基于BP神經(jīng)網(wǎng)絡(luò)的鐵路安全管理評價研究

孔德?lián)P, 高磊

(西安交通工程學院 交通運輸學院， 陜西 西安 710000)

0 引言

鐵路當前安全管理系統(tǒng)趨向于構(gòu)建人—機—環(huán)境的系統(tǒng)工程，但是由于客觀條件限制，人的因素所占權(quán)重居高不下，管理人員對于現(xiàn)場安全管控影響力巨大。

從工作現(xiàn)場的實際情況來看，安全管理分為兩個層面：一方面是管理人員對于作業(yè)人員的監(jiān)控和管理；另一方面是作業(yè)人員對于各項作業(yè)流程的技術(shù)管理。管理人員的管理經(jīng)驗和威信成為安全管理主導(dǎo)因素，這是多年來現(xiàn)場形成的特殊但是短期內(nèi)無法改變的現(xiàn)狀，因此如何選擇管理人員成為鐵路安全管理中重點因素。同時，作業(yè)人員的性格與技能水平是安全管理中的基本條件，一般來說性格、年齡、學歷等都會成為作業(yè)人員能否安全作業(yè)的重要影響因素。加之作業(yè)人員極易受到管理人員的影響(既有積極影響也有消極影響)，人與人之間的性格相斥等原因，在有限的人員數(shù)量中選擇管理人員與作業(yè)人員的最佳構(gòu)成相當困難。

近年來關(guān)于鐵路安全管理的研究成果較為豐富，黃鋼[1]在分析各類事故致因理論的基礎(chǔ)上，提出創(chuàng)建安全風險管理體系；呂峰[2]從管理與設(shè)備角度闡述了當前風險管理的問題與對策；焦文根[3]在分析現(xiàn)階段安全管理體系問題的基礎(chǔ)上，提出基于領(lǐng)導(dǎo)、分工、專業(yè)、崗位4個負責制度的責任體系標準及對策，并要求在實行過程中長期反饋、調(diào)整；楊連報等[4]分析了鐵路安全管理系統(tǒng)與數(shù)據(jù)的現(xiàn)狀按照“人——設(shè)備——環(huán)境”3個方面，給出了鐵路安全管理大數(shù)據(jù)應(yīng)用的需求分析模型；李廣淵等[5]指出基層站段安全管理的主要影響因素，特別強調(diào)干部管理能力直接影響安全管理工作。上述文獻是以上層安全管理的角度，提出宏觀安全管理優(yōu)化方向與手段，但在具體安全風險管理算法方面沒有過多涉及。劉永詩[6]針對鐵路集裝箱運輸創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)模型，對運輸過程中的風險進行評價，于辰成[7]針對高鐵中存在的風險隱患,建立適當?shù)脑u價指標體系,并采用BP神經(jīng)網(wǎng)絡(luò)方法建立模型，對高鐵進行風險評價并得出整改建議。

隨著大數(shù)據(jù)算法的流行，神經(jīng)網(wǎng)絡(luò)模型也成為學者研究的熱點問題，主要趨勢是根據(jù)具體問題將傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)經(jīng)過改進或與其他方法結(jié)合后進行計算，周輝仁等[8]與Leung F H F等[9]提出了不同于現(xiàn)有BP訓(xùn)練的遺傳算法方法的基于時間序列的預(yù)測模型；Wei Y等[10]提出了經(jīng)驗?zāi)B(tài)分析法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測模型，并對客流預(yù)測取得了較好的結(jié)果。

本文在上述文獻研究的基礎(chǔ)上，著眼于基層安全管理的具體辦法，提出以有限個數(shù)的管理人員與作業(yè)人員組合為輸入基礎(chǔ)，以每日安全管理指標為輸出標準，創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)合烏魯木齊鐵路局集團公司管內(nèi)某車站實際數(shù)據(jù)，選取最佳的班組人員組合，提升現(xiàn)場安全管理效率。在車務(wù)系統(tǒng)中，作業(yè)人員與管理人員因病假、事假等各類原因換班情況十分頻繁，因此提供了較為豐富的樣本容量。安全管理評價計算具體步驟為：① 將作業(yè)人員與管理人員是否執(zhí)班生成二維輸入，作為評估指標。② 以執(zhí)班期間以車站考核次數(shù)、列車發(fā)生延誤情況次數(shù)、是否發(fā)生事故作為輸出數(shù)據(jù)，并按照實際情況分為5個層級。③ 將所有數(shù)據(jù)按照8:2的比例分組，分別作為監(jiān)督數(shù)據(jù)與學習數(shù)據(jù)。④ 構(gòu)建并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，使輸出正確率達到0.9以上。⑤ 利用隨機生成新的人員組合，挑選輸出結(jié)果最低值作為最優(yōu)人員組合。

