具有动态行为的泄漏事故预测性风险分析

《Reliability Engineering & System Safety》：Predictive Risk Analysis for Leakage Accidents with Dynamic Behaviour

泄漏事故预测风险分析方法，基于时间序列模拟与动态行为分析，融合FMEA、贝叶斯网络及事件树分析确定失效项概率，结合DNN和LSTM预测泄漏时空演化及后果，以海上氢存储系统验证其动态风险预测有效性。

　　

孔向宇|黄瑞书|李赫|康继川|董岩|C. Guedes Soares|王进

哈尔滨工程大学船舶建筑工程学院，中国哈尔滨

摘要

本文提出了一种基于时间序列模拟的预测性风险分析方法，用于建模具有动态行为的泄漏事故，以增强风险分析任务的数据基础。首先通过故障模式与效应分析模型识别关键故障项，然后利用贝叶斯和事件树分析方法计算其发生概率。模拟事故的动态行为以揭示其时间序列故障后果。利用获得的概率和后果，建立了一种预测性风险分析方法，以考虑动态行为来计算事故的风险指数。通过海上氢储存系统的泄漏风险分析示例，证明了所提出方法的适用性和优越性能。总体而言，该方法将现有的归纳风险分析概念扩展到了预测模式，有助于在数据和知识稀缺的情况下分析和预防泄漏事故。

引言

海上风电产生的氢能是一种有前景的可变能量储存解决方案，它使海上风电场能够扩展到更深更远的水域[1]。这一新概念可以在一定程度上替代连接远海风电场与陆上电网的长电缆，但也会带来氢能安全方面的额外风险[2]。例如，泄漏事故（如氢气泄漏）由于其物理特性（如易燃性）而构成重大威胁[3]。这些泄漏事故在空间和时间尺度上具有动态的负面影响，后果严重且发生概率多变[4]。因此，海上风电制氢发展的关键之一是通过避免泄漏事故来克服安全问题[5]。

泄漏风险分析包括概率分析和后果评估[6]。定性、定量和半定量风险分析概念基于现有的人类经验、数学模型、仿真工具和统计分析[7]。这些策略量化了事故的不确定性和影响，使决策者能够在事故发生前优先处理和控制风险因素[8]。概率分析根据客观或主观数据量化风险因素的可能性，从而识别危险并确定相关潜在风险的优先级[9]。已经应用了两种方法来近似泄漏风险因素的可能性：归纳方法和基于泄漏大小的建模方法[10]。

归纳方法使用故障树分析（FTA）、贝叶斯理论等统计方法以及智能方法来获取风险因素的概率。例如，Casamirra等人[11]应用FTA方法根据类似产品的故障数据更新储罐的泄漏概率。尽管FTA广泛用于从概率角度识别系统薄弱环节，但其准确性受到静态系统假设的限制。Feng等人[12]开发了一种基于振动的数字孪生方法用于风险因素监测和预测，为实际工业预测和风险控制提供了实用框架。Wei等人[13]提出了一种全局自适应模态数据交互预测框架，用于系统风险分析和预测，为该领域提供了更优的模型。Durga等人[14]开发了一种动态FTA，能够模拟故障动态并同时解决大规模建模问题。随后引入了贝叶斯网络（BNs）来表示复杂系统中的相关故障，通过识别和建模根本原因之间的关系。例如，Meng等人[15]提出了一种基于物理信息的数据驱动BN，用于事故风险分析，从数据和模型角度捕捉相关故障。此外，还开发了事件树分析（ETA）[16]、统计模型[17]和贝叶斯模型[18]来获取泄漏风险因素的发生概率。值得注意的是，泄漏概率的估计依赖于充足的数据，在数据不足的情况下（这在实际工程案例中很常见）将无法进行。

另一方面，基于泄漏大小的方法在数据稀缺和主观经验有限的情况下提供了另一种估计泄漏概率的替代方案。例如，Spouge[19]开发了一种基于泄漏大小的模型，以形成标准化的泄漏概率。LaChance等人[20]提出了一种贝叶斯模型来预测泄漏概率，其中泄漏概率被建模为泄漏大小的函数。Zhang等人[21]开发了一种检查策略优化方法，通过考虑系统状态和检查决策的不确定性，有效降低了决策相关风险。Zheng等人[22]将时变离散动态BN与定制的匈牙利算法相结合，显著提高了复杂系统风险评估的可信度。所提出的方法能够准确估计可靠性，并提供了关于组件间支持最优分配的更深入见解。Bi等人[23]提出了一种基于逆神经网络的随机模型校准框架，将高维序列响应转换为RGB图像表示，为复杂工程系统的实时校准提供了新范式。Ji等人[24]提出了一种用于海底管道的泄漏定位模型，显著提高了泄漏定位的准确性15.65%。Hecht等人[25]应用贝叶斯模型估计加注系统的泄漏概率，这需要复杂的建模程序和大量计算。这些问题部分通过层次贝叶斯模型（HBM）得到了解决。

