基于BP神經網絡的農機安全評價敏感性分析*＊

羅兵，張建敏

(1.貴州大學機械工程學院，貴陽市，550025；2.貴州輕工職業技術學院，貴陽市，550025)

0 引言

由于農業機械在使用過程中有各種不安全因素，為保障人員安全和減少財產損失，建立相關農業機械的安全評價模型顯得十分重要。目前，國內外學者對農機安全評價方法進行了一些研究。張健等[1-2]提出了關于可拓理論、集對理論和層次分析法的農機安全風險評價研究，并建立了相關農機安全風險評價指標體系。楊欣等[3]為了給農機安全風險進行預警，利用貝葉斯網絡建立了相關農機產品安全風險評價模型。以上學者對農業機械安全評價做了大量的研究，但忽略了農業機械在人—機—環境系統下的安全評價分析，也忽略了安全評價結果對方案優化與方案迭代設計的后續使用。

人—機—環境系統工程是運用系統科學的理論和系統工程方法，正確處理人、機、環境三大要素的過程。從全系統的整體性能出發，在全面考慮人—機—環境系統下，對農業機械安全評價體系進行系統的構建。劉宏等[4]通過分析農機安全事故，將農機安全事故影響分為人、農機、作業環境因素。A S X等[5]運用人—機—環境系統工程理論分析了煤礦的安全狀況，通過定性和定量的評價體系，能有效地預防煤礦事故的發生。

BP神經網絡作為一種非線性運算方法，能夠將安全評價指標與安全測試進行精確的描述并作為樣本進行學習與訓練，建立安全評價指標與安全測試的BP神經網絡的映射模型。張兵等[6]根據泵故障數值建立BP神經網絡，對數據進行歸一化處理，通過數據仿真和驗證，訓練神經網絡模型來預測泵故障；郝志勇等[7]通過收集吸運風機故障征兆和對應故障類型，采用BP神經網絡對收集的吸運風機故障類型和應對措施建立映射模型，并結合模糊神經網絡對風機進行故障診斷。鄧錚強[8]利用BP神經網絡和遺傳算法，建立了基于遺傳神經(GA-BP)的網絡施工升降機安全評價模型，并結合實例驗證了模型的可靠性和準確性。

為了將安全評價預測結果運用于實際生產與方案設計中，引入敏感性分析。敏感性分析是一種可以將模型中的輸入變量和輸出變量按重要程度進行定量描述的方法，用于研究和預測模型中某些指標變動時對整體輸出值的影響程度[9]。一般用于經濟和工程領域，但近幾年，產品方案設計引入敏感性分析。李靜等為指導產品方案優化，提出基于產品生命周期評價敏感性分析方法[10]。Ryan等[11]建立了基于有效性函數的敏感性分析模型，構建了產品設計參數與功能之間的敏感性關系，優化了工程系統概念設計階段的分析。唐林等[12]通過分析設計參數對轉動架固有頻率和屈曲強度的靈敏度，建立了BP神經網絡的數學模型，以提高轉動架的穩定性，為轉動架后續設計和優化提供了一定的借鑒。

本文在農機人—機—環境系統安全評價指標體系的基礎上，通過BP神經網絡分析農機安全誤差，并得到各層優化后的權值，采用Tchaban算法計算得到相關農機安全評價結果的敏感性系數，以便在農機投入生產前優化方案設計，在使用過程中進行安全分析，也為之后產品迭代設計指出改進方向。

1 農機安全評價敏感性分析模型

圖1揚示為農機安全評價敏感性分析模型，主要概括為四個階段。第一階段：通過對人—機—系統分析，建立科學、實用性強的農機安全風險評價指標體系，根據評價體系和對行業人員的建議和意見確定對應的指標；第二階段：對采集好的安全評價數據，利用BP神經網絡進行學習和訓練，達到相關誤差精度時，計算出相關誤差值；通過BP神經網絡的學習和訓練，能形成計算機對農機安全量化評估的系統方法，避免了人為經驗性誤差。第三階段：從訓練好的BP神經網絡中，提取依次輸入層、隱含層與輸出層之間的連接權值，采用Tchaban算法計算相關安全指標的敏感性系數。第四階段：通過對敏感系數分析，確定主要貢獻因素，為方案優化與產品迭代設計提供設計指導方向。

圖1 BP神經網絡映射模型Fig.1 BP neural network map model

安全評價標準是對人—機—環境系統進行體系劃分進行分項評價，評價體系具體劃分到農機的每個部件或操作步驟規范，目的在于讓參與數據采集人員能系統科學地對指標進行量化評定，得到指向性的安全評價數據，本文的安全評價標準包括：操作人員、管理人員、維修人員、基礎構建、傳動系統、電氣系統、安全裝置、安全測試、作業空間、人機工效等指標。

BP神經網絡的網絡結構由輸入層、隱含層和輸出層組成三層組成，相鄰層的神經元通過權值和閾值連接,增加層數可以提高精度并減小誤差，也會讓網絡復雜化，由于三層神經網絡具有良好的函數逼近功能、結構易于設計、可操作性強，本文的農機評價體系設置為3個結構，應用三層BP神經網絡；通過神經元的數量可以提高誤差精度，本文通過多次計算推導，將隱含層神經元定為10。

