CN110598966B - 一种风险指引的后处理设施中设备的分级方法 - Google Patents
一种风险指引的后处理设施中设备的分级方法 Download PDFInfo
- Publication number
- CN110598966B CN110598966B CN201910243536.9A CN201910243536A CN110598966B CN 110598966 B CN110598966 B CN 110598966B CN 201910243536 A CN201910243536 A CN 201910243536A CN 110598966 B CN110598966 B CN 110598966B
- Authority
- CN
- China
- Prior art keywords
- decision
- probability
- equipment
- risk
- equal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012805 post-processing Methods 0.000 title claims abstract description 31
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000003672 processing method Methods 0.000 claims abstract description 3
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims 1
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 238000000275 quality assurance Methods 0.000 description 26
- 238000012423 maintenance Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000002915 spent fuel radioactive waste Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种风险指引的后处理设施中设备的分级方法,(1)专家j选择设备后,识别决策因素i并使用层次分析处理法构建决策层次;(2)由专家j构建贝叶斯置信网络模型,评判获得P(Cij|Si)并使用贝叶斯置信网络计算目标部件的各个决策因素的安全重要性P(Si=Hi);(3)由专家获得证据Eij,并使用证据更新P(Si=Hi);(4)应用层次分析处理获得决策因素i的权重wi;(5)基于概率论和确定论得出全概率P(ST=Hi),并最终分级。本发明提供的方法能为后处理设施的分级提供依据。
Description
技术领域
本发明属于乏燃料后处理设施的概率安全评价技术领域,具体涉及一种风险指引的后处理设施中设备的分级方法。
背景技术
目前美国核管会(Nuclear Regulatory Commission,简称NRC)致力于推行基于概率安全评级(Probabilistic Safety Assessment,简称PSA)的风险指引(Risk-informed,简称RI)的管理。RI的安全重要性分级(RISSC)用于RI的管理和应用,RISSC利用确定论和概率论的观点,根据结构、***或部件(SSC)的安全重要性,把它们分级成两组或多组。该方法一般分三步,如图1所示。第一和第二步由开展RISSC的工作团队执行,第三步由专家组(或者综合的决策制定组)执行。由工作团队执行的两步归为初始分级过程;由专家组执行的末步归为综合决策制定过程。
在第一步,通过利用概率论的观点,根据部件对于堆芯损伤频率(Core DamageFrequency,简称CDF)的相对重要性,它们被分为两级或更多级。通常,割集重要度(Fussell-Vesely,简称FV)和致险价值重要度(Risk Achievementworth,简称RAW)被用作定量的安全重要性的测度。在第二步,第一步的结果被基于确定论观点的定性评价所补充。在第三步,专家组使用汇编于初始分级过程中的观点并结合其他的确定论的观点,进行讨论和意见调解,定性地作出最终的决策(分级)。
