基于BP神經網絡空管運行系統安全績效分析方法研究

左燕 姚光明

摘 要：為了更好地提高空管安全績效分析效率，提出基于BP神經網絡的空管運行系統安全績效評價模型，通過民航局已發布的權值分布計算出各輸入影響因素對最后評分結果的影響，利用算例分析檢驗了該模型的可靠性。最后以某空管單位績效評價結果為例對安全績效評價模型進行驗證，根據評價結果對該空管單位提出相應的建議，提高安全評價工作的效率，為空管安全績效評估工作的開展提出一種新思路。

關鍵詞：空管運行安全；安全績效；神經網絡；評價模型

中圖分類號：V355 文獻標志碼：A 文章編號：2095-2945（2018）23-0006-03

Abstract： In order to improve the efficiency of air traffic control （ATC） safety performance analysis， a safety performance evaluation model of ATC operation system based on BP neural network is proposed. The influence of input factors on the final score result is calculated by the weight distribution published by CAAC. The reliability of the model is verified by an example. Finally， taking the performance evaluation results of an air traffic control unit as an example to verify the safety performance evaluation model， according to the evaluation results of the air traffic control unit put forward the corresponding recommendations to improve the efficiency of the safety evaluation work. A new way of thinking is put forward for the development of ATC safety performance evaluation.

Keywords： ATC operation safety； safety performance； neural network； evaluation model

引言

隨著我國經濟的發展，民航業也迅速發展，安全問題也越來越受到人們的重視。作為保障空中交通安全的空中交通管理機構，保障飛行安全，提高安全運行水平，是他們的目標，民航安全管理體系的推進，安全績效管理工作也愈發重要。本文在學習SMS及空管單位安全績效管理應用的指導意見基礎之上，以空管單位安全績效管理為研究對象，建立基于BP神經網絡的空管運行系統安全績效評價模型，并對某地區空管單位安全績效評價結果進行實例分析，根據分析結果與實際評價結果對比，證明該模型的有效性同時提出相應的對策和建議[1-5]。

1 評價體系的構建

通過分析空管安全績效考核現狀，空管單位安全績效考核影響因素概括為安全后果、安全管理和安全運行三部分。其中安全后果包括責任原因飛行事故次數、責任原因航空地面事故次數和內部人員參與的劫機、炸機事件以及空防事故次數，飛行事故征候發生率，不安全事件發生率等，并按責任原因對管制、情報、通導和氣象等四個專業造成的事故、事故征候、不安全事件發生率進行統計。安全管理包括安全質量檢查、安全評估、安全風險、安全信息管理、安全教育培訓、事件調查、應急處置、安全文檔管理、年度專項安全工作完成情況等；安全運行則從管制、情報、通導和氣象等四個專業方向的過程指標進行考察，包括月平均運行正常率、設備完好率、設備故障率等[5]。具體影響因素分類如圖1所示：

在安全績效考核因素分類結果的基礎上，安全后果影響因素事故、事故征候率因素及不安全事件發生率的數據可以通過歷史數據的計算得到，安全管理及安全運行主要通過專家打分得到。通過空管單位按照行業SSP安全目標，將安全績效影響因素分為兩級，安全AHP的方法確定不同指標的權重值，如表1所示：

2 基于BP神經網絡系統運行績效評價模型

2.1 BP神經網絡模型

BP算法的神經網絡模型由誤差的反向傳播和信息的正向傳播兩個過程，可以有效求解非線性連續函數權重調整問題。模型輸出層、隱含層和輸入層3部分組成[6-8]。若輸出的結果與期望值相差很大，誤差會通過反向傳播，利用數學方法進行權值修改，使用期望值與輸出結果相差較小，BP神經網絡模型結構如圖2所示：

2.2 BP神經網絡的算法

該算法的分析步驟如下[9]：

（1）網絡初始化的過程，給定在區間（-1，1）的數值，確定最大學習次數N和計算精度？著，設定誤差e；

（2）初始化結束后，輸入樣本數據進行網絡訓練，數據輸入隱含層后，經過數學運算；

（3）對實際輸出和網絡期望輸出進行分析，就算對輸出層的偏導數；

（4）利用連接權值，計算誤差函數對神經元的偏導數；

（5）利用隱含層神經元和輸出層各神經元的輸出值對連接權值進行修正；

（6）利用輸入層和隱含層神經元修正連接權，并計算全局誤差；

（7）對網絡誤差進行判斷，若達到最大學習次數或預設誤差精度，技術計算。否則返回（3）進行學習。

2.3 空管單位安全評價神經網絡模型的建立

將該空管單位的安全影響因素為輸入層待輸入數據。進行訓練之前，對樣本數據的類型進行確定，分別從安全后果、安全管理和安全運行三個因素進行分析，并歸納出15個具體因素，輸入層的神經元的個數為15個，對該空管單位的安全狀態進行分級如表2所示[9-10]：

