(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111555559.7 (22)申请日 2021.12.17 (71)申请人 食品安全与营养 （贵州） 信息科技有 限公司 地址 550008 贵州省贵阳市贵阳国家高新 技术产业开发区德福中心 A5栋12楼 (72)发明人 林丹　梁启军　谢锋　陶光灿　 吴锴　 (74)专利代理 机构 北京东方盛凡知识产权代理 事务所(普通 合伙) 11562 代理人 李娜 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06N 3/04(2006.01)G06N 5/04(2006.01) G06Q 50/26(2012.01) (54)发明名称 一种基于FTA-BN的食品安全风险预测算法 (57)摘要 本发明公开一种基于FTA ‑BN的食品安全风 险预测算法， 包括步骤一、 食品安全问题的风险 分类， 步骤二、 食品安全故障树模型的建立和BN 模型的转换， 步骤三、 正向推理分析预测食品安 全风险水平， 步骤四、 反向推理诊断获得失效路 径和环节， 步骤五、 根据互信息分析判断敏感性， 步骤六、 最后故障路径的推导； 本发明针对食品 安全各环节风险因素之间存在的耦合关系和不 确定性特点， 结合故障树分析法和贝叶斯网络的 优点， 从供应链系统定量分析食品安全风险问 题， 通过改进后的FTA ‑BN模型全面深 入分析食品 安全问题， 为探究食品风险排序和关键路径控制 提供理论依据。 权利要求书2页 说明书8页 附图3页 CN 114186753 A 2022.03.15 CN 114186753 A 1.一种基于FTA ‑BN的食品安全风险预测算法， 其特 征在于， 包括以下步骤： 步骤一、 利用历史事件分析法， 并根据往年引发食 品安全事件的主要原因， 将引发供应 链各环节食品安全问题的风险按人 ‑机‑环‑管的来源进行分类； 步骤二、 以食 品安全问题为顶事件， 各环节风险因素为底事件， 构件食 品安全问题故障 树模型， 再根据贝叶斯网络将故障树模型转换， 得到食品安全问题BN模型； 步骤三、 从BN模型顶事件向底事件正向推理分析各个节点的因果逻辑关系， 利用联合 概率分布公式计算得到联合概率， 并由联合概率得到风险发生概率， 预测食品安全的风险 水平； 步骤四、 从BN模型底事件向顶事件反向推理并根据 给定的变量信 息计算其他变量的后 验概率， 诊断获得导 致系统失效的路径和环 节； 步骤五、 计算BN模型根节点与BN模型叶节点的互信息， 再根据互信息值的大小分析判 断其对叶节点的敏感性； 步骤六、 在贝叶斯网络中获得影响食品安全问题的故障点组合， 根据组合状态的后验 概率， 利用贝叶斯网络中的最大后验假设问题求 解问题环节， 最后推导出故障路径。 2.根据权利 要求1所述的一种基于FTA ‑BN的食品安全风险预测算法， 其特征在于： 所述 步骤一中按 人‑机‑环‑管的来源将食品安全问题的风险分为人为风险、 设备风险、 环境风险 和管理风险四类。 3.根据权利 要求1所述的一种基于FTA ‑BN的食品安全风险预测算法， 其特征在于： 所述 步骤三中给定节点 集合V＝{V1， V2，…， Vi}， 则联合 概率分布公式由下式表示。 4.根据权利 要求1所述的一种基于FTA ‑BN的食品安全风险预测算法， 其特征在于： 所述 步骤三中预测食品安全的风险水平具体分为无证据变量风险预测和证据变量风险预测， 在 食品安全问题T发生的概 率用P(T7＝1)表示时； 无证据变量 风险预测由下式计算 证据变量 风险预测由下式计算 Vi∈Vc,vi∈(0,1) 式中Vi(1≤i≤m ‑1)为根节点， Vc为证据变量的节点集合， vi∈(0， 1)为表示发生与否， m 为贝叶斯网络中节点数目， n为状态已知的节点个数， P(V1＝v1， V2＝v2，…， Vn＝vn， T＝1)表 示状态已知的风险因素和风险事件同时发生的联合概率， P(V1＝v1， V2＝v2，…， Vn＝vn)表示 状态已知事 件的联合 概率， P(T＝1)表示 风险事件发生的可能性。 5.根据权利 要求1所述的一种基于FTA ‑BN的食品安全风险预测算法， 其特征在于： 所述权　利　要　求　书 1/2 页 2 CN 114186753 A 2步骤四中后验概 率计算公式由下式表示 其中P(Vj＝1|Vc,T＝1)为第j个节点的后验概 率， Vj∈Vc， vi∈(0， 1)。 6.根据权利 要求5所述的一种基于FTA ‑BN的食品安全风险预测算法， 其特征在于： 所述 Vc为空集时， 计算得出各基本事件的后验概率， 找出引起故障的原因并有针对性的进行诊 断； 所述Vc为非空集时， 在故障发生时， 基于多证据变量逐步 排查故障并找出故障位置 。 7.根据权利 要求1所述的一种基于FTA ‑BN的食品安全风险预测算法， 其特征在于： 所述 步骤五中BN模型根节点与BN模型叶节点的互信息由下式表示 式中P(vi， vj)为vi和vj的联合概率， P(vi)与P(vj)分别为vi和vj的边缘概率， 互信息值大 则叶节点对根节点的概 率依赖性强， 并由此辨识关键风险， 明确分析 过程控制要点。 8.根据权利 要求1所述的一种基于FTA ‑BN的食品安全风险预测算法， 其特征在于： 所述 步骤六中推导具体方法为 S1、 先确定故障发生的问题环节， 并根据该环节故障源的组合状态的后验概率， 利用贝 叶斯网络中的最大后验假设问题求 解问题环节 在条件概 率表由逻辑与门转换情况 下 在条件概 率表由逻辑或门转换情况 下 式中 为i中间环节的故障节点集合， 含有j个故障节点； xj为 相应故障节点的状态 值； Vc为证据变量的节 点集合； vc为相应证据 节点取值； 表示i中间环节的第j 个故障 节点； τi表示i中间环节的故障概 率； S2、 再根据问题环节查找到具体故障节点， 即计算该环节父节点的后验概率， 并求出 后验概率与父节点出现故障的可能性成正比， 以此推导出最后故障 路径。权　利　要　求　书 2/2 页 3 CN 114186753 A 3