1 創(chuàng)建安全管理評價指標體系

鐵路安全風險與眾多因素相關(guān)，通過設(shè)備、環(huán)境與人三方面因素分別進行分析。

(1) 設(shè)備因素分析

現(xiàn)階段普速線路與車站段一般采用的計算機集中聯(lián)鎖設(shè)備、自動閉塞設(shè)備、機車LKJ、STP設(shè)備等，高速線路與車站還增加CTC分散自律調(diào)度集中設(shè)備、CTCS列車運行控制設(shè)備，但對于規(guī)模較大、高速與普速混合的車站仍采用非常站控模式組織列車，列車駕駛方面也沒有完全實現(xiàn)無人駕駛，甚至部分線路、車站由于資金、作業(yè)量等因素仍然沿用6 502等老舊設(shè)備。設(shè)備的多樣化造成各站作業(yè)標準、管理辦法沒有統(tǒng)一標準，甚至不同型號設(shè)備之間存在技術(shù)銜接矛盾?？傮w來說，設(shè)備自動化程度越高，安全風險越低。

(2) 環(huán)境因素分析

鐵路系統(tǒng)各站、段作業(yè)環(huán)境與間休環(huán)境已經(jīng)有了巨大改善，本文所強調(diào)的是內(nèi)部控制環(huán)境，一般包含職業(yè)道德、員工的勝任能力、管理理念和經(jīng)營風格、組織結(jié)構(gòu)、權(quán)利和責任的分配、人力資源政策與措施等。目前鐵路內(nèi)部控制環(huán)境與職工、干部需求明顯不匹配，導(dǎo)致部分干群關(guān)系緊張，職工隊伍不夠穩(wěn)定、流動性較大，造成嚴重違章與事故頻繁發(fā)生。經(jīng)過多年的科學管理，整體事故率有了明顯的降低，但是在作業(yè)關(guān)鍵環(huán)節(jié)，問題仍然反復(fù)發(fā)生。

整體環(huán)境的改變，需要長期深入改革，在作業(yè)人員與作業(yè)人員、管理人員與作業(yè)人員之間建立足夠的信任度。

(3) 人為因素分析

由于鐵路系統(tǒng)現(xiàn)階段沒有完全擺脫對于人員的依賴，受限于設(shè)備自動化程度不高，人員對鐵路安全風險的影響程度較高，以編組站為例，全路除蘇家屯等少數(shù)高度自動化車站外，其余車站的接發(fā)車、調(diào)車、貨運檢查以及車輛技術(shù)檢查等技術(shù)作業(yè)均需要人員下達具體計劃并執(zhí)行，造成作業(yè)質(zhì)量不夠穩(wěn)定，安全問題頻繁發(fā)生。此外車站班組內(nèi)部人員關(guān)系涉及多方面因素，值班站長多是依靠管理經(jīng)驗與威信對班組人員進行管理，因性格相斥、作業(yè)習慣等因素造成作業(yè)中效率低下甚至故意拖延的情況成為管理中的頑疾。

綜上所述，綜合比較分析設(shè)備、環(huán)境與人為因素，本文選取人為因素進行具體分析，針對作業(yè)人員與管理人員的班組人員組合進行優(yōu)化。

1.1 評估指標建立

鐵路車站按照四班制輪換，單組評估指標按照一班班組人員出勤情況建立，出勤取值為1，反之取0，如表1所示。

表1 安全評估指標示例表

由表1可知，評估指標為0-1標簽數(shù)據(jù)，長度是全站所有班組人員人數(shù)，表示作業(yè)人員2、3、5與管理人員1出勤。

1.2 評價指標建立

(1) 創(chuàng)建模型

結(jié)合現(xiàn)場實際安全卡控項點，創(chuàng)建鐵路運輸安全管理模型，如式(1)。

Mi=min{m1+m2+m3}

(1)

