基于贝叶斯网络的地铁火灾风险评估分析.pdf

第4 1卷第10 期2023年10 月文章编号：10 0 9-7 7 6 7（2 0 2 3)10-0 18 9-0 6Vol.41,No.10Journal of Municipal Technology0ct.2023D0I:10.19922/j.1009-7767.2023.10.189基于贝叶斯网络的地铁火灾风险评估分析王康*，李廷，曾宪华2(1.嘉兴职业技术学院智能制造学院，浙江嘉兴314 0 36；2.嘉兴钧萍轨道交通科技有限公司，浙江嘉兴314 0 36)摘要：为弥补现有地铁火灾风险评估方法的不足，提出了一种将故障树与贝叶斯网络相结合的地铁火灾风险评估方法。首先，应用故障树识别地铁火灾风险因素（事件）的因果关系，得到地铁火灾故障树模型，通过概率重要度和关键重要度定量评价地铁火灾风险；其次，将地铁火灾故障树映射为贝叶斯网络模型，正向推理地铁火灾事故的发生概率，反向推理根节点的后验概率，并且通过敏感性分析得到地铁火灾的高风险环节，进而对地铁火灾进行风险评估；最后，以某地铁火灾为例，对该风险评估模型进行了验证和分析。分析结果表明，贝叶斯网络模型可以从先验概率、后验概率、敏感性等角度分析地铁火灾以得到更精确的计算结果，地铁火灾高风险事件顺序为可燃物与氧化剂 设施设备故障 救援疏散设施设备不完善 爆炸 缺乏自救能力 乘客恐慌。相关结论可为类似地铁火灾风险评估提供理论支持。关键词：地铁；火灾事故；风险评估；贝叶斯网络；故障树中图分类号：U231.96；U 2 7 0.38 9；U 2 98.4Analysis of Subway Fire Risk Assessment Based on Bayesian Network(1.Intelligent Manufacturing Institute,Jiaxing Vocational&Technical College,Jiaxing 314036,China;Abstract:In order to make up for the shortcomings of existing subway fire risk assessment methods,a subway firerisk assessment method combining fault tree and Bayesian network was proposed.Firstly,the fault tree was used toidentify the causality of subway fire risk factors(events)to obtain the subway fire fault tree model.The subway fire riskwas evaluated quantitatively by probability importance degree and critical importance degree;Secondly,the subwayfire fault tree was mapped to the Bayesian network model.The occurrence probability was subjected to forward rea-soning,and the posterior probability of root node to backward reasoning.The high-risk links were obtained by sen-sitivity analysis.And then,the risk assessment of subway fire was carried out;Finally,taking a subway fire as anexample,this risk assessment model was verified and analyzed.The analysis results indicate that the subway fire canbe analyzed by Bayesian network model from the perspectives of prior probability,posterior probability and sensitivityto get more accurate conclusions.The order of high risk events of subway fire is combustibles and oxidants failureof facilities and equipmentimperfect rescue and evacuation facilities explosionlack of self-rescue ability pas-senger panic.The relevant conclusions can provide theoretical support for similar subway fire risk assessment.Key words:subway;fire accident;risk assessment;Bayesian network;fault tree文献标志码：AWang