基于BP和Hopfield神经网络的航空肼燃料保障安全评价

胡宗顺，黄之杰，朱 倩，吴潇洁

（空军勤务学院，江苏 徐州 221000）

基于BP和Hopfield神经网络的航空肼燃料保障安全评价

胡宗顺，黄之杰，朱 倩，吴潇洁

（空军勤务学院，江苏 徐州 221000）

针对航空肼燃料保障安全评价的复杂性和非线性，提出并建立了基于BP和Hopfield神经网络的动态安全评价模型。在综合分析国内外肼燃料保障安全评价的基础上，针对航空肼燃料保障过程中出现的问题，构建并优化了指标体系，选取前馈神经网络中的BP网络和反馈神经网络中的Hopfield网络建立评价模型。在详细说明了BP和Hopfield神经网络的构建方法后，进行实例验证，并对预测效果进行了比较分析。仿真表明，两种模型都能正确评价安全保障状态。但在收敛速度、联想记忆功能方面Hopfield神经网络优于BP神经网络。将BP和Hopfield神经网络用于肼燃料保障安全评价过程中，具有适用性和可行性，对于航空肼燃料保障的安全建设与安全管理研究具有重要意义。

航空肼燃料保障，BP神经网络，Hopfield神经网络，安全评价，指标体系

0 引言

航空肼燃料保障是飞机地面后勤保障工作中的重要组成部分。随着航空转型建设的不断推进与深化，其对肼燃料保障工作的安全管理提出了更高的要求。肼燃料是一种易燃、易爆、有毒且有类似氨臭味的均匀透明液体，一旦发生安全事故，就会造成人员伤亡与经济损失，并对周围环境造成严重污染。

目前，国内外相关学者针对肼燃料保障安全这一问题作了大量的研究，提出了许多评价模型。文献［1］运用道化学法对偏二甲储库进行安全评价，方法简单但忽略了环境及人为因素，限制了评价结果；文献［2］根据偏二甲肼储存库安全影响因素具有偶然性、模糊性及偏差性的特点，提出结合使用层次分析法与灰色评价法进行安全评价，但该模型拟合效果欠佳；文献［3］运用模糊综合评价法对偏二甲肼贮存罐区进行了风险评价，但模型构建复杂，弱化了同层次间的关联性。

针对以上问题，本文基于前馈网络中的BP网络和离散型Hopfield网络分别提出了应用于航空肼燃料保障的评价模型。标准BP网络使用梯度下降搜索理论，简单、可塑，但是收敛速度慢、易陷入局部极小值。离散型Hopfield网络系统稳定性强、收敛迅速，且具有很强的分类和计算能力，能较好地克服BP网络的训练时间长及无法体现时序特性等缺点［4］。

1 神经网络及算法

1.1 BP神经网络

BP神经网络是一种多层的前向型神经网络。在BP网络中信号是前向传播的，而误差是反向传播的。典型的BP神经网络结构如图1所示［5］。

图1中，X、Y分别为网络输入输出向量，W1为输入层和隐层的权值矩阵，W2为隐层和输出层的权值矩阵，f（x）为tansig隐层激活函数。初始化网络参数，对网络的连接权值wij、阈值θj赋初值。从训练样本中选取一个输入样本和对应的输出向量，输出层的激活函数为Purelin函数。输入样本在各层间传递，通过uj和输出hj进行计算。

对BP神经网络的输入层各神经元的输入lt和yt输出进行计算。

BP神经网络采用梯度下降法求连接权值及阈值的变化：

t为迭代步骤，η 为学习收敛率，η∈（0，1），α 为修正率，σj为节点j的偏差。分别为经过t+1步和经过t步的权值修正量；、分别为节点在网络学习t+1步时和t步时的阈值修正值。学习过程是一个反复迭代的过程，当误差E达到预设误差精度εANN或最大训练次数NI时，训练终止，并存储权值和阈值［6］。

1.2 Hopfield网络

在离散Hopfield网络（DHNN）中，所采用的神经元是二值神经元，因此，所输出的离散值1和-1分别表示神经元处于激活和抑制状态［7］。其网络结构如图2所示。

第0层作为网络的输入；第1层是神经元，输入变量xi经过与阈值权系数wij的乘积求累加和，并经非线性函数f处理后产生输出信息yi。

用yj（t）表示第j个神经元，即节点j在t时刻的状态，则节点下一个时刻（t+1）的状态可以求得：

其中，uj（t）为神经元j在t时刻的输入；θj为t时刻的阈值；xj为外部输入。

在Hopfield神经网络的运算过程中，阈值不断调整，直到网络寻找出各个参数特征的理想指标，且网络误差达到设定值，网络停止训练并输出仿真结果［8］。

2 模型建立及应用

某机场肼燃料站负责飞行中肼燃料的保障任务，由于管理者对肼燃料保障安全状况及发展趋势不明确，致使其不能很好地进行保障安全管理工作，现对其保障工作进行相关安全评价，分析安全状况及发展趋势，以便于管理者进行安全管理工作。

