基于C-OWA算子和BP神经网络的地铁车站火灾安全评价

2018-08-02亢磊磊

隧道建设(中英文) 2018年7期

亢磊磊

(重庆人文科技学院工商学院, 重庆 400074)

0 引言

地铁作为城市交通的重要一环，具有运量大、速度快、污染小等特点[1]。由于地铁多数为地下工程，内部空间小、环境封闭，一旦发生火灾，人员疏散和救援较为麻烦，极易造成群死群伤的恶性事件，被称为“小概率高影响事件”[2-3]。因此，构建一种合适的地铁火灾安全评价模型，对地铁火灾安全管理具有重要的现实意义。

国外关于地铁火灾安全评价的研究起步较早，Johansson等[4]基于FMECA方法对地铁火灾报警系统的可靠性进行分析，从消防设备方面提出防治措施； Choi等[5]从概率和主观2个方面运用模糊数学理论对地铁火灾进行评价。国内方面，李炎锋等[6]运用改进层次分析法按时序分阶段评价地铁火灾安全，其结果易受专家认知能力的影响；赵海荣等[7]提出基于G1方法确定指标权重的地铁火灾模糊评价模型，同样存在专家打分过程中出现极值的弊端；褚鹏宇等[8]采用动态赋权理念结合模糊Petri网模型分析不同因素对地铁火灾安全的影响，但未能解决评价过程中的动态性问题；马剑等[9]引入D-S证据理论对不确定指标做可靠性分析，但评价结果不具有延展性；李江华[10]提出基于SOM神经网络的地铁火灾安全评价模型，忽视了部分指标难以量化的特点；喻茗之等[11]利用遗传算法优化后的神经网络实现地铁火灾评价，但未对指标的重要性做区分度分析。

上述研究从不同视角对地铁火灾安全进行评价，但仍然存在以下问题：借鉴专家知识经验时未对专家打分中极值分数的影响做有效处理，评价过程中缺乏动态性且结果不具有延展性，当指标状态发生变化时需对结果重新计算；未将专家的认知和人工智能工具有效结合，没有考虑对应权值下指标重要程度的差异性。鉴于以上问题，本文提出构建基于C-OWA算子和BP神经网络的地铁火灾安全评价模型，利用C-OWA算子对专家决策数据按照降序的方式重新排序，通过组合排列加权集结求得指标权重，削弱决策极值对权重的负面影响；然后充分考虑指标对目标作用的差异性，将权值与BP神经网络输入值有机结合，利用BP神经网络强大的自学习、模拟人脑能力，根据已知样本数据模拟目标状态的优势，并将其运用在郑州地铁2号线的火灾安全评价中。

1 地铁火灾安全评价指标体系的构建

地铁火灾是一个渐变发展的过程，本文按照时间顺序将地铁火灾分为3个阶段，即火灾初期增长阶段、火灾充分发展阶段和火灾减弱阶段，并针对地铁火灾发生的各个阶段构建安全评价指标。为提高地铁车站火灾安全等级，应在火灾发生前对隐患因素，如可燃物情况、设备故障状态、探测系统的工作性能等进行分析，尽可能地提前消除隐患。应急控制响应系统、自动扑救系统和消防员手动扑救系统3大系统的工作性能对于火灾的及时消除十分重要，故在火灾充分发展阶段应给予高度重视。3大系统的正常发挥能最大程度降低灭火的时间和保障人员安全、降低损失，因此，在火灾减弱阶段同样需考虑该系统内部的因素。此外，鉴于地铁车站火灾安全管理的特殊性，乘客和工作人员能否在火灾发生的第一时间得到有效的疏散极其重要，故除了根据地铁火灾发生的时间顺序构建安全评价指标外，还需要将人员的疏散纳入评价体系，进而得到更加全面的评价指标，如图1所示。

2 评价模型适用性分析

2.1 C-OWA算子赋权分析

由已有的地铁火灾安全评价指标可知，其指标数量较多且多数呈现出模糊不确定性。由于决策者大多是通过借鉴专家的知识对指标的权重进行分配，这种权重分配方式(如层次分析法、改进层次分析法、熵权法等)会因专家认知的不同造成结果存在片面性和极端值，由此求得的权重必然受到专家主观偏好的影响。为降低专家评价结果中的极值带来的不利影响，有学者采用去除最大值和最小值，并对剩余数据取平均值的方法。该方法计算简单，在跳水和体操领域得到广泛的应用，但是求得的权重比较粗糙，忽略了最大值和最小值对评价目标的作用。在实际的决策过程中，即使是较小的评价值同样可反映出对目标的影响，为充分考虑每个决策者对评价指标的认知，本文采用C-OWA算子对指标进行赋权。C-OWA算子把权重和数据联系起来，充分考虑每个决策数据的作用，极好地满足了公平性原则，力求体现每个决策者的意志，同时降低了极值带来的负面作用。

