基于貝葉斯-BP神經網絡的機械制造企業安全預警方法研究

李江瀾，李 歡

(武漢數字工程研究所，湖北 武漢 430205)

企業安全預警系統是指在全面辨識反映企業安全生產狀態指標的基礎上，通過隱患排查、風險管理和儀器儀表監控等安全方法和工具，提前發現、分析和判斷影響安全生產狀態、可能導致事故發生的信息，定量化表示企業生產安全狀態，及時發布安全預警信息，提醒企業負責人和全體員工注意，使企業及時、有針對性地采取預防措施控制事態發展，從而最大限度地降低事故發生概率和后果嚴重程度。

安全預警系統建立的一般思路是根據需預測目標系統的特點，選取若干個反映其安全狀況的可觀測的預警指標，并采取一定的算法，由觀測情況得出目標系統的預警信息。目前國內外針對安全預警系統的研究多集中于特定行業安全預警指標體系的建立和選擇合適的預警算法。如Li等[1]提出了一種基于組合賦權和灰色GM(1，1)預警模型的鋼鐵企業安全預警系統，采用層次分析法和熵權法的組合賦權法確定各預警指標的權重，根據灰色系統理論GM(1,1)模型建立了安全預警指標模型，利用多目標線性加權函數計算綜合預警指標值；Zheng等[2]提出了一種基于模糊層次分析法(FAHP)的濕熱環境安全預警方法；Ilangkumaran等[3]提出了一種利用多準則決策(MCDM)技術對高溫環境下安全生產進行綜合預警的新方法；丁志偉等[4]以《冶金等工貿行業企業安全預警系統技術標準》為基礎，選取了23個預警指標，采取簡單加權求和的方式，建立起了機械制造企業的安全預警系統；章偉林等[5]建立了電氣企業安全風險因素體系，并在GeNIe軟件中建立了用于判定電力企業安全狀況的貝葉斯網絡；于偉杰等[6]結合建筑工程項目特點,建立了建筑工程應急能力風險評價指標體系，利用層次分析法確定各指標的綜合權重，并將各指標因素作為 RBF 神經網絡的輸入，構建了建筑工程項目應急能力評估模型。

目前針對機械制造企業的安全預警系統研究較少，所選取的預警指標難以量化確定狀態，且預警級別生成算法以加權求和為主，缺少對專家及以往事故案例經驗的利用，缺乏科學性和合理性。鑒于此，本文以我國《生產過程危險和有害因素分類與代碼》(GB/T 13861—2009，以下簡稱《代碼》)和《機械制造企業安全生產標準化評定標準》(以下簡稱《標準》)為基礎，建立了機械制造企業安全預警指標體系，并通過建立BP神經網絡，以《標準》中各考評項的得分為依據確定預警指標的狀態，建立了以預警指標為節點的貝葉斯網絡，進而利用貝葉斯網絡的推理功能確定了預警級別。

1 機械制造企業安全預警指標體系

1.1 I級預警指標

預警指標應能反映企業當前的安全生產狀況。依據《代碼》，影響生產過程的危險有害因素可以分為人的因素、物的因素、環境的因素和管理的因素4個類別，因此將這四類因素作為機械制造企業安全預警的I級預警指標。

1.2 II級預警指標

II級指標是I級指標的具體化，應能反映機械制造企業安全生產的特點。本文依據《標準》，通過咨詢專家，確定了機制制造企業安全預警II級指標，詳見表1。

表1 機械制造企業安全預警指標體系

2 建立機械制造企業安全預警系統的貝葉斯網絡

2.1 貝葉斯網絡

貝葉斯網絡是人工智能的一種，是貝葉斯方法的擴展，是基于概率推理，解決不確定性、不完整性問題而提出的一種分析方法。由于其在處理復雜問題等方面的機器學習具有獨特性，目前已在人工智能領域中得到了廣泛的應用[7]。貝葉斯網絡可以綜合歷史數據信息、專家經驗信息[8]對企業當前安全生產狀況做出相對準確的評價。同時，由于貝葉斯網絡可以綜合驗前與驗后信息對安全生產狀況進行綜合評價，從而提高了預警效率。

2.2 建立機械制造企業安全預警系統的貝葉斯網絡

將預警指標作為貝葉斯網絡中的節點，建立起機械制造企業安全預警系統的貝葉斯網絡，這一過程包括兩個部分：確定網絡的拓撲結構和參數，即各預警指標間的關系及條件概率分布。通過咨詢專家，結合層次分析法確定了網絡的拓撲結構；通過對過往機械制造企業發生事故或險肇事故的原因分析確定了網絡的參數(即各事件間的條件概率表)。

