CN109522962A - 一种化工厂安全定量评估方法 - Google Patents

Abstract

本发明涉及一种化工厂安全定量评估方法。本发明建立一个基于贝叶斯网络的化工厂安全定量分析研究模型。在该模型中主要从组织、信息、工作设计、人机***接口、任务环境、工作场所设计和操作员特征七个方面的人因可靠性角度展开详细分析，使用调查问卷和专家判断法，建立化工厂安全指标体系，同时使用贝叶斯网络训练样本。最后运用贝叶斯进行处理和建模，最终估算化工厂安全定量值，判断化工厂的安全等级。本发明具有精确推理、计算快速和评估全面等特点。

Description

一种化工厂安全定量评估方法

技术领域

本发明属于化工安全领域，涉及到自动化应用技术，特别是涉及一种化工厂安全定量评估方法。

背景技术

化工行业是各国国民经济的一个重要基础产业，为各国经济的发展做出了突出的贡献。然而,由于化工行业工艺复杂，物料本身危险性大，且存在高(低)温、高压、易燃、易爆和腐蚀等作业环境，使其成为潜在危险性较大的行业，一旦发生安全生产事故，往往造成严重的经济损失、人员伤亡和环境破坏。然而，在过去二十年中，随着社会的发展和科技的进步，重大事故的数量明显逐步减少。但是，化工厂一旦造成安全事故，成本仍然很高。因此，降低化工厂的事故率，一直是化工行业努力的方向。

目前化工行业的生产技术的日已更新，许多重大事故的主要都是人为错误造成。数据统计显示，在化学品生产和存储过程中，工业事故至少部分由于人为造成的范围在60-90％之间，这是个恐怖的比例。另外，石油化学工业中，例如自动化程度很高的炼油厂，工业事故产生原因中人为错误也占50％。因此，很明显的是，由于人为错误导致事故的相对数量正在增加，而由于技术故障导致事故的相对数量正在减少。这是由两个因素造成的。首先，重点是技术和设计的改进和创新。大多数工程师都对开发具有设备高可靠性的加工厂感兴趣，他们重点关注的是技术故障引起的风险。为此，影响操作员绩效的设备和设施方面才是我们研究的重点，对这些方面的分析和评估属于人为因素领域。技术，管理和人为因素应密切配合，以提高工厂的绩效。其次，关于人为错误的大部分工作都集中在人为错误的现象而不是根本原因。上面给出的百分比范围(60-90％)显然是一个很大的分布。这可以通过构成人为错误的不确定性来解释。一些主要在事故调查中的分析人员将事故归结为人为错误。他们认为人为错误是前线操作员无法正确执行操作或忽略操作。这种想法是错误和天真的，想的过于简单化。这就像识别疾病的现象，而不检查根本原因。毕竟，在今天的大多数***中，不可能确认单一人为原因而导致事故的。

发明内容

本发明针对现有技术的不足，提出了一种化工厂安全定量评估方法。

本发明的目标是针对化工厂安全评估中的一些难题，建立一个基于贝叶斯网络的化工厂安全定量分析研究模型。在该模型中主要从组织、信息、工作设计、人机***接口、任务环境、工作场所设计和操作员特征七个方面的人为因素角度展开详细分析，使用调查问卷和专家判断法，建立化工厂安全指标体系，同时使用贝叶斯网络训练样本。最后运用贝叶斯进行处理和建模，最终估算化工厂安全定量值，判断化工厂的安全等级，以此作为一种化工厂安全定量评估的方法。

本发明方法具体是：

步骤1:化工厂安全的影响因素分析

围绕人员因素建立一个化工厂安全分析研究模型，模型主要内容包括组织、信息、工作设计、人机***接口、任务环境、工作场所设计和操作员特征七个方面。组织是驱动，信息是桥梁，工作设计是方法，人机***接口是重点，任务环境是支持，工作场所设计是保障，操作员特征是基础。他们共同影响安全分析结果。

