为解决动态风险评估中动态贝叶斯网络（DBN）先验数据主观性强的问题，以煤浆制备系统为研究对象，利用长短时记忆循环神经网络（LSTM⁃RNN）模型优化了DBN的先验数据；LSTM⁃RNN通过门控机制与细胞状态，动态筛选和保留关键信息，有效记忆长序列中的早期特征，同时过滤冗余噪声，稳定学习长时间跨度的依赖关系，通过对系统历史运行性能时序数据进行学习，实现对DBN的先验数据优化；对优化后煤浆制备系统的DBN进行双向推理，实现对煤浆制备系统的动态可靠性分析。结果表明，对煤浆制备系统DBN进行正向推理，可得到优化后的系统可靠性变化趋势；进行反向推理，可得到优化前后的关键事件及薄弱环节。
