流程风险评估使用大数据

这是一个典型的炼油厂周一早上的场景:团队(工厂经理、主管和主要操作员)聚在一起回顾过去一周的表现和未来一周的计划。他们谈论工业流体催化裂解装置和关键问题，“催化剂立管的性能如何?”团队的回答是:“不太好;警报比平时多;我们也不确定原因。”

工厂管理人员知道再生催化剂立管容易受到干扰，这导致令人沮丧的操作“打嗝”(和跳脚)。它是炼油厂最赚钱的部门之一，拥有一流的历史学家和制造智能软件。该系统产生数十万个数据点。然而，与立管相关的风险和可靠性(以及它们如何动态变化)的大小仍然未知，这为管理其运行以获得最佳效率带来了挑战。

这种情况在全球各地的炼油厂经常发生，表明随着设备老化和经验丰富的操作人员退休，问题日益严重。随着最近控制和监控系统的进步，设施的数据越来越多——没有对过程性能的清晰洞察，特别是过程风险的发展。因此，在过去的几年里，设施变得数据丰富，但信息贫乏;这通常被称为“大数据挑战”。

大数据确实很大。通常情况下，在一个大约有320个标签的工厂中，每6个月记录超过50亿个数据点，每秒记录传感器测量数据。它通常以四个v为特征:体积(volume)、多样性(variety)、速度(velocity)和可变性(variability)，随时间变化。在大数据洪流中丢失的是一些指标，这些指标可以帮助工厂了解动态变化的风险，并避免美国化学和石化行业每年遭受的100亿美元损失(由于意外关闭)。

研究表明，采用一种不同的方法来利用大数据——基于使用先进的数据挖掘技术直接处理信息——创造了大量以前无法获得的见解。这在改变设施运营方式和减少意外中断方面具有巨大潜力。

目前的过程风险分析方法在风险评估领域存在空白。一种更具创新性的预测性风险评估方法可以帮助设施预防事故和意外停机，并在降低风险的情况下可靠地运行。

当前的风险分析，差距

改进过程风险管理是广泛使用的过程安全管理(PSM)标准的主要结果，该标准由美国职业安全与健康管理局(OSHA)颁布，以维持和提高工厂操作的安全性、可操作性和生产力。在过去十年中，过程风险评估领域取得了进展，但一些设施仍存在重大差距。

风险分析技术及相关差距如下:

1.定量风险评估(QRA)。一般来说，大多数设施每3-5年进行一次qra。它们使用行业可用的各种数据源，如事件数据、材料安全数据、设备和人员可靠性数据，通过定义故障概率及其潜在后果来识别事件场景并评估风险。它们帮助用户确定降低风险的领域。

缺陷:由于QRA主要涉及事件和故障数据(不包括包含前兆事件信息的日常流程和警报数据)，因此它的预测能力有限。有趣的是，欧盟委员会联合研究中心和丹麦风险国家实验室的一份总结报告(Lauridsen et al.， 2002)表明，基于通用可靠性/失效数据库的风险估计容易产生偏差，并可能导致很大的偏差，这取决于数据源。他们的项目聘请了7个合作伙伴，对同一氨储存设施进行风险分析，发现“对相同危险场景的频率评估存在巨大差异”。由于这些原因，使用流程特定数据库进行客观风险分析的重要性已经得到了认可。

2.安全审计。许多设施使用内部团队和大型咨询公司进行安全、健康和环境审计，这需要大量资源。内部安全审计的频率和有效性在很大程度上取决于设施的资源可用性。在大多数情况下，安全专业人员在工程师、操作人员、有时甚至管理人员的支持下，定期审查操作程序和安全记录，并就安全实践进行有限数量的访谈。

漏洞:定期进行正式深入的安全审计，频率从一年一次(在极其罕见的情况下超过一年一次)到几年一次。这些审计的一个组成部分是审查由员工报告的事件历史和可观察到的未遂事件。后者取决于设施的安全文化，可能并不总是能提供风险的真实情况。

此外，这些方法不具备实时、甚至近时间监控流程风险级别变化的能力。

3.运营管理和制造智能工具。运营管理和制造智能软件提供关键绩效指标(kpi)，用于运营的绩效监控，以及设备的可用性和有效性评估。它们专注于选定数据片的趋势、报告和可视化分析，帮助用户监控时间段内不同参数的可变性(shift、day、week等)。

缺陷:这些系统在大数据分析方面存在不足，特别是当用户需要了解部分操作何时变得更有风险以及异常是如何悄悄出现的时候。这需要将操作条件与它们的正常行为进行比较，以确定新的变化和转移，这不是这些系统的重点。随着设备的老化和许多经验丰富的操作人员的离职，这一障碍将变得更加严重。

