麻 鷹，王 瑞

(上海大學(xué) 通信與信息工程學(xué)院，上海 200444)

0 引 言

人為差錯(cuò)是在民航安全中被廣泛提及的一個(gè)詞，它是指人未能按既定計(jì)劃完成規(guī)定任務(wù)，從而造成設(shè)備、財(cái)產(chǎn)損失的行為。

文中設(shè)計(jì)了一種基于深度學(xué)習(xí)算法的人為差錯(cuò)評(píng)價(jià)模型，有助于加強(qiáng)民航企業(yè)內(nèi)部對(duì)維修人員的人為差錯(cuò)的管控，降低維修中人為差錯(cuò)的發(fā)生率，提高安全生產(chǎn)質(zhì)量。同時(shí)彌補(bǔ)了現(xiàn)階段民航企業(yè)內(nèi)部對(duì)維修人員個(gè)體人為差錯(cuò)管控上存在的實(shí)時(shí)性、預(yù)測(cè)性、針對(duì)性的缺陷。

該系統(tǒng)深度學(xué)習(xí)算法的核心是通過(guò)分析人為差錯(cuò)的誘因，構(gòu)建基于徑向基神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型；首次提出慣性自適應(yīng)灰狼算法訓(xùn)練徑向基神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，從而使系統(tǒng)具有良好的實(shí)用性、準(zhǔn)確性。

1 模型構(gòu)建

1.1 輸入層/輸出層設(shè)計(jì)

評(píng)價(jià)系統(tǒng)的影響因子(輸入層)通過(guò)研究人為差錯(cuò)的經(jīng)典文獻(xiàn)：SHEL模型、REASON模型、墨菲定理、HFACS系統(tǒng)，結(jié)合企業(yè)業(yè)務(wù)特點(diǎn)(東航虹橋維修基地為例)，以《航空人員的維修差錯(cuò)管理》為基礎(chǔ)，提出了各層面：自身層面(M1-M4)、環(huán)境層面(N1-N4)、組織層面(X1-X4)、管理層面(Y1-Y6)共計(jì)18個(gè)影響人為差錯(cuò)的因子，如表1所示。

表1 影響人為差錯(cuò)的因子

系統(tǒng)的評(píng)價(jià)等級(jí)(輸出層)則主要參考東航《機(jī)務(wù)維修人員安全積分的管理辦法》：安全積分以一個(gè)自然年為周期，共計(jì)10分。發(fā)生一般維修差錯(cuò)/嚴(yán)重維修差錯(cuò)/維修事故癥候，根據(jù)情節(jié)的嚴(yán)重程度，扣除安全積分1分～3分/3分～7分/7分～10分；走訪東航虹橋維修基地質(zhì)量部門4名專家，以及大量在崗維修人員，最終確定見表2：將現(xiàn)有安全積分3分(含)以下定義為不安全，即容易發(fā)生人為差錯(cuò)；將現(xiàn)有安全積分7分(含)以下定義為一般，即可能發(fā)生人為差錯(cuò)；將現(xiàn)有安全積分7分以上定義為安全，即不容易發(fā)生人為差錯(cuò)。

表2 評(píng)價(jià)等級(jí)與輸出層期望值

1.2 算法設(shè)計(jì)

(1)徑向基神經(jīng)網(wǎng)絡(luò)。

徑向基函數(shù)(radial basis function，RFB)神經(jīng)網(wǎng)絡(luò)是由J.Moody和C.Darken在80年代末提出的，它是具有單隱層的三層前饋網(wǎng)絡(luò)。由于它模擬了人腦中局部調(diào)整、相互覆蓋接收域的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，有很強(qiáng)的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，而且學(xué)習(xí)規(guī)則簡(jiǎn)單，便于計(jì)算機(jī)實(shí)現(xiàn)。具有很強(qiáng)的魯棒性、記憶能力、非線性映射能力以及強(qiáng)大的自學(xué)習(xí)能力。因此，RBF神經(jīng)網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，能夠以任意精度逼近任意連續(xù)函數(shù)，特別適合于解決分類問(wèn)題。

(2)灰狼算法。

灰狼算法(grey wolf optimization，GWO)是一種基于動(dòng)物行為學(xué)的智能算法。其主要通過(guò)模仿狼群的社會(huì)關(guān)系，以及它們的狩獵、捕獵行為，構(gòu)建數(shù)學(xué)模型。狼群共分為4個(gè)階層，每個(gè)階層都有嚴(yán)格的階級(jí)分工：

α

狼是整個(gè)狼群的首領(lǐng)，是最高階層的狼，對(duì)狼群有著絕對(duì)的領(lǐng)導(dǎo)能力，狼群中任何狼都必須聽命于

α

狼；

β

狼是僅次于

α

狼的第二階層狼，它只聽命于

α

狼，并協(xié)助領(lǐng)導(dǎo)其余狼；

δ

狼再次之，服從

α

狼、

β

狼的領(lǐng)導(dǎo)，且只可以領(lǐng)導(dǎo)普通的

ω

狼。

圍獵行為：

(1)

狩獵行為：

(2)

(3)

式(3)分別定義了

ω

狼群中個(gè)體朝向

α

、

β

、

δ

前進(jìn)的步長(zhǎng)和方向，式(4)定義了

ω

狼的最終位置。

(4)

(3)粒子群算法(PSO)。

粒子群算法(particle swarm optimization，PSO)是受到鳥群在覓食中遷徙、聚集行為的啟發(fā)。初始狀態(tài)下，PSO是一群隨機(jī)的粒子，粒子在迭代過(guò)程中受到個(gè)體極值和全局極值的影響，使粒子向空間內(nèi)最優(yōu)解趨近并降落。

核心公式如下：

v

=

ω

·

v

+

c

·

r

(pbest-

x

)+

c

·

r

(gbest-

x

)，

x

=

x

+

v

(5)

其中，

i

=1,2,…,

N

，

N

是粒子總數(shù)；

v

是粒子速度，

r

、

r

是[0,1]的隨機(jī)數(shù)；

c

、

c

學(xué)習(xí)率為一個(gè)常數(shù)；

ω

是慣性因子，是個(gè)非負(fù)數(shù)。

1.3 算法優(yōu)化

(1)社會(huì)信息共享機(jī)制。

受粒子群算法的啟發(fā)，根據(jù)

ω

狼迭代時(shí)的更新位置受到全局最優(yōu)解(

α

、

β

、

δ

狼)的影響，建立整個(gè)狼群的信息共享交流機(jī)制。

(6)

(2)自適應(yīng)慣性因子策略。

(7)

式中，

ω

為

ω

的初始值，

ω

為

ω

的終值，

t

為最大迭代數(shù)。

綜上所述，IAHGWO算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的步驟如圖1所示。

圖1 混合灰狼算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)流程

1.4 對(duì)比仿真

通過(guò)MATLAB2018a進(jìn)行仿真對(duì)比實(shí)驗(yàn)，在灰狼算法原文采用的23種基準(zhǔn)函數(shù)表中分類選取其中具有代表性的基準(zhǔn)函數(shù)表(見表3)作對(duì)比。設(shè)置狼群總數(shù)30；迭代次數(shù)500，取30次仿真的平均值，圖2展示了尋優(yōu)迭代效率。

圖2 IAHGWO與標(biāo)準(zhǔn)GWO性能對(duì)比

通過(guò)比較可以明顯看出，文中提出的慣性自適應(yīng)混合灰狼算法(IAHGWO)在性能上明顯優(yōu)于標(biāo)準(zhǔn)灰狼算法，將慣性自適應(yīng)混合灰狼算法的適應(yīng)度函數(shù)設(shè)為：

圖3 混合灰狼算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)誤差曲線

優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)誤差值如圖3所示，呈持續(xù)下降的趨勢(shì)。說(shuō)明IAHGWO對(duì)RBF神經(jīng)網(wǎng)絡(luò)起到了優(yōu)化作用，使RBF神經(jīng)網(wǎng)絡(luò)的正確率從87.65%提升到了95.88%。

2 數(shù)據(jù)采集分析

以東航虹橋維修基地為例，在其內(nèi)發(fā)放問(wèn)卷200份，回收173份，其中有效問(wèn)卷157份，有效問(wèn)卷回收率為78%。被試者的工作司齡都在2～20年間，從事一線維修工作。對(duì)采集的數(shù)據(jù)運(yùn)用SPSS22進(jìn)行信度和效度分析，結(jié)果如表3、表4所示，表明上述問(wèn)卷采集的數(shù)據(jù)可以被采納。

表3 基準(zhǔn)函數(shù)參數(shù)

表4 信度與效度校驗(yàn)參數(shù)

3 模型應(yīng)用

使用MATLAB2018a將采集的數(shù)據(jù)代入標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)果見圖4。可以看出，RBF神經(jīng)網(wǎng)絡(luò)的誤差在第251步完成收斂。說(shuō)明所構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)模型與民航維修中的人為差錯(cuò)，建立了良好的非線性關(guān)系。表5為東航虹橋維修基地兩名一線維修人員的原始數(shù)據(jù)，通過(guò)IAHGWO-RBF模型計(jì)算，得到與期望值幾乎近似的數(shù)值，且與兩人實(shí)際相符，可以說(shuō)該模型具有相當(dāng)強(qiáng)的實(shí)用性。

圖4 RBF神經(jīng)網(wǎng)絡(luò)收斂曲線

表5 原始數(shù)據(jù)計(jì)算結(jié)果

4 結(jié)束語(yǔ)

提出一種慣性自適應(yīng)混合灰狼算法，通過(guò)與標(biāo)準(zhǔn)灰狼算法做仿真比較，證明了該算法的優(yōu)越性。

通過(guò)慣性自適應(yīng)混合灰狼算法訓(xùn)練后RBF神經(jīng)網(wǎng)絡(luò)，誤差顯著下降，準(zhǔn)確率從87.65%提升到了95.88%以東航虹橋維修基地為例，驗(yàn)證了構(gòu)建的民航維修人為差錯(cuò)評(píng)價(jià)模型具有良好的實(shí)用性和準(zhǔn)確性。為后期的推廣提供了實(shí)踐基礎(chǔ)。