基于遗传BP神经网络的化工企业安全体检模型研究

苏文斌+李冠

摘要：近来频繁发生的化工企业安全事故使企业意识到企业安全的重要性，企业安全评估预警已成为各界关注的焦点。针对引发化工企业安全事故因素的复杂非线性特点，提出基于遗传BP神经网络的化工企业安全体检模型，该模型通过遗传算法克服BP神经网络局部最小的缺点，利用主成分分析法优化输入矩阵，并以山东省101家大中型化工企业数据为实证样本，对模型进行仿真实验。实验结果表明，该模型体检结果与真实期望值的相对误差在1.34%～3.84%，具有较高的评估预测精度，能够准确对企业进行安全体检。

关键词：

遗传算法；改进BP神经网络；主成分分析；化工企业安全体检

DOIDOI：10.11907/rjdk.172952

中图分类号：TP301

文献标识码：A 文章编号：1672-7800（2017）012-0053-04

Abstract：The frequent occurrence of chemical industry safety accidents this year has made enterprises aware of the importance of their safety， enterprise safety assessment warning has become the focus of attention from all walks of life. Aiming at the complex nonlinear characteristics of safety accident factors in chemical enterprises， a safety inspection model of chemical enterprise based on genetic BP neural network is put forward in this paper. This model overcomes the shortcoming of the local minimum of BP neural network by genetic algorithm， uses principal component analysis to optimize the input matrix， and uses the data of 101 large and medium chemical enterprises in Shandong as experimental samples for simulation experiments. Experimental results show that the relative error between the physical examination result and the real expectation value is between 1.34% and 3.84%， so it has a high evaluation accuracy， and can be effective and accurate to conduct a safe medical examination.

Key Words：genetic algorithm； improved BP neural network； principal component analysis； chemical enterprise safety examination

0 引言

企業安全事故将对企业造成灾难性的后果，对企业财产和员工生命安全造成严重影响。企业安全体检是企业管理常态化的重要手段，旨在实时了解企业安全状况，及时发现企业不安全因素，如装置设备安全、工艺及运行安全和环境风险防控等，以便采取措施及时纠正，消除企业存在的安全隐患，对企业安全事故预测预警具有重大意义，对减少企业安全事故具有相当重要的作用。

BP神经网络（Back Propagation Neural Network）具有很强的非线性映射能力与柔性的网络结构特点[1]，相对于常用的预测模型，如时间序列、回归模型[2]、贝叶斯公式等，对处理非线性预测具有极大的灵活性和有效性。鉴于造成企业生产安全事故频发的因素众多和非线性特点，如操作不当、安全培训缺乏等，本文对BP神经网络进行改进，利用遗传算法[3]优化BP神经网络相关参数，克服BP神经网络陷入局部极小值的缺点，利用主成分分析[4]（Principal Components Analysis，PCA）优化输入矩阵，去掉冗余变量，降低指标维度，加快算法的学习效率，建立化工企业安全体检模型。

1 BP神经网络

1.1 标准BP神经网络

1982年由Rumelhart和McCleland[5]为首的科研小组提出误差反向传播（Back Propagation）算法，是一种多层（至少3层）向前神经网络。

每层由许多神经元并列组成，同层神经元之间互不相接，邻层神经元全部连接，神经元模型如图1所示，BP神经网络结构如图2所示。

2 企业安全体检模型构建与实证分析

2.1 样本数据选取与预处理

本文选取山东省101家大中型化工企业2016年数据集，共计8 787条记录。数据集中所涵盖的数据项是根据2016年《山东省化工企业评级标准》制定。本文去除原始数据集中的无用属性，最终选取工艺及运行安全、风险管理和环境风险防控等25个二级指标下的87个三级指标作为训练样本集，如表1所示。根据表1样本数据所示指标，本文将输入矩阵进行标准化处理，指标数据区间为[0，1]，考虑篇幅限制，列出部分企业安全评价数据。

2.2 主成分提取

2.3 企業安全体检BP神经网络构建

依照PCA计算得出的输入矩阵，确定BP神经网络结构。PCA计算得出11个主成分作为神经网络的输入，企业安全体检得分为网络输出，隐含层神经元数设置为10个，构建单隐含层企业安全体检BP神经网络，如图3所示。

若使企业安全体检BP神经网络模型具有学习预测能力，还需要对神经网络进行大量训练。其训练步骤如下：

（1）网络初始化。

（2）隐含层输出计算。通过式（2）计算隐含层输出Hj。

（3）输出层输出计算。通过式（3）计算输出层输出Ok。

（4）误差计算。根据网络预测输出Ok和期望输出Yk，计算神经网络误差E。

（5）权值更新。根据神经网络误差E，通过式（5）、式（6）更新权值。

（6）判断算法是否达到迭代次数或者达到预定误差，若没有结束，返回步骤（2）。

3 实验结果与分析

根据上述企业安全体检模型建构训练方法，用Matlab仿真实现，经过多次实验，得出最终实验结果，改进后的BP神经网络误差率如图4所示。

由表4可以看出，在训练样本较少的情况下，相对误差率保持在1.34%～3.84%，由此可以看出改进后的BP神经网络有较好的泛化能力和计算精度，可以用于化工企业安全体检。

4 结语

本文在深度研究BP神经网络后，利用PCA优化输入矩阵，降低输入矩阵维度且消除各因素间相关关系，利用遗传算法，寻找局部最优解，克服BP神经网络容易陷入局部最小的缺点，并且通过大量数据验证，证明了企业安全体检模型的有效性。企业安全体检模型综合考虑了化工企业安全事故的多种引发因素，构建了遗传算法改进的BP神经网络。

企业安全体检模型最根本的目的是根据企业安全现状，实时对企业进行安全评估，及时发现问题，给出相应的解决策略，尽量避免事故发生，保障人的生命和企业财产不受损失。由于受限于数据的可获得性，本实验不可能将引发企业安全的所有因素考虑在内，将来可以通过数据集更新进一步完善企业安全体检模型。

参考文献：

[1] FANGZONG，HONGGUOXU，HUIYONGZHANG，et al. Prediction for traffic accident severity： comparing the bayesian network and regression models[J]. Mathematical Problems in Engineering，2013（2-3）：206-226.

[2] JOAQUíNABELLáN，GRISELDALóPEZ，JUANDEOA.Analysis of traffic accident severity using decision rules via decision trees[J]. Expert Systems with Applications，2013（15）：6047-6054.

[3] 刘春艳，凌建春，寇林元，等.GA-BP神经网络与BP神经网络性能比较[J].中国卫生统计，2013（2）：173-176.

[4] 赵煜.基于电子舌和几种神经网络模型的金鱼养殖水检测研究[D].杭州：浙江大学，2013.

[5] 吴今培，孙德山.现代数据分析[M].北京：机械工业出版社，2006.

[6] 高玉明，张仁津.基于遗传算法和BP神经网络的房价预测分析[J].计算机工程，2014 （4）： 187-191.

[7] 赵玲，许宏科.基于改进的灰色马尔可夫链模型的交通事故预测[J].数学的实践与认识， 2013（20）：92-98.

[8] 江丽，王爱平.基于粒子群优化与BP算法的协同神经网络学习方法[J].计算机应用与软件，2013（9）：19-20.

[9] 刘卫宁，王鹏，孙棣华，等.基于改进BP神经网络的道路交通事故预测[J].计算机系统应用，2010（10）：177-181.

[10] 陈海龙，彭伟.改进BP神经网络在交通事故预测中的研究[J].华东师范大学学报：自然科学版，2017（2）：61-68.

（责任编辑：何 丽）