楊麗華，劉欣星

（湖北汽車工業(yè)學(xué)院 經(jīng)濟管理學(xué)院，湖北 十堰442002）

在我國石油工業(yè)化進程中，國家戰(zhàn)略性原油儲備的實施導(dǎo)致油庫大型儲油罐的發(fā)展，而油氣儲備量的增加必然使油庫儲油規(guī)模和數(shù)量大幅增加。由于成品油屬于易燃易爆品在庫區(qū)里最重要的就是安全問題，一旦發(fā)生爆炸后果不堪設(shè)想。這使得及時發(fā)現(xiàn)異常和有效的預(yù)防變得格外的重要。

石油化工這樣一個生產(chǎn)、運輸、儲存易燃易爆品的行業(yè)很容易發(fā)生火災(zāi)事故并且有著惡劣的影響，所以安全監(jiān)測和預(yù)測顯得尤為重要，神經(jīng)網(wǎng)絡(luò)作為人工智能的一種體現(xiàn)，依靠其高度的并行結(jié)構(gòu)和實現(xiàn)能力，具有高效率尋找最優(yōu)解的能力，能夠發(fā)揮計算機的高速運算能力，很快地找到優(yōu)化解。根據(jù)神經(jīng)網(wǎng)絡(luò)模擬人的思維有助于非線性處理的特性。通過對大量已知數(shù)據(jù)的學(xué)習(xí)，訓(xùn)練出一個具有能夠基本滿足全部數(shù)據(jù)規(guī)律的特定的神經(jīng)網(wǎng)絡(luò)。

本文以國內(nèi)某油庫為應(yīng)用對象，搜集數(shù)據(jù)，嘗試運用神經(jīng)網(wǎng)絡(luò)算法中的BP算法建立神經(jīng)網(wǎng)絡(luò)來研究油庫儲油安全問題，其中包括對影響油庫儲油安全因素的定性和定量的分析，同時對改進后的BP算法作了簡要對比，從中選擇較優(yōu)的算法，最后用MATLAB建模實現(xiàn)神經(jīng)網(wǎng)絡(luò)，分析油庫儲油安全問題。將神經(jīng)網(wǎng)絡(luò)算法運用到儲油安全的監(jiān)測和預(yù)測中是現(xiàn)實技術(shù)進步的必然，有著實用價值。

1 BP神經(jīng)網(wǎng)絡(luò)模型簡介

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN），亦稱為神經(jīng)網(wǎng)絡(luò)（Neural Networks，NN），是由大量處理單元（神經(jīng)元Neurons）互連而成的網(wǎng)絡(luò)，是對人腦的抽象、簡化和模擬，反映人腦的基本特性。

BP（Back Propagation）網(wǎng)絡(luò)在結(jié)構(gòu)上類似于多層感知器，是一種多層前饋神經(jīng)網(wǎng)絡(luò)。在網(wǎng)絡(luò)訓(xùn)練中，調(diào)整網(wǎng)絡(luò)權(quán)值的訓(xùn)練算法是誤差反向傳播學(xué)習(xí)算法，即BP學(xué)習(xí)算法，該算法是Rumelhart等在1986年提出的。由于結(jié)構(gòu)簡單，可調(diào)參數(shù)多、訓(xùn)練算法多、可操作性好，近年來廣泛應(yīng)用于模式識別、預(yù)測評估等領(lǐng)域［1］。據(jù)統(tǒng)計，80%～90%的神經(jīng)網(wǎng)絡(luò)模型采用BP網(wǎng)絡(luò)或其變化形式。

1）BP神經(jīng)網(wǎng)絡(luò)模型

與一般的人工神經(jīng)網(wǎng)絡(luò)一樣，構(gòu)成BP網(wǎng)絡(luò)的神經(jīng)元仍然是神經(jīng)元，其網(wǎng)絡(luò)模型見圖1。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型

按照BP算法的要求，這些神經(jīng)元所用的激活函數(shù)必須是處處可導(dǎo)的。一般都使用S型函數(shù)。對一個神經(jīng)元來說，它的網(wǎng)絡(luò)輸入可表示為

