羅通元,吳 超
(1.西安石油大學電子工程學院,陜西 西安 710065;2.中南大學資源與安全工程學院,湖南 長沙 410083;3.中南大學安全理論創(chuàng)新與促進研究中心,湖南 長沙 410083)
當今世界處于信息化大發(fā)展大變革的時代,信息在時空傳播中對管理提出了模式變革的思維創(chuàng)新要求[1],伴隨著信息時代的快速發(fā)展,信息也越來越凸顯其重要性。石油化工企業(yè)生產(chǎn)系統(tǒng)過程工藝條件嚴苛,生產(chǎn)活動中常伴有高溫、高壓和高振動等影響因素,其正常運行會直接影響到石化企業(yè)的生產(chǎn)和安全狀態(tài)。生產(chǎn)系統(tǒng)發(fā)生事故時的安全信息常呈現(xiàn)出非線性、非平穩(wěn)性的特征,難以精確穩(wěn)定地識別和掌握安全信息的傳遞路徑,由此帶來的信息風險也表現(xiàn)出一系列隨機狀態(tài)。在石化企業(yè)中,一旦發(fā)生某系統(tǒng)的故障和事故往往會波及到鄰近設施和系統(tǒng),同時系統(tǒng)內(nèi)單元之間存在直接聯(lián)系,單元之間的相互依存關系使得某一事故信息會沿著傳遞效應路線進行信息衍生傳播,由此會帶來難以估量的安全信息災難,引發(fā)連鎖事故或次生事故。為了有效地控制生產(chǎn)系統(tǒng)安全信息風險的擴散與傳播,確保安全生產(chǎn),對生產(chǎn)系統(tǒng)內(nèi)安全信息風險傳播路徑進行研究就顯得尤為重要了。
目前對于生產(chǎn)系統(tǒng)安全信息風險傳播路徑的分析主要是針對事故原因信息的分析,涉及的信息耦合和信息傳播較少[2]。關于事故中安全信息的剖析主要是基于傳統(tǒng)事故致因模型、過程知識模型和過程數(shù)據(jù)模型三大類方法。其中,基于事故致因模型的安全信息分析最常見,如Ashenden[3]最先提出了基于信息不對稱的事故預防技術,揭示出信息安全管理者、高層領導者和底層員工之間存在客觀的信息代溝,即雙方及三方在信息理解上存在的不對稱。事故預防的關鍵技術為人類進一步認識安全信息傳播風險提出了新思路,如鄒鐵方等[4]利用收集的事故現(xiàn)場人體損傷、車輛破壞及環(huán)境等信息,通過響應曲面法與蒙特卡羅方法模擬出人-車事故再現(xiàn)場景;趙潮鋒等[5]提出了安全信息缺失的概念和事故致因理論,但主要是以人的不安全行為與物的不安全狀態(tài)的軌跡交叉為基礎,且缺乏對致因因素之間數(shù)學關系的刻畫;Leveson[6]提出了基于安全信息流動的系統(tǒng)理論和事故過程模型,模型的本質(zhì)是基于人的信息處理過程,但未將系統(tǒng)中其他因素作為安全信息的核心要素;畢遠志等[7]針對目前建筑工程施工現(xiàn)場人流、物流及信息流交匯的特點,提出了用安全信息定置管理技術來解決建筑施工安全難題的方法;羅通元等[8]首次構建了基于安全信息認知的事故致因模型,并指出安全信息的衰減、延遲、干擾、失真和空間錯位等是導致事故發(fā)生的根本原因。事故致因模型的研究主要以信息維度去研究安全問題,但是對于安全信息認知事故致因機理的研究還不夠深入,并且構建的事故致因理論也存在自身缺陷,最主要的問題是傳統(tǒng)事故致因模型不能全面地反映安全信息在事故中的作用及機理?;谶^程知識的建模分析包括符號有向圖、因果模型和多層流模型等[9-11],如姜英等[12]提出了一種基于復雜網(wǎng)絡理論構建層次符號有向圖網(wǎng)絡模型并識別關鍵節(jié)點的方法,該方法通過選取度中心性、接近中心性等多個節(jié)點重要性評價指標,采用主成分分析法確定各指標權重并進行綜合評價排序,進而在子系統(tǒng)網(wǎng)絡模型中確定出關鍵節(jié)點的位置;張挺等[13]通過動態(tài)因果模型分析,計算了各連接的超越概率,并構建出視覺工作記憶任務的腦效應網(wǎng)絡;張少民等[14]采用多層流模型對煤層注水系統(tǒng)進行建模,描述了目標