基于BP神經網絡的郭白鐵路專用線安全評價

石紅國，張 鵬，雷艷紅

(西南交通大學 交通運輸與物流學院，四川 成都 610031)

?

基于BP神經網絡的郭白鐵路專用線安全評價

石紅國，張 鵬，雷艷紅

(西南交通大學 交通運輸與物流學院，四川 成都 610031)

郭白鐵路專用線基礎設備落后，自然災害嚴重，存在很大的安全隱患，對其進行安全評價意義重大。由于BP神經網絡對郭白鐵路專用線安全評價的非線性和復雜性具有較強的適應性，故構建了基于BP神經網絡的郭白鐵路專用線安全評價模型。模型采用改進后的BP神經網絡算法，相較于常規算法，具有收斂快、計算精確和預測精度較高等優點。針對郭白鐵路專用線自身的特殊性，建立一套便于賦值和貼合實際的安全評價指標體系，增加了模型的可靠性。基于BP神經網絡的郭白鐵路專用線安全評價模型和通過模型預測出來的結果，為郭白鐵路專用線科學的管理提供參考和依據。

交通運輸工程；BP神經網絡；安全評價；模型；可靠性

0 引 言

郭白鐵路位于內蒙古錫林郭勒盟境內，西起集(寧)二(連)鐵路郭爾奔敖包站，終至蘇尼特左旗境內的白音烏拉煤田芒來煤礦，在我國的煤炭運輸中，起著不可或缺的作用。但由于鐵路系統自身的復雜性以及特殊的地理環境、頻繁的自然災害等，使得郭白鐵路的安全隱患十分突出。在鐵路高速發展的今天，人們對安全運輸生產的要求越來越高，因此研究郭白鐵路的安全性勢在必行。

鐵路系統是一個復雜多變的系統，各類因素相互作用相互影響[1]，因此可以將郭白鐵路的安全評價看著是一個非線性問題。目前運用較廣的安全評價方法主要有：安全檢查表法、事故樹安全評價法、模糊綜合評價法、作業危險性評價法等，雖然可以使用，但無法進行安全評估預測[2]。筆者運用BP神經網絡方法可以克服傳統安全評價方法的許多缺點，從人-機-管-環4個方面對郭白鐵路專用線進行安全評價及預測，為企業安全管理提供參考。

1 安全評價指標體系的構建

郭白鐵路專用線的安全涉及到人員因素、管理因素、設備因素和環境因素，安全評價指標體系的建立必須從生產運輸實踐出發，遵循科學性、系統性、可行性、可比性和簡潔性等原則構建郭白鐵路專用線安全評價指標體系[3]。

結合郭白鐵路專用線的實際情況，并從鐵路安全評價專家的意見出發，通過模糊層次分析法計算，構建郭白鐵路專用線安全評價指標體系及權重如表1。

表1 郭白專用線安全評價指標權重統計Table 1 Safety evaluation index weight statistics of Guo-Bai special line

2 安全評價模型的建立

2.1 BP神經網絡的算法原理

BP神經網絡的核心是信息前向傳遞，誤差反向傳播。在網絡的結構和輸入模式確定后，信息從輸入層傳遞到隱含層，經過在隱含層逐層傳遞處理，進入輸出層產生一個輸出數據[4]。如果期望輸出數據與輸出數據有誤差，那么誤差會反向傳播，通過網絡將誤差信號沿原來的路徑反傳回來調整網絡的權值和閥值，從而使BP神經網絡預測輸出不斷逼近期望輸出[5]。單一隱含層的BP神經網絡結構圖如圖1。

2.2 BP神經網絡模型

2.2.1 BP神經網絡算法的改進

BP神經網絡雖然具有計算過程縝密、很強的非線性逼近能力[6]，以及良好的自訓練學習和容錯性，但是也存在收斂速度慢導致學習時間較長，局部極小化問題等缺點。故在網絡學習過程中將誤差函數進行改進，即

Φ(Cti-Yti)]

(1)

式中：Pt表示網絡產生的誤差；Cti表示網絡輸出層的輸出向量；Yti表示網絡期望輸出向量；β表示常數；t為樣本數據個數；i為期望輸出向量元素的個數；Φ(x)=ln[cos(γx)]/γ，γ為常數。

