1.本发明涉及然气管道安全
技术领域：
：，具体涉及一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法。
背景技术：
：：2.川渝地区天然气管道一般埋地敷设，穿跨越地区地形复杂，土壤性质差异大，具有输量大、距离长、周边敷设环境复杂等特点，常受不同程度占压、腐蚀和第三方破坏影响，随着运营时间增长，管道在设计、制造、施工、运行管理中的问题逐渐暴露出来，加之天然气管道采用高压密闭输送，一旦发生破裂泄漏引发火灾、爆炸事故，将造成严重人员伤亡、财产损失和环境破坏，严重影响社会稳定。3.目前国内外大多数qra实施以及泄漏概率的统计和计算都是部分或完全参考一些历史统计数据,但管道运行工况随时间不断变化，且随投产时间延长，管道的承压能力、抗腐蚀性能等均有所下降，致使管道失效概率升高，这些不确定性因素对管道泄漏概率计算产生很大影响。管道失效影响因素产生原因具有多样性和复杂性，泄漏概率的判定和计算方法多种多样，但缺乏符合实际的综合分析方法。贝叶斯网络法虽适用于信息不完全条件下的不确定性问题，其结构易更改，能及时更新信息，直观明了。但目前贝叶斯网络模型的构建通常仅为对第三方破坏、腐蚀、管体缺陷、运行与维护误操作以及自然灾害五类失效原因溯源分析而得，未考虑管道实际状态对失效概率的影响，即不同管道自身属性与运行特性不同，在不同管道所处的具体情况下，无法得到准确适用的管道泄漏概率。另一方面，对构建的的网络模型求解，需确定网络中每个节点相对于父节点的条件概率，目前获取条件概率方法主要依赖于历史数据和专家评估，但历史统计数据缺乏针对性且样本量少，专家知识经验具有较强的主观性和不确定性，只能解决静态问题，无法保证计算精度，在无专家知识经验下很难确定。4.因此，研究一套符合天然气管实际情况的管道泄漏概率计算方法对管道安全运行的预防、预测和提前准备至关重要，也为管道风险管理、定量风险评价技术提供有力支撑。技术实现要素：5.本发明的目的在于：为了解决天然气管道泄漏概率计算脱离管道实际状态的问题，同时实现管道泄漏概率在缺乏统计数据条件下的计算问题，避免专家知识经验所导致的主观性、静态性问题，有效地提升不同管道在不同条件下泄漏概率计算的精确性，本发明提供了一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法。6.本发明采用的技术方案如下：7.一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法，包括以下步骤：8.s1、基于统计数据库分析天然气管道失效原因因素,并分析影响天然气管道失效的实际状态因素，确定管道失效的实际状态因素与历史失效原因因素间的因果关联关系；9.s2、根据因果关联关系，建立天然气管道失效故障树模型，利用故障树与贝叶斯网络的转换关系确定贝叶斯网络结构，完成天然气管道失效贝叶斯网络模型结构的构建；10.s3、引入遗传算法完成贝叶斯网络参数学习以此获取最优网络条件概率；11.s4、采用genie贝叶斯网络仿真软件建立模型，输入贝叶斯网络根节点概率与条件概率，计算天然气管道在实际状态下的失效概率。12.作为一种优选的技术方案，还包括s5、利用贝叶斯网络的反向推理功能，对每个风险因素进行重要度分析并得到影响管道发生失效的关键致因链。13.作为一种优选的技术方案，所述s1中，采用思维导图分别分析基于统计数据库的管道失效原因因素与管道失效的实际状态因素，并建立关联关系图。14.作为一种优选的技术方案，所述s2中，故障树与贝叶斯网络的转变步骤如下：15.s2.1、故障树中的事故与贝叶斯网络的节点进行一一对应；16.s2.2、按照故障树中事故的逻辑因果关系用有向边进行贝叶斯网络节点间的连接；17.s2.3、故障树中的逻辑门与节点条件概率分布表进行对应。18.故障树包含的基本符号有：事故符号、逻辑门符号、转移符号。其中事故符号对应贝叶斯网络各节点，转移符号对应贝叶斯网络有向边，用于辅助故障树因果关系结构的建立。故在采用映射法将故障树转换为贝叶斯网络时，其本质是对故障树逻辑门符号的转换。19.1、“或”门的转换[0020]“或”门指：当且仅当基本事故x1、x2都不发生的时候，顶事故i不发生；当基本事故x1、x2任意一个发生时，顶事故i均会发生。[0021]p(i＝1|x1＝0,x2＝0)＝0,p(i＝1|else)＝1[0022]基于该定义，在贝叶斯网络中，节点不同状态对应的上一节点发生概率如表1所示。[0023]表1节点i“或”门对应的条件概率[0024][0025]故障树“或”门对应的贝叶斯网络与故障树的结构映射关系如图1所示。[0026]2、“与”门的转换[0027]“与”门是指：当且仅当基本事故x1、x2都不发生的时候，顶事故i不会发生；当基本事故x1、x2任意一个发生时，顶事故i均会发生。