與功能之間的相互關系,表達出了注水系統(tǒng)的子系統(tǒng)時間節(jié)點和時間段,為研究系統(tǒng)可靠性并發(fā)現(xiàn)系統(tǒng)薄弱環(huán)節(jié)提供了基礎?;谶^程知識的建模方法能夠?qū)σ?guī)定變量的因果關系以圖形化的簡單形式加以呈現(xiàn),給人以直觀和簡單的印象,但是卻難以實現(xiàn)定量化描述,定性的主觀因素會直接影響變量之間的關聯(lián)關系?;谶^程數(shù)據(jù)的建模分析主要依賴一些常用函數(shù),如互相關函數(shù)、貝葉斯網(wǎng)絡等[15-16],但貝葉斯網(wǎng)絡的概率設置需要依賴主觀經(jīng)驗,存在較大的誤差。
根據(jù)以上分析可知,現(xiàn)有的研究大多是根據(jù)事故的原因進行分析,缺乏對安全信息傳播過程的研究。本文通過文獻調(diào)研,認為基于信息熵的傳遞熵(TE)方法可用于分析變量間的非線性相關關系,通過計算變量間的傳遞熵就能分析過程變量間由于信息傳遞所帶來的因果性[2],在此基礎上還需要對安全信息傳播過程進行預測與預防。傳統(tǒng)的安全信息傳播過程預測模型主要基于線性回歸,需要假設被預測數(shù)據(jù)遵循目標函數(shù)形式,但由于生產(chǎn)過程安全信息十分復雜,這種假設可能會出現(xiàn)較大的誤差。此外,非參數(shù)模型的常用機器學習算法如人工神經(jīng)網(wǎng)絡和支持向量機會出現(xiàn)訓練速度慢、過擬合和多參數(shù)過程等問題,而核極限學習機(KELM)集成了兩種算法的優(yōu)點,具有快速學習和強泛化的特征。因此,本文提出了一種基于核極限學習機和傳遞熵結合的生產(chǎn)系統(tǒng)安全信息風險傳播路徑分析方法(簡稱為KELM-TE法),針對某一信宿擾動或異常分析安全信息的風險傳播過程。為了便于本方法的應用,將石油生產(chǎn)系統(tǒng)中的石油儲運系統(tǒng)作為研究對象,建立了石油儲運系統(tǒng)安全信息風險傳播模型,并預測了安全信息風險傳播可能的路徑,為及時發(fā)現(xiàn)并控制安全信息傳播溢散現(xiàn)象、保障石油儲運系統(tǒng)安全運行提供方法指導。
極限學習機(Extreme Learnine Machine,ELM)是一種簡便、高效的單隱層前饋神經(jīng)網(wǎng)絡學習算法。該算法相較自組織映射網(wǎng)絡、K均值法和神經(jīng)網(wǎng)絡等算法具有網(wǎng)絡結構穩(wěn)定、泛化性能好等優(yōu)點,因而廣泛適用于分類器設計中。根據(jù)ELM速度快的特點,它可以提高整個網(wǎng)絡的學習效率,同時在應用中只需要網(wǎng)絡的隱含層節(jié)點個數(shù),通過隨機分配輸入權重和隱含層偏置,就能得到唯一的最優(yōu)解[17-18]。ELM由輸入層、隱含層和輸出層組成,層與層之間通過神經(jīng)元連接,其結構模型見圖1。其中,n為隱含層節(jié)點數(shù);ωi和βi分別為連接輸入層和隱含層、隱含層和輸出層的權重矩陣;xj、zj分別為輸入和輸出;bi為隱含層的閾值[19]。該算法的原理如下:對于給定N個不同數(shù)據(jù)樣本(xj,ui),其中xj=[xj1,xj2,…,xjm]T∈RN,xj為一個m維輸入樣本;ui=[ui1,ui2,…,uim]T∈RN,ui為xi對應的期望輸出值。
圖1 極限學習機(ELM)網(wǎng)絡結構模型Fig.1 Structure model of Extreme Learning Machine (ELM)