专家组的决策通过讨论和意见调解而作出,传统的方法有如下的优点:考虑了专家们的多种意见,且通过讨论和意见调解可能有协同效果。然而,由于定性的和线性的决策制定过程,传统的方法有如下的缺点:(1)对时间和人力耗费严重;(2)当专家意见相左时难以达成最终决策;(3)由于线性的模式有重叠的过程(执行两次分级——首先,由工程师;其次,由专家组。)
因此,有必要发明一种风险指引的后处理设施中设备的分级方法以解决上述问题。
发明内容
针对现有技术中存在的缺陷,本发明的目的是提供一种风险指引的后处理设施中设备的分级方法,让专家利用层次分析处理和贝叶斯置信网络早期参与进来,能对后处理设施进行分级提供依据,以降低相关设备的的运行和维护成本。
为达到以上目的,本发明采用的技术方案是:
一种风险指引的后处理设施中设备的分级方法,所述方法包括:
(1)专家j选择设备后,识别决策因素i并使用层次分析处理法构建决策层次;
(2)由专家j构建贝叶斯置信网络模型,评判获得P(Cij|Si)并使用贝叶斯置信网络计算目标部件的各个决策因素的安全重要性P(Si=Hi);
(3)由专家获得证据Eij,并使用证据更新P(Si=Hi);
(4)应用层次分析处理法获得决策因素i的权重wi;
(5)基于概率论和确定论得出全概率P(ST=Hi),并最终分级。
进一步的,所述步骤(1)中具体包括:
选择目标设备后,设备的概率论的决策因素i基于设备所涉及的所有事故的故障树分析,即事故风险Risk;设备的确定论的决策因素i基于定性评价因素:关键的安全功能和特定的正常运行功能,即定性评价QA。
进一步的,所述定性评价QA包括:QA1维持相应包容的完整性需要该设备;QA2清洗或降低释放的放射性需要该设备;QA3辅助***(供水、供电、压空)需要该设备。
进一步的,所述步骤(2)中专家j构建贝叶斯置信网络模型具体包括:
创建贝叶斯置信网络模型,贝叶斯置信网络模型包含母变量Si和子变量Cij,Si表示目标部件的决策因素i落入Hi(高安全重要性分级)或者Lo(低安全重要性分级),Cij表示目标部件的决策因素i基于专家j的判断落入决策准则(c1,c2,…,cm,m是决策因素i的全部准则数)的情况。
进一步的,所述后处理设施RISSC中概率论的事故风险的决策准则具体包括:
当事故后果>108MBq,0<发生频率≤10-9a-1时,决策准则为c4;
当事故后果>108MBq,10-9a-1<发生频率≤10-6a-1时,决策准则为c2;
当事故后果>108MBq,10-6a-1<发生频率时,决策准则为c1;
当0<事故后果≤108MBq,0<发生频率≤10-9a-1时,决策准则为c6;
当0<事故后果≤108MBq,10-9a-1<发生频率≤10-6a-1时,决策准则为c5;
当0<事故后果≤108MBq,10-6a-1<发生频率时,决策准则为c3。
进一步的,后处理设施RISSC中定性评价的决策准则c1-c4具体为:
c1:本设备直接被需求且无其他设备执行同样或级似的功能;
c2:本设备直接被需求且尚存其他设备执行同样或类似的功能;
c3:本设备间接被需求(例如,设备可影响人的行为或设备被上述设备直接需要,等等);
c4:根本不需要本部件。
进一步的,所述步骤(2)中专家j评判获得P(Cij|Si)并使用贝叶斯置信网络计算目标部件的各个决策因素的安全重要性P(Si=Hi)具体包括:
由专家j评估出P(Si|Cij)和P(Cij);
通过Bayes定理根据P(Si|Cij)计算出P(Cij|Si);
计算P(Si=Hi),计算公式为
P(Si=Hi)=P(Si=Hi|Ci1=c1)P(Ci1=c1)+…+P(Si=Hi|Ci1=cm)P(Ci1=cm)。
进一步的,步骤(5)中全概率的计算公式为:
P(ST=Hi)=wPP(SPT=Hi)+wDP(SDT=Hi),
其中,P(SPT=Hi)为基于PSA得出的分级概率;P(SDT=Hi)为基于确定论的定性评价得出的分级概率;wP、wD分别为P(SPT=Hi)和P(SDT=Hi)的权重值。
进一步的,所述P(SPT=Hi)的计算公式为:
其中,P(Sn=Hi)(n=1,2,...,N)为***由第n个事故风险得出属于Hi的概率。
进一步的,所述P(SDT=Hi)的计算公式为:
