李春花,李曉泉,李昂昂,何娟霞*,2

(1.廣西大學(xué) 資源環(huán)境與材料學(xué)院, 廣西 南寧 530004；2.華南理工大學(xué) 材料科學(xué)與工程學(xué)院, 廣東 廣州 510641)

0 引言

涉氨制冷企業(yè)屬于易發(fā)生重特大事故的重點(diǎn)行業(yè)領(lǐng)域，事故主要體現(xiàn)為氨泄漏、火災(zāi)、爆炸等[1]。據(jù)統(tǒng)計(jì)數(shù)據(jù)顯示，2007年至2015年這9年間，我國涉氨制冷企業(yè)僅氨泄漏事故就發(fā)生了187起，造成174人死亡、1 686人中毒，疏散近萬人，并且氨泄漏事故在2012年以后呈逐年增長態(tài)勢[2]。涉氨制冷企業(yè)頻發(fā)的事故造成嚴(yán)重人員傷亡、財(cái)產(chǎn)損失及環(huán)境污染，帶來了較壞的社會影響。究其根本原因在于企業(yè)對于風(fēng)險(xiǎn)的認(rèn)識不足，掌控不足。因此，建立健全快捷方便的涉氨制冷企業(yè)風(fēng)險(xiǎn)分級評估體系，實(shí)現(xiàn)風(fēng)險(xiǎn)快速分級及動態(tài)監(jiān)管，是目前亟需解決的問題。

現(xiàn)行《危險(xiǎn)化學(xué)品重大危險(xiǎn)源辨識》(GB 18218—2018)[3]規(guī)定，氨的臨界量為10噸，單元內(nèi)存在的危險(xiǎn)化學(xué)品數(shù)量等于或超過規(guī)定的臨界量即為重大危險(xiǎn)源。針對重大危險(xiǎn)源分級，有學(xué)者已進(jìn)行過相關(guān)探討。高進(jìn)東等[4]通過對比國外標(biāo)準(zhǔn)、分析國內(nèi)情況，提出我國重大危險(xiǎn)源辨識最小標(biāo)準(zhǔn)的建議；魏利軍等[5]提出了一種采用單元內(nèi)各種危險(xiǎn)化學(xué)品的總量與其臨界量比值經(jīng)校正系數(shù)校正后的值作為分級指標(biāo)的危險(xiǎn)化學(xué)品重大危險(xiǎn)源分級方法；王爽等[6]在針對重大危險(xiǎn)源臨界量設(shè)置問題上，采用數(shù)值模擬和火災(zāi)爆炸事故破壞范圍中的損失半徑等方法，提出了多種分級方法結(jié)合的組合式分級法。在《氨制冷企業(yè)安全規(guī)范》(AQ 7015—2018)[7]公布實(shí)施之前，由于涉氨制冷行業(yè)不屬于化工生產(chǎn)，因此在管理中未按照重大危險(xiǎn)源的規(guī)定嚴(yán)格執(zhí)行。目前，我國涉氨制冷企業(yè)風(fēng)險(xiǎn)研究多集中在泄漏、擴(kuò)散模型上。饒國寧等[8]通過對液氨泄漏的定量分析得出風(fēng)速對其擴(kuò)散范圍的影響；丁曉曄等[9]通過數(shù)值模擬對液氨儲罐泄漏和擴(kuò)散規(guī)律進(jìn)行分析，運(yùn)用所構(gòu)建模型確定了液氨泄漏擴(kuò)散趨勢和范圍；羅艾民等[10]對泄漏、擴(kuò)散、點(diǎn)火在泄漏源附近一定范圍內(nèi)按不同時(shí)序演變的5種事故后果模式進(jìn)行了對比研究，得出了每種事故的危害范圍和程度；JI Jie等[11]通過對液氨儲罐泄漏和擴(kuò)散進(jìn)行模擬，得出氨擴(kuò)散距離、危險(xiǎn)區(qū)域與風(fēng)速、地面粗糙度及液氨泄漏速率之間的關(guān)系。但鮮有學(xué)者對涉氨制冷企業(yè)風(fēng)險(xiǎn)分級進(jìn)行研究。

