基于BP網(wǎng)絡(luò)和證據(jù)理論的鉆井安全事故預(yù)測(cè)

蔡汶君 王兵 譚露

(1.西南石油大學(xué)理學(xué)院， 成都 610500；2.西南石油大學(xué)計(jì)算機(jī)科學(xué)學(xué)院， 成都 610500)

引起鉆井作業(yè)安全事故的原因比較復(fù)雜，其中人的不安全行為、管理缺陷、環(huán)境與物的不安全狀態(tài)等因素影響為主要原因。針對(duì)導(dǎo)致這些事故發(fā)生的原因，構(gòu)建事故評(píng)價(jià)指標(biāo)體系，建立一種新的鉆井安全事故預(yù)測(cè)模型，對(duì)鉆井安全生產(chǎn)有著非常重要的指導(dǎo)意義[1-2]。

事故預(yù)測(cè)的方法包括回歸預(yù)測(cè)法、灰色預(yù)測(cè)法、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法、貝葉斯網(wǎng)絡(luò)預(yù)測(cè)法等。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法主要解決非線性問(wèn)題，它對(duì)含有非線性關(guān)系的數(shù)據(jù)具備很好的捕捉能力。大量的預(yù)測(cè)試驗(yàn)結(jié)果表明，對(duì)于大部分非線性預(yù)測(cè)對(duì)象，神經(jīng)網(wǎng)絡(luò)法所得預(yù)測(cè)精度更高。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法所用的神經(jīng)網(wǎng)絡(luò)主要為BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)用得最多[3]。本次研究采用經(jīng)典BP神經(jīng)網(wǎng)絡(luò)對(duì)鉆井安全事故的發(fā)生進(jìn)行回歸預(yù)測(cè)。證據(jù)理論算法具備較強(qiáng)的不確定信息處理功能，考慮到由于單一BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果不夠穩(wěn)定，在此將多個(gè)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果作為證據(jù)體進(jìn)行證據(jù)理論合成進(jìn)而預(yù)測(cè)鉆井安全事故的發(fā)生[4]。

1 BP神經(jīng)網(wǎng)絡(luò)和證據(jù)理論

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation neural Network)主要通過(guò)誤差反向傳播算法進(jìn)行學(xué)習(xí)，是一種含有3層或3層以上的前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層[7]。它是應(yīng)用最多的一種人工神經(jīng)網(wǎng)絡(luò)，通過(guò)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)能力和強(qiáng)容錯(cuò)性的非線性函數(shù)逼近能力，在預(yù)測(cè)問(wèn)題中可以較好地克服人的因素帶來(lái)的主觀性影響。1989年，Robert Hecht Nielsen研究證明，對(duì)于任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用一個(gè)隱含層(假設(shè)隱含層有足夠多的節(jié)點(diǎn)數(shù))的BP神經(jīng)網(wǎng)絡(luò)來(lái)逼近，因而一個(gè)3層BP神經(jīng)網(wǎng)絡(luò)就可以完成任意的n維到m維的映射。圖1為3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.2 證據(jù)理論合成

Dempster-Shafer證據(jù)理論(簡(jiǎn)稱D-S理論)是一種處理不確定性事件的理論[8]，針對(duì)事件發(fā)生結(jié)果(證據(jù))探求事件發(fā)生的主要原因(假設(shè))。借助證據(jù)理論可將整個(gè)問(wèn)題和證據(jù)分為若干子問(wèn)題、子證據(jù)并根據(jù)D-S合成準(zhǔn)則，對(duì)所有子證據(jù)進(jìn)行融合，最后得到問(wèn)題的解。

1.2.1 證據(jù)理論基本概念

定義1 設(shè)U表示變量X所有可能取值的集合，且在U內(nèi)的所有元素互不相容，則U稱為X的識(shí)別框架，由函數(shù)m：2U→[0,1]滿足下列條件：

則稱m為U上的概率分配函數(shù)(BPAF)，m(A)為A的基本概率數(shù)。當(dāng)A為U的子集且m(A)≠0時(shí)，稱A為m的焦元。

定義2 命題的信任函數(shù)(Belife Fuction)Bel：2U→[0,1]，且

Bel函數(shù)也稱為下限函數(shù)，表示對(duì)A的全部信任。由概率分配函數(shù)定義可知：

1.2.2 Dempster合成法則

設(shè)Bel1、Bel2是辨識(shí)框架U上的兩個(gè)基本信任度函數(shù)，m1,m2分別是其對(duì)應(yīng)的基本概率分配函數(shù)，Ai和Bj為焦元，若有Ai∩Bj=A，則m1(Ai)m2(Bj)就是分配到A上的信度，則分配到A上的總信度為：

兩個(gè)信度合成法則為：

令K=1為沖突權(quán)值：當(dāng)K>0時(shí)表示這兩組證據(jù)一致或部分一致，此時(shí)可以進(jìn)行組合；當(dāng)K=0時(shí)表示這兩組證據(jù)是完全矛盾的，此時(shí)不能進(jìn)行組合。

