东北大学学报:自然科学版   2015, Vol. 36 Issue (3): 437-441   PDF (701 KB)    
基于BN-bow-tie的生物质气化中毒事故分析
闫 放, 许开立, 姚锡文, 王延瞳    
东北大学 资源与土木工程学院, 辽宁 沈阳 110819
摘要:通过将故障树转化为贝叶斯网络,计算生物质气化中毒事故发生的概率为1.20298×10-4/d,利用贝叶斯网络双向推导与诊断的功能计算基本事件的后验概率及重要度,从而分析出系统中导致事故发生的薄弱环节.结合bow-tie法同时分析导致薄弱环节失效的因素及失效后可能会出现的后果,基于此得出防止薄弱环节失效的预防措施以及失效后采取的控制措施,进而降低事故发生的概率;对薄弱环节阀门泄漏采取措施后,可使得中毒事故发生概率降低20.92 % ,最终达到降低事故发生概率的目的.
关键词故障树分析     贝叶斯网络     bow-tie     燃气泄漏中毒事故     生物质气化    
Analysis of Biomass Gasification Poisoning Accident Based on BN-bow-tie
YAN Fang, XU Kai-li, YAO Xi-wen,WANG Yan-tong    
School of Resources & Civil Engineering, Northeastern University, Shenyang 110819, China.
Corresponding author: YAN Fang, E-mail: yanfang3543@126.com
Abstract: Occurrence probability of biomass gasification poisoning accident is 1.20298×10-4/d by transforming fault tree to Bayesian network. The two-way derived and diagnosed function of Bayesian network was used to calculate posterior probabilities and worth of each basic event. Then analyze the weak point which led to accident in the system. The reason and the consequence of failure were analyzed combining the bow-tie. Then prevention measures were got to prevent weak point from failure and control measures were adopted after it had turned to be failure. Thereby reduce the probability of accident. After adopting measures to weak point valve leakage it can reduce poisoning accident probability by 20.92 % . The aim is to reduce accident probabilities.
Key words: fault tree analysis     Bayesian network     bow-tie     gas leakage poisoning accident     biomass gasification    

生物质气化是近年发展的一项新能源技术,推广生物质气化是解决能源紧张与环境污染的一项有效措施[1].但燃气泄漏中毒事故是阻碍其推广的一个突出问题.生物质气化工艺中生物质燃气是通过生物质在缺氧环境下不完全燃烧生成的,这就使得生物质燃气中含有大量的CO.生物质气化站内一旦发生气体泄漏,将可能导致中毒事故的发生.所以,有必要对生物质气化站燃气泄漏中毒事故进行系统安全分析,根据分析结果提出生物质气化燃气泄漏中毒事故的预防措施,从而达到降低事故发生概率的目的.但是,现阶段生物质气化的安全问题并未引起足够的重视,在这方面的研究也较少.文献[2]通过对生物质气化的辅助设备进行研究,发现干燥系统中生物质的挥发分直接蒸发或由生物质降解蒸发的气体排出系统外后,会产生对人体有害的蓝烟.但是在生物质气化安全分析上,还仅局限于使用传统的故障树、事件树等方法.文献[3]提出了一种使用贝叶斯网络进行概率安全评估的方法;文献[4]提出一种使用bow-tie进行逻辑分析与推理的方法.因此,本文结合故障树分析与贝叶斯网络对生物质气化燃气泄漏中毒事故进行分析,采用bow-tie分析法找出薄弱环节并进行分析,提出相应的预防措施来降低薄弱环节失效的概率,以及在薄弱环节失效后减少其对其他节点造成影响的控制措施,最终达到降低事故发生概率的目的.

1 气体泄漏中毒事故故障树

生物质气化系统主要由气化装置、净化装置、真空泵、调压装置以及连接管道组成,其中气化装置与干式除尘器位于气化间,湿式除尘器、脱水器、真空泵、调压装置位于净化间.在生物质气化工艺中,气化装置反应生成的燃气通过净化装置除尘、除焦油之后送往储罐,储罐内的燃气再通过调压装置送往用户,如图 1所示.