其中,w1n、w2n分别为第n个事故的定性评价QA1、QA2在定性评价中的权重值,w2N+1为定性评价QA3在定性评价中的权重值。
进一步的,步骤(5)中分级标准如下:
当0<全概率≤0.35时,设备为Lo低安全重要性;
当0.35<全概率≤0.65时,设备为Po潜在安全重要性;
当0.65<全概率≤1时,设备为Hi高安全重要性。
本发明的效果在于,本发明所述的方法,让专家利用层次分析处理和贝叶斯置信网络早期参与进来,能对后处理设施进行分级提供依据,以降低相关设备的运行和维护成本。
附图说明
图1为传统的RISSC方法的一实施例的流程示意图;
图2为基于层次分析处理法和贝叶斯置信网络的RISSC方法的流程示意图;
图3为后处理设施RISSC基于层次分析处理的决策层次示意图;
图4为决策因素i的贝叶斯置信网络模型的示意图;
图5为后处理设施RISSC中事故风险的决策准则示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,均属于本发明保护的范围。
参阅图1,图1是本发明所述方法一实施例的流程示意图。
一种风险指引的后处理设施中设备的分级方法,包括以下步骤:
步骤101:专家j选择设备后,识别决策因素i并使用层次分析处理法构建决策层次。
专家j(j=1,2,…,n,n是专家的总数)选择目标设备后,设备的概率论的决策因素i基于设备所涉及的所有事故的故障树分析,即事故风险Risk;设备的确定论的决策因素i基于定性评价因素:关键的安全功能和特定的正常运行功能,即定性评价QA。
具体的,RISSC执行使用概率论的和确定论的信息。因此,应该识别可用的概率论的或确定论的信息。PSA的重要度分析作为概率论的信息;基于SSC的功能属性的定性评价作为确定论的信息。
对于后处理设施的***或设备,确定可能发生的异常事件(初因事件)通常不难,如核临界、***、泄漏等。但是事件的原因和发展过程就比较难以确定。从PSA的观点看,这些确定的可能发生的异常事件就是故障树分析中的顶事件。确定顶事件后,推理找出引发这种结果的各种原因(故障模式),采用的是由果到因的演绎法。后处理设施RISSC的概率论的决策因素采取重要度分析,重要度分析源于目标设备所涉及的所有事故的独立故障树分析。例如,某设备可能涉及临界、火灾和泄露三类事故,那么对此设备的RISSC中,应考虑全部的三类事故的综合影响。在概率论的观点中,PSA的重要度分析主要使用的重要度是FV重要度和RAW重要度。
后处理设施RISSC的确定论的决策因素基于如下的定性评价:(1)关键的安全功能——保证相应包容的完整性;确保有能力预防或缓解可能导致潜在场外照射的事故后果;(2)特定的正常运行功能——能导致始发事件或者生产中断。
表1后处理设施RISSC的决策因素
如表1所述,专家j(j=1,2,…,n,n是专家的总数)选择目标设备后,根据上述方法确定目标设备后处理设施RISSC的决策因素i(i=1,2,...,l,l是决策因素的总数)。具体的,所述定性评价QA包括:QA1维持相应包容的完整性需要该设备;QA2清洗或降低释放的放射性需要该设备;QA3辅助***(供水、供电、压空)需要该设备。
层次分析处理法(The analytic hierarchy process,简称AHP)是帮助决策制定者进行多准则决策分析的工具。自Saaty于上世纪70年代提出之后,它已在多种决策领域广泛应用。本发明中,决策问题即RISSC。如图3所示,把决策问题逐层分解成相互关联的决策元素,AHP用决策元素层次地构建RISSC。
步骤102:由专家j构建贝叶斯置信网络模型,评判获得P(Cij|Si)并使用贝叶斯置信网络计算目标部件的各个决策因素的安全重要性P(Si=Hi)。
贝叶斯置信网络模型(Bayesian belief networks,简称BBN)以严谨而高效的数学方式,强有力地集合带多种程度不确定度的不同的知识源。
参阅图4,创建贝叶斯置信网络模型,贝叶斯置信网络模型包含母变量Si和子变量Cij,以及母子变量间的定向边。Si表示目标部件的决策因素i落入Hi(高安全重要性分级)或者Lo(低安全重要性分级),Cij表示目标部件的决策因素i基于专家j的判断落入决策准则(c1,c2,…,cm,m是决策因素i的全部准则数)的情况。
