基于信息征兆的复杂系统事变树定量风险评估方法

1.本发明涉及一种复杂系统定量风险评估方法，属于定量风险评价领域。


背景技术：

2.量化风险评估是一种综合的、结构化的和逻辑的方法，用于识别和理解与复杂系统中的危险活动相关的风险，许多公共部门和私营组织在评价和管理安全风险时，越来越多的选择了这一方法。比如，在交通部门定量安全评价方法用于评价安全带的效果，安全气囊的经济效益，防抱死系统的可靠性。定量安全评价可以识别潜在的事故场景，估计其可能性和后果，并改善系统安全和运行。许多公共部门和私营组织在评价和管理安全风险时，越来越多的选择了这一方法。
3.目前有大量定量安全评价方法，基于树论的故障树分析方法、事变树分析方法、原因故障分析方法，这些方法主要用于寻找导致不期望事件发生的因素割集。虽然事变树分析方法可以量化事故和其他不期望事件发生的可能性，由此获得定量安全评价中的死亡率和经济损失，但事变树分析方法仅限于在事故静态分析中，要确认更详细的事故作用原因图示，则需要通过故障树法。故障树法用来评价事故的概率，由故障事件的顺序和组合构成逻辑图。它可以描述事故模型，解释部件故障之间的联系，并观测逻辑门的症状，一旦给出系统部件的失效概率，就能够获得顶事件的发生概率。但是，故障树的构建是一项复杂耗时的工作，尤其碰到大规模系统时变得更为困难。同时，人为失误可能出现在故障树构建中，故障树分析方法无法捕捉系统失效机理的动态行为，例如顺序相依事件，备用部件和动态冗余管理，失效事件的优先顺序。cepin和mavko在传统故障树分析方法的基础上加入顺序概念，提出了动态故障树，形成了动态故障分析方法的概念，使用马尔科夫模型解决动态门问题，但是当门输入事件增加，计算时状态空间会变得非常大，由于缺乏足够的数据，很难得到独立部件失效率或者不期望事件发生概率的准确估计值。为了避免上述情况，chanda和bhattachareje提出了模糊故障树法，模糊故障树模型是解决该问题一个非常好的尝试。它减少了由于数据主观性带来的不精确性。但是，复杂系统部件的行为和它们的相互作用，例如部件和动态冗余管理，故障事件的优先权无法用故障树法解决。
4.以上定量安全评价方法，只能通过概率识别事故的随机性，依靠人为因素识别事故的复杂性，通过模糊集识别事故的可能性，从时间上识别事故的多样性。但是，故障树法无法得出事故的显著特性，因此非常需要一种新的定量安全评价方法，在进行事故随机性、复杂性、可能性和多样性分析的同时，识别不确定性事故。在这种情况下，由于事变发生的信息量与不确定性有关，运用模糊逻辑和信息流方法，提出一种事变树分析方法来弥补故障树法和定量安全评价的空白。


技术实现要素：

5.针对现有定量安全评价方法由于事故随机性、复杂性、可能性和多样性分析，很难识别不确定性事故的问题，本发明公开的基于信息征兆的复杂系统事变树定量风险评估方
法的技术问题是：所提出的事变树以描述系统中的信息流而不是逻辑关系，以模糊事件的信息量而不是事件的概率，从概率统计到基本事件和事故的模糊信息量，提出的事故树模型和事故树分析方法，实现对风险评估中事故发生的不确定、随机、复杂、可能和可变特征分析，并进行风险量化评估，弥补故障树法和定量安全评价的缺陷。
6.为达到以上目的，本发明采用以下技术方案。
7.本发明公开的基于信息征兆的复杂系统事变树定量风险评估方法，实现对风险评估中事故发生的不确定、随机、复杂、可能和可变特征的量化，应用于系统安全分析和定量风险评估。它包括：模糊事变树中符号的规定；模糊事变树的构造步骤；模糊事变树的读取方法和模糊事变树分析方法。该方法不仅可以捕获系统运行中发生事故的基本信息转换，还能够确定可能导致系统级特定意外事件甚至事故发生的硬件故障、软件故障和人为错误的各种组合。
