基于贝叶斯-BP神经网络的机械制造企业安全预警方法研究

李江澜，李 欢

(武汉数字工程研究所，湖北 武汉 430205)

企业安全预警系统是指在全面辨识反映企业安全生产状态指标的基础上，通过隐患排查、风险管理和仪器仪表监控等安全方法和工具，提前发现、分析和判断影响安全生产状态、可能导致事故发生的信息，定量化表示企业生产安全状态，及时发布安全预警信息，提醒企业负责人和全体员工注意，使企业及时、有针对性地采取预防措施控制事态发展，从而最大限度地降低事故发生概率和后果严重程度。

安全预警系统建立的一般思路是根据需预测目标系统的特点，选取若干个反映其安全状况的可观测的预警指标，并采取一定的算法，由观测情况得出目标系统的预警信息。目前国内外针对安全预警系统的研究多集中于特定行业安全预警指标体系的建立和选择合适的预警算法。如Li等[1]提出了一种基于组合赋权和灰色GM(1，1)预警模型的钢铁企业安全预警系统，采用层次分析法和熵权法的组合赋权法确定各预警指标的权重，根据灰色系统理论GM(1,1)模型建立了安全预警指标模型，利用多目标线性加权函数计算综合预警指标值；Zheng等[2]提出了一种基于模糊层次分析法(FAHP)的湿热环境安全预警方法；Ilangkumaran等[3]提出了一种利用多准则决策(MCDM)技术对高温环境下安全生产进行综合预警的新方法；丁志伟等[4]以《冶金等工贸行业企业安全预警系统技术标准》为基础，选取了23个预警指标，采取简单加权求和的方式，建立起了机械制造企业的安全预警系统；章伟林等[5]建立了电气企业安全风险因素体系，并在GeNIe软件中建立了用于判定电力企业安全状况的贝叶斯网络；于伟杰等[6]结合建筑工程项目特点,建立了建筑工程应急能力风险评价指标体系，利用层次分析法确定各指标的综合权重，并将各指标因素作为 RBF 神经网络的输入，构建了建筑工程项目应急能力评估模型。

目前针对机械制造企业的安全预警系统研究较少，所选取的预警指标难以量化确定状态，且预警级别生成算法以加权求和为主，缺少对专家及以往事故案例经验的利用，缺乏科学性和合理性。鉴于此，本文以我国《生产过程危险和有害因素分类与代码》(GB/T 13861—2009，以下简称《代码》)和《机械制造企业安全生产标准化评定标准》(以下简称《标准》)为基础，建立了机械制造企业安全预警指标体系，并通过建立BP神经网络，以《标准》中各考评项的得分为依据确定预警指标的状态，建立了以预警指标为节点的贝叶斯网络，进而利用贝叶斯网络的推理功能确定了预警级别。

1 机械制造企业安全预警指标体系

1.1 I级预警指标

预警指标应能反映企业当前的安全生产状况。依据《代码》，影响生产过程的危险有害因素可以分为人的因素、物的因素、环境的因素和管理的因素4个类别，因此将这四类因素作为机械制造企业安全预警的I级预警指标。

1.2 II级预警指标

II级指标是I级指标的具体化，应能反映机械制造企业安全生产的特点。本文依据《标准》，通过咨询专家，确定了机制制造企业安全预警II级指标，详见表1。

表1 机械制造企业安全预警指标体系

2 建立机械制造企业安全预警系统的贝叶斯网络

2.1 贝叶斯网络

贝叶斯网络是人工智能的一种，是贝叶斯方法的扩展，是基于概率推理，解决不确定性、不完整性问题而提出的一种分析方法。由于其在处理复杂问题等方面的机器学习具有独特性，目前已在人工智能领域中得到了广泛的应用[7]。贝叶斯网络可以综合历史数据信息、专家经验信息[8]对企业当前安全生产状况做出相对准确的评价。同时，由于贝叶斯网络可以综合验前与验后信息对安全生产状况进行综合评价，从而提高了预警效率。

2.2 建立机械制造企业安全预警系统的贝叶斯网络

将预警指标作为贝叶斯网络中的节点，建立起机械制造企业安全预警系统的贝叶斯网络，这一过程包括两个部分：确定网络的拓扑结构和参数，即各预警指标间的关系及条件概率分布。通过咨询专家，结合层次分析法确定了网络的拓扑结构；通过对过往机械制造企业发生事故或险肇事故的原因分析确定了网络的参数(即各事件间的条件概率表)。