2.4 隱含層的設計

隱含層的神經元個數越多，結果也就越準確，但對運算速度影響較大，導致樣本事件學習時間增加[10]?？展艿陌踩u價采用3層網絡模型，輸入輸出層神經元個數確定，隱含層神經元個數為6。最終確定空管單位安全評價模型輸入層神經元15個，隱含層神經元6個，輸出層神經元5個，文本運算結合MATLAB軟件，通過計算機技術來實現。

3 BP神經網絡的安全評價模型的計算

3.1 數據的采集與處理

通過對樣本反復學習來獲得分析結果，合理的選擇樣本對結果的精度和模型得到準確性有較大影響。在樣本選取時，本文選取有代表性的數據，避免數據具有相同特征，整理出25個實例樣本數據，為保證結果的準確性和客觀性，對實例樣本數據，為保證結果的準確性和客觀性，對實驗樣本數據進行了歸一化處理。通過歷史數據的整理及專家打分，選取處理后的25組數據作為訓練數據，隨機抽取其中1組目標數據作為測試數據。

3.2 神經網絡的訓練

基于BP神經網絡的安全評價模型，通過設定參數、創建網絡、檢驗和訓練來實現大量數據的計算[6，11]。訓練流程：（1）在Command Window 窗口輸入原始向量，完成原始數據的歸一化處理，輸入目標向量；（2）新建BP神經網絡，完成對newff函數的訓練，訓練參數如表4所示。

迭代5000次后BP神經網絡收斂，對期望值與訓練結果進行分析，建立了空管安全評價等級與影響因素間的非線性關系，并且期望值與實際輸出結果較高，訓練過程完成。

3.3 案例分析

對BP神經網絡安全績效評價模型進行樣本學習訓練后，模型具有5個安全等級和15個影響因素的映射關系，對某地區空管單位進行安全績效評價，得到安全后果、安全管理和安全運行三個因素數據匯總如表5-7所示。

空管單位安全幾次按評價模型的結果為5個等級，分別為安全級5級：不安全；安全等級4級：較不安全；安全等級3級：一般安全；安全等級2級：較為安全；安全等級1級：安全。

安全等級為1級時，輸出結果接近[1，0，0，0，0]，表明該空管單位在各方面安全問題較小，安全等級為2級時，輸出結果接近[0，1，0，0，0]，表明該空管單位主要影響因素為安全后果影響因素，安全等級為3級時，表明該單位主要影響因素為安全管理因素；安全等級為4級時，表明該單位主要影響因素為安全運行；安全等級為5級時，該單位在各方面均存在較大問題，必須立即采取整改措施。計算得到該空管單位安全績效評價結果如表8所示。

由表可以看出，該單位評價等級為1級，級別為安全，該單位在各方面安全問題較小，與實際評價結果一致，證明該模型的有效性，同時誤差情況如圖3所示，預測結果與實際結果誤差在可接受范圍內，但仍有不安全事件的發生，仍需要注意安全管理等工作，做到防微杜漸，降低不安全事件的發生率。

4 結束語

基于BP神經網絡的安全評價模型，通過設定參數、創建網絡、檢驗和訓練等實現對樣本數據的計算，對BP神經網絡安全績效模型的樣本學習訓練后得到5個安全等級與15個影響因素之間的映射關系，該方法不僅具有一定的適用性，提高績效分析效率同時為空管單位安全評價提供一種新的思路。同時由于數據樣本有限，需加大樣本數量，提高模型的準確度。

參考文獻：

[1]羅冠中，胡明華，張啟錢.空管運行效率評估指標體系研究[J].交通信息與安全，2012，30（2）：99-102.

[2]張曉莉.對開展空管安全管理體系（SMS）建設的幾點思考[J].空中交通管理，2008（8）：32-34.

[3]肖文娟.基層空管機構安全績效評價體系研究[D].武漢理工大學，2009.

[4]王豐.空管安全管理體系的構建及其內容[J].科技創新導報，2011（22）：207-207.

[5]中國民用航空局.空管單位安全績效管理應用的指導意見[EB/OL].

[6]張淑玲，王文卿.基于BP神經網絡的煤礦安全績效評價模型[J].煤炭技術，2017（10）：321-323.

[7]姚裕盛，徐開俊.基于BP神經網絡的飛行訓練品質評估[J].航空學報，2017，38（S1）：23-31.

[8]王洪德，潘科.基于BP神經網絡的民航機場安全預警研究[J].安全與環境學報，2008，8（4）：139-143.

[9]范秋芳，FANQiu-fang.基于BP神經網絡的中國石油安全預警研究[J].運籌與管理，2007，16（5）：100-105.

[10]趙淑芳.基于BP神經網絡的煤礦礦用設備安全監測研究[J].太原理工大學學報，2013，44（5）：619-622.

[11]王浩鋒.基于BP神經網絡的民用航空航段安全風險評估[J].太赫茲科學與電子信息學報，2010，8（5）：612-615.