高校消防设施安全评价预测模型研究

郑亚清 彭江华

(重庆科技学院安全工程学院， 重庆 401331)



高校消防设施安全评价预测模型研究

郑亚清 彭江华

(重庆科技学院安全工程学院， 重庆 401331)

应用层次分析法对消防设施安全管理状况进行了评价，提出了基于BP神经网络的预测模型，分析了消防设施安全管理过程中消防检查的规章制度、消防管理人员的管理力度、消防设施检查人员的专业程度、消防设施检查中的技术应用对整个高校消防设施安全的影响。

消防设施； 安全评价； 层次分析法； BP神经网络； 预测模型

消防安全是高校安全管理的重要内容之一。高校为保障消防安全投入了大量的资金，在建筑物里面安装了报警系统、灭火系统等先进的消防设施，但在消防设施的日常管理过程中，大部分高校仍采用传统方式，即由负责消防安全的保卫人员进行周期性的检查。目前高校负责消防安全检查的人员大部分不是消防专业人才，在进行消防安全检查时，主要是检查灭火器和消防栓的状态。即便保证了消防设施的定期检查与排查，但也仅仅是停留在消防安全检查的表面，忽视了许多重要的环节，比如消防管道破损漏水及消防栓水压是否正常等[1]。

本次研究主要分析了消防设施安全管理的影响因素，并建立了评价模型和预测模型。分析了各种因素对消防安全管理的影响程度，为消防设施安全管理提供技术保障。

1 影响因素分析

在实际的管理过程中，消防设施安全管理主要受4个方面的影响。

(1) 健全的消防安全管理规章制度。结合本校实际，建立健全的消防安全工作规章制度有利于降低消防安全管理中人为因素的影响，从而实现工作的规范化、标准化[2]。消防安全管理的规章制度主要包括消防检查落实强度和消防整改处理速(进)度2个方面。

(2) 管理人员的管理力度。消防安全工作的稳定开展需要有关部门、有关人员执行和落实。管理人员要根据情况定期召开会议，做到分工明确、加强交流，协调、指导消防安全工作的开展，切实落实消防安全管理的规章制度。

(3) 检查人员的专业程度。消防安全管理工作的开展重点在人。当检查人员的专业水平越高，对消防设施设备的设计构造、工作过程越了解，检查结果越准确。

(4) 消防设施安全信息技术的应用。随着信息技术的发展，很多单位已将单位的基本情况、消防安全的重点部位、消防人员、建筑及消防设施等静态数据录入至信息化管理系统，从而实现消防安全动态监管，最终达到前移火灾预防关口，提高预防火灾的能力[3-4]。

每个影响因素对整个消防安全的保障都具有不同程度的影响。在目前现有的情况下，如何评价消防安全管理水平，达到防患于未然的目的，是一个值得研究的问题。

2 评价模型和预测模型的建立

2.1 评价模型的建立

层次分析法是应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。首先分析问题，再根据评估要实现的目标和要求，将实际问题细化为若干不同指标；其次，根据专家对指标的比较结果，运用层次单排序法得出各因素的权重。评价指标体系的建立应遵循系统性、层次性、可操作性以及定量与定性指标相结合的原则。根据该原则，对重庆某高校消防安全管理工作人员和管理人员进行调查，并结合专家的建议，建立消防设施安全评价指标体系，见图1。

图1 消防设施安全评价指标体系

(1) 构造判断矩阵。根据以上指标体系，将消防设施安全影响因素分为一级指标(U1、U2、U3、U4)、二级指标。首先通过对二级指标因素的两两比较构成判断矩阵A[4]：

(1)

(2)

(3) 建立评判矩阵。针对高校消防设施安全状况设计了5级评判级别V1、V2、V3、V4、V5，其分别代表好、较好、一般、较差、差。针对重庆某高校消防设施现状，通过相关专家和消防管理人员现场打分(表1)，建立评判矩阵。

表1 二级指标安全统计表

由表1得二级指标评判矩阵：

则安全等级隶属度向量：

(4) 一级指标权重分配同二级指标，在n=2时，无需进行一致性检验；在n>2时，需要进行一致性检验。目的是检验评价者对指标评价过程中思维逻辑的一致性，确保各评价协调一致。经过计算得到安全等级隶属度向量为：

(5) 本评价模型采用加权平均[5]原则，对安全等级赋值，赋值情况见表2。

表2 安全等级C分值判断表

采用评价权重集E=(8,8,6,5,5)T，求得C=7.03。根据表2的安全等级分值可以确定消防设施安全的安全等级为较安全。

2.2 预测模型的建立

BP神经网络是一种多层前馈神经网络，通常采用3层结构，包括输入层、隐含层和输出层。各神经元与下一层所有神经元连接，同层神经元之间无连接，并且网络结构清晰，算法成熟。其基本原理是采用梯度下降法调整权值和阈值使得网络的实际输出值和期望输出值的均方差值最小[6]。在进行高校消防设施安全评价BP神经网络建模设计时，从输入层、隐含层、输出层等方面进行考虑。根据分析，以消防设施检查人员的专业程度、消防设施检查制度、消防管理人员的管理力度、消防设施检查技术应用等4个因素作为神经网络的输入变量；以消防设施安全状况作为输出变量，输入层、输出层神经元个数分别为n=4，m=1。对于BP神经网络而言，能否实现精确寻优，隐含层节点数的选择非常重要。目前对于BP神经网络中隐含层的层数和节点数的选择无相关准则。因此以式(3)计算的隐含层节点数作为参考值，在网络训练中不断改变隐含节点数，从而选用最佳节点数。