参阅图5,图5为后处理设施RISSC中事故风险的决策准则。本发明中的后果采取目标设备可能泄露的最多放射性;而对于单个设备而言,发生某种核事故的频率一般较大,这源于后处理厂一些部件的失效率(如阀门的破裂泄漏)明显高于核电厂同样部件的失效率,大约为一个数量级左右。所述后处理设施RISSC中概率论的事故风险的决策准则具体包括:
当事故后果>108MBq,0<发生频率≤10-9a-1时,决策准则为c4;
当事故后果>108MBq,10-9a-1<发生频率≤10-6a-1时,决策准则为c2;
当事故后果>108MBq,10-6a-1<发生频率时,决策准则为c1;
当0<事故后果≤108MBq,0<发生频率≤10-9a-1时,决策准则为c6;
当0<事故后果≤108MBq,10-9a-1<发生频率≤10-6a-1时,决策准则为c5;
当0<事故后果≤108MBq,10-6a-1<发生频率时,决策准则为c3。
后处理设施RISSC中定性评价的决策准则c1-c4具体为:
c1:本设备直接被需求且无其他设备执行同样或级似的功能;
c2:本设备直接被需求且尚存其他设备执行同样或类似的功能;
c3:本设备间接被需求(例如,设备可影响人的行为或设备被上述设备直接需要,等等);
c4:根本不需要本部件。
本发明中,部件的各个决策因素的安全重要性以其落入Hi的概率表示,记为P(Si=Hi)。专家j评判获得P(Cij|Si)并使用贝叶斯置信网络计算目标部件的各个决策因素的安全重要性P(Si=Hi)具体包括:
首先,由专家j评估出P(Si|Cij)。P(Si|Cij)容易获得,因为变量Si只有2个状态,Hi或者Lo。例如,若P(Si=Hi|Cij=c1)由某位专家评估出,P(Si=Lo|Cij=c1)可以从表达式1-P(Si=Hi|Cij=c1)中直接获得。因此,P(Si|Cij)可由专家评估出。需要指出的是,当专家j评估P(Si|Cij)时,不容易将P(Si|Cij)评估得到点值。所以,P(Si|Cij)被估计为区间值。如表2所示,区间值的中值被用作典型值,如果基于专家的意见区间值的中值不适合,则此专家可以另定合适的值。
表2专家估计用区间值
然后,通过Bayes定理根据P(Si|Cij)计算出P(Cij|Si)。计算公式如下:
需要指出的是,当没有变量Cij的有关信息时,可以假设P(Cij=c1)=,…,=P(Cij=cm)=1/m。
最后计算目标部件的各个决策因素的安全重要性P(Si=Hi),计算公式为:
P(Si=Hi)=P(Si=Hi|Ci1=c1)P(Ci1=c1)+…+P(Si=Hi|Ci1=cm)P(Ci1=cm)。
其中,P(Si=Lo)=1-P(Si=Hi)。
步骤103:由专家获得证据Eij,并使用证据更新P(Si=Hi)。
选择目标部件后,对于每个i,P(Si)可由专家的判断证据Eij升级。
首先,如果专家1判断出目标部件的决策因素i落入c1,也就是,P*(Ci1)=(1,0,0,...),Cij的证据记为P*(Cij)或者Eij(P*(Cij)≡Eij),P*(Ci1)=(1,0,0,...)为用作更新P(Si=Hi)的证据,如下所示:
P*(Si=Hi)=P(Si=Hi|Ci1=c1)P*(Ci1=c1)+…+P(Si=Hi|Ci1=cm)P*(Ci1=cm)
=P(Si=Hi|Ci1=c1)P*(Ci1=c1)
·.·P*(Ci1)=(1,0,0,...)
已知P(Si|Ci1)和P*(Ci1=c1)=1,便可计算P*(Si=Hi),由证据更新后的概率记为P*。在对P(Si)的第二次升级中,如果专家2判断出目标部件的决策因素i落入c2,也就是,P*(Ci2)=(0,1,0,...),P*(Si=Hi)由Bayes定理更新,如下所示:
其中,P(Ci2=c2|Si=Hi),P(Ci2=c2|Si=Lo)和P*(Si=Hi)的值已知,且P*(Si=Lo)=1-P*(Si=Hi)。因此,P*(Si=Hi|Ci2=c2)可计算得出。第二次更新的P(Si=Hi)为P**(Si=Hi)可由P*(Si=Hi|Ci2=c2)按下式计算:
P**(Si=Hi)=P*((Si=Hi|Ci2=c1)P*(Ci2=c1)+…+P*(Si=Hi|Ci2=cm)P*(Ci2=cm)
=P*(Si=Hi|Ci2=c2)P*(Ci2=c2)
·.·P*(Ci2)=(0,1,0,...)
