sustainНадежностьDependability1729-26462500-3909RAMS Journal Limited liability company10.21683/1729-2646-2024-24-4-12-19sustain-617Research ArticleСИСТЕМНЫЙ АНАЛИЗ В ЗАДАЧАХ НАДЕЖНОСТИ И БЕЗОПАСНОСТИSYSTEM ANALYSIS IN DEPENDABILITY AND SAFETYОб анализе временных рядов аварий и инцидентов на опасных производственных объектахOn analysing time series of accidents and incidents at hazardous production facilitiesБочковА. В.BochkovA. V.

Бочков Александр Владимирович – доктор технических наук, Ученый секретарь,

ул. Нижегородская, д. 27, стр. 1, Москва 109029.

Alexander V. Bochkov, Doctor of Engineering, Academic Secretary,

27, bldg 1, Nizhegorodskaya str., Moscow, 109029.

a.bochkov@vniias.ruКиркинМ. А.KirkinM. A.

Киркин Максим Александрович – главный эксперт Департамента (В.И. Донцов),

Московский пр-т, д.156, лит. А, Санкт-Петербург, 196105.

Maksim A. Kirkin, Chief Expert of Department (V.I. Dontsov),

156A, Moskovsky pr-t, Saint Petersburg, 196105.

M.Kirkin@adm.gazprom.ruАО «НИИАС»РоссияJSC NIIASRussian FederationПАО «Газпром»РоссияPJSC GazpromRussian Federation2024041220242441219Copyright © Бочков А.В., Киркин М.А., 20242024Бочков А.В., Киркин М.А.Bochkov A.V., Kirkin M.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.dependability.ru/jour/article/view/617

Безопасное функционирование любых сложных распределенных систем во многом определяется уровнем развития инструментов анализа и прогнозирования происходящих на них событий. Помимо внешних факторов опасности, значимые угрозы создают т.н. опасные производственные объекты (ОПО). Аварии на таких объектах – предмет постоянного анализа и заботы эксплуатирующих организаций. Вместе с тем, статистика аварийности, накопленная за время функционирования таких объектов, часто неоднородна. Аварии и инциденты на ОПО происходят в разное время, при различном прогнозном фоне, что затрудняет построение и верификацию цифровых моделей подобных объектов. В настоящей работе предлагается алгоритм первичной обработки временных рядов наблюдений для выделения данных, которые можно использовать в дальнейшем для построения и обучения прогнозных моделей с требуемой точностью. Предлагаемый подход может быть реализован средствами языка R, который во многом стал стандартом для статистических расчетов.

Safe operation of any complex distributed systems is largely defined by the quality of the event analysis and prediction tools. Aside from the external hazards, the so-called hazardous production facilities (HPFs) pose significant threats. Accidents at such facilities are a subject of constant analysis and concern of operating organisations. At the same time, the accident statistics accumulated over the period of operation of such facilities are often heterogeneous. Accidents and incidents at HPFs occur at different times, against different forecast backgrounds, which complicates the construction and verification of digital models of such facilities. This paper proposes an algorithm for preprocessing time series of observations to extract data that can be subsequently used to build and train predictive models with the required accuracy. The proposed approach can be implemented by means of the R language, that in many respects has become a standard for statistical calculations.

