浅谈SOM 网络在铁路危险货物专用线风险评价中的应用论文

浅谈SOM 网络在铁路危险货物专用线风险评价中的应用论文

　　铁路危险货物专用线是危险货物运输的重要方式，油品是铁路专用线运输的主要危险货物. 随着石油化工和铁路运输行业的发展，铁路危险货物专用线运营过程中存在的潜在风险已不容忽视，近几年来铁路危险货物运输安全的研究发展迅速. 风险评价是保证线路安全运营的重要手段，根据《铁路危险货物运输安全监督管理规定》的相关规定，企业应对其所属的危险货物铁路专用线进行安全评价.

　　在评价工作中，评价方法的合理性直接影响评价结果的准确性. 目前，在铁路专用线风险评价中常用的方法主要有: 事故树分析法( FTA) 、安全检查表( SCA)、网络结构法、模糊数学方法等. 事故树分析法、安全检查表法很难将铁路危险货物专用线运营的风险定量化，模糊数学方法虽然可以将风险评价结果定量化，但该方法的核心是建立隶属函数，而模糊隶属度的确定带有很强的主观性和随意性，由于油库铁路装卸系统的复杂性和不确定性，这些方法在应用上都有一定的局限性. 随着人工智能技术的发展和完善，人工神经网络技术开始应用于风险评价，人工神经网络技术在风险评价中可以解决系统复杂性和不确定性的问题，同时该方法具有逼近复杂非线性系统和自适应学习能力的优点，因此通过建立基于SOM 神经网络评理论的铁路危险货物专用线及附属设施风险评价模型，确定铁路危险货物专用线及装卸系统的安全状态，可以为铁路危险货物专用线及其附属设施定量化风险评价及其风险管理提供依据，对于完善定量化评价方法也具有重要意义.

　　1 SOM 神经网络评价理论

　　自组织特征映射( SOM) 网络是由芬兰学者Teuvo Kohonen 最先提出的，该网络是一个由全连接的神经元阵列组成的无教师自组织、自络. 通常认为处于空间中不同区域的神经元有不同的分工，当一个神经网络接受外界输入模式时，将会分为不同的反应区域，各区域对输入模式具有不同的相响应特征. SOM 网络的一个典型特征就是可以在一维或二维的处理单元阵列上，形成输入信号的特征拓扑分布，因此SOM 网络具有抽取输入信号模式特征的能力.

　　设网络输入X ∈ Rn，输出神经元i 与输入单元的连接权值为wi ∈ Rn，则输出神经元i 的输出oi为:

　　oi = wiX

　　网络实际具有响应的输出单元k，其输出为:

　　ok = max i{ oi}

　　上两式可修正为:

　　oi = σ φi +Σt∈St( rkot - o ) k，

　　φi =Σmj = 1wijxj，

　　ok = max i{ oi} - ε

　　式中: wij为输出神经元i 和输入神经元j 之间的连接权值; xi为输入神经元i 的输出; σ( t) 为非线性函数; ε 为一个很小的正数; rk为系数，它与权值及横向连接有关; Si为与处理单元i 相关的处理单元集合; ok称为浮动阈值函数.

　　2 风险评价模型

　　2. 1 建立风险评价指标体系

　　针对铁路危险货物运输的有关作业特点，并根据《铁路危险货物运输安全监督管理规定》( 交通运输部令[2015]第1 号) 、《铁路危险货物运输办理站( 专用线、专用铁路) 办理规定》( 第十三次补充修改) ( 运营货管电[2010]2030 号) 、《铁路危险货物办理站、专用线( 专用铁路) 货运安全设备设施暂行技术条件》( 铁运[2010]105 号) 中关于铁路危险货物专用线中关于“承运单位及人员”、“装卸设备及设施”、“安全管理”等方面的要求，建立了铁路专用线风险评价指标体系.

　　2. 2 风险评价中的应用

　　根据建立的安全评价指标体系，结合收集的数据建立SOM 网络的铁路危险货物专用线风险图2 基于SOM 网络的系统风险评价结构评价模型.

　　具体步骤为:

　　( 1) 学习样本的输入并进行归一化: 设铁路危险货物专用线的风险等级因素集为{ y1，y2，…，yn}，y1，y2，…，yn为1 级指标，每个1 级指标有m个影响因素( 即2 级指标) ，则有待评价样本特征值矩阵为X = ( xij) . (·) 表示矩阵为点值矩阵，X的第i 行，第j 列的元素为xij; xij为第i 个指标在第j 个影响因素下的特征值. 由于本文选取的指标多为定性指标，专家打分时易受主观因素的影响，为了尽可能获得准确、可靠的输入数据，采用集值统计法，根据不同专家的知识程度、经验、考虑问题的角度赋予不同的权重，即依据模糊数学的思想，让专家对某一指标而是给出一个区间值，然后进行相应的处理，如对于指标yij，请专家ps依据该指标的评价标准和对该指标有关情况给出一个特征值区间，其中s = 1，2，…，q) ，表示专家数量，专家自身权重为ωs，则2 级评价指标yij的特征值xij可按下式进行计算:

　　xij = 12Σqs = 1ωs( b2ijs - a2ijs) /Σqs = 1( bijs - aijs) ( 1)

　　而1 级指标yi的特征值Xi可由下式确定:

　　Xi =Σmj = 1ωijxij( 2)

　　式中: ωij为指标yij的权重，权重的获取采用层次分析法.