4.基于状态的监控工具。这些工具通过比较电厂性能与其预期行为，实时或近时间识别异常情况，并在不匹配时提醒用户。市场上既有模型驱动(基于定量流程模型)的工具，也有数据驱动的工具(基于聚类和降维方法)，可以帮助操作员在发送实时警报时立即采取纠正措施。

漏洞:由于它们旨在实时或近时间监测操作，因此它们不关注识别风险和事件的可能性在一段时间内(几天、几周、几个月)如何演变。换句话说，尽管它们提供智能警报(优于具有固定阈值的传统警报)，以满足现场操作人员的需求，但在评估过程风险和性能的量级时，它们的范围有限，这对工厂经理、工程师和可靠性人员的战略决策至关重要。此外，许多人在维持基线时需要大量的“关心和痛苦”，这使他们不那么有吸引力。此外，它们通常涉及在场外设施对工厂数据进行远程监控和诊断，这是一个资源和资本密集型项目。

风险评估差距仍然是个问题。动态识别风险级别和驱动因素可以在帮助繁忙的工厂人员利用大数据中的见解并迅速采取适当行动方面发挥重要作用。

实时风险分析

事故是当一系列(不幸的)风险管理障碍相继发生时发生的罕见事件，这意味着它们的发生涉及“偶然”因素。然而，事后调查显示，在这些意外事件演变(逐渐或经常、迅速)为异常情况之前，有几次险些脱险(Phimister et al.， 2003;Kleindorfer et al.， 2003;Pariyani等人，2010;Kleindorfer et al.， 2012)。这个概念体现在众所周知的“安全金字塔”中。

图1介绍了安全金字塔的扩展版本(由侥幸脱险管理有限责任公司开发)，指出了两类侥幸脱险是事故的前兆。操作团队通常会注意到可观察到的险些失败，例如设备故障、泄漏等。隐藏的险些脱靶事件只能通过严格的数据分析才能检测到，而且通常是肉眼无法观察到的。在流程和警报数据库中查找此类事件可以在其发展阶段检测到操作问题。

随着信息技术的进步，一个典型的工业工厂运行持续监控数百(甚至数千)个参数，生成大量的数据集(每天1000万到5000万个数据点或更多)，在运行几周内就超过了10亿大关。使用先进的数据挖掘技术可以发现新的异常，这些异常通常无法通过手动或可视化数据分析或工程模型检测到。然后，这些信息用于评估风险，表明正常情况升级到异常水平的可能性，在操作中潜在的性能问题变得明显或具有威胁之前，提供洞察。

动态风险级别指导工厂人员了解风险的来源和性质(在最低数据级别)，以便及时部署正确的资源，计划准时(JIT)维护，并提前几天甚至几周阻止潜在的问题。所有用户(工厂经理、主管、工程师、可靠性和维护人员以及操作人员)都可以访问结果，以提高操作团队的透明度，并补充现有的PSM、危害识别和定量风险分析活动。

请参阅下一页的两个详细图表和两个案例研究。

案例研究1:炼油厂关闭

一家大型炼油厂的工业流体催化裂解装置在高需求操作过程中意外停机。尽管有强大的PSM程序和报警管理理念，进程对干扰的免疫力逐渐恶化，直到干扰压倒控制器并导致停机。

随后的调查使用风险分析方法快速分析了18个多月的数据，显示在几个月的时间内发生了微妙的恶化。工厂系统和工作人员无法看到它。发现了几个变量(在关闭前)的风险水平增加，表明与正常行为有显著偏差，这在标准绘图、趋势和数据可视化中是看不到的。特别是，发现了一个压差变量(其中一个立管)，在关闭前显示出很强的领先指标。一个领先指标(停机可能性)在几个月内逐渐上升到58%。标准风险评估工具的缺陷没有为工厂管理提供变化条件的可见性。

通过动态观察风险水平的变化(每天、每周、每月)，工厂运营团队可以确定问题开始的时间，并使用领先指标采取主动措施，防止和避免运营问题。预测性知识可以帮助工程师和安全人员监控现有风险降低措施的有效性，并尽早发现问题，这样管理层就可以将资源分配到最需要的领域。

案例研究2:酸失控

一家工厂无法查明酸失控事件的原因，该事件被认为是一个渐进事件，而不是突然的人为失误。图3显示，在事件发生前几周，其中一个分析变量已经经历了超过其临界水平的显著可能性。如果工厂人员提前采取纠正措施，这一信息本可以防止事故发生。有两个时期，隐藏的数据表明事件具有很高的风险潜力，而现有的风险评估工具没有捕捉到。

许多工艺条件，如酸失控，很难用趋势和可视化技术检测。在这种情况下，大数据分析可以突出其他方法所忽略的、人眼无法观察到的问题。大数据分析将重要数据与无关紧要的数据区分开来。