步骤2：建立算法应用流程

贝叶斯网络实际建模过程应该作为一个整体的流程来看待，建立流程。

步骤3：化工厂风险分析贝叶斯网络节点的确定

贝叶斯网络结构的目标节点为化工厂风险分析，将其定义为W，30个节点按组织、信息、工作设计、人机***接口、任务环境、工作场所设计和操作员特征因素进行划分，并对节点进行编号。

步骤4化工厂风险分析贝叶斯网络结构的建立

1贝叶斯网络评估标准定义

根据选取的节点，通过专家知识和机器学习建立网络结构。每一起事故中各节点对安全风险大小影响程度是不一样的，结合调查报告描述，对各影响因素进行识别和评估，按照评估标准分别将各因素的相对影响程度进行评估给出其分值，为此选择了李克特五点量表，最不重要＝1为最低，最重要＝5为最高。

2贝叶斯网络数据收集

(1)化工厂安全各因素影响程度调查

对照影响程度评估标准，制作调查问卷。评委被要求根据对人为失误原因的感知重要性对各级因素进行打分。调查问卷的评委或受访者均有安全和化工方面的背景。在所有受访者中，有23名评委被选中。

(2)化工厂安全各因素状态估值调查

对照状态估值评估标准，制作调查问卷。邀请了化工行业23位专家对研究的化工厂状态估值调查。

3化工厂安全等级因素估值

从问卷调查结果中可得，每项因素对化工厂安全影响程度和状态估值的数据。通过将影响程度和状态估值的问卷数据值坐标得到安全评估值，并利用安全等级矩阵规范化处理数据从而得出每项风险的安全等级。

安全状况被分为S1，S2，S3、S4和S5等5个等级，分别代表非常不安全，不安全，一般安全，较安全和非常安全。根据类似风险估计值的算法，可得到25个安全值(其中有大量重复值)。通过安全等级矩阵来规范化处理问卷数据，可很大程度地减少计算安全评估值的工作量，并且处理后的所有安全因素都可用5个等级(S1，S2，S3、S4和S5)来衡量。统计每种安全等级在每项安全因素中所占的比例，可为建立贝叶斯网络模型提供必要的数据。

4对贝叶斯网络结构学习

(1)贝叶斯网络结构的结构背景知识预先编辑

理论上，通过样本数据学习构建目标网络是客观可行的，只要合理定义评价目标网络优劣的评价函数、借助软件运行就可能产生网络。为了使拓扑结构简单清晰、计算快捷，充分利用专家知识、报告分析等手段，按照原因在前，结果在后决定变量顺序，建立因果网络，在此基础上导入样本数据进行学习，进一步挖掘节点之间隐藏的关联关系。对构建的贝叶斯网络节点间因果关系进行初步判断、汇总梳理，再借助贝叶斯软件对结构学习背景知识进行预先编辑。

(2)贝叶斯网络结构学习

利用贝叶斯应用软件来学习完善网络结构，将24例评估样本作为机器学习数据导入网络。贝叶斯网络结构的学习方法，常用的主要有基于统计测试的方法和基于搜索记分的方法。基于搜索记分的代表性算法是K2算法，其主要思想是首先定义一个评价网络模型优劣的测度函数，再从一个初始网络开始，根据事先确定的节点顺序，选择使后验概率最大的节点作为该节点的父节点，依次遍历所有节点，逐步为每一个变量添加最佳的父节点。

在网络结构背景知识编辑的基础上，机器学习能更好的挖掘所有可能的潜在关系节点对，使网络结构节点间的有向弧更丰富。由于学习网络的复杂性，根据节点选取的独立性原则对节点弧进行检查选择，所得学习结构。

机器学习的网络结构，其精度和学习样本数量有紧密关系，越“真实”的网络需要的样本数据越多。由于本研究仅提供24例样本，用于训练学习的数据较为有限，无法得到真实“正确”且简洁的网络结构，因此需要进一步调整优化。

