基于BP神經網絡的鐵路安全管理評價研究

孔德揚, 高磊

(西安交通工程學院 交通運輸學院， 陜西 西安 710000)

0 引言

鐵路當前安全管理系統趨向于構建人—機—環境的系統工程，但是由于客觀條件限制，人的因素所占權重居高不下，管理人員對于現場安全管控影響力巨大。

從工作現場的實際情況來看，安全管理分為兩個層面：一方面是管理人員對于作業人員的監控和管理；另一方面是作業人員對于各項作業流程的技術管理。管理人員的管理經驗和威信成為安全管理主導因素，這是多年來現場形成的特殊但是短期內無法改變的現狀，因此如何選擇管理人員成為鐵路安全管理中重點因素。同時，作業人員的性格與技能水平是安全管理中的基本條件，一般來說性格、年齡、學歷等都會成為作業人員能否安全作業的重要影響因素。加之作業人員極易受到管理人員的影響(既有積極影響也有消極影響)，人與人之間的性格相斥等原因，在有限的人員數量中選擇管理人員與作業人員的最佳構成相當困難。

近年來關于鐵路安全管理的研究成果較為豐富，黃鋼[1]在分析各類事故致因理論的基礎上，提出創建安全風險管理體系；呂峰[2]從管理與設備角度闡述了當前風險管理的問題與對策；焦文根[3]在分析現階段安全管理體系問題的基礎上，提出基于領導、分工、專業、崗位4個負責制度的責任體系標準及對策，并要求在實行過程中長期反饋、調整；楊連報等[4]分析了鐵路安全管理系統與數據的現狀按照“人——設備——環境”3個方面，給出了鐵路安全管理大數據應用的需求分析模型；李廣淵等[5]指出基層站段安全管理的主要影響因素，特別強調干部管理能力直接影響安全管理工作。上述文獻是以上層安全管理的角度，提出宏觀安全管理優化方向與手段，但在具體安全風險管理算法方面沒有過多涉及。劉永詩[6]針對鐵路集裝箱運輸創建人工神經網絡模型，對運輸過程中的風險進行評價，于辰成[7]針對高鐵中存在的風險隱患,建立適當的評價指標體系,并采用BP神經網絡方法建立模型，對高鐵進行風險評價并得出整改建議。

隨著大數據算法的流行，神經網絡模型也成為學者研究的熱點問題，主要趨勢是根據具體問題將傳統BP神經網絡經過改進或與其他方法結合后進行計算，周輝仁等[8]與Leung F H F等[9]提出了不同于現有BP訓練的遺傳算法方法的基于時間序列的預測模型；Wei Y等[10]提出了經驗模態分析法與BP神經網絡相結合的預測模型，并對客流預測取得了較好的結果。

本文在上述文獻研究的基礎上，著眼于基層安全管理的具體辦法，提出以有限個數的管理人員與作業人員組合為輸入基礎，以每日安全管理指標為輸出標準，創建BP神經網絡模型，結合烏魯木齊鐵路局集團公司管內某車站實際數據，選取最佳的班組人員組合，提升現場安全管理效率。在車務系統中，作業人員與管理人員因病假、事假等各類原因換班情況十分頻繁，因此提供了較為豐富的樣本容量。安全管理評價計算具體步驟為：① 將作業人員與管理人員是否執班生成二維輸入，作為評估指標。② 以執班期間以車站考核次數、列車發生延誤情況次數、是否發生事故作為輸出數據，并按照實際情況分為5個層級。③ 將所有數據按照8:2的比例分組，分別作為監督數據與學習數據。④ 構建并訓練BP神經網絡模型，使輸出正確率達到0.9以上。⑤ 利用隨機生成新的人員組合，挑選輸出結果最低值作為最優人員組合。

1 創建安全管理評價指標體系

鐵路安全風險與眾多因素相關，通過設備、環境與人三方面因素分別進行分析。

(1) 設備因素分析

現階段普速線路與車站段一般采用的計算機集中聯鎖設備、自動閉塞設備、機車LKJ、STP設備等，高速線路與車站還增加CTC分散自律調度集中設備、CTCS列車運行控制設備，但對于規模較大、高速與普速混合的車站仍采用非常站控模式組織列車，列車駕駛方面也沒有完全實現無人駕駛，甚至部分線路、車站由于資金、作業量等因素仍然沿用6 502等老舊設備。設備的多樣化造成各站作業標準、管理辦法沒有統一標準，甚至不同型號設備之間存在技術銜接矛盾。總體來說，設備自動化程度越高，安全風險越低。

