1.一种化工厂安全定量评估方法，其特征在于，该方法具体包括以下步骤：步骤1: 化工厂安全的影响因素分析

围绕人员因素建立一个化工厂安全分析研究模型，模型主要内容包括组织、信息、工作设计、人机系统接口、任务环境、工作场所设计和操作员特征七个方面；组织是驱动，信息是桥梁，工作设计是方法，人机系统接口是重点，任务环境是支持，工作场所设计是保障，操作员特征是基础；他们共同影响风险分析结果；

步骤2：建立算法应用流程

贝叶斯网络实际建模过程作为一个整体的流程来看待，建立流程；

步骤3：化工厂风险分析贝叶斯网络节点的确定

贝叶斯网络结构的目标节点为化工厂风险分析，将其定义为 W，30个节点按组织、信息、工作设计、人机系统接口、任务环境、工作场所设计和操作员特征因素进行划分，并对节点进行编号；

步骤4 化工厂风险分析贝叶斯网络结构的建立

1 贝叶斯网络评估标准定义

根据选取的节点，通过专家知识和机器学习建立网络结构；每一起事故中各节点对安全风险大小影响程度是不一样的，结合调查报告描述，对各影响因素进行识别和评估，按照评估标准分别将各因素的相对影响程度进行评估给出其分值，选择李克特五点量表，最不重要=1为最低，最重要=5为最高；

2 贝叶斯网络数据收集

（1）化工厂安全各因素影响程度调查

对照影响程度评估标准，制作调查问卷；评委被要求根据对人为失误原因的感知重要性对各级因素进行打分；调查问卷的评委或受访者均有安全和化工方面的背景；在所有受访者中，有23名评委被选中；

（2）化工厂安全各因素状态估值调查

对照状态估值评估标准，制作调查问卷；邀请了化工行业23位专家对化工厂状态估值调查；

3 化工厂安全等级因素估值

从问卷调查结果中可得，每项因素对化工厂安全影响程度和状态估值的数据；通过将影响程度和状态估值的问卷数据值坐标得到安全评估值，并利用安全等级矩阵规范化处理数据从而得出每项风险的安全等级；

4 对贝叶斯网络结构学习

（1）贝叶斯网络结构的结构背景知识预先编辑

为了使拓扑结构简单清晰、计算快捷，充分利用专家知识、报告分析手段，按照原因在前，结果在后决定变量顺序，建立因果网络，在此基础上导入样本数据进行学习，进一步挖掘节点之间隐藏的关联关系；对构建的贝叶斯网络节点间因果关系进行初步判断、汇总梳理，再借助贝叶斯软件对结构学习背景知识进行预先编辑；

（2）贝叶斯网络结构学习

利用贝叶斯应用软件来学习完善网络结构，将24例评估样本作为机器学习数据导入网络；

在网络结构背景知识编辑的基础上，机器学习能更好的挖掘所有可能的潜在关系节点对，使网络结构节点间的有向弧更丰富；由于学习网络的复杂性，根据节点选取的独立性原则对节点弧进行检查选择，所得学习结构；

5 利用贝叶斯应用软件对网络结构优化

（1）因果相关性分析

为了更进一步分析各个因素风险因素之间的因果关系，通过专家知识的方式判断了各因素之间的相关性，并根据判断结果对各个风险因素之间因果关系的进行调整；针对无因果关系的因素，全部列出来；通过样本数据学习，节点之间潜在的因果关系显现出来；

（2）贝叶斯网络结构的结构背景知识优化编辑

 依据因果相关性分析结果，优化背景知识编辑，将不相关的因素提前列出来，可以再导入数据生产优化后的贝叶斯网络结构；

（3）优化后的贝叶斯网络结构

根据各个安全因素之间相关性分析，且导入优化后的背景知识编辑，最终的到优化后的贝叶斯网络结构；

步骤5 化工厂风险分析的贝叶斯网络参数的学习

每个安全因素都包括五种安全状态:R1、R2、R3、R4、R5， 在参数学习之前，对各个网络节点变量的概率进行初始化操作，即按均匀分布对每个节点变量进行初始化赋值；

采取基于贝叶斯统计的估计进行参数学习，需要考虑先验概率；针对影响程度和状态估值的问卷数据值坐标得到安全评估值，并利用安全等级矩阵，计算得到所有根节点的先验概率；导入样本学习数据库后，进行参数学习，其余根节点先验概率手动输入；所有概率参数输入后，就实现概率更新，即可实现所有节点网络参数的学习更新；

步骤6 化工厂安全分析的贝叶斯网络模型

参数学习是建立在网络拓扑结构已经构建优化的基础之上的，参数学习的目的是对已有网络拓扑结构节点之间的连接强度进行定量描述，学习结果实际上就是化工厂安全分析的贝叶斯网络模型构建的最终贝叶斯网络结构；

步骤7 量化计算结果

将化工厂安全等级分为1、2、3、4、5共五个等级，对应反应出化工厂整体状况非常不安全、不安全、一般安全、较安全和非常安全的五种状况。