5利用贝叶斯应用软件对网络结构优化

(1)因果相关性分析

为了更进一步分析各个因素风险因素之间的因果关系，本文通过专家知识的方式判断了各因素之间的相关性，并根据判断结果对各个风险因素之间因果关系的进行调整。针对无因果关系的因素，全部列出来。通过样本数据学习，节点之间潜在的因果关系显现出来。需要说明的是，新增的有线弧是通过样本数据挖掘出来的，表达了数据之间的某种关系，但不一定具有真正意义上节点间的逻辑关系，需要对这部分节点之间的连接关系进行检查判断。因果关系分析的结果可以用来降低网络的复杂性，优化网络结构。

(2)贝叶斯网络结构的结构背景知识优化编辑

依据因果相关性分析结果，优化背景知识编辑，将不相关的因素提前列出来，可以再导入数据生产优化后的贝叶斯网络结构。

(3)优化后的贝叶斯网络结构

根据各个安全因素之间相关性分析，且导入优化后的背景知识编辑，最终的到优化后的贝叶斯网络结构。

步骤5化工厂风险分析的贝叶斯网络参数的学习

每个安全因素都包括五种安全状态:R1、R2、R3、R4、R5，在参数学习之前，需要对各个网络节点变量的概率进行初始化操作，即按均匀分布对每个节点变量进行初始化赋值。

目前常见的有两种贝叶斯网络参数学习方法:基于贝叶斯统计的估计(Bayesianestimation)和最大似然估计(Maximum likelihood estimation)，基于贝叶斯统计的估计是将参数看作随机变量，运算时可以考虑采用先验概率，而最大似然估计是将参数看作未知定量，不必考虑先验概率。本文采取基于贝叶斯统计的估计进行参数学习，需要考虑先验概率。针对影响程度和状态估值的问卷数据值坐标得到安全评估值，并利用安全等级矩阵，计算得到所有根节点的先验概率。导入样本学习数据库后，进行参数学习，其余根节点先验概率手动输入。所有概率参数输入后，就实现概率更新，即可实现所有节点网络参数的学习更新。

步骤6化工厂安全分析的贝叶斯网络模型

参数学习是建立在网络拓扑结构已经构建优化的基础之上的，参数学习的目的是对已有网络拓扑结构节点之间的连接强度进行定量描述，学习结果实际上就是化工厂安全分析的贝叶斯网络模型构建的最终贝叶斯网络结构。

步骤7量化计算结果

本文将化工厂安全等级分为1、2、3、4、5共五个等级，对应反应出化工厂整体状况非常不安全、不安全、一般安全、较安全和非常安全的五种状况。从最终贝叶斯网络结构图中可看出，化工厂安全级别对应为，1级概率为2％，2级概率为15％，3级概率为27％，4级概率为46％，5级概率为11％。

上述模型运算结果只代表了一般情况下化工厂安全各等级安全性概率(即发生风险的概率)，当对具体化工厂进行安全预警时，首先需要收集化工厂的相关资料，了解化工厂背景，根据化工厂的实情和特点，分析各个因素的安全等级，再将分析结果带入贝叶斯网络结构模型，并通过计算化工厂安全的等级值来预警化工厂的管理风险。化工厂整体安全等级期望值计算:化工厂安全等级1级按照2％来算，化工厂安全等级2级按照15％来算，化工厂安全等级3级按照27％来算，化工厂安全等级4级按照46％来算，化工厂安全等级5级按照11％来算。以上述模型运算结果为例，那么化工厂安全整体等级为：1*2％+2*15％+3*27％+4*46％+5*11％＝3.5。即化工厂安全等级在3～4级之间，属于接近比较安全范围。

本发明的有益效果：本发明结合化工厂的特性考虑了各种人为错误影响的基础上，提出了基于贝叶斯网络的化工厂安全定量预测模型，该模型全面考虑了组织、信息、工作设计、人机***接口、任务环境、工作场所设计和操作员特征七个方面的人为错误影响的主要安全因素，采用贝叶斯网络建模方法，利用贝叶斯网络应用仿真预测化工厂的安全定量值和安全等级。应用该模型，可以快速计算化工厂的各影响因素的安全定量比例，通过安全定量值和安全等级；本发明具有精确推理、计算快速和评估全面等特点。

