吳紅 王曉明 王斌 顧翩

(江蘇省安全生產科學研究院 南京 210009)

0 引言

化工行業(yè)中涉及危險化學品生產、存儲、運輸等環(huán)節(jié)，容易存在較大的事故隱患。一旦發(fā)生事故，將嚴重危害社會公共安全。對化工行業(yè)生產過程進行事故前的風險預測，可以快速了解生產系統(tǒng)的風險狀態(tài)，從而在事故發(fā)生前制定出有效的防范和控制措施，有助于降低化工行業(yè)安全生產系統(tǒng)的風險，進而減少事故的發(fā)生。

我國正處于大數據技術迅速發(fā)展時期，機器學習算法在自然災害、設備設施診斷、交通運輸事故、信息通訊和煤礦瓦斯等行業(yè)領域已有廣泛應用[1-3]，目前國內許多學者在化工行業(yè)進行了風險研究，也取得一些成果。包其富等[4]采用模糊綜合評價法基于人的因素、設備安全可靠性、生產工藝、安全管理和周邊環(huán)境五個方面影響因素，確定各因素評語集和權重，進而計算儲罐區(qū)的整體風險。張子揚等[5]基于貝葉斯模型，選取人員(班組)因素、設備因素，運用動態(tài)風險分析方法，對化工生產企業(yè)反應器壓力安全控制系統(tǒng)事故風險值進行評估和預測。

綜上可知，在化工行業(yè)對于風險預測研究主要集中于危險源定性分析、定量評價和事故后果分析。但是當某些風險因素發(fā)生動態(tài)變化時，無法做到及時計算和預測風險程度。隨著數據挖掘技術的成熟發(fā)展，本文研究了PSO-SVM模型在化工事故風險預測中的應用，基于化工安全生產過程中人員因素、設備設施因素、管理因素、環(huán)境因素及對應風險值樣本數據對模型進行訓練學習，并將測試樣本數據代入模型作風險值預測，對比預測風險值與計算風險值，以此驗證模型的準確性。研究過程中采用PSO尋優(yōu)算法對預測模型參數進行優(yōu)化，提高模型預測準確性，為及時、準確預測化工安全生產過程中的事故風險提供了有力的技術支撐。

1 化工事故風險預測指標體系

1.1 化工事故致因因素統(tǒng)計分析

以2015年至2019年5年期間全國發(fā)生的較大及以上化工和?；钒采a事故案例為分析對象，共計67起。依據“2-4”事故致因模型分析框架，通過逐個讀取事故案例的事故調查報告，分析提取各例事故的致因因素。67起事故中人員的不安全行為主要包括一線員工在涉及高溫加熱工藝、帶壓設備、有毒有害環(huán)境和動火作業(yè)及有限空間作業(yè)中的違規(guī)違章操作，管理人員違章指揮，以及人員不規(guī)范求援導致事故影響進一步擴大；設備設施類因素主要包括：工藝、設計本身存在缺陷，相關的安全防護和警示標識缺失，設備設施隱患不消除“帶病”運行，以及自動化控制系統(tǒng)異常等；管理方面因素主要包括：事故企業(yè)未健全安全管理制度及相關規(guī)章制度，教育培訓走形式等原因?；な鹿手懈髦乱蛞蛩氐慕y(tǒng)計情況如表1所示。

表1 化工事故致因因素統(tǒng)計

1.2 化工事故風險預測指標和權重確定

結合危險源理論、事故致因理論，從人員因素、設備因素、管理因素和環(huán)境因素4個方面建立了風險預測指標體系，指標體系具體劃分成4個一級指標和若干二級指標組成，見表2。

表2 事故風險預測指標體系

2 PSO-SVM事故風險預測

利用PSO-SVM模型預測化工事故風險值，首先確定模型輸入，即預測指標為化工安全生產過程中人員因素、設備設施因素、管理因素及環(huán)境因素對應風險值，將以上指標數據值代入模型作訓練并利用PSO算法優(yōu)化模型參數，使模型的風險值預測結果更準確，通過對比預測風險值與計算風險值，以此驗證模型的準確性。PSO-SVM模型進行化工事故風險預測的流程見圖1。

圖1 PSO-SVM模型預測風險值流程

2.1 模型樣本數據生成

為實現化工安全生產系統(tǒng)事故風險預測模型研究，建立了25組預測指標參數值樣本數據，數值涵蓋5個風險程度等級，即風險值非常低(0,20]、風險值較低(20,40]、風險值一般(40,60]、風險值較高(60,80]、風險值非常高(80,100]。每個風險等級有5組數據，共產生25組數據作為不同指標風險程度的評語集，結合第1節(jié)預測指標對應權重，由公式(1)可計算得到25組指標值樣本數據依次對應的事故風險程度。

(1)

式中，αi為第i個預測指標的風險數據值，wi為其對應的權重，S為所屬預測指標樣本數據對應的化工事故風險數據值。

將25組樣本數據中20組作為訓練數據集，用于PSO-SVM模型的訓練。另外5組數據作為測試數據集，用于模型的驗證。

2.2 SVM回歸預測模型

支持向量機模型(SVM)是一種以統(tǒng)計學理論為基礎，基于結構風險最小化準則的較新的機器學習算法，適用于處理小樣本、非線性、高維模式識別等問題。SVM模型通過核函數可以將復雜的非線性問題映射到高維空間，轉化成線性問題。模型算法能夠快速地訓練學習，找到輸入和輸出之間復雜的函數關系。基于這些特性，SVM模型得到快速發(fā)展，目前己被廣泛應用于化工建模、故障診斷、模式識別等各種領域進行回歸預測及分類。

最優(yōu)平面方面記為y=ωx+b樣本集的線性回歸函數可表示為：

f(x)=ωx+b

(2)

SVM模型以線性可分的最優(yōu)分類平面為基礎，回歸訓練策略就是尋找一個回歸面使支持向量到該平面的間隔最大。利用SVM作回歸預測，即需要找到這個最優(yōu)分類平面，也就是所求最優(yōu)回歸平面。求解最優(yōu)平面過程中，對于非線性樣本集數據，利用核函數將其轉變?yōu)楦呔S空間的線性可分。核函數可表示如下：

K(xi,xj)=φ(xi)·φ(xj)

(3)

式中，φ(x)為樣本集到高維空間的非線性映射，根據線性SVM回歸模型處理思路，則非線性支持向量機回歸函數可表示為：

f(x)=ωφ(x)+b

(4)

在回歸函數表達式的求取中，引入損失函數L,并采用ε-insensiεtive誤差函數約束最優(yōu)平面。損失函數L如式(5)所示。

L(y,f(x,w))=|y-f(x,w)|

(5)

(6)

懲罰因子C(C>0)是一個常數，用來調整誤差超過ε的樣本懲罰程度。

通過拉格朗日乘子αi，利用對偶原理求解上述最小值問題，建立方程如式(7)：

(7)

約束條件：

(8)

最終確定支持向量機回歸模型函數：

(9)

基于以上SVM模型原理，支持向量機模型在進行回歸預測時，核函數的選擇對回歸預測的性能、運算速度等具有很大的影響，同時對預測結果的精度也有一定的影響。因此本文在對化工事故風險進行預測的過程中先后選擇了不同核函數，并進行結果對比。在回歸預測模型建立中，核函數的選擇方式只需改變PSO-SVM模型中的參數-t，該參數設置值分別為：0代表線性核函數、1代表多項式核函數、2代表徑RBF核函數、3代表Sigmoid核函數。依次采用這些核函數建立預測模型，并對比預測結果見表3。

表3 不同核函數對應模型預測結果對比

由表3可知，4種核函數預測結果的相關系數均較高，其中基于RBF核函數建立的模型預測結果相關系數最高，且均方差最小，說明RBF核函數縮減模型預測效果更好。因此本文中的核函數選擇徑向基核函數(RBF)，即核函數參數-t取值為2。

2.3 PSO算法優(yōu)化模型參數

確定核函數后，需要對支持向量機模型相關參數尋優(yōu)，確定參數最優(yōu)值。參數最優(yōu)值的確定可以約束模型的擬合程度，保證模型泛化能力和預測效果達到最佳。本文主要對模型的懲罰因子C和核函數參數g作參數尋優(yōu)。SVM模型算法中懲罰因子C控制模型可容忍的誤差范圍，C值過大會導致模型過擬合，模型泛化不強；C值過小降低模型復雜度，會導致模型欠擬合。文中2.2節(jié)中已確定模型核函數為RBF，RBF核函數表達式如式(10)。

(10)

式中，δ為徑向基半徑，影響核函數學習能力。δ設置過大，令g=1/δ2代入式(10)，則得到：

K(x,xi)=exp(-g‖x-xi‖2)

(11)

因此需要對SVM模型懲罰因子C和核函數參數g作尋優(yōu)，確定最佳取值，用此參數組合訓練樣本數據獲取最佳模型，提高模型預測準確性。

PSO算法在參數尋優(yōu)過程中依次設置種群數量為25，最大迭代次數為200，學習因子c1=1.5，c2=1.7，終止迭代次數為200，見圖2。通過圖2可看出粒子在開始迭代時就找到最佳適應度，并保持較長時間穩(wěn)定，得到最小交叉驗證均方差值CVmse=0.068 28，通過粒子群算法得到最優(yōu)懲罰參數C=4.176 5，最優(yōu)徑向基核函數參數g=0.01。代入PSO算法尋優(yōu)得到的參數最優(yōu)值確定PSO-SVM模型。

圖2 PSO-SVM參數優(yōu)化結果

2.4 PSO-SVM模型預測結果分析

在MATLAB環(huán)境下，基于確定的PSO-SVM模型，代入5組測試樣本指標數據：人員因素、設備因素、管理因素及環(huán)境因素對應的各指標數據值。經過模型預測得到5組預測指標數據對應的事故風險預測值，模型均方差為0.001 520、相關系統(tǒng)R2為0.999 794。5組測試樣本數據的風險預測值與計算值對比結果見圖3。由預測風險值與計算風險值對比可知，預測值與計算值趨勢一致，且誤差較低，預測效果良好。

圖3 PSO-SVM模型預測結果對比

3 結論

(1)化工安全生產事故致因因素中為人員因素(違規(guī)操作、安全知識欠缺、管理決策不正確)、設備因素(設備設施存在故障隱患、設備設施設計缺陷、安全防護和安全警示標識缺失)占比較大，在事故風險動態(tài)預測模型中引入以上因素作為預測指標可提高預測結果準確性。

(2)PSO-SVM模型訓練速度快、預測精度較高，且對于小樣本量數據的回歸預測效果較好，解決了化工行業(yè)事故風險預測研究中異常數據缺少的問題，為化工行業(yè)事故風險預測提供了一種新的科學有效的方法。