式中，Mi為在第i個班中鐵路運輸安全管理指標；m1為列車作業(yè)延誤次數(shù)指標；m2為考核次數(shù)指標，m3為發(fā)生事故次數(shù)指標。

在m1、m2、m3三個指標中，m1延誤列車為最輕微的情況，一般不會引起嚴重安全問題，每發(fā)生一次記數(shù)1；m2考核指標分為“紅線”考核、A類考核、B類考核以及C類考核，嚴重程度依次降低，為便于計算發(fā)生“紅線”考核記數(shù)20，發(fā)生A類考核記數(shù)10，發(fā)生B類考核記數(shù)5，發(fā)生C類考核記數(shù)2；m3事故次數(shù)是最為重要的安全管理指標，每發(fā)生1次記數(shù)為100。

(2) 評估指標層次建立

按照《車務(wù)段安全管理系統(tǒng)》中的分類標準，將班組評價指標劃分為4個層次，對應(yīng)各個安全管理指標區(qū)間，具體為：Mi取值[0,20]評價為標準化班組，取值[21,40]評價為良好班組，取值[41,60]評價為達標班組，取值[61,+∞]評價為未達標班組。

2 BP神經(jīng)網(wǎng)絡(luò)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是一種基于神經(jīng)元感知機理的誤差反向傳播的前饋性神經(jīng)網(wǎng)絡(luò)，誤差反向傳播的前饋性神經(jīng)網(wǎng)絡(luò)，層與層之間采用全連接結(jié)構(gòu)，而每層之間的神經(jīng)元之間不連接結(jié)構(gòu)，如圖1所示。

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

2.2 BP神經(jīng)網(wǎng)絡(luò)計算步驟

參考BP神經(jīng)網(wǎng)絡(luò)相關(guān)理論[11-14]，建立適合安全管理評價的計算步驟。

Step 1：神經(jīng)網(wǎng)絡(luò)初始化。使用高斯分布初始化神經(jīng)網(wǎng)絡(luò)各層權(quán)重矩陣ω與偏置向量b，確定參數(shù)倍數(shù)值。

Step 2：數(shù)據(jù)正向輸入。隨機選取l組數(shù)據(jù)組成批量輸入數(shù)據(jù)矩陣Xl，輸出數(shù)據(jù)矩陣Yl，通過神經(jīng)網(wǎng)絡(luò)各層計算，如式(2)。

Yl=h(σ(xl×ωp+bp))

(2)

式中，ωp為第p層參數(shù)矩陣，bp表示第p層偏置向量，σ(x)為激活函數(shù)。當p為輸出層時，h(x)=x；當p為輸入層或隱藏層時，h(x)分類概率函數(shù)。

Step 3：計算輸出誤差。選用交叉熵誤差函數(shù)計算輸出值與監(jiān)督數(shù)據(jù)的誤差值，反向傳播公式，如式(3)。

(3)

式中，E′為反向傳播誤差，tl表示l組0-1標簽監(jiān)督數(shù)據(jù)向量。

Step 4：利用誤差值對隱藏層與輸入層權(quán)重與偏置反向求偏導(dǎo)數(shù)，與學習率相乘，對參數(shù)矩陣進行更新。

隱藏層參數(shù)誤差，如式(4)、式(5)。

(4)

(5)

式(4)中，XΤ為X的轉(zhuǎn)置矩陣。更新神經(jīng)網(wǎng)絡(luò)各層參數(shù)，如式(6)、式(7)。

(6)

(7)

