2.3 Оценивание риска аварий и инцидентов на всем опасном производственном объекте и вероятностей аварий и инцидентов для каждого элемента оборудования

I

риском аварий. При планировании выделения средств на обеспечение производственной безопасности нефтегазового предприятия необходимо оценивать возможный ущерб от аварий.

R^P{A)fdP{Cl\A)yit

и\

где Р(А) - суммарная вероятность аварии на всем ОПО; С, - развитие аварии по сценарию / ; Р(С, | А) - условная вероятность аварии по сценарию /; у, - ожидаемый ущерб при реализации аварии по сценарию /; к - число сценариев.

(у, включает затраты на восстановление оборудования, затраты от простоя

производства, штрафы за нарушение экологии, социальные выплаты [85]).

%

Кроме того, и это наиболее важно, в существующих методах не используются оценки возможности аварий на каждом конкретном элементе оборудования ОПО (сосуд, аппарат, участок технологического трубопровода).

На наш взгляд, такой подход малопригоден для предметного распределения средств на обеспечение производственной безопасности, поскольку в этом случае ущерб должен быть оценен для каждого элемента оборудования отдельно.

I

опасности каждого элемента оборудования ОПО.

Величину собственной вероятности аварии будем оценивать из нечеткой экспертной системы. Для каждого элемента оборудования будем искать максимальный косвенный ущерб при наихудшем сценарии протекания аварии [35]. Вероятности развития аварий по сценариям j вычисляются как произведение собственной вероятности взрыва Р(Д ) на элементе оборудования

/ на условные вероятности развития аварии Р(С} \A,) = ]\p,J, где ptj - условная

вероятность выхода из строя соседнего оборудования или его нормального

%

состояния 1 -рч \ к, - число элементов оборудования, на которые может

воздействовать / - ый элемент оборудования. Величину собственной вероятности отказа элемента оборудования Р(А,) предлагаем получать, используя качественные методы и экспертные оценки. Для каждого элемента

«

. оборудования возможны всего 2*' сценариев развития аварии. Таким образом, имеем дробный факторный эксперимент [41]. Условные вероятности выхода из строя соседнего оборудования определяются с помощью существующих методик оценки последствий аварий [83,87] и берутся из базы данных ОПО.

Полученная нами формула для оценю! риска выглядит следующим образом:

R = ZZр(А>)р(С; I А,)у, +±P(Bt)yUHI, (2.3)

I

где и- общее число элементов оборудования;

P(Bt) - вероятность инцидентов на / - ом элементе оборудования;

ymt - ожидаемый ущерб от инцидентов на / - ом элементе оборудования. Полагаем, что заводская очередь по переработке газа останавливается, если из строя выходит хотя бы одна единица оборудования, входящая в ее состав. , Тогда косвенные убытки определяются следующим образом:

Zt =?т-ТР,

X '

где Рг- средняя прибыль по одной очереди за день;

Т- максимальное время простоя очереди для данного сценария развития аварии, дней;

Р - вероятность развития аварии по конкретному сценарию.

работника на территории конкретной j - ой установки за один год: Pj = >

где - соответственно среднее число часов и дней нахождения работника на территории j - ой установки.

Итоговое выражение для социального ущерба от аварии на / - ом элементе оборудования:

г«=ГьР,(Р»Сх+РъСг)Мп %

• где С, - средний ущерб предприятия от гибели человека;

С2 - средний ущерб предприятия от травмирования человека; Nf - число работников j- ой установки.

В предложенном нами подходе мы учитываем степень опасности аварии и 'инцидентов каждого элемента оборудования, и, тем самым, получаем более достоверное значение риска аварий и инцидентов на конкретном ОПО. С помощью этого подхода возможно предметное выделение денежных средств на обеспечение промышленной безопасности.

Рассмотрим алгоритм оценки вероятностей аварий и инцидентов на каждом отдельно взятом элементе оборудования ОПО.

