基于遺傳BP神經(jīng)網(wǎng)絡的化工企業(yè)安全體檢模型研究

蘇文斌+李冠

摘要：近來頻繁發(fā)生的化工企業(yè)安全事故使企業(yè)意識到企業(yè)安全的重要性，企業(yè)安全評估預警已成為各界關注的焦點。針對引發(fā)化工企業(yè)安全事故因素的復雜非線性特點，提出基于遺傳BP神經(jīng)網(wǎng)絡的化工企業(yè)安全體檢模型，該模型通過遺傳算法克服BP神經(jīng)網(wǎng)絡局部最小的缺點，利用主成分分析法優(yōu)化輸入矩陣，并以山東省101家大中型化工企業(yè)數(shù)據(jù)為實證樣本，對模型進行仿真實驗。實驗結果表明，該模型體檢結果與真實期望值的相對誤差在1.34%～3.84%，具有較高的評估預測精度，能夠準確對企業(yè)進行安全體檢。

關鍵詞：

遺傳算法；改進BP神經(jīng)網(wǎng)絡；主成分分析；化工企業(yè)安全體檢

DOIDOI：10.11907/rjdk.172952

中圖分類號：TP301

文獻標識碼：A 文章編號：1672-7800（2017）012-0053-04

Abstract：The frequent occurrence of chemical industry safety accidents this year has made enterprises aware of the importance of their safety， enterprise safety assessment warning has become the focus of attention from all walks of life. Aiming at the complex nonlinear characteristics of safety accident factors in chemical enterprises， a safety inspection model of chemical enterprise based on genetic BP neural network is put forward in this paper. This model overcomes the shortcoming of the local minimum of BP neural network by genetic algorithm， uses principal component analysis to optimize the input matrix， and uses the data of 101 large and medium chemical enterprises in Shandong as experimental samples for simulation experiments. Experimental results show that the relative error between the physical examination result and the real expectation value is between 1.34% and 3.84%， so it has a high evaluation accuracy， and can be effective and accurate to conduct a safe medical examination.

Key Words：genetic algorithm； improved BP neural network； principal component analysis； chemical enterprise safety examination

0 引言

企業(yè)安全事故將對企業(yè)造成災難性的后果，對企業(yè)財產(chǎn)和員工生命安全造成嚴重影響。企業(yè)安全體檢是企業(yè)管理常態(tài)化的重要手段，旨在實時了解企業(yè)安全狀況，及時發(fā)現(xiàn)企業(yè)不安全因素，如裝置設備安全、工藝及運行安全和環(huán)境風險防控等，以便采取措施及時糾正，消除企業(yè)存在的安全隱患，對企業(yè)安全事故預測預警具有重大意義，對減少企業(yè)安全事故具有相當重要的作用。

BP神經(jīng)網(wǎng)絡（Back Propagation Neural Network）具有很強的非線性映射能力與柔性的網(wǎng)絡結構特點[1]，相對于常用的預測模型，如時間序列、回歸模型[2]、貝葉斯公式等，對處理非線性預測具有極大的靈活性和有效性。鑒于造成企業(yè)生產(chǎn)安全事故頻發(fā)的因素眾多和非線性特點，如操作不當、安全培訓缺乏等，本文對BP神經(jīng)網(wǎng)絡進行改進，利用遺傳算法[3]優(yōu)化BP神經(jīng)網(wǎng)絡相關參數(shù)，克服BP神經(jīng)網(wǎng)絡陷入局部極小值的缺點，利用主成分分析[4]（Principal Components Analysis，PCA）優(yōu)化輸入矩陣，去掉冗余變量，降低指標維度，加快算法的學習效率，建立化工企業(yè)安全體檢模型。

1 BP神經(jīng)網(wǎng)絡

1.1 標準BP神經(jīng)網(wǎng)絡

1982年由Rumelhart和McCleland[5]為首的科研小組提出誤差反向傳播（Back Propagation）算法，是一種多層（至少3層）向前神經(jīng)網(wǎng)絡。

每層由許多神經(jīng)元并列組成，同層神經(jīng)元之間互不相接，鄰層神經(jīng)元全部連接，神經(jīng)元模型如圖1所示，BP神經(jīng)網(wǎng)絡結構如圖2所示。

2 企業(yè)安全體檢模型構建與實證分析

2.1 樣本數(shù)據(jù)選取與預處理

本文選取山東省101家大中型化工企業(yè)2016年數(shù)據(jù)集，共計8 787條記錄。數(shù)據(jù)集中所涵蓋的數(shù)據(jù)項是根據(jù)2016年《山東省化工企業(yè)評級標準》制定。本文去除原始數(shù)據(jù)集中的無用屬性，最終選取工藝及運行安全、風險管理和環(huán)境風險防控等25個二級指標下的87個三級指標作為訓練樣本集，如表1所示。根據(jù)表1樣本數(shù)據(jù)所示指標，本文將輸入矩陣進行標準化處理，指標數(shù)據(jù)區(qū)間為[0，1]，考慮篇幅限制，列出部分企業(yè)安全評價數(shù)據(jù)。