附图说明

图1为化工厂风险分析模型影响因素示意图。

图2为贝叶斯网络建模流程图。

图3为安全等级矩阵。

具体实施方式

以下结合附图对本发明做进一步说明。

本发明方法具体是：

步骤1:化工厂安全的影响因素分析

安全生产风险管理体系不仅要考虑人本身的安全，还要考虑生产、***、设备、环境等对人的影响。随着自动化、智能化和***化的各方面进步，化工厂事故几乎很少有仅仅是***、设备和环境方面的原因引起，基本都是综合原因造成，其中缺少不了人员的影响，管理也是需要人员来执行的，因此本文正是围绕人员因素建立一个化工厂安全分析研究模型，模型主要内容包括组织、信息、工作设计、人机***接口、任务环境、工作场所设计和操作员特征七个方面。组织是驱动，信息是桥梁，工作设计是方法，人机***接口是重点，任务环境是支持，工作场所设计是保障，操作员特征是基础。他们共同影响风险分析结果，如图1所示。

步骤2:建立算法应用流程

在实际中应用算法的时候，有多种因素需要考虑。贝叶斯网络实际建模过程应该作为一个整体的流程来看待。因为在实际中，变量的定义，数据的选择和处理，算法的选择，实际的建模都需要牵涉很多问题，见图2。

步骤3：化工厂风险分析贝叶斯网络节点的确定

1贝叶斯网络节点选取

根据上面的分析，不难发现影响影响化工厂安全的因素众多，结合贝叶斯网络的特性，合理选取影响因素进行建模必须遵循必要的原则：一是代表性原则，所选节点能够反映出化工厂安全管理所体现的全面信息，代表各要素的内在特征，以免造成信息遗漏或者冗余。二是独立性原则，选取的节点之间所包含信息不存在包含或交叉关系，保证逻辑上的相互独立。三是有效性原则，所选节点应该能够从危险品事故调查报告中提取、提炼，保证数据资料的有效获取。因此结合专家知识和分析事故调查报告，通过全局考虑，最终确定30个节点。

贝叶斯网络结构的目标节点为化工厂风险分析，将其定义为W，30个节点按组织、信息、工作设计、人机***接口、任务环境、工作场所设计和操作员特征因素进行划分，并对节点进行编号，如表1所示。

表1化工厂安全分析影响因素

2贝叶斯网络节点的状态定义

由于各个节点代表的内涵特征不同，因此有必要对节点状态进行说明。出于便于网络实现和利于操作的考虑，咨询专家意见，对节点状态采取统一的方式定义，对30个因素共5种状态，如表2所示。

表2节点的状态估值

估值	1	2	3	4	5
						节点的状态	非常差	较差	一般	较好	非常好

步骤4化工厂风险分析贝叶斯网络结构的建立

1贝叶斯网络评估标准定义

根据选取的节点，通过专家知识和机器学习建立网络结构。每一起事故中各节点对安全风险大小影响程度是不一样的，结合调查报告描述，对各影响因素进行识别和评估，按照评估标准分别将各因素的相对影响程度进行评估给出其分值，为此选择了李克特五点量表，最不重要＝1为最低，最重要＝5为最高，评估标准见表2。

表3节点评估标准

评估分值	1	2	3	4	5
						对安全的影响程度	非常不重要	不重要	一般	较重要	非常重要
化工厂安全级别	非常不安全	不安全	一般安全	较安全	非常安全

出于研究便利性和专家打分统一性的目的，其中对S的等级进行定义：非常安全取5，较安全取4，一般安全取3，不安全取2，非常不安全取1。

2贝叶斯网络数据收集

(1)化工厂安全各因素影响程度调查

对照影响程度评估标准，制作调查问卷。评委被要求根据对人为失误原因的感知重要性对各级因素进行打分。调查问卷的评委或受访者均有安全和化工方面的背景。在所有受访者中，有23名评委被选中。