图1 地铁车站火灾安全评价指标体系

OWA算子(ordered weighted averaging)是由美国学者Yager提出的，中心思想是对原始数据按照一定的顺序做二次排序，并根据新的顺序做加权处理。这样对数据实行有差别的区分在一定程度上弱化了极值的负面作用[12-13]。王煜等[14]通过将C-OWA(combination ordered weighted averaging)算子与其他赋权方法对比，认为C-OWA算子的赋权方法更具有科学性且计算简单、高效；宋博等[15]利用OWA算子得出城市轨道交通PPP融资风险指标权值，较好地解决了极值的负面影响。因此，本文选用C-OWA算子对指标进行赋权。

2.2 BP神经网络分析

BP神经网络具有非线性、自学习、自耦合性以及大范围并行处理能力的优势，可快速解决安全评价过程中的动态性、模糊性等问题，被广泛应用于电力、化工、交通、消防等领域的安全评价[16]。地铁火灾安全评价是一个综合性、动态性、非线性、模糊性问题，导致传统的数理方法在处理过程中失去动态性评价。BP神经网络可根据自身的组织、学习能力，将已知样本数据输入到神经元中，模拟出目标特性，解决了地铁火灾安全评价的动态性难题，即利用训练好的网络结构快速、动态地实现地铁火灾安全评价，具有可行性。

2.3 基于C-OWA算子和BP神经网络的地铁火灾安全评价模型适用性分析

目前，在地铁火灾安全评价过程中的指标赋权方面，多数学者是根据专家的经验，用打分的形式体现指标重要性，这种方式往往存在一定的极端性，会使确定的指标权重有失科学性；同时，评价结果不具有延展性，当目标状态发生变化时需对结果重新计算，且计算过程较为繁琐，不利于及时做出应对措施。C-OWA算子能有效解决打分结果存在的极端性缺陷问题，通过对打分结果重新排序加权得出权值，降低极值的干扰。BP神经网络作为一种性能良好的人工智能训练工具，利用已知样本数据能够较好地模拟出目标情况，模拟过程较好地体现了人脑的思维，具有较强的适用性；且模拟过程可及时动态调整，能够科学地将地铁火灾安全等级模拟出来。但BP神经网络对指标重要性的识别能力较弱，为体现不同指标对目标的作用，需将C-OWA算子处理后的指标权值与BP神经网络输入值结合起来，模拟出地铁火灾安全等级。

3 基于C-OWA算子和BP神经网络的地铁火灾安全评价模型的构建

地铁火灾安全评价存在大量不确定性指标，此类指标难以用具体数值量化，往往需要借助专家的知识对指标做出主观评价，而专家对指标认知的不同会造成结果存在片面性和极端值，从而影响结果的科学性。为克服专家认知不同导致结果失真的弊端，首先运用C-OWA算子对专家打分的初始数据遵循降序的规则重新排序，利用加权组合数的形式削弱极值带来的不利影响，得出指标的权重值；接着从指标的非线性、耦合性出发，考虑到传统数学方法的评价过程不具有延展性，利用人工智能工具BP神经网络，通过已训练好的网络对样本进行训练，模拟出目标的火灾安全等级，实现对地铁火灾的安全评价。

3.1 地铁火灾安全评价等级的界定

地铁火灾安全评价等级的界定是否合理，直接关系到专家打分判断的科学性。从地铁火灾安全事故发生的可能性来说，每一个安全等级发生的概率都是相同的，故对地铁火灾安全等级做均等划分。李炎锋等[6]根据模糊约束分类描述准则，将安全等级划分为4个等级，即安全、可接受、须整改、不可接受，并将其量化到区间[0，1]。为提高地铁车站火灾安全管理水平，在设定安全等级时需增加高级别等级的范围，减小低级别等级的范围，故在李炎锋等[6]研究的基础上将地铁车站火灾安全等级划分为5个等级：很高、高、较高、一般、低。对应的区间范围见表1。

表1 地铁车站火灾安全等级范围

3.2 运用C-OWA算子计算指标的权值

运用C-OWA算子计算指标权值的步骤如下。

1) 邀请n个专家对相同层次指标的重要程度进行打分，分值范围为0～10，分值越大表明指标越重要，得出指标的初始决策数据为(a1,a2,…,an)。遵循降序的规则对初始数据从0开始再次排列，得到排序后的新数据为(b0,b1,…,bn-1)，其中b0

(1)

3)绝对权值的计算。根据加权向量w对数据做加权处理，得出指标绝对权值

(2)

式中：w∈[0,1];j∈[0,n-1]。

4)相对权值wi的计算：

(3)

式中i=1,2,…,n。

3.3 地铁火灾安全评价的BP神经网络模型

地铁火灾安全评价指标内部交错相连，彼此发生交叉作用，如果单独衡量某一个指标对目标的作用，将导致评价结果存在片面性，同时安全指标具有动态性、不可控性。常见的评价方法(如灰色理论、模糊理论)无法解决指标间复杂的交叉关系，且评价过程不具有延展性，即当指标发生变化时，需对结果重新计算，在一定程度上影响评价的效率。