图1 生物质气化工艺系统图 Fig. 1 System figure of biomass gasification process

位于二级湿式除尘器与水浴除尘器之间的真空泵将燃气从气化装置内抽出,通过干式除尘器,一级、二级湿式除尘器然后进入水浴除尘器,所以气化装置、干式除尘器、一级、二级湿式除尘器及其连接管道中为负压.而真空泵后面的部分则为正压,负压部分不存在泄漏,故只有正压部分的水浴除尘器、脱水器、调压装置、真空泵及其连接管道部分存在泄漏,一旦泄漏发生,防护和检测设备未起作用,则会导致中毒事故.

由此绘制出生物质气化燃气泄漏中毒事故的故障树,如图 2所示.其中各符号所对应的事件名称见表 1.

图2 生物质气化装置燃气泄漏中毒事故故障树 Fig. 2 The fault tree of gas leakage poisoning accident for biomass gasification device

表1 生物质气化燃气泄漏中毒事故事件类型及发生概率 Table 1 Event types and the occurrence probability of biomass gasification gas leakage poisoning accident
2 贝叶斯网络分析 2.1 将故障树转化为贝叶斯网络

将故障树按照如下步骤转化为贝叶斯网络[3]

1) 在贝叶斯网络中参照故障树的基本事件与非基本事件(中间事件和顶事件)建立父节点或子节点,并根据该事件名称进行命名,对于重复的事件,在贝叶斯网络中只建立一个节点;

2) 根据故障树中相对应的基本事件的失效概率确定贝叶斯网络中父节点的先验概率;

3) 按照故障树中顶事件、中间事件和基本事件的连接关系建立贝叶斯网络中节点之间连接;

4) 按照故障树中的逻辑门确定贝叶斯网络中子节点的条件概率分布.

由此绘制出的贝叶斯网络如图 3所示.

图3 生物质气化站燃气泄漏中毒事故贝叶斯网络 Fig. 3 Bayesian network of gas leakage poisoning accident for biomass gasification station

因为本文中的逻辑连接方式仅涉及到简单的与门、或门,所以在计算顶事件发生概率时,采用如下方法进行计算.

1) 当事件x1x2以与门连接时,其顶上事件A的发生概率采用式(1)进行计算:

2) 当事件x1x2以或门连接时,其顶上事件A的发生概率采用式(2)进行计算:

该算法由于计算量庞大,需借助计算机对结果进行计算.本文采用贝叶斯网络计算软件GeNIe进行计算,并根据历年事故统计数据得出基本事件发生概率(见表 1),最终得出气化站气体泄漏中毒事故的发生概率为1.20298×10-4/d.

2.2 基本事件后验概率

利用贝叶斯网络还可以得到某节点Ej对应的事件(顶上事件)发生后,节点Ei对应事件发生的后验概率,根据贝叶斯定理[5]可以得出后验概率的计算方法如式(3)所示[6]

其中:ek∈{0,1}用来表征节点Ek对应的事件发生与否(0代表不发生,1代表发生);P(Ej=ek)表示在状态ek下节点Ej对应事件的发生概率;P(Ei)表示节点Ei对应事件的先验概率;P(Ej=ek|Ei)表示在节点Ei对应事件发生的前提下节点Ej对应事件为状态ek的概率.由此可以计算在顶事件发生的条件下各基本事件的后验概率,从而进行诊断,据此可以通过事故的结果来推测事故发生的原因.根据以上方法以燃气泄漏中毒作为顶事件,计算顶事件发生的条件下各基本事件的后验概率.各基本事件先验概率与后验概率的对比如图 4所示.

图4 各基本事件先验概率与后验概率 Fig. 4 Prior probability and posterior probability of each basic event

根据式(3)可以看出,P(Ej=ek|Ei)P(Ei)P(Ej=ek)影响后验概率的大小,因为所有的基本事件对应的都是一个顶事件,所以P(Ej=ek)的值是相同的,因此影响后验概率大小的因素只有P(Ei)P(Ej=ek|Ei).其中P(Ei)的大小与后验概率的大小成正比,说明事件本身的先验概率越大其所对应的后延概率也越大;后验概率的大小与P(Ej=ek|Ei)的大小 成正比,又P(Ej=ek|Ei)的大小主要受基本事件的逻辑连接方式以及该基本事件所在的连接中所含有的基本事件的多少影响,同与门连接相比或门连接 会使该值增大,而一个连接中事件数量的增加则会使该值减少.由图 4可知,通过贝叶斯网络的诊断,可知在顶事件发生的前提下,部分事件的后验概率发生了显著的提高,后验概率的大小从高到低排序分别为 x9x2x7x4x1x8x5x6x3x19.