基于此，為緩和涉氨制冷企業(yè)風(fēng)險(xiǎn)分級狀態(tài)，筆者依據(jù)事故致因理論與“人、物、管、環(huán)”四要素系統(tǒng)，從涉氨制冷企業(yè)固有風(fēng)險(xiǎn)、人員風(fēng)險(xiǎn)、環(huán)境風(fēng)險(xiǎn)及企業(yè)管理風(fēng)險(xiǎn)出發(fā)，根據(jù)涉氨制冷行業(yè)相關(guān)法律、法規(guī)、規(guī)范、標(biāo)準(zhǔn)及其他要求，通過SPSS和專家評審確定了27個(gè)涉氨制冷企業(yè)風(fēng)險(xiǎn)分級指標(biāo)?；趯＜掖蚍址▽⒛蠈幨?1家涉氨制冷企業(yè)風(fēng)險(xiǎn)量化，量化結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的輸入值；選取10組數(shù)據(jù)作為訓(xùn)練樣本，1組作為驗(yàn)證樣本。經(jīng)驗(yàn)證，建立的BP神經(jīng)網(wǎng)絡(luò)模型對涉氨制冷企業(yè)風(fēng)險(xiǎn)分級具有一定程度的可靠性，有助于同類型企業(yè)及相關(guān)政府部門在進(jìn)行風(fēng)險(xiǎn)分級時(shí)抓住重點(diǎn)，提前預(yù)防，實(shí)現(xiàn)風(fēng)險(xiǎn)動態(tài)管理。

1 BP神經(jīng)網(wǎng)絡(luò)運(yùn)算基本原理

1986年Rumelhart和McCelland為首的科研小組提出了原始的BP神經(jīng)網(wǎng)絡(luò)[12]，其作為目前應(yīng)用最為廣泛的網(wǎng)絡(luò)模型之一，具有神經(jīng)網(wǎng)絡(luò)的普遍優(yōu)點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)是一種“通過誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練”的多層前饋網(wǎng)絡(luò)[13]。在正向傳播時(shí)，輸入樣本從輸入層傳入隱層，經(jīng)過處理后傳至輸出層，在此過程中若發(fā)生實(shí)際輸出與期望輸出不符，則轉(zhuǎn)入誤差的反向傳播階段；反向傳播時(shí)，將輸出信號以某種形式通過隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有神經(jīng)元，從而獲得各層神經(jīng)元的誤差信號，再以此誤差信號作為修正各個(gè)神經(jīng)元權(quán)重的依據(jù)。顯然其傳播對象是“誤差”，目的是得到所有層的估計(jì)誤差，通過不斷調(diào)整網(wǎng)絡(luò)權(quán)值和閾值使得全局誤差系數(shù)最小，以此達(dá)到對各神經(jīng)元權(quán)值的動態(tài)調(diào)整。典型的BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理拓?fù)浣Y(jié)構(gòu)如圖2所示，含3個(gè)神經(jīng)元的輸入層、3個(gè)神經(jīng)元的隱含層和3個(gè)神經(jīng)元的輸出層共3層的模型，其多層多維模型的數(shù)學(xué)原理同理。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型

Fig.1 BP neural network model

圖2 BP神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理拓?fù)浣Y(jié)構(gòu)

Fig.2 Topology of mathematical principle of BP neural network

其數(shù)學(xué)原理如下：

輸入層向隱含層單條線路輸入模型為：

h11=w11x1+b1。

(1)

因此隱含層單個(gè)神經(jīng)元輸入模型為：

(2)

隱含層向輸出層輸出模型為：

hoj=f(hij)i=1,2,3j=1,2,3。

(3)

輸出層輸出模型為：

(4)

