上海吴淞口水域交通风险分析外文翻译资料

 2022-09-06 14:53:45

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

理ngli﷽﷽﷽﷽﷽﷽﷽﷽﷽﷽﷽﷽﷽﷽﷽误差（times;﷽。基于模糊贝叶斯网络的海上风险分析方法

J. Ren I. JenkinsonJ. Wang

(利物浦约翰摩尔大学，工程学院，技术和海上作业专业)

D. L. Xu J. B. Yang

（曼彻斯特大学，曼彻斯特商学院）

摘要

海上装置的操作有着高度的不确定性，因为它通常处于一个动态的环境中， 技术、人力和组织的故障，都有可能会导致事故的发生。本文提出了一种基于模糊贝叶斯网络（FBN）的方法去模拟分析众多可能造成海上作业事故的因素之间的因果关系。FBN模型明确揭示了海洋工程系统中可能被其他建模方法如模糊推理和蒙特卡罗风险分析所掩盖的众多变量之间的因果假设。该方法的灵活性允许多形式的信息来量化模型的关系，包括当在具备一定创新能力的早期设计阶段缺乏定量数据或只有模糊或定性陈述可以做出时对专业意见的评估。该模型还可以对由于随机性和模糊性而无法确定的内容进行模块化表示。在众多评估环境中，该方法使海洋工程系统的风险和安全性分析更容易，更具有功能性。通过对浮式采油以及装载卸设备和授权船舶由于人为操作不当造成的碰撞风险的案例的分析，来揭示说明FBN模型的应用。

关键词：风险分析，安全评价，贝叶斯网络，模糊数，模糊概率，海洋工程系统

1.引言

海上装置是复杂并且昂贵的工程结构，由许多系统组成，而且各子系统通常是独特的，具备自己的设计/运作特点[1]。海上装置需要不断采用新方法、新技术的发展，适应新的危险货物等，这都将产生某种形式的新的危害。最近，海上装置安全评估实际应用的主要挑战是，为使该应用更为便利而不断在综合性和灵活性上不断发展，人类和人类组织的因素对海上装置安全的影响也越来越显著。

为了减少事故发生的可能性，并为新设施优化技术和运营解决方案，操作控制的潜在损失在早期阶段的评估是必不可少的。然而，海洋系统的操作往往具有高度不确定性，因为他处在一个不断变化的环境中，技术或者人为以及组织方面的失误都有可能造成事故的发生，因此，一种有效和高效的安全评估方法需要能够模拟海上工程系统的安全[2]。

海上风险分析中的主要问题是如何处理不可预测和不确定的事件。不确定性主要分为三类：模糊性、随机性和无知。模糊是对观察又不明确的概念或在观测中使用不准确，可靠性差的仪器。而模糊集合理论可以用来处理模糊。在海上风险分析中，模糊推理方法已经发展到可以处理与模糊相关的问题[3,4]。这包括主观安全决策方法[5-8]和基于邓普斯特-谢弗的关于风险建模和决策理论的证据推理方法[9]。随机性是由于不可预知的事件造成的。这是关于一个给定元素是否属于一个定义明确的集合的确定性，经典概率论常被用来处理随机性。无知是由于一个牵强的结果，比如一个专家在前提和结论之间无法建立一个强大的相关性联系。作为概率论的应用，不论是在图像化呈现变量间关系，还是处理这些变量的不确定性的关系，贝叶斯网络（BN）都是一个强大的应用工具。不同于基于规则方法进行的风险建模，例如，近似推理方法，BN是能够以一个一致的，高效的，和数学的方式去复制合理推理的基本特征。关键是能够收回在某些特定情况下的定义，当这种定义的基础是由新的证据说明时。BN已运用到许多不同的领域。

然而，模糊逻辑的近似推理和BN在大型工程系统的安全建模上有一定的局限性，模糊推理方法的主要限制是缺乏进行反向推理的能力，前馈近似推理方法是一种严格的推理方式，也就是说，当一个模型给定一组的输入，它可以预测输出，但无法反向运行。这可能限制了侧重于探究风险因素之间因果关系的安全评估方法分灵活性。例如，故障后果的概率（即，事件的发生产生的后果发生的概率，）在安全评估中是经常被用来作为输入变量的。为了估计故障后果概率的值，它被假定为“后果”是直接由一个“事件”的发生而造成的。这可能在某些情况下，人员伤亡/损失（后果）是由浮式生产设施和漂浮储备设施（FPSO）或油轮之间碰撞（事件）造成的。然而，在海上安全评估中，一对事件后果之间往往是间接联系的。人员伤害/损失（后果）和恶劣的天气（事件）是这样一个间接的相互关联的对。人员伤害/损失（后果）和恶劣的天气（事件）就是间接的相互关联的一对。目前的基于规则的推理系统是不能够找到这种类型的因果关系的。