2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

2.1 樣本數(shù)據(jù)的選取及預(yù)處理

鉆井作業(yè)中發(fā)生安全事故是由人的不安全行為、環(huán)境不良、管理缺陷和物的不安全狀態(tài)等因素綜合作用而引起，由此可將將鉆井作業(yè)過(guò)程中人的不安全行為、環(huán)境不良、管理缺陷和物的不安全狀態(tài)這4項(xiàng)指標(biāo)因素的每月發(fā)生概率(分別用x1，x2，x3，x4來(lái)表示)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，將事故發(fā)生等級(jí)(無(wú)、輕傷、重傷、死亡)的量化數(shù)值作為BP神經(jīng)網(wǎng)絡(luò)的輸出(其中：1 000代表無(wú)、0 100代表輕傷、0 010代表重傷、0 001代表死亡)。

為了使數(shù)據(jù)能更好地適應(yīng)激勵(lì)函數(shù)，加快收斂速度，對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，把輸入?yún)?shù)值變換到區(qū)間(0,1)上，變換公式為：

2.2 網(wǎng)絡(luò)結(jié)構(gòu)的確定

采用3層BP神經(jīng)網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)為4，分別代表人的不安全行為概率x1，物的不安全狀態(tài)概率x2，環(huán)境不良概率x3，管理缺陷概率x4。輸出層節(jié)點(diǎn)為4，分別為無(wú)(1 000)、輕傷(0 100)、重傷(0 010)、死亡(0 001)。根據(jù)隱含層節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)計(jì)算公式確定隱含層的節(jié)點(diǎn)分別為4、6、9，構(gòu)建3個(gè)BP神經(jīng)網(wǎng)絡(luò)，隱含層的激活函數(shù)取雙曲對(duì)數(shù)S函數(shù)，輸出層取雙曲正切S函數(shù)，訓(xùn)練算法都采用Levenberg-Marquardt法。

2.3 網(wǎng)絡(luò)的訓(xùn)練及預(yù)測(cè)

利用訓(xùn)練樣本數(shù)據(jù)對(duì)確定的3個(gè)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練(訓(xùn)練工具為Matlab7.11)[9]。待誤差達(dá)到或小于預(yù)設(shè)誤差時(shí)，保存3個(gè)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練權(quán)值。利用訓(xùn)練好的網(wǎng)絡(luò)權(quán)值輸入預(yù)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

3 BP神經(jīng)網(wǎng)絡(luò)和證據(jù)理論合成的預(yù)測(cè)模型

由于單個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果不穩(wěn)定。同時(shí)輸入的數(shù)據(jù)之間的相關(guān)性較小，經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)的非線性映射之后，網(wǎng)絡(luò)輸出的結(jié)果之間基本上是獨(dú)立的，符合證據(jù)體之間是相互獨(dú)立的要求，因此可以采用3個(gè)不同結(jié)構(gòu)的網(wǎng)絡(luò)來(lái)對(duì)同一目標(biāo)進(jìn)行預(yù)測(cè)，對(duì)得到的預(yù)測(cè)結(jié)果進(jìn)行融合，其結(jié)構(gòu)如圖2所示。

圖2 BP網(wǎng)絡(luò)與證據(jù)理論合成的預(yù)測(cè)模型結(jié)構(gòu)圖

融合步驟如下：

第一步：利用訓(xùn)練好的3個(gè)BP神經(jīng)網(wǎng)絡(luò)權(quán)值輸入預(yù)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

第二步：將上一步的BP1、BP2和BP3網(wǎng)絡(luò)的預(yù)測(cè)值作為證據(jù)體，即預(yù)測(cè)結(jié)果可能取值的集合作為識(shí)別框架，U={無(wú)事故，輕傷，重傷，死亡}，m1,m2，m3分別為3個(gè)BP網(wǎng)絡(luò)在識(shí)別框架U上的基本概率分配函數(shù)。將第i個(gè)BP網(wǎng)絡(luò)輸出結(jié)果值作為識(shí)別框架U中每個(gè)對(duì)應(yīng)元素A的基本概率分配值mi(A)，來(lái)構(gòu)造基于BP神經(jīng)網(wǎng)絡(luò)的基本概率分配(BPA)。

第三步：利用Dempster合成規(guī)則，先將前兩個(gè)BP網(wǎng)絡(luò)進(jìn)行融合，再將融合值與第3個(gè)BP網(wǎng)絡(luò)進(jìn)行融合，得到最終的結(jié)果。

4 實(shí)例分析

本次研究采用從某鉆探公司鉆井現(xiàn)場(chǎng)調(diào)研得到的2011年至2012年的每月事故影響因素?cái)?shù)據(jù)，經(jīng)過(guò)歸一化處理后得到的數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，用構(gòu)建好的3個(gè)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。表1為處理過(guò)后的訓(xùn)練樣本數(shù)據(jù)，圖3為訓(xùn)練誤差曲線。