輸出層輸出后將按照算法與期望輸出d進(jìn)行比較，其總誤差為：

(5)

當(dāng)其誤差滿足要求時(shí)停止計(jì)算，否則將進(jìn)行誤差反傳，在這期間用梯度下降法對各神經(jīng)元的權(quán)值w和閾值b進(jìn)行調(diào)整更新直至滿足要求為止，其相應(yīng)的修正量Δw和Δb如下：

(6)

(7)

上式中：hi為隱含層輸入值；ho為隱含層輸出值；y為輸出層輸出值；f(·)為激活函數(shù)；g(·)為線性函數(shù)；η為步長或?qū)W習(xí)率；δ為局部梯度或靈敏度。

2 涉氨制冷企業(yè)風(fēng)險(xiǎn)分級模型構(gòu)建與結(jié)果分析

2.1 涉氨制冷企業(yè)風(fēng)險(xiǎn)分級模型構(gòu)建

2.1.1 指標(biāo)體系確定

風(fēng)險(xiǎn)分級指標(biāo)體系是風(fēng)險(xiǎn)分級的關(guān)鍵和基礎(chǔ)，其對分級結(jié)果是否符合實(shí)際情況影響巨大，因而涉氨制冷企業(yè)風(fēng)險(xiǎn)分級指標(biāo)要盡可能全面反映該類企業(yè)的主要特征和基本狀況。

據(jù)此，本文在實(shí)地調(diào)研，查閱相關(guān)法律法規(guī)規(guī)范標(biāo)準(zhǔn)及其他要求，研究大量相關(guān)文獻(xiàn)資料以及咨詢政府職能部門、安全生產(chǎn)專家等工作之后，綜合考慮影響企業(yè)日常安全生產(chǎn)活動的關(guān)鍵風(fēng)險(xiǎn)因素，遵循科學(xué)性、系統(tǒng)性、簡要性、準(zhǔn)確性、可行性等原則，從眾多風(fēng)險(xiǎn)指標(biāo)中篩選出36個(gè)分級指標(biāo)，而后運(yùn)用SPSS統(tǒng)計(jì)軟件對所選36個(gè)指標(biāo)進(jìn)行降維，將其中的線性指標(biāo)再次剔除，盡量剩下彼此不相關(guān)且比原始變量具有某些更優(yōu)越性質(zhì)的指標(biāo)，經(jīng)專家評審后作為此次模型建立的指標(biāo)集。最后建立出涉氨制冷企業(yè)風(fēng)險(xiǎn)分級指標(biāo)體系見表1所示。

表1 涉氨制冷企業(yè)風(fēng)險(xiǎn)分級指標(biāo)體系

2.1.2 評價(jià)集確定

風(fēng)險(xiǎn)評價(jià)結(jié)果按照程序運(yùn)行行為將其劃分為5個(gè)等級，分別是：高風(fēng)險(xiǎn)(Ⅴ，80～100)、較高風(fēng)險(xiǎn)(Ⅳ，60～80)、一般風(fēng)險(xiǎn)(Ⅲ，40～60)、較低風(fēng)險(xiǎn)(Ⅱ，20～40)、低風(fēng)險(xiǎn)(Ⅰ，0～20)。

為減弱定性指標(biāo)的主觀性，將其按照風(fēng)險(xiǎn)評價(jià)結(jié)果用模糊語言量化[14]。具體如表2所示。

表2 定性指標(biāo)模糊處理

將量化后的指標(biāo)及五位專家對企業(yè)整體風(fēng)險(xiǎn)打分的平均值作為企業(yè)最后風(fēng)險(xiǎn)得分整理成表3。因?yàn)楝F(xiàn)在MATLAB新版本中不需要對數(shù)據(jù)進(jìn)行歸一化就可運(yùn)算，所以本文直接運(yùn)用表3進(jìn)行樣本訓(xùn)練和測試。

表3 量化后的風(fēng)險(xiǎn)分級指標(biāo)

