基于粗糙集與神經網絡的電力企業員工安全等級評價模型

東北電力大學信息工程學院 張國歌 李 琳 謝 巖

1.引言

電力行業是國民經濟的基礎產業，它直接關系到經濟發展和社會穩定。然而，電力企業員工在生產過程中，由于知識、能力與經驗的不足或者心理因素等原因，為了追求某些利益，從而導致人身事故、電網事故、設備事故和火災事故等人因事故[1]。據統計60%-70%電力生產事故是由人的失誤造成的，所以減少人因失誤是有效控制電力生產事故發生的關鍵[2-3]。

目前專門針對電力企業生產中人因失誤的研究成果還不是很豐富，對電力企業生產中人的不安全行只分析了其對電力系統的影響，提出了防范不安全行為的措施，并沒有對不安全行為的嚴重程度進行劃分。另外，一些地區已經開始著手進行了員工等級的鑒定工作，但標準和方法不一致且過于簡單造成了結果的不具有可比性，并且存在著評價周期長、缺乏準確性等諸多弊端。所以，需要構建統一的電力企業員工安全等級評價模型。

2.電力企業員工安全等級評價模型的設計

電力企業中現行的管理經驗和方法缺乏系統性和前瞻性，管理還比較粗放，特別是員工的習慣性違章仍屢禁不止，為了從根本上提高電力企業員工的安全意識，減少人因事故的發生，本文在充分研究電企中人因失誤問題的基礎上，基于粗糙集與BP神經網絡設計了電力企業員工安全等級評價模型，模型框架如圖1所示。

評價前，首先要確定寬泛的評價屬性集，然后收集數據，界定屬性值語義，并對每個屬性界定屬性值，最后構建出屬性約簡決策表。構建員工屬性決策表是進行員工安全等級評價的首要問題，決策表是一類特殊而重要的知識表達系統，多數決策問題都可以用決策表形式來表達。

評價中，將粗糙集作為人工神經網絡的前置系統，以減少神經網絡的復雜性。

評價后，為了進一步檢驗評價模型的性能，評價結束后要對評價結果進行仿真分析。利用相關函數對網絡進行仿真，并計算輸出結果和目標輸出之間的誤差，從而作為網絡訓練結果優劣的判別依據。

3.評價核心要素的提取方法

在評價過程中，為了解決人工神經網絡當輸入的信息空間維數較大時，網絡結構復雜和訓練時間長的問題，所以在這里使用粗糙集作為神經網絡的前置系統[4]。

3.1 連續屬性的離散化方法

粗糙集理論對決策表進行處理的數據必須是離散值，因此，在利用粗糙集理論的屬性約簡功能對人工神經網絡的輸入端進行簡化之前，基于切割和布爾理論，將所有連續屬性值進行離散化處理，布爾函數f如公式(1)所示：

其中：

3.2 屬性約簡算法

粗糙集的屬性約簡就是指在保持原始決策表條件屬性和決策屬性之間的依賴關系不發生變化的前提下刪除冗余的屬性和屬性值[5]。粗糙集的屬性約簡算法有很多種，本文使用的是基于區分矩陣的約簡算法。算法具體如下：

（3）含量測定：根據“2.3.1（1）”項色譜條件，樣品中烏頭堿和脫氧烏頭堿分別為6.484 8、0.268 5 mg/g（n＝3）。烏頭堿和脫氧烏頭堿隨著炮制時間的變化曲線如圖10所示。

表1 電力企業員工安全等級評價指標

圖1 電力企業員工安全等級評價模型框架圖

圖2 BP神經網絡的拓撲結構

圖3 網絡訓練結果

(1)計算區分矩陣，將區分矩陣的核賦給約簡后的集合；

(2)找出不含和指標的指標組合；

(3)將不包含和指標的指標集表示為合取范式；

(4)將合取范式轉換為析取范式的形式；

(5)根據需要選擇合理的指標組合。

4.BP神經網絡的實現

人工神經網絡是基于對人腦組織結構、活動機制的初步認識提出的一種新型信息處理體系方法，在實際問題的處理中，它有較好的容錯及抗干擾能力，所以將它與為對噪聲較敏感的粗糙集相結合來對電力企業員工安全等級進行評價。本模型使用的是三層BP神經網絡對約簡后的員工屬性決策表進行訓練，最終得出等級評價結果。其拓撲結構如圖2所示。

表2 屬性決策表

表3 離散后的決策表

表4 約簡后的決策表

表5 網絡仿真誤差結果

輸入層神經元個數為指標的數目，由于本模型是對每個員工安全等級的一個綜合評價，所以輸出層的個數是一個神經元，隱含層單元個數確定公式為：

式中y、r、c、分別為隱含層、輸入層、輸出層的神經元計算節點的個數，t為1-10之間的常數。

5.實例分析

電力企業安全生產中員工安全等級進行評價就是對電力企業的員工的基本素質、工作特性、組織管理等三大方面進行等級評價。具體指標如表1所示。

選擇其中50組數據作為樣本數據進行分析。首先，界定屬性值語義，并對每個屬性界定屬性值，構建屬性決策表(見表2)，其中Dec表示電力企業員工安全等級值，0代表不安全，1代表安全。其次，基于切割和布爾理論確定最小取值空間的方法對屬性決策表進行離散化(見表3)。然后，利用粗糙集理論的屬性約簡功能進行約簡后，14個評價指標減少為A2、A3、A5、A7、B1、C1這6個指標，從而使得BP神經網絡的輸入空間大幅降低，有利于簡化神經網絡的結構、提高訓練效率，約簡后的決策表如表4所示。

根據表2中的50組原始樣本數據，將其中的45組作為BP神經網絡的訓練樣本數據，余下的5組作為檢測樣本數據對BP神經網絡進行檢測。采用三層BP神經網絡結構，輸入層為14個神經元，由公式(3)計算出隱含層節點數為5，輸出層為1個神經元。由于“trainlm”采用Levenberg-Marquardt算法進行網絡學習，對初始值的選取不敏感，能夠實現計算精度和收斂速度的最佳結合，所以筆者在這里使用trainlm作為網絡訓練函數，訓練次數定義為1000，學習精度ε=0.0001，學習速率=0.01，經過6次訓練后，網絡性能已經達到設定誤差要求(見圖3)。

為了進一步檢驗神經網絡的性能，對訓練結果進行仿真分析。模型輸出數值與真實值之間的誤差如表5所示。

對測試結果分析，神經網絡評價值和真實值之間的誤差非常小，神經網絡最大誤差僅為0.0106。

6.結論

筆者在綜合分析國內外相關研究基礎上，提出了電力企業員工安全等級的概念，并基于粗糙集與人工神經網絡設計了電力企業生產中員工安全等級評價模型，模型將粗糙集作為神經網絡的前置系統，用以縮減神經網絡學習時的訓練樣本，可達到簡化神經網絡結構、提高評價模型工作效率的目的，同時BP神經網絡能夠有效減少噪聲對粗糙集評價過程的影響。最后，通過實例對模型進行應用，仿真結果說明，該網絡能夠較好地對電力企業員工安全等級進行評估。

[1]袁周.電力生產事故人因分析與預防簡明問答[M].北京:中國電力出版社,2007.

[2]馬京源,李哲,何宏明,鐘定珠.電氣誤操作事故人因因素分析與控制[J].中國電力,2010(5):72-76.

[3]林杰.安全行為科學理論在電力生產中的應用研究[D].貴州:貴州大學碩士論文,2006.

[4]趙靜,許祥秦,張凱.基于神經網絡的高新技術企業吸收能力評估[J].計算機仿真,2009(12):257-260.

[5]楊傳健,葛浩,汪志圣.基于粗糙集的屬性約簡方法研究綜述[J].計算機應用研究,2012(1):16-19.