2.3 基本事件重要度

本文引入以下3种重要度分析基本事件[7, 8, 9].

1) 伯恩鲍姆(Birnbaum)重要度[7]: (4) 式中:P(Outcome=j︱xi=1)表示某基本事件发生条件下顶事件发生概率;P(Outcome=j︱xi=0)表示某基本事件不发生条件下顶事件发生概率,这两个量的计算方法参照式(3)进行计算.该重要度用来衡量事件xi的发生导致顶事件发生概率增加的量.

2) 危害性重要度[8]

式中:IBxi表示式(4)计算得出的伯恩鲍姆重要度;P(xi)为某基本事件的先验概率;P(Outcome= j)为顶事件发生概率.危害性重要度将基本事件对顶事件的影响以及基本事件本身发生概率综合起来考虑,根据事件xi发生的概率调整其发生对顶事件的影响.

3) 弗塞-维思利(Fussell-Vesely)重要度[9]

式中:P(Outcome=j)为顶事件发生概率;P(Outcome=j︱xi=0)表示某基本事件不发生条件下顶事件发生概率.该重要度又称割集重要度,它用于描述部件、事件失效对系统失效的贡献.

运用贝叶斯网络计算软件GeNIe对各事件条件概率进行计算,然后根据式(4)~式(6)计算出基本事件的各个重要度,如图 5所示.

图5 基本事件各重要度 Fig. 5 Worth of each basic event

在得出各基本事件的3种重要度之后,采用如下方法综合考虑各基本事件各重要度的综合排序:

1) 对于3种重要度中的任意一种,把排列顺序数赋予每个基本事件;

2) 求每个基本事件3种重要度排列顺序的平均值;

3) 根据平均值排序得到基本事件的总顺序;

4) 通过顺序数赋予基本事件建立排列顺序.

这样就得到如表 2所示的排列顺序(只考虑每种重要度排列前十位的).

表2 基本事件重要度排列顺序均值 Table 2 Basic event worth order

表 2可以看出,重要度排列顺序均值从高到低的顺序为 x9x2x7x4x1x8x5x6x3x16,这个顺序与后验概率的排序基本一致.其中事件x9阀门泄漏的平均秩最高,所以对于气化站燃气泄漏中毒事故的发生,事件x9阀门泄漏起到了最大的影响作用.若基本事件x9不发生,可以使得顶事件燃气泄漏中毒的发生概率降低20.92 % 至9.51307×10-5/d,也就是保障阀门的可靠运行可以有效降低气化站燃气泄漏中毒事故的发生概率.

3 Bow-tie分析

根据贝叶斯网络分析得出生物质气化系统中易导致中毒事故发生的薄弱环节为事件x9阀门泄漏,采用bow-tie分析法分析导致该薄弱环节失效的潜在危险因素以及该薄弱环节失效后可能会导致的后果.根据事件发生原因及导致后果得出防止事件发生的预防措施以及事件发生后采取的控制措施,从而降低其失效概率以及减 少其失效后对其他节点的影响,进而达到降低事故发生概率的目的.BN-bow-tie分析步骤如下.

1) 根据贝叶斯网络的双向推导功能,计算基本事件后验概率及重要度,找出系统中易导致事故发生的薄弱环节.

2) 将薄弱环节作为顶事件进行故障树分析,找出该薄弱环节失效原因.将这些原因画在bow-tie图左侧,每个原因事件与薄弱环节连线.

3) 针对导致薄弱环节失效的原因,得出相应防止失效的措施,也就是“阻断”失效原因与薄弱环节之间连线的“障碍”,并在相应位置中画出.

4) 薄弱环节作为初始事件进行事件树分析,找出薄弱环节失效后可导致的后果.将这些后果画在bow-tie图右侧,每个后果与薄弱环节连线.

