李江瀾，李 歡

(武漢數(shù)字工程研究所，湖北 武漢 430205)

企業(yè)安全預(yù)警系統(tǒng)是指在全面辨識反映企業(yè)安全生產(chǎn)狀態(tài)指標的基礎(chǔ)上，通過隱患排查、風險管理和儀器儀表監(jiān)控等安全方法和工具，提前發(fā)現(xiàn)、分析和判斷影響安全生產(chǎn)狀態(tài)、可能導(dǎo)致事故發(fā)生的信息，定量化表示企業(yè)生產(chǎn)安全狀態(tài)，及時發(fā)布安全預(yù)警信息，提醒企業(yè)負責人和全體員工注意，使企業(yè)及時、有針對性地采取預(yù)防措施控制事態(tài)發(fā)展，從而最大限度地降低事故發(fā)生概率和后果嚴重程度。

安全預(yù)警系統(tǒng)建立的一般思路是根據(jù)需預(yù)測目標系統(tǒng)的特點，選取若干個反映其安全狀況的可觀測的預(yù)警指標，并采取一定的算法，由觀測情況得出目標系統(tǒng)的預(yù)警信息。目前國內(nèi)外針對安全預(yù)警系統(tǒng)的研究多集中于特定行業(yè)安全預(yù)警指標體系的建立和選擇合適的預(yù)警算法。如Li等[1]提出了一種基于組合賦權(quán)和灰色GM(1，1)預(yù)警模型的鋼鐵企業(yè)安全預(yù)警系統(tǒng)，采用層次分析法和熵權(quán)法的組合賦權(quán)法確定各預(yù)警指標的權(quán)重，根據(jù)灰色系統(tǒng)理論GM(1,1)模型建立了安全預(yù)警指標模型，利用多目標線性加權(quán)函數(shù)計算綜合預(yù)警指標值；Zheng等[2]提出了一種基于模糊層次分析法(FAHP)的濕熱環(huán)境安全預(yù)警方法；Ilangkumaran等[3]提出了一種利用多準則決策(MCDM)技術(shù)對高溫環(huán)境下安全生產(chǎn)進行綜合預(yù)警的新方法；丁志偉等[4]以《冶金等工貿(mào)行業(yè)企業(yè)安全預(yù)警系統(tǒng)技術(shù)標準》為基礎(chǔ)，選取了23個預(yù)警指標，采取簡單加權(quán)求和的方式，建立起了機械制造企業(yè)的安全預(yù)警系統(tǒng)；章偉林等[5]建立了電氣企業(yè)安全風險因素體系，并在GeNIe軟件中建立了用于判定電力企業(yè)安全狀況的貝葉斯網(wǎng)絡(luò)；于偉杰等[6]結(jié)合建筑工程項目特點,建立了建筑工程應(yīng)急能力風險評價指標體系，利用層次分析法確定各指標的綜合權(quán)重，并將各指標因素作為 RBF 神經(jīng)網(wǎng)絡(luò)的輸入，構(gòu)建了建筑工程項目應(yīng)急能力評估模型。

目前針對機械制造企業(yè)的安全預(yù)警系統(tǒng)研究較少，所選取的預(yù)警指標難以量化確定狀態(tài)，且預(yù)警級別生成算法以加權(quán)求和為主，缺少對專家及以往事故案例經(jīng)驗的利用，缺乏科學性和合理性。鑒于此，本文以我國《生產(chǎn)過程危險和有害因素分類與代碼》(GB/T 13861—2009，以下簡稱《代碼》)和《機械制造企業(yè)安全生產(chǎn)標準化評定標準》(以下簡稱《標準》)為基礎(chǔ)，建立了機械制造企業(yè)安全預(yù)警指標體系，并通過建立BP神經(jīng)網(wǎng)絡(luò)，以《標準》中各考評項的得分為依據(jù)確定預(yù)警指標的狀態(tài)，建立了以預(yù)警指標為節(jié)點的貝葉斯網(wǎng)絡(luò)，進而利用貝葉斯網(wǎng)絡(luò)的推理功能確定了預(yù)警級別。