在FullBNT中建立的機械制造企業安全預警系統的貝葉斯網絡，見圖1。貝葉斯網絡為一有向無環圖，每一個節點即是一個變量[9]。在如圖1所示的機械制造企業安全預警系統的貝葉斯網絡中，I、II級預警指標是節點；節點間的箭頭表示了節點間的依賴關系，如“身體素質”有一個箭頭指向“人的因素”，那么稱“身體素質”為“人的因素”的父節點，而“人的因素”為“身體素質”的子節點[10]；每個節點都是一個變量，都有一個狀態的概率分布[11]，子節點狀態受其所有父節點狀態的影響，即子節點狀態的概率分布為其所有父節點的聯合條件概率分布，人的因素中各狀態的概率分布,見表2。

圖1 機械制造企業安全預警系統的貝葉斯網絡Fig.1 Bayesian network for safety early warning system of machinery manufacturing enterprises

表2 人的因素各狀態的概率分布表

注：x1、x2、x3分別表示員工身體素質的狀態為好、一般、差；y1、y2、y3分別表示員工安全知識水平的狀態為好、一般、差；z1、z2、z3分別表示員工安全意識的狀態為好、一般、差。

3 機械制造企業安全預警指標狀態的確定

3.1 預警指標的取值范圍

貝葉斯網絡中的變量必須為離散變量。在本文中，將所有的變量取值規定為“好”、“一般”、“差”3種狀態。在進行預警時，僅需確定各II級預警指標的狀態即可得到預警等級。預警等級的狀態規定為“I級預警”、“II級預警”、“III級預警”三種狀態，其中“III級預警”為最高級別的預警，即在“III級預警”狀態下，企業的安全風險最高。

3.2 人的因素中各預警指標狀態的確定

與人的因素有關的“員工身體素質”、“員工安全知識水平”和“員工安全意識”預警指標的狀態可通過現場檢查、詢問相關崗位員工進行確定，具體確定標準見表3。

3.3 天氣狀況預警指標狀態的確定

天氣狀況預警指標狀態則依據天氣狀況對生產安全的影響大小來確定，具體確定標準見表4。

3.4 其他預警指標狀態的確定

3.4.1 確定預警指標狀態的依據

其他環境的因素、物的因素和管理的因素則與企業設備設施、作業環境和管理的客觀情況有關，依據《標準》可準確評價機械制造企業設備設施、作業環境(除天氣狀況外)和安全管理的狀況。因此，將通過《標準》得到的各類設備設施、作業環境和基礎管理的評分作為確定相關預警指標狀態的依據。每個II級預警指標均由《標準》中數個考評項的得分決定，各II級預警指標與《標準》中考評項內容的對應情況見表5。

表3 人的因素中各預警指標狀態的確定標準

表4 天氣狀況預警指標狀態的確定標準

該對應情況參考了《標準》對于考評項的分類。其中(a1,a2,…,a10)、(b1,b2,…,b5)、(c1,c2,…,c5)屬于設備設施基礎條件類，即物的因素，在實際考評中往往將其分為機械及熱工燃爆設備、電氣設備、危險化學品3個子類分別進行考評；(d1,d2)、(e1,e2)屬于作業環境類；(f1,f2,…,f4)、(g1,g2)、(h1,h2)屬于基礎管理類。

表5 各II級預警指標包含的考評項內容

3.4.2 采用BP神經網絡確定預警指標的狀態

由于每個預警指標的狀態由《標準》中對應的數個考評項的得分所決定，即考評項的得分向量與預警指標的狀態間存在一個映射關系[12]。在其他預警指標體系中一般采取加權平均的方式建立其映射關系，但這種方式主觀性較強，且無法利用以往的事故數據。

BP神經網絡是一種多層前饋神經網絡，主要特點是信號前向傳遞、誤差反向傳播[13]。BP神經網絡無需事先確定輸入與輸出之間映射關系的數學方程，通過不斷的自我學習，在給定輸入值時可得到最接近期望輸出值的結果[14]，非常適合處理非線性關系問題。本文采用BP神經網絡確定預警指標狀態與考評項得分間的映射關系，將以往發生事故的情況及專家經驗作為樣本數據進行訓練，得到用于確定指標狀態的BP神經網絡模塊。

本文以“電氣設備安全狀況”這一II級預警指標為例，介紹了如何通過BP神經網絡確定該II級預警指標狀態的方法，其他II級預警指標的狀態均可按此方法確定。

3.4.2.1 確定BP神經網絡的參數

(1) 輸入層：“電氣設備安全狀況”對應《標準》中變配電系統、臨時低壓電氣線路、配電箱柜、電網接地系統、電焊設備5個考評項，這5個考評項的得分為BP神經網絡的輸入，輸入層神經元數量為5。