表1 處理過(guò)后的訓(xùn)練樣本數(shù)據(jù)

圖3 BP網(wǎng)絡(luò)的訓(xùn)練誤差曲線

利用已訓(xùn)練好的3個(gè)BP神經(jīng)網(wǎng)絡(luò)對(duì)2012年2月至9月鉆井作業(yè)時(shí)是否發(fā)生安全事故進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果構(gòu)建證據(jù)理論合成的基本概率分配。表2為3個(gè)BP網(wǎng)絡(luò)確定的基本概率分配值，由于篇幅原因，此處僅列出4個(gè)月的預(yù)測(cè)結(jié)果構(gòu)建的基本概率分配。表2中O1表示無(wú)安全事故發(fā)生，O2表示輕傷，O3表示重傷，O4表示死亡，E表示每個(gè)網(wǎng)絡(luò)的誤差，識(shí)別框架U={O1，O2，O3，O4，E}。對(duì)表2進(jìn)行D-S融合得到預(yù)測(cè)結(jié)果，數(shù)據(jù)如表3所示，表中R代表預(yù)測(cè)結(jié)果，T代表實(shí)際結(jié)果。

表2 3個(gè)BP網(wǎng)絡(luò)確定的基本概率分配值

表3 D-S融合后的最終預(yù)測(cè)結(jié)果

運(yùn)用構(gòu)建的鉆井安全事故預(yù)測(cè)模型對(duì)2012年2月至9月鉆井作業(yè)時(shí)是否發(fā)生安全事故進(jìn)行預(yù)測(cè)，其中，2月份到5月份的安全事故預(yù)測(cè)結(jié)果與實(shí)際結(jié)果完全吻合，而6月份到9月份的安全事故預(yù)測(cè)結(jié)果，只有7月份的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果不吻合；由此認(rèn)為吻合情況良好，整體符合率87.50%。對(duì)7月份進(jìn)行安全事故預(yù)測(cè)時(shí)，其預(yù)測(cè)的事故等級(jí)比實(shí)際的事故等級(jí)大，如果公司提前根據(jù)預(yù)測(cè)結(jié)果采取預(yù)防措施，便可防止安全事故發(fā)生，防止人員傷亡，挽回經(jīng)濟(jì)損失。同時(shí)多個(gè)BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果融合后的基本概率分配較融合前各個(gè)BP網(wǎng)絡(luò)預(yù)測(cè)得到的基本概率分配具有更好的峰值性和可分性，從而進(jìn)一步提高了鉆井安全事故預(yù)測(cè)的準(zhǔn)確性。

5 結(jié) 語(yǔ)

此次研究結(jié)合BP神經(jīng)網(wǎng)絡(luò)、D-S證據(jù)理論與證據(jù)信息融合，以實(shí)現(xiàn)進(jìn)行鉆井作業(yè)時(shí)的安全事故預(yù)測(cè)。以某鉆探公司2012年2月份至9月份的安全事故為例進(jìn)行驗(yàn)證，結(jié)果表明提出的鉆井安全事故預(yù)測(cè)方法大大提高了事故預(yù)測(cè)的正確性和實(shí)用性。

[1] 陳寶智．系統(tǒng)安全評(píng)價(jià)與預(yù)測(cè)：第2版[M]．北京：冶金工業(yè)出版社，2011.

[2] 鄭小平，高金吉，劉夢(mèng)婷．事故預(yù)測(cè)理論與方法[M]．北京：清華大學(xué)出版社，2009：210-235.

[3] 宋瑞，鄧寶．神經(jīng)元網(wǎng)絡(luò)在安全評(píng)價(jià)中的應(yīng)用[J]．中國(guó)安全科學(xué)學(xué)報(bào)，2005(3)：78-81.

[4] Shafer G．A Mathematical Theory of Evidence[M]．Princeton：Princeton University Press,1976.

[5] 曹慶貴，張廣宇，張建．基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的煤礦風(fēng)險(xiǎn)預(yù)警模型[J]．礦業(yè)安全與環(huán)保，2011(38)：81-83.

[6] 葉請(qǐng)，吳曉平，劉玲艷．基于BP神經(jīng)網(wǎng)絡(luò)的D-S證據(jù)理論及其應(yīng)用[J]．海軍工程大學(xué)學(xué)報(bào)，2007(2)：63-67.

[7] 戴文戰(zhàn)．基于三層BP網(wǎng)絡(luò)的多指標(biāo)綜合評(píng)估方法及應(yīng)用[J]．系統(tǒng)工程理論與實(shí)踐，1999(5)：29-40.

[8] Dempster A P.Upper and Lower Probabilities Induced by a Multivaluedmapping[J].Annl.Marh．Stat.38，1967：325-339.

[9] 蘭雪梅，朱健，黃承明,等．BP網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn)[J]．微電腦應(yīng)用，2003，19(1)：6-8.