8.本发明公开的基于信息征兆的复杂系统事变树定量风险评估方法，包括以下步骤：
9.步骤101：识别与事变树模型及其分析方法运行相关的所有事件的直观联系和因果关系。
10.步骤102：分析导致事故发生的因素，确定事故的动力机制，然后评估每个事故的发生概率和分布。
11.步骤103：确定事故之间的联系和相互作用，然后根据事件之间的相互作用，计算每个事件的加权系数。
12.步骤103中确定事故之间的联系和相互作用时的定义1：事件ii(xi)的发生直接影响事件i
i-1
(事件i
i-2
或事故t)，所述情况用a表示(图1中用实线箭头表示)；事件ii(xi)的发生对事件i
i-1
(事件i
i-2
或事故t)没有影响，即不会导致事件i
i-1
(事件i
i-2
或事故t)的发生，而所述情况由b表示。
13.步骤103中确定事故之间的联系和相互作用时的定义2：以其他事件为条件的事件ii的发生对i
i-1
(事件i
i-2
或事故t)有间接影响，或者ii对i
i-1
(事件i
i-2
或事故t)的发生作用有限。所述情况用c表示。
14.步骤103中确定事故之间的联系和相互作用时的定义3：ii(xi)的出现只影响上层事件i
i-1
或直接影响上层的i
i-2
或t。
15.步骤103中计算每个事件的加权系数时考虑事件的非模糊状态，若事件发生的概率相同，即p(ii)＝1/n，第i个事件的信息量(hi(ii))由下式给出：
[0016][0017]
其中k
ia
,k
ib
,k
ic
分别为ii的影响程度分别用a、b、c表示时的值(i＝1,2,...n)。令h(ii)是hi(ii)的和，得到：
[0018][0019]
每个事件λi的加权系数由下式给出
[0020]
[0021]
为了保证事件发生后的全部信息，式(2)中事件的信息量应按相关最大分布计算。
[0022]
根据最大模糊信息原理，在事变树建模和分析的过程中，选择两个主要事件来使用，用下面的表达式来确定：
[0023][0024]
步骤104：利用最大信息分布和事件隶属度函数，获得不同层上每个事件的信息量；根据最大模糊信息原理识别两个主要事件。
[0025]
步骤104中获得不同层上每个事件的信息量时，对于事件发生时对上级事件的直接影响，每个模糊事件发生的信息量(hi(ii))表示为：
[0026][0027]
对于事件发生时对上级事件的间接影响，每个模糊事件发生的信息量(hi(ii))表示为：
[0028][0029]
至于在事件发生时不影响上层事件，则每个模糊事件发生的信息量表示为：
[0030]hii
(ii)＝h(ii)
ꢀꢀꢀꢀ
(7)
[0031]
步骤105：无论事件造成的约束多么小，间接影响也会导致其他事件甚至事故的发生，在构建事变树模型时应将间接影响视为影响。本发明将讨论“对上层事件有影响和无影响两种影响”，直接和间接影响被视为“对上层事件有影响或部分影响”，无影响被视为“fenx不影响上层事件”。在主导事件发生后，根据事件对上层事件的影响程度，将相关事件分为两个子表。
[0032]
按照步骤105中递归分析不同层事变树模型中的相关事件，直到出现所有基本事件。重复上述步骤101到步骤105过程，将获得导致事故的事件的详细层次结构，创建完整的正式事变树模型。
[0033]
步骤106：读取模糊事故树，实现对风险评估中事故发生的不确定、随机、复杂、可能和可变特征分析，并进行风险量化评估。
[0034]
步骤6.1、如果事件越靠近上层事件层，则意味着事件发生的可能性越高，对上层事件的影响也越大。数字1表示直接影响上层事件或导致上层事件发生的事件，数字0表示相反的情况。
[0035]
步骤6.2、根据事件的信息量，识别影响，分析同一层每个事件的可能性。