[0028]p(i＝1|x1＝1,x2＝1)＝1,p(i＝1|else)＝0[0029]基于该定义，在贝叶斯网络中，节点不同状态对应的上一节点发生概率如表2所示。[0030]表2节点i“与”门对应的条件概率[0031][0032]故障树“与”门对应的贝叶斯网络与故障树的结构映射关系如图2所示。[0033](1)模型求解时根节点概率由历史统计数据库数据获得。引入遗传算法完成贝叶斯网络参数学习以此获取最优网络中间节点条件概率。网络参数为网络中每个节点相对父节点集的条件概率分布表(cpt:conditionalprobabilitytable)。设一个系统u的贝叶斯网络g＝{n,ν},其中n表示为贝叶斯网络的结构,ν表示网络参数,其贝叶斯网络模型如图3所示。[0034](2)图3中x1、x2、x3、x4代表一组随机变量,箭头表示随机变量的依赖关系,x3、x4指向x1,x3、x4是x1的父节点，x1是x3、x4的子节点；x1、x2指向t,x1、x2是t的父节点,t是x1、x2的子节点，父节点又叫做根节点,根节点代表先验概率的分布,非根节点对应条件概率分布。设x＝(x1,x2,...,xn)为事件的变量集合,贝叶斯公式表示为[0035][0036]其中p(xi)和p(xj)为先验概率,p(xi|xj)为条件概率,p(xj|xi)为后验概率。在贝叶斯网络参数学习中其模型参数是不确定值,它能随机发生变化且满足一定分布。图3中贝叶斯网络包含{x1,x2,x3,x4}4个节点,每个参数θi表示一组条件概率分布即θi＝p(xi|pg(xi)),pg(xi)表示为xi的父节点,任意θi之间相互独立，所以有[0037][0038]通过网络中根节点的先验概率和每个参数的cpt,利用联合概率分布可以直接计算系统u发生的概率[0039][0040]其中xi为网络中的节点；n为网络节点数量。[0041]以图1网络结构为例，参数θi对应的条件概率分布表cpt如表3所示。[0042]表3非根节点x1的条件概率表[0043][0044]注：表3中符号为status_0表示相应事件不发生,status_1则表示相应事件发生，符号x1(status_1)表示当事件x3与x4处在某种状态时事件x1发生的可能性大小,符号x1(status_0)表示当事件x3与x4处在某种状态时事件x1不发生的可能性大小。[0045]管道风险贝叶斯网络模型参数cpt构建完成后,引入遗传算法获取模型中最优的网络参数,需要完成参数与样本之间的似然函数的构建,以获得算法中的适应度函数。[0046]数据集n＝{x1,x2,x3,x4}在对应的贝叶斯网络拓扑结构g情况下其似然函数为管道风险样本的特征函数nijk＝y(i,j,k:xl),i为某一网络拓扑结构g的节点个数,j为在特定拓扑结构下节点δ(xi)的组合数目，k为当前节点的取值。若在管道风险样本xl中yi＝k且δ(xi)＝j,则样本特征函数nijk＝y(i,j,k:xi)＝1,在其他条件下nijk＝y(i,j,k:xi)＝0。因此对已构建的管道参数对应的似然函数进行对数似然化处理：[0047][0048]式中：i——某一网络拓扑结构g的节点个数；[0049]j——在特定拓扑结构下节点δ(xi)的组合数目；[0050]k——当前节点的取值；[0051]nijk——管道风险样本的特征函数；[0052]θijk——非根节点对应的一组条件概率。[0053]每一代种群在选择操作的基础上，通过交叉操作汇集不同个体间的局部优势，保证个体优良性不被破坏，再通过变异操作向种群外扩展，增加种群的多样性，进而更快更有效地寻找全局最优解。但网络参数随着贝叶斯网络结构复杂性增加呈指数级增长，为使遗传算法加快收敛并避免陷入局部最优，在遗传算法迭代寻优过程中，引入适应度值标准差构建交叉概率和变异概率的自适应调节函数，提高遗传算法的全局搜索能力。[0054]作为一种优选的技术方案，所述s3中，基于遗传算法的条件概率θi的计算步骤如下：[0055]s3.1、染色体编码，集合θ中每个参数均在[0,1]区间内，精度为二进制表示小数点后8位；[0056]s3.2、种群初始化，在计算前以随机方式生成初始种群p(t)，个体为a,设置染色体长度为k,其值取决于条件概率表中参数的个数n,k＝8n；设置种群规模m,即随机产生m个k位随机数形成初始种群,种群中每个个体对应一组条件概率分布；[0057]s3.3、适应度函数，选取最大似然函数l(θ)作为适应度函数f(x)，公式如下：[0058][0059]式中：i为网络拓扑结构g的节点个数；j为拓扑结构下节点δ(xi)的组合数目；k为当前节点的取值、为一个常数；nijk为管道风险样本的特征函数；θijk为非根节点对应的一组条件概率，对于初始种群p(t)中的每一个个体pi(t)，构建节点xi与其父节点pg(xi)的适应度函数f(x)，计算每个个体的适应度值；[0060]s3.4、选择操作，利用轮盘赌方式从p(t)中选择最优个体，得到选择种群p1(t 1)；[0061]s3.5、交叉操作，确定交叉概率pc,一般为0.65～0.90，采用离散重组式多切点交叉法进行交叉运算，得到交叉种群p2(t 1)，[0062]s3.6、变异操作，在交叉种群p2(t 1)中以变异概率pm选择个体进行变异操作,变异过程采用反转位值法，即对二进制位进行反转操作，得到变异种群p3(t 1)、变异种群p3(t 1)作为新种群p(t 1)代；[0063]s3.7、终止条件，对每一代群体进行选择、交叉和变异运算，设最大遗传代数为t,当进行t轮选择、交叉和变异运算后，得到新种群p(t t)代、则满足终止条件，输出最优网络参数。