王可尊

摘 要：安全預測與安全分析能有效的揭示企業(yè)面臨的安全風險，對企業(yè)實現(xiàn)安全生產(chǎn)，提高安全意識，增加安全投入有著重要的意義。本文建立了一個基于BP神經(jīng)網(wǎng)絡的企業(yè)安全指標預測模型，以某省安監(jiān)系統(tǒng)披露數(shù)據(jù)為樣本，預測了該地區(qū)未來發(fā)生安全生產(chǎn)事故的概率。

關鍵詞：BP網(wǎng)絡；安全指標；預測

DOI：10.16640/j.cnki.37-1222/t.2018.05.114

安全是一個企業(yè)賴以生存和發(fā)展的基石，在經(jīng)濟發(fā)展的任何一個時期，安全工作都是企業(yè)不容忽視的一個方面。惡性安全事故不僅會帶來巨大的經(jīng)濟損失，對人民群眾的生命財產(chǎn)造成維修，也會產(chǎn)生隱患，影響社會的安定團結。據(jù)國家安監(jiān)局的統(tǒng)計顯示，2016年，全國共發(fā)生各類安全生產(chǎn)事故63205起，死亡人數(shù)為43062人。

近年來，隨著我國工業(yè)化和現(xiàn)代化進程的不斷加快，帶來了一線企業(yè)員工的工作環(huán)境和工作過程的改變，他們的工作模式不斷規(guī)?；?、機械化和智能化，使安全生產(chǎn)管理的難度愈加增大。在這一形勢下，通過科學發(fā)分析和可靠的預測，客觀系統(tǒng)的為企業(yè)呈現(xiàn)事故風險，有針對性的對企業(yè)提出建議，能夠引起企業(yè)的重視，加大對安全法規(guī)的認識和理解，增加安全經(jīng)費的投入，采取必要的措施，提前掌握或改善將來的安全狀態(tài)，進而達到降低事故風險，增加企業(yè)綜合競爭力的目的。出于此目的，本文建立了一個基于BP神經(jīng)網(wǎng)絡的企業(yè)安全指標預測模型對某地級市未來的安全生產(chǎn)事故發(fā)生概率進行預測。

1 BP神經(jīng)網(wǎng)絡模型概述

1.1 神經(jīng)元模型及前饋型神經(jīng)網(wǎng)絡結構

BP算法最早由P.Werbos博士在1974年提出，是迄今最為著名的多層網(wǎng)絡學習算法。由BP算法訓練的神經(jīng)網(wǎng)絡，稱為BP神經(jīng)網(wǎng)絡。單個的神經(jīng)元模型共有R個輸入，其中每個輸入都能通過一個恰當?shù)臋嘀岛拖乱粚酉噙B，在網(wǎng)絡中使用可微的單調遞增函數(shù)來進行訓練。在由多個神經(jīng)元構成的前饋型神經(jīng)網(wǎng)絡中通常有一個或多個隱層，一個典型的BP網(wǎng)絡結構里隱層的神經(jīng)元數(shù)目為S，則隱層采用S型神經(jīng)元函數(shù)logsig，具有R個輸入。隱含層里的非線性傳遞函數(shù)神經(jīng)元可以用來學習輸入/輸出之間的線性和非線性關系，輸出層神經(jīng)元的傳遞函數(shù)為purelin。

1.2 BP學習規(guī)則

BP算法決定了BP網(wǎng)絡的產(chǎn)生和訓練結果。此算法是一種監(jiān)督式的學習算法，它由信息的正向傳播與誤差的反向傳播組成。在正向傳播的過程中，輸入信息從輸入經(jīng)過隱含層逐層計算，并將結果傳向輸出層，每一層神經(jīng)元的狀態(tài)都會影響下一層。若得不到期望的輸出值，就會自動計算誤差變化值，進而轉為反向傳播，通過網(wǎng)絡將誤差信號沿通道修改各層神經(jīng)元權值直至達到期望目標。

2 企業(yè)安全指標預測的BP網(wǎng)絡設計

為了確定事故預防對策和安全預測度，需要研究安全投入與事故率和傷亡率之間的關系，這可以幫助企業(yè)安全管理人員掌握事故發(fā)生規(guī)律。影響一個企業(yè)安全系數(shù)的指標有很多，企業(yè)規(guī)模、生產(chǎn)總值、安全投入等都會對此產(chǎn)生影響。設計企業(yè)安全指標預測模型時，應充分體現(xiàn)安全投入與百萬工時傷亡人數(shù)的關系。

2.1 確定需要預測的安全生產(chǎn)指標

本文在諸多安全指標中選取了極具代表性的百萬工時事故次數(shù)和百萬工時傷亡人數(shù)作為預測指標進行處理，分析和預測某省企業(yè)安全生產(chǎn)狀況及其發(fā)展趨勢。據(jù)查閱資料統(tǒng)計，近年某省發(fā)生安全事故與投入數(shù)據(jù)由表1所示。

2.2 BP網(wǎng)絡訓練過程

根據(jù)上表中的樣本數(shù)據(jù)，利用建立的灰色BP網(wǎng)絡組合預測模型對2017年的百萬工時事故次數(shù)及百萬工時傷亡人數(shù)進行預測。訓練及數(shù)據(jù)處理過程由下圖1所示。

經(jīng)過反復訓練實驗，最終在n取14，2n+k取27的時候，網(wǎng)絡取得了很好的擬合精度和預測精度。

2.3 預測結果及分析

網(wǎng)絡訓練完畢后，運用語句：YP=postmnmx（YP，minT，maxT）對數(shù)據(jù)進行處理，把測試樣本序列中的數(shù)據(jù)用tramnmx函數(shù)進行相同的歸一化處理后輸入模型，將得到殘差預測值。

進行反歸一化處理，得到還原后的殘差擬合及預測序列。通過計算得到模型對訓練樣本的擬合精度為96.68%，對測試樣本的預測精度為96.14%；利用殘差序列修正后的數(shù)據(jù)對樣本數(shù)據(jù)的擬合精度則能達到98.77%；模型最終的預測輸出2017年某省百萬工時事故次數(shù)為0.46，百萬工時傷亡人數(shù)為0.58，預測結果與當年公布值基本符合。

3 小結

本文介紹了BP神經(jīng)網(wǎng)絡的基本結構和原理，并針對某省2007～2016年安全事故與投入統(tǒng)計的數(shù)據(jù)基礎，建立BP神經(jīng)網(wǎng)絡預測模型，并對預測結果進行分析，結果表明：本模型可獲得較高的物流需求量預測精度及較好的預測效果。

參考文獻：

[1]高雋.人工神經(jīng)網(wǎng)絡原理及仿真實例[M].北京：機械工業(yè)出版社，2003.

[2]文新輝，牛明潔.一種基于神經(jīng)網(wǎng)絡的非線性組合預測方法[J].系統(tǒng)工程理論與實踐，1994（12）：66.

[3]飛思科技產(chǎn)品研發(fā)中心.MATLAB6.5輔助神經(jīng)網(wǎng)絡分析與設計[M]，北京：電子工業(yè)出版社，2003.