[0036]
步骤6.3、顺向阅读事变树从最低层次到最高层次。
[0037]
步骤6.4、逆向阅读事变树从最高层次到最低层次。
[0038]
步骤6.5、根据步骤6.1至6.5读取模糊事故树，实现对风险评估中事故发生的不确定、随机、复杂、可能和可变特征分析，并进行风险量化评估。
[0039]
步骤107：利用模糊事故树模型及其分析方法以描述系统中的信息流而不是逻辑关系，以模糊事件的信息量而不是事件的概率，从概率统计到基本事件和事故的模糊信息量。通过模糊事变树中符号的规定、模糊事变树的构造步骤、模糊事变树的读取方法和模糊事变树分析方法，实现对风险评估中事故发生的不确定、随机、复杂、可能和可变特征分析，
并进行风险量化评估，解决实际工程中辨识风险，分析风险的可能性和潜在影响，确定风险偶然性，评估风险可能发生的时间范围等问题。
[0040]
有益效果：
[0041]
1、本发明公开的基于信息征兆的复杂系统事变树定量风险评估方法，通过概率识别事故的随机性，通过人为因素识别事故的复杂性，通过模糊集识别事故的可能性，从时间上识别事故的多样性，同时可以得出事故的显著特性，在进行事故随机性、复杂性、可能性和多样性分析的同时，识别不确定性事故。
[0042]
2、本发明公开的基于信息征兆的复杂系统事变树定量风险评估方法，能够解决故障树分析方法缺乏足够的概率基本事件，无法通过与门的联动来检查所有事件之间逻辑关系的一致性，甚至所有事件之间的逻辑关系也很难确定，系统运行中的故障可能很少发生或根本没有发生等限制。
[0043]
3、本发明公开的基于信息征兆的复杂系统事变树定量风险评估方法，表征系统中的信息流而不是逻辑关系，以及模糊事件的信息量而不是事件的概率，从概率统计到基本事件和事故的模糊信息量，用于在量化风险评估中识别事故发生的不确定性、随机性、复杂性、可能性和可变性特征。
[0044]
4、本发明公开的基于信息征兆的复杂系统事变树定量风险评估方法，事变树模型可用于车道偏离事故分析，不仅可以捕获系统运行中发生的事故的基本信息转换，还可以确定硬件故障、软件故障和人为错误的各种组合这可能导致在系统级别发生指定的意外事件甚至事故。
[0045]
5、本发明公开的基于信息征兆的复杂系统事变树定量风险评估方法，事变树模型能够应用于系统安全分析和定量风险评估：辨识风险，分析风险的可能性和潜在影响，确定风险偶然性，评估风险可能发生的时间范围等。
[0046]
6、本发明公开的基于信息征兆的复杂系统事变树定量风险评估方法，用狭义信息论来描述道路交通事变的信息只能是近似的逼近，况且这种描述是基于统计不定性和信息化的观点，以模糊状态表现出来的信息描述比较困难。利用模糊事故树模型及其分析方法。通过模糊事变树中符号的规定、模糊事变树的构造步骤、模糊事变树的读取方法和模糊事变树分析方法，实现对道路交通事变中事故发生的不确定、随机、复杂、可能和可变特征分析。
附图说明
[0047]
图1事变树符号及其含义；
[0048]
图2车辆偏离道路事故的第零层事变树模型；
[0049]
图3车辆偏离道路事故的第一层事变树模型；
[0050]
图4车辆偏离道路事故的二、三层事变树模型(部分)；
[0051]
图5车辆偏离道路事故的事变树模型；
[0052]
图6为本发明公开的基于信息征兆的复杂系统事变树定量风险评估方法流程图。
具体实施方式
[0053]
下面结合附图对对模糊事变树模型及其分析方法的步骤(以车辆偏离路面事故为
例)进一步阐述：
[0054]
如图6所示，本实施例公开的基于信息征兆的复杂系统事变树定量风险评估方法，具体实现步骤如下：
[0055]
步骤101：识别与系统运行相关的所有事件的直观联系和因果关系。选择车辆偏离道路事故(t)作为案例研究。
