[发明专利]一种石油化工装置检修的风险评估模型

说明书

技术领域

本发明涉及一种石油化工装置检修的风险评估模型，属于安全工程技术领域。

背景技术

石油化工装置的检修具有交叉作业多、检修工期短、检修内容多以及检修人复杂等特点，检修的质量直接决定着石油化工企业的故障发生率，由于石油化工装置检修造成的水平非常严重，为了能够提高石油化工装置的可靠性，确保石油化工装置的安全运行，对石油化工装置的检修也提出了较高的要求。石油化工装置的数量不断增加，检修工作量大和检修资源不足之间的矛盾日益突出，因此，石油化工装置检修的风险评估是制定科学的检修决策的主要依据，能够确保石油化工装置在检修后的下个周期运行的安全可靠性。风险评估主要是应用安全系统工程对石油化工装备检修的风险因素进行评价，从而能够对石油化工装置检修所产生的风险水平进行评估，进而能够提高石油化工装置的检修水平。石油化工装置检修的风险评估具有非线性的特点，传统的评估方法，如层次分析法、模糊综合评价法、灰色系统理论等，存在实现比较难和评估准确性不高的缺陷。

发明内容

本发明针对上述现有技术中存在的问题，研制一种石油化工装置检修的风险评估模型，将模糊理论应用于石油化工装置检修风险评估中，提高其风险评估的准确性。

本发明的技术方案如下：

模糊曲波神经网络有五层结构，包括曲波变换层、模糊化层、模糊关联层、模糊化后关联层和输出层；曲波变换层：曲波变换用于处理输入向量I，经过处理后的输入向量输入到下一层，I和表达式如下所示：

I＝[i₁,i₂,…,i_n] (7)

隶属度函数用曲波函数替代，如下所示：

式中，N_i表示I的维度；

模糊化层：已知节点和语言变量之间的关系，隶属度也可以利用曲波函数描述，如下所示：

模糊关联层:在该层可以执行输入向量的模糊求和，然后可以获得模糊关联向量，如下所示：

β_j＝min{γ₁,γ₂,…,γ_k}，j＝1,2,…,N_A，k＝1,2,…,N_n (11)

式中，

模糊化后关联层：在该层对关联向量进行正交化处理，计算公式如下所示：

输出层：在该层对关联强度进行加权线性求和，计算公式如下所示：

式中，w_j表示节点间的连接权，表示节点间的连接向量，

模糊曲波神经网络的训练算法是将细菌觅食算法和粒子群算法融合起来，理论模型如下所示：

J(m,n,Q,S)＝F(:,m,n,Q,S)) (18)

式中，m表示细菌的数量，n表示趋化因子，Q表示分散因子，S表示繁殖因子，F表示适应度函数。

在优化空间中，趋化、分散和繁殖操作可以确保细菌的持续更新，粒子的运动位置和速度可以依据细菌的适应度进行调节，个体和全局极值通过如下的公式进行计算：

simple_location(:,m,n)＝present_locaiton(:,m,index(m,:)) (19)

entity_location(:,m,n)＝present_locaiton(:,L,index(L,:))(20)

根据式(19)和(20)，粒子可以持续地在优化空间进行迭代，当获得全局解时迭代运算结束。

改进粒子群算法的步骤如下所示：

步骤1:初始化粒子群，设置粒子群的规模，粒子的运动位置和速度；

步骤2:初始化细菌群，设置细菌群的规模和位置，细菌群在趋化和繁殖过程中所需的计算步长，设置细菌群因子；

步骤3:设置模糊曲波神经网络的运动位置向量，计算对应的适应度，初始化个体和全局极值；

步骤4:通过粒子翻转发现粒子的优化位置，调节粒子群的适应度，个体和全局极值；

步骤5:分析调节后的粒子群适应度判断是否结果得到完善，如果完善了，进入下一步，否则，返回步骤4；

步骤6:判断粒子是否达到设置的步长，如果满足条件，进行粒子群的趋化和繁殖，否则，返回步骤4；

步骤7:当达到最大迭代数，算法结束，否则返回步骤4。

本发明的优点效果如下：