具有n個隱含層節(jié)點(n (j=1,2,…,N) (1) 式中:βi為第i個隱含層節(jié)點的輸出權重;gi為激活函數(shù);ωi=[ωi1,ωi2,…,ωim]T為第i個隱含層節(jié)點的輸入權重;xj為輸入向量;bi為第i個隱含層節(jié)點的偏置;zj為ELM網(wǎng)絡的實際輸出值。 根據(jù)實際輸出值zj和期望輸出值ui就可以得到學習目標值,即ELM網(wǎng)絡學習的最小誤差為 (2) 根據(jù)矩陣原理,公式(1)可簡化為Hβ=U(其中,H為ELM的隱含層輸出矩陣;β為輸出權重矩陣;U為期望輸出矩陣),ELM的隱含層輸出矩陣的表達式為 (3) 為了獲取更具有魯棒性和泛化能力的ELM,提高模型的穩(wěn)定性,有必要擺脫隱含層節(jié)點激活函數(shù)g(x)的形式困擾,那么可以把g(x)的內(nèi)積形式以核函數(shù)的形式表達出來。這樣就使核極限學習機(Kernel Extreme Learning Machine,KELM)算法中,函數(shù)g(x)的具體形式不用給出,只需要知道核函數(shù)K(xi,xj)的具體形式就可以求出輸出函數(shù)的值,且隱含層節(jié)點數(shù)能夠自適應確定。在核函數(shù)形式確定的前提下,將每兩個樣本之間進行一次核函數(shù)映射得到線性內(nèi)積的點的集合稱為核矩陣ΩELM,設隱含層節(jié)點數(shù)為n,有N個訓練樣本,那么KELM算法中的核矩陣公式可表示為 ΩELM=HHT=h(xi)·h(xj)=K(xi,xj) (i,j=1,2,…,N) (4) 核矩陣ΩELM替代ELM算法中的隨機矩陣HHT,利用核函數(shù)將n維輸入樣本映射到高維隱含層特征空間。核函數(shù)K(xi,xj)是核矩陣ΩELM的第i行第j列的元素,通常包括RBF函數(shù)、線性核函數(shù)和多項式核函數(shù)等。一般利用RBF核函數(shù)計算權重向量:β*=HT(I/C+HHT)-1U(其中,I為單位對角矩陣;C為懲罰系數(shù)),那么KELM的隱含層輸出矩陣的表達式為 (5) 從生產(chǎn)系統(tǒng)宏觀角度看,系統(tǒng)過程是信息熵增加的過程,始態(tài)就是系統(tǒng)信源的產(chǎn)生,終態(tài)是系統(tǒng)崩塌的發(fā)生,該過程是自發(fā)的、單向的和不可逆的過程。從生產(chǎn)系統(tǒng)安全維護來看,系統(tǒng)中的信息由無序到有序的現(xiàn)象可以稱為安全信息的自組織現(xiàn)象。自然無人干預的系統(tǒng)必將是信息熵增的系統(tǒng),系統(tǒng)客觀表現(xiàn)出開放性、動態(tài)性、不確定性、不可逆性和突變性等特點。 熵的概念最早出現(xiàn)于熱力學,熱力學第二定律指出:在有限時間和空間內(nèi)一切和熱現(xiàn)象有關過程的發(fā)展都有其自發(fā)進行的方向[20]。信息論創(chuàng)始人Shannon[21]借鑒熱力學中“熵”的概念,把信息中排除了冗余后的平均信息量稱為“信息熵”,并給出了計算信息熵的數(shù)學表達式。根據(jù)信息熵的定義,把信息的多少看作是一種消除不確定性的度量,即所得信息越多,其事物不確定性就越小,無序度(混亂度)就越小,熵就越小,表現(xiàn)在宏觀上就是系統(tǒng)越穩(wěn)定,反之亦然[22-23]。系統(tǒng)的安全狀態(tài)取決于安全信息熵的狀態(tài),安全信息熵越小,系統(tǒng)越穩(wěn)定,系統(tǒng)則安全無事故;安全信息熵越大,系統(tǒng)越不穩(wěn)定,系統(tǒng)則必出事故。這里的系統(tǒng)指的是保持完整的功能和結構,并且具有暢通的內(nèi)外信息流、物質(zhì)流和能量流的有機整體。如物質(zhì)生產(chǎn)系統(tǒng)和城市群運行保障系統(tǒng)等。由此可將安全信息熵簡單理解為安全信息混亂的程度。因此,系統(tǒng)中的安全信息不斷趨向混亂的過程可以用信息熵來刻畫。 可以結合相關學科理論對熵進行研究,但是安全科學與熵的結合研究相對較少。熵是狀態(tài)函數(shù),熵變(ΔS)只取決于體系的始態(tài)與終態(tài),與過程無關。一個系統(tǒng)熵的變化有兩部分:一部分是由外界環(huán)境輸入的熵叫熵流;另一部分是系統(tǒng)本身內(nèi)部產(chǎn)生的熵叫熵產(chǎn)。