资源预览内容
第1页 / 共184页
第2页 / 共184页
第3页 / 共184页
第4页 / 共184页
第5页 / 共184页
第6页 / 共184页
第7页 / 共184页
第8页 / 共184页
第9页 / 共184页
第10页 / 共184页
亲,该文档总共184页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述
1,主讲:杨应迪,安全信息工程,E-mail:39330480qq.com,学时:44,Del:13955460420,2,第3章 计算机辅助安全分析,CAI计算机辅助教学 CAD计算机辅助设计 CAE计算机辅助工程 CAM计算机辅助制造 CAPP 计算机辅助工艺计划 CAT计算机辅助翻译 CG计算机图形学 CFD计算流体动力学,3,第3章 计算机辅助安全分析,从现代安全生产管理的实际需要和总的发展趋势分析,把现代的计算机技术与安全科学管理技术有机地结合,综合运用安全系统管理理论及事故分析预测决策技术,将会大大促进安全预测理论及方法技术的进一步提高。 “安全第一,预防为主”,预测是预防的前提,预测是决策的基础,工业事故的预测预防及其辅助决策分析评价已成为现代安全管理的核心。,4,主要内容,3.1常用数据处理算法 3.2计算机辅助安全检查表法分析 3.3计算机辅助故障树分析 3.4计算机辅助道化学分析 3.5计算机辅助HAZOP分析 3.6其它,学时:8,5,学习目的与重难点,通过计算机编程实现常用算法 利用计算机进行辅助安全分析,6,3.1常用数据处理算法,趋势是由客观事物内在因素所决定的,内在的必然因素对客观事物的各个时期都起着普遍的、长期的、决定性的作用,并且使各个时期的发展水平沿着一个方向,即上升或下降持续发展,由此形成客观事物在较长时期比较稳定发展变化线索和基本规律。 长期趋势一方面由内在因素所决定,呈现稳定的发展变化;另一方面在具体的时间条件下,它又受外在的偶然因素的影响,表现为上下起伏波动,变化规律不明显。正是由于这种暂时的外在偶然因素的影响,在短时间内难以认识与掌握客观事物发展的基本规律,需要从相当长的时期内进行观察和分析。因为在较长时期内外在的偶然因素影响会相互抵消。,7,案例,基于监测系统的瓦斯与煤突出实时预报研究,8,3.1常用数据处理算法,趋势类指标是以均线系统为基础,通过研判安全监控中某个参数值在一定时期内的变化状况(上升、水平走向、下降),来反映监控对象的安全状态。趋势类指标普遍具有稳定的特点,即趋势一旦确立,就会延续一段时间,直到外力迫使其改变这一状况,否则趋势一直延续。,9,是指历史时间序列所反映的某种可以识别的事物变动趋势形态。,3.1常用数据处理算法趋势模型,水平型,趋势型,时间序列模式定义,10,3.1常用数据处理算法趋势模型,周期变动型,随机型,随机型时间序列模式是指时间序列所呈现的变化趋势走向升降不定、没有一定的规律可循的变动势态。这种现象往往是由于某些偶然因素引起的,如经济现象中的不规则变动、政治变动以及自然气候的突变等因素所致。对于这类时间序列模式,很难运用时间序列预测方法做出预测,但有时也可通过某种统计处理,消除不规则因素影响,找出事物的固有变化规律,从而进行分析预测。,时间序列模式,11,算术平均法是求出一定观察期内预测目标的时间数列的算术平均数作为下期预测值的一种最简单的时序预测法。 设:X1,X2,X3,. ,Xn为观察期的n个资料,求得n个资料的算术平均数的公式为: X=(X1+X2+X3+.Xn)n 或简写为: X(平均数)=xn 式中:n为资料期数(数据个数) 运用算术平均法求平均数,进行预测有两种形式: 以最后一年的每月平均值或数年的每月平均值,作为次年的每月预测值; 以观察期的每月平均值作为预测期对应月份的预测值。,算术平均法,3.1常用数据处理算法趋势模型,12,加权平均法,就是在求平均数时,根据观察期各资料重要性的不同,分别给以不同的权数加以平均的方法。 其特点是:所求得的平均数,已包含了长期趋势变动。 