[0064]作为一种优选的技术方案，所述s3.4中的轮盘赌方式，具体操作如下：[0065]s3.4.1、根据适应度函数计算初始种群p(t)中每个个体的适应度值f(ai)，i＝1,2,...,m,m为种群大小；[0066]s3.4.2、计算每个个体被遗传到下一代的入选概率f(ai)：[0067][0068]s3.4.3、计算每个个体的累积概率fi：[0069][0070]s3.4.4、在[0，1]区间内产生一个均匀分布的随机数γ；[0071]s3.4.5、若γ《f1，则选择个体a1，否则，选择个体q，使得：fq-1《γ《fq成立；[0072]s3.4.6、重复步骤s3.4.4和s3.4.5多次，被选中次数最多的个体为初始种群p(t)代的最优个体，被选中次数最少且入选概率最小的个体为初始种群p(t)代最劣个体；淘汰最劣个体，让最优个体替代最劣个体得到选择种群p1(t 1)。[0073]作为一种优选的技术方案，所述s3.5中的交叉概率pc，具体计算公式如下：[0074][0075]式中：pc为交叉概率；f0为当前个体的适应度值；δ为设定的阈值；fmax为当前种群中最高适应度值；fav为当前种群的平均适应度值；fstd为当前种群的适应度值标准差；[0076]作为一种优选的技术方案，所述的离散重组式多切点交叉法进行交叉运算如下：[0077]s3.5.1、根据标准差fstd自动选择交叉方式，[0078]s3.5.2、选择种群p1(t 1)中的每两个个体p1和p2随机配对,以两个体中较高概率pc判断是否进行交叉操作；在[0,1]区间产生一个随机数e，若e《pc，则进行交叉操作，否则继续产生随机数判断之后两个个体；[0079]s3.5.3、对进行交叉操作的两个个体随机选取k/8个切点,切点位置相同，等位交换切点之间的子串，若fstd≥1.2δ，交换子串数为双子串,若fstd≤0.8δ，交换子串数为单子串,交叉后得到交叉种群p2(t 1)。[0080]作为一种优选的技术方案，所述s3.6变异操作，具体步骤如下所示：[0081]s3.6.1、假设变异概率pm为0.01～0.3，[0082][0083]式中：pm为变异概率；[0084]s3.6.2、变异方式的设定：若交叉种群的适应度值标准差fstd≤0.8δ时，说明交叉种群适应度集中，应增大变异概率，对交叉种群p2(t 1)中被选中个体进行两点变异；当fstd≥1.2δ时，对被选中个体进行单点变异；[0085]s3.6.3、在[0,1]区间产生一个随机数e，若e《pm，则进行变异操作，否则继续产生随机数判断之后的个体；通过变异操作得到变异种群p3(t 1)，变异种群p3(t 1)作为新一代的新种群p(t 1)代。[0086]本发明的有益效果如下：[0087]1、计算结果更准确。在历史统计失效原因因素基础上，通过关联分析融入管道实际状态影响因素，构建的贝叶斯网络模型可反应天然气管道实际状态下各因素对管道失效概率的影响，模型计算结果更接近管道真实情况。[0088]2、计算精度提高。条件概率即网络参数的确定。现有技术采用专家评估法确定网络中间节点条件概率，当任一节点的父节点发生或不发生时，将其条件概率定为0或1，或利用专家评估将确定为(0，1)区间某一概率。本发明引入遗传算法改进贝叶斯网络参数学习以此获取网络最优参数，能够有效降低专家评估主观因素带来的误差，改进后的贝叶斯网络模型评价精度达90.3％,而传统的贝叶斯网络模型评价精度只有79.28％。[0089]3、可操作性更高，基于遗传算法改进贝叶斯网络参数学习技术，减少专家打分确定网络条件概率的工作量。[0090]4、对于节点数较多的复杂贝叶斯网络，求解参数量大，引入适应度值标准差构建交叉概率和变异概率的自适应调节函数，可加快算法收敛且避免陷入局部最优解，在遗传算法迭代寻优过程中，提高遗传算法的全局搜索能力。[0091]5、模型为动态计算模型，可根据管道在不同时刻的运行状况，更新风险事件的发生概率(节点概率)。[0092]6、解决风险间逻辑关系的不确定性。贝叶斯网络描述管道风险节点间的逻辑关系更具有一般性，当父节点与子节点间存在不确定的逻辑关系时，不能简单用“与”和“或”来表示，可通过遗传算法获得最优父子节点间的条件概率。