1 機械制造企業(yè)安全預(yù)警指標體系

1.1 I級預(yù)警指標

預(yù)警指標應(yīng)能反映企業(yè)當前的安全生產(chǎn)狀況。依據(jù)《代碼》，影響生產(chǎn)過程的危險有害因素可以分為人的因素、物的因素、環(huán)境的因素和管理的因素4個類別，因此將這四類因素作為機械制造企業(yè)安全預(yù)警的I級預(yù)警指標。

1.2 II級預(yù)警指標

II級指標是I級指標的具體化，應(yīng)能反映機械制造企業(yè)安全生產(chǎn)的特點。本文依據(jù)《標準》，通過咨詢專家，確定了機制制造企業(yè)安全預(yù)警II級指標，詳見表1。

表1 機械制造企業(yè)安全預(yù)警指標體系

2 建立機械制造企業(yè)安全預(yù)警系統(tǒng)的貝葉斯網(wǎng)絡(luò)

2.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是人工智能的一種，是貝葉斯方法的擴展，是基于概率推理，解決不確定性、不完整性問題而提出的一種分析方法。由于其在處理復(fù)雜問題等方面的機器學習具有獨特性，目前已在人工智能領(lǐng)域中得到了廣泛的應(yīng)用[7]。貝葉斯網(wǎng)絡(luò)可以綜合歷史數(shù)據(jù)信息、專家經(jīng)驗信息[8]對企業(yè)當前安全生產(chǎn)狀況做出相對準確的評價。同時，由于貝葉斯網(wǎng)絡(luò)可以綜合驗前與驗后信息對安全生產(chǎn)狀況進行綜合評價，從而提高了預(yù)警效率。

2.2 建立機械制造企業(yè)安全預(yù)警系統(tǒng)的貝葉斯網(wǎng)絡(luò)

將預(yù)警指標作為貝葉斯網(wǎng)絡(luò)中的節(jié)點，建立起機械制造企業(yè)安全預(yù)警系統(tǒng)的貝葉斯網(wǎng)絡(luò)，這一過程包括兩個部分：確定網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和參數(shù)，即各預(yù)警指標間的關(guān)系及條件概率分布。通過咨詢專家，結(jié)合層次分析法確定了網(wǎng)絡(luò)的拓撲結(jié)構(gòu)；通過對過往機械制造企業(yè)發(fā)生事故或險肇事故的原因分析確定了網(wǎng)絡(luò)的參數(shù)(即各事件間的條件概率表)。

在FullBNT中建立的機械制造企業(yè)安全預(yù)警系統(tǒng)的貝葉斯網(wǎng)絡(luò)，見圖1。貝葉斯網(wǎng)絡(luò)為一有向無環(huán)圖，每一個節(jié)點即是一個變量[9]。在如圖1所示的機械制造企業(yè)安全預(yù)警系統(tǒng)的貝葉斯網(wǎng)絡(luò)中，I、II級預(yù)警指標是節(jié)點；節(jié)點間的箭頭表示了節(jié)點間的依賴關(guān)系，如“身體素質(zhì)”有一個箭頭指向“人的因素”，那么稱“身體素質(zhì)”為“人的因素”的父節(jié)點，而“人的因素”為“身體素質(zhì)”的子節(jié)點[10]；每個節(jié)點都是一個變量，都有一個狀態(tài)的概率分布[11]，子節(jié)點狀態(tài)受其所有父節(jié)點狀態(tài)的影響，即子節(jié)點狀態(tài)的概率分布為其所有父節(jié)點的聯(lián)合條件概率分布，人的因素中各狀態(tài)的概率分布,見表2。

圖1 機械制造企業(yè)安全預(yù)警系統(tǒng)的貝葉斯網(wǎng)絡(luò)Fig.1 Bayesian network for safety early warning system of machinery manufacturing enterprises

表2 人的因素各狀態(tài)的概率分布表

注：x1、x2、x3分別表示員工身體素質(zhì)的狀態(tài)為好、一般、差；y1、y2、y3分別表示員工安全知識水平的狀態(tài)為好、一般、差；z1、z2、z3分別表示員工安全意識的狀態(tài)為好、一般、差。

3 機械制造企業(yè)安全預(yù)警指標狀態(tài)的確定

3.1 預(yù)警指標的取值范圍

貝葉斯網(wǎng)絡(luò)中的變量必須為離散變量。在本文中，將所有的變量取值規(guī)定為“好”、“一般”、“差”3種狀態(tài)。在進行預(yù)警時，僅需確定各II級預(yù)警指標的狀態(tài)即可得到預(yù)警等級。預(yù)警等級的狀態(tài)規(guī)定為“I級預(yù)警”、“II級預(yù)警”、“III級預(yù)警”三種狀態(tài)，其中“III級預(yù)警”為最高級別的預(yù)警，即在“III級預(yù)警”狀態(tài)下，企業(yè)的安全風險最高。

3.2 人的因素中各預(yù)警指標狀態(tài)的確定

與人的因素有關(guān)的“員工身體素質(zhì)”、“員工安全知識水平”和“員工安全意識”預(yù)警指標的狀態(tài)可通過現(xiàn)場檢查、詢問相關(guān)崗位員工進行確定，具體確定標準見表3。

3.3 天氣狀況預(yù)警指標狀態(tài)的確定

天氣狀況預(yù)警指標狀態(tài)則依據(jù)天氣狀況對生產(chǎn)安全的影響大小來確定，具體確定標準見表4。

3.4 其他預(yù)警指標狀態(tài)的確定

3.4.1 確定預(yù)警指標狀態(tài)的依據(jù)

其他環(huán)境的因素、物的因素和管理的因素則與企業(yè)設(shè)備設(shè)施、作業(yè)環(huán)境和管理的客觀情況有關(guān)，依據(jù)《標準》可準確評價機械制造企業(yè)設(shè)備設(shè)施、作業(yè)環(huán)境(除天氣狀況外)和安全管理的狀況。因此，將通過《標準》得到的各類設(shè)備設(shè)施、作業(yè)環(huán)境和基礎(chǔ)管理的評分作為確定相關(guān)預(yù)警指標狀態(tài)的依據(jù)。每個II級預(yù)警指標均由《標準》中數(shù)個考評項的得分決定，各II級預(yù)警指標與《標準》中考評項內(nèi)容的對應(yīng)情況見表5。

表3 人的因素中各預(yù)警指標狀態(tài)的確定標準

表4 天氣狀況預(yù)警指標狀態(tài)的確定標準

該對應(yīng)情況參考了《標準》對于考評項的分類。其中(a1,a2,…,a10)、(b1,b2,…,b5)、(c1,c2,…,c5)屬于設(shè)備設(shè)施基礎(chǔ)條件類，即物的因素，在實際考評中往往將其分為機械及熱工燃爆設(shè)備、電氣設(shè)備、危險化學品3個子類分別進行考評；(d1,d2)、(e1,e2)屬于作業(yè)環(huán)境類；(f1,f2,…,f4)、(g1,g2)、(h1,h2)屬于基礎(chǔ)管理類。

表5 各II級預(yù)警指標包含的考評項內(nèi)容

3.4.2 采用BP神經(jīng)網(wǎng)絡(luò)確定預(yù)警指標的狀態(tài)

由于每個預(yù)警指標的狀態(tài)由《標準》中對應(yīng)的數(shù)個考評項的得分所決定，即考評項的得分向量與預(yù)警指標的狀態(tài)間存在一個映射關(guān)系[12]。在其他預(yù)警指標體系中一般采取加權(quán)平均的方式建立其映射關(guān)系，但這種方式主觀性較強，且無法利用以往的事故數(shù)據(jù)。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，主要特點是信號前向傳遞、誤差反向傳播[13]。BP神經(jīng)網(wǎng)絡(luò)無需事先確定輸入與輸出之間映射關(guān)系的數(shù)學方程，通過不斷的自我學習，在給定輸入值時可得到最接近期望輸出值的結(jié)果[14]，非常適合處理非線性關(guān)系問題。本文采用BP神經(jīng)網(wǎng)絡(luò)確定預(yù)警指標狀態(tài)與考評項得分間的映射關(guān)系，將以往發(fā)生事故的情況及專家經(jīng)驗作為樣本數(shù)據(jù)進行訓(xùn)練，得到用于確定指標狀態(tài)的BP神經(jīng)網(wǎng)絡(luò)模塊。

本文以“電氣設(shè)備安全狀況”這一II級預(yù)警指標為例，介紹了如何通過BP神經(jīng)網(wǎng)絡(luò)確定該II級預(yù)警指標狀態(tài)的方法，其他II級預(yù)警指標的狀態(tài)均可按此方法確定。

3.4.2.1 確定BP神經(jīng)網(wǎng)絡(luò)的參數(shù)

(1) 輸入層：“電氣設(shè)備安全狀況”對應(yīng)《標準》中變配電系統(tǒng)、臨時低壓電氣線路、配電箱柜、電網(wǎng)接地系統(tǒng)、電焊設(shè)備5個考評項，這5個考評項的得分為BP神經(jīng)網(wǎng)絡(luò)的輸入，輸入層神經(jīng)元數(shù)量為5。

(3) 輸出層：電氣設(shè)備安全狀況輸出層神經(jīng)元數(shù)量為3。電氣設(shè)備安全狀況“差”則輸出值為[0,0,1]，“一般”則輸出值為[0,1,0]，“好”則輸出值為[1,0,0]。

3.4.2.2 BP神經(jīng)網(wǎng)絡(luò)的實現(xiàn)與檢驗

(1) 樣本數(shù)據(jù)：利用以往電氣設(shè)備導(dǎo)致的事故(或險肇事故)的經(jīng)驗及專家經(jīng)驗作為樣本數(shù)據(jù)。其中，若發(fā)生重傷及以上事故時，認為當時的電氣設(shè)備安全狀況為差；若發(fā)生輕傷事故或險肇事故時，認為當時的電氣設(shè)備安全狀況為一般。同時，結(jié)合專家的經(jīng)驗確定明顯屬于良好或差狀況的電氣設(shè)備得分情況，具體樣本數(shù)據(jù)見表6。

表6 電氣設(shè)備安全狀況預(yù)警指標的樣本數(shù)據(jù)

(2) 建立BP神經(jīng)網(wǎng)絡(luò)模型：在Matlab R2013b中建立確定電氣設(shè)備安全狀況的BP神經(jīng)網(wǎng)絡(luò)模型，見圖2。

圖2 確定電氣設(shè)備安全狀況的BP神經(jīng)網(wǎng)絡(luò)模型Fig.2 A BP neural network model for determining the safety status of electrical equipment注：圖中“Input”表示輸入向量，其下的“5”表示輸入向量是由5個元素組成的一維向量，這些輸入被送入權(quán)值矩陣Wb與“Hidden Layer”即隱含層相連，其下的“10”表示隱含層包含10個神經(jīng)元；“Hidden Layer”通過另一權(quán)值矩陣Wb與“Output Layer”即輸出層相連，其下的3表示輸出層有3個神經(jīng)元，這3個神經(jīng)元同時對應(yīng)BP神經(jīng)網(wǎng)絡(luò)的輸出(“Output”)，即包含3個元素的一維向量。

(3) BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練與檢驗：輸入樣本數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，經(jīng)過166次訓(xùn)練，網(wǎng)絡(luò)誤差滿足設(shè)定的要求。選取樣本數(shù)據(jù)第10組、13組用于檢驗BP神經(jīng)網(wǎng)絡(luò)參數(shù)學習的可靠性，見表7。由表7可知，由BP神經(jīng)網(wǎng)絡(luò)模塊輸出的預(yù)警指標狀態(tài)與實際狀態(tài)一致，證明所建立的確定電氣設(shè)備安全狀況的BP神經(jīng)網(wǎng)絡(luò)是可靠的。

表7 電氣設(shè)備安全狀況的BP神經(jīng)網(wǎng)絡(luò)檢驗結(jié)果

(4) BP神經(jīng)網(wǎng)絡(luò)的驗證：編制一組與樣本數(shù)據(jù)不同的驗證數(shù)據(jù)，分別輸入BP神經(jīng)網(wǎng)絡(luò)和提交專家判斷，結(jié)果顯示BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果與專家判斷結(jié)果基本一致(見表8)，由此可以證明利用BP神經(jīng)網(wǎng)絡(luò)可以根據(jù)各類設(shè)備的得分情況有效地判斷電氣設(shè)備的整體安全狀況。

表8 電氣設(shè)備安全狀況的BP神經(jīng)網(wǎng)絡(luò)驗證結(jié)果

4 實例分析

某機械制造企業(yè)在某時刻對預(yù)警指標的相關(guān)參數(shù)進行了觀測，得到該企業(yè)相關(guān)考評項的得分情況和其他預(yù)警指標相關(guān)參數(shù)的觀測情況，見表9和表10。

表9 某機械制造企業(yè)相關(guān)考評項的得分情況

表10 某機械制造企業(yè)其他預(yù)警指標相關(guān)參數(shù)的觀測情況

將(a1,a2,…,a10)、(b1,b2,…,b5)、(c1,c2,…,c5)、(d1,d2)、(e1,e2)、(f1,f2,…,f4)、(g1,g2)、(h1,h2)分別輸入各預(yù)警指標的BP神經(jīng)網(wǎng)絡(luò)模塊，確定某機械制造企業(yè)各II級預(yù)警指標的狀態(tài)，見表11。

表11 某機械制造企業(yè)各II級預(yù)警指標的狀態(tài)

在FullBNT中，將各節(jié)點的狀態(tài)更新為以上狀態(tài)，點擊“Update”，得到預(yù)警等級各狀態(tài)的概率見圖3。

圖3 某機械制造企業(yè)的預(yù)警等級Fig 3 Early warning level of a machinery manufacturing enterprise

由圖3可見，該機械制造企業(yè)的預(yù)警等級為III級預(yù)警，即為最高級別的預(yù)警。

5 結(jié)論與展望

本文以我國《機械制造企業(yè)安全生產(chǎn)標準化評定標準》為基礎(chǔ)，建立了機械制造企業(yè)安全預(yù)警指標體系，并根據(jù)貝葉斯網(wǎng)絡(luò)推理預(yù)警等級，在FullBNT中建立了機械制造企業(yè)安全預(yù)警系統(tǒng)的貝葉斯網(wǎng)絡(luò)，提出了一種運用BP神經(jīng)網(wǎng)絡(luò)量化確定機械制造企業(yè)安全預(yù)警指標狀態(tài)的方法。通過實例分析表明：該方法可充分利用專家和以往事故案例經(jīng)驗，且預(yù)警效率較高。

本文的研究中未考慮消防設(shè)備設(shè)施、應(yīng)急救援設(shè)備設(shè)施對機械制造企業(yè)安全預(yù)警系統(tǒng)的影響，這幾類設(shè)備設(shè)施的安全狀況可能會影響事故的預(yù)警等級。另外，針對員工安全知識水平的評價不足且不具體，今后可以考慮從正確的操作技能、安全防護知識、應(yīng)急處置能力等幾個方面來評價，從而進一步提高預(yù)警效率。