① 輸入層n：本文有27個(gè)二級指標(biāo)，故輸入層神經(jīng)元個(gè)數(shù)為27個(gè)。

② 輸出層y：表示危險(xiǎn)化學(xué)品重大危險(xiǎn)源企業(yè)風(fēng)險(xiǎn)等級，輸出值為0～100的常數(shù)，輸出層神經(jīng)元的個(gè)數(shù)為1。

③ 隱含層h：BP網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，根據(jù)Kolmogorov定理[15]，一個(gè)3層BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對任意非線性函數(shù)進(jìn)行逼近，因此隱含層數(shù)選擇為1層[16]。同時(shí)，隱層神經(jīng)元數(shù)目對預(yù)測精度的影響至關(guān)重要，過多會過度擬合，過少會影響性能，達(dá)不到預(yù)期效果[17]。網(wǎng)絡(luò)中的隱含層神經(jīng)元數(shù)目與實(shí)際問題的復(fù)雜程度、輸入和輸出層的神經(jīng)元數(shù)以及對期望誤差的設(shè)定有著直接聯(lián)系。本文參照了以下經(jīng)驗(yàn)公式[18]和Kolmogorov定理。

④ 權(quán)值和閾值初始值：(0，1)之間的隨機(jī)數(shù)。

⑤ 學(xué)習(xí)率η=0.01，按照數(shù)據(jù)在運(yùn)行中被歸一化后取最小絕對值也大于0.1，因此取小一個(gè)數(shù)量級的0.01比較合理，學(xué)習(xí)率取過大收斂速度快，但是在臨近最佳點(diǎn)時(shí)會產(chǎn)生動蕩致使無法收斂。

2.2 模型實(shí)現(xiàn)與驗(yàn)證

2.2.1 樣本企業(yè)介紹

本文以廣西壯族自治區(qū)南寧市內(nèi)11家涉氨制冷企業(yè)中10家風(fēng)險(xiǎn)評估數(shù)據(jù)作為訓(xùn)練樣本，另外1家企業(yè)風(fēng)險(xiǎn)評估數(shù)據(jù)作為驗(yàn)證樣本。11家企業(yè)中，啤酒廠3家(3級重大危險(xiǎn)源2家、4級重大危險(xiǎn)源1家)、冷鮮肉加工2家(3級重大危險(xiǎn)源1家、4級重大危險(xiǎn)源1家)、冷凍飲品企業(yè)2家(3級重大危險(xiǎn)源1家、4級重大危險(xiǎn)源1家)、水果生鮮企業(yè)4家(3級重大危險(xiǎn)源1家、4級重大危險(xiǎn)源3家)。

仿真1中只分析了一種布站方式下算法對遠(yuǎn)近目標(biāo)的定位，接下來給出另一種布站方式下算法的定位性能，并分析布站數(shù)量對目標(biāo)定位精度的影響.定位場景如圖4所示：利用接收站Rx1、Rx2和外輻射源Tx1、Tx2、Tx3，對位于[5,5]Tkm處的目標(biāo)進(jìn)行定位.仿真結(jié)果如圖5所示.

2.2.2 模型實(shí)現(xiàn)與驗(yàn)證

將表3中前10家企業(yè)風(fēng)險(xiǎn)分級指標(biāo)的各項(xiàng)數(shù)據(jù)輸入以MATLAB(2016a)為基礎(chǔ)的BP神經(jīng)網(wǎng)絡(luò)模型中，以隱含層節(jié)點(diǎn)數(shù)14為例，涉氨制冷企業(yè)的BP神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評價(jià)模型結(jié)構(gòu)如圖3所示。

圖3 隱含層節(jié)點(diǎn)數(shù)為14的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

首先確定訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，即將輸入的10家企業(yè)數(shù)據(jù)進(jìn)行分組，本文采取隨機(jī)分組模式，將10組數(shù)據(jù)中的70 %作為訓(xùn)練數(shù)據(jù)，15 %作為測試數(shù)據(jù)，15 %作為驗(yàn)證數(shù)據(jù)。