在FullBNT中建立的机械制造企业安全预警系统的贝叶斯网络，见图1。贝叶斯网络为一有向无环图，每一个节点即是一个变量[9]。在如图1所示的机械制造企业安全预警系统的贝叶斯网络中，I、II级预警指标是节点；节点间的箭头表示了节点间的依赖关系，如“身体素质”有一个箭头指向“人的因素”，那么称“身体素质”为“人的因素”的父节点，而“人的因素”为“身体素质”的子节点[10]；每个节点都是一个变量，都有一个状态的概率分布[11]，子节点状态受其所有父节点状态的影响，即子节点状态的概率分布为其所有父节点的联合条件概率分布，人的因素中各状态的概率分布,见表2。

图1 机械制造企业安全预警系统的贝叶斯网络Fig.1 Bayesian network for safety early warning system of machinery manufacturing enterprises

表2 人的因素各状态的概率分布表

注：x1、x2、x3分别表示员工身体素质的状态为好、一般、差；y1、y2、y3分别表示员工安全知识水平的状态为好、一般、差；z1、z2、z3分别表示员工安全意识的状态为好、一般、差。

3 机械制造企业安全预警指标状态的确定

3.1 预警指标的取值范围

贝叶斯网络中的变量必须为离散变量。在本文中，将所有的变量取值规定为“好”、“一般”、“差”3种状态。在进行预警时，仅需确定各II级预警指标的状态即可得到预警等级。预警等级的状态规定为“I级预警”、“II级预警”、“III级预警”三种状态，其中“III级预警”为最高级别的预警，即在“III级预警”状态下，企业的安全风险最高。

3.2 人的因素中各预警指标状态的确定

与人的因素有关的“员工身体素质”、“员工安全知识水平”和“员工安全意识”预警指标的状态可通过现场检查、询问相关岗位员工进行确定，具体确定标准见表3。

3.3 天气状况预警指标状态的确定

天气状况预警指标状态则依据天气状况对生产安全的影响大小来确定，具体确定标准见表4。

3.4 其他预警指标状态的确定

3.4.1 确定预警指标状态的依据

其他环境的因素、物的因素和管理的因素则与企业设备设施、作业环境和管理的客观情况有关，依据《标准》可准确评价机械制造企业设备设施、作业环境(除天气状况外)和安全管理的状况。因此，将通过《标准》得到的各类设备设施、作业环境和基础管理的评分作为确定相关预警指标状态的依据。每个II级预警指标均由《标准》中数个考评项的得分决定，各II级预警指标与《标准》中考评项内容的对应情况见表5。

表3 人的因素中各预警指标状态的确定标准

表4 天气状况预警指标状态的确定标准

该对应情况参考了《标准》对于考评项的分类。其中(a1,a2,…,a10)、(b1,b2,…,b5)、(c1,c2,…,c5)属于设备设施基础条件类，即物的因素，在实际考评中往往将其分为机械及热工燃爆设备、电气设备、危险化学品3个子类分别进行考评；(d1,d2)、(e1,e2)属于作业环境类；(f1,f2,…,f4)、(g1,g2)、(h1,h2)属于基础管理类。

表5 各II级预警指标包含的考评项内容

3.4.2 采用BP神经网络确定预警指标的状态

由于每个预警指标的状态由《标准》中对应的数个考评项的得分所决定，即考评项的得分向量与预警指标的状态间存在一个映射关系[12]。在其他预警指标体系中一般采取加权平均的方式建立其映射关系，但这种方式主观性较强，且无法利用以往的事故数据。

BP神经网络是一种多层前馈神经网络，主要特点是信号前向传递、误差反向传播[13]。BP神经网络无需事先确定输入与输出之间映射关系的数学方程，通过不断的自我学习，在给定输入值时可得到最接近期望输出值的结果[14]，非常适合处理非线性关系问题。本文采用BP神经网络确定预警指标状态与考评项得分间的映射关系，将以往发生事故的情况及专家经验作为样本数据进行训练，得到用于确定指标状态的BP神经网络模块。

