[发明专利]贫数据、信息不完全条件下的定量风险评估方法

说明书

本发明公开了一种贫数据、信息不完全条件下的定量风险评估方法，其特征在于以下步骤：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：根据重大事故事件树分析，引入事故逐年先兆数据，通过已知的不同安全屏障与事故后果间的联系，根据层次贝叶斯分析方法，确定安全屏障失效概率和薄弱环节；步骤S3：根据事件树特性，借助层次贝叶斯分析方法，估计初始事件和事故发生次数，确定工程系统的风险情况。本发明的有益效果是：可以充分利用稀缺数据，并从相关数据中添加信息先验，得到各参数(屏障失效、事故次数)的后验概率密度分布；同时该技术不需要专家判断以及经验参数的估计，可用于事故风险的定量分析。

技术领域

本发明涉及定量风险评估技术领域，尤其涉及一种数据稀缺、信息不完全条件下用于确定工业系统定量风险的方法。

背景技术

重大事故是罕见的，但会造成严重的死亡事故与经济损失，实现对重大事故的风险评估无论在工程领域还是对于定量风险理论的研究都具有十分重要的意义。当有足够多的事故先验信息时，事故的风险分析及可能性评估可通过最大似然估计等方法实现。但是重大事故的相关数据稀缺，运用常规的定量方法将导致错误的风险估计，甚至可能出现事故概率为零的结果。近几年来，随着贫数据及不确定数据下风险评估方法的不断发展，基于前兆概率的贝叶斯方法逐渐得到了广泛的应用。与传统的最大似然估计相比，贝叶斯方法可以实现向前和向后的推理分析，并避免了事故的零概率现象。在贫数据条件下风险评估的方法中，目前主要通过贝叶斯网络构建事故序列模型。这种方法解决了传统事故树、事件树难以考虑先兆事件更新事故的可能性和条件相互依赖性等问题，考虑到了事故演变过程中的动态概率变化，具有一定的可行性。但是，传统贝叶斯网络的概率更新性能取决于根节点先验概率的准确性和条件概率表的合理性。通常这两组参数是根据数据估计或由专家判断给出的。由于专家的培训和经验的影响，专家判断及估计参数存在内在的不确定性。同样，在有限的条件下，工程收集的数据样本通常不能包含足够的信息以形成良好的泛化特性。在其他领域的风险评估中也存在类似的问题。

发明内容

本发明针对现有技术不足，从事故的先兆信息入手，充分运用贝叶斯推断的基本原理和方法，并通过引入层次贝叶斯的表征方法，对基本参数项的分布增加一层新的估计。提出一种贫数据、信息不完全条件下的定量风险评估方法，用以解决现有技术中的缺陷。该技术不需要专家判断以及经验参数的估计，能够实现重大事故连锁网络的事件概率估计和事件发生次数的估计。

一种贫数据、信息不完全条件下的定量风险评估方法，主要包括如下步骤：

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等，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。

步骤S2：根据重大事故事件树分析，引入事故逐年先兆数据，通过已知的不同安全屏障与事故后果间的联系，根据层次贝叶斯分析方法，确定安全屏障失效概率和薄弱环节；

步骤S21：作为本技术方法的基础，需要对安全屏障的基本分布给一个界定，为了相对简单地表征及求解安全屏障的失效概率，这里引入统计学中给出的共轭分布；