[0093]7、对于复杂系统，该模型利用联合概率分布可直接求任意节点的失效概率(后验概率)。[0094]8、具有逆向推理功能，能准确判别系统中的关键风险因素。[0095]9、模型结构易优化更新，采用贝叶斯网络仿真软件建立模型，可根据不同管道所处环境条件，输送介质等不同，从结构上对风险影响因素(节点)优化改进，使其适用于实际需求。附图说明[0096]为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，本说明书附图中的各个部件的比例关系不代表实际选材设计时的比例关系，其仅仅为结构或者位置的示意图，其中：[0097]图1是本发明故障树“或”门向贝叶斯网络转化示意图；[0098]图2是本发明故障树“与”门向贝叶斯网络转化示意图；[0099]图3是本发明贝叶斯网络模型图；[0100]图4是本发明天然气管道失效风险因素及关联关系图；[0101]图5是本发明的天然气管道失效故障树示意图；[0102]图6是本发明的天然气管道失效贝叶斯网络图；[0103]图7是本发明的实施流程图。具体实施方式[0104]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。[0105]下面结合图1至图7对本发明作详细说明。[0106]实施例1[0107]一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法，包括以下步骤：[0108]s1、基于统计数据库分析天然气管道失效原因因素,并分析影响天然气管道失效的实际状态因素，确定管道失效的实际状态因素与历史失效原因因素间的因果关联关系；[0109]s2、根据因果关联关系，建立天然气管道失效故障树模型，利用故障树与贝叶斯网络的转换关系确定贝叶斯网络结构，完成天然气管道失效贝叶斯网络模型结构的构建；[0110]s3、引入遗传算法完成贝叶斯网络参数学习以此获取最优网络条件概率；[0111]s4、采用genie贝叶斯网络仿真软件建立模型，输入贝叶斯网络根节点概率与条件概率，计算天然气管道在实际状态下的失效概率。[0112]本发明的工作原理/工作过程为：确定管道失效的实际状态因素与历史失效原因因素间的因果关联关系，建立天然气管道失效故障树，最关心的是管道失效事件，故将其作为故障树的顶事件，穿孔和和破裂是管道失效最直观的两个表现形式，两者中任一个事件出现都会引起顶上事件的发生，因此选取穿孔和破裂作为次顶上事件。结合第三方破坏、腐蚀、误操作、设计与施工缺陷、自然环境作用这5大失效原因及管道状态影响因素对应的风险因素，确定相应的风险事件，利用逻辑门的连接关系将风险事件按照因果关系连接起来，建立天然气管道失效故障树，如图5所示。[0113]天然气管道失效故障树共包含了45个风险事件，34个逻辑连接门，图中所有的符号对应的事件名称如表4所示：[0114]表4天然气管道失效故障树中的符号和相应事件对照表[0115][0116][0117]根据失效故障树与贝叶斯网络之间的结构映射关系，将失效故障树转化为贝叶斯网络，转化结果如图6所示。从表1可知x1-x45为根节点，其余为非根节点。[0118]考虑到贝叶斯网络具有“重结构、轻先验”的特点，即在网络结构和节点因果关系较为确定的情况下，先验概率的误差不会对分析结果造成较大的影响，只需关注根节点先验概率的量级，根据历史统计数据库数据获得根节点先验概率为1×10-6，将其输入genie软件所建立的贝叶斯网络。引入遗传算法完成贝叶斯网络参数学习以此获取最优中间节点条件概率。基于已建立的天然气管道失效贝叶斯网络模型，由于节点较多，参数的复杂度随节点的增加呈指数增长，且模型中每个中间节点需要构建适应度函数，对于父节点较多的中间节点，其条件概率表较为复杂，为提高遗传算法求取节点对应条件概率数值的效率，需要将贝叶斯网络模型中的网络节点进行分割，形成独立网络拓扑结构。[0119]实施例2[0120]本例将贝叶斯网络模型g分割为若干独立的网络拓扑结构，每一层父子节点作为一个网络拓扑结构。例如管线存在初始缺陷e1节点与其对应的根节点{x8，x9}作为一个网络拓扑结构g1。针对这些节点构建其对应的数据集n＝{x1,x2,...,xi}在对应网络拓扑结构g下的似然函数，进行对数似然化处理。[0121]对于e1节点，条件概率表参数个数为4，设置染色体长度k＝32，种群规模m＝100,初代种群为随机产生的100个32位二进制随机数。给定最大遗传代数t＝100。计算个体适应度值，通过100轮选择、交叉和变异操作，得到网络参数最优解。表5为e1节点条件概率分布。[0122]表5e1节点条件概率分布[0123][0124]将所有中间节点对应的条件概率输入genie软件建立的贝叶斯网络，计算获得天然气管道在实际状态下的失效概率5.03×10-4。[0125]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12
