王可尊

摘 要：安全預(yù)測(cè)與安全分析能有效的揭示企業(yè)面臨的安全風(fēng)險(xiǎn)，對(duì)企業(yè)實(shí)現(xiàn)安全生產(chǎn)，提高安全意識(shí)，增加安全投入有著重要的意義。本文建立了一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)安全指標(biāo)預(yù)測(cè)模型，以某省安監(jiān)系統(tǒng)披露數(shù)據(jù)為樣本，預(yù)測(cè)了該地區(qū)未來發(fā)生安全生產(chǎn)事故的概率。

關(guān)鍵詞：BP網(wǎng)絡(luò)；安全指標(biāo)；預(yù)測(cè)

DOI：10.16640/j.cnki.37-1222/t.2018.05.114

安全是一個(gè)企業(yè)賴以生存和發(fā)展的基石，在經(jīng)濟(jì)發(fā)展的任何一個(gè)時(shí)期，安全工作都是企業(yè)不容忽視的一個(gè)方面。惡性安全事故不僅會(huì)帶來巨大的經(jīng)濟(jì)損失，對(duì)人民群眾的生命財(cái)產(chǎn)造成維修，也會(huì)產(chǎn)生隱患，影響社會(huì)的安定團(tuán)結(jié)。據(jù)國(guó)家安監(jiān)局的統(tǒng)計(jì)顯示，2016年，全國(guó)共發(fā)生各類安全生產(chǎn)事故63205起，死亡人數(shù)為43062人。

近年來，隨著我國(guó)工業(yè)化和現(xiàn)代化進(jìn)程的不斷加快，帶來了一線企業(yè)員工的工作環(huán)境和工作過程的改變，他們的工作模式不斷規(guī)模化、機(jī)械化和智能化，使安全生產(chǎn)管理的難度愈加增大。在這一形勢(shì)下，通過科學(xué)發(fā)分析和可靠的預(yù)測(cè)，客觀系統(tǒng)的為企業(yè)呈現(xiàn)事故風(fēng)險(xiǎn)，有針對(duì)性的對(duì)企業(yè)提出建議，能夠引起企業(yè)的重視，加大對(duì)安全法規(guī)的認(rèn)識(shí)和理解，增加安全經(jīng)費(fèi)的投入，采取必要的措施，提前掌握或改善將來的安全狀態(tài)，進(jìn)而達(dá)到降低事故風(fēng)險(xiǎn)，增加企業(yè)綜合競(jìng)爭(zhēng)力的目的。出于此目的，本文建立了一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)安全指標(biāo)預(yù)測(cè)模型對(duì)某地級(jí)市未來的安全生產(chǎn)事故發(fā)生概率進(jìn)行預(yù)測(cè)。

1 BP神經(jīng)網(wǎng)絡(luò)模型概述

1.1 神經(jīng)元模型及前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP算法最早由P.Werbos博士在1974年提出，是迄今最為著名的多層網(wǎng)絡(luò)學(xué)習(xí)算法。由BP算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，稱為BP神經(jīng)網(wǎng)絡(luò)。單個(gè)的神經(jīng)元模型共有R個(gè)輸入，其中每個(gè)輸入都能通過一個(gè)恰當(dāng)?shù)臋?quán)值和下一層相連，在網(wǎng)絡(luò)中使用可微的單調(diào)遞增函數(shù)來進(jìn)行訓(xùn)練。在由多個(gè)神經(jīng)元構(gòu)成的前饋型神經(jīng)網(wǎng)絡(luò)中通常有一個(gè)或多個(gè)隱層，一個(gè)典型的BP網(wǎng)絡(luò)結(jié)構(gòu)里隱層的神經(jīng)元數(shù)目為S，則隱層采用S型神經(jīng)元函數(shù)logsig，具有R個(gè)輸入。隱含層里的非線性傳遞函數(shù)神經(jīng)元可以用來學(xué)習(xí)輸入/輸出之間的線性和非線性關(guān)系，輸出層神經(jīng)元的傳遞函數(shù)為purelin。