风险继续

尽管自动化技术不断进步，人们对过程安全的意识不断增强，但很明显，工业设施仍然在与意外停机和事故作斗争。目前的风险评估方法在动态识别和预测风险方面存在不足。利用特定流程的大数据和先兆信息，可以表明风险何时处于发展阶段。这种方法独立于员工的报告，在获取信息方面往往不足。

大数据预测评估具有风险信息透明、问题自动捕获、基于事实的决策和维护措施的有效监控等相关好处，它补充了当前的PSM、危害识别和定量风险分析技术，并为下一代风险评估奠定了基础。

参考文献

Kleindorfer, p.r.，等，“事故流行病学和美国化学工业:事故历史和最坏情况数据从RMP*信息，”风险分析，23(5)，第865-881页(2003)。

Kleindorfer, P.， Oktem, U.G, Pariyani, A.和Seider, W.D，“工业巨灾风险和潜在损失的评估”，计算机与化学工程，47,85-96(2012)。

Lauridsen, K.， Kozine, I.， Markert, F.， Amendola, A.， Christou, M.，和Fiori, M.，“化学设施风险分析中的不确定性评估”，ASSURANCE项目总结报告，风险国家实验室，Roskilde，丹麦(2002)。

Pariyani, A.， Seider, W.D.， Oktem, u.g.，和Soroush, M.，“化工厂大型数据库的事件调查和动态分析:FCCU案例研究”，工业工程。化学。第49,8062 -8079号决议，2010。

Phimister, j.r.， Oktem, U.， Kleindorfer, p.r.，和Kunreuther, H.，“化学过程工业中的险些事故管理”，风险分析，23(3)，445-459(2003)。

-作者:Ankur Pariyani博士、Ulku G. Oktem博士和Deborah L. Grubbe, PE, Near-Miss Management LLC;由CFE Media内容经理马克·t·霍斯克编辑，控制工程而且工厂工程、mhoske@cfemedia.com．

传记

Ankur Pariyani，博士(通讯作者)，Near-Miss Management LLC联合创始人兼首席技术官，专注于产品开发和创新。他撰写了几篇关于风险分析的论文。在险些脱险管理研究团队中，他开发了突破性的工程技术，用于识别关键的险些脱险和预测工厂中的事故，为未来的发展奠定了坚实的概念基础。他拥有宾夕法尼亚大学(University of Pennsylvania)的博士学位和硕士学位，以及古瓦哈提印度理工学院(Indian Institute of Technology in Guwahati)的学士学位，均为化学工程专业。

Ulku Oktem博士是Near-Miss Management LLC的联合创始人兼总裁，负责产品开发和运营。她还担任宾夕法尼亚大学沃顿商学院风险中心的兼职教授和高级研究员。她拥有特拉华大学化学工程博士学位，克拉克森学院硕士学位，中东技术大学学士学位。Oktem博士是全球公认的近距离管理系统领域的领先专家和研究人员。她的研究获得了国际认可，并在一些学术期刊和其他出版物上进行了深入报道。之前的经验包括在Rohm & Haas公司管理各种特种化学品的产品开发和制造。她还成立了自己的咨询公司，为财富500强公司提供安全、健康和环境培训服务。

Deborah L. Grubbe是Near-Miss Management LLC的首席营销官，也是Operations and Safety Solutions LLC的所有者和总裁，这是一家专注于过程安全领导和安全文化的咨询公司。她曾担任英国石油公司(BP plc)集团安全副总裁，该公司在她的领导下度过了最安全的两年。Grubbe在杜邦工作了27年，担任过安全、运营和工程部门的董事。任务包括资本项目实施、过程安全实施、战略安全评估、制造管理和人力资源。从2003年到2012年，黛博拉担任美国国家航空航天局航天安全顾问小组的成员，并担任哥伦比亚航天飞机事故调查委员会的安全文化顾问。2012年5月，她获得了NASA局长查尔斯·博尔登颁发的NASA杰出公共服务奖章。Deborah在普渡大学工程学院院长咨询委员会任职。她是化学过程安全中心的荣誉退休成员，并与美国国家科学院合作，支持美国化学武器库存的非军事化。Deborah是美国化学工程师学会(AIChE)董事会的前成员，也是AIChE可持续发展研究所的现任主席。2002年，她获得了普渡大学杰出工程校友奖，并被评为特拉华州“年度工程师”。 In May 2010, Deborah was awarded an Honorary Doctorate in Engineering from Purdue University.

在线

www.nearmissmgmt.com

参见有关如何Near-Miss Management LLC的商业软件，动态风险分析仪，通过对过程和告警数据的分析，动态判断连续过程的风险。

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。