文摘
化学事故的应急管理中扮演一个重要的角色在预防化学事故的扩张。近年来,化学事故的评估和应急管理的研究引起了许多学者的关注。然而,作为应急管理的一个重要组成部分,化学的专业救援队几乎没有为他们的能力评价模型。在这项研究中,紧急救援能力评估模型提出了基于PCA-BP神经网络。首先,11的建设状况分析了上海化学事故应急救援队伍,和一个指标体系来评价应急救援队伍建立了化学物质的能力。其次,主成分分析(PCA)是用来执行的体重减少维度和指标采集原始指标体系来实现的有效评价11救援队伍的能力。最后,使用降维后的指标作为输入神经元的反向传播(BP)神经网络的特征数据八救援队伍作为训练集,和三个救援队伍的综合得分是用于验证评价模型的泛化能力。结果表明,提出的基于PCA-BP神经网络评价模型可以有效地评估救援能力的化学事故应急救援队伍和应急救援能力评估提供一个新的想法。
1。介绍
由于危险化学品的性质,如毒性、腐蚀性、爆炸性、易燃性、和燃烧的支持,有巨大的风险在他们的生产、运输、储存、销售、使用和处置。一旦发生危险化学品事故,很容易造成许多人员伤亡,巨大的财产损失,严重的环境污染,给企业和社会带来灾难性的后果。例如,爆炸危险好仓库的8月15日,在天津港2015年导致165人死亡,798人伤亡,8失踪。直接经济损失达到68.66亿元(1]。因此,化学事故的紧急治疗必须及时、有效防止事故扩大,造成更大的损失。
近年来,危险化学品事故应急管理能力的评估已经吸引了许多学者的关注。王等人。2)提出了灾害管理控制能力评估模型基于能力成熟度模型(CMM)。这个模型从8个方面评估组织的能力和能力评估结果分为四层,它提供了通用评估准则不同类型的应急管理机构。林(3]分析了应急救援能力的本质从整个城市的角度,建立了一个城市应急救援能力评价体系基于AHP和模糊综合评价(FCE)。杨et al。4]分析了众多因素影响企业的应急能力,建立应急能力评价指标体系,并确定每个指标的权重,通过层次分析法(AHP)。Yu和关5]分析了现状及危险化学品事故的紧急治疗的困难,讨论了应急培训系统,并提供了一个参考为提高应急能力的专业团队,危险化学品救援。朱et al。6)动态贝叶斯网络提出一个框架用于评估在化工厂爆炸事故以支持预防、管理和实时预警。他等。7)建立了一个化学事故应急过程的Petri网模型来评估应急功能,可以动态地评估化学事故的应急能力。
除了上述的传统评价方法,人工神经网络的应用化学事故的评估已经取得了一些进展。元等。8)使用反向传播神经网络,广义回归神经网络和径向基函数神经网络评价化工企业的安全生产管理,发现径向基函数神经网络的预测能力更为准确。针对当前化工生产安全评价体系的不足,结合人工神经网络的知识,杨建立了一个新的评价指标体系的优点,提出将神经网络应用于化工生产安全评价体系(9]。
这些研究主要集中在建立一个危险化学品事故应急管理评估系统和应急评价方法的应用。或者,考虑应急管理活动本身作为一个项目管理过程和研究应急管理控制能力评估模型。然而,作为应急管理的一个重要组成部分,危险化学品的专业救援队几乎没有为他们的能力评价模型。此外,传统的评价方法,如层次分析法(AHP),深受人为因素在实现过程中,,很难得到客观的评价结果。当有许多评价指标,它将复杂的人工神经网络模型的结构,增加计算复杂度。上海是一个重要的石油化工和精细化工产业基地在中国,有一个坚实的化学工业的基础。通过应急能力评估的11个专业救援队伍在上海化学危险品,救援队伍的能力可以通过有针对性的加强对策。