式中x1，x…，xn——神經(jīng)元所接受的輸入；

w1，w2…，wn——神經(jīng)元對應(yīng)的連接權(quán)值。該神經(jīng)元的輸出為

2）BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程

標(biāo)準(zhǔn)BP算法是基于梯度下降法的學(xué)習(xí)算法，學(xué)習(xí)過程是通過權(quán)值和閥值，使輸出期望值和神經(jīng)網(wǎng)絡(luò)實際輸出值的均方誤差趨于最小而實現(xiàn)的，但是它只用到均方誤差函數(shù)對權(quán)值和閥值的一階導(dǎo)數(shù)（梯度）的信息，使得算法存在收斂速度緩慢、易陷入局部極小等缺陷［2］。

2 影響油庫儲油安全的因素分析

油庫儲油安全事故其中包含了一般事故的各種特點比如隨機性、隱藏性和可預(yù)防性。調(diào)查顯示，油庫儲油安全事故的發(fā)生是由環(huán)境、人、油罐構(gòu)成的系統(tǒng)中因素不協(xié)調(diào)變化所導(dǎo)致的［4］。下面將從影響油庫儲油安全的人為因素、環(huán)境因素、罐體因素分析說明：

1）人為因素

在安全行為學(xué)里描述為個人行為，個人行為取決于個人因素（心理因素和生理因素）、環(huán)境因素及遺傳因素［3］。人為因素中心理素質(zhì)、生理素質(zhì)、工人的工齡、管理措施、安全教育都會對油庫儲油安全產(chǎn)生影響。按5種因素的重要性從大到小排序：工齡＞心理素質(zhì)＞管理＞安全教育＞生理，雖然心理因素重要，但是由于無法量化所以僅選擇工齡作為衡量員工的綜合標(biāo)準(zhǔn)。根據(jù)實際情況結(jié)合現(xiàn)有的工作人員的信息可將工齡對安全的影響歸納見表1。

表1 平均工齡對危險系數(shù)的影響

2）環(huán)境因素

油品儲藏屬于易燃易爆物品儲藏，對溫度和點火源的控制要非常到位。結(jié)合歷年來油罐火災(zāi)事故的統(tǒng)計結(jié)果，在環(huán)境因素中，鑒于風(fēng)對油罐儲油安全的影響較小，所以選擇影響大而且可以量化的高溫時間和閃電密度作為指標(biāo)。具體內(nèi)容見表2～3。

表2 高溫時間對系數(shù)的影響

表3 閃電密度對系數(shù)的影響

3）罐體因素

容量、油溫、液位高度和壓強是油罐的主要參數(shù)。根據(jù)實際的罐體數(shù)據(jù)，將危險程度分為幾個危險等級如表4所示。

表4 液位高低對系數(shù)的影響

罐內(nèi)正負壓差是罐體采集的幾個重要數(shù)據(jù)之一，內(nèi)浮頂罐較低的負壓易造成氣體揮發(fā)，反映出的正負壓差也變大。油罐內(nèi)基本正壓2.0 kPa，基本負壓0.5 kPa。按照正負壓差影響大小如表5所示。

表5 正負壓差對系數(shù)的影響

通過對儲油安全方面存在影響的各種人為因素，環(huán)境因素，罐體本身因素的作用進行了科學(xué)的分析選擇，最后取其中5個可以量化且重要的要素作為本次課題研究的輸入樣本的取樣對象，即平均工齡、高溫時間、閃電密度、液面高度和正負壓差。

3 BP神經(jīng)網(wǎng)絡(luò)的MATLAB實現(xiàn)

3.1 BP神經(jīng)網(wǎng)絡(luò)參數(shù)的確定

MATLAB是一個基于矩陣運算的快速解釋程序，它交互式地接受用戶輸入的各項命令，輸出計算結(jié)果。MATLAB軟件為神經(jīng)網(wǎng)絡(luò)理論的實現(xiàn)提供了一種便利的仿真手段。

神經(jīng)網(wǎng)絡(luò)的建立首先考慮框架結(jié)構(gòu)的建立：網(wǎng)絡(luò)的層數(shù)、每層神經(jīng)元個數(shù)。本文采用的是有一個隱含層的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該BP神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元個數(shù)由影響儲油安全因素的多少來決定，根據(jù)上面確定的5個重要因素，有5個神經(jīng)元：平均工齡、高溫時間、閃電密度、液面高度和正負壓差。預(yù)測結(jié)果按照參數(shù)的大小作用可分為參數(shù)異常、爆炸、起火、安全。