временной рядаварииинцидентыстатистика Фишерапрогноз временного рядаtime seriesaccidentsincidentsFisher statisticstime series predictionReferencesБочков А.В. Проблемы оценки опасностей и управления рисками объектов критически важной инфраструктуры Группы «Газпром»: аналитический обзор // Научно-технический сборник «Вести газовой науки». 2018. № 2(34). С. 51-87.Bochkov A.V. [Problems of hazard estimation and risk management of critical infrastructure facilities of the Gazprom Group: an analytical review]. Vesti gazovoy Nauki 2018;2(34):51-87. (in Russ.)Бочков А.В., Сафонов В.С. Специфика анализа и оценок показателей риска редких событий на опасных производственных объектах // Научно-технический сборник «Вести газовой науки». 2020. № 1(42). С. 84-95.Bochkov A.V. Safonov V.S. Special analysis and assessment of risk indicators for rare events in regard to dangerous industrial facilities. Vesti Gazovoy Nauki 2020;1(42):84-95. (in Russ.)Бочков А.В. Использование метода анализа иерархий для целей категорирования критически важных объектов по степени совокупного ущерба и риску противоправных действий // Проблемы анализа риска. 2008. Т. 5. № 4. С. 6-13.Bochkov A.V. [Using hierarchy analysis for categorising critical facilities in terms of the cumulative damage and the risk of illegal actions]. Issues of Risk Analysis 2008:5(4):6-13. (in Russ.)Печеркин А.С., Гражданкин А.И., Разумняк Н.Л. Тенденции динамики фоновых показателей опасностей аварий на опасных производственных объектах // Безопасность труда в промышленности. 2022. № 11. С. 14-19. DOI: 10.24000/0409-2961-2022-11-14-19Pecherkin A.S., Grazhdankin A.I., Razumnyak N.L. Trends in the Dynamics of Background Indicators of Accident Hazards at Hazardous Production Facilities. Occupational safety in industry 2022;11:14-19. DOI: 10.24000/0409-2961-2022-11-14-19. (in Russ.)Guo S., Wang Z., Cui K. et al. Analysis of a hazardous factory explosion accident // SHS web of conferences. 2023. Vol. 166. A.n. 01053. 5 p. DOI: 10.1051/shsconf/202316601053Guo S., Wang Z., Cui K. et al. Analysis of a hazardous factory explosion accident. SHS web of conferences 2023;166:01053. DOI: 10.1051/shsconf/202316601053.Cadei L., Rossi G., Lancia L. et al. Hazardous Events Prevention and Management Through an Integrated Machine Learning and Big Data Analytics Framework // SPE Conference at Oman Petroleum & Energy Show, Muscat, Oman, March 2022. DOI: 10.2118/200110-msCadei L., Rossi G., Lancia L. et al. Hazardous Events Prevention and Management Through an Integrated Machine Learning and Big Data Analytics Framework. SPE Conference at Oman Petroleum & Energy Show. Muscat (Oman); March 2022. DOI: 10.2118/200110-ms.Немчинов Д.В., Селиверстова А.Н., Немчинова А.Л. Управление рисками аварийных ситуаций на опасном производственном объекте (установка каталитического риформинга) // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2022. Т. 2022. № 3. С. 22-29. DOI: 10.24143/2072-9502-2022-3-22-29Nemchinov D.V., Seliverstova A.N., Nemchinova A.L. Emergency risk management at hazardous production facilities (catalytic reforming unit). Vestnik ASTU. Series: Management, computer science and informatics 2022;3:2229. DOI: 10.24143/2072-9502-2022-3-22-29. (in Russ.)Basu T., Menzer O., Ward J. et al. A Novel Implementation of Siamese Type Neural Networks in Predicting Rare Fluctuations in Financial Time Series // Risks. 2022. Vol. 10(2). P. 39. DOI: 10.3390/risks10020039Basu T., Menzer O., Ward J. et al. A Novel Implementation of Siamese Type Neural Networks in Predicting Rare Fluctuations in Financial Time Series. Risks 2022;10(2):39. DOI: 10.3390/risks10020039.Ahmadzadeh A., Aydin B., Kempton D.J. et al. RareEvent Time Series Prediction: A Case Study of Solar Flare Forecasting // 18th IEEE International Conference On Machine Learning And Applications (ICMLA). 2019. DOI: 10.1109/ICMLA.2019.00293Ahmadzadeh A., Aydin B., Kempton D.J. et al. RareEvent Time Series Prediction: A Case Study of Solar Flare Forecasting. 