[0056]
步骤102：分析导致事故发生的因素，确定事故的动力机制，然后评估每个事故的发生概率和分布。图1显示了系统运行的动态过程和系统中关于车辆偏离道路事故的信息传输模式，表1列出了每个事件的概率及其车辆偏离道路事故的分布。
[0057]
表1每次车辆偏离道路事故的概率量化
[0058]
[0059]
步骤103：确定事故之间的联系和相互作用，然后根据事件之间的相互作用，计算每个事件的加权系数。表2给出了事件与车辆偏离道路事故之间的联系和相互作用以及每个事件的加权系数。
[0060]
步骤103中确定事故之间的联系和相互作用时的定义1：事件ii(xi)的发生直接影响事件i
i-1
(事件i
i-2
或事故t)，这种情况用a表示(图1中用实线箭头表示)；事件ii(xi)的发生对事件i
i-1
(事件i
i-2
或事故t)没有影响，即不会导致事件i
i-1
(事件i
i-2
或事故t)的发生，而这情况由b表示。
[0061]
步骤103中确定事故之间的联系和相互作用时的定义2：以其他事件为条件的事件ii的发生对i
i-1
(事件i
i-2
或事故t)有间接影响，或者ii对i
i-1
(事件i
i-2
或事故t)的发生作用有限。这种情况用c表示。
[0062]
步骤103中确定事故之间的联系和相互作用时的定义3：ii(xi)的出现只影响上层事件i
i-1
或直接影响上层的i
i-2
或t。
[0063]
步骤103中计算每个事件的加权系数时，考虑事件的非模糊状态，若事件发生的概率相同，即p(ii)＝1/n，第i个事件的信息量(hi(ii))由下式给出：
[0064][0065]
其中k
ia
,k
ib
,k
ic
分别为ii的影响程度分别用a、b、c表示时的值(i＝1,2,...n)。令h(ii)是hi(ii)的和，得到：
[0066][0067]
每个事件λi的加权系数由下式给出
[0068][0069]
为了保证事件发生后的全部信息，式(2)中事件的信息量应按相关最大分布计算。
[0070]
根据最大模糊信息原理，在事变树建模和分析的过程中，选择两个主要的事件来使用，用下面的表达式来确定：
[0071][0072]
表2每个事件之间的联系和相互作用以及车辆偏离道路事故发生的信息
[0073][0074]
步骤104：利用最大信息分布和事件隶属度函数，获得不同层上每个事件的信息量；根据最大模糊信息原理识别两个主要事件。表2给出了每个事件和车辆偏离道路事故的信息量，我们选择了两个主要事件-i1和i3，根据最大模糊信息原则构建事变树模型，因此用图2描述零层事变树模型。
[0075]
步骤104中获得不同层上每个事件的信息量时，对于事件发生时对上级事件的直接影响，每个模糊事件发生的信息量(hi(ii))可以表示为：
[0076][0077]
对于事件发生时对上级事件的间接影响，每个模糊事件发生的信息量(hi(ii))可
以表示为：
[0078][0079]
至于在事件发生时不影响上层事件，则每个模糊事件发生的信息量可以表示为：
[0080]hii
(ii)＝h(ii)
ꢀꢀ
(7)
[0081]
步骤105：无论事件造成的约束多么小，间接影响也会导致其他事件甚至事故的发生，在构建事变树模型时应将间接影响视为影响。本发明将讨论“对上层事件有影响(在模糊事变树中以1表示)和无影响(在模糊事变树中以0表示)两种影响”，假设直接和间接影响被视为“对上层事件有影响或部分影响”，无影响被视为“不影响上层事件”。在主导事件发生后，根据事件对上层事件的影响程度，将相关事件分为两个子表。根据车辆偏离道路事故零层事变树模型中的两个主要事件-i1和i3，能够将相关事件(表2)分解为2
×
