,层次贝叶斯分析,一种用于风险概率分析技术方法,用于解决由于缺乏甚至没有数据而导致的不确定性。
DBN:Dynamic Bayesian Network,动态贝叶斯网络,是一个随着毗邻时间步骤把不同变量联系起来的贝叶斯网络。这通常被叫做“两个时间片”的贝叶斯网络。
以下结合具体实施例对本发明进行详细描述。
图1是天然气管道第三方破坏事故预警方法流程图。
如图1所示,本实施例提供天然气管道第三方破坏事故预警方法,其详细步骤如下。
第一步,第三方破坏事故因素识别。
第一步的目的是尽可能的识别出导致管道事故的第三方破坏风险因素;在这一步中,从天然气管道第三方破坏的角度将这些因素分为故意破坏与非故意破坏。
本方法主要从管道监测报告、EGIG(事故数据组织)、PHMSA(管道与危险品管理局)等现有资料及领域专家的意见中识别出基本事件,根据以上分析角度和数据源信息初步建立基于故意破坏和非故意破坏的基本因素分析体系,其各个因素具体内容如下:
(1)故意破坏因素分析:所谓故意破坏就是人出于自身主观意识对管道进行破坏的行为,选择从蓄意破坏管道、钻孔盗气2个方面因素进行分析;
a)蓄意破坏管道:该方法中针对蓄意破坏事故考虑的影响因素主要有社会关系、管道管理水平以及沿线的社会治安情况;
b)钻孔盗气:钻孔盗气相比于蓄意破坏,更附加了人员以此谋求经济利益的行为意识,因此针对打钻孔盗气行为需要从法制管理、日常巡检、公众教育3 个因素进行分析。
(2)非故意破坏因素分析:该方法对于非故意性质的破坏行为的解释是该行为并不是人有意主动地进行管道破坏,而是无意识行为造成的影响超出了管道本体的承载能力,造成管道的失效事故。因此选择从自然因素和人为因素两个方面分析:
a)自然因素:本方法中自然因素可以理解为管道的自身因素和周边的自然环境因素2个方面。其中管道的自身因素是指随着使用年限的增加,管道自身的服役寿命、壁厚、周边覆土的覆盖情况的逐年变化情况;
b)人为因素:在非故意破坏行为中的人为因素,主要是指该因素在初期建设、后期运维过程中需要有员工的参与或者可能因为人的行为导致因素被破坏、无法正常工作。在该评估方法中主要包括了管道防护警示、外部工程活动、管理制度缺陷3个方面。
第二步,风险事故场景搭建。
事故树(FT)作为一种定性分析常用的模型,可以很好的将事故与导致事故发生的各种因素相互联系,以树形图来描述可能发生的事故与各种原因之间的逻辑关系。本方法中,将第一步中分析得到所有基本事件BEs作为FT模型中的初始事件,第三方破坏导致管道泄漏作为顶上事件,将两者以树状网络进行连接并在合适的位置加入中间节点保证模型的连贯性。第三方破坏事故的基础事件构成的FT模型如图2所示,包括图2(a)、2(b)、2(c)、2(d)、2(e)、2(f);表1示出了天然气管道第三方破坏事故树符号含义。
表1天然气管道第三方破坏事故树符号含义
第三步,事故后果分析。
为了识别第三方破坏造成管道破坏的潜在后果,开发了ESD模型描述管道失效故障开始的场景传播过程。天然气管道由于受到第三方因素的干扰,考虑第三方破坏的作用形式,本方法考虑的失效类型有变形、表面破坏和断裂三种。变形是最轻微的后果状态,会引起天然气管道的结构损伤,在此失效状态下管道的完整性仍然能够保持,不会诱发天然气泄漏事故;表面破坏对管道本身的运行不构成影响但会破坏管道表面的防腐防护材料,经过长时间积累最后形成腐蚀泄漏;断裂是最为严重的失效事故,直接导致管道完整性破坏,造成气体泄漏事故。综上不难发现,表面破坏和断裂事故都将会导致输送气体泄漏存在安全隐患,当遭遇周围的火花或者火源时将形成火灾爆炸的危险。天然气管道第三方破坏ESD 分析如图3所示。
第四步,包括基本事件、后果概率的计算。
管道的第三方破坏风险评价计算需要事件概率。然而,这些数据通常是有限的、缺失的。本方法所需基本事件(BEs)的概率通过两种方法得到,一是通过管道调查报告、EGIG、PHMSA等文献数据库直接搜索得到发生概率;二是对于没有查询到的发生概率的BEs,选择采用模糊综合评价方法将专家对于事件的定性评价转换为定量评价进而计算出发生概率。
对模糊综合评价方法的简述如下:概率空间的模糊集由一个介于0和1之间的模糊数表示,可以将其赋值为事件的概率。将定性的知识或者判断转化为量化的数字推理,以模糊数来稀释专家判断语言的模糊性和主观性。在模糊数中三角模糊数(TFN)和梯形模糊数(TZFN)更为有效,因为它们可以根据评价集的分数生成基本事件的失效概率。本文选择梯形模糊数(TZFN)来描述专家判断语言。首先将专家对于基本事件的评价表达分为Very Low(VL)、Low(L)、Fairly Low(FL)、Medium(M)、Fairly High(FH)、High(H)和Very High(VH)。模糊数集的含义及其规格尺度如表2所示。
表2模糊数集的尺度
再根据专家层次权重结合一定规则转换为模糊数,考虑到不同专家的意见权重不同,考虑采用加权平均法总结多个专家的判断,如式(1)所示。