2.1 评价指标体系的选取

肼燃料保障包括运输、储存、化验、加注、定检与废弃物处理等工作，是一个充满随机性与模糊性的复杂不确定系统。其安全保障评价指标包括人为因素、管理因素、环境因素、装设备因素。依据科学性、全面性、可行性、可比性和针对性原则［9］，对相关指标进行去相关性筛选。相关系数用β表示，β取值在 -1和 +1间。β＞0正相关，β＜0负相关，β=0不相关。β绝对值越大，相关程度越大。各指标及相关性如表1所示。

表1 航空肼燃料保障安全评价指标及相关性

规定β绝对值大于0.65时，认为两个指标有很强的线性相关性。根据表1数据分析，去除相关性高的指标，选取能力素质，安全教育，保障环境，化验，存储共5个指标作为航空肼燃料保障安全评价的标准（用 X1，X2，X3，X4，X5表示）。

2.2 数据采集整理

根据2016年到该机场调研采集的数据，结合专家的意见进行修正，选取2007年9月到2015年9月的共52组数据作为训练样本，2016年检测的4组数据作为测试样本。安全等级作为目标值，分为4个等级［10］。分别为0.1（安全，各项设施完好）、0.2（较安全，有可能发生安全事故，需要管理者对其进行相关安全检查）、0.3（安全隐患，需要采取一定的防控措施以改变其安全发展趋势）、0.4（危险，需要立即整改）。部分训练数据如表2所示。

为使样本更适合神经网络的学习，避免因为输入输出数据数量级差别较大而造成网络预测误差较大，采用极值法对数据进行归一化处理［11］：

表2 部分训练数据

式（9）中，xij'，xij分别为归一化前后的样本值。处理后的部分训练样本如下页表3所示。

表3 处理后的部分数据

2.3 BP神经网络的构建

一个具有3层结构的BP神经网络能够拟合任意非线性函数，且增加层数并不一定增加网络的精度，故文中选取3层BP神经网络。隐含层神经元个数的确定比较困难，到目前为止，尚无理论上的定论。常用的方法是试错法，即先用样本数据对建立好的BP网络进行训练，再采用检验样本对训练好的神经网络的泛化能力进行检验以确定隐层神经元数目［12-13］。通常情况下，随着隐层神经元个数的增加，收敛速度会加快，但也会导致网络拓扑结构复杂，影响网络的泛化能力，而泛化能力是决定网络推广性能的重要因素。

确定训练次数为5 000，训练目标为0.001，学习率为0.01，训练函数为traingdx。通过对隐层神经元个数的检验，发现当其隐层神经元个数为12时，能较好地拟合原数据，并有良好的泛化能力，系统误差训练曲线图如图3所示。

经过854次迭代，实现训练目标，从而使误差收敛。图4为表示样本输出目标与实际输出的误差曲线图，横坐标表示样本个数，纵坐标表示误差值。从图中的误差曲线可以看出，经过训练的神经网络很快达到了误差要求。由训练的结果与样本目标相对比可知，此次的训练结果与评价的样本数据基本上保持一致。因此，网络准确地识别了训练样本，实际输出结果与期望值结果基本吻合，验证了BP神经网络对肼燃料保障安全评价的实用性和可行性。

该机场肼燃料保障安全评价结果导出如表4所示。

表4 BP神经网络测试结果

2.4 Hopfield网络的构建

以问卷方式对评估负责相关人员进行访谈，得出各等级理想评价指标如表5所示。

表5 各等级理想评价指标

由于Hopfield神经网络的二值性，理想的4个网络安全评价等级的指标编码状况如图5所示，其中黑圈“●”表示神经元状态为“1”，反之用“○”表示。运用MATLAB神经网络工具箱函数创建net=newhop（T）。

将待评价评价指标编码A={［sim_1，sim_2，sim_3，sim_4］}作为Hopfield 神经网络的输入，经过一定次数的学习，即可得到 Y=sim（net，{16，20}，{}，A）。以图形方式显示结果如图5所示。“class1-class4”表示各理想安全评价等级，分别对应0.1、0.2、0.3、0.4；“presim1-presim4”表示 4 个测试样本的评级指标编码，“sim1-sim4”表示设计的Hopfield神经网络对仿真计算后的分类结果。从图中看出，设计的Hopfield网络能有效地进行分类，从而对航空肼燃料保障安全作出客观准确的评价。

3 实验结果分析

航空肼燃料保障安全与致使安全事故的因素之间是一种相当复杂的非线性关系，而BP神经网络的极强的非线性逼近的自身强大性能，恰好能够成功地解决一些人为等主导因素的影响。Hopfield网络具有联想记忆的功能，计算的收敛速度快，能对数字进行快速识别，从而能准确地反映出分析研究的结果。为方便比较，将主要参数制成表6。

表6 两种模型的预测结果比较

从表格中可以看出，两种神经网络都能对样本进行准确预测评价；作为单层反馈性非线性网络，Hopfield神经网络结构简单、耗时较少；在逼近能力上来讲，两者经过各自训练步数（Hopfield要比BP网络的步数少）达到最优时，神经网络性能（mse）实际相差不大，动态跟踪预测能力基本一样强。同时，Hopfield神经网络具有较好的联想记忆功能，且稳定性较好。对于航空肼燃料保障数据分析，如果加入了新的学习样本，则训练好的BP神经网络就需要从头开始重新训练［14］。

4 结论

在建立航空肼燃料保障安全评价指标体系的基础上，分别采用BP神经网络和Hopfield神经网络对航空肼燃料保障进行安全评价，充分挖掘了历史数据中隐含的有用信息，为预测随机波动性和非线性较大的肼燃料保障事故提供了一条新的思路。

实验对比表明，Hopfield神经网络模型具有评价速度快、评价较为全面、与危险源现实状况结合紧密等优点，是一种有效的肼燃料保障安全评级模型。

BP神经网络模型部分参数设定具有不确定性，Hopfield神经网络应用于优劣势相当明显的样本时有一定局限性，这将作为下一步研究的重点。

［1］张宇，黄智勇.道化学法在偏二甲肼储库安全评价中的应用［J］.化学推进剂与高分子材料，2014，12（1）：86-89.

［2］刘博，王煊军，黄智勇，等.基于灰色层次分析法的偏二甲肼贮库风险评价 ［J］. 安全与环境工程，2011，18（5）：87-92.

［3］刘渊，王煊军，夏本立，等.模糊综合评价法在偏二甲肼罐区风险评价中的应用［J］.安全与环境工程，2010，17（4）：29-32.

［4］胡智锋.基于离散型Hopfield网络的计算机网络安全等级分类研究［J］.现代电子技术，2015，38（21）：92-95.

［5］喻宝禄，段迅，吴云.BP神经网络数据预测模型的建立及应用［J］.计算机与数字工程，2016，44（3）：482-486.

［6］陈君，李聪颖，丁光明.基于BP神经网络的高速公路交通安全评价［J］.同济大学学报（自然科学版），2008，36（7）：927-931.

［7］石永奎，胡梦龙，刘阳，等.基于Hopfield神经网络的煤矿避灾硐室安全评价［J］.煤炭技术，2015，34（12）：177-179.

［8］刘胜，刘娜，杨育，等.危险源安全评价的离散Hopfield神经网络［J］.重庆大学学报，2013，36（4）：26-32.

［9］龚聪.改进神经网络煤矿安全评价模型仿真研究［J］.计算机仿真，2012，29（1）：156-159.

［10］王英博，王琳，李仲学.基于HS-BP算法的尾矿库安全评 价 ［J］. 系 统 工 程 理 论 与 实 践 ，2012，32（11）：2585-2590.

［11］王醒，吴向男，马斌，等.基于BP神经网络隧洞施工安全评价模型［J］.黑龙江交通科技，2015，38（9）：79-82.

［12］杨天军，张晓春，杨晓光，等.基于BP神经网络的城市道路交通安全评价研究［J］.中国矿业大学学报，2005，34（1）：37-40.

［13］鞠云鹏，常德功.基于神经网络与遗传算法的锅炉系统的优化［J］.计算机仿真，2016，5（4）：43-47.

［14］王洪德，朱贵东.隧道施工过程的三角模糊数与神经网络安全评估［J］.辽宁工程技术大学学报（自然科学版），2016，35（6）：613-617.

Research of Aerial Hydrazine Fuel Safety Assessment Based on BP and Hopfield Neural Network

HU Zong-shun，HUANG Zhi-jie，ZHU Qian，WU Xiao-jie
（Air Force Logistics College，Xuzhou 221000，China）

Objective A kind of aerial hydrazine fuel dynamic safety assessment models based on BP and Hopfield neural network were raised and constructed in the light of the complexity and nonlinear characteristic of aerial hydrazine fuel guarantee.Methods Based on synthetically analyzing research data at home and abroad on aerial hydrazine fuel safety assessment，aiming at the problems of aerial hydrazine fuel guarantee，an indexes system was advanced and has been optimized，then BP network in feedforward neural networks and Hopfield network in feedback neural networks were chosen.After elaborating the method of establishing network，the models were examined by practical cases.Finally the outputs got analyzed and compared.Results The study show that the two models can evaluate the safety status correctly.Hopfield network is superior to BP network in convergence and associational memory.Conclusion The usage of BP and Hopfield neural network in aerial hydrazine fuel safety assessment is applicable and feasible.It is significant for safety construction and safety management of aerial hydrazine fuel guarantee.

aerial hydrazine fuel guarantee，BP neural network，hopfield neural network，safety assessment，index system

X928

A

10.3969/j.issn.1002-0640.2017.11.26

1002-0640（2017）11-0121-05

2016-09-13

2016-10-30

胡宗顺（1992- ），男，河南信阳人，硕士研究生。研究方向：航空保障技术与信息化。