В качестве начальной вероятности используем данные статистики мирового опыта эксплуатации оборудования нефтегазовой отрасли, а также статистику конкретного предприятия. С помощью нечеткой экспертной системы ' оцениваются коэффициенты состояния каждого элемента оборудования ОПО и коэффициенты человеческого фактора для людей, работающих на конкретной установке. На основе этих коэффициентов оцениваются вероятности аварий и инцидентов для каждого элемента оборудования ОПО.

Как было отмечено в первой главе, аварии и инциденты могут произойти преимущественно по вине технического фактора или по вине человека.

Техническое состояние элемента оборудования и уровень человеческого фактора берутся из нечеткой экспертной системы.

В начале определим соотношения гипотез относительно того, что инциденты произойдут по вийе технического Р(Н„Ф) и человеческого фактора

Р(Нчф).

гипотез возьмем из данных отраслевой статистики «0,6:0,4 [74].

= На ОПО, например, на газоперерабатывающем заводе

• ведется статистика аварий и инцидентов [34]. Предлагается каждый год, когда на конкретном сосуде или трубопроводе произошел инцидент, фиксировать его техническое состояние S,, если инцидент произошел по вине технического

фактора, или - уровень человеческого фактора Q, людей, ответственных за работу установки, к которой относится данный объект, если инцидент произошел по вине человека. Числа S,,Q,e [0;l]. Чем больше эти числа, тем

Ь.

выше техническое состояние и человеческий фактор. Базу данных будем формировать отдельно по авариям и инцидентам. Каждый год будем искать среднее техническое состояние S и средний уровень человеческого фактора ??, при которых произошли инциденты на ОПО:

>н

N.

S =

тф

la (2.4)

N. (2.5)

где N^- число инцидентов по вине преимущественно технического фактора;

Л^- число инцидентов по вине преимущественно человеческого фактора.

Условные вероятности по результатам фактических инцидентов (событие В), произошедших на опасном промышленном объекте, будем

.определять, как отношение числа инцидентов с исходом определенного вида доминирующего воздействия к числу инцидентов:

(2.6)

Формула вычисления полных вероятностей инцидентов: (2.7)

Р(В) = Р(Н^) - Р(В | Нтф)+/>(Я„).Р(В | Я„) Апостериорные вероятности инцидентов по формуле Байеса [25] находятся следующим образом: (2.8) (2.9)

Р(Нтф\В) = Р(Нт>)Р(В\Нт>)/Р(В), P(H^\B) = P(H^)P(B\H^)/P(B) С. Бернштейн и Р. фон Мизес еще до 1920 года показали, что при некоторых условиях многократное применение теоремы Байеса дает последовательность апостериорных распределений, сходящуюся к истинному

распределению, каково бы ни было априорное распределение [129].

Фонд оборудования каждый год меняется, он стареет и обновляется. Меняются и риски аварий. Нечеткая экспертная система способна отслеживать эти изменения. В базах данных содержится текущая информация по объектам и с помощью нечеткой базы знайий можно рассчитать риски аварий.

Средняя интенсивность потока аварий ЛА (инцидентов Лв) на ОПО вычисляется для некоторой отраслевой совокупности действующих объектов нефтегазовой отрасли по известной зависимости:

Формула

где N - число аварий по отрасли (инцидентов на конкретном ОПО);

и- число ОПО для аварий (элементов оборудования для конкретного ОПО ' для инцидентов);

Т- период эксплуатации, лет.

При вычислении Хл используется известная статистика аварий по отрасли.

При вычислении Яд предлагаем использовать статистику рассматриваемого .ОПО.