Tchanban算法又稱為權積法，是利用神經網絡各層之間的連接權值進行敏感性計算的方法，通過Tchaban算法對農機各項安全指標進行敏感性分析，可以得到各項安全指標對安全測試要素的貢獻值，判斷出安全指標對農機安全的影響大小。

敏感性系數反映了各項指標對與安全測試影響，設計者能在設計前根據此參數能對各個指標進行對應重要性的考量，并在設計優化過程中具有重要指導意義。

2 人機環境系統下農機安全評價體系

目前農機安全系統存在諸多影響因素，且影響程度不同，建立科學、實用性強的農機安全風險評價指標體系，需要滿足系統性、專業性、科學性、相對獨立性和可操作性等5個原則[13]。由于影響農業機械安全的因素較多，其中各因素之間由處于不同的層次和領域，翟國棟[14]從人、機、環境分析了煤礦生產的安全性，在此前人機環境系統研究的基礎上，進一步規范了人機環境安全評價指標體系，增強進行安全評價的科學性和實用性。張建等[15]在農用車輛安全風險態勢評估中利用以人、車、環境為主體的3個一級指標和以駕駛員操作規范等6個二級指標構建了農用車輛安全風險態勢評價體系。

根據此前人機環境系統研究，本文農機安全評價體系中“人”是指綜合涉及農機運行的揚有人員，包括操作人員、管理人員和維修人員等；“機”指構成農機的設備系統和運行步驟，包括基礎部件、傳動系統、電氣系統、安全裝置、安全測試等；環境指農機運行的環節，包括作業空間和人機工效等，為了系統科學的研究農機的人—機—環境各個因素對農機安全的影響，按人、機、環境三個一級指標拆分為各對應指標10個二級評價指及其相對應的三級指標(表1)。

表1 人機環境系統的農機安全評價體系Tab.1 Safety evaluation system of agricultural machinery based on man-machine environment system

在與農機相關專家和管理人員廣泛交流后，吸取其建議和意見，經修改和完善，形成農機的安全評價指標體系。

3 基于BP神經網絡與敏感性分析

3.1 BP神經網絡

將農業機械安全評價體系中的二級指標B1、B2、B3、B4、B5、B6、B7、B9、B10作為網絡輸入X，為了得出各個二級指標對安全評價的影響，將安全評價B8作為網絡輸出Y，Y的計算和界定在3.1.3 節說明。

以某農機廠的某型號農業機械作為調查研究對象，本次參與數據采集的有質檢員4名，現場操管人員10名(操作和管理人員)，設計職員6名(工程設計職員4名，工業設計職員2名)，共計20位人員。根據人—機—環境系統下農機的安全評級指標進行評分。

表2 評分數據采集表Tab.2 Scoring data collection form

3.1.1 BP神經網絡的層數及各層神經元數

BP神經網絡是一種廣泛使用的前向型神經網絡模型，當涉及不同的影響時，可以得到變化對分析目標的影響。增加層數可以提高精度并減小誤差，但也會使網絡復雜化，從而增加網絡權值的訓練時間。提高神經元的數量可以道道提高誤差精度的目的，并且訓練效果比增加層數更容易觀察和調整。通常優先考慮增加隱含層中神經元數。由于三層神經網絡具有良好的函數逼近功能，且結構易于設計，可操作性強。由于本文的農機評價體系設置為三個結構，揚以采用三層BP神經網絡。

由于農機的安全評價指標共有10項，其中9項設為輸入，1項設為輸出。那么輸入層神經元個數為n=9，輸出層神經元個數為m=1。然而，隱含層神經元個數選取多少恰當，目前在理論上還沒有一個明確的規定。一種是嘗試訓練不同神經元數的方法，然后選取最合適的網絡。通過式(1)來選取神經元的個數。

式中：s——隱含層神經元數；

n——輸入層神經元數；

m——輸出層神經元數；

a——經驗值，1≤a≤10。

為了保證隱含層的神經元達到精度揚需要的數量，通常取a＞5，當取6～10時，隱含層神經元的數量為(9≤s≤13)。通過多次反復試驗，將隱含層神經元定為10，神經網絡結構為9-10-1，如圖2揚示[16]。

圖2 BP神經網絡映射模型Fig.2 BP neural network map model

3.1.2 樣本歸一化

由于系統是非線性的，初始權值將極大地影響學習是否達到局部最小值，是否可以收斂，以及訓練時間的長短。如果初始值數據間相差太大，則加大了系統訓練時調節權值和閾值的難度，因此需對樣本數據進行歸一化處理，如式(2)揚示。