(2) 環境因素分析

鐵路系統各站、段作業環境與間休環境已經有了巨大改善，本文所強調的是內部控制環境，一般包含職業道德、員工的勝任能力、管理理念和經營風格、組織結構、權利和責任的分配、人力資源政策與措施等。目前鐵路內部控制環境與職工、干部需求明顯不匹配，導致部分干群關系緊張，職工隊伍不夠穩定、流動性較大，造成嚴重違章與事故頻繁發生。經過多年的科學管理，整體事故率有了明顯的降低，但是在作業關鍵環節，問題仍然反復發生。

整體環境的改變，需要長期深入改革，在作業人員與作業人員、管理人員與作業人員之間建立足夠的信任度。

(3) 人為因素分析

由于鐵路系統現階段沒有完全擺脫對于人員的依賴，受限于設備自動化程度不高，人員對鐵路安全風險的影響程度較高，以編組站為例，全路除蘇家屯等少數高度自動化車站外，其余車站的接發車、調車、貨運檢查以及車輛技術檢查等技術作業均需要人員下達具體計劃并執行，造成作業質量不夠穩定，安全問題頻繁發生。此外車站班組內部人員關系涉及多方面因素，值班站長多是依靠管理經驗與威信對班組人員進行管理，因性格相斥、作業習慣等因素造成作業中效率低下甚至故意拖延的情況成為管理中的頑疾。

綜上所述，綜合比較分析設備、環境與人為因素，本文選取人為因素進行具體分析，針對作業人員與管理人員的班組人員組合進行優化。

1.1 評估指標建立

鐵路車站按照四班制輪換，單組評估指標按照一班班組人員出勤情況建立，出勤取值為1，反之取0，如表1所示。

表1 安全評估指標示例表

由表1可知，評估指標為0-1標簽數據，長度是全站所有班組人員人數，表示作業人員2、3、5與管理人員1出勤。

1.2 評價指標建立

(1) 創建模型

結合現場實際安全卡控項點，創建鐵路運輸安全管理模型，如式(1)。

Mi=min{m1+m2+m3}

(1)

式中，Mi為在第i個班中鐵路運輸安全管理指標；m1為列車作業延誤次數指標；m2為考核次數指標，m3為發生事故次數指標。

在m1、m2、m3三個指標中，m1延誤列車為最輕微的情況，一般不會引起嚴重安全問題，每發生一次記數1；m2考核指標分為“紅線”考核、A類考核、B類考核以及C類考核，嚴重程度依次降低，為便于計算發生“紅線”考核記數20，發生A類考核記數10，發生B類考核記數5，發生C類考核記數2；m3事故次數是最為重要的安全管理指標，每發生1次記數為100。

(2) 評估指標層次建立

按照《車務段安全管理系統》中的分類標準，將班組評價指標劃分為4個層次，對應各個安全管理指標區間，具體為：Mi取值[0,20]評價為標準化班組，取值[21,40]評價為良好班組，取值[41,60]評價為達標班組，取值[61,+∞]評價為未達標班組。

2 BP神經網絡模型

2.1 BP神經網絡原理

BP神經網絡是一種基于神經元感知機理的誤差反向傳播的前饋性神經網絡，誤差反向傳播的前饋性神經網絡，層與層之間采用全連接結構，而每層之間的神經元之間不連接結構，如圖1所示。

圖1 BP神經網絡結構圖

2.2 BP神經網絡計算步驟

參考BP神經網絡相關理論[11-14]，建立適合安全管理評價的計算步驟。

Step 1：神經網絡初始化。使用高斯分布初始化神經網絡各層權重矩陣ω與偏置向量b，確定參數倍數值。

Step 2：數據正向輸入。隨機選取l組數據組成批量輸入數據矩陣Xl，輸出數據矩陣Yl，通過神經網絡各層計算，如式(2)。

Yl=h(σ(xl×ωp+bp))

(2)