18th IEEE International Conference On Machine Learning And Applications (ICMLA); 2019. DOI: 10.1109/ICMLA.2019.00293.Zhuravlev Yu.I., Senko O.V., Bondarenko N.N. et al. A Method for Predicting Rare Events by Multidimensional Time Series with the Use of Collective Methods // Pattern Recognition and Image Analysis. 2019. Vol. 29. Issue 4. Pp. 763-768. DOI: 10.1134/S1054661819040217Zhuravlev Yu.I., Senko O.V., Bondarenko N.N. et al. A Method for Predicting Rare Events by Multidimensional Time Series with the Use of Collective Methods. Pattern Recognition and Image Analysis 2019;29:763-768. DOI: 10.1134/S1054661819040217.11. Leitgöb H. (2020). Analysis of rare events. In book: SAGE Research Methods Foundations. SAGE Publications Ltd, 2020. DOI: 10.4135/9781526421036863804Leitgöb H. Analysis of rare events. In: SAGE Research Methods Foundations. SAGE Publications Ltd.; 2020. DOI: 10.4135/9781526421036863804.Кораблев Ю.А., Голованова П.С., Кострица Т.А. Емкостный метод анализа редких событий в сфере услуг // Актуальные проблемы экономической теории. 2020. № 3. С. 132-142. DOI: 10.33293/1609-1442-2020-3(90)-132-142Korablev Yu.A., Golovanova P.S., Kostritsa T.A. Capacity Method of Rare Events Analysis in the Area of Services. Economics of Contemporary Russia 2020;(3):132-142. (in Russ.) DOI: 10.33293/1609-1442-2020-3(90)-132-142.Li Y., Leung C.H., Wu Q. Probabilistic Learning of Multivariate Time Series with Temporal Irregularity (June 16, 2023) [Электронный ресурс]. URL: https://arxiv. org/abs/2306.09147 (дата обращения 23.09.2024). DOI: 10.48550/arxiv.2306.09147Li Y., Leung C.H., Wu Q. Probabilistic Learning of Multivariate Time Series with Temporal Irregularity (June 16, 2023). (accessed 23.09.2024). Available at: https://arxiv.org/abs/2306.09147. DOI: 10.48550/arxiv.2306.09147.Jhin S.Y., Lee J., Park N. (2023). Precursor-ofAnomaly Detection for Irregular Time Series (October 13, 2023) [Электронный ресурс]. URL: https://arxiv.org/abs/2306.15489 (дата обращения: 23.09.2024). DOI: 10.1145/3580305.3599469Jhin S.Y., Lee J., Park N. (2023). Precursor-ofAnomaly Detection for Irregular Time Series (October 13, 2023). (accessed 23.09.2024). Available at: https://arxiv.org/abs/2306.15489. DOI: 10.1145/3580305.3599469.Ojeda C., Palma W., Eyheramendy S. et al. A Novel First-Order Autoregressive Moving Average Model to Analyze Discrete-Time Series Irregularly Observed // Theory and Applications of Time Series Analysis and Forecasting: Selected contributions from ITISE 2021: Conference proceedings. 2023. Pp. 91-103. DOI: 10.1007/978-3-031-14197-3_7Ojeda C., Palma W., Eyheramendy S. et al. A Novel First-Order Autoregressive Moving Average Model to Analyze Discrete-Time Series Irregularly Observed. In: Theory and Applications of Time Series Analysis and Forecasting: Selected contributions from ITISE 2021: Conference proceedings; 2023. Pp. 91-103. DOI: 10.1007/978-3-031-14197-3_7.Liu X., Zhang F., Liu H. et al. iTimes: Investigating Semisupervised Time Series Classification via Irregular Time Sampling // IEEE Transactions on Industrial Informatics. 2023. Vol. 19. Issue 5. Pp. 6930-6938. DOI: 10.1109/tii.2022.3199374Liu X., Zhang F., Liu H. et al. iTimes: Investigating Semisupervised Time Series Classification via Irregular Time Sampling. IEEE Transactions on Industrial Informatics 2023;19(5):6930-6938. DOI: 10.1109/tii.2022.3199374.Айвазян С.А. Прикладная статистика. Основы эконометрики. Том 2. М.: Юнити-Дана, 2001. 432 с.Ayvazyan S.A. Applied statistics. Fundamentals of econometrics. Volume 2. Moscow: Unity-Dana; 2001. (in Russ.)Makridakis S.G., Wheelwright S.C., McGee V.E. (1983) Forecasting: Methods and Applications. 2nd ed. New York: John Wiley and Sons Ltd, 1983. 926 p.Makridakis S.G., Wheelwright S.C., McGee V.E. Forecasting: Methods and Applications. 2nd ed. New York: John Wiley and Sons Ltd.; 1983.Makridakis S.G., Wheelwright S.C. Forecasting Methods for Management. 5th ed. New York: John Wiley and Sons Ltd, 1989. 480 p.Makridakis S.G., Wheelwright S.C. Forecasting Methods for Management. 5th ed. New York: John Wiley and Sons Ltd.; 1989.

The authors declare that there are no conflicts of interest present.