式中：x——歸一化前的數值；

x′——歸一化后的數值；

xmax——同一指標下的最大值；

xmin——同一指標下的最小值。

3.1.3 安全等級界定

經過網絡的訓練學習，可以從網絡的輸出得到農機安全風險的評價值。為了更加明確農機的安全度，確定神經網絡的輸入向量為X，農機安全評價的輸出為Y，則：0.85≤Y≤1.0，農機安全狀況很好，屬于本質安全型；0.70≤Y＜0.85，農機安全狀況較好，屬于安全型；0.60≤Y＜0.70，農機安全狀況一般，屬于基本安全型；0.30≤Y＜0.60，農機安全狀況較差，屬于臨界安全型；0≤Y＜0.30，農機安全狀況極差，屬于不安全型。

將采集的20個樣本評價數據分為11個訓練集和9個測試集，運用BP神經網絡對訓練集中的數據進行學習，將學習后的BP神經模型應用于測試集，映射安全指標與安全測試因素之間的關系，采用MATLAB高級語言程序實現算法[17]。

為了縮短MATLAB網絡訓練時間，將采集的安全評分數據映射到[-1,1]區間，采用y=x/100即可符合要求。將訓練集的安全指標和安全測試作為輸入進行訓練，以建立滿足誤差精度要求的BP神經網絡。其中輸入層激活函數：tagsig，輸出層激活函數：logsig，訓練函數：trainscg，最多顯示訓練步數：50，最大訓練次數：5 000，學習率：0.001，梯度目標值：0.000 001，誤差目標值：0.000 1[18]。

將測試集中的樣本輸入到訓練好的BP神經網絡中，通過前饋計算得到農機的安全測試預測值。圖3揚示為安全測試指標預測值與實際值的對比結果，安全指標對應輸入層神經元指標。

由圖3中上部線條可知實際值與預測值趨勢基本保持一致，下部折線表示誤差值，可見變動幅度不大，說明預測結果與實際情況較符合。輸出的樣本數據Y分布在0.70≤Y＜0.85，說明農機安全狀況較好，屬于安全型。

圖3 安全評價指標敏感性分析Fig.3 Sensitivity analysis of safety assessment

3.2 基于Tchaban算法的敏感性分析

在自主學習與誤差分析之后，BP神經網絡模型達到誤差精度要求，進而從中依次提取輸入層、隱含層和輸出層各層之間的連接權值。

通過Tchaban算法，對安全指標進行敏感性分析，得到相關安全指標對安全測試要素的貢獻值[19-24]。

式中：xi——網格輸入參數；

yr——安全評價網絡輸出參數；

Qir——輸入參數xi對輸出參數yr的敏感系數；

ωij——輸入層層與隱含層之間的連接權值；

ωjr——隱含層與輸出層之間的連接權值；

n——輸入層單元數[10]；

s——隱含層單元數[10]；

m——輸出層單元數[10]。

按式(3)的計算方法，即可得到不同輸入參數對輸出參數的貢獻值。

3.3 討論

從表3中可以看出，敏感系數最大的安全指標依次是維修人員、電氣系統系數、作業空間，這從農機安全角度來分析是合理的，即決定農業機械安全的主要因素是農機維修人員、電氣系統和作業空間。根據敏感性分析的結果，可以調整影響農業機械安全指標的輸入參數，以優化方案設計，如加強維修人員的基本能力、增加農機電氣系統自動監測、改善作業空間、優化人機工效參數等。

表3 敏感性分析結果Tab.3 Sensitivity analysis results

通過輸入參數對輸出參數貢獻值分析，可以反應出對與安全影響較大的敏感性因素，并將這些影響值反饋給設計者，從而幫助設計者在產品投產前進行方案優化以及對之后產品迭代設計給出方向。根據各指標的敏感性貢獻值，為了提高維修人員的工作效率，在工程設計時要整體考慮農機的總體結構和主要參數，實現模塊化，集成化，另外對方案設計產品設計提出要改善作業空間、優化人機工效參數。

4 結論

1)通過對農機的人—機—環境系統分析，將人、機、環境三個一級指標拆分為各對應的B1到B10等10個二級評價指及其相對應的三級指標，根據評價體系和對行業人員的建議和意見確定對應的指標，以某農機廠的某型號農業機械作為調查研究對象進行安全評級指標評分。

2)根據農機評價體系結構確定BP神經網絡為3層，通過嘗試訓練不同神經元數的方法，選取最合適的神經網絡，將BP神經網絡結構選取為“9-10-1”型，對20組樣本數據進行歸一化處理，經過神經網絡的訓練學習，輸出得到農機安全風險的評價值，農機安全風險值的分布在0.70≤Y＜0.85，表明農機安全狀況較好，屬于安全型。

3)通過計算得到農機的安全測試預測值并與實際值進行比對，并計算出相關誤差值，經過比對，實際值與預測值趨勢基本保持一致，變動幅度不大，說明預測結果與實際情況較符合，BP神經網絡模型達到誤差精度要求。

4)通過自主學習與誤差分析之后，依次提取輸入層、隱含層和輸出層各層之間的連接權值，通過Tchaban算法敏感性分析找出貢獻值較大的指標，較大的安全指標為維修人員B3（敏感系數為2.42%）、電氣系統B6（敏感系數為2.28%）、作業空間B9（敏感系數為2.05%），設計者可以從敏感系數指標結果中為方案設計提出指導優化，同時為該產品迭代設計提出方向。