基于遺傳BP神經網絡的化工企業安全體檢模型研究

蘇文斌+李冠

摘要：近來頻繁發生的化工企業安全事故使企業意識到企業安全的重要性，企業安全評估預警已成為各界關注的焦點。針對引發化工企業安全事故因素的復雜非線性特點，提出基于遺傳BP神經網絡的化工企業安全體檢模型，該模型通過遺傳算法克服BP神經網絡局部最小的缺點，利用主成分分析法優化輸入矩陣，并以山東省101家大中型化工企業數據為實證樣本，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，能夠準確對企業進行安全體檢。

關鍵詞：

遺傳算法；改進BP神經網絡；主成分分析；化工企業安全體檢

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

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

BP神經網絡（Back Propagation Neural Network）具有很強的非線性映射能力與柔性的網絡結構特點[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。鑒于造成企業生產安全事故頻發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神經網絡進行改進，利用遺傳算法[3]優化BP神經網絡相關參數，克服BP神經網絡陷入局部極小值的缺點，利用主成分分析[4]（Principal Components Analysis，PCA）優化輸入矩陣，去掉冗余變量，降低指標維度，加快算法的學習效率，建立化工企業安全體檢模型。

1 BP神經網絡

1.1 標準BP神經網絡

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）向前神經網絡。

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

2 企業安全體檢模型構建與實證分析

2.1 樣本數據選取與預處理

本文選取山東省101家大中型化工企業2016年數據集，共計8 787條記錄。數據集中所涵蓋的數據項是根據2016年《山東省化工企業評級標準》制定。本文去除原始數據集中的無用屬性，最終選取工藝及運行安全、風險管理和環境風險防控等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。根據表1樣本數據所示指標，本文將輸入矩陣進行標準化處理，指標數據區間為[0，1]，考慮篇幅限制，列出部分企業安全評價數據。

2.2 主成分提取

2.3 企業安全體檢BP神經網絡構建

依照PCA計算得出的輸入矩陣，確定BP神經網絡結構。PCA計算得出11個主成分作為神經網絡的輸入，企業安全體檢得分為網絡輸出，隱含層神經元數設置為10個，構建單隱含層企業安全體檢BP神經網絡，如圖3所示。

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

（1）網絡初始化。

（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。根據網絡預測輸出Ok和期望輸出Yk，計算神經網絡誤差E。

（5）權值更新。根據神經網絡誤差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

根據上述企業安全體檢模型建構訓練方法，用Matlab仿真實現，經過多次實驗，得出最終實驗結果，改進后的BP神經網絡誤差率如圖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神經網絡有較好的泛化能力和計算精度，可以用于化工企業安全體檢。

4 結語

本文在深度研究BP神經網絡后，利用PCA優化輸入矩陣，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，尋找局部最優解，克服BP神經網絡容易陷入局部最小的缺點，并且通過大量數據驗證，證明了企業安全體檢模型的有效性。企業安全體檢模型綜合考慮了化工企業安全事故的多種引發因素，構建了遺傳算法改進的BP神經網絡。

企業安全體檢模型最根本的目的是根據企業安全現狀，實時對企業進行安全評估，及時發現問題，給出相應的解決策略，盡量避免事故發生，保障人的生命和企業財產不受損失。由于受限于數據的可獲得性，本實驗不可能將引發企業安全的所有因素考慮在內，將來可以通過數據集更新進一步完善企業安全體檢模型。

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神經網絡與BP神經網絡性能比較[J].中國衛生統計，2013（2）：173-176.

[4] 趙煜.基于電子舌和幾種神經網絡模型的金魚養殖水檢測研究[D].杭州：浙江大學，2013.

[5] 吳今培，孫德山.現代數據分析[M].北京：機械工業出版社，2006.

[6] 高玉明，張仁津.基于遺傳算法和BP神經網絡的房價預測分析[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].數學的實踐與認識， 2013（20）：92-98.

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

[9] 劉衛寧，王鵬，孫棣華，等.基于改進BP神經網絡的道路交通事故預測[J].計算機系統應用，2010（10）：177-181.

[10] 陳海龍，彭偉.改進BP神經網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）