本文以“电气设备安全状况”这一II级预警指标为例，介绍了如何通过BP神经网络确定该II级预警指标状态的方法，其他II级预警指标的状态均可按此方法确定。

3.4.2.1 确定BP神经网络的参数

(1) 输入层：“电气设备安全状况”对应《标准》中变配电系统、临时低压电气线路、配电箱柜、电网接地系统、电焊设备5个考评项，这5个考评项的得分为BP神经网络的输入，输入层神经元数量为5。

(3) 输出层：电气设备安全状况输出层神经元数量为3。电气设备安全状况“差”则输出值为[0,0,1]，“一般”则输出值为[0,1,0]，“好”则输出值为[1,0,0]。

3.4.2.2 BP神经网络的实现与检验

(1) 样本数据：利用以往电气设备导致的事故(或险肇事故)的经验及专家经验作为样本数据。其中，若发生重伤及以上事故时，认为当时的电气设备安全状况为差；若发生轻伤事故或险肇事故时，认为当时的电气设备安全状况为一般。同时，结合专家的经验确定明显属于良好或差状况的电气设备得分情况，具体样本数据见表6。

表6 电气设备安全状况预警指标的样本数据

(2) 建立BP神经网络模型：在Matlab R2013b中建立确定电气设备安全状况的BP神经网络模型，见图2。

图2 确定电气设备安全状况的BP神经网络模型Fig.2 A BP neural network model for determining the safety status of electrical equipment注：图中“Input”表示输入向量，其下的“5”表示输入向量是由5个元素组成的一维向量，这些输入被送入权值矩阵Wb与“Hidden Layer”即隐含层相连，其下的“10”表示隐含层包含10个神经元；“Hidden Layer”通过另一权值矩阵Wb与“Output Layer”即输出层相连，其下的3表示输出层有3个神经元，这3个神经元同时对应BP神经网络的输出(“Output”)，即包含3个元素的一维向量。

(3) BP神经网络训练与检验：输入样本数据对BP神经网络进行训练，经过166次训练，网络误差满足设定的要求。选取样本数据第10组、13组用于检验BP神经网络参数学习的可靠性，见表7。由表7可知，由BP神经网络模块输出的预警指标状态与实际状态一致，证明所建立的确定电气设备安全状况的BP神经网络是可靠的。

表7 电气设备安全状况的BP神经网络检验结果

(4) BP神经网络的验证：编制一组与样本数据不同的验证数据，分别输入BP神经网络和提交专家判断，结果显示BP神经网络输出结果与专家判断结果基本一致(见表8)，由此可以证明利用BP神经网络可以根据各类设备的得分情况有效地判断电气设备的整体安全状况。

表8 电气设备安全状况的BP神经网络验证结果

4 实例分析

某机械制造企业在某时刻对预警指标的相关参数进行了观测，得到该企业相关考评项的得分情况和其他预警指标相关参数的观测情况，见表9和表10。

表9 某机械制造企业相关考评项的得分情况

表10 某机械制造企业其他预警指标相关参数的观测情况

将(a1,a2,…,a10)、(b1,b2,…,b5)、(c1,c2,…,c5)、(d1,d2)、(e1,e2)、(f1,f2,…,f4)、(g1,g2)、(h1,h2)分别输入各预警指标的BP神经网络模块，确定某机械制造企业各II级预警指标的状态，见表11。

表11 某机械制造企业各II级预警指标的状态

在FullBNT中，将各节点的状态更新为以上状态，点击“Update”，得到预警等级各状态的概率见图3。

图3 某机械制造企业的预警等级Fig 3 Early warning level of a machinery manufacturing enterprise

由图3可见，该机械制造企业的预警等级为III级预警，即为最高级别的预警。

5 结论与展望

本文以我国《机械制造企业安全生产标准化评定标准》为基础，建立了机械制造企业安全预警指标体系，并根据贝叶斯网络推理预警等级，在FullBNT中建立了机械制造企业安全预警系统的贝叶斯网络，提出了一种运用BP神经网络量化确定机械制造企业安全预警指标状态的方法。通过实例分析表明：该方法可充分利用专家和以往事故案例经验，且预警效率较高。

本文的研究中未考虑消防设备设施、应急救援设备设施对机械制造企业安全预警系统的影响，这几类设备设施的安全状况可能会影响事故的预警等级。另外，针对员工安全知识水平的评价不足且不具体，今后可以考虑从正确的操作技能、安全防护知识、应急处置能力等几个方面来评价，从而进一步提高预警效率。