麻 鷹，王 瑞

(上海大學(xué) 通信與信息工程學(xué)院，上海 200444)

0 引 言

人為差錯是在民航安全中被廣泛提及的一個詞，它是指人未能按既定計劃完成規(guī)定任務(wù)，從而造成設(shè)備、財產(chǎn)損失的行為。

文中設(shè)計了一種基于深度學(xué)習(xí)算法的人為差錯評價模型，有助于加強民航企業(yè)內(nèi)部對維修人員的人為差錯的管控，降低維修中人為差錯的發(fā)生率，提高安全生產(chǎn)質(zhì)量。同時彌補了現(xiàn)階段民航企業(yè)內(nèi)部對維修人員個體人為差錯管控上存在的實時性、預(yù)測性、針對性的缺陷。

該系統(tǒng)深度學(xué)習(xí)算法的核心是通過分析人為差錯的誘因，構(gòu)建基于徑向基神經(jīng)網(wǎng)絡(luò)評價模型；首次提出慣性自適應(yīng)灰狼算法訓(xùn)練徑向基神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，從而使系統(tǒng)具有良好的實用性、準(zhǔn)確性。

1 模型構(gòu)建

1.1 輸入層/輸出層設(shè)計

評價系統(tǒng)的影響因子(輸入層)通過研究人為差錯的經(jīng)典文獻：SHEL模型、REASON模型、墨菲定理、HFACS系統(tǒng)，結(jié)合企業(yè)業(yè)務(wù)特點(東航虹橋維修基地為例)，以《航空人員的維修差錯管理》為基礎(chǔ)，提出了各層面：自身層面(M1-M4)、環(huán)境層面(N1-N4)、組織層面(X1-X4)、管理層面(Y1-Y6)共計18個影響人為差錯的因子，如表1所示。

表1 影響人為差錯的因子

系統(tǒng)的評價等級(輸出層)則主要參考東航《機務(wù)維修人員安全積分的管理辦法》：安全積分以一個自然年為周期，共計10分。發(fā)生一般維修差錯/嚴(yán)重維修差錯/維修事故癥候，根據(jù)情節(jié)的嚴(yán)重程度，扣除安全積分1分～3分/3分～7分/7分～10分；走訪東航虹橋維修基地質(zhì)量部門4名專家，以及大量在崗維修人員，最終確定見表2：將現(xiàn)有安全積分3分(含)以下定義為不安全，即容易發(fā)生人為差錯；將現(xiàn)有安全積分7分(含)以下定義為一般，即可能發(fā)生人為差錯；將現(xiàn)有安全積分7分以上定義為安全，即不容易發(fā)生人為差錯。

表2 評價等級與輸出層期望值

1.2 算法設(shè)計

(1)徑向基神經(jīng)網(wǎng)絡(luò)。

徑向基函數(shù)(radial basis function，RFB)神經(jīng)網(wǎng)絡(luò)是由J.Moody和C.Darken在80年代末提出的，它是具有單隱層的三層前饋網(wǎng)絡(luò)。由于它模擬了人腦中局部調(diào)整、相互覆蓋接收域的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，有很強的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，而且學(xué)習(xí)規(guī)則簡單，便于計算機實現(xiàn)。具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學(xué)習(xí)能力。因此，RBF神經(jīng)網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，能夠以任意精度逼近任意連續(xù)函數(shù)，特別適合于解決分類問題。

(2)灰狼算法。

灰狼算法(grey wolf optimization，GWO)是一種基于動物行為學(xué)的智能算法。其主要通過模仿狼群的社會關(guān)系，以及它們的狩獵、捕獵行為，構(gòu)建數(shù)學(xué)模型。狼群共分為4個階層，每個階層都有嚴(yán)格的階級分工：

α

狼是整個狼群的首領(lǐng)，是最高階層的狼，對狼群有著絕對的領(lǐng)導(dǎo)能力，狼群中任何狼都必須聽命于

α

狼；

β

狼是僅次于

α

狼的第二階層狼，它只聽命于

α

狼，并協(xié)助領(lǐng)導(dǎo)其余狼；

δ

狼再次之，服從

α

狼、

β

狼的領(lǐng)導(dǎo)，且只可以領(lǐng)導(dǎo)普通的

ω

狼。

圍獵行為：

(1)

狩獵行為：

(2)

(3)

式(3)分別定義了

ω

狼群中個體朝向

α

、

β

、

δ

前進的步長和方向，式(4)定義了

ω

狼的最終位置。

(4)