Kang*,Li Ting,Zeng Xianhua?2.Jiaxing Junping Rail Transit Technology Co.,Ltd.,Jiaxing 314036,China)收稿日期：2 0 2 3-0 6-0 1基金项目：国家自然科学基金资助项目（7 18 6 10 2 1）；浙江省教育厅一般科研项目（Y202044162）；嘉兴职业技术学院校立科研项目：基于贝叶斯网络的地铁火灾风险评估研究(jzy202369)；嘉兴市科技局项目（2 0 2 1AD10007)；嘉职院重点教改项目：交通强国背景下高职轨道交通运营管理专业人才培养研究：嘉职院新形态教材项目：城市轨道交通站务员实训教程作者简介：王康，男，硕士，主要从事城市轨道交通运营安全和可靠性研究工作。引文格式：王康，李廷，曾究华.基于贝叶斯网络的地铁火灾风险评估分析 J.市政技术，2 0 2 3，4 1（10)：18 9-194.（WANGK,LIT，Z ENG XH.Analysis of subway fire risk assessment based on Bayesian networkJ.Journal of municipal technology,2023,41(10):189-194.)市放技术190Journal of Municipal Technology截至2 0 2 2 年年底，我国地铁运营总里程达到8012.85km，占城市轨道交通总里程的7 7.8 5%1。地铁作为城市公共交通方式不仅方便了人们的出行，还对城市经济和环境的可持续发展做出了卓越贡献。由于地铁一般都修建于地下深处，一旦发生火灾将造成巨大危害，因此评估地铁火灾风险有着重要的理论意义。地铁火灾风险评估方法可分为定性、定量和半定量方法 2 。倪鹏等 3 采用事故树分析法，通过结构重要度定性分析了地铁火灾事故影响因素。Yan等 4 采用区间层次分析法确定权重，采用模糊评价方法进行了地铁火灾风险评估。闫帅平 5 引入三角模糊数，借助云模型计算得到了地铁车站火灾安全等级。褚鹏宇等 6 通过引人模糊Petri网，建立了地铁火灾风险评估模型,利用矩阵算法推理得到了风险等级。黄莺等 7 通过引人算法改进模糊Petri网，实现了正向和反向推理地铁站点火灾的安全程度。刘忠等 8 建立地铁火灾故障树模型，采用三角模数计算了底事件的重要度，对地铁火灾进行了定量分析，但引入专家计算模糊概率将不可避免地受到主观因素的影响。综上所述，故障树分析法(FTA)能较好地分析事故原因，但无法逆推导致故障（风险）发生的可能性,且易受主观因素影响。贝叶斯网络作为一种典型的不确定性知识表达与推理模型 9 ，不仅继承了故障树的优点，还可以进行反向推理和事件致因排查，但如何构建贝叶斯网络模型以及相关节点的因果关系仍待研究。鉴于此，笔者拟构建一种基于贝叶斯网络的地铁火灾风险评估模型。首先，采用故障树识别地铁火灾风险因素(事件)的因果关系,得到地铁火灾故障树模型，通过概率重要度进行地铁火灾的定性评价；其次，根据模型的映射算法，构建地铁火灾贝叶斯网络模型，正向推理地铁火灾的发生概率，反向推理根节点的后验概率，并且通过敏感性分析得到地铁火灾的高风险环节，来实现对地铁火灾的风险评估；最后，以某地铁火灾为例，对该风险评估模型进行验证和分析。相关结论可为类似地铁火灾风险评估提供借鉴。1故障树和贝叶斯网络建模过程1.1故障树故障树由事件符号与将其连接的逻辑门组成，第4 1卷其把研究对象的故障状态列为顶事件,再自上而下进行层层分析，直至出现导致顶事件发生的底事件，再用逻辑门将事件连接成树形逻辑图，即故障树。但故障树分析法存在以下不足：1)无法解决事件发生概率不确定(模糊概率)的问题;2)故障树之间的交叉问题；3)构建故障树的过程比较繁琐，计算量大，容易发生错误和失察；4)不能反向推理。1.2贝叶斯网络贝叶斯网络(BN)由节点和有向弧组成，节点表示变量，有向弧表示变量之间的有向（因果)关系。贝叶斯网络主要用于描述变量之间的依赖关系，而变量集合的联合概率分布可以定量地描述变量间的关联关系。在风险分析过程中，贝叶斯网络模型可以直观地显示事件（节点）间的因果关系，还可进行双向推理，计算方便，但直接建模较为困难。1.3故障树与贝叶斯网络的映射将故障树映射为贝叶斯网络,即将故障树中的事件映射为贝叶斯网络中的节点，而事件之间的连接关系和逻辑门分别映射为贝叶斯网络中节点间的有向弧和条件概率表。以与门和或门为例,故障树与贝叶斯网络的映射示例如图1所示。01001111与门*P(S=le,y)000101S01或门111注：1表示节点故障：0 表示节点完好；x和y表示根节点；S表示叶节点；P表示概率。图1故障树与贝叶斯网络的映射示例图Fig.1 Mapping of the fault tree and Bayesian network2故障树和贝叶斯网络推理算法2.1故障树底事件的概率重要度故障树底事件的概率重要度是指底事件x发生概率的变化引起顶事件发生概率的变化程度，其计算公式为：I(i)=limAP()-0P(x)a P(x i)式中：P(T)为顶事件发生概率;P(x）为底事件发生概率；l.(i)为第i个底事件的概率重要度。P(S=le,)0011P(T)_ a P(T)(1)第10 期2.2古故障树底事件的关键重要度故障树底事件的关键重要度是指第i个底事件发生概率的变化引起顶事件发生概率的变化程度，其计算公式为：P(T)/P(T)=P(x,).1Ig(i)=limAP(a)-0P(x;)/P(x;)P(T)AP(xi).I,(i)。