(3)

式中：q—— 隐含层的节点数,

α—— 为1～10的常数。

建立消防设施安全BP神经网络，如图2所示。

图2 BP神经网络模型结构

则有：

(1) 隐含层输出zj：

i=1,2,…,n； j=1,2,…,q

(4)

(2) 输出层输出yk：

j=1,2,…,q； k=1,2,…,m

(5)

(3) 选择一种非线性的S型函数作为传递函数，S型函数表达式为：

(6)

各式中：ωij—— 输入层与隐含层神经元间的连接权值；

aj—— 隐含层第j层的阈值；

bk—— 输出层第k层的阈值；

u—— 各层输出加权值之和。

3 模型训练及仿真实例

3.1 模型训练

模型训练就是利用BP神经网络在模型训练未知的情况下，用已有的输入输出数据对构建的神经网络进行训练，用其自身调节权值的能力建立一个与实际模型相近的神经网络的过程[7]。因此，选取部分经安全评价后的消防设施安全实验数据作为样本参数建立预测模型，如表3所示。

采用MATLAB神经网络工具箱，通过样本数据训练神经网络，选取最大训练次数2 000，期望误差0.01，当训练到438次的时候，网络达到目标值，如图3所示。

表3 部分经安全评价后的实验数据

图3 性能指标图

使用sim函数，用样本数据检验建立的模型，并且比较网络输出和目标输出，结果如图4所示。

图4 神经网络输出与实际网络输出

通过对训练数据的自检，做出神经网络输出与实际输出的误差曲线，如图5所示。可以发现利用BP神经网络建立的消防设施安全预测模型的误差保持在较小的范围内，正确地描述了输入、输出的映射规律，因此建立的BP神经网络是可行的。

图5 网络误差曲线

选取重庆某高校2005年与2015年2年的消防设施安全评价数据作为检验样本，对BP神经网络进行检验，预测结果如表4所示。

表4 BP神经网络预测输出数据

由表4可以看出，该预测模型的预测误差均在3%以内，可以满足实际应用的需要，说明建立的模型是有效的。

4 结 语

在高校消防设施安全影响因素分析的基础之上，建立了高校消防设施安全评价的指标体系。通过层次分析法对各影响因子进行相关性分析和权重分配，对消防设施安全工作进行了定量分析与评价；通过BP神经网络建立了消防设施安全评价预测模型。但是由于该模型考虑因素较少且训练样本较少，稳定性较差。因此在消防设施安全影响因素方面还应进行更深入的研究，进一步提高该模型的准确度和精确度。

[1] 林啸,童裕.高校消防安全动态监控管理研究[J].浙江万里学院学报，2013,26(4):111-116.

[2] 石加友，苗国厚.高校安全稳定保障体系标准化研究[J].前沿，2011(14)：195-197.

[3] 庞钧,廖曙江,韩晓宁,等.基于物联网技术的消防安全户籍化管理系统研究与应用[J].自动化与仪器仪表，2015(3):144.

[4] 李律,康钢,施金良.高校消防安全评价及对策分析[J].重庆科技学院学报(自然科学版)，2014,16(3):147-150.

[5] 邱利祥.模糊理论在高层建筑施工安全评价中的应用研究[D].赣州:江西理工大学,2011:21-22.

[6] 王德明，王莉，张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报(工学版)，2012，46(5)：837-841.

[7] 王光明，王爱平.遗传算法优化BP神经网络的非线性函数拟合研究[J].赤峰学院学报(自然科学版)，2014,30(22)：29-32.

Research on Campus Evaluation and Prediction Model of Fire Safety

ZHENGYaqingPENGJianghua

(School of Safety Engineering, Chongqing University of Science and Technology, Chongqing 401331, China)

The safety management of traditional fire facilities is evaluated with AHP method, and then the prediction model based on BP neural network is proposed. This thesis also aims to analyze the influence of the fire inspection regulations in the process of fire safety management, fire management efforts, professional degree of fire facilities inspection personnel, and application of technology in the inspection of fire facilities on fire fighting facilities in colleges and universities.

fire facilities; safety evaluation; analytic hierarchy process; BP neural network; evaluation and prediction model

2016-07-10

重庆市科委科技平台与基地建设项目“重庆市冶金性能检测与装备工程技术研究中心”(CSTC2011PT-GC70007)；重庆科技学院2015年研究生科技创新项目“基于物联网的消防安全信息化管理系统的研究”(YKJCX2015032)

郑亚清(1991 — )，女，重庆科技学院安全工程学院2014级在读硕士研究生，研究方向为安全管理。

X913;F224

A

1673-1980(2016)05-0127-04