基于粗糙集与神经网络的电力企业员工安全等级评价模型

东北电力大学信息工程学院 张国歌 李 琳 谢 岩

1.引言

电力行业是国民经济的基础产业，它直接关系到经济发展和社会稳定。然而，电力企业员工在生产过程中，由于知识、能力与经验的不足或者心理因素等原因，为了追求某些利益，从而导致人身事故、电网事故、设备事故和火灾事故等人因事故[1]。据统计60%-70%电力生产事故是由人的失误造成的，所以减少人因失误是有效控制电力生产事故发生的关键[2-3]。

目前专门针对电力企业生产中人因失误的研究成果还不是很丰富，对电力企业生产中人的不安全行只分析了其对电力系统的影响，提出了防范不安全行为的措施，并没有对不安全行为的严重程度进行划分。另外，一些地区已经开始着手进行了员工等级的鉴定工作，但标准和方法不一致且过于简单造成了结果的不具有可比性，并且存在着评价周期长、缺乏准确性等诸多弊端。所以，需要构建统一的电力企业员工安全等级评价模型。

2.电力企业员工安全等级评价模型的设计

电力企业中现行的管理经验和方法缺乏系统性和前瞻性，管理还比较粗放，特别是员工的习惯性违章仍屡禁不止，为了从根本上提高电力企业员工的安全意识，减少人因事故的发生，本文在充分研究电企中人因失误问题的基础上，基于粗糙集与BP神经网络设计了电力企业员工安全等级评价模型，模型框架如图1所示。

评价前，首先要确定宽泛的评价属性集，然后收集数据，界定属性值语义，并对每个属性界定属性值，最后构建出属性约简决策表。构建员工属性决策表是进行员工安全等级评价的首要问题，决策表是一类特殊而重要的知识表达系统，多数决策问题都可以用决策表形式来表达。

评价中，将粗糙集作为人工神经网络的前置系统，以减少神经网络的复杂性。

评价后，为了进一步检验评价模型的性能，评价结束后要对评价结果进行仿真分析。利用相关函数对网络进行仿真，并计算输出结果和目标输出之间的误差，从而作为网络训练结果优劣的判别依据。

3.评价核心要素的提取方法

在评价过程中，为了解决人工神经网络当输入的信息空间维数较大时，网络结构复杂和训练时间长的问题，所以在这里使用粗糙集作为神经网络的前置系统[4]。

3.1 连续属性的离散化方法

粗糙集理论对决策表进行处理的数据必须是离散值，因此，在利用粗糙集理论的属性约简功能对人工神经网络的输入端进行简化之前，基于切割和布尔理论，将所有连续属性值进行离散化处理，布尔函数f如公式(1)所示：

其中：

3.2 属性约简算法

粗糙集的属性约简就是指在保持原始决策表条件属性和决策属性之间的依赖关系不发生变化的前提下删除冗余的属性和属性值[5]。粗糙集的属性约简算法有很多种，本文使用的是基于区分矩阵的约简算法。算法具体如下：

（3）含量测定：根据“2.3.1（1）”项色谱条件，样品中乌头碱和脱氧乌头碱分别为6.484 8、0.268 5 mg/g（n＝3）。乌头碱和脱氧乌头碱随着炮制时间的变化曲线如图10所示。

表1 电力企业员工安全等级评价指标

图1 电力企业员工安全等级评价模型框架图

图2 BP神经网络的拓扑结构

图3 网络训练结果

(1)计算区分矩阵，将区分矩阵的核赋给约简后的集合；

(2)找出不含和指标的指标组合；

(3)将不包含和指标的指标集表示为合取范式；

(4)将合取范式转换为析取范式的形式；

(5)根据需要选择合理的指标组合。

4.BP神经网络的实现

人工神经网络是基于对人脑组织结构、活动机制的初步认识提出的一种新型信息处理体系方法，在实际问题的处理中，它有较好的容错及抗干扰能力，所以将它与为对噪声较敏感的粗糙集相结合来对电力企业员工安全等级进行评价。本模型使用的是三层BP神经网络对约简后的员工属性决策表进行训练，最终得出等级评价结果。其拓扑结构如图2所示。

表2 属性决策表

表3 离散后的决策表

表4 约简后的决策表

表5 网络仿真误差结果

输入层神经元个数为指标的数目，由于本模型是对每个员工安全等级的一个综合评价，所以输出层的个数是一个神经元，隐含层单元个数确定公式为：

式中y、r、c、分别为隐含层、输入层、输出层的神经元计算节点的个数，t为1-10之间的常数。

5.实例分析

电力企业安全生产中员工安全等级进行评价就是对电力企业的员工的基本素质、工作特性、组织管理等三大方面进行等级评价。具体指标如表1所示。

选择其中50组数据作为样本数据进行分析。首先，界定属性值语义，并对每个属性界定属性值，构建属性决策表(见表2)，其中Dec表示电力企业员工安全等级值，0代表不安全，1代表安全。其次，基于切割和布尔理论确定最小取值空间的方法对属性决策表进行离散化(见表3)。然后，利用粗糙集理论的属性约简功能进行约简后，14个评价指标减少为A2、A3、A5、A7、B1、C1这6个指标，从而使得BP神经网络的输入空间大幅降低，有利于简化神经网络的结构、提高训练效率，约简后的决策表如表4所示。

根据表2中的50组原始样本数据，将其中的45组作为BP神经网络的训练样本数据，余下的5组作为检测样本数据对BP神经网络进行检测。采用三层BP神经网络结构，输入层为14个神经元，由公式(3)计算出隐含层节点数为5，输出层为1个神经元。由于“trainlm”采用Levenberg-Marquardt算法进行网络学习，对初始值的选取不敏感，能够实现计算精度和收敛速度的最佳结合，所以笔者在这里使用trainlm作为网络训练函数，训练次数定义为1000，学习精度ε=0.0001，学习速率=0.01，经过6次训练后，网络性能已经达到设定误差要求(见图3)。

为了进一步检验神经网络的性能，对训练结果进行仿真分析。模型输出数值与真实值之间的误差如表5所示。

对测试结果分析，神经网络评价值和真实值之间的误差非常小，神经网络最大误差仅为0.0106。

6.结论

笔者在综合分析国内外相关研究基础上，提出了电力企业员工安全等级的概念，并基于粗糙集与人工神经网络设计了电力企业生产中员工安全等级评价模型，模型将粗糙集作为神经网络的前置系统，用以缩减神经网络学习时的训练样本，可达到简化神经网络结构、提高评价模型工作效率的目的，同时BP神经网络能够有效减少噪声对粗糙集评价过程的影响。最后，通过实例对模型进行应用，仿真结果说明，该网络能够较好地对电力企业员工安全等级进行评估。

[1]袁周.电力生产事故人因分析与预防简明问答[M].北京:中国电力出版社,2007.

[2]马京源,李哲,何宏明,钟定珠.电气误操作事故人因因素分析与控制[J].中国电力,2010(5):72-76.

[3]林杰.安全行为科学理论在电力生产中的应用研究[D].贵州:贵州大学硕士论文,2006.

[4]赵静,许祥秦,张凯.基于神经网络的高新技术企业吸收能力评估[J].计算机仿真,2009(12):257-260.

[5]杨传健,葛浩,汪志圣.基于粗糙集的属性约简方法研究综述[J].计算机应用研究,2012(1):16-19.