其中,Pi是输入事件i的聚合模糊数;Pi,j表示专家j对于事件i输入的模糊数;Wj是专家j的权重,m为专家人数。
采用模糊集的截集对评估意见进行综合处理,得到各个模糊语言对应的模糊数W的关系函数,如式(2)所示:
之后通过计算左、右模糊集得分得到聚合模糊数的模糊概率分数(FPS),如式(3)、(4)、(5)所示。
FPSLeft=supx[fw(x)∧fmax(x)] (3)
FPSRight=supx[fw(x)∧fmin(x)] (4)
FPS(Pi)=[FPSRight(Pi)+1-FPSLeft(Pi)]/2 (5)
最后利用式(6)、(7)将FPS转化为失效概率,再进行下一步的定量分析。
PFi=1/10k (6)
k=2.301×[(1-FPS)/FPS]1/3 (7)
上述为FT模型中的基本事件发生概率算法,同样针对事故后果也需要进行发生概率的计算,考虑到事故历史数据上有着较多的可靠来源,选择采用HBA 方法进行计算。
在HBA框架中构建了3个主要参数γ,α,β,其中参数α,β成为超参数,记录为h(γ|α,β),其遵循扩散或非信息性分布;不确定参数γ服从广义分布,以上是HBA框架中的第一阶段先验计算。
第二阶段分布计算主要针对参数α,β的不确定性。利用不同源的通用数据D 更新第二阶段分布,得到超参数的后验分析,如式(8)所示。
式中h(α,β|D)是超参数的后验概率,而l(D|α,β)的似然函数计算可以表示为式(9):
l(D|α,β)=∫l(D|γ)h(γ|α,β)dγ (9)
在得到α,β的后验概率分布之后,通过计算α和β的平均值更新γ的后验分布h1,如式(10)所示:
h1(γ|D)=∫∫h(γ|α,β)h(α,β|D)dαdβ (10)
当更多新的观测信息D*被输入进HBA分析框架中,根据贝叶斯定理h1(γ|D) 可以进一步改写为h1(γ|D,D*)
第五步,耦合FT和ESD的DBN动态定量建模。
贝叶斯网络(BN)越来越多地用于处理概率问题和基于不确定性知识的系统可靠性建模中。与传统的事故树(FT)、事件树(ET)、领结模型(BT)等方法对比,贝叶斯网络(BN)考虑到了因素之间的条件依赖关系,描述了节点之间的相互关系。贝叶斯网络(BN)的明显优势在于整个模型中分配给节点的条件概率可以根据新观测数据的输入进行更新。BN利用“d-分隔”准则和链式法则进行定量分析。根据“d-分隔”准则,所有的叶节点都是条件独立的,而其他节点依赖于它们的直接父节点。根据条件独立性和链式法则,BN模型中所包含的变量U={A1,A2,……,An}的联合概率分布P(U)为
其中,Pa(Ai)是变量U={A1,A2,……,An}的父集。
BN在事故分析中的主要应用是一个推理引擎,用于更新给定新信息的事件的先验概率,成为证据e。当观察到新的证据时,得到一个变量的后验概率:
式(13)既可以用于概率预测,也可以用于概率更新。在预测分析中,计算形式为P(accident|event)的条件概率,表示在某一主要事件发生或者不发生的情况下,某一特定事故发生的概率。另一方面,在更新分析中,对 P(event|accident)的形式进行评估,在给定某一事故发生的情况下,显示某一特定时事件的发生概率。
在本方法的基于贝叶斯网络的管道第三方破坏风险评价方法中,所构建的贝叶斯网络应该基于如下假设:
1)各个基本事件之间相互独立;
2)同一因素的子节点之间条件独立;
3)管道失效事故只受所分析的第三方因素影响。
结合图6对假设2)进行表述,法制管理、公众教育和日常巡逻三者对于钻孔盗气的发生是有影响的;然而,在钻孔盗气发生的前提下,法制管理对公众教育、日常巡逻是没有影响的(换节点同理,子节点之间无影响);即,在已知盗气发生的前提下,其下面三个子节点是相互独立的。
基于上述假设,将FT模型通过Bobbio映射函数转换为BN模型,在图形映射中,FT的基本事件、中间事件和顶事件相应地在BN中表示为叶节点、子节点和根节点,事故树模型中各级事件之间的连线在BN中以弧的形式进行表示。在数值映射中,将基本事件的发生概率分配给相应的叶节点作为先验概率;对于子节点和根节点通过编辑条件概率表(CPT)进行概率计算。图4显示了将 FT映射成为BN模型的映射规则。
动态贝叶斯网络(DBN)作为BN模型在时间序列上的展开,可以理解为马尔可夫过程的推广。在DBN的时间切片中的任何节点都只会依赖于同一时间切片中的父节点和相邻时间切片中的相似节点,本方法所运用的模型均为双时间切片DBN,它的时间切片数量从2扩展到N,其联合概率分布表示为:
为了方便处理,假设DBN模型满足两个条件:
1)网络的拓扑结构不随时间发生变化,即除去初始时刻,其余时刻的变量及其概率依存关系相同;
2)满足一阶马尔可夫条件,即在给定了当前时刻的状态后,未来时刻的状态与只与当前时刻有关,与过去时刻状态无关。