　　( 2) 根据选取的指标特征寻找获胜节点;

　　( 3) 定义优胜领域;

　　( 4) 对优胜领域内的所有节点调整权值;

　　( 5) 学习训练结束判定.

　　3 实例分析

　　3. 1 样本输入

　　以中石油吉林销售公司下属配送中心的11家油库铁路专用线及附属设施为研究对象，根据大连某安全评价机构对其安全评价的结果分为四级: Ⅳ为危险级，Ⅲ为警示级，Ⅱ为临界级，Ⅰ为安全级，将这四个等级作为训练样本的目标值.样本数据为该评价体系的1 级指标分值，经该安全评价机构的课题组成员打分并根据式( 1) 及式( 2) 处理后获得，其中每个2 级评价因子得分范围是[0，100].

　　在进行铁路危险货物专用线及附属设施风险评价时，首先利用具有聚类功能的函数newsom创建一个SOM 网络，代码为: net = newsom( minmax ( P) ，[2 2]) ，其中，P 为输入向量，创建网络的竞争层为2 × 2 的结构. 然后利用函数train 和仿真函数sim 对网络进行训练和仿真. 由于训练步数的大小影响着网络的聚类性能，这里设置训练步数为10、100 和1 000，分别观察其分类性能.样本数据被成功归为4 类，对结果进行分析可知，当训练步数为10 时，样本序号为1-2 的分为一类，4-6 的分为一类，样本3 为单独一类，这与实际的风险等级不一致. 当训练步数为100 时，序号为1-3 的样本被化为一类，5、6 被划分为一类，这种分类还是不够精确. 只有当训练步数为1 000 时，样本才被成功分为4 类.

　　3. 2 样本测试

　　本文应用MATLAB R2008 平台，将测试样本输入到已经训练好的网络中，最后得出测试结果，与实际评价结果进行对比，对3 个测试样本的分类正确率为100%.

　　3. 3 应用实例

　　以中石油吉林销售公司某铁路专用线为实例，利用上文确定的评价模型进行评价. 该铁路专用线有2 条，站台数量1 台，站台使用面积1 400 m2，1 座100 m 钢结构装卸栈桥1 座，栈桥设有10 个鹤位. 库区设有4 000 m3 汽油储罐，4000 m3 柴油储罐，400 m3 乙醇储罐. 油库共分接卸区、发付区、储存区、生活区和绿化区共5 个区域. 该铁路专用线到达物质为乙醇、汽油和柴油. 专用线尽头设有车档，装卸车场留有消防通道，该专用线已经过吉林市气象灾害防御科技中心组织的防雷设施检测，检测结论合格，且该专用线经吉林市公安消防支队组织的消防验收，验收合格，按照2. 1 节的指标体系，依据《铁路危险货物运输安全监督管理规定》等铁路危险货物运输法规、标准对该专用线打分后的指标值为: [83. 42，79. 25，82. 33，80. 25]. 根据3. 1 节的训练结果对该专用线进行分类，分类结果为Ⅲ级，为“良好级”，其危险货物铁路装卸系统的安全保障条件符合相关要求，可以满足安全需要，但仍需要加强对铁路专用线的日常管理和监督检查，并完善应急预案及应急救援体系.

　　4 结论

　　( 1) 根据铁路危险货物专用线的运营特点及《铁路危险货物运输安全监督管理规定》、《铁路危险货物运输办理站( 专用线、专用铁路) 办理规定》等关于的专用线运营要求建立的风险评价指标体系是合理的;

　　( 2) 通过实例训练和测试结果表明，基于SOM 神经网络理论建立的铁路危险货物专用线风险评价模型对未知体系的测试结果准确、可靠.SOM 神经网络可以应用于铁路危险货物专用线等复杂系统的风险评价中.

【浅谈SOM 网络在铁路危险货物专用线风险评价中的应用论文】相关文章：

初中物理教学中的应用论文05-21

计算机网络应用论文05-17

计算机网络及应用论文05-18

计算机应用中的论文范文05-15

和声理论在高校钢琴教学中应用论文11-19

传感器在生活中的应用的论文05-16

以人为本理念在家具设计中的应用论文05-08

物联网应用论文10-19

【荐】物联网应用论文10-21

[荐]物联网应用论文10-22