为了合理评价的功能专业危险化学品事故应急救援队伍,本研究调查了11个专业救援队伍在上海,这些团队的状态分析,建造了一个救援能力评价指标体系,建立了一个救援能力评价模型与BP神经网络相结合。同时,为了确定指标的权重,减少输入层的神经元数的反向传播(BP)神经网络的主成分分析(PCA)被用来减少评价指标体系的维数和获得的重量。dimensionality-reduced特性因素作为BP神经网络的输入单元。这种方法不仅可以减少评价过程中人为因素的影响,也简化了人工神经网络的结构,减少评价模型的计算复杂度。受过训练的BP神经网络评价模型可以评价的功能专业危险化学品事故应急救援队伍,为应急救援能力评估提供了一个新的想法。
2。方法
2.1。建设救援能力评价指标体系
上海共有11个安全生产应急救援队伍,如表所示1。目前,有11个安全生产应急救援队伍管理的公司工作。上海应急管理部门负责提供业务指导。由于一个彻底的调查,与这些团队建设问题被发现后:(1)低效率的合作机制:缺乏紧急救援团队和其他部门之间的协调。团队的职责不清楚,没有统一指挥。(2)缓慢的应急响应:缺乏分类和相应的反应计划类型和规模的基础上危险化学品事故应急救援现场更混乱。(3)不恰当的团队建设:这些救援队伍的定位尚不清楚,救援领域并不是分裂。没有长期全职成员在这些救援队伍,这些团队成员没有收到任何专门培训在处理危险化学品事故。(4)不足的应急设备,材料,和维修基金。危险化学品事故的专业救援设备的维护缺乏政府财政支持。不能及时补充必要的设备和材料。(5)不合规的紧急处理。有一个缺乏规范和标准对危险化学品事故的应急处理。没有针对不同的危险化学品事故应急反应计划。由于团队建设的问题,救援人员和非专业的特点,和临时组合,很难进行科学应急反应和迅速。
根据上面的建设状况,紧急救援团队建立了评价指标体系。专业救援队伍的应急响应能力危险化学品事故包括以下要素:(1)紧急合作:主要考虑救援小组内的分工是否合理、清晰、光滑的信息是否可以各部门之间的沟通;人力资源管理是否已经被认为是一个完美的奖励和惩罚制度,员工福利和激励;和足够的沟通是否有效,确保应急机制的正常运行。(2)应急指挥:危险化学品事故的应急救援主要包括两个方面:紧急处置计划和应急专业技术人员。不同的方案需要应对不同的化学事故危险化学品的数量和类型总是不同植物和地区。因此,某些需求提出针对性和完整性的应急响应计划和应急专业技术人员的分配。(3)紧急的基础:人员、材料、设备和资金的危险化学品事故应急救援的基础。在这项研究中,影响基本的应急支持的因素分为四个部分:(1)应急团队,考虑是否稳定,数量和质量的紧急救援人员;(2)应急设备(包括人员保护设备),功能,安全,质量,和数量的设备应满足应急处置需求;(3)紧急材料是否能够满足不同类型的危险化学品事故;(4)、应急资金,政府和企业是否得到经济支持,以确保更好地操作应急救援队伍。(4)培训和教育:考虑专业应急救援知识和技能的培训。评估的应急救援能力的提高相应的紧急救援人员。(5)应急演习:考虑的工作负载,比如的数量和时频演习是否合理来满足要求。此外,需要考虑的因素的影响应急演习,人员是否熟悉应急程序和更有效的应对特殊化学事故应急演习。
因此,本研究提出了一个救援能力评价指标体系,包括5个一级指标、14个二级指标,和28第三级指标,如表所示2:
2.2。降维的评价指标和体重的收购
上述指标体系太复杂;使用原始指标作为BP神经网络的输入单元将面临的问题,如高维度数据,拟合效果差,和不准确的预测结果。因此,主成分分析(PCA)被要求减少指标消除相关的尺寸(10]。
主成分分析(PCA)是一种重要的统计方法,利用降维的思想,将多个指标转化为几个综合指标。这些综合指标不解释但保留最原始的信息(11]。新的综合指标的线性组合的所有原始指标仍然是相互独立的。主成分分析(PCA)可以减少评价指标的数量,从而减少输入层神经元的个数来简化BP神经网络的结构。
从几何意义上讲,主成分分析(PCA)方法是原始数据投射到一个新的座标轴,即主成分。为了使主成分含有更多的原始数据信息,主成分的方差必须最大化。主成分分析(PCA)的过程就是寻找线性组合系数。系数必须最大化主成分的方差,和系数的平方之和必须等于1。此外,从第二主成分,每个主成分必须独立于现有的主成分。