(3)粒子群算法(PSO)。

粒子群算法(particle swarm optimization，PSO)是受到鳥群在覓食中遷徙、聚集行為的啟發(fā)。初始狀態(tài)下，PSO是一群隨機的粒子，粒子在迭代過程中受到個體極值和全局極值的影響，使粒子向空間內(nèi)最優(yōu)解趨近并降落。

核心公式如下：

v

=

ω

·

v

+

c

·

r

(pbest-

x

)+

c

·

r

(gbest-

x

)，

x

=

x

+

v

(5)

其中，

i

=1,2,…,

N

，

N

是粒子總數(shù)；

v

是粒子速度，

r

、

r

是[0,1]的隨機數(shù)；

c

、

c

學(xué)習(xí)率為一個常數(shù)；

ω

是慣性因子，是個非負數(shù)。

1.3 算法優(yōu)化

(1)社會信息共享機制。

受粒子群算法的啟發(fā)，根據(jù)

ω

狼迭代時的更新位置受到全局最優(yōu)解(

α

、

β

、

δ

狼)的影響，建立整個狼群的信息共享交流機制。

(6)

(2)自適應(yīng)慣性因子策略。

(7)

式中，

ω

為

ω

的初始值，

ω

為

ω

的終值，

t

為最大迭代數(shù)。

綜上所述，IAHGWO算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的步驟如圖1所示。

圖1 混合灰狼算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)流程

1.4 對比仿真

通過MATLAB2018a進行仿真對比實驗，在灰狼算法原文采用的23種基準(zhǔn)函數(shù)表中分類選取其中具有代表性的基準(zhǔn)函數(shù)表(見表3)作對比。設(shè)置狼群總數(shù)30；迭代次數(shù)500，取30次仿真的平均值，圖2展示了尋優(yōu)迭代效率。

圖2 IAHGWO與標(biāo)準(zhǔn)GWO性能對比

通過比較可以明顯看出，文中提出的慣性自適應(yīng)混合灰狼算法(IAHGWO)在性能上明顯優(yōu)于標(biāo)準(zhǔn)灰狼算法，將慣性自適應(yīng)混合灰狼算法的適應(yīng)度函數(shù)設(shè)為：

圖3 混合灰狼算法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)誤差曲線

優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)誤差值如圖3所示，呈持續(xù)下降的趨勢。說明IAHGWO對RBF神經(jīng)網(wǎng)絡(luò)起到了優(yōu)化作用，使RBF神經(jīng)網(wǎng)絡(luò)的正確率從87.65%提升到了95.88%。

2 數(shù)據(jù)采集分析

以東航虹橋維修基地為例，在其內(nèi)發(fā)放問卷200份，回收173份，其中有效問卷157份，有效問卷回收率為78%。被試者的工作司齡都在2～20年間，從事一線維修工作。對采集的數(shù)據(jù)運用SPSS22進行信度和效度分析，結(jié)果如表3、表4所示，表明上述問卷采集的數(shù)據(jù)可以被采納。

表3 基準(zhǔn)函數(shù)參數(shù)

表4 信度與效度校驗參數(shù)

3 模型應(yīng)用

使用MATLAB2018a將采集的數(shù)據(jù)代入標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，結(jié)果見圖4?？梢钥闯?，RBF神經(jīng)網(wǎng)絡(luò)的誤差在第251步完成收斂。說明所構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)模型與民航維修中的人為差錯，建立了良好的非線性關(guān)系。表5為東航虹橋維修基地兩名一線維修人員的原始數(shù)據(jù)，通過IAHGWO-RBF模型計算，得到與期望值幾乎近似的數(shù)值，且與兩人實際相符，可以說該模型具有相當(dāng)強的實用性。

圖4 RBF神經(jīng)網(wǎng)絡(luò)收斂曲線

表5 原始數(shù)據(jù)計算結(jié)果

4 結(jié)束語

提出一種慣性自適應(yīng)混合灰狼算法，通過與標(biāo)準(zhǔn)灰狼算法做仿真比較，證明了該算法的優(yōu)越性。

通過慣性自適應(yīng)混合灰狼算法訓(xùn)練后RBF神經(jīng)網(wǎng)絡(luò)，誤差顯著下降，準(zhǔn)確率從87.65%提升到了95.88%以東航虹橋維修基地為例，驗證了構(gòu)建的民航維修人為差錯評價模型具有良好的實用性和準(zhǔn)確性。為后期的推廣提供了實踐基礎(chǔ)。