类似地,对于每个决策因素i,P(Si=Hi)可以继续更新,直到所有的专家判断的证据都被使用。因此,随着专家判断的证据加入BBN模型,更加合理的后验P(Si=Hi)便可获得。
步骤104:应用层次分析处理法获得决策因素i的权重wi。
首先获得给定问题的输入数据——包括各个层次决策元素的成对比较的判断矩阵;其次,如果所有判断矩阵由不同的专家提供,联合的判断矩阵的各元素由所有矩阵的相应元素的几何平均值而得;再次,决策因素的相关权重值由联合矩阵的Saaty特征值方法估算;最终,各个底层决策因素的权重值由各层次相关元素的权重累积而得。
对于AHP的全部层次,决策因素i的权重值wi的计算公式如下所示:
其中,wu/u-1:元素u相对于其相联的最近上一层次元素u-1的权重;ui:决策因素i;v:在决策因素i与决策问题之间的层次数;ut:决策问题。
步骤105:基于概率论和确定论得出全概率P(ST=Hi),并最终分级。
全概率的计算公式为:
P(ST=Hi)=wPP(SPT=Hi)+wDP(SDT=Hi)
其中,P(SPT=Hi)为基于PSA得出的分级概率;P(SDT=Hi)为基于确定论的定性评价得出的分级概率;WP、WD分别为P(SPT=Hi)和P(SDT=Hi)的权重值。
所述P(SPT=Hi)的计算公式为:
其中,P(Sn=Hi)(n=1,2,...,N)为***由第n个事故风险得出属于Hi的概率。
所述P(SDT=Hi)的计算公式为:
其中,W1n、W2n分别为第n个事故的定性评价QA1、QA2在定性评价中的权重值,W2N+1为定性评价QA3在定性评价中的权重值。
分级标准如下:
当0<全概率≤0.35时,设备为Lo低安全重要性;
当0.35<全概率≤0.65时,设备为Po潜在安全重要性;
当0.65<全概率≤1时,设备为Hi高安全重要性。
在一个具体的实施例中,应用本发明对某典型后处理设施的共去污循环工段的关键设备进行了RISSC。
后处理设施的设备原来便有完全根据确定论的方法进行的分级,分为放化安全1级、放化安全2级和放化安全3级三个安全级别(级数越低越重要),分别对应的抗震类别或者质量保证等级见下表3。
表3放化安全级别与抗震类别及质保等级的对应
分析中共有31个设备,原有分级均属于放化安全2级。RISSC的结果显示,有13个设备属于Po级,这与原分级是相对应的,也就是RISSC的结果与完全确定论的结果符合一致;有18个设备属于Lo级,这与原分级相比降低了一个安全级别,说明原分级的保守性。RISSC的结果与核电厂设备的RISSC经验相符合一致,也从侧面证明了本文中RISSC方法的正确性及适用性。另外需要说明的是,对于放废液蒸发器原本的质保等级为A级,RISSC的结果属于Lo级,可以考虑降低其质保等级,以降低相关的运行和维护成本。
区别于现有技术,本发明提供的一种风险指引的后处理设施中设备的分级方法,让专家利用层次分析处理和贝叶斯置信网络早期参与进来,能对后处理设施进行分级提供依据,以降低相关设备的的运行和维护成本。
本领域技术人员应该明白,本发明所述的方法并不限于具体实施方式中所述的实施例,上面的具体描述只是为了解释本发明的目的,并非用于限制本发明。本领域技术人员根据本发明的技术方案得出其他的实施方式,同样属于本发明的技术创新范围,本发明的保护范围由权利要求及其等同物限定。
Claims (6)
1.一种风险指引的后处理设施中设备的分级方法,其特征在于,所述方法包括:
(1)选择设备后,识别决策因素i并使用层次分析处理法构建决策层次;
(2)构建贝叶斯置信网络模型,评判获得P(Cij|Si)并使用贝叶斯置信网络计算目标部件的各个决策因素的安全重要性P(Si=Hi);
(3)获得证据Eij,并使用证据更新P(Si=Hi);
(4)应用层次分析处理法获得决策因素i的权重wi;
(5)基于概率论和确定论得出全概率P(ST=Hi),并最终分级;
其中,选择目标设备后,设备的概率论的决策因素i基于设备所涉及的所有事故的故障树分析,即事故风险Risk;设备的确定论的决策因素i基于定性评价因素:关键的安全功能和特定的正常运行功能,即定性评价QA;
所述定性评价QA包括:QA1维持相应包容的完整性需要该设备;QA2清洗或降低释放的放射性需要该设备;QA3辅助***需要该设备,其中辅助***包括供水、供电和压空;
所述步骤(2)中构建贝叶斯置信网络模型具体包括:
创建贝叶斯置信网络模型,贝叶斯置信网络模型包含母变量Si和子变量Cij,Si表示目标部件的决策因素i落入高安全重要性分级或者低安全重要性分级,Cij表示目标部件的决策因素i基于判断落入决策准则的情况;
步骤(5)中全概率的计算公式为:
P(ST=Hi)=wPP(SPT=Hi)+wDP(SDT=Hi),
其中,P(SPT=Hi)为基于PSA得出的分级概率;P(SDT=Hi)为基于确定论的定性评价得出的分级概率;wP、wD分别为P(SPT=Hi)和P(SDT=Hi)的权重值。
2.根据权利要求1所述一种风险指引的后处理设施中设备的分级方法,其特征在于,所述后处理设施RISSC中概率论的事故风险的决策准则具体包括:
当事故后果>108MBq,0<发生频率≤10-9a-1时,决策准则为c4;
当事故后果>108MBq,10-9a-1<发生频率≤10-6a-1时,决策准则为c2;
当事故后果>108MBq,10-6a-1<发生频率时,决策准则为c1;
当0<事故后果≤108MBq,0<发生频率≤10-9a-1时,决策准则为c6;
当0<事故后果≤108MBq,10-9a-1<发生频率≤10-6a-1时,决策准则为c5;
当0<事故后果≤108MBq,10-6a-1<发生频率时,决策准则为c3。
3.根据权利要求1所述一种风险指引的后处理设施中设备的分级方法,其特征在于,后处理设施RISSC中定性评价的决策准则c1-c4具体为:
c1:本设备直接被需求且无其他设备执行同样或级似的功能;
c2:本设备直接被需求且尚存其他设备执行同样或类似的功能;
c3:本设备间接被需求;
c4:根本不需要本部件。
4.根据权利要求1所述一种风险指引的后处理设施中设备的分级方法,其特征在于,所述步骤(2)中评判获得P(Cij|Si)并使用贝叶斯置信网络计算目标部件的各个决策因素的安全重要性P(Si=Hi)具体包括:
评估出P(Si|Cij)和P(Cij);
通过Bayes定理根据P(Si|Cij)计算出P(Cij|Si);
计算P(Si=Hi),计算公式为
P(Si=Hi)=P(Si=Hi|Ci1=c1)P(Ci1=c1)+…+P(Si=Hi|Ci1=cm)P(Ci1=cm)。
5.根据权利要求1所述一种风险指引的后处理设施中设备的分级方法,其特征在于,所述P(SDT=Hi)的计算公式为:
其中,w1n、w2n分别为第n个事故的定性评价QA1、QA2在定性评价中的权重值,w2N+1为定性评价QA3在定性评价中的权重值。
6.根据权利要求1所述一种风险指引的后处理设施中设备的分级方法,其特征在于,步骤(5)中分级标准如下:
当0<全概率≤0.35时,设备为Lo低安全重要性;
当0.35<全概率≤0.65时,设备为Po潜在安全重要性;
当0.65<全概率≤1时,设备为Hi高安全重要性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243536.9A CN110598966B (zh) | 2019-03-28 | 2019-03-28 | 一种风险指引的后处理设施中设备的分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243536.9A CN110598966B (zh) | 2019-03-28 | 2019-03-28 | 一种风险指引的后处理设施中设备的分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598966A CN110598966A (zh) | 2019-12-20 |
CN110598966B true CN110598966B (zh) | 2024-01-26 |
Family
ID=68852486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910243536.9A Active CN110598966B (zh) | 2019-03-28 | 2019-03-28 | 一种风险指引的后处理设施中设备的分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598966B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652415B (zh) * | 2020-12-01 | 2022-10-21 | 中国辐射防护研究院 | 基于特征参数分析的后处理厂应急状态分级确定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000041714A1 (en) * | 1999-01-19 | 2000-07-20 | Bristol-Myers Squibb Company | Method for determining care and prevention pathways for clinical management of wounds |
CN102034023A (zh) * | 2010-12-07 | 2011-04-27 | 上海交通大学 | 基于证据理论的多源信息融合风险分析方法 |
CN104899682A (zh) * | 2015-05-19 | 2015-09-09 | 上海市建工设计研究院有限公司 | 临海地区深基坑防渗止水帷幕体施工风险评价方法 |
CN105069692A (zh) * | 2015-07-14 | 2015-11-18 | 国家电网公司 | 准确的电网安全风险评估方法 |
CN106295332A (zh) * | 2016-08-30 | 2017-01-04 | 湖北工业大学 | 基于区间数和理想解的信息安全风险评估方法 |
CN108898314A (zh) * | 2018-06-29 | 2018-11-27 | 厦门大学 | 一种基于bim和质量多源信息融合施工风险评估方法 |
-
2019
- 2019-03-28 CN CN201910243536.9A patent/CN110598966B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000041714A1 (en) * | 1999-01-19 | 2000-07-20 | Bristol-Myers Squibb Company | Method for determining care and prevention pathways for clinical management of wounds |
CN102034023A (zh) * | 2010-12-07 | 2011-04-27 | 上海交通大学 | 基于证据理论的多源信息融合风险分析方法 |
CN104899682A (zh) * | 2015-05-19 | 2015-09-09 | 上海市建工设计研究院有限公司 | 临海地区深基坑防渗止水帷幕体施工风险评价方法 |
CN105069692A (zh) * | 2015-07-14 | 2015-11-18 | 国家电网公司 | 准确的电网安全风险评估方法 |