主成分分析(PCA)的具体步骤如下:步骤1:原始数据标准化。假设原始数据是一个n×米矩阵: 数据矩阵中的行代表不同的样品,和列代表不同的评价指标。可以看出n样品和米评价指标。矩阵可以由下面的公式:归一化 其中, 方差: 步骤2:计算样本指标的相关系数矩阵: 其中, 步骤3:计算特征值 和特征向量 的相关系数矩阵。第四步:选择主成分 。所有的特征值 按降序排列。特征值越大,系统越主成分中包含的信息。计算各主成分的贡献率由以下公式: 人们普遍认为第一的累积贡献率主成分超过85%是合理的,这表明他们包含系统信息的总量超过85%。这个时候,主成分 降维后的特征指数。第五步:找到单位正交特征向量 的第一个特征向量。每个主成分的线性组合的所有原始指标的系数是单位正交特征向量的元素: 然后,主成分的表达式的 - - - - - -th样品 第六步:综合评价函数的 - - - - - -th示例如下公式所示:
主成分的贡献率的重量 。
2.3。建设基于BP神经网络的评价模型
BP神经网络是一种多层前馈网络模型。其网络主要由三部分组成:输入层、隐藏层和输出层。如图1,它可以映射 - - - - - -维数据 - - - - - -维数据。每一层的神经元BP神经网络不连接,并在每一层神经元的输出只影响下一层的输出。与此同时,网络将backpropagate错误在操作过程中,不断调整网络的权值和阈值来实现自动调节(12]。BP神经网络是一种非线性自适应系统,所以它更适合处理模糊或非线性问题。该方法可以有效地减少评价过程中主观因素和减少评估时间13]。
的主要参数设置BP神经网络的网络层,隐层节点的数目,传递函数,和训练函数,将一个一个地介绍如下。
2.3.1。网络层数
随着网络层数的增加,BP神经网络的结构将变得越来越复杂。相应地,复杂的BP神经网络将延长学习时间和造成“过度拟合现象。“通过之前的测试和研究,神经网络通常被设置为一个三层网络,即输入层、隐藏层和输出层(14]。
2.3.2。隐层节点的数量
太少的隐层神经元可能不训练所需的网络,或经过训练的网络不够结实,泛化能力差。相反,太多的隐层神经元会增加学习时间和错误可能不会小。隐层神经元的数量可以得到以下经验公式(15]: 在哪里隐层神经元的数量,输入层神经元的个数,是在输出层神经元的数目,然后呢是一个常数间1,10]。
2.3.3。传递函数
有三个主要转移功能:logsig函数,tansig功能,purelin函数。的选择隐层和输出层的传递函数有一个更大的对BP神经网络的预测精度的影响。logsig传递函数是一个年代对数函数,tansig函数是一个年代双曲正切函数,并且都是非线性函数。在那之后,purelin函数是一个线性函数。一般来说,隐藏层的传递函数选择logsig函数或tansig函数,和输出的传递函数层选择purelin函数。非线性传递函数而言,如果样本的输出大于零,logsig函数主要是使用;否则,tansig函数。
2.3.4。培训功能
常见的训练函数如下:trainlm: LevenbergMarquardt方法traingd:梯度下降的方法traingdm:梯度下降法与动力因素traingda:梯度下降法和自适应学习速率traingdx:梯度下降法和自适应学习速率和动量因子
3所示。数据处理
3.1。数据源
上述评价指标体系是由11的建设状况分析危险化学品事故应急救援队伍在上海。然后,本文产生的分数表对这些专业的救援队伍。减少主观任意性得分时,结果被分成5个层次,每一层是保证采取积极的价值,从坏到最好,分别1,2,3,4,5分。见表3为评分标准。射手可以根据实际情况选择相应的分数。表4显示11救援队伍的成绩:
3.2。数据降维和体重的决心
在这个研究中,使用SPSS 25.0软件进行主成分分析(PCA)的原始数据,实现数据简化和体重的决心。28个指标之间的相关系数矩阵的特征值、贡献率和累计贡献率(表的主要组件5(表)和因子负荷矩阵6)可以自动计算通过SPSS因子分析的工具软件。从表可以看出5,有7个特征值大于1,对应的7个主成分的累积贡献率达到94.743%,符合要求的累积贡献率通常大于85%。然而,如表所示67,没有最后的两个主成分超过0.5,和第一个5个主成分的累积贡献率达到85.849%,这也符合大于85%的要求。因此,本研究选择了前5个主成分作为输入单位的最后的BP神经网络。虽然单位正交特征向量不能直接通过SPSS软件的因素分析工具,它可以计算公式的关系(12)之间的单位正交特征向量和因子负荷: 在哪里lt是主成分的载荷Pt。所以五个主成分线性表达式的系数是已知的(表7)。
5个主成分的贡献率是权重,和归一化权重如表所示8。5个主成分的特定的值在11救援队通过表中7和公式(9),的应急能力的综合得分11救援队终于通过公式计算(10),如表所示9:
从表可以看出911救援队伍中,团队3得到了最高分12.441分,而团队8的最低得分只有7.541分。最高和最低分数的区别是4.9分。与原来的计分表4,它可以发现团队3得分4或5点c15和D24除外。为团队8,所不同的是,除了D22摊位外,其他指标都是1或3点。因此,综合成绩获得的主成分分析方法与实际情况一致,能有效反映11救援队伍的应急响应状态。
4所示。BP神经网络的实现
4.1。样本数据归一化
规范化是指限制网络的输入和输出数据[0,1]或[−1,1]通过变量的处理,可以改善效率的传递函数和神经网络的输出的准确性。之间有一个最大最小方法来限制数据[0,1],和函数形式如下:
限制了数据的公式(−1,1)
摘要mapminmax MATLAB提供的函数用来获取归一化之间的输入和输出数据(−1,1)。归一化数据如表所示10:
团队1到8作为BP神经网络的训练样本,和团队9到11被用作预测样本对BP神经网络。
4.2。传递函数的确定
在这项研究中,数据仅限于在正常化(−1,1)。从上面的描述可以是已知的传递函数,应该使用tansig函数。因此,它是确定隐层的传递函数tansig函数和传递函数的输出层被选为purelin函数。
4.3。选择的培训功能
为了确定快速和准确的培训功能,本研究使用MATLAB软件实验的BP神经网络工具箱上面的五个培训功能,然后比较了选择结果。根据前面的主成分分析(PCA),已确定5个输入神经元,命名 , , , ,和 ,且只有一个输出神经元“综合得分。“从上面的经验公式,可以知道,隐层神经元的数目应该选择之间4,13),暂时确定为9。迭代次数和收敛精度训练函数作为评价指标的选择。使用上述五个训练函数执行之前预测拟合训练样本8日,最大迭代次数设置为2000,目标收敛精度设置为0。结果如表所示11:
从上面的训练结果,可以看出trainlm训练函数实现高精度只有5步骤。trainlm训练函数收敛速度最快的,但它很容易陷入局部最小值。traingd函数和trackingdm函数收敛缓慢在实际应用程序中,和收敛精度不高的其他三个培训功能。traingda函数和traingdx功能大大改善了收敛精度的训练,但traingdx函数收敛速度比traingda函数和traingdx函数可以避免陷入局部最小值由于附加动量项和自适应学习速率。同时,培训traingdx函数的精度达到8.396810−10,这是在一般情况下一致收敛精度。因此,本文建立的BP神经网络模型traingdx函数用作培训功能。
4.4。训练参数的设置
在这项研究中,两个参数的BP神经网络模型集。最大允许误差设置为0.00001,最大的学习次数设置为1000,和其余的参数采用默认值。