例: A鸡蛋34元一个,买了10个,B鸡蛋45元一个,买了20个,问买了A鸡蛋和B鸡蛋的平均价格是多少? 这时肯定不能用算术平均,直接(34+45)/2,因为他们买的数量不一样,因此要计算他们的平均价格,只能用所买的数量作为权数,进行加权平均: (3410+4520)/(10+20)= 1240 /30 = 41.33元/个,加权平均法定义,3.1常用数据处理算法趋势模型,13,加权平均法公式,3.1常用数据处理算法趋势模型,归一化处理,14,移动平均法,3.1常用数据处理算法趋势模型,移动平均数是固定平均数的一种,用所掌握的全部资料算出的平均数,作为外推预测值使用。每有一个新的观察值加进来,就要重新计算一个平均数,得出一个新的预测值。 模式是:,计算公式有三个变形:直接式、循环式及误差改正式。,可以看出,所谓“移动”,是因为总是对近期的历史资料数据取平均,随着时间推移,不断引进新的数据,而“平均”则起到了“滤波”作用,滤掉了随机波动。,15,移动平均法,3.1常用数据处理算法趋势模型,直接式,16,移动平均法,3.1常用数据处理算法趋势模型,循环式,循环式是递推的方法,预测值用新的观测值和旧预测值计算。,加进新观测值Xt之后,变成:,17,移动平均法,3.1常用数据处理算法趋势模型,误差改正式,预报误差的符号是e,算式是:,18,移动平均法,3.1常用数据处理算法趋势模型,19,3.1常用数据处理算法趋势模型,滑动平均法,监控系统观测的参数值时间序列是由长期趋势、周期变动和不规则变动交织运动的综合结果,如果要测定出长期趋势,就要将时间序列中的其他影响因素消除掉,以便使长期趋势分离出来。 滑动平均数预测是一种局部固定平均数模型, 它是对N项原始序列,取K 项滑动平均来反映序列的变动轨迹,模式是:,滑动平均法的优点是对资料中的随机波动进行了有效的平滑,但是确定滑动平均的项数是一个非常重要的问题。因为项数的多少直接影响到数列的修匀程度。一般项数越多,修匀的作用越大,反之越小。然而,如果序列的基本轨迹正在发生变化,则k宜小不宜大,否则会平滑掉数列的基本轨迹。,20,3.1常用数据处理算法趋势模型,指数滑动平均法,滑动平均线其实是对各平均项等权值进行平均,但实际上各项的影响作用并不相等,从理论上讲越接近预测期的数据对准确预测的贡献越大。指数平滑弥补了滑动平均的这一不足,它采用折扣因子对序列观察值进行指数加权,权数分配的原则是由近及远递减分配。 指数平滑是利用现有数据的加权平均数来构造趋势方程的统计方法。指数平滑值和平滑系数是该法的两个主要参数。 指数平滑值是指如下公式推导的数值:,21,3.1常用数据处理算法趋势模型,指数滑动平均法,22,3.1常用数据处理算法摆动模型,摆动量,正常生产过程中,监控参数值的变化是围绕着一个基准值而上下摆动,并且这一变化量不会太大。,为了描述这种规律性,提出了摆动量这一指标,来考察参数值的变化程度与事故的关系。,23,3.1常用数据处理算法摆动模型,摆动量,下图是摆动量柱状图。从这个图中可看出,正常采掘过程中瓦斯涌出变化量不会超过0.25。但当采掘面的前方有突出危险时,并且已处于突出的孕育阶段时,这一变化量将会急剧增大,图中10时40分以后的图形所示。,24,3.1常用数据处理算法摆动模型,偏离率,由于受自然等其它条件的影响,监测系统所测得的参数值可能会存在着差别。偏离率可将滑动平均线规范化,它的最初提出是为了测算股票价格在波动过程中与滑动平均线的偏离程度。,25,3.1常用数据处理算法摆动模型,变动率,变动率的描述包含两个方面: 一是序列的振动幅度,可通过振幅变化率ROSC(Rate of Swing Change)来表示,即:一定的时间间隔内,初始时刻值与末端时刻值之间的相对变化率; 另一方面是序列的变化次数,可通过频次变化率ROFC(Rate of Frequency Change)来表示,即:一定的时间间隔内参数值的变化次数。这两个方面的综合,描述了参数值变化的实际情况。,振幅变化率,频次变化率,26,3.1常用数据处理算法摆动模型,方差,因为一方面,从方差的意义可知道,它反映的是序列的离散程度,也即各值偏离均值的程度。