1.2 BP學(xué)習(xí)規(guī)則

BP算法決定了BP網(wǎng)絡(luò)的產(chǎn)生和訓(xùn)練結(jié)果。此算法是一種監(jiān)督式的學(xué)習(xí)算法，它由信息的正向傳播與誤差的反向傳播組成。在正向傳播的過程中，輸入信息從輸入經(jīng)過隱含層逐層計(jì)算，并將結(jié)果傳向輸出層，每一層神經(jīng)元的狀態(tài)都會(huì)影響下一層。若得不到期望的輸出值，就會(huì)自動(dòng)計(jì)算誤差變化值，進(jìn)而轉(zhuǎn)為反向傳播，通過網(wǎng)絡(luò)將誤差信號(hào)沿通道修改各層神經(jīng)元權(quán)值直至達(dá)到期望目標(biāo)。

2 企業(yè)安全指標(biāo)預(yù)測(cè)的BP網(wǎng)絡(luò)設(shè)計(jì)

為了確定事故預(yù)防對(duì)策和安全預(yù)測(cè)度，需要研究安全投入與事故率和傷亡率之間的關(guān)系，這可以幫助企業(yè)安全管理人員掌握事故發(fā)生規(guī)律。影響一個(gè)企業(yè)安全系數(shù)的指標(biāo)有很多，企業(yè)規(guī)模、生產(chǎn)總值、安全投入等都會(huì)對(duì)此產(chǎn)生影響。設(shè)計(jì)企業(yè)安全指標(biāo)預(yù)測(cè)模型時(shí)，應(yīng)充分體現(xiàn)安全投入與百萬工時(shí)傷亡人數(shù)的關(guān)系。

2.1 確定需要預(yù)測(cè)的安全生產(chǎn)指標(biāo)

本文在諸多安全指標(biāo)中選取了極具代表性的百萬工時(shí)事故次數(shù)和百萬工時(shí)傷亡人數(shù)作為預(yù)測(cè)指標(biāo)進(jìn)行處理，分析和預(yù)測(cè)某省企業(yè)安全生產(chǎn)狀況及其發(fā)展趨勢(shì)。據(jù)查閱資料統(tǒng)計(jì)，近年某省發(fā)生安全事故與投入數(shù)據(jù)由表1所示。

2.2 BP網(wǎng)絡(luò)訓(xùn)練過程

根據(jù)上表中的樣本數(shù)據(jù)，利用建立的灰色BP網(wǎng)絡(luò)組合預(yù)測(cè)模型對(duì)2017年的百萬工時(shí)事故次數(shù)及百萬工時(shí)傷亡人數(shù)進(jìn)行預(yù)測(cè)。訓(xùn)練及數(shù)據(jù)處理過程由下圖1所示。

經(jīng)過反復(fù)訓(xùn)練實(shí)驗(yàn)，最終在n取14，2n+k取27的時(shí)候，網(wǎng)絡(luò)取得了很好的擬合精度和預(yù)測(cè)精度。

2.3 預(yù)測(cè)結(jié)果及分析

網(wǎng)絡(luò)訓(xùn)練完畢后，運(yùn)用語句：YP=postmnmx（YP，minT，maxT）對(duì)數(shù)據(jù)進(jìn)行處理，把測(cè)試樣本序列中的數(shù)據(jù)用tramnmx函數(shù)進(jìn)行相同的歸一化處理后輸入模型，將得到殘差預(yù)測(cè)值。

進(jìn)行反歸一化處理，得到還原后的殘差擬合及預(yù)測(cè)序列。通過計(jì)算得到模型對(duì)訓(xùn)練樣本的擬合精度為96.68%，對(duì)測(cè)試樣本的預(yù)測(cè)精度為96.14%；利用殘差序列修正后的數(shù)據(jù)對(duì)樣本數(shù)據(jù)的擬合精度則能達(dá)到98.77%；模型最終的預(yù)測(cè)輸出2017年某省百萬工時(shí)事故次數(shù)為0.46，百萬工時(shí)傷亡人數(shù)為0.58，預(yù)測(cè)結(jié)果與當(dāng)年公布值基本符合。

3 小結(jié)

本文介紹了BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和原理，并針對(duì)某省2007～2016年安全事故與投入統(tǒng)計(jì)的數(shù)據(jù)基礎(chǔ)，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析，結(jié)果表明：本模型可獲得較高的物流需求量預(yù)測(cè)精度及較好的預(yù)測(cè)效果。

參考文獻(xiàn)：

[1]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2003.

[2]文新輝，牛明潔.一種基于神經(jīng)網(wǎng)絡(luò)的非線性組合預(yù)測(cè)方法[J].系統(tǒng)工程理論與實(shí)踐，1994（12）：66.

[3]飛思科技產(chǎn)品研發(fā)中心.MATLAB6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)[M]，北京：電子工業(yè)出版社，2003.