4.5。确定隐层神经元的数目
隐层神经元的价值范围内获得通过前一篇文章的经验公式。然而,如果隐层神经元的数量太小,神经网络获取信息的能力从样本差,不可能概括和反映样本法。同时,如果有太多的神经元,示例中的不规则的内容可能是学习和“过度拟合”的现象发生。因此,有必要确定一个最佳的隐层神经元的数量。
隐层神经元的数量可以确定一个接一个(4,13通过实验。训练的数量设置为1000,精度和目标设置为0.00001。的迭代次数和收敛精度10培训进行比较,以确定合适的隐层神经元的数量。培训结果如表所示12:
如表所示12,收敛精度是一个数量级,但还是有一些差距的迭代的数量。当隐层神经元的数量是8,9日,12日和13日的迭代的数量很小。从简化BP神经网络的结构,本研究确定隐层神经元的数量是8。由此产生的BP神经网络结构如图2:
4.6。计算复杂度
神经元的数量在一个神经网络具有重要影响的计算复杂度。当神经元数量的增加,网络计算变得更加复杂。复杂的计算一定的梯度层 ,假设这一层的神经元数D。本研究使用主成分分析来减少输入层的神经元的神经网络,并获得最终的结构神经网络:5个神经元在输入层,1 8隐层神经元,神经元在输出层。因此,最终的整个神经网络的计算 。相比之下,计算复杂度的神经网络输入层的直接使用所有评价指标作为输入层神经元 ,这远远大于优化神经网络的计算复杂度。
5。模拟和结果分析的BP神经网络评价模型
5.1。BP神经网络的训练
上面的讨论之后,BP神经网络评价模型的参数已经确定。第一个8团队现在作为训练样本训练BP神经网络。培训结果如图3。150次迭代后,神经网络的均方误差达到9.688e−6。如表所示13之间的最大相对误差训练结果和综合得分仅为0.146%,表明BP神经网络已达到培训要求。
5.2。BP神经网络的仿真
受过训练的BP神经网络评价模型被用来预测其余三个救援队伍的综合得分。预测结果和理论之间的相对误差值如表所示14。它可以从表14最大相对误差为6.658%,这表明广义的能力训练的BP神经网络评价模型能满足应急救援能力评估救援队伍的需要。
6。结论
(1)能力评价指标体系的危险化学品事故应急救援队伍提出了本研究从五个方面考虑:紧急合作、应急指挥、应急基础,培训和教育,应急演习。总共5个一级指标,14个二级指标,和28第三级评价指标提出了充分考虑影响因素应急救援能力和相对全面、客观。(2)降维的评价指标是通过主成分分析(PCA)方法,和权重和综合得分11应急救援队伍。根据原始指数得分表,发现主成分分析的综合分数获得符合实际情况,可以反映11救援队伍的应急救援能力。(3)降维后的主成分分析(PCA)方法,神经元的数量在BP神经网络的输入层大大减少和BP神经网络的结构简化。同时,神经网络评价模型的计算复杂度也在减少。团队1 - 8作为训练样本对BP神经网络评价模型,和团队9到11被用作测试样品验证模型。训练的BP神经网络评价模型显示良好的泛化能力,并与理论综合得分最高的相对误差测试样本的6.658%,可以满足应急救援能力评估的需要。本文的目的是评估的能力危险化学品事故应急救援小组为了更好地理解这些救援队伍的现状。这种理解将支持这些团队有针对性的改善能力。此外,主管部门可以使用这样的评估来提高他们的管理水平。上述研究结果表明,它是可行的使用PCA-BP神经网络评价模型评价危险化学品事故应急救援队伍的能力,这为应急救援能力评估提供了一个新的想法。
数据可用性
用于支持本研究的所有数据已经包含在这篇文章。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究是财务支持的第六批实验应用本科专业主要在上海,上海的一个关键项目安全生产管理和项目(2019 syszd02)的中国高等教育协会。