表4因素影响程度调查问卷结果清单

(2)化工厂安全各因素状态估值调查

对照状态估值评估标准，制作调查问卷。邀请了化工行业23位专家对我们研究的化工厂状态估值调查，调查结果如下。

表5因素状态估值调查问卷结果清单

3化工厂安全等级因素估值

从问卷调查结果中可得，每项因素对化工厂安全影响程度和状态估值的数据。通过将影响程度和状态估值的问卷数据值坐标得到安全评估值，并利用安全等级矩阵(如图3所示)规范化处理数据从而得出每项风险的安全等级。

图3中，安全状况被分为S1，S2，S3、S4和S5等5个等级，分别代表非常不安全，不安全，一般安全，较安全和非常安全。根据类似风险估计值的算法，由图3可得到25个安全值(其中有大量重复值)。通过安全等级矩阵来规范化处理问卷数据，可很大程度地减少计算安全评估值的工作量，并且处理后的所有安全因素都可用5个等级(S1，S2，S3、S4和S5)来衡量。统计每种安全等级在每项安全因素中所占的比例，可为建立贝叶斯网络模型提供必要的数据，本文中所涉及的安全因素统计结果如表6所示。

表6安全等级统计结果

4对贝叶斯网络结构学习

(1)贝叶斯网络结构的结构背景知识预先编辑

理论上，通过样本数据学习构建目标网络是客观可行的，只要合理定义评价目标网络优劣的评价函数、借助软件运行就可能产生网络。为了使拓扑结构简单清晰、计算快捷，充分利用专家知识、报告分析等手段，按照原因在前，结果在后决定变量顺序，建立因果网络，在此基础上导入样本数据进行学习，进一步挖掘节点之间隐藏的关联关系。对构建的贝叶斯网络节点间因果关系进行初步判断、汇总梳理，再借助贝叶斯软件对结构学习背景知识进行预先编辑。

(2)贝叶斯网络结构学习

利用贝叶斯应用软件来学习完善网络结构，将24例评估样本作为机器学习数据导入网络。贝叶斯网络结构的学习方法，常用的主要有基于统计测试的方法和基于搜索记分的方法。基于搜索记分的代表性算法是K2算法，其主要思想是首先定义一个评价网络模型优劣的测度函数，再从一个初始网络开始，根据事先确定的节点顺序，选择使后验概率最大的节点作为该节点的父节点，依次遍历所有节点，逐步为每一个变量添加最佳的父节点。

在网络结构背景知识编辑的基础上，机器学习能更好的挖掘所有可能的潜在关系节点对，使网络结构节点间的有向弧更丰富。由于学习网络的复杂性，根据节点选取的独立性原则对节点弧进行检查选择，所得学习结构。

机器学习的网络结构，其精度和学习样本数量有紧密关系，越“真实”的网络需要的样本数据越多。由于本研究仅提供24例样本，用于训练学习的数据较为有限，无法得到真实“正确”且简洁的网络结构，因此需要进一步调整优化。

5利用贝叶斯应用软件对网络结构优化

(1)因果相关性分析

为了更进一步分析各个因素风险因素之间的因果关系，本文通过专家知识的方式判断了各因素之间的相关性，并根据判断结果对各个风险因素之间因果关系的进行调整。针对无因果关系的因素，全部列出来。通过样本数据学习，节点之间潜在的因果关系显现出来。需要说明的是，新增的有线弧是通过样本数据挖掘出来的，表达了数据之间的某种关系，但不一定具有真正意义上节点间的逻辑关系，需要对这部分节点之间的连接关系进行检查判断。因果关系分析的结果可以用来降低网络的复杂性，优化网络结构。

