System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及化工园区储罐安全风险评价领域,具体而言,涉及一种基于fta-ann的常压储罐区域风险评价方法、装置及电子设备。
技术介绍
1、故障树分析(fault tree analysis,简称fta)是一种用于系统故障分析和可靠性评估的工具。它通过图形化地表示潜在故障原因之间的逻辑关系,帮助我们理解系统中可能发生的故障及其潜在的影响。通过将基本事件和逻辑门按照一定规则组合,可以构建故障树模型。在故障树分析过程中,可以使用概率论、布尔代数等方法对故障树进行定量分析,计算顶事件发生的概率或系统的可靠性指标。可以帮助我们识别系统中的潜在风险和脆弱环节,找出导致顶事件发生的主要故障路径,为系统设计改进和风险控制提供依据。
2、人工神经网络(artificial neural network,简称ann)是一种模拟人类神经系统工作原理的计算模型。它由大量相互连接的人工神经元(也称为节点或单元)组成,这些神经元通过加权传递信号,并通过激活函数对信号进行处理。
3、化工产业是国民经济的支柱产业,由于化工产品普遍具有易燃、易爆等特点,而常压储罐又是化工产品的主要储存手段,常压储罐中的液体介质往往具备易燃易爆等物理特性,一旦常压储罐发生破裂或泄漏,遇到明火后就会发生火灾或爆炸,一旦常压储罐发生事故往往会对同一围堰中的其他储罐产生影响,储罐事故会引起其他储罐事故,造成事故升级,引起更加严重的影响,因此对化工园区的储罐进行安全评估非常有必要。
4、目前,为保障常压储罐区域的安全平稳运行,有效预防重大事故发生,非常有
技术实现思路
1、为了保障常压储罐的安全平稳运行,有效预防重大事故发生,非常有必要对常压储罐事故进行预测,本申请提供了一种基于fta-ann的常压储罐区域风险评价方法、装置及电子设备。
2、本申请的实施例是这样实现的:
3、第一方面,本申请提供一种基于fta-ann的常压储罐区域风险评价方法,包括:
4、故障树模型建立,识别常压储罐危险源,构建得到故障树模型;
5、fta-ann模型建立,将所述故障树模型映射至ann中,并通过训练模型进行多次训练,构建得到fta-ann模型;
6、性能测试及风险评估,基于所述fta-ann模型进行预测,得到预测结果,并将所述预测结果与fta预测结果进行对比,实现对常压储罐进行风险评价。
7、在一种可能的实现方式中,造成储罐火灾或爆炸的大部分原因是由于储罐泄漏,在所述故障树模型中将储罐泄漏事件识别为顶事件。
8、在一种可能的实现方式中,所述将所述故障树模型映射至ann中的映射规则包括:
9、基本事件映射为输入节点,中间事件映射为突触权重,逻辑门映射为传递函数与突触权重,顶事件映射为输出节点。
10、在一种可能的实现方式中,所述将所述故障树模型映射至ann中的映射规则包括:
11、基本事件映射为输入节点,中间事件映射为隐藏节点,逻辑门映射为传递函数与突触权重,顶事件映射为输出节点。
12、在一种可能的实现方式中,所述训练模型包括一个输入层、两个隐藏层及一个输出层。
13、在一种可能的实现方式中,两个所述隐藏层的节点个数按照隐藏神经元数量的方法并结合所述故障树模型的特性进行选择,其选择规则包括:
14、隐藏神经元的总数量应介于输入层神经元数量和输出层神经元数量之间;
15、隐藏神经元的数量应为输入层神经元数量的2/3和输出层神经元的数量之和;
16、如果满足上述两条规则,第一隐藏层的神经元数量应与故障树模型中与基本事件直接相连的中间事件数量相当,如果不符合第二条规则,则第一隐藏层的神经元数量最大应为允许的最大隐藏神经元总数减去与te(顶级事件)直接相连的中间事件数量;
17、第二隐藏层的神经元数量应与故障树模型中与te直接相连的中间事件数量相同。
18、在一种可能的实现方式中,所述训练模型通过反向传播算法进行训练,其优化器采用adam算法,使用均方误差作为损失函数,并在训练过程中,使用小批量随机梯度下降的方法进行优化,将数据分成小批量进行训练,设置最大迭代次数和迭代过程中的mse阈值来监控模型性能。当mse连续10次迭代没有改善时,训练过程将停止。
19、在一种可能的实现方式中,在所述性能测试及风险评估中,本申请通过对输入变量做敏感性分析,以判断每个事故因素对顶级事件失效的影响,其计算公式如下:
20、
21、其中,criti是输入变量i的临界重要性即输入变量i对最终输出的影响程度,p(top)是系统故障概率,p(i)是部件i故障概率。
22、第二方面,本申请提供一种基于fta-ann的常压储罐区域风险评价装置,包括:
23、模型建立模块,用于故障树模型建立,识别常压储罐区域危险源,构建得到故障树模型;