在满足上述条件之后,动态贝叶斯网络可以看作是贝叶斯网络在时间序列上的展开。当前时间片是t,下一个时间片是t+1。在本方法中通过ESD模型分析得到影响天然气管道泄漏的关键因素是管道断裂(C3)和腐蚀穿孔(C4)。管道表面保护失效导致管体腐蚀造成泄漏事故的可能性随着时间逐渐增加,因此时间切片(t+1)下的腐蚀穿孔(C4)会受其在时间切片(t)中的状态影响。同样管道的天然气泄漏不仅仅受到同一时间片段的C3、C4影响,也受到其他时间切片 (t)中状态的影响。通过两种方法形成一个双时间片DBN。图5通过将后果分析中的时间相关因素构建双时间切片DBN进行解释。
事故后果分析ESD模型在构建时也有着或与门条件逻辑关系和输入参数,因此在保留门逻辑关系的前提下,可以很好的将整个模型与DBN模型进行整合。进一步,该方法采用Genie 2.3软件构建贝叶斯网络。构建的DBN模型如图6 所示。
第六步,第三方事故概率动态分析。
通过第五步构建完整的第三方破坏基本事件以及后果DBN模型,进行针对该模型的事故概率动态评估。在这里主要进行的分析诊断有三种:1)可靠性分析;2)结构重要度分析;3)预测性分析。
1)可靠性分析:当开发新模型时需要确保其有一定的鲁棒性,通过改变模型的输入参数,使得输出在适当范围内变化的方法来验证。本方法通过对关键因素的输入参数进行±10%的调整,观察整个系统的风险评估波动是否正常。
2)结构重要度分析:在BN模型中进行概率更新时,一般将顶事件或结果事件的知识作为证据。本方法使用概率的异变比RoV进行重要度分析,利用每个叶节点的先验概率和后验概率计算RoV。在模型运行中,先验概率越大的事件表示其发生频率越高,RoV越高的事件对管道破坏事故的贡献度越大。其算式如式(15)所示:
3)预测性分析:利用DBN进行时间序列上的基本事件以及失效后果概率预测,根据当前数据信息情况结合历史数据得到最有可能发生的失效后果和导致失效发生的最可能基本事件。并且当有新的数据作为输入进系统之后,BN网络能够实时概率更新,确保分析预测结果的时效性。
第七步,风险管理措施。
根据第六步的评估分析结果,结合事故安全预警原则提出当前情况最为有效的预防措施,同时根据DBN对未来可能的失效事件的预测,综合发生概率和危害严重性有针对性地进行预警排查。
上述实施例中的常规技术为本领域技术人员所知晓的现有技术,故在此不再详细赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于动态贝叶斯网络的天然气管道第三方破坏事故预警方法,其特征在于包括:
第一步,第三方破坏事故因素识别,从管道监测报告、EGIG、PHMSA现有资料及领域专家的意见中识别出基本事件,初步建立基本因素分析体系;
第二步,风险事故场景搭建,将第一步中的基本因素通过FT建立相互关联;
第三步,事故后果分析,利用ESD构建起关于第三方破坏可能导致的天然气管道失效后果的序列图;
第四步,节点概率计算;
第五步,耦合FT和ESD的DBN动态定量建模,将FT和ESD两种定性分析模型根据一定的映射关系得到相应的BN模型,并根据节点的时间特性确定模型中的自循环节点,确定模型中的时序因素,完成DBN模型的构建;
第六步,基于DBN模型的第三方事故概率动态分析;
第七步,根据失效概率分析结果总结出风险管控措施。
2.根据权利要求1所述的方法,其特征在于:
第一步中,主要分为非故意第三方损坏和故意第三方损坏;
故意第三方损坏选择从蓄意破坏管道、钻孔盗气2个方面因素进行分析;和/或
非故意第三方损坏选择从自然因素、人为因素2个方面因素进行分析。
3.根据权利要求1所述的方法,其特征在于:第二步中,将第一步中分析得到所有基本事件BEs作为FT模型中的初始事件,第三方破坏导致管道泄漏作为顶上事件,将两者以树状网络进行连接并在合适的位置加入中间节点保证模型的连贯性。
4.根据权利要求1所述的方法,其特征在于:第三步中,第三方破坏的作用形式考虑的失效类型有变形、表面破坏和断裂三种。
5.根据权利要求1所述的方法,其特征在于:第四步中,包括基本事件、后果概率的计算,本方法所需基本事件(BEs)的概率通过两种方法得到,一是通过管道调查报告、EGIG、PHMSA等文献数据库直接搜索得到发生概率;二是对于没有查询到的发生概率的BEs,选择采用模糊综合评价方法将专家对于事件的定性评价转换为定量评价进而计算出发生概率;选择梯形模糊数(TZFN)来描述专家判断语言,再根据专家层次权重结合一定规则转换为模糊数,并进一步通过计算出发生概率。
6.根据权利要求1所述的方法,其特征在于:第五步中,DBN动态定量建模基于如下假设:
1)各个基本事件之间相互独立;
2)同一因素的子节点之间条件独立;
3)管道失效事故只受所分析的第三方因素影响。
基于上述假设,将FT模型通过Bobbio映射函数转换为BN模型,在图形映射中,FT的基本事件、中间事件和顶事件相应地在BN中表示为叶节点、子节点和根节点,事故树模型中各级事件之间的连线在BN中以弧的形式进行表示。在数值映射中,将基本事件的发生概率分配给相应的叶节点作为先验概率;对于子节点和根节点通过编辑条件概率表(CPT)进行概率计算。
8.根据权利要求1所述的方法,其特征在于:第六步中,分析诊断有三种:
1)可靠性分析;通过对关键因素的输入参数进行±10%的调整,观察整个系统的风险评估波动是否正常;
2)结构重要度分析:使用概率的异变比RoV进行重要度分析,利用每个叶节点的先验概率和后验概率计算RoV;
3)预测性分析:利用DBN进行时间序列上的基本事件以及失效后果概率预测。
10.权利要求1-9任一项所述方法在天然气管道第三方破坏事故预警中的应用。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021115267636 | 2021-12-14 | ||
CN202111526763 | 2021-12-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819384A true CN114819384A (zh) | 2022-07-29 |
Family
ID=82515009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210526442.4A Pending CN114819384A (zh) | 2021-12-14 | 2022-05-16 | 一种基于动态贝叶斯网络的天然气管道第三方破坏事故预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819384A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911594A (zh) * | 2023-06-05 | 2023-10-20 | 北京市燃气集团有限责任公司 | 一种燃气管道泄漏抢修风险评价方法及装置 |
CN117745262A (zh) * | 2023-12-16 | 2024-03-22 | 北京中昱光通科技有限公司 | 一种基于光缆外力破坏监测的光线路保护方法及系统 |
-
2022
- 2022-05-16 CN CN202210526442.4A patent/CN114819384A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911594A (zh) * | 2023-06-05 | 2023-10-20 | 北京市燃气集团有限责任公司 | 一种燃气管道泄漏抢修风险评价方法及装置 |
CN117745262A (zh) * | 2023-12-16 | 2024-03-22 | 北京中昱光通科技有限公司 | 一种基于光缆外力破坏监测的光线路保护方法及系统 |
CN117745262B (zh) * | 2023-12-16 | 2024-06-04 | 北京中昱光通科技有限公司 | 一种基于光缆外力破坏监测的光线路保护方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Analysis on accident-causing factors of urban buried gas pipeline network by combining DEMATEL, ISM and BN methods | |
Wang et al. | Failure probability analysis of the urban buried gas pipelines using Bayesian networks | |
Li et al. | Dynamic risk assessment of subsea pipelines leak using precursor data | |
Li et al. | Quantitative risk analysis on leakage failure of submarine oil and gas pipelines using Bayesian network | |
Lavasani et al. | Utilisation of Fuzzy Fault Tree Analysis (FFTA) for quantified risk analysis of leakage in abandoned oil and natural-gas wells | |
CN114819384A (zh) | 一种基于动态贝叶斯网络的天然气管道第三方破坏事故预警方法 | |
Li et al. | Probabilistic fatigue failure assessment of free spanning subsea pipeline using dynamic Bayesian network | |
Senouci et al. | Fuzzy-based model for predicting failure of oil pipelines | |
Wang et al. | Dynamic failure probability analysis of urban gas pipeline network | |