另一方面，BN是一种利用概率测度来评估不确定性的方法。它需要获取太多精准的条件概率表形式的信息，这样的信息往往是难以或不可能获得的。特别是在处理间接关系上，即使是领域的专家也认为，它通常是很难已清晰的数字对后果发生的事件发生的概率作出精准的判断，在某些情况下，对概率的不确定性的一个口头表达（例如，“非常不可能”）或区间值（例如，（0.15，0.20））可能比数值更为合适。

因此，本文探讨合并BN和模糊逻辑的可能性，为方便离岸风险分析提供一种替代手段。本研究的主要目的是提出一个使用FBN模型来为离岸系统安全性建模。该FBN模型是基于Furthsirth-Schnater [11]和Halliwell et al [12]的工作成。本文的其余部分组织如下：第2节简要回顾了海上风险分析的考虑和安全评估方法。第3节对FBN模型和风险分析流程图的细节描述。第四节是对FPSO号船舶操作中的风险评估的案例学习。第5节提出论文的结论。附录A和B分别了基本的模糊集理论和语言变量的简短描述，附录提供了一个模糊贝叶斯推理的计算实例。

2.海上风险评估及安全评估方法

风险的概念是用来评估和评估与事件相关联的不确定性。风险可以被定义为一个概率与可能的人身伤害，财产损失，环境损害，或某些上述组合的结合。因此，风险可以被用来测量一对事件的发生的概率和与事件的发生相关联的后果。为了评估与工程系统或产品相关的风险，必须回答以下问题：

  • 什么地方可能出错?
  • 影响和后果是什么？
  • 他们多久会发，是什么原因造成的？

第一个问题可以通过危害识别（HAZID）的方法[13]回答，利用HAZID，经验丰富的工程师都需要从评估其对系统的安全性和性能的角度去系统地识别所有的潜在失败事件。HAZID的关键问题是收集与危害，原因和后果相关的信息。海上装置作为一个非常复杂的系统，其事故的发生可能是由多种因素引起的，探讨这些相互关联的因素之间的关系是非常重要的。例如，人体损伤可能是由浮式生产储油装置和穿梭油轮或支持船舶碰撞造成的，碰撞可能是穿梭油轮或支援船的错误位置造成的。而穿梭油船或支撑船的错误位置可能由于人为错误或恶劣天气条件造成的，这些因素有着直接或间接关系。因此，我们期望使用概率推理来确定这些关系之间的潜在影响，例如，当已知有人受伤/死亡时，要确定是由人类的错误或坏天气造成的概率是非常必要的，因此，第三个问题的回答必须通过建立风险因素之间的因果关系，并估计每个事件的发生的可能性，这需要灵活的因果建模技术的开发和应用。

近年来，BN已经吸引了越来越多的关注，因为他的新算法如消息传递算法，变量消除算法和最佳优先搜索算法[10,14,15]。BN有一下几个特点：

bull; 它有能力吸纳网络上的新的观测资料，并预测可能的未来观测结果的影 响[16]。

bull; 它不仅可以让用户很容易地观察到变量之间的关系，但所有贝叶斯网络[17 ]的参数也给出了可以理解的语义上的解释。这允许用户直接使用领域的专家知识来构建贝叶斯网络。此外，贝叶斯网络具有因果性和概率的语义，因此它提供了一个理想的计划将早期知识（通常是在因果关系的形式）和数据相结合。

bull; 它可以处理丢失和/或不完整的数据。这是因为该模型有能力学习的节点之间的关系，并编码所有变量之间的依赖关系。

bull; 它可以反向进行推理。

许多应用已经证明，在处理不确定性下的一些变量之间的推理关系时，BN具备很强大的技能优势。例如,Hayes [19]成功地将BN应用于生态风险评估。Kang 和Golay [20] 成功地将BN应用在复杂的核动力系统的故障诊断。然而，在海上安全分析中，使用BN存在一定的困难，例如，如何处理在早期的系统设计阶段中很大程度上存在的不完整和模糊的信息。在以前的研究中，近似推理和证据合成的方法已经被提出[3,8,9]。在上述研究中的三个基本参数，即，故障率，后果的严重程度，和故障后果的概率，被用来描述不确定性。由于高度的不确定性或故障数据的定性性质，安全分析师可能经常用主观描述符来描述上述三个参数[3,21]。此外，一些定量的变量往往难以以准确的数据进行评估。例如，专家使用模糊数比计算故障后果的概率要比使用BN更方便。然而，传统的BN只能处理明确概率和明确集。为了解决模糊输入参数的问题，需要进一步研究开发新的、灵活的风险分析技术，用于处理模糊，无知和随机性，以及在不确定性下进行推理的理性基础。