技术领域：
：，具体涉及一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法。
背景技术：
：：2.川渝地区天然气管道一般埋地敷设，穿跨越地区地形复杂，土壤性质差异大，具有输量大、距离长、周边敷设环境复杂等特点，常受不同程度占压、腐蚀和第三方破坏影响，随着运营时间增长，管道在设计、制造、施工、运行管理中的问题逐渐暴露出来，加之天然气管道采用高压密闭输送，一旦发生破裂泄漏引发火灾、爆炸事故，将造成严重人员伤亡、财产损失和环境破坏，严重影响社会稳定。3.目前国内外大多数qra实施以及泄漏概率的统计和计算都是部分或完全参考一些历史统计数据,但管道运行工况随时间不断变化，且随投产时间延长，管道的承压能力、抗腐蚀性能等均有所下降，致使管道失效概率升高，这些不确定性因素对管道泄漏概率计算产生很大影响。管道失效影响因素产生原因具有多样性和复杂性，泄漏概率的判定和计算方法多种多样，但缺乏符合实际的综合分析方法。贝叶斯网络法虽适用于信息不完全条件下的不确定性问题，其结构易更改，能及时更新信息，直观明了。但目前贝叶斯网络模型的构建通常仅为对第三方破坏、腐蚀、管体缺陷、运行与维护误操作以及自然灾害五类失效原因溯源分析而得，未考虑管道实际状态对失效概率的影响，即不同管道自身属性与运行特性不同，在不同管道所处的具体情况下，无法得到准确适用的管道泄漏概率。另一方面，对构建的的网络模型求解，需确定网络中每个节点相对于父节点的条件概率，目前获取条件概率方法主要依赖于历史数据和专家评估，但历史统计数据缺乏针对性且样本量少，专家知识经验具有较强的主观性和不确定性，只能解决静态问题，无法保证计算精度，在无专家知识经验下很难确定。4.因此，研究一套符合天然气管实际情况的管道泄漏概率计算方法对管道安全运行的预防、预测和提前准备至关重要，也为管道风险管理、定量风险评价技术提供有力支撑。技术实现要素：5.本发明的目的在于：为了解决天然气管道泄漏概率计算脱离管道实际状态的问题，同时实现管道泄漏概率在缺乏统计数据条件下的计算问题，避免专家知识经验所导致的主观性、静态性问题，有效地提升不同管道在不同条件下泄漏概率计算的精确性，本发明提供了一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法。6.本发明采用的技术方案如下：7.一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法，包括以下步骤：8.s1、基于统计数据库分析天然气管道失效原因因素,并分析影响天然气管道失效的实际状态因素，确定管道失效的实际状态因素与历史失效原因因素间的因果关联关系；9.s2、根据因果关联关系，建立天然气管道失效故障树模型，利用故障树与贝叶斯网络的转换关系确定贝叶斯网络结构，完成天然气管道失效贝叶斯网络模型结构的构建；10.s3、引入遗传算法完成贝叶斯网络参数学习以此获取最优网络条件概率；11.s4、采用genie贝叶斯网络仿真软件建立模型，输入贝叶斯网络根节点概率与条件概率，计算天然气管道在实际状态下的失效概率。12.作为一种优选的技术方案，还包括s5、利用贝叶斯网络的反向推理功能，对每个风险因素进行重要度分析并得到影响管道发生失效的关键致因链。13.作为一种优选的技术方案，所述s1中，采用思维导图分别分析基于统计数据库的管道失效原因因素与管道失效的实际状态因素，并建立关联关系图。14.作为一种优选的技术方案，所述s2中，故障树与贝叶斯网络的转变步骤如下：15.s2.1、故障树中的事故与贝叶斯网络的节点进行一一对应；16.s2.2、按照故障树中事故的逻辑因果关系用有向边进行贝叶斯网络节点间的连接；17.s2.3、故障树中的逻辑门与节点条件概率分布表进行对应。18.故障树包含的基本符号有：事故符号、逻辑门符号、转移符号。其中事故符号对应贝叶斯网络各节点，转移符号对应贝叶斯网络有向边，用于辅助故障树因果关系结构的建立。故在采用映射法将故障树转换为贝叶斯网络时，其本质是对故障树逻辑门符号的转换。19.1、“或”门的转换[0020]“或”门指：当且仅当基本事故x1、x2都不发生的时候，顶事故i不发生；当基本事故x1、x2任意一个发生时，顶事故i均会发生。[0021]p(i＝1|x1＝0,x2＝0)＝0,p(i＝1|else)＝1[0022]基于该定义，在贝叶斯网络中，节点不同状态对应的上一节点发生概率如表1所示。[0023]表1节点i“或”门对应的条件概率[0024][0025]故障树“或”门对应的贝叶斯网络与故障树的结构映射关系如图1所示。[0026]2、“与”门的转换[0027]“与”门是指：当且仅当基本事故x1、x2都不发生的时候，顶事故i不会发生；当基本事故x1、x2任意一个发生时，顶事故i均会发生。