熵流可以大于、等于或小于零,而系統(tǒng)內(nèi)部產(chǎn)生的熵則永遠只能大于或等于零。對于孤立體系,系統(tǒng)的熵只能向著熵增加的方向運動[24]。許多研究利用信息熵算法只能反映單一時間序列的整體復雜程度,但無法反映多時間序列之間隨時間變化的耦合關系。而基于信息熵的傳遞熵(Transfer Entropy,TE)算法通過量化兩個系統(tǒng)間的信息傳遞,將信息熵理論從只表示大小的標量擴展到既表示大小又表示方向的矢量,進而實現(xiàn)表征兩個系統(tǒng)間的耦合關系[25-26],這種基于概率分布、信息熵和統(tǒng)計方法的算法可用于表征變量間的非線性相關關系和兩變量間的信息傳遞方向。 信息熵是信息論中用于度量信息量的概念[2],其定義為 Hx=-∑xp(x)log2p(x) (6) 式中:Hx表示變量x的信息熵;p(x)表示變量x的概率分布。 根據(jù)信息熵的定義,可將變量y到變量x的傳遞熵定義為 (7) 兩個變量x和y的信息熵大小可用聯(lián)合信息熵Hxy來表示,其定義為 Hxy=-∑x,yp(x,y)log2p(x,y) (8) 其中:p(x,y)表示變量x和y的聯(lián)合概率分布。 度量信息量后還需要刻畫信息之間的相關性指標,這就要涉及到互信息的概念[27]:互信息是表示兩個變量或多個變量之間共享的信息量。要摒棄傳統(tǒng)互信息具有數(shù)據(jù)信息匱乏、傳遞和反饋時效性差、決策效率低下等特點[28],選擇的互信息越大,變量之間的相關性越強。連續(xù)型隨機變量x和y之間的互信息可定義為 Ixy=∑x,yp(x,y)log2p(x,y)/p(x)p(y) (9) 式中:p(x,y)表示變量x和y的聯(lián)合概率分布;p(x)和p(y)分別表示變量x和y的邊緣(概率)分布。 連續(xù)型隨機變量x和y之間的互信息定義表示若已知變量y的值,關于x知道的信息量是多少。從該定義可以直觀地看出,若變量x和y相互獨立,則互信息Ixy為零,也就是說若已知變量y,關于x所知的信息量為零。傳遞熵TE可作為變量間因果關系的指標,因而對于非線性的生產(chǎn)系統(tǒng)更具適用性。 以上介紹了TE的基本原理,根據(jù)其優(yōu)點可以廣泛應用于自動化、規(guī)?;按髷?shù)據(jù)的生產(chǎn)系統(tǒng)中,目前其應用領域已經(jīng)拓展到各行各業(yè),并在處理生產(chǎn)系統(tǒng)中各類安全信息及數(shù)據(jù)中發(fā)揮了重要作用。它以變量間的安全信息量傳遞為基準,在非線性的安全信息系統(tǒng)內(nèi)更具有適用性。而KELM在權重計算方面的優(yōu)點為神經(jīng)網(wǎng)絡在安全信息風險指標管理方面提供了可借鑒的思路。兩者相互結合可使安全信息的風險傳播得到有效預控,為安全信息的研究拓展了新思路。 石油儲運系統(tǒng)是石油石化行業(yè)的重點管控對象之一,也高危行業(yè)管理中的重中之重。石油儲運系統(tǒng)一直被各種異常、故障和事故所困擾,由此帶來的人身傷害、財產(chǎn)損失和環(huán)境污染問題屢見不鮮。通過信息的視角可以解讀該系統(tǒng)內(nèi)安全信息的流動過程。當石油儲運系統(tǒng)的任意部位出現(xiàn)異常工況時,必然有信源(石油儲運系統(tǒng))安全信息的釋放和擾動作用,原始安全信息會沿著信道傳播,在傳播過程中勢必會受到信噪的干擾,信道自身缺陷也會導致安全信息的衰減和缺失,這些失真的安全信息通過各種形式演化為信宿(人)可感知到的感知安全信息,進而加工形成認知安全信息,最終的信息就是人所理解的各類警報及提示信息。這一過程看似簡明,實則存在復雜的信息耦合和干擾傳遞現(xiàn)象。