为了找到一个合适的方法，进行了广泛的文献回顾。文献研究是围绕FBN和模糊贝叶斯推理并扩展到了模糊/语言概率理论。自从Zadeh [22]首次提出模糊概率概念，许多研究人员已经不断完善了这一理论及其应用。基于不确定性和信息措施，模糊概率测量方法可分为以下三类：

bull; 模糊集与传统概率论

bull; 明确集和基于模糊数的概率论

bull; 模糊集和模糊数为基础的概率论

文献综述已经确定了各种模糊概率和BN的处理方法，在结构可靠性研究领域中，对模糊贝叶斯推理也进行了研究[23]。Pericchi和Walley [24] 通过引入区间扩展了传统的贝叶斯推理机制，即利用区间来描述所观察到的值的最大的不确定性。Yang和Cheung[ 25 ]在模糊后验概率计算中观测到两个重要问题：

bull; 确定概率密度函数存在困难，参数估计过于复杂和耗时。

bull; 以积分的方式计算模糊证据的似然概率存困难。

为了解决上述问题，Leoacute;n-Rojas et al. [26] 提出了一种模糊贝叶斯伙伴关系算法来估计模糊似然和模糊先验概率。利用极大似然法，避免了复杂的似然函数估计，从而为简化计算提供了方法。虽然他们的方法被成功地用于由于噪声暴露造成的人的烦恼程度评估，但其基本算法是与似然密度函数估计类似的，而且计算仍然是复杂和耗时的，这也是在Ref. [27]的模型实例。Darwiche [28] 在BN中提出了一种微分方法来推断, 他们的想法是基于评价和区分使用多项式运算电路。最近Li 和Kao [29]提出了一种求解BN涉及模糊参数和额外的约束的溯因推理问题的一种方,他们使用一种非线性规划模型来处理BN中溯因推理的约束。这种方法的缺点是，在面对非线性规划模型和算法具体的情况下没有统一的解决方案。

利用模糊数代替贝叶斯推理的清晰数的想法是由Furthsirth Schnater [11]和Halliwell 和Shen [30]提出。为使模糊数在概率论的公理基础上更为合理，他们确定了“贝叶斯模糊概率”为凸，为正常的模糊集。他们使用一个新的术语“包容”，放松了互补率从而延长了部分定义的语言概率测度，他们的方法已成功地应用于法医统计[12]。

总之，一方面，安全评估和风险分析应涵盖的领域应该是传统的安全评估技术很难适用的地方，缺乏可靠的安全数据和安全评估的信心，是各种工程活动的安全性分析的两个主要的挑战。另一方面，现有的能够处理模糊和主观变量的算法计算复杂且耗时。迄今为止，在海上安全分析方面的工作已经报道了一些关于在上述两者之间找到一个合适的平衡点。要解决这些问题，本文提出了一种新的、灵活的处理不确定性包括海上风险分析的模糊性和随机性和FBN方法。该方法扩展Halliwell 和Shenrsquo;s [30]定义的模糊概率测度并提供四个方程来支持模糊贝叶斯推理。该方法也是一个对不确定性知识的模块化的表示，从而可以被整合到现有的海上安全评估系统中。

3.模糊贝叶斯网络模型及风险分析图

3.1模糊概率测度和FBN模型

经典BN是一对N={(V,E),P},V和E分别是节点和一个有向无环图（DAG）的边缘，而P是在V之外的概率分布。当E边表示节点的因果关系的概率时离散型随机变量V={ }将分配给节点。网络中的每个节点有一个条件概率表（CPT）作为注解，表示该变量的条件概率图中赋予起源值。CPT包含所有与父节点关联的变量的值的所有组合的条件概率，为每个节点关联变量的所有可能值。对于没有起源值的节点，相应的表将简单地包含该变量的先验概率。BN的原则是贝叶斯统计并集中表现概率是如何影响前、后验知识的（31），这都是为了将经典BN延伸至FBN。（详细描述见附录A）

选择适当的模糊概率测度是进行模糊贝叶斯推理的基本，基于Furthsirth-Schnater[11]和Halliwell et al[12]等人的工作模糊概率测度和模糊概率空间被定义为：

定义：模糊概率测度：让Omega;成为一组结果，ε为一个事件关系西格玛代数（需要注意的是在Omega;之外的西格玛代数ε是Omega;集合的一个子集，这是在可数数集下的封闭运算）。模糊概率测度：即一个函数：ε→F（R）被称为一个模糊概率测度，当且仅当

上述的（Omega;，ε，Pf）是模糊概率的区间，○表示为一个模糊数算术运算，即加法，减法，乘法和除法。为了将模糊数算术运算与经典算术运算区分开来，分别用“”和“”来表示模糊加法和乘法。应该指出的是，代表一个模糊子集实数1，代表实数0个模糊子集。基于上述四个公理，四个模糊贝叶斯规则定义用来支持FBN模型。

模糊的条件独立性

模糊概率

模糊边缘化规则

模糊贝叶斯规则

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[146757]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章