蘇文斌+李冠

摘要：近來頻繁發(fā)生的化工企業(yè)安全事故使企業(yè)意識(shí)到企業(yè)安全的重要性，企業(yè)安全評(píng)估預(yù)警已成為各界關(guān)注的焦點(diǎn)。針對(duì)引發(fā)化工企業(yè)安全事故因素的復(fù)雜非線性特點(diǎn)，提出基于遺傳BP神經(jīng)網(wǎng)絡(luò)的化工企業(yè)安全體檢模型，該模型通過遺傳算法克服BP神經(jīng)網(wǎng)絡(luò)局部最小的缺點(diǎn)，利用主成分分析法優(yōu)化輸入矩陣，并以山東省101家大中型化工企業(yè)數(shù)據(jù)為實(shí)證樣本，對(duì)模型進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該模型體檢結(jié)果與真實(shí)期望值的相對(duì)誤差在1.34%～3.84%，具有較高的評(píng)估預(yù)測(cè)精度，能夠準(zhǔn)確對(duì)企業(yè)進(jìn)行安全體檢。

關(guān)鍵詞：

遺傳算法；改進(jìn)BP神經(jīng)網(wǎng)絡(luò)；主成分分析；化工企業(yè)安全體檢

DOIDOI：10.11907/rjdk.172952

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）012-0053-04

Abstract：The frequent occurrence of chemical industry safety accidents this year has made enterprises aware of the importance of their safety， enterprise safety assessment warning has become the focus of attention from all walks of life. Aiming at the complex nonlinear characteristics of safety accident factors in chemical enterprises， a safety inspection model of chemical enterprise based on genetic BP neural network is put forward in this paper. This model overcomes the shortcoming of the local minimum of BP neural network by genetic algorithm， uses principal component analysis to optimize the input matrix， and uses the data of 101 large and medium chemical enterprises in Shandong as experimental samples for simulation experiments. Experimental results show that the relative error between the physical examination result and the real expectation value is between 1.34% and 3.84%， so it has a high evaluation accuracy， and can be effective and accurate to conduct a safe medical examination.

Key Words：genetic algorithm； improved BP neural network； principal component analysis； chemical enterprise safety examination

0 引言

企業(yè)安全事故將對(duì)企業(yè)造成災(zāi)難性的后果，對(duì)企業(yè)財(cái)產(chǎn)和員工生命安全造成嚴(yán)重影響。企業(yè)安全體檢是企業(yè)管理常態(tài)化的重要手段，旨在實(shí)時(shí)了解企業(yè)安全狀況，及時(shí)發(fā)現(xiàn)企業(yè)不安全因素，如裝置設(shè)備安全、工藝及運(yùn)行安全和環(huán)境風(fēng)險(xiǎn)防控等，以便采取措施及時(shí)糾正，消除企業(yè)存在的安全隱患，對(duì)企業(yè)安全事故預(yù)測(cè)預(yù)警具有重大意義，對(duì)減少企業(yè)安全事故具有相當(dāng)重要的作用。

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）具有很強(qiáng)的非線性映射能力與柔性的網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)[1]，相對(duì)于常用的預(yù)測(cè)模型，如時(shí)間序列、回歸模型[2]、貝葉斯公式等，對(duì)處理非線性預(yù)測(cè)具有極大的靈活性和有效性。鑒于造成企業(yè)生產(chǎn)安全事故頻發(fā)的因素眾多和非線性特點(diǎn)，如操作不當(dāng)、安全培訓(xùn)缺乏等，本文對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，利用遺傳算法[3]優(yōu)化BP神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)，克服BP神經(jīng)網(wǎng)絡(luò)陷入局部極小值的缺點(diǎn)，利用主成分分析[4]（Principal Components Analysis，PCA）優(yōu)化輸入矩陣，去掉冗余變量，降低指標(biāo)維度，加快算法的學(xué)習(xí)效率，建立化工企業(yè)安全體檢模型。

1 BP神經(jīng)網(wǎng)絡(luò)

1.1 標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)

1982年由Rumelhart和McCleland[5]為首的科研小組提出誤差反向傳播（Back Propagation）算法，是一種多層（至少3層）向前神經(jīng)網(wǎng)絡(luò)。

每層由許多神經(jīng)元并列組成，同層神經(jīng)元之間互不相接，鄰層神經(jīng)元全部連接，神經(jīng)元模型如圖1所示，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2 企業(yè)安全體檢模型構(gòu)建與實(shí)證分析

2.1 樣本數(shù)據(jù)選取與預(yù)處理

本文選取山東省101家大中型化工企業(yè)2016年數(shù)據(jù)集，共計(jì)8 787條記錄。數(shù)據(jù)集中所涵蓋的數(shù)據(jù)項(xiàng)是根據(jù)2016年《山東省化工企業(yè)評(píng)級(jí)標(biāo)準(zhǔn)》制定。本文去除原始數(shù)據(jù)集中的無用屬性，最終選取工藝及運(yùn)行安全、風(fēng)險(xiǎn)管理和環(huán)境風(fēng)險(xiǎn)防控等25個(gè)二級(jí)指標(biāo)下的87個(gè)三級(jí)指標(biāo)作為訓(xùn)練樣本集，如表1所示。根據(jù)表1樣本數(shù)據(jù)所示指標(biāo)，本文將輸入矩陣進(jìn)行標(biāo)準(zhǔn)化處理，指標(biāo)數(shù)據(jù)區(qū)間為[0，1]，考慮篇幅限制，列出部分企業(yè)安全評(píng)價(jià)數(shù)據(jù)。

