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。技术实现要素：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,…,in](7)隶属度函数用曲波函数替代，如下所示：式中，ni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：βj＝min{γ1,γ2,…,γk}，j＝1,2,…,na，k＝1,2,…,nn(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，wj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：依据小波神经网络的基本原理，将曲波变换和人工神经网络结合构建曲波神经网络，曲波神经网络不仅具有传统小波神经网络的尺度和位置路径通道，而且具有方向性，因此，曲波神经网络可以构建更复杂的决策面，从而获得高性能的网络模型。此外，为了能够更好地描述石油化工装置检修风险因素的模糊性和不确定性，将模糊理论融入到曲波神经网络中构建模糊曲波神经网络。附图说明图1是模糊曲波神经网络的基本结构示意图。图中，1、曲波变换层，2、模糊化层，3、模糊关联层，4、模糊化后关联层，5、输出层。具体实施方式1曲波变换的基本理论曲波变换是科学家donoho首次提出的，是一种各向异性的多尺度、多方向表达，曲波变换是由科学家candes在2012年对传统曲波变换修正而提出的，从而获得了快速曲波变换。在二维空间r2中，定义空间位置参数为s，定义频域参数为ω，频域的极坐标分别定义为r和θ，假设存在光滑的、非负的和实数的窗口w(r)和角度窗v(t)，并且满足如下的条件：定义曲波变换的尺度参数为2-j，旋转角序列θj，l的表达式如下所示：位置参数序列的表达式如下所示：曲波的函数的表达式如下所示：式中，是角度θj，l的旋转矩阵。频域内的连续曲波变换的表达式如下所示：2模糊曲波神经网络的理论模型模糊曲波神经网络有五层结构，包括曲波变换层、模糊化层、模糊相关层、模糊化后相关层和输出层，其基本结构如图1所示。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,…,in](7)隶属度函数用曲波函数替代，如下所示：式中，ni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：βj＝min{γ1,γ2,…,γk}，j＝1,2,…,na，k＝1,2,…,nn(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，wj表示节点间的连接权，表示节点间的连接向量，3模糊曲波神经网络的训练算法为了能够提高模糊曲波神经网络的有效性，改进的粒子群算法用于其训练，传统的粒子群算法可以有效地处理非线性问题，所有的问题都能够被转换为一个在寻优空间中没有质量和体积的粒子，此外，不同粒子的运动位移和方向可以通过速度表示，可以利用个体和群体的移动经验来描述。在迭代运算过程中，粒子可以根据个体和全局极值调节其运动速度和方向，个体极值是粒子的最优解，全局极值是群体的最优解，粒子的速度和位置可以通过如下的公式调整；式中，x表示粒子的当前位置，v表示粒子的当前运动速度，pi表示粒子的极值，pd表示全局极值，ca和cb分别表示个体和全局极值的权重，ca∈(0，1)，cb∈(0，1)，rand是介于0和1之间的随机数，λ表示惯性权向量，可以扩展粒子优化空间。根据全局寻优的需要，粒子在初始寻优阶应该有更好的性能，在寻优的末期应该有更好的进化能力，从而能提高算法的收敛效率，惯性权系数可以通过如下的公式调节：λ＝λ-iter(λmax-λmin)/itermax(17)式中，iter表示算法的迭代数，itermax表示最大的迭代数，λmin表示最大得到惯性权系数。λmax的变化区间为{1.2，1.0，0.80}，λmin的变化区间为{0，0.3，0.5}。粒子群算法容易陷入局部最优，也容易产生早熟现象。为了避免这些缺陷，将细菌觅食算法和粒子群算法融合起来。细菌觅食算法是k.m.passino首创的，该算法是基于仿生学提出的，主要是依据大肠杆菌在肠道内觅食所体现的行为特点，该算法有许多优点，可以进行趋化、分散和繁殖操作，将两种算法融合起来对模糊曲波神经网络进行训练是切实可行的，相应的理论模型如下所示：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，个体和全局极值可以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。4实例分析以某石油化工装置为例，利用模糊曲波神经网络对其检修进行风险评估，该装装置检修风险因素包括6个，主要在拆卸法兰、吊装作业、试压试验、拆安法兰和脚手架作业操作上产生的风险，见表1。收集该装置30次停工检修的资料，以前25次检修作为模糊曲波神经网络的训练样本，以后5次检修作为测试样本，部分训练样本见表2，测试样本集见表3。模糊曲波神经网络的输入神经元有6个，分别是石油化工装置检修的6个风险因素，输出层单元由1个，为石油化工装置检修的风险评价值，模糊化层神经元的数量10个，模糊相关层神经元的数量为13个，模糊化后相关层的神经元数量为9个。最大趋化迭代数位12，最大分散迭代数位45，最大繁殖迭代数为15。通过对测试样本集进行风险评估，最终的风险评估值见表4。从表4可以看出，模糊曲波神经网络对石油化工装置检修的风险评估具有较高的精度，通过仿真值和实际风险值的对比，风险评估的误差均控制在5％以内，从而表明该技术是一种有效的石油化工装置检修风险评价技术。表1某石油化工装置检修的风险因素代码作业环节风险描述r1拆卸法兰机械伤害r2吊装作业起重伤害r3吊装作业高处坠落r4试压试验火灾、触电r5拆安法兰其他伤害r6脚手架作业高处坠落表2训练样本集样本编号r1r2r3r4r5r6风险评价值10.30.30.40.30.50.40.3620.40.50.30.30.60.20.4430.30.30.60.40.30.50.3940.80.60.60.70.40.50.5750.20.40.30.30.20.40.27……………………300.50.40.40.30.60.40.52表3测试样本集样本编号r1r2r3r4r5r6风险评价值10.40.40.50.60.40.50.4720.70.50.70.60.50.50.6230.40.40.70.30.50.60.5140.30.40.40.20.50.20.3650.50.50.40.60.70.50.54表4预测样本的风险评估值当前第1页12