24、模型映射及训练模块,用于fta-ann模型建立,将所述故障树模型映射至ann中,并通过训练模型进行多次训练,构建得到fta-ann模型;
25、模型测试及评估模块,用于性能测试及风险评估,基于所述fta-ann模型进行预测,得到预测结果,并将所述预测结果与fta预测结果进行对比,实现对常压储罐区域进行风险评价。
26、第三方面,本申请提供一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器从所述存储器中调用并执行所述计算机程序时实现上述任一项所述的方法的步骤。
27、本申请提供的技术方案至少可以达到以下有益效果:
28、本申请提供的基于fta-ann的常压储罐风险评价方法、装置及电子设备,针对储罐火灾爆炸的风险,构建故障树模型并映射到ann中并进行多次训练构建fta-ann模型,该模型考虑了事故分析中的动态性,同时考虑了导致系统故障的基本事件之间的相互依赖性,相较传统fta、dft,ann在数据驱动、不依赖事件关系的先验信息以及较少依赖专家判断方面具有优势。与传统故障树分析方法相比,该模型能更准确且迅速地分析事故原因,识别风险因素,从而改进日常安全管理与事故应急管理,保障化工罐区的安全。
本文档来自技高网...【技术保护点】
1.一种基于FTA-ANN的常压储罐区域风险评价方法,其特征在于,包括:
2.如权利要求1所述的基于FTA-ANN的常压储罐区域风险评价方法,其特征在于,造成储罐火灾或爆炸的大部分原因是由于储罐泄漏,在所述故障树模型中将储罐泄漏事件识别为顶事件。
3.如权利要求2所述的基于FTA-ANN的常压储罐区域风险评价方法,其特征在于,所述将所述故障树模型映射至ANN中的映射规则包括:
4.如权利要求1所述的基于FTA-ANN的常压储罐区域风险评价方法,其特征在于,在所述进行多次训练之前,还包括对所述故障树模型中的故障样本以及样本数量是否有效可用。当样本数据可用率不够的时候,需要重新采集样本;当样本数不够时,用bootstrap方法随机生成可用数据,再进行计算,以获得初步数据。
5.如权利要求1所述的基于FTA-ANN的常压储罐区域风险评价方法,其特征在于,所述训练模型包括一个输入层、两个隐藏层及一个输出层。
6.如权利要求5所述的基于FTA-ANN的常压储罐区域风险评价方法,其特征在于,两个所述隐藏层的节点个数按照隐藏神经元数量
7.如权利要求6所述的基于FTA-ANN的常压储罐区域风险评价方法,其特征在于,所述训练模型通过反向传播算法进行训练,其优化器采用Adam算法,使用均方误差作为损失函数,并在训练过程中,使用小批量随机梯度下降的方法进行优化,将数据分成小批量进行训练,设置最大迭代次数和迭代过程中的MSE阈值来监控模型性能。当MSE连续10次迭代没有改善时,训练过程将停止。
8.如权利要求1所述的基于FTA-ANN的常压储罐区域风险评价方法,其特征在于,在所述性能测试及风险评估中,本申请通过对输入变量做敏感性分析,以判断每个事故因素对顶级事件失效的影响,其计算公式如下:
9.一种基于FTA-ANN的常压储罐区域风险评价装置,其特征在于,包括:
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器从所述存储器中调用并执行所述计算机程序时实现上述权利要求1至9中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于fta-ann的常压储罐区域风险评价方法,其特征在于,包括:
2.如权利要求1所述的基于fta-ann的常压储罐区域风险评价方法,其特征在于,造成储罐火灾或爆炸的大部分原因是由于储罐泄漏,在所述故障树模型中将储罐泄漏事件识别为顶事件。
3.如权利要求2所述的基于fta-ann的常压储罐区域风险评价方法,其特征在于,所述将所述故障树模型映射至ann中的映射规则包括:
4.如权利要求1所述的基于fta-ann的常压储罐区域风险评价方法,其特征在于,在所述进行多次训练之前,还包括对所述故障树模型中的故障样本以及样本数量是否有效可用。当样本数据可用率不够的时候,需要重新采集样本;当样本数不够时,用bootstrap方法随机生成可用数据,再进行计算,以获得初步数据。
5.如权利要求1所述的基于fta-ann的常压储罐区域风险评价方法,其特征在于,所述训练模型包括一个输入层、两个隐藏层及一个输出层。
6.如权利要求5所述的基于fta-ann的常压储罐区域风险评价方法,其特征在于,两个所述隐...
【专利技术属性】
技术研发人员:周宁,赵鹏飞,李雪,黄为波,黄维秋,赵会军,袁雄军,冯胜,刘为奥,
申请(专利权)人:常州大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。