2.2.2 改進的BP神經網絡的算法流程

Atg=(At1，At2，…，Ate)為神經網絡輸入層的輸入向量；Stf=(St1，St2，…，Stn)為隱含層的輸入向量；Btf=(Bt1，Bt2，…，Btn)為隱含層的輸出向量；Lti=(Lt1，Lt2，…，Ltk)為輸出層的輸入向量；Cti=(Ct1，Ct2，…，Ctk)為輸出層的輸出向量；輸入層與隱含層連接權值為Vgf；隱含層與輸出層連接權值為Vfi；隱含層的閾值為Rf；輸出層的閾值為Ri；樣本個數為t=1，2，…，m。

Step 1：對該BP神經網絡進行初始化。給連接權值賦，并選取改進后的誤差函數和計算的精度值ε以及最大的學習次數。

Step 2：選取隨機的一個樣本m，并輸入該樣本及其所對應的期望輸出：

Amg=(Am1，Am2，…，Ame)

(2)

Ymi=(Ym1，Ym2，…，Ymk)

(3)

Step 3：計算神經網絡中輸出層和隱含層的各神經元輸入值和輸出值：

(4)

Bmf=f(Smf)，f=1，2，…，n

(5)

(6)

Cmi=f(Lmi)，i=1，2，…，k

(7)

Step 4：通過上述的誤差函數Pt、輸出層的輸入向量Lti以及隱含層與輸出層的連接權值Vfi，計算出誤差函數和隱含層與輸出層的連接權值的偏導數。

(8)

(9)

Ymi)]/?Lmi=f(x)

(10)

式中：f(x)=β(Cmi-Ymi)+(1-β)tanβ(Cmi-Ymi)。

Step 5：通過誤差函數、隱含層的輸入向量以及隱含層與輸入層的連接權，計算出誤差函數和輸入層與隱含層的連接權值的偏導數。

(11)

(12)

Ymi)]/?Stf=f′(x)

(13)

Step 6：通過誤差函數和隱含層與輸出層的連接權值的偏導數來修正連接權值Vfi。

ΔVfi=αf(x)Bmf

(14)

(15)

式中：η為學習率。

Step 7：通過誤差函數和輸入層與隱含層的連接權值的偏導數來修正連接權值Vgf。

ΔVgf=αf′(x)Amg

(16)

(17)

3 郭白鐵路專用線綜合安全評價過程

3.1 樣本數據的選取

選取郭白鐵路專用線2015年8月至2016年10月期間15個月的月安全檢查表，得到了15組安全評價指標體系指標樣本值，其中13～15組為預測2016年8月—2016年10月的安全評估數據。為了避免BP神經網絡系統的部分神經元達到過飽和的狀態，樣本中的數值應盡量在(0，1)區間內選擇[7]。因此將安全評價指標等級分為：優、良、中、差4個等級，其中優對應的區間為(0.85，1)，良對應的區間為(0.7，0.85)，中對應的區間為(0.5，0.7)，差對應的區間為(0，0.5)。

郭白鐵路專用線15組安全評估觀測數據和專家測評結構如表2。

表2 郭白鐵路專用線安全評價樣本數據Table 2 Safety evaluation sample data for the special line of Guo-Bai Railway

3.2 模型的訓練結果

將表2的樣本數據中的前12組數據作為訓練樣本，專家測評的12個數據作為期望輸出數據導入MATLAB軟件中，設定期望誤差為0.000 1，最大訓練次數為3 000，采用改進的BP神經網絡，得到訓練結果，如圖2。

圖2 改進的BP神經網絡訓練曲線Fig. 2 Training curve of the improved BP neural network

當神經網絡參數設定相同，采用常規BP神經網絡，得到訓練結果，如圖3。

圖3 常規BP神經網絡訓練曲線Fig. 3 Training curve of conventional BP neural network

從圖中可以看出，相較于常規的BP神經網絡，改進的BP神經網絡在訓練過程中誤差下降很快，收斂性較好。計算得到的仿真輸出結果與期望輸出結果對比見表3。

表3 仿真輸出結果與期望輸出結果對比Table 3 Comparison of simulation output and expected output

將樣本數據中2016年8月—2016年10月的后3列數據代入訓練好的BP神經網絡中，經計算得到預測結果如表4。

表4 預測結果Table 4 Prediction results

從前面12期的預測結果看，神經網絡的預測結果誤差很小，能夠滿足要求。根據預測的2016年8月—2016年10月3個月的安全生產評估數據，可以用神經網絡預測到其專家評價值(表4)。根據上述的安全評價等級，郭白鐵路專用線8月安全等級為“中”，而9月和10月安全等級應為“良”。