Li et al. | An integrated methodology to manage risk factors of aging urban oil and gas pipelines | |
Gao et al. | Risk assessment for gas transmission station based on cloud model based multilevel Bayesian network from the perspective of multi-flow intersecting theory | |
Hong et al. | Dynamic Bayesian network risk probability evolution for third-party damage of natural gas pipelines | |
Meng et al. | A novel methodology to analyze accident path in deepwater drilling operation considering uncertain information | |
Wu et al. | A novel dynamic risk assessment method for the petrochemical industry using bow-tie analysis and Bayesian network analysis method based on the methodological framework of ARAMIS project | |
Zhou et al. | Dynamic risk analysis of oil depot storage tank failure using a fuzzy Bayesian network model | |
Meng et al. | Dynamic and quantitative risk assessment under uncertainty during deepwater managed pressure drilling | |
Liu et al. | Risk identification and assessment methods of offshore platform equipment and operations | |
Chen et al. | An integrated EDIB model for probabilistic risk analysis of natural gas pipeline leakage accidents | |
Liu et al. | Development of a non-Gaussian copula Bayesian network for safety assessment of metro tunnel maintenance | |
Shams et al. | A Dempster-Shafer evidence theory for environmental risk assessment in failure modes and effects analysis of Oil and Gas Exploitation Plant | |
Zhang et al. | Real-time risk assessment of a fracturing manifold system used for shale-gas well hydraulic fracturing activity based on a hybrid Bayesian network | |
Wang et al. | Dynamic risk assessment methodology of operation process for deepwater oil and gas equipment | |
CN112330004B (zh) | 一种基于事件链的城市燃气泄漏突发事件推演方法及系统 | |
Amaitik et al. | Developing a hierarchical fuzzy rule-based model with weighted linguistic rules: A case study of water pipes condition prediction | |
Wang et al. | Dynamic Risk Assessment of Oil Spill Accident on Offshore Platform Based on the Bayesian Network |
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 |