為了方便計算對比，將所收集的原始數(shù)據(jù)做了歸一化處理保存在*.txt文件里調(diào)用。網(wǎng)絡(luò)權(quán)值的初始化常使用2種方法：取足夠小的初始權(quán)值或使初始值為+1和－1的權(quán)值數(shù)相等［5］。權(quán)值變化量的不同取決于學(xué)習(xí)速率的大小，學(xué)習(xí)率高則變化量大，學(xué)習(xí)率過小則變化量小。學(xué)習(xí)速率過小會大幅提高訓(xùn)練時間，收斂速率很慢，但是能保證趨于最小值，所以一般選擇較小的學(xué)習(xí)速率來保證系統(tǒng)的穩(wěn)定性。學(xué)習(xí)速率一般應(yīng)選在0.01～0.7之間。在多次試驗的基礎(chǔ)上，在保證了網(wǎng)絡(luò)收斂速度的基礎(chǔ)上，為了提高穩(wěn)定性根據(jù)訓(xùn)練情況定為0.01。

實踐證明，隱含層節(jié)點數(shù)目對神經(jīng)網(wǎng)絡(luò)的性能有一定的影響。隱含層節(jié)點數(shù)較少時，雖然在處理大量數(shù)據(jù)時很快，但是網(wǎng)絡(luò)復(fù)雜程度低，學(xué)習(xí)的能力有限，不足以儲存訓(xùn)練樣本中蘊含的所有規(guī)律；而隱含層節(jié)點過多不僅會增加網(wǎng)絡(luò)訓(xùn)練時間，同時也會將樣本中非規(guī)律性的內(nèi)容如干擾和噪聲存儲進去，反而降低泛化能力。一般情況先是采用湊試法，先由經(jīng)驗公式

確定，其中m為隱含層節(jié)點數(shù)，n為輸入節(jié)點，l為輸出節(jié)點，α為調(diào)節(jié)常數(shù)，在1～10之間。改變

用同一樣本集訓(xùn)練，在結(jié)合誤差精度和速度的基礎(chǔ)上確定對應(yīng)的隱含層節(jié)點數(shù)。為了更好地作對比，這里選擇在編程中采用收斂比較慢的傳統(tǒng)梯度下降法作訓(xùn)練的循環(huán)模式來調(diào)用不同隱含層變量值進行運算比較。圖2中，橫軸為調(diào)節(jié)常數(shù)，在1～10之間，縱軸為訓(xùn)練的標(biāo)準(zhǔn)差。算法的運算次數(shù)如表6所示。

圖2 標(biāo)準(zhǔn)差

表6 不同調(diào)節(jié)常數(shù)取值下算法的運算次數(shù)

本課題考慮到收斂速度和誤差精度情況將隱含層節(jié)點數(shù)定為9（3+6）。

3.2 改進BP算法的對比研究

標(biāo)準(zhǔn)的BP算法采用的是最速梯度下降法來修正權(quán)值，但是該方法訓(xùn)練過程中存在收斂速度緩慢、易陷入局部極小等缺陷。為了克服其不足，出現(xiàn)了許多改進算法［1］。本課題采用收集到的數(shù)據(jù)對各種常見的改進算法一一對比。

1）采用基本的最速梯度下降法，訓(xùn)練過程見圖3，其顯著的特點就是收斂速度慢，矩陣標(biāo)準(zhǔn)誤差為0.15218。

2）學(xué)習(xí)率可變的BP算法，結(jié)果見圖4，曲線出現(xiàn)鋸齒不平滑說明收斂的過程中收斂速度變化大，由此可見學(xué)習(xí)率對收斂速度影響很大。矩陣標(biāo)準(zhǔn)誤差為0.19367。

3）動量可變BP算法，結(jié)果見圖5，相比上面兩種算法動量可變算法曲線流暢有明顯的起伏變化且相對訓(xùn)練時間較長，說明動量可變是在穩(wěn)定中求變化有較強的適應(yīng)性。矩陣標(biāo)準(zhǔn)誤差為0.14366。