2表：i1发生时对上层事件有(1)和(0)影响，表3和表4分别为相关事件之间的链接和交互，表5和表6分别为相关事件之间的链接和交互，i3发生时对上层事件有(1)和(0)影响。表明x
13
、x3、x4都是基本事件，但i2、i
12
、i
311
都是不同层的中间事件，需要进一步划分为基本事件。因此，能够用图3描述第一层事变树模型。
[0082]
按照步骤105中递归分析不同层事变树模型中的相关事件，直到出现所有基本事件。重复上述步骤101到步骤105过程，将获得导致事故的事件的详细层次结构，创建一个完整的正式事变树模型。
[0083]
表7-9给出了与相关事件发生相关的部分制表过程，第二层和第三层事变树模型可以用图4部分描述。车辆偏离道路事故的整个正式事变树模型如图5所示。
[0084]
表3相关事件之间的联系和互动，以及i1事件中的信息与情感(在模糊事变树中以1表示)
[0085][0086]
表4相关事件与i1事件中的信息之间的联系和相互作用(在模糊事变树中以0表
示)
[0087][0088][0089]
表5相关事件之间的联系和互动以及i3事件中的信息与情感(在模糊事变树中用1表示)
[0090][0091]
表6每个事件之间的联系和交互与i3事件中没有影响的信息(在模糊事变树中用0表示)
[0092][0093]
表7每个事件之间的联系和交互以及i2事件中的信息与情感(在模糊事变树中用1表示)
[0094][0095]
表8每个事件之间的联系和相互作用以及i21事件中的信息与情感(在模糊事变树中用1表示)
[0096][0097]
表9每个事件之间的联系和交互以及i21事件中的信息没有影响(在模糊事变树中用0表示)
[0098][0099]
步骤106：模糊事故树的读取方法：
[0100]
(1)如果事件越靠近上层事件层，则意味着事件发生的可能性越高，对上层事件的影响也越大。数字1表示直接影响上层事件或导致上层事件发生的事件，数字0表示相反的情况。
[0101]
(2)根据事件的信息量，识别影响，分析同一层每个事件的可能性。
[0102]
(3)自下而上的读数：从图5上部的最低层(将最大数字标记为第(4)层)和下部的第(6)层)到图5中的最高层(将最小数字标记为第(0)层)。
[0103]
(4)自上而下的读数：从最高层(图5中标记最小的数字为层(0))到最低层(图5上标记最大的数字为层(4)，下标记最大的数字为层(6))。
[0104]
步骤107：利用模糊事故树模型及其分析方法以描述系统中的信息流而不是逻辑关系，以模糊事件的信息量而不是事件的概率，从概率统计到基本事件和事故的模糊信息量。通过模糊事变树中符号的规定、模糊事变树的构造步骤、模糊事变树的读取方法和模糊事变树分析方法，实现对风险评估中事故发生的不确定、随机、复杂、可能和可变特征分析，并进行风险量化评估，解决实际工程中辨识风险，分析风险的可能性和潜在影响，确定风险偶然性，评估风险可能发生的时间范围等问题。
[0105]
步骤107中模糊事故树识别与事故发生过程相关的原因。
[0106]
在进行事故原因识别时，如果能很好地理解事故的因果链和可能的后果，有利于事故的预测、预防和控制。图5可以看出：层(1)提供的信息量大于层(2)中的信息量，并且层(3)中的信息量小于层(2)中的信息量。因此，正向阅读事变树意味着从基本事件开始阅读事变树，并根据事件的发生和事件后的影响来确定事故的原因。如果发生层(1)中的事件x4，i1将直接受到影响，并且i1将进一步影响t。从这个意义上说，如果发生层(4)中的事件x13并影响i
311
，i
311
将影响x4。i2不会出现(用0表示)，因此对i2没有影响的i
31
将直接影响t。在第(3)层中出现x2后，同样，它不会影响i
31
、i2和i1(用0表示)，但会影响事故t。其他相关影