4 結 語

采用改進過的BP神經網絡對郭白鐵路專用線進行安全評價以及預測未來的郭白鐵路專用線安全評價值，改進過的BP神經網絡克服了常規神經網絡容易產生的收斂慢、陷入極小值、預測精準度不高等問題的不足，預測值與實際值誤差小，擬合度較高，準確預測出了郭白鐵路專用線未來3個月的安全等級。這一網絡安全預測工具運用在鐵路專用線安全評價尚不多見，具有一定參考意義。

[1] 海濤，何宇強，張星辰.我國鐵路危險貨物運輸安全管理及防護對策[J].中國安全科學學報，2005，5(8)：24-28.

HAI Tao，HE Yuqiang，ZHANG Xingchen.Safety management of railway dangerous goods transportation in China and protection measures[J].ChineseJournalofSafetyScience，2005，5(8)：24-28.

[2] 張青.基于神經網絡的煤礦企業經營績效評價研究[J].煤炭學報，2002，3(2)：10-13.

ZHANG Qing.Research on coal mine enterprise management performance evaluation based on neural network[J].CoalJournal，2002，3(2)：10-13.

[3] 王東.基于BP人工神經網絡的船舶交通流量預測研究[D].武漢：武漢理工大學，2009：11-12.

WANG Dong.ShipTrafficFlowPredictionBasedonBPArtificialNeuralNetwork[D].Wuhan：Wuhan University of Technology，2009：11-12.

[4] 蔡運磊.化工物流園區運營模式及運營安全評價研究[D].北京：北京交通大學，2012：21-22.

CAI Yunlei.StudyontheOperationModeandSafetyEvaluationofChemicalLogisticsPark[D].Beijing：Beijing Jiaotong University，2012：21-22.

[5] 張士昌，孫健全.基于神經網絡理論的礦井安全管理評價[J].煤礦安全，2003，34(14)：53-55.

ZHANG Shichang，SUN Jianquan.Mine safety management evaluation based on neural network theory[J].CoalMineSafety，2003，34(14)：53-55.

[6] 楊天軍，張曉春，楊曉光.基于BP神經網絡的城市道路交通安全評價研究[J].中國礦業大學學報，2005，34(1)：15-17.

YANG Tianjue，ZHANG Xiaochun，YANG Xiaoguang.Research on urban road traffic safety evaluation based on BP neural network[J].JournalofChinaUniversityofMiningandTechnology，2005，34(1)：15-17.

[7] 羅成漢.基于MATLAB神經網絡工具箱的BP網絡實現[J].計算機仿真，2001，2(5)：109-111.

LUO Chenghan.Implementation of BP network based on MATLAB neural network toolbox[J].ComputerSimulation，2001，2(5)：109-111.

(責任編輯：朱漢容)

Safety Evaluation of Special Line for Guo-Bai Railway Based on BP Neural Network

SHI Hongguo，ZHANG Peng，LEI Yanhong

(School of Transportation and Logistics，Southwest Jiaotong University，Chengdu 610031，Sichuan，P.R.China)

There is a great potential safety hazard in the special line of Guo-Bai Railway，due to its backward basic equipments and natural serious disaster.Therefore，it is very significant to carry out the safety evaluation on it.Because BP neural network had strong adaptability to the nonlinear and complexity of the safety evaluation of the special line of Guo-Bai Railway，the safety evaluation model of the special line of Guo-Bai Railway was established based on BP neural network.The improved BP neural network algorithm was adopted in the proposed model.Compared with the conventional algorithm，the improved BP neural network algorithm had the advantages of fast convergence，high calculation accuracy and high prediction accuracy.According to the special characteristics of the special line of Guo-Bai Railway，a set of safety evaluation index system easy to assign value and fit the actuality was set up，which increased the reliability of the model.The safety evaluation model of the special line of Guo-Bai Railway based on BP neural network and its prediction results provide reference and basis for the scientific management of the special line of Guo-Bai Railway.

traffic and transportation engineering; BP neural network; security evaluation; model; reliability

2016-04-18；

2016-07-14

國家自然科學基金項目(U1334201)

石紅國(1974—)，男，河南偃師人，副教授，博士，主要從事列車牽引計算，交通運輸安全方面的工作。E-mail：28220814 @qq.com。

10.3969/j.issn.1674-0696.2017.06.16

U298.1

A

1674-0696(2017)06-099-04