4）用于動量可變與學(xué)習(xí)率可變相結(jié)合的BP算法，結(jié)果見圖6，矩陣標(biāo)準(zhǔn)誤差為0.18063，從圖6中看到訓(xùn)練過程很快而且曲線基本平滑無鋸齒，說明結(jié)合動量可變和學(xué)習(xí)率可變的算法在很大程度上提高了訓(xùn)練速度和穩(wěn)定性。

5）擬牛頓BP算法，結(jié)果見圖7，可看出明顯特點是運算時間短且容易達到高精度要求，矩陣標(biāo)準(zhǔn)誤差為0.14417。由此可見擬牛頓算法在一定程度上提得高了收斂速度而且精度較高。

6） 麥夸特（L－M）算法，結(jié)果見圖 8，矩陣標(biāo)準(zhǔn)誤差為0.14018，從圖8中可以看出整個曲線下降很快而且達到很小的誤差均方差。說明LM算法的收斂速度特別快，精度高。

通過各種算法比較見表7，LM算法明顯在誤差精度和收斂速度優(yōu)于其他算法，符合儲油安全預(yù)測的基本要求，故選擇LM算法。

圖3 最速下降訓(xùn)練過程

圖4 學(xué)習(xí)率可變訓(xùn)練過程

圖5 動量可變訓(xùn)練過程

圖6 學(xué)習(xí)率可變和動量可變訓(xùn)練過程

圖7 擬牛頓訓(xùn)練過程

圖8 LM訓(xùn)練過程

表7 算法比較

3.3 BP神經(jīng)網(wǎng)絡(luò)在油庫安全中的具體應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)所需的原數(shù)據(jù) （0代表該事件不會發(fā)生，1代表該事件發(fā)生）見圖9，對其歸一化后得到的數(shù)據(jù)見圖10。訓(xùn)練過程見圖11。

取10組專家預(yù)測好的油庫的相關(guān)數(shù)據(jù)進行模型的測試，樣本數(shù)據(jù)見圖12。結(jié)果見表8。

其中第6～8組通過神經(jīng)網(wǎng)絡(luò)預(yù)測出的結(jié)果同專家判斷不同，準(zhǔn)確率是70%，效果一般，這可能是由于數(shù)據(jù)較少的原因造成，矩陣標(biāo)準(zhǔn)誤差2.5439。

圖9 訓(xùn)練數(shù)據(jù)

圖10 歸一化后數(shù)據(jù)

圖11 訓(xùn)練過程

圖12 專家預(yù)測數(shù)據(jù)

4 小 結(jié)

通過對影響油庫儲油安全因素的分析，同時對改進后的BP算法作了簡要對比，從中選擇較優(yōu)的算法，最后用MATLAB建模實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)，并應(yīng)用到油庫儲油安全中，能夠?qū)τ蛶斓陌踩崆斑M行預(yù)測，具有較大的實用價值。存在的問題是本課題需要大量數(shù)據(jù)來做神經(jīng)網(wǎng)絡(luò)訓(xùn)練，但實際中搜集的數(shù)據(jù)較少，這表明我國油罐安全事故確實較少，間接說明了在儲油安全方面中國做得還是不錯的。能夠把BP神經(jīng)網(wǎng)絡(luò)實際應(yīng)用到油庫儲油安全中去，是今后努力的方向。

表8 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果

［1］葛哲學(xué)，孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLAB2007實現(xiàn)［M］.北京：電子工業(yè)出版社，2007.

［2］ 張良均，曹 晶，蔣世忠.神經(jīng)網(wǎng)絡(luò)實用教程［M］.北京：機械工業(yè)出版社，2008.

［3］ 葉 龍，Mei Shen.安全行為學(xué)［M］.北京：清華大學(xué)出版社，2005.

［4］ 張振中，張維平，鄭賢斌.油罐火災(zāi)爆炸的故障樹形圖分析［J］.江漢石油學(xué)院學(xué)報，2005（6）：123－124.

［5］ 馮 定.神經(jīng)網(wǎng)絡(luò)專家系統(tǒng) ［M］.北京： 科學(xué)出版社，2006.