這是因為系統(tǒng)內(nèi)外并非呈現(xiàn)完全封閉的線性特征狀態(tài),系統(tǒng)內(nèi)單元設備之間的關聯(lián)性和系統(tǒng)外生產(chǎn)流程的關聯(lián)性均會使得初始的異常安全信息發(fā)生衍生傳播,并且影響大量相關的過程因素,如此以來勢必導致安全信息風險膨脹并發(fā)生嚴重事故,那么這些影響安全信息風險擴散的中間因素的關聯(lián)性就值得研究。如果安全信息的傳播路徑能夠及時地被控制,那么,這種控制對于事故預防會起到?jīng)Q定性的作用。因此,研究安全信息風險傳播路徑勢必成為石油儲運系統(tǒng)風險控制的首要任務。據(jù)此,本文提出了一種基于KELM-TE結合的生產(chǎn)系統(tǒng)安全信息風險傳播路徑分析方法,針對某風險傳播過程建立石油儲運系統(tǒng)安全信息風險傳播模型,從而實現(xiàn)安全信息風險傳播路徑的預測,為安全信息控制提供保障。 石油儲運系統(tǒng)涉及的設備多樣,工程流程較為復雜,設備的控制變量之間具有較強的關聯(lián)性,系統(tǒng)面臨著復雜的環(huán)境威脅,存在高溫、高壓、腐蝕、破裂和爆炸等一系列危險考驗,而要搞清變量間的關聯(lián)性需采用TE方法推演出各變量之間的關系。 簡言之,石油儲運系統(tǒng)中涉及的各類泵、壓縮機、管道、閥室和輔助動力等子單元都是安全信息潛在的信息源,也扮演著安全信息風險傳播的角色。其中各類控制和監(jiān)測變量繁多,互相牽連影響復雜,故對于這些過程變量的影響判斷至關重要。根據(jù)前述可知,如果分析變量x和變量y之間的影響程度,可以通過計算兩變量間的傳遞熵來實現(xiàn)。假設變量x是初始變量,y是中間變量,那么由公式(7)可計算出變量y到變量x的傳遞熵Ey→x。Ey→x實質(zhì)為y的信息對于x不確定性大小的影響,也就是y傳遞給x的信息量的大小,其可作為衡量變量x和變量y之間因果性的指標。 求得傳遞熵之后,就明確了變量間的因果關系和傳遞信息量,但如何確定變量間的相關程度,以便確定因果性最強的變量群,則需要確定兩變量間的關聯(lián)系數(shù)。根據(jù)文獻[28],常用統(tǒng)計方法來計算兩變量間的關聯(lián)系數(shù),其計算公式為 (10) 上式說明:如果μx,y=Ey→x,表示變量x和y之間的傳播方向為y到x;如果μx,y=Ex→y,表示變量x和y之間的傳播方向為x到y(tǒng);如果μx,y=0,表示變量x和y之間沒有因果關系。由于每兩個時間序列可以得到一個確定值,但是如果兩變量相互之間的傳遞熵相差無幾的話,就無從確定因果性,因此需要設置合適的閾值對兩變量間因果關系的顯著性水平進行檢驗[2]。通過公式(7)計算每兩個變量間的傳遞熵值,求出所有傳遞熵絕對值的均值ωEx→y和標準差σEx→y(ωEy→x為變量y到x方向關聯(lián)系數(shù)的平均值;σEy→x為變量y到x方向關聯(lián)系統(tǒng)的統(tǒng)計標準差),并通過計算閾值,進而可以判斷出兩變量間因果關系的顯著性。若關聯(lián)系數(shù)沒有通過顯著性檢驗,表明兩變量間不具備因果性[28]。閾值的計算公式如下: |Ex→y|-ωEx→y≥6σEx→y (11) 對于本例中的n個過程變量x1,x2,…,xn,就可以利用上述方法計算兩兩變量之間的傳遞熵,確定兩變量間的關聯(lián)系數(shù)和傳播方向,這樣就可確定出相應的變量攜載的安全信息風險傳播模型,再通過過程知識進行修正。安全信息的風險傳播推演模型簡要表達,見圖2。 圖2 安全信息的風險傳播推演模型簡圖Fig.2 Brief diagram of risk propagation reasoning model for security information 注:箭頭表示安全信息風險傳播方向;若Exi-xj>0,說明箭頭由xi指向xj,即傳播方向為由上級變量指向下級變量,反之,則傳播方向相反。 確定安全信息的風險傳播路徑前,需要劃分單元并建立模型,這是后續(xù)分析的基礎。石油儲運系統(tǒng)過程變量中發(fā)生的異常通常由直接影響的變量擾動所引起。