[0028]p(i＝1|x1＝1,x2＝1)＝1,p(i＝1|else)＝0[0029]基于该定义，在贝叶斯网络中，节点不同状态对应的上一节点发生概率如表2所示。[0030]表2节点i“与”门对应的条件概率[0031][0032]故障树“与”门对应的贝叶斯网络与故障树的结构映射关系如图2所示。[0033](1)模型求解时根节点概率由历史统计数据库数据获得。引入遗传算法完成贝叶斯网络参数学习以此获取最优网络中间节点条件概率。网络参数为网络中每个节点相对父节点集的条件概率分布表(cpt:conditionalprobabilitytable)。设一个系统u的贝叶斯网络g＝{n,ν},其中n表示为贝叶斯网络的结构,ν表示网络参数,其贝叶斯网络模型如图3所示。[0034](2)图3中x1、x2、x3、x4代表一组随机变量,箭头表示随机变量的依赖关系,x3、x4指向x1,x3、x4是x1的父节点，x1是x3、x4的子节点；x1、x2指向t,x1、x2是t的父节点,t是x1、x2的子节点，父节点又叫做根节点,根节点代表先验概率的分布,非根节点对应条件概率分布。设x＝(x1,x2,...,xn)为事件的变量集合,贝叶斯公式表示为[0035][0036]其中p(xi)和p(xj)为先验概率,p(xi|xj)为条件概率,p(xj|xi)为后验概率。在贝叶斯网络参数学习中其模型参数是不确定值,它能随机发生变化且满足一定分布。图3中贝叶斯网络包含{x1,x2,x3,x4}4个节点,每个参数θi表示一组条件概率分布即θi＝p(xi|pg(xi)),pg(xi)表示为xi的父节点,任意θi之间相互独立，所以有[0037][0038]通过网络中根节点的先验概率和每个参数的cpt,利用联合概率分布可以直接计算系统u发生的概率[0039][0040]其中xi为网络中的节点；n为网络节点数量。[0041]以图1网络结构为例，参数θi对应的条件概率分布表cpt如表3所示。[0042]表3非根节点x1的条件概率表[0043][0044]注：表3中符号为status_0表示相应事件不发生,status_1则表示相应事件发生，符号x1(status_1)表示当事件x3与x4处在某种状态时事件x1发生的可能性大小,符号x1(status_0)表示当事件x3与x4处在某种状态时事件x1不发生的可能性大小。[0045]管道风险贝叶斯网络模型参数cpt构建完成后,引入遗传算法获取模型中最优的网络参数,需要完成参数与样本之间的似然函数的构建,以获得算法中的适应度函数。[0046]数据集n＝{x1,x2,x3,x4}在对应的贝叶斯网络拓扑结构g情况下其似然函数为管道风险样本的特征函数nijk＝y(i,j,k:xl),i为某一网络拓扑结构g的节点个数,j为在特定拓扑结构下节点δ(xi)的组合数目，k为当前节点的取值。若在管道风险样本xl中yi＝k且δ(xi)＝j,则样本特征函数nijk＝y(i,j,k:xi)＝1,在其他条件下nijk＝y(i,j,k:xi)＝0。因此对已构建的管道参数对应的似然函数进行对数似然化处理：[0047][0048]式中：i——某一网络拓扑结构g的节点个数；[0049]j——在特定拓扑结构下节点δ(xi)的组合数目；[0050]k——当前节点的取值；[0051]nijk——管道风险样本的特征函数；[0052]θijk——非根节点对应的一组条件概率。[0053]每一代种群在选择操作的基础上，通过交叉操作汇集不同个体间的局部优势，保证个体优良性不被破坏，再通过变异操作向种群外扩展，增加种群的多样性，进而更快更有效地寻找全局最优解。但网络参数随着贝叶斯网络结构复杂性增加呈指数级增长，为使遗传算法加快收敛并避免陷入局部最优，在遗传算法迭代寻优过程中，引入适应度值标准差构建交叉概率和变异概率的自适应调节函数，提高遗传算法的全局搜索能力。[0054]作为一种优选的技术方案，所述s3中，基于遗传算法的条件概率θi的计算步骤如下：[0055]s3.1、染色体编码，集合θ中每个参数均在[0,1]区间内，精度为二进制表示小数点后8位；[0056]s3.2、种群初始化，在计算前以随机方式生成初始种群p(t)，个体为a,设置染色体长度为k,其值取决于条件概率表中参数的个数n,k＝8n；设置种群规模m,即随机产生m个k位随机数形成初始种群,种群中每个个体对应一组条件概率分布；[0057]s3.3、适应度函数，选取最大似然函数l(θ)作为适应度函数f(x)，公式如下：[0058][0059]式中：i为网络拓扑结构g的节点个数；j为拓扑结构下节点δ(xi)的组合数目；k为当前节点的取值、为一个常数；nijk为管道风险样本的特征函数；θijk为非根节点对应的一组条件概率，对于初始种群p(t)中的每一个个体pi(t)，构建节点xi与其父节点pg(xi)的适应度函数f(x)，计算每个个体的适应度值；[0060]s3.4、选择操作，利用轮盘赌方式从p(t)中选择最优个体，得到选择种群p1(t 1)；[0061]s3.5、交叉操作，确定交叉概率pc,一般为0.65～0.90，采用离散重组式多切点交叉法进行交叉运算，得到交叉种群p2(t 1)，[0062]s3.6、变异操作，在交叉种群p2(t 1)中以变异概率pm选择个体进行变异操作,变异过程采用反转位值法，即对二进制位进行反转操作，得到变异种群p3(t 1)、变异种群p3(t 1)作为新种群p(t 1)代；[0063]s3.7、终止条件，对每一代群体进行选择、交叉和变异运算，设最大遗传代数为t,当进行t轮选择、交叉和变异运算后，得到新种群p(t t)代、则满足终止条件，输出最优网络参数。