Для каждого элемента оборудования с помощью теории нечетких множеств, используя алгоритм Мамдани, получаем число, которое назовем коэффициентом стабильности состояния элемента S,, а для каждой установки

получаем число Qn которое определяет состояние человеческого фактора,

I

характеризующего профессиональные, психофизиологические, коллективные качества работников установки, влияющие на возможность возникновения аварий и инцидентов. Эти числа принадлежат интервалу [0;l]. Назовем числа 1-S, и 1-Q, коэффициентами возможности аварий и инцидентов. Вероятности • аварий РА, и инцидентов Рш для элементов оборудования находятся по предложенным нами формулам:

р*=I +1 A)rw)» (2-11) %

^-^(^l^^+^l^)^), (2.12) 1 1 ~ 'Jg

где S~,, JI - средние технических состояний, QA, Q~B - средние состояний человеческого фактора, при которых произошли аварии и инциденты на ОПО, найденные по формулам (2.4), (2.5).

Чем меньше S, и Q,, тем выше вероятность аварии или инцидента.

В случае если SA или QA равны нулю, то принимаем, что статистические частоты аварий по причине ^технического фактора l-sj или человеческого фактора 1 -Q^ соответствуют 0,5, поскольку считаем, что ХА есть средняя величина, определяемая случайными факторами н соответствующая горизонтальному участку кривой Мабута [38], изображенной на рисунке 10.

Рисунок 10 - Плотносхь вероятности интервалов времени между авариями для ОПО (теоретическая кривая Мабута

Соотношения гипотез для аварий Р(Нп>\А):Р(Нчф\А) будем брать из

данных отраслевой статистики «0,6:0,4 [74].

Предложенный метод оценивания риска аварий и инцидентов реализован в созданной СППР.

Второй способ оценки вероятностей аварий и инцидентов заключается в следующем. Создадим нечеткую систему типа Сугено [ЮЗ], на выходе которой будем получать коэффициенты возможности Pt аварий (инцидентов), исходя из

технического состояния S, и человеческого фактора Q,.

Для настройки системы предлагаем использовать нейронные сети. Обучающую выборку для определения и настройки нечетких правил предлагаем получать с помощью ведущейся на ОПО статистики и экспертных оценок. Экспериментальная выборка состоит из совокупности сочетаний S,, Q,

и соответствующих им возможностям Pt аварий или инцидентов.

Получим выборку S„Q„Pn на основе которой будет настраиваться нечеткая экспертная система.

Вероятности аварий и инцидентов будем оценивать по формулам:

(2-13)

' Рт=Рг*ш (2-14)

В случае необходимости, можно изменить или дополнить обучающую выборку, и перенастраивать нечеткую базу знаний в свете новой информации. Тем самым, мы поддерживаем нечеткую базу знаний в адекватном состоянии. Настройка функций принадлежности с помощью нейронной сети устраняет принципиальную слабость теории нечетких систем - субъективность функции принадлежности. Если настроить функцию принадлежности с помощью нейронной сети, то окончательная форма функции принадлежностей будет аппроксимацией обучающей выборки.

ANFIS-редакгор, входящий в систему fuzzy toolbox Matlab, позволяет автоматически синтезировать из экспериментальных данных нейро-нечеткие сети. ANFIS является аббревиатурой Adaptive Neuro-Fuzzy Inference System - (адаптивная нейро-нечеткая система). Нейро-нечеткую сеть можно рассматривать как одну из разновидностей систем нечеткого логического вывода типа Сугэно. При этом функции принадлежности синтезированных систем настроены (обучены) так, чтобы минимизировать отклонения между результатами нечеткого моделирования и экспериментальными данными. В системе fuzzy toolbox Matlab реализовано два метода обучения: -backpropa- метод обратного распространения ошибки, основанный на идеях метода наискорейшего спуска;

-hybrid- гибридный метод, объединяющий метод обратного распространения ошибки с методом наименьших квадратов.

Мы использовали гибридный метод, так как он давал более точные результаты настройки.

В следующем разделе рассмотрим вопрос распределения денежных средств на обеспечение промышленной безопасности по статьям расходов, на основе созданного метода оценки риска аварий и инцидентов.