為了控制安全信息風險的失控傳播,提出安全信息風險傳播分析方法至關重要,本文根據(jù)文獻[2],提出了一般的安全信息風險傳播路徑分析流程如下: (1) 路徑圖的確定。當某一過程變量發(fā)生安全信息時,將其作為上級變量,分析與其直接相連的下級各過程變量,建立變量間的安全信息風險路徑圖。 (2) 擾動變化率的計算。確定了信源變量與各下級變量間的路徑關系,需要根據(jù)上級變量與下級變量間的擾動性確定下級變量受影響程度的大小,而通過擾動變化率的計算,可以反映出各下級變量受上級變量擾動的影響程度。對以時刻tm為中心,以[tm-n,tm+n]為時間間隔的變量xi的時間序列進行最小二乘擬合,求得斜率的絕對值τi即作為變量xi的擾動變化率,其計算公式為 (12) 式中:xim為變量xi的第tm個時刻的變量值。 (3) 影響因數(shù)的計算。由上述兩變量間的關聯(lián)系數(shù)和變量擾動變化率公式,可計算出上級變量對各下級變量的影響因數(shù)Ri,其最大值可作為最終衡量受上級變量影響最大的下級變量的判別依據(jù)。影響因數(shù)Ri的計算公式為 Ri=(1-e-τ|τi|/1+e-τ|τi|)μxi,yi (13) 式中:τ為調(diào)整參數(shù),取值為2 000;μxi,yi表示變量xi和yi之間的關聯(lián)系數(shù);τi表示變量xi的擾動變化率。 為了確定出受影響的下級變量,如果計算的影響因數(shù)小于閾值,那么就不能將該變量考慮進去。這里的閾值取歷史統(tǒng)計與專家經(jīng)驗值,一般設為1.75。 (4) 重復上述步驟(2)、(3),則可依次確定出受上級變量影響的各下級過程變量,并最終形成完整的安全信息風險傳播路徑。 石油儲運系統(tǒng)是石油石化產(chǎn)業(yè)鏈中的重要關鍵系統(tǒng)之一,一般來說石化企業(yè)的石油儲運系統(tǒng)龐大復雜、點多面廣,主要由原油庫系統(tǒng)、儲罐系統(tǒng)、長輸管道系統(tǒng)、儀表系統(tǒng)、動力系統(tǒng)等組成。隨著國家石油需求量的激增,石化企業(yè)面臨更多艱苦的生產(chǎn)和安全任務,石油儲運系統(tǒng)也時常發(fā)生系統(tǒng)設備事故或故障。石油儲運系統(tǒng)中的腐蝕監(jiān)測與評價、儲運過程中的油氣蒸發(fā)損耗與回收、過程節(jié)能與環(huán)保等問題中釋放的安全信息一直都是治理的重點對象。石油儲運系統(tǒng)內(nèi)的儲罐涉及的管道單元是系統(tǒng)的重要部分,由上游生產(chǎn)系統(tǒng)輸送的石油產(chǎn)品從入罐管道進入儲罐,管道凝管和腐蝕等故障信息是輸油過程中常常發(fā)生的現(xiàn)象之一,導致這些故障或事故的主要原因在于輸油介質(zhì)的密度、溫度、壓力和雜散電流等信息意外釋放導致。此外,儲罐系統(tǒng)中儲油發(fā)生增壓、高溫和超液位等信息擴散也會嚴重影響儲罐安全,可能出現(xiàn)沖頂、憋壓裂紋、罐盤損壞、泄漏、起火爆炸和機泵故障等災難性事故。為了保證儲運系統(tǒng)中安全信息得到控制,降低或消除信息風險帶來的事故,本文利用KELM-TE方法,針對某油田聯(lián)合站儲運系統(tǒng)內(nèi)的儲罐單元進行安全信息風險傳播路徑分析。 首先需要對儲運系統(tǒng)進行單元劃分,儲罐單元主要由油氣分離器、沉淀罐、緩沖罐、進油輸管、儲油罐、出油輸管和輸油泵等組成。本文針對某油田聯(lián)合站儲罐單元憋壓泄漏信息風險傳播過程,建立其相關的過程變量見表1。 