方差越大,监控参数值变化幅度越大;方差越小,参数值变化幅度越小。方差在这里的意义表现了参数值变化的情况,因而可以用来衡量事故前的“忽大忽小”。另一方面,当监控系统是采用变质变态的读数方式时,对于一定的时间间隔内,参数值变化频繁,表现在序列中就是,这段时间内读数值的数量较多,而对同一时间间隔内,参数值稳定,则读值数量较少。以正常和异常两种情况的同时期的均值相等为前提,不难理解异常时的方差要远大于正常时的方差。由此可见,一定时间步长的参数值的方差表明了监控参数值的变化程度。,27,3.1常用数据处理算法摆动模型,方差,采用截取监控时间序列中的一段序列作为子序列,计算子序列的方差,而让子序列在原序列上随时间滑动,这样就构成了方差序列。以方差序列分析监控参数值序列的变化情况。,28,3.1常用数据处理算法异常检测模型,Yamamoto模型,Yamamoto方法处理气候的异常比较成熟,它是从气候信息与气候噪声两部分来讨论突变问题的。由于是由Yamamoto最先将信噪比用于确定日本地面气温、降水、日照时数等序列的突变,故称其为Yamamoto法。,29,3.1常用数据处理算法,30,预测的对象是工业系统工作状态的安全预测。 其方法是对工业生产短期微观事故状态预测拟选用模糊马尔柯夫链预测法,其特点是系统某一时刻状态仅与上一时刻状态有关,而与以前时刻状态无关。 其t+1时刻的状态预测模型表示为: Psik = maxPsi1, Psi2, . , Psi1,原理,3.1常用数据处理算法马尔柯夫链,31,3.1常用数据处理算法马尔柯夫链,32,3.1常用数据处理算法马尔柯夫链,33,3.1常用数据处理算法马尔柯夫链,34,3.1常用数据处理算法马尔柯夫链,35,3.1常用数据处理算法马尔柯夫链,36,3.1常用数据处理算法马尔柯夫链,37,38,模糊数学又称Fuzzy 数学,是研究和处理模糊性现象的一种数学理论和方法。在1965 年美国控制论学者L.A.扎德发表论文模糊集合,标志着这门新学科的诞生。现代数学建立在集合论的基础上。一组对象确定一组属性,人们可以通过指明属性来说明概念,也可以通过指明对象来说明。符合概念的那些对象的全体叫做这个概念的外延,外延实际上就是集合。一切现实的理论系统都有可能纳入集合描述的数学框架。,3.1常用数据处理算法模糊数学,39,举例说明 在日常生活中,经常遇到许多模糊事物,没有分明的数量界限,要使用一些模糊的词句来形容、描述。比如,比较年轻、高个、大胖子、好、漂亮、善、热、远。这些概念是不可以简单地用是、非或数字来表示的。在人们的工作经验中,往往也有许多模糊的东西。例如,要确定一炉钢水是否已经炼好,除了要知道钢水的温度、成分比例和冶炼时间等精确信息外,还需要参考钢水颜色、沸腾情况等模糊信息。因此,除了很早就有涉及误差的计算数学之外,还需要模糊数学。,3.1常用数据处理算法模糊数学,40,课堂教学的评价模型,问题背景,对教师的课堂教学进行评价,是教师评价的一个方面。由于课堂教学优良的度量是模糊的,因此很难明确地界定。 教师的课堂教学是一种复杂的智力活动与劳动,不仅涉及到所授课程的知识,而且旁及教育学、心理学、语言学等。跟教师的工作热情、工作态度和业务水平有相当的关系。 因此,要考虑在抓住课堂教学的主要因素和讲授的基本要求后,设计评定量表,采用先定性,后定量,次量化的方法进行模糊评价。,3.1常用数据处理算法模糊数学,41,课堂教学的评价模型,课堂教学主要因素和基本要求,课堂教学的主要因素和基本要求构成集合 U =u0,u1,u2,u3,u4,u5,u6,u7,u8,u9 评语构成集合V=v1,v2,v3,v4,v5 v1=很好 v2=好 v3=较好 v4=差 v5=很差,3.1常用数据处理算法模糊数学,42,课堂教学的评价模型,表1 课堂教学定性表,举例说明问题u9,主次有所区分u
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号