Step 5：重復(fù)Step 2—Step 4。

3 實例計算

3.1 數(shù)據(jù)來源

選取2018年3月1日至2018年10月1日烏魯木齊鐵路局集團公司管內(nèi)某車站考勤表中記錄的人員組合、評價標準作為樣本數(shù)據(jù)。

全站職工、干部共計23人，分為6組，各工種內(nèi)部人員數(shù)量需要符合執(zhí)班要求，如表2所示。

表2 車站人員分布于執(zhí)班人數(shù)要求表

樣本共計190組，每組評價指標取該班組執(zhí)班期間平加權(quán)均值，部分數(shù)據(jù)，如表3所示。

3.2 參數(shù)設(shè)定

由于本模型是關(guān)于車站工作人員出勤組合問題，因此輸入數(shù)據(jù)為0-1二維數(shù)據(jù)無需正規(guī)化處理。經(jīng)過多次測試計算，確定具體參數(shù)為：mini-batch的l值取8，激活函數(shù)使用RELU函數(shù)，輸入層神經(jīng)元個數(shù)設(shè)定為23個，隱藏層43個，輸出層4個，參數(shù)倍數(shù)值取0.3，學習率取值0.08。

3.3 計算結(jié)果

選取149組為學習數(shù)據(jù)，剩余41組為測試數(shù)據(jù)。利用python3.7編程進行計算，經(jīng)過1 500次迭代，訓(xùn)練數(shù)據(jù)識別率為0.932 9，測試數(shù)據(jù)識別率為0.926 8，利用matplotlib函數(shù)生成正確率迭代圖，如圖2所示。

圖2 訓(xùn)練-測試數(shù)據(jù)正確率迭代圖

在迭代1 200次以后訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)基本處于最優(yōu)狀態(tài)，測試數(shù)據(jù)正確率達到期望值0.9。但是由于個別極端數(shù)據(jù)對權(quán)重影響較大，造成測試數(shù)據(jù)正確率未達到0.95。

3.4 最佳人員組合

BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測正確率達到0.926 8，可信度較高。因此根據(jù)訓(xùn)練完畢的BP神經(jīng)網(wǎng)絡(luò)反向計算，尋找車站4個班組最佳班組人員組合。按照同一工種人員不重疊的原則，隨機生成500組各班人員組合，班組安全管理指數(shù)與評價等級最優(yōu)情況，如表4所示。

表3 安全指管理評價指標部分樣本數(shù)據(jù)

表4 各班人員組合預(yù)測表

4 總結(jié)

樣本班組人員組合的樣本數(shù)據(jù)具有較為明顯的分類特征，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)模型計算，最終預(yù)測模型準確率達0.926 8，取得了較好的效果，并根據(jù)模型提出最優(yōu)人員組合。但是鑒于最佳人員組合的局限性，以及選取車站的規(guī)模，此結(jié)果仍然存在一定的偶然性。因此，本文應(yīng)在以下3點進行改進。

(1) BP神經(jīng)網(wǎng)絡(luò)雖然具備諸多優(yōu)點，但是在面對不同具體問題時仍然存在兼容性問題，因此在今后的研究中應(yīng)在模型選取上更加貼近鐵路安全管理的要求，例如遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的GA-BP神經(jīng)網(wǎng)絡(luò)模型，Pearson相關(guān)系數(shù)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型，支持向量機與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型等等。力爭模型能夠更好的貼近現(xiàn)場安全管理的實際情況。

(2) 此次樣本數(shù)據(jù)體現(xiàn)較好的輸入、輸出的非線性關(guān)系，但是在班組人員較多的車站、樣本數(shù)據(jù)容量增加情況下就無法保證當前精度，因此可以采用2種方法進行改進：一是加入相關(guān)設(shè)備、環(huán)境、車流密度等輸入指標，爭取更為客觀的輸出結(jié)果；二是合理設(shè)置神經(jīng)網(wǎng)絡(luò)模型的參數(shù)初始值、超參數(shù)，利用dropout等方法隨機刪除神經(jīng)元，經(jīng)多次計算后提升模型計算精度。

(3) 本文的數(shù)據(jù)只考慮了人員是否出勤，而對出勤人員的工作狀態(tài)、能力、經(jīng)驗等并沒有具體分析，從而造成計算結(jié)果精度無法進一步提升，但是人員工作狀態(tài)、能力與經(jīng)驗根據(jù)班次情況而變化，并且尚無成熟手段可以監(jiān)測，因此在接下來的研究中應(yīng)更多融入心理學及統(tǒng)計學相關(guān)內(nèi)容進行綜合研究。