[0064]作为一种优选的技术方案，所述s3.4中的轮盘赌方式，具体操作如下：[0065]s3.4.1、根据适应度函数计算初始种群p(t)中每个个体的适应度值f(ai)，i＝1,2,...,m,m为种群大小；[0066]s3.4.2、计算每个个体被遗传到下一代的入选概率f(ai)：[0067][0068]s3.4.3、计算每个个体的累积概率fi：[0069][0070]s3.4.4、在[0，1]区间内产生一个均匀分布的随机数γ；[0071]s3.4.5、若γ《f1，则选择个体a1，否则，选择个体q，使得：fq-1《γ《fq成立；[0072]s3.4.6、重复步骤s3.4.4和s3.4.5多次，被选中次数最多的个体为初始种群p(t)代的最优个体，被选中次数最少且入选概率最小的个体为初始种群p(t)代最劣个体；淘汰最劣个体，让最优个体替代最劣个体得到选择种群p1(t 1)。[0073]作为一种优选的技术方案，所述s3.5中的交叉概率pc，具体计算公式如下：[0074][0075]式中：pc为交叉概率；f0为当前个体的适应度值；δ为设定的阈值；fmax为当前种群中最高适应度值；fav为当前种群的平均适应度值；fstd为当前种群的适应度值标准差；[0076]作为一种优选的技术方案，所述的离散重组式多切点交叉法进行交叉运算如下：[0077]s3.5.1、根据标准差fstd自动选择交叉方式，[0078]s3.5.2、选择种群p1(t 1)中的每两个个体p1和p2随机配对,以两个体中较高概率pc判断是否进行交叉操作；在[0,1]区间产生一个随机数e，若e《pc，则进行交叉操作，否则继续产生随机数判断之后两个个体；[0079]s3.5.3、对进行交叉操作的两个个体随机选取k/8个切点,切点位置相同，等位交换切点之间的子串，若fstd≥1.2δ，交换子串数为双子串,若fstd≤0.8δ，交换子串数为单子串,交叉后得到交叉种群p2(t 1)。[0080]作为一种优选的技术方案，所述s3.6变异操作，具体步骤如下所示：[0081]s3.6.1、假设变异概率pm为0.01～0.3，[0082][0083]式中：pm为变异概率；[0084]s3.6.2、变异方式的设定：若交叉种群的适应度值标准差fstd≤0.8δ时，说明交叉种群适应度集中，应增大变异概率，对交叉种群p2(t 1)中被选中个体进行两点变异；当fstd≥1.2δ时，对被选中个体进行单点变异；[0085]s3.6.3、在[0,1]区间产生一个随机数e，若e《pm，则进行变异操作，否则继续产生随机数判断之后的个体；通过变异操作得到变异种群p3(t 1)，变异种群p3(t 1)作为新一代的新种群p(t 1)代。[0086]本发明的有益效果如下：[0087]1、计算结果更准确。在历史统计失效原因因素基础上，通过关联分析融入管道实际状态影响因素，构建的贝叶斯网络模型可反应天然气管道实际状态下各因素对管道失效概率的影响，模型计算结果更接近管道真实情况。[0088]2、计算精度提高。条件概率即网络参数的确定。现有技术采用专家评估法确定网络中间节点条件概率，当任一节点的父节点发生或不发生时，将其条件概率定为0或1，或利用专家评估将确定为(0，1)区间某一概率。本发明引入遗传算法改进贝叶斯网络参数学习以此获取网络最优参数，能够有效降低专家评估主观因素带来的误差，改进后的贝叶斯网络模型评价精度达90.3％,而传统的贝叶斯网络模型评价精度只有79.28％。[0089]3、可操作性更高，基于遗传算法改进贝叶斯网络参数学习技术，减少专家打分确定网络条件概率的工作量。[0090]4、对于节点数较多的复杂贝叶斯网络，求解参数量大，引入适应度值标准差构建交叉概率和变异概率的自适应调节函数，可加快算法收敛且避免陷入局部最优解，在遗传算法迭代寻优过程中，提高遗传算法的全局搜索能力。[0091]5、模型为动态计算模型，可根据管道在不同时刻的运行状况，更新风险事件的发生概率(节点概率)。[0092]6、解决风险间逻辑关系的不确定性。贝叶斯网络描述管道风险节点间的逻辑关系更具有一般性，当父节点与子节点间存在不确定的逻辑关系时，不能简单用“与”和“或”来表示，可通过遗传算法获得最优父子节点间的条件概率。[0093]7、对于复杂系统，该模型利用联合概率分布可直接求任意节点的失效概率(后验概率)。