表1 某油田聯(lián)合站儲罐單元憋壓泄漏風險的過程變量Table 1 Process variables of pressure leakage risk of the storage tank units in an oil field union station 根據(jù)該儲罐單元憋壓泄漏風險的過程變量和某油田聯(lián)合站的歷史統(tǒng)計數(shù)據(jù),本文選取塔里木油田某聯(lián)合站儲罐單元各參數(shù)的監(jiān)測數(shù)據(jù)5 000組,先利用公式(10)計算出兩兩變量之間的關聯(lián)系數(shù),再根據(jù)公式(11)計算閾值并判斷兩變量間因果關系的顯著性,最后經(jīng)修正后建立了某油田聯(lián)合站儲罐單元憋壓泄漏過程安全信息的風險傳播推演模型(見圖3),并由此推演出該過程中完整的安全信息風險傳播模型,兩兩變量間的關聯(lián)系數(shù)見表2。 圖3 某油田聯(lián)合站儲罐單元憋壓泄漏過程安全 信息的風險傳播推演模型Fig.3 Risk propagation reasoning model for security information in pressure leakage processes of the storage tank units in an oil field union station 表2 某油田聯(lián)合站儲罐單元憋壓泄漏風險兩兩變量間的關聯(lián)系數(shù)Table 2 Correlation coefficient between variables of pressure leakage risk of the storage tank units in an oil field union station 根據(jù)實際調(diào)研,以某聯(lián)合站儲罐單元憋壓泄漏 事故為分析實例,利用安全信息風險傳播搜索方法進行分析。該方法是根據(jù)安全信息過程變量間的關聯(lián)系數(shù)確定變量之間的關聯(lián)強度,安全信息風險傳播路徑的確定由安全信息過程變量組成,形成了完整的安全信息流動過程,體現(xiàn)信息流及流動過程的關鍵節(jié)點。其路徑分析以某聯(lián)合站儲罐單元為研究對象,其示意簡圖見圖4。 圖4 某聯(lián)合站儲罐單元示意圖Fig.4 Schematic diagram of the storage tank units in an oil field union station 現(xiàn)場調(diào)查顯示,某公司的輸油泵出口壓力異常增高,泵體出現(xiàn)劇烈抖動和噪聲,可能原因為部分流道阻塞,高壓液體沖擊引起儲罐泄壓啟動,出油輸管壓力激增,控制系統(tǒng)誤判儲罐低液位,使得輸油泵啟動進而加大泵體壓力和流量,緩沖罐低壓警報啟動增壓流程,勢必提高了進油輸管的流量,當操作人員發(fā)現(xiàn)儲罐憋壓時已經(jīng)來不及控制儲罐容量,在控制系統(tǒng)下儲罐處于高度憋壓,最終導致泄漏事故的發(fā)生。最終,安全人員解決了輸油泵壓力增高的故障,采取措施使得儲罐系統(tǒng)恢復了正常運行,并控制了風險的傳播。本文基于上述建立的某油田聯(lián)合站儲罐系統(tǒng)憋壓泄漏過程安全信息風險傳播推演模型(見圖3),對安全信息風險傳播路徑進行了分析,具體分析過程如下: (1) 由于輸油泵出口壓力信息異常(節(jié)點11)進而發(fā)生報警響應,將其作為上級變量,根據(jù)因果圖搜索與其直接相連的下級變量為出油輸管壓力信息(節(jié)點16)。 (2) 通過KELM方法預測節(jié)點11發(fā)生報警后節(jié)點16的變量值,由公式(12)可計算得到各下級變量的擾動變化率,見表3。 表3 各下級變量的擾動變化率DR和影響因數(shù)RiTable 3 Disturbance rate DR and influence factor Ri of each subsequent variable (3) 根據(jù)公式(13)計算得出節(jié)點16的影響因數(shù)(見表3),并判斷其影響因數(shù)值大于閾值(默認為1.75),因此可將出油輸管壓力信息(節(jié)點16)作為下級影響變量。 (4) 繼續(xù)搜索節(jié)點16的下級變量,包括沉淀罐油出口流量信息(節(jié)點7)和輸油泵流量信息(節(jié)點12),計算各下級變量的擾動變化率和影響因數(shù)值,并將最大的影響因數(shù)值對應的節(jié)點作為節(jié)點16的下級變量。