P(T)式中：I(i)为第i个底事件的关键重要度系数。2.3贝叶斯网络根节点的后验概率若已知叶节点的发生概率,利用贝叶斯网络的反向推理算法可得到贝叶斯网络根节点的后验概率 10 ,其计算公式为：P(x=x/T=T,)=P(x=xl T=T,),式中:P(T=T)为叶节点 T处于T。状态的发生概率;x为根节点x;的不同故障状态。2.4贝叶斯网络根节点的敏感度王康等：基于贝叶斯网络的地铁火灾风险评估分析AP(T)APc)0AP(xt)lim(2)(3)P(T=T,)191敏感度的大小反映了贝叶斯网络根节点故障状态变化导致叶节点故障状态变化的快慢程度 111,根节点x;对叶节点T故障状态为T的灵敏度计算公式为：ST(xi)k;-11P(T=1x;=0)式中：kj为根节点x;故障状态数。3地铁火灾实例分析3.1地铁火灾故障树风险评估通过调查分析可知，造成地铁火灾事故的主要原因有起火源、火情控制不力和可燃物与氧化剂。因此，在构建地铁火灾故障树模型时，顶事件为地铁火灾事故，次顶事件为3个事故原因，自上往下逐级分析次顶事件，直到获得全部底事件。以文献 12 中地铁火灾为例，地铁火灾故障树模型如图2 所示，故障树模型事件含义见表1。T1(x;=x)(4)M,M2MMM9MioM13M4MX8X16MuM12M图2 地铁火灾故障树模型Fig.2 Fault tree model of subway fire采用式（1）、（2)分别求得地铁火灾故障树底事件的概率重要度和关键重要度，结果如图3所示。从图3可以看出，x3X7X15、X2 0 V X2 1和x25这6 个底事件的关键重要度较大，而发生地铁火灾时，底事件x25一定发生，因此上述底事件均为高风险事件。在地铁运营过程中设备会出现老化现象，并且乘客的过度恐慌导致逃生时出口拥挤，另外可燃物与氧化剂也助长了火势，这与上述计算的重要度大小顺序基本吻合。3.2地铁火灾贝叶斯网络风险评估笔者采用GeNIe软件将地铁火灾故障树映射为贝叶斯网络模型，具体如图4 所示。通过贝叶斯网络正向推理算法,求得顶事件的发生概率为0.0 117 912 2 4。采用式（3)求得地铁火灾贝叶斯网络根节点的后验概率，结果如图5所示。通过对比图3和图5可以发现，地铁发生火灾市放技术192Journal of Municipal Technology表1故障树模型事件含义Tab.1 Meaning of each event in fault tree model事件编号事件名称T地铁火灾事故M起火源M2内部火源M3外部火源M4恐怖袭击Ms火情控制不力M.灭火失败M7消防系统不力Ms消防功能失效M,救援疏散系统不力Mio人为不安全行为Mi内部员工M12乘客1.0?0.90.80.70.6通重0.50.40.30.20.10.0米一图3地铁火灾故障树底事件的概率重要度和关键重要度Fig.3 Probability importance and critical importance curves ofsubwayfire fault tree bottom events第4 1卷事件编号事件名称M13管理1行车事故2员工操作失误设施设备故障4乘客违规携带、使用易燃易爆物商业点起火X6纵火7爆炸8消防系统设计缺陷9探测报警功能失效X10消防栓灭火系统失效11灭火器失效12防烟、排烟系统故障1.0*一概率重要度0.9一关键重要度0.80.70.60.50.40.30.20.10.0事件编号图5地铁火灾贝叶斯网络根节点的后验概率曲线图曲线图Fig.5 The posteriori probability curves of the root node ofT事件编号X13X14x15x16X17X18X19x20X21X22X23X24X25事件编号Bayesian network in subway fire事件名称气体自动灭火系统失效逃生出口不足救援疏散设施设备不完善救援通道不畅逃生组织不力消防技能不合格缺乏安全人员乘客恐慌缺乏自救能力消防宣传、培训与演练不充分消防管理制度未落实火灾应急预案不到位可燃物与氧化剂MX25MMMX4x6X10时逃生组织不力可能比救援通道不畅引发的后果更为严重。在地铁火灾发生的情况下，地铁火灾贝叶斯网MXMMX12X13图4 地铁火灾贝叶斯网络模型Fig.4 Bayesian network model of subway fire络根节点的发生概率如图6 所示。从图6 可以看出，地铁发生火灾时贝叶斯网络根节点的发生概率由大到小为x25x3VX20X21VX15X7，MX1415X16*17X18X19X20MiMM12X22X21Mi3X2324第10 期Failure72%Normal 28%Failure8%Normal92%Failure3%Normal97%该结论可为地铁火灾的风险分析和管理提供理论支持。0.0110从图7 可以看出，地铁火灾敏感性从大到小的顺序为：可燃物与氧化剂、设施设备故障、救援疏散设施设备不完善、爆炸、缺乏自救能力、乘客恐慌。