[0094]8、具有逆向推理功能，能准确判别系统中的关键风险因素。[0095]9、模型结构易优化更新，采用贝叶斯网络仿真软件建立模型，可根据不同管道所处环境条件，输送介质等不同，从结构上对风险影响因素(节点)优化改进，使其适用于实际需求。附图说明[0096]为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，本说明书附图中的各个部件的比例关系不代表实际选材设计时的比例关系，其仅仅为结构或者位置的示意图，其中：[0097]图1是本发明故障树“或”门向贝叶斯网络转化示意图；[0098]图2是本发明故障树“与”门向贝叶斯网络转化示意图；[0099]图3是本发明贝叶斯网络模型图；[0100]图4是本发明天然气管道失效风险因素及关联关系图；[0101]图5是本发明的天然气管道失效故障树示意图；[0102]图6是本发明的天然气管道失效贝叶斯网络图；[0103]图7是本发明的实施流程图。具体实施方式[0104]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。[0105]下面结合图1至图7对本发明作详细说明。[0106]实施例1[0107]一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法，包括以下步骤：[0108]s1、基于统计数据库分析天然气管道失效原因因素,并分析影响天然气管道失效的实际状态因素，确定管道失效的实际状态因素与历史失效原因因素间的因果关联关系；[0109]s2、根据因果关联关系，建立天然气管道失效故障树模型，利用故障树与贝叶斯网络的转换关系确定贝叶斯网络结构，完成天然气管道失效贝叶斯网络模型结构的构建；[0110]s3、引入遗传算法完成贝叶斯网络参数学习以此获取最优网络条件概率；[0111]s4、采用genie贝叶斯网络仿真软件建立模型，输入贝叶斯网络根节点概率与条件概率，计算天然气管道在实际状态下的失效概率。[0112]本发明的工作原理/工作过程为：确定管道失效的实际状态因素与历史失效原因因素间的因果关联关系，建立天然气管道失效故障树，最关心的是管道失效事件，故将其作为故障树的顶事件，穿孔和和破裂是管道失效最直观的两个表现形式，两者中任一个事件出现都会引起顶上事件的发生，因此选取穿孔和破裂作为次顶上事件。结合第三方破坏、腐蚀、误操作、设计与施工缺陷、自然环境作用这5大失效原因及管道状态影响因素对应的风险因素，确定相应的风险事件，利用逻辑门的连接关系将风险事件按照因果关系连接起来，建立天然气管道失效故障树，如图5所示。[0113]天然气管道失效故障树共包含了45个风险事件，34个逻辑连接门，图中所有的符号对应的事件名称如表4所示：[0114]表4天然气管道失效故障树中的符号和相应事件对照表[0115][0116][0117]根据失效故障树与贝叶斯网络之间的结构映射关系，将失效故障树转化为贝叶斯网络，转化结果如图6所示。从表1可知x1-x45为根节点，其余为非根节点。[0118]考虑到贝叶斯网络具有“重结构、轻先验”的特点，即在网络结构和节点因果关系较为确定的情况下，先验概率的误差不会对分析结果造成较大的影响，只需关注根节点先验概率的量级，根据历史统计数据库数据获得根节点先验概率为1×10-6，将其输入genie软件所建立的贝叶斯网络。引入遗传算法完成贝叶斯网络参数学习以此获取最优中间节点条件概率。基于已建立的天然气管道失效贝叶斯网络模型，由于节点较多，参数的复杂度随节点的增加呈指数增长，且模型中每个中间节点需要构建适应度函数，对于父节点较多的中间节点，其条件概率表较为复杂，为提高遗传算法求取节点对应条件概率数值的效率，需要将贝叶斯网络模型中的网络节点进行分割，形成独立网络拓扑结构。[0119]实施例2[0120]本例将贝叶斯网络模型g分割为若干独立的网络拓扑结构，每一层父子节点作为一个网络拓扑结构。例如管线存在初始缺陷e1节点与其对应的根节点{x8，x9}作为一个网络拓扑结构g1。针对这些节点构建其对应的数据集n＝{x1,x2,...,xi}在对应网络拓扑结构g下的似然函数，进行对数似然化处理。[0121]对于e1节点，条件概率表参数个数为4，设置染色体长度k＝32，种群规模m＝100,初代种群为随机产生的100个32位二进制随机数。给定最大遗传代数t＝100。计算个体适应度值，通过100轮选择、交叉和变异操作，得到网络参数最优解。表5为e1节点条件概率分布。[0122]表5e1节点条件概率分布[0123][0124]将所有中间节点对应的条件概率输入genie软件建立的贝叶斯网络，计算获得天然气管道在实际状态下的失效概率5.03×10-4。[0125]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