表7基于结构背景知识的因素关系表

(2)贝叶斯网络结构的结构背景知识优化编辑

依据因果相关性分析结果，优化背景知识编辑，将不相关的因素提前列出来，可以再导入数据生产优化后的贝叶斯网络结构。

(3)优化后的贝叶斯网络结构

根据各个安全因素之间相关性分析，且导入优化后的背景知识编辑，最终的到优化后的贝叶斯网络结构。

步骤5化工厂风险分析的贝叶斯网络参数的学习

每个安全因素都包括五种安全状态:R1、R2、R3、R4、R5，在参数学习之前，需要对各个网络节点变量的概率进行初始化操作，即按均匀分布对每个节点变量进行初始化赋值。

目前常见的有两种贝叶斯网络参数学习方法:基于贝叶斯统计的估计(Bayesianestimation)和最大似然估计(Maximum likelihood estimation)，基于贝叶斯统计的估计是将参数看作随机变量，运算时可以考虑采用先验概率，而最大似然估计是将参数看作未知定量，不必考虑先验概率。本文采取基于贝叶斯统计的估计进行参数学习，需要考虑先验概率。针对影响程度和状态估值的问卷数据值坐标得到安全评估值，并利用安全等级矩阵，计算得到所有根节点的先验概率，具体见表6。

导入样本学习数据库后，进行参数学习，其余根节点先验概率手动输入。所有概率参数输入后，就实现概率更新，即可实现所有节点网络参数的学习更新。

步骤6化工厂安全分析的贝叶斯网络模型

参数学习是建立在网络拓扑结构已经构建优化的基础之上的，参数学习的目的是对已有网络拓扑结构节点之间的连接强度进行定量描述，学习结果实际上就是化工厂安全分析的贝叶斯网络模型构建的最终贝叶斯网络结构。

步骤7量化计算结果

本文将化工厂安全等级分为1、2、3、4、5共五个等级，对应反应出化工厂整体状况非常不安全、不安全、一般安全、较安全和非常安全的五种状况。从最终贝叶斯网络结构图中可看出，化工厂安全级别对应为，1级概率为2％，2级概率为15％，3级概率为27％，4级概率为46％，5级概率为11％。

上述模型运算结果只代表了一般情况下化工厂安全各等级安全性概率(即发生风险的概率)，当对具体化工厂进行安全预警时，首先需要收集化工厂的相关资料，了解化工厂背景，根据化工厂的实情和特点，分析各个因素的安全等级，再将分析结果带入贝叶斯网络结构模型，并通过计算化工厂安全的等级值来预警化工厂的管理风险。化工厂整体安全等级期望值计算:化工厂安全等级1级按照2％来算，化工厂安全等级2级按照15％来算，化工厂安全等级3级按照27％来算，化工厂安全等级4级按照46％来算，化工厂安全等级5级按照11％来算。以上述模型运算结果为例，那么化工厂安全整体等级为：1*2％+2*15％+3*27％+4*46％+5*11％＝3.5。即化工厂安全等级在3～4级之间，属于接近比较安全范围。

Claims (1)

1.一种化工厂安全定量评估方法，其特征在于，该方法具体包括以下步骤：

步骤1: 化工厂安全的影响因素分析

围绕人员因素建立一个化工厂安全分析研究模型，模型主要内容包括组织、信息、工作设计、人机***接口、任务环境、工作场所设计和操作员特征七个方面；组织是驱动，信息是桥梁，工作设计是方法，人机***接口是重点，任务环境是支持，工作场所设计是保障，操作员特征是基础；他们共同影响风险分析结果；

步骤2：建立算法应用流程

贝叶斯网络实际建模过程作为一个整体的流程来看待，建立流程；

步骤3：化工厂风险分析贝叶斯网络节点的确定

贝叶斯网络结构的目标节点为化工厂风险分析，将其定义为 W，30个节点按组织、信息、工作设计、人机***接口、任务环境、工作场所设计和操作员特征因素进行划分，并对节点进行编号；