模型中的傳輸函數(shù)分別為tansig函數(shù)和purelin函數(shù)，訓(xùn)練函數(shù)采用麥夸特算法trainlm。訓(xùn)練次數(shù)設(shè)置為5 000次，目標(biāo)誤差為10-7。經(jīng)訓(xùn)練后將數(shù)據(jù)代入進(jìn)行仿真，得出最后結(jié)果。

當(dāng)節(jié)點(diǎn)數(shù)為6時(shí)，經(jīng)過4次迭代訓(xùn)練后模擬結(jié)果為50.666 7，擬合優(yōu)度R=0.073 538，均方誤差MSE=35.222 2，明顯不符合要求。其擬合優(yōu)度和均方誤差如圖4、圖5。

當(dāng)節(jié)點(diǎn)數(shù)為10時(shí)，經(jīng)過6次迭代訓(xùn)練后模擬結(jié)果為50.400 0，擬合優(yōu)度R=0.799 46，均方誤差MSE=5.533 3，不符合擬合要求。其擬合優(yōu)度和均方誤差如圖6、圖7。

當(dāng)節(jié)點(diǎn)數(shù)為14時(shí)，經(jīng)過23次迭代訓(xùn)練后模擬結(jié)果為52.500 0，擬合優(yōu)度R=0.972 46，均方誤差MSE=0.75，本次結(jié)果的擬合度達(dá)到要求，但其MSE未達(dá)到要求。其擬合優(yōu)度和均方誤差如圖8、圖9。

當(dāng)節(jié)點(diǎn)數(shù)為20時(shí)，經(jīng)過17次迭代訓(xùn)練后模擬結(jié)果為50.000 0，擬合優(yōu)度R=0.4733 5，均方誤差MSE=14.333 3，不符合要求。其擬合優(yōu)度和均方誤差如圖10、圖11。

當(dāng)節(jié)點(diǎn)數(shù)為30時(shí)，經(jīng)過40次迭代訓(xùn)練后模擬結(jié)果為52.583 9，擬合優(yōu)度R=1，均方誤差MSE=3.1614e-21，擬合度和精度均達(dá)到要求，且與實(shí)際情況吻合良好，提取并保存其權(quán)值和閾值。其擬合優(yōu)度及均方誤差如圖12、圖13。

當(dāng)節(jié)點(diǎn)數(shù)為55時(shí)，通過迭代訓(xùn)練47次后模擬結(jié)果為53.9470，擬合優(yōu)度R=1和均方誤差MSE=5.615e-20均達(dá)到要求，但訓(xùn)練時(shí)間較長且訓(xùn)練結(jié)果與實(shí)際情況的誤差比隱含層為30時(shí)偏大，因此不選擇隱含層數(shù)55。其擬合優(yōu)度和均方誤差如圖14、圖15。

經(jīng)以上測試，建立的BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元節(jié)點(diǎn)數(shù)取30。

圖4 擬合優(yōu)度(R=0.073 538)

Fig.4 Goodness of fit (R=0.073 538)

圖5 均方誤差(MSE=35.222 2)

Fig.5 Mean square error (MSE=35.222 2)

圖6 擬合優(yōu)度(R=0.799 46)

Fig.6 Goodness of fit (R=0.799 46)

圖7 均方誤差(MSE=5.533 3)

Fig.7 Mean square error (MSE=5.533 3)

圖8 擬合優(yōu)度(R=0.972 46)

Fig.8 Goodness of fit (R=0.972 46)

圖9 均方誤差(MSE=0.75)

Fig.9 Mean square error (MSE=0.75)

圖10 擬合優(yōu)度(R=0.473 35)

Fig.10 Goodness of fit (R=0.473 35)

圖11 均方誤差(MSE=14.333 3)

Fig.11 Mean square error (MSE=14.333 3)

圖12 擬合優(yōu)度(R=1)