图2 BP神经网络训练模型

3.4 基于C-OWA算子和BP神经网络的地铁火灾安全评价模型

地铁火灾安全评价指标涵盖定性和定量2个部分。对于定性指标，如果不做量化处理而直接输入到BP神经网络，忽略专家对项目实际情况的判别，输出结果可能会出现与实际偏离的情况。故运用C-OWA算子对专家的决策数据进行赋权，然后导入到BP神经网络，输出评价值。其评价过程如下： 1)利用C-OWA算子计算准则层对目标层的权重； 2)构建从次准则层到准则层的BP网络结构模型并设置相关训练参数进行测试，直到网络结构成熟； 3)将收集的训练样本信息导入训练成熟的网络中，得到准则层指标评价值； 4)将该评价值与C-OWA算子算出的指标权重加权计算，确定目标层的安全等级。

4 案例分析

郑州地铁2号线紫荆山车站作为1号线与2号线的换乘车站，是连接主城区和港区的重要枢纽，客流量为4万人/d左右。地下共4层，有6个主要出入口，站内消防设施主要有风机台，风率为75 m3/s。站台与站厅的结合处设置防火卷帘，上部位置设有挡烟垂壁。站内配有烟感探头、手动报警器、消防控制中心、应急指示灯和广播站。运用构建的基于C-OWA算子和BP神经网络的地铁火灾安全评价模型对该地铁火灾安全进行评价，以期提高火灾安全管理水平。

4.1 C-OWA算子计算指标权重

以1级指标A2(探测系统响应分析)为例，计算其下4个2级指标的权重。邀请6位同行业的专家对4个指标进行打分，分值越大表明指标的重要程度越高，具体结果见表2。

表2 指标A2专家打分值

对指标A21的打分数据按照降序的规则重新排序，得到新的数据为(8.5,8,7.5,7,6.5,6)，根据式(1)求得加权向量w=(0.031,0.156,0.313,0.313,0.156,0.031)，则指标A21的绝对权值为：

[7.0,7.5,8.0,8.5,6.0,6.5]T=7.689。

4.2 基于C-OWA算子和BP神经网络的地铁火灾安全评价

4.2.1 BP神经网络训练样本的收集和处理

由于地铁火灾安全评价指标兼具正向和反向2个种类，在输入BP神经网络前需对不同属性的指标消除量纲影响，以此表明指标对目标的影响程度。首先利用式(4)将指标统一到相同区间内，再根据正向和反向指标的特性分别按照式(5)和式(6)做进一步的归一化处理。

(4)

式中：Oik为原始指标归一化后的数据；Vik为原始数据；i=1,2,…,n;k=1,2,…,n。

正向指标：

(5)

反向指标：

(6)

由于次准则层共有23个指标，导致BP神经网络的输入节点较多、结构复杂。为提高BP神经网络处理样本间非线性关系的能力，同时验证网络构建的成熟度以及合理性，将BP神经网络划分为训练集、测试集和验证集3部分，其中训练集作为估计模型，验证集作为确定BP神经网络训练的参数，测试集则用来检验最终评价模型的性能。本文采用经典的划分比例，即三者样本数量的比例为3∶1∶1，为增加输出结果的科学性，具体样本随机选择。选择样本数据100组，其中训练集60组，验证集20组，测试集20组。为了提高BP神经网络训练结果的科学性，100组样本数据中来自郑州地铁车站的样本数量为40个，其中，1号线20个、2号线20个，剩余60个样本分别来自北京、上海、深圳、广州4个城市的相关车站，这些城市地铁开通较早，数据较为丰富，易于收集且具有可参考性。

4.2.2 基于BP神经网络的训练和测试

将次准则层的23个指标作为BP神经网络的输入值，利用Matlab 2012a自带的神经网络工具箱实现地铁车站的火灾安全评价。从多次模拟的结果可知，当训练次数满足600次、最小训练速率为0.7 s/次、允许误差小于0.008、迭代次数为700时，模拟效果最好。训练结果见表3，其中序号为100的样本为待测样本，其余为学习样本。

表3 基于BP神经网络的训练结果

由表3输出结果可知，4个学习样本和1个待测样本的期望输出和实际输出等级保持一致，安全等级均为高；同时最大误差绝对值为0.04%，低于允许误差0.008，表明构建的基于C-OWA算子和BP神经网络的地铁车站火灾安全评价模型满足训练精度的要求。序号为100的样本的输出结果为0.650 4，根据表1可知，郑州地铁2号线紫荆山车站火灾安全等级为高，且与期望值相符合，证明所构建的评价模型的科学性。在日常安全管理中，应重视对阻燃材料使用率、火灾探测设置、通风排烟能力、消防供水情况、消防设备数量、工作人员数量6个主要指标的监控；同时在后续的施工过程，只需根据现场数据的变化将变动的输入样本导入到训练成熟的网络中，即可快速、科学地实现动态的评价，使得模型具有一定的延展性。