王康等：基于贝叶斯网络的地铁火灾风险评估分析TFailure100%Normal0%固MFailure100%Normal0%M?MFailure55%Normal 45%MFailure61%Failure52%Normal39%Normal 48%X4Failure11%Normal 89%Failure1%Nommal99%193*25M,Failure100%Failure100%Normal0%MFailure3%Failure5%Normal95%M,Failure0%Failure13%Normal87%Failure42%Normal58%Failure1%Normal99%Fig.6 Probability of root node of Bayesian network in subway fire当前值：0.0 117 912 影响程度值：0.0 10 6 12 10.0 12 97 0 30.0115注：图中Failure表示故障。图7 地铁火灾敏感性分析结果Fig.7 Analysis results of subway fire sensitivity因此，在地铁运营过程中要增强对以上高风险环节的管理，以保证列车安全运营。NormalMMioFailure82%Failure39%Normal97%Normal18%8Failure31%Failure3%Normal 100%Normal97%MFailure3%Normal97%Failure1%Normal99%注：图中Failure表示故障，Normal表示正常。图6 地铁火灾贝叶斯网络根节点的发生概率结果如图7 所示。0.01200.01251:x2s-Failure2:x3=Failure3:xis=Failure4:x,=Failure5:x2=Failure6:x20=Failure7:xi4=Failure8:xio=Failure9:x=Failure10:x4Failure0%吉Failure12%Normal61%Normal88%*16M.Failure18%Failure0%Normal69%Normal 82%Failure:58%Failure2%Normal 42%Normal98%*13Failure1%Normal99%*22Failure3%Normal97%M*23Failure4%Normal96%*24M12Failure6%Failure39%Normal94%Normal 100%Normal 61%Failure228%Nomal72%*18Failure7%Normal93%采用GeNIe软件分析评价地铁火灾的敏感性，￥19Failure3%Normal97%*20Failure61%Nomal39%*21Failure60%Nomal 40%1944结论1)基于贝叶斯网络的地铁火灾风险评估方法可以正向推理求得地铁火灾的发生概率，也可反向推理计算出贝叶斯网络根节点的后验概率，从而得到贝叶斯网络根节点的发生概率。2)基于贝叶斯网络的地铁火灾敏感性顺序为可燃物与氧化剂 设施设备故障 救援疏散设施设备不完善 爆炸 缺乏自救能力 乘客恐慌，3)相比于地铁火灾故障树模型，基于贝叶斯网络的地铁火灾风险评估方法的计算结果更精确，其可通过更新GeNIe软件故障数据做到动态、分季节的快速风险评估，相关结论可为地铁火灾的风险管理和评估提供理论依据。参考文献 1中国城市轨道交通协会.2 0 2 2 年度中国内地城轨交通线路概况 EB/OL.(2023-01-03)2023-01-24.https:/ Urban Rail Transit Association.Overviewof urban rail transit lines in Mainland China in 2022 EB/OL.(2023-01-03)2023-01-24.https:/ 米红甫，肖国清，王林元，等，地铁车站火灾风险的概率模糊评估研究 J.安全与环境学报,2 0 15,15(5)：16-2 0.（MIHF，XIAO G Q,WANG L Y,et al.On the fire risk evaluation for thesubway stations on the probability fuzzy theory J.Journal of safetyand environment,2015,15(5):16-20.)【3倪鹏，唐志波.基于FTA和FAHP方法的地铁火灾事故分析J.科技通报,2 0 2 1,37(9):10 9-112.(NIP,TANGZB.Analy-sis of subway fire accidents based on FTA and FAHPJ.Bulletinof science and technology,2021,37(9):109-112.)4 YANZG,WANG Y P.Developing a subway fire risk assessmentmodel based on analysis theory J.Mathematical problems inengineering,2021(11):1-13.5闫帅平.基于WSR-FPP和云模型的地铁车站火灾安全评价J.消防科学与技术,2 0 2 1,4 0（2):2 7 9-2 8 3.