步骤4 化工厂风险分析贝叶斯网络结构的建立

1 贝叶斯网络评估标准定义

根据选取的节点，通过专家知识和机器学习建立网络结构；每一起事故中各节点对安全风险大小影响程度是不一样的，结合调查报告描述，对各影响因素进行识别和评估，按照评估标准分别将各因素的相对影响程度进行评估给出其分值，选择李克特五点量表，最不重要=1为最低，最重要=5为最高；

2 贝叶斯网络数据收集

（1）化工厂安全各因素影响程度调查

对照影响程度评估标准，制作调查问卷；评委被要求根据对人为失误原因的感知重要性对各级因素进行打分；调查问卷的评委或受访者均有安全和化工方面的背景；在所有受访者中，有23名评委被选中；

（2）化工厂安全各因素状态估值调查

对照状态估值评估标准，制作调查问卷；邀请了化工行业23位专家对化工厂状态估值调查；

3 化工厂安全等级因素估值

从问卷调查结果中可得，每项因素对化工厂安全影响程度和状态估值的数据；通过将影响程度和状态估值的问卷数据值坐标得到安全评估值，并利用安全等级矩阵规范化处理数据从而得出每项风险的安全等级；

4 对贝叶斯网络结构学习

（1）贝叶斯网络结构的结构背景知识预先编辑

为了使拓扑结构简单清晰、计算快捷，充分利用专家知识、报告分析手段，按照原因在前，结果在后决定变量顺序，建立因果网络，在此基础上导入样本数据进行学习，进一步挖掘节点之间隐藏的关联关系；对构建的贝叶斯网络节点间因果关系进行初步判断、汇总梳理，再借助贝叶斯软件对结构学习背景知识进行预先编辑；

（2）贝叶斯网络结构学习

利用贝叶斯应用软件来学习完善网络结构，将24例评估样本作为机器学习数据导入网络；

在网络结构背景知识编辑的基础上，机器学习能更好的挖掘所有可能的潜在关系节点对，使网络结构节点间的有向弧更丰富；由于学习网络的复杂性，根据节点选取的独立性原则对节点弧进行检查选择，所得学习结构；

5 利用贝叶斯应用软件对网络结构优化

（1）因果相关性分析

为了更进一步分析各个因素风险因素之间的因果关系，通过专家知识的方式判断了各因素之间的相关性，并根据判断结果对各个风险因素之间因果关系的进行调整；针对无因果关系的因素，全部列出来；通过样本数据学习，节点之间潜在的因果关系显现出来；

（2）贝叶斯网络结构的结构背景知识优化编辑

依据因果相关性分析结果，优化背景知识编辑，将不相关的因素提前列出来，可以再导入数据生产优化后的贝叶斯网络结构；

（3）优化后的贝叶斯网络结构

根据各个安全因素之间相关性分析，且导入优化后的背景知识编辑，最终的到优化后的贝叶斯网络结构；

步骤5 化工厂风险分析的贝叶斯网络参数的学习

每个安全因素都包括五种安全状态:R1、R2、R3、R4、R5， 在参数学习之前，对各个网络节点变量的概率进行初始化操作，即按均匀分布对每个节点变量进行初始化赋值；

采取基于贝叶斯统计的估计进行参数学习，需要考虑先验概率；针对影响程度和状态估值的问卷数据值坐标得到安全评估值，并利用安全等级矩阵，计算得到所有根节点的先验概率；导入样本学习数据库后，进行参数学习，其余根节点先验概率手动输入；所有概率参数输入后，就实现概率更新，即可实现所有节点网络参数的学习更新；

步骤6 化工厂安全分析的贝叶斯网络模型

参数学习是建立在网络拓扑结构已经构建优化的基础之上的，参数学习的目的是对已有网络拓扑结构节点之间的连接强度进行定量描述，学习结果实际上就是化工厂安全分析的贝叶斯网络模型构建的最终贝叶斯网络结构；

步骤7 量化计算结果

将化工厂安全等级分为1、2、3、4、5共五个等级，对应反应出化工厂整体状况非常不安全、不安全、一般安全、较安全和非常安全的五种状况。