[发明专利]贫数据、信息不完全条件下的定量风险评估方法

权利要求书

1.一种贫数据、信息不完全条件下的定量风险评估方法，其特征在于包括如下步骤：

步骤S1：针对事故场景的安全屏障分析，以及事故的风险演化过程，建立事件树分析模型，将灾难性的事故后果考虑为一项重大事故，认为其他事故后果是重大事故的前兆事件；

步骤S2：根据事件树分析，引入事故逐年先兆数据，由已知的不同安全屏障与事故后果间的联系，构造共轭分布，得到安全屏障失效概率和薄弱环节；

步骤S3：根据事件树中初始事件和后果事件之间的次数对应关系，通过泊松分布和伽马分布，估计初始事件和事故发生次数，确定工程系统的风险水平。

2.根据权利要求1所述的一种贫数据、信息不完全条件下的定量风险评估方法，其特征在于步骤S1包括如下步骤：

步骤S11：针对某一事故场景，根据系统设计、系统危险性评价、系统运行经验或事故经验，或根据系统重大故障或事故树分析，从中间事件中确定可能引发重大事故的事件作为事件树分析的初始事件；

步骤S12：根据步骤S11，分析在初始事件发生时，系统中存在的对初始事件可能造成的后果起到预防作用及安全功能的安全屏障，以及各安全屏障失效的情况下，初始事件可能引发的重大事故后果及轻微后果；

步骤S13：根据步骤S12，将具有灾难性的事故后果考虑为一项重大事故，认为其它事故后果是重大事故的前兆事件，根据初始事件的演变过程，确定出某一重大事故的先兆信息，据此建立包含重大事故的事件树分析模型。

3.根据权利要求1所述的一种贫数据、信息不完全条件下的定量风险评估方法，其特征在于步骤S2包括如下步骤：

步骤S21：对安全屏障的基本分布给一个界定，为相对简单地表征及求解安全屏障的失效概率，引入统计学中给出的共轭分布；

定义事件树中潜在后果出现概率和安全屏障失效概率分别是一个数组，用π和θ来表示，事故先兆数据用D来表示，即多个时间间隔中每个事故后果的出现次数；

将安全屏障的失效概率θ在联合似然函数中进行建模，并与数据同时更新，取θ的先验值为二项分布的共轭分布，即Beta分布：

式中：θ为安全屏障的失效概率；α、β为θ先验分布的超参数；

定义从伽马分布中对超参数α_i和β_i进行采样，即α_i,β_i～gamma(0.0001,0.0001)，构建θ的非信息先验；

步骤S22：在步骤S21的基础上，分析各个事故后果的发生概率与安全屏障的失效概率间的关系，将事故后果发生概率的联合似然函数构建为多项式分布函数：

式中：d_i为i事故后果的先兆次数；π_i为i事故后果出现的概率；

步骤S23：在步骤S22的基础上，利用下式计算超参数的联合似然函数：

步骤S24：根据步骤S23，使用贝叶斯推断获得超参数的联合后验分布：

步骤S25：根据步骤S21和步骤S24求出先验分布和超参数的联合后验分布，利用下式确定出各安全屏障的联合后验分布：

4.根据权利要求1所述的一种贫数据、信息不完全条件下的定量风险评估方法，其特征在于步骤S3包括如下步骤：

步骤S31：根据事件树的特性，一个时间间隔内，初始事件发生次数是所有事故后果数总和，采用泊松分布，确定每个时刻事件的发生次数：

式中：m^t为t时刻初始事件发生次数；λ为失效率；

确定λ的非信息先验分布为泊松分布之前的共轭分布，即伽马分布：

式中：α_i、β_i为第i个λ先验分布的超参数；

定义从伽马分布中对超参数α_i和β_i进行采样，即α_i,β_i～gamma(0.0001,0.0001)，构建λ的非信息先验；

步骤S32：在步骤S31的基础上，对初始事件发生次数构造似然函数：

式中，D为T时刻初始事件发生次数的数组，

步骤S33：在步骤S32的基础上，利用下式计算超参数的联合似然函数：

利用下式确定出失效率λ的后验分布：

步骤S34：在步骤S33的基础上，根据后验信息，利用下式确定初始事件发生次数估计：