2.2 主成分提取

2.3 企業(yè)安全體檢BP神經(jīng)網(wǎng)絡構建

依照PCA計算得出的輸入矩陣，確定BP神經(jīng)網(wǎng)絡結構。PCA計算得出11個主成分作為神經(jīng)網(wǎng)絡的輸入，企業(yè)安全體檢得分為網(wǎng)絡輸出，隱含層神經(jīng)元數(shù)設置為10個，構建單隱含層企業(yè)安全體檢BP神經(jīng)網(wǎng)絡，如圖3所示。

若使企業(yè)安全體檢BP神經(jīng)網(wǎng)絡模型具有學習預測能力，還需要對神經(jīng)網(wǎng)絡進行大量訓練。其訓練步驟如下：

（1）網(wǎng)絡初始化。

（2）隱含層輸出計算。通過式（2）計算隱含層輸出Hj。

（3）輸出層輸出計算。通過式（3）計算輸出層輸出Ok。

（4）誤差計算。根據(jù)網(wǎng)絡預測輸出Ok和期望輸出Yk，計算神經(jīng)網(wǎng)絡誤差E。

（5）權值更新。根據(jù)神經(jīng)網(wǎng)絡誤差E，通過式（5）、式（6）更新權值。

（6）判斷算法是否達到迭代次數(shù)或者達到預定誤差，若沒有結束，返回步驟（2）。

3 實驗結果與分析

根據(jù)上述企業(yè)安全體檢模型建構訓練方法，用Matlab仿真實現(xiàn)，經(jīng)過多次實驗，得出最終實驗結果，改進后的BP神經(jīng)網(wǎng)絡誤差率如圖4所示。

由表4可以看出，在訓練樣本較少的情況下，相對誤差率保持在1.34%～3.84%，由此可以看出改進后的BP神經(jīng)網(wǎng)絡有較好的泛化能力和計算精度，可以用于化工企業(yè)安全體檢。

4 結語

本文在深度研究BP神經(jīng)網(wǎng)絡后，利用PCA優(yōu)化輸入矩陣，降低輸入矩陣維度且消除各因素間相關關系，利用遺傳算法，尋找局部最優(yōu)解，克服BP神經(jīng)網(wǎng)絡容易陷入局部最小的缺點，并且通過大量數(shù)據(jù)驗證，證明了企業(yè)安全體檢模型的有效性。企業(yè)安全體檢模型綜合考慮了化工企業(yè)安全事故的多種引發(fā)因素，構建了遺傳算法改進的BP神經(jīng)網(wǎng)絡。

企業(yè)安全體檢模型最根本的目的是根據(jù)企業(yè)安全現(xiàn)狀，實時對企業(yè)進行安全評估，及時發(fā)現(xiàn)問題，給出相應的解決策略，盡量避免事故發(fā)生，保障人的生命和企業(yè)財產(chǎn)不受損失。由于受限于數(shù)據(jù)的可獲得性，本實驗不可能將引發(fā)企業(yè)安全的所有因素考慮在內，將來可以通過數(shù)據(jù)集更新進一步完善企業(yè)安全體檢模型。

參考文獻：

[1] FANGZONG，HONGGUOXU，HUIYONGZHANG，et al. Prediction for traffic accident severity： comparing the bayesian network and regression models[J]. Mathematical Problems in Engineering，2013（2-3）：206-226.

[2] JOAQUíNABELLáN，GRISELDALóPEZ，JUANDEOA.Analysis of traffic accident severity using decision rules via decision trees[J]. Expert Systems with Applications，2013（15）：6047-6054.

[3] 劉春艷，凌建春，寇林元，等.GA-BP神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡性能比較[J].中國衛(wèi)生統(tǒng)計，2013（2）：173-176.

[4] 趙煜.基于電子舌和幾種神經(jīng)網(wǎng)絡模型的金魚養(yǎng)殖水檢測研究[D].杭州：浙江大學，2013.

[5] 吳今培，孫德山.現(xiàn)代數(shù)據(jù)分析[M].北京：機械工業(yè)出版社，2006.

[6] 高玉明，張仁津.基于遺傳算法和BP神經(jīng)網(wǎng)絡的房價預測分析[J].計算機工程，2014 （4）： 187-191.

[7] 趙玲，許宏科.基于改進的灰色馬爾可夫鏈模型的交通事故預測[J].數(shù)學的實踐與認識， 2013（20）：92-98.

[8] 江麗，王愛平.基于粒子群優(yōu)化與BP算法的協(xié)同神經(jīng)網(wǎng)絡學習方法[J].計算機應用與軟件，2013（9）：19-20.

[9] 劉衛(wèi)寧，王鵬，孫棣華，等.基于改進BP神經(jīng)網(wǎng)絡的道路交通事故預測[J].計算機系統(tǒng)應用，2010（10）：177-181.

[10] 陳海龍，彭偉.改進BP神經(jīng)網(wǎng)絡在交通事故預測中的研究[J].華東師范大學學報：自然科學版，2017（2）：61-68.

（責任編輯：何 麗）