CN106295332A (zh) * | 2016-08-30 | 2017-01-04 | 湖北工业大学 | 基于区间数和理想解的信息安全风险评估方法 |
CN108898314A (zh) * | 2018-06-29 | 2018-11-27 | 厦门大学 | 一种基于bim和质量多源信息融合施工风险评估方法 |
Non-Patent Citations (1)
Title |
---|
刘文生.矿业投资风险决策的贝叶斯网络方法.《化工矿物与加工》.2007,(第06期),第30-33,40页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110598966A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bérenguer et al. | Maintenance policy for a continuously monitored deteriorating system | |
Khorshidi et al. | Data-driven system reliability and failure behavior modeling using FMECA | |
Li et al. | Reliability modelling and analysis of a multi-state element based on a dynamic Bayesian network | |
Panchal et al. | Qualitative analysis of CNG dispensing system using fuzzy FMEA–GRA integrated approach | |
Chopra et al. | Reliability measures of two dissimilar units parallel system using Gumbel-Hougaard family copula | |
CN106600127A (zh) | 一种基于贝叶斯网络可靠性修正模型的继电保护***风险评估方法 | |
CN103729693A (zh) | 基于确定性库存退化模型的维修及备件供给联合优化方法 | |
CN104462842A (zh) | 一种基于贝叶斯网络的故障数据挖掘诊断方法 | |
CN107622360A (zh) | 一种综合考虑主客观因素的关键线路识别方法 | |
CN107632590A (zh) | 一种基于优先级的底事件排序方法 | |
Liu et al. | Reliability mathematical models of repairable systems with uncertain lifetimes and repair times | |
CN105426651A (zh) | 基于复合故障链推理的隐患辨识方法 | |
Rauzy et al. | Finite Degradation Structures. | |
CN110598966B (zh) | 一种风险指引的后处理设施中设备的分级方法 | |
CN104037760A (zh) | 一种不确定注入功率的电力***预想事故选择方法 | |
Bastani et al. | Reliability of systems with fuzzy-failure criterion | |
Purba et al. | Failure possibilities for nuclear safety assessment by fault tree analysis | |
CN108108552A (zh) | 基于故障机理损伤累积模型的载荷共担行为建模与仿真方法 | |
Nadjafi et al. | Dynamic fault tree analysis using fuzzy LU bounds failure distributions | |
CN105138850B (zh) | 一种民用飞机***维修时间间隔计算方法 | |
Wang et al. | An integrated methodology for assessing accident probability of natural gas distribution station with data uncertainty | |
Espinosa-Paredes et al. | Modeling of the High Pressure Core Spray Systems with fuzzy cognitive maps for operational transient analysis in nuclear power reactors | |
Shi et al. | DC-DC power supply fault prediction and analysis based on monitoring parameter simulation and LSTM network model | |
Zhao et al. | A new safety assessment method based on evidential reasoning rule with a prewarning function | |
Feng | Survival signature-based reliability approach for complex systems susceptible to common cause failures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |