張佳明， 金仁東， 王文瑞， 孫 浩， 衣紅鋼

（北京科技大學a.機械工程學院；b.資產(chǎn)管理處，北京100083）

0 引 言

實驗室安全作為高校安全穩(wěn)定工作的重要組成部分，其管理水平直接反映了高校的現(xiàn)代管理水平與管理理念，越來越多得到社會和國家的關注［1］。教育部在2019 年1 號文件《教育部辦公廳關于加強高校教學實驗室安全檢查工作的通知》中指出，要將實驗室安全定期評估作為安全檢查要點，長期化、制度化地執(zhí)行。同年4 月份發(fā)布《教育部關于加強高校實驗室安全工作的意見》，明確要求建立安全風險評估制度。高校實驗室安全管理要主抓源頭管理，以預防為主，通過安全評價提前發(fā)現(xiàn)并消除隱患、避免發(fā)生傷亡事故、保障實驗室安全［2］。

隨著高等教育的快速發(fā)展與高?？蒲袆?chuàng)新能力的提升，實驗室的功能與規(guī)模不斷擴大，環(huán)境變得更加復雜、專業(yè)技術性更強、危險源增多、由于教師和學生安全意識淡薄，更容易出現(xiàn)實驗室安全問題甚至安全事故，對實驗室工作者的管理水平提出了新的要求［3-4］。

高校實驗室涉及的危險因素多、隨機性強，一直以來，實驗室安全評價以管理人員主觀評定為主要方式，對于繁多復雜的實驗室安全因素易產(chǎn)生隨機性、不確定性和模糊性等缺陷，其評價結果也很難做到客觀、準確、令人信服，在實驗室安全管理與安全隱患防范方面無法提供明確的指導。如何建立實驗室安全評價指標體系，形成科學、量化的評價方法，提供更具指導性的意見，已越來越多地得到研究者的重視。

李志紅［5］對100 起實驗室安全事故進行統(tǒng)計分析，發(fā)現(xiàn)科學的實驗室安全評價標準是實驗室管理的薄弱環(huán)節(jié)，已成為實驗室安全事故發(fā)生的主要原因之一。陸琳睿等［6］基于BP神經(jīng)網(wǎng)絡建立了的實驗室安全評價模型，進行仿真并得到了較好結果，驗證了基于BP神經(jīng)網(wǎng)絡的神經(jīng)模型在實驗室安全評價中的適用性。劉音等［7］建立了實驗室火災風險評價指標體系，并將模糊綜合評價法運用到高校實驗室火災風險評價模型。然而，上述方法均存在隨機性強、收斂速度慢、易陷入局部極小狀態(tài)、學習效率低等問題［8-9］。因此，引入一種前饋神經(jīng)網(wǎng)絡的方法，在BP 網(wǎng)絡神經(jīng)元權值和閾值初始化的過程中采用改進粒子群算法（Improved Particle Swarm Optimization，IPSO），并對粒子群算法中的慣性系數(shù)與學習因子進行針對性優(yōu)化策略，使模型更加高效地學習實驗室安全評價樣本信息，吸收專家評價經(jīng)驗，為高校實驗室安全管理提供科學、規(guī)范的評價標準。

1 實驗室安全評價體系

1.1 體系構建原則

在現(xiàn)代風險管理理論中，風險管理工作要立足于預防，通過風險分析和評價的方法發(fā)現(xiàn)系統(tǒng)中潛在的風險因素，從而制定對應的預防和整改措施，保證系統(tǒng)安全。實驗室安全評價中涉及的內(nèi)容較多，為了能夠科學、全面地反映安全影響因素，在建立評價指標體系時應當遵循以下原則［10］：

（1）科學性原則。要求在選擇評價指標、建立計算方法以及收集相關信息的過程中，有科學的依據(jù)可尋。

（2）系統(tǒng)性原則。要求能夠?qū)嶒炇野踩ぷ髦懈鳝h(huán)節(jié)、各方面因素按照系統(tǒng)的特性進行組合，形成層次分明、條理清晰、簡明扼要的指標體系，從而準確描述實驗室安全風險和安全狀態(tài)。

（3）可操作性原則。要求在設計指標時，各項指標有明確的定義、評分有統(tǒng)一的標準，數(shù)據(jù)采集和計算方便，能夠充分考慮實驗室的實際情況，做到實驗室安全評價不流于理論層面，真正落于實處。

1.2 實驗室安全評價指標

針對目前學院管理的40 個實驗室，對3 年時間共35 次安全檢查所發(fā)現(xiàn)的問題與隱患進行歸納整理，基于上述構建原則，通過對國內(nèi)高校現(xiàn)有實驗室安全評價體系的研究，以教育部科技司發(fā)布的《高等學校實驗室安全檢查項目表》為參考，針對高校機械類實驗室安全因素設計了評價指標體系，包含一級指標9 個，二級指標27 個，如表1 所示。聘請專家組對實驗室安全狀況進行評價，對照27 個2 級指標所描述的要求，按照優(yōu)（10 ～9 分）、良（9 ～8 分）、中（8 ～6 分）、差（6～0 分）的標準進行評分，形成實驗室安全評價的基礎數(shù)據(jù)。

2 基于IPSO-BP神經(jīng)網(wǎng)絡的安全評價模型

2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡作為一種多層前饋神經(jīng)網(wǎng)絡，一般由輸入層、隱含層、輸出層三部分組成，按照由輸入至輸出的方向，開展實際輸出的計算，而按照由輸出至輸入的方向，開展權值與閾值的修正，得到盡可能接近希望輸入、輸出關系的網(wǎng)絡映射。在解決非線性、不確定性或模糊關系等問題方面具有良好的效果，能夠形成學習、記憶以及自適應的能力，圖1 所示為典型的3 層BP神經(jīng)網(wǎng)絡結構，具體訓練步驟如下：

（1）信號的前向傳播。隱含層節(jié)點i 的輸出值neti為：

式中：xj表示輸入層節(jié)點j的輸入，j ＝1，2，…，M；ωij表示隱含層節(jié)點i到輸入層節(jié)點j之間的權值；θi表示隱含層節(jié)點i的閾值；yi為隱含層節(jié)點i的輸出值；函數(shù)f為隱含層節(jié)點i的激活函數(shù)。

表1 高校實驗室安全評價指標體系

圖1 3層BP神經(jīng)網(wǎng)絡結構圖

（2）誤差的反向傳播過程。計算各層神經(jīng)元的輸出誤差，根據(jù)誤差不斷調(diào)節(jié)優(yōu)化各層的權值和閾值，使網(wǎng)絡能夠得到接近期望值Yk的輸出。對系統(tǒng)中p 個訓練樣本的總誤差進行計算，得到：

2.2 標準PSO算法

PSO算法模擬鳥群隨機搜尋食物的捕食行為，將每個優(yōu)化問題的解看成一只空間飛行的鳥，在解空間中搜索個體最優(yōu)解和全局最優(yōu)解。將BP 網(wǎng)絡各層的權值和閾值以一個向量形式保存，記作Wi，將其作為一個粒子，即粒子群算法空間中的一個解。

在BP神經(jīng)網(wǎng)絡中，將權值向量Wi即粒子i 作用于BP神經(jīng)網(wǎng)絡，將訓練集帶入進行前向運算，得到n個訓練樣本對應的網(wǎng)絡輸出，則神經(jīng)網(wǎng)絡以該粒子為權值時，訓練誤差為：

式中，yp和dp分別為第p個訓練樣本的目標輸出與網(wǎng)絡的實際輸出。

得到該粒子的適應度函數(shù)

因此，粒子的適應度隨著訓練誤差減小而增大，神經(jīng)網(wǎng)絡訓練效果也隨之變好。

每個粒子根據(jù)解空間中的個體極值與全局極值來不斷進化更新自己的當前值，通過迭代計算找到最優(yōu)粒子（最優(yōu)解）。每個粒子在進化中找到的適應度最大的值，就是該粒子本身的最優(yōu)解，稱之為個體極值，將第i個粒子的個體極值記為Wpbest（i）。將當前種群整體所能找到的最優(yōu)解稱為全局極值，記為Wgbest（i）。

對于粒子i，其根據(jù)個體極值與全局極值得到個體更新的增量ΔWi與更新后的值Wi為：

式中：k為慣性系數(shù)；c1，c2為學習因子，也稱為加速常數(shù)，通常為非負數(shù)；r1，r2為［0，1］范圍內(nèi)的均勻隨機數(shù)；Wpbest為當前粒子的個體極值；Wgbest為當前全體粒子的全局極值。

2.3 IPSO算法

在設置PSO算法尋優(yōu)策略時，許多學者都使用了自己獨特的參數(shù)更新方法。陳祺［11］將遺傳算法引入，改進BP神經(jīng)網(wǎng)絡的權值和閾值，使模型得到優(yōu)化；吳沖等［12］在尋優(yōu)過程中對學習因子和慣性系數(shù)進行了動態(tài)調(diào)整；肖理慶等［13］在PSO改進中使用了改進精英策略、區(qū)間算法和輪盤賭算法；張世欽［14］則在種群拓撲方面進行改進。

針對PSO 算法的缺點，提出新的更新策略，引入非線性函數(shù)對慣性系數(shù)和學習因子進行優(yōu)化，使PSO算法盡快獲得最優(yōu)解。

（1）慣性系數(shù)優(yōu)化。慣性系數(shù)k與粒子上一次修正的增量有關，代表粒子有保持其運動速度的趨勢。引入非線性遞減函數(shù)作為慣性系數(shù)公式，在迭代前期以較大的步長進行全局搜索，在后期以較小的步長進行局部的精細搜索。改進的慣性系數(shù)曲線如圖2（a）所示。其公式為：

式中：η為慣性系數(shù)改進策略中的函數(shù)調(diào)整因子；kmin和kmax分別為慣性系數(shù)的最小值和最大值；Kmax為最大迭代次數(shù)；j為當前迭代次數(shù)。

（2）學習因子優(yōu)化。學習因子c1為認知部分，反映了粒子向自身最優(yōu)值的學習；c2為社會部分，是粒子向全局最優(yōu)值學習的部分。一般情況下，設置c1＝c2＝1.494 45，為了能夠更快得到全局最優(yōu)解，在迭代初期增大c1減小c2，使算法在整個解空間內(nèi)快速搜索；在進化后段，減小c1增大c2，既提高了收斂速度，又提高了計算精度。改進的學習因子c1、c2曲線如圖2（b）所示。其公式為：

式中：λ為學習因子改進遞減策略中的函數(shù)調(diào)整因子；cmin和cmax分別為學習因子的最小值和最大值。

圖2 改進的PSO算法慣性系數(shù)和學習因子曲線

（3）粒子移動速度限制。為了避免出現(xiàn)粒子發(fā)生不穩(wěn)定的跳動，對粒子速度是否超出極限進行判斷，將速度ΔWi限制在［－Wmax，Wmax］，每次迭代更新后做如下判斷：

2.4 預測精度評價指標

目前，對于預測精度的評價仍沒有形成統(tǒng)一的標準方法，本文采用多種評價指標衡量模型的預測效果，主要有相對誤差絕對值中最大值max、相對誤差絕對值中最小值min、平均絕對誤差MAE、均方誤差MSE、平均相對誤差MAPE，其中：

式中：yq和分別為第q 組評價數(shù)據(jù)的實際值和預測值；N為評價樣本數(shù)量。

3 算 例

3.1 神經(jīng)網(wǎng)絡參數(shù)確定

在實驗室安全評價模型中，輸入層為實驗室安全2級評價指標，神經(jīng)元數(shù)量為27；輸出層為評價結果，神經(jīng)元數(shù)量為1。目前，隱含層神經(jīng)元個數(shù)沒有統(tǒng)一的計算方法，一般利用經(jīng)驗公式計算，即：

式中，a和b分別為輸入層和輸出層神經(jīng)元的個數(shù)，計算得到隱含層節(jié)點個數(shù)為10 個，因此評價模型為27-10-1 結構的BP神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡訓練函數(shù)、傳遞函數(shù)、訓練次數(shù)、學習速率、訓練目標等參數(shù)設置如表2 所示。

3.2 IPSO參數(shù)確定

根據(jù)神經(jīng)網(wǎng)絡結構，對粒子群維度進行計算，權值數(shù)量為27 ×10 ＋10 ×1 ＝280，閾值數(shù)量為10 ＋1 ＝11，得到粒子群維度n ＝280 ＋11 ＝291，粒子群規(guī)模、迭代次數(shù)、慣性系數(shù)、學習因子、粒子增量限值等參數(shù)如表3 所示。

表2 BP神經(jīng)網(wǎng)絡參數(shù)設置

表3 改進粒子群算法參數(shù)設置

3.3 計算流程

實驗室安全評價指標數(shù)據(jù)如表4 所示，其中前25組數(shù)據(jù)設置為訓練樣本，用于IPSO-BP神經(jīng)網(wǎng)絡訓練，后15 組數(shù)據(jù)設置為評價樣本，用于驗證模型精度。

表4 實驗室安全評價指標數(shù)據(jù)

為了加快訓練速度，避免某些數(shù)值低的特征被淹沒，在載入訓練樣本后首先對數(shù)據(jù)進行歸一化處理［15］。然后通過優(yōu)化慣性系數(shù)和學習因子的策略改進PSO算法，通過迭代計算逼近全局最優(yōu)解作為BP神經(jīng)網(wǎng)絡的初始權值和閾值。最后進行神經(jīng)網(wǎng)絡訓練，當達到訓練要求或訓練次數(shù)時結束訓練，IPSO-BP神經(jīng)網(wǎng)絡算法流程如圖3 所示。

3.4 確定調(diào)整因子

如2.3 節(jié)所述，慣性系數(shù)函數(shù)調(diào)整因子η 和學習因子函數(shù)調(diào)整因子λ 對PSO 算法的優(yōu)化能力有直接的影響。因此，令η在1.0 ～2.0 之間取10 個點，λ在1.5 ～2.5 之間取11 個點，向IPSO-BP模型輸入T1至T25共25 組數(shù)據(jù)進行訓練，然后對C1至C15共15 組數(shù)據(jù)進行預測，根據(jù)預測結果計算該模型的平均相對誤差MAPE。

如圖4 所示，IPSO-BP 模型預測結果的MAPE 值隨η和λ的取值發(fā)生明顯變化，η和λ 值過大或過小都會使模型預測結果MAPE 值增大。在本組預測結果中，當η ＝1.6，λ ＝2.0 時得到最優(yōu)結果，此時MAPE＝1.528；當η ＝1.0，λ ＝1.5 時，MAPE 值最大，為9.654。因此在本模型中，取η ＝1.6，λ ＝2.0。

3.5 結果分析

如圖5 所示，IPSO算法尋優(yōu)過程中全局最優(yōu)解的誤差隨迭代次數(shù)增加而減小，在第24 次迭代時達到0.02，將此時的全局最優(yōu)解設置為BP 神經(jīng)網(wǎng)絡的權值和閾值，經(jīng)過5 步訓練后誤差由0.02 降至1.524 ×10－7，如圖6（a）所示。而單獨使用BP 神經(jīng)網(wǎng)絡訓練時，經(jīng)過55 步訓練，誤差降至約0.02，在95 步訓練時誤差達到1.895 ×10－7，如圖6（b）所示?？梢姡疚牡腎PSO算法能夠快速在全局優(yōu)化BP神經(jīng)網(wǎng)絡模型的權值和閾值，使其具有更高的訓練效率和精度，避免發(fā)生訓練不收斂、陷入極小值等現(xiàn)象。

圖3 IPSO-BP算法流程圖

圖4 不同調(diào)整因子下IPSO-BP模型預測結果的MAPE值

圖5 IPSO算法優(yōu)化過程

將C1至C15共15 組測試樣本分別輸入本文建立的IPSO-BP神經(jīng)網(wǎng)絡、經(jīng)典線性修正慣性系數(shù)與學習因子的PSO-BP模型、普通PSO-BP模型、BP模型進行預測，對輸出的預測結果進行誤差分析。如表5 所示，IPSO-BP模型預測精度提升非常明顯，MAE、MAPE、max、min 四項誤差指標均降低至BP 模型的20% ～25%，而MSE指標降低至BP模型的4%。同時，各項誤差評價指標較PSO-BP 模型、線性修正PSO-BP 模型，均有明顯下降。

圖6 BP神經(jīng)網(wǎng)絡算法訓練誤差

表5 4 種算法預測誤差分析結果對比

圖7 所示為4 種模型對15 組評價樣本預測結果的相對誤差絕對值，IPSO-BP 模型對不同評價樣本的相對誤差穩(wěn)定在0.78% ～2.38%之間，預測精度大幅提高、誤差波動明顯下降，運行效果明顯優(yōu)于其他3 種神經(jīng)網(wǎng)絡模型。

圖7 4種算法評價樣本預測結果相對誤差絕對值對比

4 運行效果

在本文建立的評價模型運行的1 年時間中，各實驗室未出現(xiàn)安全事故，在例行安全檢查中發(fā)現(xiàn)的安全隱患數(shù)量明顯減少，各實驗室安全評價結果分數(shù)逐漸升高?？梢姡ㄟ^本評價模型的運行，實驗室安全狀況明顯得到改善，該模型能夠有效評價實驗室安全狀況、提高實驗安全意識、預防安全事故的發(fā)生。

5 結 語

通過國內(nèi)高校現(xiàn)有實驗室安全評價體系的研究，結合自身工作經(jīng)驗，提出了一種基于改進粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的高校實驗室安全評價模型，對實驗室安全評價具有積極的現(xiàn)實意義。主要得到以下結論：

（1）建立了包含9 個1 級指標、27 個2 級指標的實驗室安全評價指標體系，通過專家評分得到了25 組訓練樣本和15 組測試樣本。

（2）建立了基于IPSO-BP神經(jīng)網(wǎng)絡的實驗室安全評價模型，針對粒子群算法中的慣性系數(shù)和學習因子引入了非線性函數(shù)進行優(yōu)化，確定了最優(yōu)的慣性系數(shù)函數(shù)調(diào)整因子η ＝1.6、學習因子函數(shù)調(diào)整因子λ ＝2.0。

（3）通過評價樣本驗證了IPSO-BP神經(jīng)網(wǎng)絡模型預測結果的平均相對誤差為1.5276%，較傳統(tǒng)BP 模型、PSO-BP 模型、線性修正PSO-BP 模型的預測精度大幅提升，且具有更快的收斂速度、更短的運行時間、更小的誤差波動以及更強的適應性，說明本文提出的改進粒子群算法對BP神經(jīng)網(wǎng)絡模型的優(yōu)化具有良好效果。

（4）該模型的建立彌補了當前實驗室安全評價方法中存在的單一性與主觀性等問題，實現(xiàn)了高校實驗室安全評價定量分析，為有效預測實驗室安全隱患，客觀評價實驗室安全狀況，提供了科學有效的解決方法。