通過KELM方法預測節(jié)點11發(fā)生報警后各節(jié)點的變量值,通過比較節(jié)點7和節(jié)點12的影響因數(shù)值,節(jié)點12的影響因數(shù)值是最大且大于閾值,因此將該變量作為節(jié)點16的下級變量;以此類推,繼續(xù)搜索節(jié)點12的下級變量,包括沉淀罐油出口壓力信息(節(jié)點5)、緩沖罐壓力信息(節(jié)點8)、輸油泵入口壓力信息(節(jié)點10)和儲罐溫度信息(節(jié)點19),由公式(12)和(13)可計算得出各節(jié)點的擾動變化率和影響因數(shù)值,其影響因數(shù)最大值為1.803,對應節(jié)點8,且大于閾值,因此將該影響因數(shù)最大值對應的緩沖罐壓力信息(節(jié)點8)作為下級變量;繼續(xù)搜索節(jié)點8的下級變量,包括進油輸管流量信息(節(jié)點13)和出油輸管流量信息(節(jié)點17),由公式(12)和(13)可計算得出節(jié)點13的影響因數(shù)值為1.641,小于閾值,整個搜索到此結束。 通過將傳統(tǒng)的回歸分析引用到實例中,同樣選取塔里木油田某聯(lián)合站儲罐單元各參數(shù)的監(jiān)測數(shù)據(jù)5 000組,分析計算得出安全信息過程變量之間的關聯(lián)系數(shù),再根據(jù)人工神經(jīng)網(wǎng)絡擬合計算出20組安全信息過程變量間的因果關系,并進行變量聚類分析。根據(jù)相關關系得出的主要風險傳播路徑為:節(jié)點12輸油泵流量信息報警響應,直接影響節(jié)點19儲罐溫度信息,聚類出節(jié)點12直接相關的節(jié)點為節(jié)點4、節(jié)點11和節(jié)點17,最后影響的節(jié)點為18,這與實際情況不符,其余節(jié)點影響分析也存在與實際不符的情況。通過對比實際情況可知,節(jié)點12輸油泵流量過大信息直接影響節(jié)點8緩沖罐壓力過高信息,而不是直接影響節(jié)點19儲罐溫度信息,這說明傳統(tǒng)的風險傳播路徑回歸分析方法存在一定的誤差,而本文提出的方法更準確和可行。 (1) 通過KELM-TE方法分析了某儲罐系統(tǒng)憋壓泄漏安全信息風險傳播中的過程變量,對非線性過程所分析出的安全信息風險傳播路徑在整個儲罐系統(tǒng)中最可能的路徑為:輸油泵出口壓力過高信息(節(jié)點11)→出油輸管壓力過高信息(節(jié)點16)→輸油泵流量過大信息(節(jié)點12)→緩沖罐壓力過高信息(節(jié)點8)→進油輸管流量過大信息(節(jié)點13)→儲罐壓力過高信息(節(jié)點20)。根據(jù)實際調(diào)查,該結果驗證了KELM-TE方法的有效性。 (2) KELM-TE方法根據(jù)兩變量間的關聯(lián)系數(shù)、下級變量的擾動變化率和變量間的影響因數(shù)可確定上下級變量間的傳遞關系和影響關系,進而確定了某儲罐系統(tǒng)憋壓泄漏過程中安全信息風險傳播的路徑和方向。該方法從與研究對象相關的內(nèi)外部綜合因素考慮,避免了安全信息的空間散失。 (3) 基于KELM-TE方法的安全信息風險傳播路徑研究可為存在復雜非線性關聯(lián)性的系統(tǒng)提供新的風險控制策略。無論是哪種系統(tǒng),只要涉及過程變量及信息傳遞,都可以建立相應的安全信息風險傳播模型,用來預測可能的安全信息風險傳播路徑和方向,以便較為準確地掌握信息風險,進而提出針對性的風險控制措施。1.2 熵和傳遞熵
2 安全信息風險傳播路徑研究
2.1 安全信息風險傳播推演模型的建立
2.2 安全信息風險傳播路徑分析
3 實例應用與分析
3.1 儲運系統(tǒng)憋壓泄漏過程安全信息風險傳播推演模型建立
3.2 儲罐系統(tǒng)憋壓泄漏過程安全信息風險傳播路徑分析
4 結 論