5) 针对每一个薄弱环节失效后的后果,分析出相应减少后果影响的控制措施,也就是可以“阻断”后果事件与薄弱环节之间连线的“障碍”,并在相对应的位置中画出.

通过以上分析得出12条预防措施,分别为B1选择合格的阀门材料,B2避免出现焊口对接不正,B3防止焊接过宽或过窄现象,B4阀门选择符合要求的防腐材料,B5净化间内采取冬季供暖措施,B6制定相关的安全规程,B7定期对阀门进行检查,B8在净化间内温度达到5℃以上才可打开阀门,B9定期对阀门进行清洗维护,B10操作人员学习并遵守操作规程,B11无关人员不得进入气化站,B12定期对阀门进行更换;得出5条控制措施,分别为B13疏散人员,B14关闭气化炉,B15开启门窗,B16对阀门破损部位进行处理,B17消防灭火.Bow-tie图如图 6所示.

图6 阀门泄漏事件的bow-tie分析图 Fig. 6 Bow-tie analysis diagram for valve leakage

图 6可看出采用bow-tie图可将复杂安全分析方法找出的导致薄弱环节失效的危险源及薄弱环节失效后导致的后果直观简洁地表现出来,同时防止薄弱环节失效的预防措施以及失效后减少后果影响的控制措施也在图中简明清晰地显示出来.这在实际生物质气化生产的安全管理中,可以使操作人员不需太多专业知识即可清楚知道生产中应注意的事项,以及在事故发生后应如何采取措施来降低损失.

4 结 论

1) 通过贝叶斯网络得出生物质气化中毒事故的发生概率为1.20298×10-4/d.

2) 通过贝叶斯网络的双向推导,计算基本事件的后验概率及重要度,得出生物质气化中毒事故中导致事故发生的薄弱环节是阀门泄漏,若该事件不发生可以使顶事件发生概率降低20.92 % .

3) 采用bow-tie法分析出导致薄弱环节失效的因素以及事件发生后可能会导致的后果,进而分析出防止薄弱环节失效的措施以及失效后的控制措施,将薄弱环节对应的失效原因、失效后果以及相应的预防措施、控制措施通过bow-tie图简明地表示出来,从而方便在实际安全生产中进行推广,达到降低事故发生概率的目的.

参考文献
[1] Thanapal S S,Siva K,Annamalai K,et al. Fixed bed gasification of dairy biomass with enriched air mixture[J].Applied Energy,2012,97(9):525-531.(1)
[2] Cummer K R,Brown R C.Ancillary equipment for biomass gasification[J].Biomass and Bioenergy ,2002(23):113-128.(1)
[3] 周忠宝.基于贝叶斯网络的概率安全评估方法及应用研究[D].长沙:国防科学技术大学,2006.(Zhou Zhong-bao.Research on methods and application of probabilistic safety assessment based on Bayesian networks[D].Changsha:National University of Defense Technology,2006.)(2)
[4] Zhao J,Tao L,Yu H,et al.Bow-tie topological features of metabolic networks and the functional significance[J].Chinese Science Bulletin,2007,8(52):1036-1045.(1)
[5] Bobbio A,Portinale L,Minichino M,et al.Improving the analysis of dependable systems by mapping fault trees into Bayesian networks [J].Reliability Engineering and System Safety,2001,71(3):249-260.(1)
[6] Vander G L C.Bayesian belief networks:odds and ends[J].The Computer Journal,1996,54(11):97-113.(1)
[7] Antal P,Meszaros T,Moor B D,et al.Annotated Bayesian networks:a tool to integrate textual and probabilistic medical knowledge[C]// Proceeding of 14th IEEE Symposium on Computer-Based Medical Systems.Bethesda,2001:177-182.(1)
[8] Prakash P S,James C W.Inference in hybrid Bayesian networks using mixtures of polynomials[J].International Journal of Approximate Reasoning,2011,52(5):641-657.(2)
[9] Troldborg M,Aalders I,Towers W,et al.Application of Bayesian belief networks to quantify and map areas at risk to soil threats:using soil compaction as an example[J].Soil and Tillage Research,2013,132(8):56-68.(2)