(3) 輸出層：電氣設備安全狀況輸出層神經元數量為3。電氣設備安全狀況“差”則輸出值為[0,0,1]，“一般”則輸出值為[0,1,0]，“好”則輸出值為[1,0,0]。

3.4.2.2 BP神經網絡的實現與檢驗

(1) 樣本數據：利用以往電氣設備導致的事故(或險肇事故)的經驗及專家經驗作為樣本數據。其中，若發生重傷及以上事故時，認為當時的電氣設備安全狀況為差；若發生輕傷事故或險肇事故時，認為當時的電氣設備安全狀況為一般。同時，結合專家的經驗確定明顯屬于良好或差狀況的電氣設備得分情況，具體樣本數據見表6。

表6 電氣設備安全狀況預警指標的樣本數據

(2) 建立BP神經網絡模型：在Matlab R2013b中建立確定電氣設備安全狀況的BP神經網絡模型，見圖2。

圖2 確定電氣設備安全狀況的BP神經網絡模型Fig.2 A BP neural network model for determining the safety status of electrical equipment注：圖中“Input”表示輸入向量，其下的“5”表示輸入向量是由5個元素組成的一維向量，這些輸入被送入權值矩陣Wb與“Hidden Layer”即隱含層相連，其下的“10”表示隱含層包含10個神經元；“Hidden Layer”通過另一權值矩陣Wb與“Output Layer”即輸出層相連，其下的3表示輸出層有3個神經元，這3個神經元同時對應BP神經網絡的輸出(“Output”)，即包含3個元素的一維向量。

(3) BP神經網絡訓練與檢驗：輸入樣本數據對BP神經網絡進行訓練，經過166次訓練，網絡誤差滿足設定的要求。選取樣本數據第10組、13組用于檢驗BP神經網絡參數學習的可靠性，見表7。由表7可知，由BP神經網絡模塊輸出的預警指標狀態與實際狀態一致，證明所建立的確定電氣設備安全狀況的BP神經網絡是可靠的。

表7 電氣設備安全狀況的BP神經網絡檢驗結果

(4) BP神經網絡的驗證：編制一組與樣本數據不同的驗證數據，分別輸入BP神經網絡和提交專家判斷，結果顯示BP神經網絡輸出結果與專家判斷結果基本一致(見表8)，由此可以證明利用BP神經網絡可以根據各類設備的得分情況有效地判斷電氣設備的整體安全狀況。

表8 電氣設備安全狀況的BP神經網絡驗證結果

4 實例分析

某機械制造企業在某時刻對預警指標的相關參數進行了觀測，得到該企業相關考評項的得分情況和其他預警指標相關參數的觀測情況，見表9和表10。

表9 某機械制造企業相關考評項的得分情況

表10 某機械制造企業其他預警指標相關參數的觀測情況

將(a1,a2,…,a10)、(b1,b2,…,b5)、(c1,c2,…,c5)、(d1,d2)、(e1,e2)、(f1,f2,…,f4)、(g1,g2)、(h1,h2)分別輸入各預警指標的BP神經網絡模塊，確定某機械制造企業各II級預警指標的狀態，見表11。

表11 某機械制造企業各II級預警指標的狀態

在FullBNT中，將各節點的狀態更新為以上狀態，點擊“Update”，得到預警等級各狀態的概率見圖3。

圖3 某機械制造企業的預警等級Fig 3 Early warning level of a machinery manufacturing enterprise

由圖3可見，該機械制造企業的預警等級為III級預警，即為最高級別的預警。

5 結論與展望

本文以我國《機械制造企業安全生產標準化評定標準》為基礎，建立了機械制造企業安全預警指標體系，并根據貝葉斯網絡推理預警等級，在FullBNT中建立了機械制造企業安全預警系統的貝葉斯網絡，提出了一種運用BP神經網絡量化確定機械制造企業安全預警指標狀態的方法。通過實例分析表明：該方法可充分利用專家和以往事故案例經驗，且預警效率較高。

本文的研究中未考慮消防設備設施、應急救援設備設施對機械制造企業安全預警系統的影響，這幾類設備設施的安全狀況可能會影響事故的預警等級。另外，針對員工安全知識水平的評價不足且不具體，今后可以考慮從正確的操作技能、安全防護知識、應急處置能力等幾個方面來評價，從而進一步提高預警效率。