HAZOP(危险与可操作性分析)仍是化工、油气与制药过程安全识别危害的金标准方法。一个典型 Workshop 要把 6 到 8 名资深工程师关在房间里 2 到 6 周,逐节点、逐引导词地讨论偏差。AI 无法替代这支团队,但能在准备阶段压缩节点与偏差表的编制、在会中实时记录并召回历史事故、在会后跟踪整改项。本文给出一套以本地大模型为草拟助手的轻量工作流。
一、先明确 AI 能做什么、不能做什么
据公开评测,让通用大模型直接生成 HAZOP 场景时,经专家核验真正成立的比例仅约 19% 至 37%,多数建议偏程序性而非工程性。因此定位必须是专家辅助:大模型负责起草范围文档、建议节点清单、生成引导词×参数偏差表、召回相似历史事故来挑战假设、标记缺失的安全设施;最终是否成立,一律由主席与被审核文件核对。2026 年 ACS 过程安全综述也指出,检索增强(RAG)能把非结构化的事故叙事与操作规程转化为可追溯的输出,比纯生成更可靠。
二、引导词×参数偏差矩阵(确定性部分)
偏差表本身是确定性的,应先由程序生成,再交给大模型填充原因与后果草案,避免模型凭空编造节点。下面按 IEC 61882 的引导词(无、多、少、反向、伴随、部分、其他)与典型参数交叉生成:
GUIDE_WORDS = ['无', '多(高)', '少(低)', '反向', '伴随', '部分', '其他']
PARAMS = ['流量', '压力', '温度', '液位', '组成', '相态']
def deviations(node):
out = []
for p in PARAMS:
for g in GUIDE_WORDS:
out.append(f'{node} 的 {p} {g}')
return out
print(deviations('反应器R-101')[:5])
三、用本地大模型草拟原因与后果
偏差表生成后,用 LangChain 接入本地 Ollama,对每条偏差草拟可能原因与后果。关键是给模型划定边界:仅基于提供的文档作答,不确定时写“待专家确认”,禁止编造工程结论。
from langchain_community.llms import Ollama
from langchain_core.prompts import ChatPromptTemplate
llm = Ollama(model='qwen2.5:7b', base_url='http://localhost:11434')
prompt = ChatPromptTemplate.from_template(
'你是化工过程安全助手。对下列 HAZOP 偏差,仅基于给定文档草拟可能原因与后果,'
'不确定时写待专家确认,不要编造工程结论。'
'偏差:{dev}\n文档:{doc}')
chain = prompt | llm
print(chain.invoke({'dev': '反应器R-101 的温度 高',
'doc': open('psi.txt', encoding='utf-8').read()[:4000]}))
若企业已有历史 HAZOP 与事故库,可把文档切分后建本地向量索引,让模型在生成时检索相似案例,进一步降低幻觉。模型只做草拟,登记表中的“偏差是否成立”仍由主席拍板。
参考来源
IEC 61882:2016 Hazard and operability studies (HAZOP) — Application guide - 国际电工委员会(IEC);Haoyu Yang, Qingsheng Wang, New Era of AI in Chemical Process Safety: Foundation Models - ACS Chemical Health and Safety, 2026;SmartQHSE, AI HAZOP Facilitator 2026 — Deep Dive Guide - SmartQHSE(2026)。