式中，ωp為第p層參數矩陣，bp表示第p層偏置向量，σ(x)為激活函數。當p為輸出層時，h(x)=x；當p為輸入層或隱藏層時，h(x)分類概率函數。

Step 3：計算輸出誤差。選用交叉熵誤差函數計算輸出值與監督數據的誤差值，反向傳播公式，如式(3)。

(3)

式中，E′為反向傳播誤差，tl表示l組0-1標簽監督數據向量。

Step 4：利用誤差值對隱藏層與輸入層權重與偏置反向求偏導數，與學習率相乘，對參數矩陣進行更新。

隱藏層參數誤差，如式(4)、式(5)。

(4)

(5)

式(4)中，XΤ為X的轉置矩陣。更新神經網絡各層參數，如式(6)、式(7)。

(6)

(7)

Step 5：重復Step 2—Step 4。

3 實例計算

3.1 數據來源

選取2018年3月1日至2018年10月1日烏魯木齊鐵路局集團公司管內某車站考勤表中記錄的人員組合、評價標準作為樣本數據。

全站職工、干部共計23人，分為6組，各工種內部人員數量需要符合執班要求，如表2所示。

表2 車站人員分布于執班人數要求表

樣本共計190組，每組評價指標取該班組執班期間平加權均值，部分數據，如表3所示。

3.2 參數設定

由于本模型是關于車站工作人員出勤組合問題，因此輸入數據為0-1二維數據無需正規化處理。經過多次測試計算，確定具體參數為：mini-batch的l值取8，激活函數使用RELU函數，輸入層神經元個數設定為23個，隱藏層43個，輸出層4個，參數倍數值取0.3，學習率取值0.08。

3.3 計算結果

選取149組為學習數據，剩余41組為測試數據。利用python3.7編程進行計算，經過1 500次迭代，訓練數據識別率為0.932 9，測試數據識別率為0.926 8，利用matplotlib函數生成正確率迭代圖，如圖2所示。

圖2 訓練-測試數據正確率迭代圖

在迭代1 200次以后訓練數據與測試數據基本處于最優狀態，測試數據正確率達到期望值0.9。但是由于個別極端數據對權重影響較大，造成測試數據正確率未達到0.95。

3.4 最佳人員組合

BP神經網絡模型預測正確率達到0.926 8，可信度較高。因此根據訓練完畢的BP神經網絡反向計算，尋找車站4個班組最佳班組人員組合。按照同一工種人員不重疊的原則，隨機生成500組各班人員組合，班組安全管理指數與評價等級最優情況，如表4所示。

表3 安全指管理評價指標部分樣本數據

表4 各班人員組合預測表

4 總結

樣本班組人員組合的樣本數據具有較為明顯的分類特征，經過BP神經網絡模型計算，最終預測模型準確率達0.926 8，取得了較好的效果，并根據模型提出最優人員組合。但是鑒于最佳人員組合的局限性，以及選取車站的規模，此結果仍然存在一定的偶然性。因此，本文應在以下3點進行改進。

(1) BP神經網絡雖然具備諸多優點，但是在面對不同具體問題時仍然存在兼容性問題，因此在今后的研究中應在模型選取上更加貼近鐵路安全管理的要求，例如遺傳算法與BP神經網絡相結合的GA-BP神經網絡模型，Pearson相關系數與BP神經網絡相結合的模型，支持向量機與BP神經網絡相結合的模型等等。力爭模型能夠更好的貼近現場安全管理的實際情況。

(2) 此次樣本數據體現較好的輸入、輸出的非線性關系，但是在班組人員較多的車站、樣本數據容量增加情況下就無法保證當前精度，因此可以采用2種方法進行改進：一是加入相關設備、環境、車流密度等輸入指標，爭取更為客觀的輸出結果；二是合理設置神經網絡模型的參數初始值、超參數，利用dropout等方法隨機刪除神經元，經多次計算后提升模型計算精度。

(3) 本文的數據只考慮了人員是否出勤，而對出勤人員的工作狀態、能力、經驗等并沒有具體分析，從而造成計算結果精度無法進一步提升，但是人員工作狀態、能力與經驗根據班次情況而變化，并且尚無成熟手段可以監測，因此在接下來的研究中應更多融入心理學及統計學相關內容進行綜合研究。