（YANSP.Firesafety evaluation of subway station based on WSR-FPP and cloud（上接第2 9页）green-grey-blue drainage system under extreme weather eventsJ.Environmental modelling and software,2018,100:82-103.58邓倩倩，黄明，卢靖宇，等.基于SWMM模型探究LID对排水设施的碳排放量影响 J.兰州工业学院学报，2 0 2 2,2 9(6)：13-17.(DENG QQ,HUANG M,LU JY,et al.Study on the impactof carbon emissions caused by LID in the drainage facilities basedon SWMM model JJ.Journal of Lanzhou Institute of Technology,2022,29(6):13-17.)Journal of Municipal Technology第4 1卷modelJ.Fire science and technology,2021,40(2):279-283.)6 褚鹏宇，刘澜，尹俊淞基于动态变权模糊Petri网的地铁火灾风险评估 J.安全与环境学报,2 0 16,16（6)：39-4 4.（CHUPY,LIU L,YIN J S.On the subway fire risk assessment based ondynamically variable weight Petri net JJ.Journal of safety andenvironment,2016,16(6):39-44.)7 黄莺，王，张丽丽，等.基于CAST-IFPN的地铁站点火灾安全评价 JJ.武汉大学学报（工学版）,2 0 2 2,55（3)：2 53-2 6 0.（HUANGY,WANG K,ZHANG L L,et al.Safety evaluation of metro sta-tion in case of fire based on CAST-IFPNJJ.Engineering Journalof Wuhan University(engineering edition),2022,55(3):253-260.)8 刘忠，陈曼英.基于FFTA的地铁火灾风险评估及控制研究J.科技管理研究,2 0 15,35（11)：2 2 1-2 2 4.（LIUZ,CHENMY.Study on the risk assessment and control of subway fire basedon FFTA fault tree analysis methodJ.Science and technologymanagement research,2015,35(11):221-224.)9沈小燕，肖丹蕾，魏珊珊，等.基于FTA-BN的危险货物道路运输事故分析 J.安全与环境学报，2 0 2 2,2 2(1)：338-34 6.（SHENX Y,XIAO D L,WEI S S,et al.Analysis of road transportationaccidents of dangerous goods based on fault tree analysis andBayesian network J.Journal of safety and environment,2022,22(1):338-346.)10刘昆,纵帅,王加夏,等.基于模糊故障树和贝叶斯网络的FPSO碰撞风险分析方法研究 J.船舶力学，2 0 2 2,2 6（4)：57 4-58 3.(LIU K,ZONG S,WANG J X,et al.Collision risk analysismethod of deepwater general FPSO based on fuzzy fault tree andBayesian networkJ.Journal of ship mechanics,2022,26(4):574-583.)11齐金平，李兴运.动车组受电弓系统失效风险分析 J.中国机械工程,2 0 18,2 9(7):8 2 4-8 2 8.(QIJP,LIXY.Failure risk anal-ysis of EMU pantograph systemsJ.China mechanical engineer-ing,2018,29(7):824-828.)12朱文敏.基于模糊事故树的地铁运营火灾风险评估 D.北京：北京交通大学,2 0 18.(ZHU WM.Fire risk assessment of subwayoperation based on fuzzy fault tree analysisD.Beijing:BeijingJiaotong University,2018.)其他作者：李廷，男，硕士，主要从事机械精密制造及其自动化相关研究工作。曾宪华，男，学士，主要从事城市轨道交通车辆制动系统制造相关研究工作。其他作者：肖友，男，教授级高级工程师，学士，主要从事给水排水、环境工程等领域工作。程顺健，男，高级工程师，学士，主要从事市政排水、环境工程等领域工作。林瑞盛，男，助理工程师，硕士，主要从事城市排水模型应用工作。陈晓晨，男，副教授，博士，主要从事水及污水的处理技术等研究工作。牛佳，女，副教授，博士，主要从事水环境保护及水质保障技术等研究工作。