УПРАВЛЕНИЕ ПРОИЗВОДСТВЕННЫМИ РИСКАМИ НА ОСНОВЕ СТАТИСТИЧЕСКИХ МЕТОДОВ ОБРАБОТКИ ОПЕРАТИВНОЙ ИНФОРМАЦИИ И ПРОГНОЗИРОВАНИЯ ПРИЗНАКОВ ОПАСНОСТИ

Аннотация. Обеспечение безопасности сотрудников предприятий и населения от различных техногенных источников, осуществляющихся на основе концепции приемлемого риска, становится невозможной без построения качественной математической модели, описывающей процессы. Целью представленной работы является выбор оптимального метода прогнозирования для разработки алгоритма анализа и оценки производственных рисков на промышленном предприятии.

Ключевые слова: экологический риск-анализ; байесовская линейная регрессия; эмпирическая выборка; функция и плотность распределения.

В настоящее время любую сферу жизни общества тяжело представить без риска. Оборотная сторона стремительного технического прогресса, который мы наблюдаем последние 200 лет - появление возможностей катастроф технического характера. При чем, они затрагивают все больше аспектов жизнедеятельности населения, вопросов экологии и, в целом, благополучного существования человеческой цивилизации [1, с. 12]. 

Являясь отправной точкой при оптимизации процесса принятия управленческих решений, анализ возможных рисков все шире влияет на деятельность различных производственных и административных структур [2, с. 464]. Первым этапом работы такого анализа является выявление возможных опасностей и угроз. Затем проводится их качественная и количественная оценка и группировка. Далее выделенные риски и их группы сопоставляются между собой и сравниваются для выявления приемлемых и неприемлемых рисков. И наконец - проводится обоснование процесса управления риском для снижения негативного влияния. Таким образом, основу для мероприятий по управлению риском составляют данные, полученные в ходе его качественной, а затем количественной оценки.

Среди методов технической диагностики риск-анализа метод, основанный на обобщённой формуле Байеса, занимает особое место благодаря простоте и эффективности [3, с. 333]. Байесовская оценка решения - это статистическая оценка, минимизирующая апостериорное математическое ожидание функции потерь, иначе говоря, она максимизирует апостериорное математическое ожидание функции полезности. Для непосредственных вычислений в работе использован метод линейной регрессии, т.е. применен метод байесовской линейной регрессии — подход к линейной регрессии, в котором статистический анализ проводится в контексте байесовского вывода. Цель такого анализа — обновить распределения вероятностей параметров, комбинируя вероятность, вызванную распределением данных, с предыдущей информацией, чтобы составить совместное условное распределение параметров, заданных данными. Признаки и функции полученного распределения служат базисом для оценки и вывода.

Целью исследования, результаты которого приведены ниже, являлся выбор оптимального метода для последующей разработки алгоритма анализа и оценки производственных рисков на промышленном предприятии АО «Ташкентская ТЭС» и проверка математической модели на работе турбогенератора ТВВ-165-2 мощностью 165 МВт, эксплуатируемого на станции в настоящее время, как частного случая [4, с. 2].

Для прогнозирования экологических рисков было необходимо разработать математическую модель зависимости между среднесуточными выбросами ХОВ, у.е. (Y) и режимами функционирования ТЭС в условиях перегрузки (%) для совокупности (выборки) суточного мониторинга в течение 50 рабочих дней. В качестве опорных данных был взят годовой отчет о предельно допустимых выбросах вредных веществ.

Таблица 1.

Выбросы вредных веществ

Изобразим полученную зависимость графически точками координатной плоскости (рис.1).

Рисунок 1. Корреляционное поле «перегрузка - вредные выбросы»

Результаты решения задачи представлены на рисунке 2, а моделирования и верификации статистической модели парной линейной регрессии рисунке 3.

Рисунок 2. Результаты регрессионного и дисперсионного анализа мониторинга (риска) вредных выбросов в условиях превышения нагрузки на ТЭС

Рисунок 3. Листинг результатов моделирования и верификации статистической модели парной линейной регрессии «перегрузка ТЭС – выбросы ВВ»

Таким образом, по результатам анализа эмпирической выборки, полученных в ходе мониторинга безопасности ТЭС, можно сделать научно обоснованные выводы о закономерностях, которым подчиняется исследуемая генеральная совокупность (объект исследования). Например, основываясь на анализе эмпирической выборки, полученной в ходе наблюдения (т.е. статистических данных) над случайной величиной Х, закон распределения которой неизвестен, сделать обоснованное заключение о функции распределения F(x), плотности распределения f(x) или ее числовых характеристиках: математическом ожидании, дисперсии, среднем квадратическом отклонении и т.п.

Применение информационных технологий, предусматривающее использование пакета прикладных программ, стандартной программы, а при их отсутствии – разработку оригинальной программы на один из фрагментов решения задачи, позволяет обеспечить требуемую адекватность и достоверность выполненных исследований.