2.2 主成分提取

2.3 企業(yè)安全體檢BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

依照PCA計(jì)算得出的輸入矩陣，確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。PCA計(jì)算得出11個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)的輸入，企業(yè)安全體檢得分為網(wǎng)絡(luò)輸出，隱含層神經(jīng)元數(shù)設(shè)置為10個(gè)，構(gòu)建單隱含層企業(yè)安全體檢BP神經(jīng)網(wǎng)絡(luò)，如圖3所示。

若使企業(yè)安全體檢BP神經(jīng)網(wǎng)絡(luò)模型具有學(xué)習(xí)預(yù)測(cè)能力，還需要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行大量訓(xùn)練。其訓(xùn)練步驟如下：

（1）網(wǎng)絡(luò)初始化。

（2）隱含層輸出計(jì)算。通過式（2）計(jì)算隱含層輸出Hj。

（3）輸出層輸出計(jì)算。通過式（3）計(jì)算輸出層輸出Ok。

（4）誤差計(jì)算。根據(jù)網(wǎng)絡(luò)預(yù)測(cè)輸出Ok和期望輸出Yk，計(jì)算神經(jīng)網(wǎng)絡(luò)誤差E。

（5）權(quán)值更新。根據(jù)神經(jīng)網(wǎng)絡(luò)誤差E，通過式（5）、式（6）更新權(quán)值。

（6）判斷算法是否達(dá)到迭代次數(shù)或者達(dá)到預(yù)定誤差，若沒有結(jié)束，返回步驟（2）。

3 實(shí)驗(yàn)結(jié)果與分析

根據(jù)上述企業(yè)安全體檢模型建構(gòu)訓(xùn)練方法，用Matlab仿真實(shí)現(xiàn)，經(jīng)過多次實(shí)驗(yàn)，得出最終實(shí)驗(yàn)結(jié)果，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)誤差率如圖4所示。

由表4可以看出，在訓(xùn)練樣本較少的情況下，相對(duì)誤差率保持在1.34%～3.84%，由此可以看出改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)有較好的泛化能力和計(jì)算精度，可以用于化工企業(yè)安全體檢。

4 結(jié)語

本文在深度研究BP神經(jīng)網(wǎng)絡(luò)后，利用PCA優(yōu)化輸入矩陣，降低輸入矩陣維度且消除各因素間相關(guān)關(guān)系，利用遺傳算法，尋找局部最優(yōu)解，克服BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小的缺點(diǎn)，并且通過大量數(shù)據(jù)驗(yàn)證，證明了企業(yè)安全體檢模型的有效性。企業(yè)安全體檢模型綜合考慮了化工企業(yè)安全事故的多種引發(fā)因素，構(gòu)建了遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)。

企業(yè)安全體檢模型最根本的目的是根據(jù)企業(yè)安全現(xiàn)狀，實(shí)時(shí)對(duì)企業(yè)進(jìn)行安全評(píng)估，及時(shí)發(fā)現(xiàn)問題，給出相應(yīng)的解決策略，盡量避免事故發(fā)生，保障人的生命和企業(yè)財(cái)產(chǎn)不受損失。由于受限于數(shù)據(jù)的可獲得性，本實(shí)驗(yàn)不可能將引發(fā)企業(yè)安全的所有因素考慮在內(nèi)，將來可以通過數(shù)據(jù)集更新進(jìn)一步完善企業(yè)安全體檢模型。

參考文獻(xiàn)：

[1] FANGZONG，HONGGUOXU，HUIYONGZHANG，et al. Prediction for traffic accident severity： comparing the bayesian network and regression models[J]. Mathematical Problems in Engineering，2013（2-3）：206-226.

[2] JOAQUíNABELLáN，GRISELDALóPEZ，JUANDEOA.Analysis of traffic accident severity using decision rules via decision trees[J]. Expert Systems with Applications，2013（15）：6047-6054.

[3] 劉春艷，凌建春，寇林元，等.GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)性能比較[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，2013（2）：173-176.

[4] 趙煜.基于電子舌和幾種神經(jīng)網(wǎng)絡(luò)模型的金魚養(yǎng)殖水檢測(cè)研究[D].杭州：浙江大學(xué)，2013.

[5] 吳今培，孫德山.現(xiàn)代數(shù)據(jù)分析[M].北京：機(jī)械工業(yè)出版社，2006.

[6] 高玉明，張仁津.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的房?jī)r(jià)預(yù)測(cè)分析[J].計(jì)算機(jī)工程，2014 （4）： 187-191.

[7] 趙玲，許宏科.基于改進(jìn)的灰色馬爾可夫鏈模型的交通事故預(yù)測(cè)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)， 2013（20）：92-98.

[8] 江麗，王愛平.基于粒子群優(yōu)化與BP算法的協(xié)同神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法[J].計(jì)算機(jī)應(yīng)用與軟件，2013（9）：19-20.

[9] 劉衛(wèi)寧，王鵬，孫棣華，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的道路交通事故預(yù)測(cè)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2010（10）：177-181.

[10] 陳海龍，彭偉.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在交通事故預(yù)測(cè)中的研究[J].華東師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2017（2）：61-68.

（責(zé)任編輯：何 麗）