指出，无论是归纳方法还是基于泄漏大小的方法，泄漏风险分析的核心都是后果分析，主要关注通过单一模型方法和集成模型方法评估事故对安全、环境和经济损失的潜在影响[[26]、[27]、[28]]。具体来说，（i）单一模型方法应用单一方法（如经验模型和仿真模型）来评估泄漏的后果[29,30]。经验模型（如高斯模型、SLAB模型和Ermak模型）是典型的后果分析工具，但无法处理复杂或动态故障。另一方面，计算流体动力学（CFD）如PHAST、FLUENT和FLACS已被开发用于后果分析，但这些方法的分析准确性有限；（ii）集成模型方法结合多种方法以克服单一模型的局限性。例如：FLACS结合了拉丁超立方抽样（LHS）和蒙特卡洛方法来提高覆盖范围[31]；经验函数被纳入以提高仿真结果的准确性[32]；替代模型能够减少解决复杂数学模型所需的时间。具体来说，Ning等人[33]结合卷积神经网络和频谱增强来预测气体管道泄漏位置，以提高泄漏检测的准确性和效率。Kopbayev等人[34]结合CFD和长短期记忆（LSTM）模型进行泄漏诊断，消除了风险诊断对传感器数据的依赖。此外，Zhang等人[35]开发了一个可靠的波浪盆地实验系统，以在代表性条件下获取复杂海上系统的时间序列数据用于风险分析。类似的人工智能和基于仿真的泄漏风险分析方法也可以在[36]和[37]中看到。

然而，上述的事后分析方法特别适用于具有充足历史数据的风险分析[38]，但无法反映当前和未来的风险。需要注意的是，泄漏相关危险（如海上氢泄漏）的时间序列特性使得风险因素具有动态性。鉴于此，预测时间序列泄漏后果对于更好地理解事故升级和缓解至关重要，为泄漏风险的发展和预防措施提供前瞻性见解。此外，时间序列事故数据的可用性具有挑战性，因为通常在事故发生前无法直接观察风险进展。数据限制进一步限制了现有数据驱动的事后方法的适用性，需要预测框架来揭示泄漏事故的动态行为。

为此，本文提出了一种基于时间序列模拟的具有动态行为的事故预测性风险分析方法，旨在提供预测性风险分析，以更好地支持事故分析、预测和预防。总体而言，所提出的方法包括关键风险项识别、事故概率计算和基于仿真的预测性风险分析。本文的主要贡献如下：

•

提出一种预测性风险分析方法，用于评估具有动态行为的事故的时间序列和演变风险，支持主动预防和前瞻性风险管理。

•

提出一种故障概率更新模型，以揭示动态事故的故障特征。

•

提出一种深度神经网络（DNN）和LSTM结合模型，用于预测事故发生前的潜在动态行为（时间序列后果）。

本文的其余部分组织如下。第2节介绍了所提出的预测性风险分析方法。第3节提供了海上氢储存系统案例研究的结果和讨论。第4节给出了结论。

方法论

本研究的目的是使用DNN模型捕捉氢泄漏浓度的时空演变，以及LSTM模型捕捉时间演变，来预测氢泄漏事故的动态行为。以海上氢储存系统的泄漏风险分析为例，所提出的预测性风险分析框架包括四个模块。该框架如图1所示，其中（i）主动故障模式

系统描述和关键组件识别

海上风电产生的氢能是海上能源发展的有前景的解决方案，包括能源生产（发电）、转换（电能到可储存的氢能）、运输（管道和船舶）和消费（陆上氢能产业）。在这些过程中，由海上氢储存系统支持的氢储存对海上氢的转换和运输起着关键作用。然而，恶劣的海上条件

结论

本文提出了一种用于捕捉泄漏事故动态发展性质的预测性风险分析框架。根据风险因素的发生概率和事件的时间序列后果，分析了动态泄漏风险和危险区域。同时，开发了一种危险响应机制以降低检测泄漏大小的难度。通过对实际海上氢储存系统的全面风险分析，验证了所提出方法的可行性

CRediT作者贡献声明

孔向宇：写作 – 审稿与编辑，撰写 – 原稿，方法论，调查，形式分析。黄瑞书：形式分析。李赫：写作 – 审稿与编辑，撰写 – 原稿，方法论，形式分析。康继川：方法论。董岩：形式分析。C. Guedes Soares：写作 – 审稿与编辑，监督。王进：写作 – 审稿与编辑，监督。