Fig.12 Goodness of fit (R=1)

圖13 均方誤差(MSE=3.1614e-21)

Fig.13 Mean square error (MSE=3.1614e-21)

圖14 擬合優(yōu)度(R=1)

Fig.14 Goodness of fit (R=1)

圖15 均方誤差(MSE=5.615e-20)

Fig.15 Mean square error (MSE=5.615e-20)

2.3 BP神經(jīng)網(wǎng)絡(luò)模型模擬結(jié)果分析

① 通過對隱含層神經(jīng)元節(jié)點(diǎn)數(shù)的選擇測試，驗(yàn)證了神經(jīng)元節(jié)點(diǎn)數(shù)對模擬結(jié)果的影響十分顯著。同時(shí)，常用的經(jīng)驗(yàn)公式在面對該行業(yè)的類似數(shù)據(jù)時(shí)，效果差強(qiáng)人意；利用兩種方法綜合確定神經(jīng)元節(jié)點(diǎn)數(shù)的大致范圍，然后再逐步測試的過程雖然略顯繁瑣，但其能在該行業(yè)的類似數(shù)據(jù)的模擬預(yù)測中達(dá)到很好的效果。

② 在選擇隱含層神經(jīng)元節(jié)點(diǎn)數(shù)時(shí)，要注意對每次結(jié)果進(jìn)行保存。BP神經(jīng)網(wǎng)絡(luò)不具備記憶性，且在模擬中一開始給定的權(quán)值和閾值是0和1之間的隨機(jī)數(shù)，若不對測試時(shí)的數(shù)據(jù)進(jìn)行保存，將難以再次實(shí)現(xiàn)該預(yù)測結(jié)果。因此建議保存每次測試結(jié)果，找到最優(yōu)節(jié)點(diǎn)數(shù)后，將該次測試結(jié)果的權(quán)值和閾值進(jìn)行提取，然后將最終模型的權(quán)值和閾值直接設(shè)定為前面的提取值。

③ 經(jīng)對模擬結(jié)果分析，涉氨制冷企業(yè)與其他危險(xiǎn)化學(xué)品企業(yè)有著顯著的不同：涉氨制冷企業(yè)沒有顯著的風(fēng)險(xiǎn)高發(fā)點(diǎn)，即單獨(dú)提高或者降低某項(xiàng)指標(biāo)對企業(yè)整體風(fēng)險(xiǎn)評級影響不大，不同于其他化工企業(yè)事故發(fā)生原因多是因?yàn)樵O(shè)備故障，涉氨制冷企業(yè)事故原因幾乎涵蓋四大類指標(biāo)。由此說明，該類企業(yè)風(fēng)險(xiǎn)具有分散性，致使事故的發(fā)生難以預(yù)測和預(yù)防。

3 結(jié)論

① 建立了基于BP神經(jīng)網(wǎng)絡(luò)的涉氨制冷企業(yè)風(fēng)險(xiǎn)分級模型，通過訓(xùn)練和模擬驗(yàn)證了該模型具有較高可靠性，能為涉氨制冷企業(yè)風(fēng)險(xiǎn)分級提供一定的理論依據(jù)。

② 該模型屬于神經(jīng)網(wǎng)絡(luò)類模型，訓(xùn)練樣本越多模型會越精確，數(shù)據(jù)越豐富其準(zhǔn)確率和靈敏度也將越來越高。其快速的反應(yīng)、簡單的操作能夠適用于企業(yè)和相關(guān)政府部門，免去專家評審步驟，既節(jié)約了時(shí)間成本，又節(jié)約了人力成本。

③ 借助本模型，涉氨制冷企業(yè)能做到對風(fēng)險(xiǎn)的動態(tài)監(jiān)控，實(shí)現(xiàn)企業(yè)安全管理的動態(tài)反饋，可以根據(jù)其風(fēng)險(xiǎn)變化趨勢提前采取措施，有利于防止事故的發(fā)生。