石化企业生产过程操作流程复杂,危险源分布广泛,一旦发生安全事故将造成严重的经济损失和人员伤亡。风险评估对于预防事故发生具有重要意义,如何更为科学合理地展开风险评估已成为当前的研究热点。随着物联网技术在现代石化企业中逐渐普及,石化生产过程所采集的数据得到了爆发式增长,催生出具有多层次、时空特性的石化工业大数据。目前,工业大数据已经在安全领域得到了一些探索应用,但相应的理论还未成熟。如何将工业大数据与传统风险评估相结合以提升风险评估水平是一个值得探索的命题。本文的研究内容和主要贡献如下:(1)针对如何有效管理安全数据的问题展开数据定义研究,提出了一种石化企业安全大数据结构化方法。首先阐述了安全大数据的内涵和分类,并对各类安全数据的特点展开调研分析,提出各类安全数据的结构化描述形式和数据表定义。接着,将经典TE过程扩展成一个虚拟工厂——TE Smart Plant,并以TE Smart Plant为例分析了各类安全数据的获取处理流程和实例化展示。本章工作旨在为石化安全数据管理提供一种参考思路。(2)针对传统风险分析技术无法捕捉过程系统动态风险特征的需求展开风险评估研究,提出了一种基于贝叶斯网络的动态风险分析方法。该方法充分结合了传统风险分析方法和贝叶斯网络的优势,利用贝叶斯网络的强大推理分析能力可实现关键风险因素识别,同时可引入工业现场安全数据进行风险迭代更新,从而实现模型的持续学习和动态风险分析。(3)提出了一种基于多源安全数据融合的火灾事故风险预警方法,主要包括以下流程:考虑到火灾发生时环境温度和湿度等将发生变化,利用CUSUM算法检测环境数据中潜在的数据分布变化,并通过特征级数据融合产生报警信息;结合从视频监控数据中提取的火灾发生概率,利用D-S证据理论对上述多源安全信息进行决策级融合,推理得到最终火灾发生概率。本方法可有效降低误报警率。