响和关系也可以通过同样的方式获得。由于因果链的复杂性，事故的原因是多方面的。
[0107]
步骤107中模糊事故树识别确定事故预防的内容。
[0108]
根据先导事件的信息量，按节点、边、支树、层次靠近主边的前后顺序，可以确定事故预防的内容。图5的上侧表示在确定事故预防的内容时应首先考虑i1，然后再考虑i2。原因是i1的发生与被确定为预防对象的x4和x3有关，在i1不发生的另一种情况下，事故t将受到i2的影响。如果我们要防止i2的发生，就要注意i
21
，可以通过x9来确定物体。如果i2不发生，则应阻止x
13
和i
31
。当i
31
发生时，i
311
应与预防对象x
13
一起考虑。相应地，将选择全部为基本事件的预防对象。
[0109]
步骤107中模糊事故树描述事故发生的动态机制。
[0110]
作为考虑的两个主要事件，根据图5所示的事变树模型，可以分析出图5上侧的事故发生的动态机制(如果事件或事故没有发生，用0表示))。从图5所示的事故树模型上看，由事故引起的事故发生的路径如下所示：
[0111][0112]
从图5所示的事故树模型的缺点来看，由汽车偏离路面引起的事故发生的路径如下所示
[0113][0114]
在上面提到的动态链中，如果没有发生一个事件，上层事件中的信息会在延迟一段时间后转移到上层事件，尽管它可能不会通过这个事件本身。如果第(3)层的入射x
13
按照图5的上侧发生，它将依次通过入射i
311
、i
31
到达入射i2和i1。由于i2和i1不发生，i
31
和i2分别对i2和i1没有影响。此过程中的信息在一段时间延迟期间转移到事故t。在确定事故动态发生链中各事故的传递率的条件下，可以根据简化事故树模型的数学模拟方法，测算出事故发生的先后顺序和一定时间内可能造成的后果。
[0115]
由图5还可以得出，不同层次的事故对道路交通系统的动态安全影响在不同的时空域，因此事故与事故之间存在一个发生序列，事故的发生是极其多样的。
[0116]
步骤107中模糊事故树分析事故的发生-后果和潜在影响。
[0117]
1)排序原则
[0118]
(i)如果具有相同符号的事件在一层，则上层信息量最大的事件排在最前面。标有1的事件在标有0的事件之前。
[0119]
(ii)上层事件先于下层事件。
[0120]
(iii)不仅对标有1或0的事件进行排序，而且还根据信息量对事件进行排序，包含
更多信息的事件应优先于其他事件。选择同一事件中信息量最大的那个，第一个接近1或0。
[0121]
2)对不同发生概率的事件进行排序
[0122]
根据车辆偏离道路事故的事故树模型和排序原则，事故发生影响程度的先后顺序如下：
[0123]
x4＞x3＞x
13
＞x
12
＞x2＞x
11
＞x6＞x5＞x9＞x8＞x7＞x
10
＞x1[0124]
步骤107中模糊事故树评估事故形成的可能性和事故发生的时间范围。
[0125]
根据模糊事变树中事件的顺序、层次和信息量，可以详细识别每一个导致事故的事件的信息传递过程。特别是事故发生的可能性可以基于概率和信息量与模糊事变树进行评估。其中，由事件x1和x
13
引起的动态概率安全和事故发生概率如图1和图3所示。分别为11和12。使用它们，可以完整地评估事故形成和事故发生的可能性和时间范围。
[0126]
步骤107中糊事故树探索事故控制措施。
[0127]
基于考虑事件发生时之间的影响关系(直接、间接和无影响)来构建事变树模型，所以如果逆向过程，重建一个新的事变树模型，可以分析动态系统的不安全性；事故控制的内容和对象也可以确定。
[0128]
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。