计算机辅助安全因素分析预测方法及应用

将传统的事故树分析与模糊数学理论结合起来,既能利用基本事件的概率进行分析预测,同时在无法确定概率值的情况下又能方便地利用现场实际经验进行因素分析预测。整个预测过程由计算机辅助完成。     

系统事故预测的最大熵评价统计模型的应用与讨论

应用所提出的最大熵评价统计模型，通过对评价统计样本的分析，利用最小二乘法，对某系统（企业）进行了事故预测分析与讨论，结果表明，本模型具有一定的实用可行性。     

矿井涌水量的灰色—马尔柯夫预测方法

将灰色预测和马尔柯夫预测结合起来，形成一个兼有灰色预测与马尔柯夫转移概率矩阵预测优点的灰色－马尔林夫预测方法。充分利用历史资源数据给予的信息，提高随机波动性较大数据列的预测精度，进一步拓宽灰色预测的应用范围。利用该方法对一些矿井的涌水量进行预测，取得了较为满意的结果。     

基于GM模型的城市火灾危险性分析

伴随着城市的快速发展，城市面临的火灾危险性及其造成的损失越来越大，如何根据火灾发生规律研究预测火灾的发生是关键的问题。本文对火灾发生的季节和区域规律进行研究，在灰色系统理论中的GM（1，1）模型基础上利用等维灰数递补GM模型对城市火灾发生的规律进行了预测与分析，计算结果表明，预测值与实际情况基本一致，具有一定的指导意义。     

我国生产安全事故统计分析与预测

近年来我国生产安全事故一直呈上升趋势．重大、特大事故频繁发生，造成大量人员伤亡和财产损失。党中央、国务院采取一番列重大措措，加强法制建设和安全生产监督管理工作。特大事故得到了有效遏止。为提高社会对安全生产工作的关注，认识我国安全生产工作的长期性和艰巨性，本文对近年来事故进行了全面分新，利用预测分析理论进行了事故预测。由于我国事故统计管理体制不健全．伤亡事故漏报现象严重，无死亡事故严重倒挂，所以只能时事故死亡人数进行分析。本文数据来自部门事故通报。     

山东省1997年各类事故状况分析及1998年趋势预测

本文在总结分析了去年山东省事故状况的基础上，首次尝试了在事故预测方面利用定性预测和一元线性回归、趋势预测等定量预测相结合的方法，预测出今年全省事故状况是：全省各类事故总量继续增加，死亡人数、直接经济损失增幅将加大，起数、受伤人数增幅将减少。结合全省实际情况，本文提出了控制和减少事故发生的对策     

炼油企业SO2的源特征分析评价及空气质量预测

分析炼油企业的SO2的源特征及环境浓度分布特征,可反应此行业的SO2排放现状.利用高斯点源模型对石油化工行业造成的SO2地面浓度进行预测.利用模糊数学法进行环境空气质量预测.结果表明,该区域环境空气属清洁.     

基于灰色神经网络的民航事故征候预测模型研究

通过对民航事故征候的分析和预测,掌握民航事故征候的发展趋势,并据此提出相应的安全措施以预防事故发生。在灰色预测基础上,结合神经网络理论,分析民航事故征候的特点,提出民航事故征候的串联灰色神经网络组合预测模型。首先,运用灰色理论弱化数据序列波动性,然后利用神经网络非线性信息处理能力构建模型。同时,根据最近10年民航事故征候统计数据,分别对灰色预测模型、神经网络模型和灰色神经网络模型进行检验,并预测未来3年的民航事故征候数量。利用Matlab软件进行预测仿真,对3种预测方法的精度和特点进行分析和比较。结果表明:民航事故征候的灰色神经网络模型预测精度高于单一的灰色预测模型或神经网络模型,并且所需样本少,运算简便,易于实现。     

基于车速的交通事故贝叶斯预测

为了降低交通事故的发生率 ,提高道路交通安全水平 ,提出了基于车速的贝叶斯预测方法来检测和预测交通事故。首先对车速与交通事故之间的关系进行分析。在分析的基础上 ,以车速为衡量对象 ,提出贝叶斯预测方法。通过使用车速观测数据 ,应用 χ2 检验 ,确定是否为异常数据 ;并通过最小风险的贝叶斯预测 ,确定该异常是否会导致交通事故。最后 ,绘出利用该贝叶斯预测方法进行交通事故预测的流程图     

灰色预测在矿山企业伤亡事故预测中的应用

利用灰色系统预测理论,根据矿山企业的职工伤亡事故统计数据建立了工伤事故(千人负伤率)的动态GM(1,1)模型.对今后几年的事故负伤率进行灰色预测,对预测精度进行了验证.从具体实例出发进行了分析与预测,结果表明拟合程度较高,对企业的安全生产有一定的指导意义.     

考虑随机误差的软土基坑沉降趋势分析及预测*

为准确分析基坑沉降变性规律，基于现场监测数据，通过卡尔曼滤波对趋势项及误差项进行分解，采用M-K检验对发展趋势进行评价，利用优化广义回归神经网络和差分整合移动平均自回归模型，构建基坑沉降分项预测模型，并将预测结果与发展趋势评价结果对比分析，以实现基坑沉降变形规律综合研究。结果表明:卡尔曼滤波能有效分解基坑沉降数据趋势项与误差项，相较于传统小波分解效果更佳；基坑沉降呈持续增加趋势，但趋势性逐渐减弱；预测结果相对误差均值均不大于2%，预测模型精度较高；沉降变形会进一步增加，但增加速率明显降低，与发展趋势分析结果一致，两者相互佐证分析结果准确性。研究结果为基坑沉降变形规律分析提供新思路。     

电解铝生产环境负荷分析和预测模型研究

利用生命周期评价的分析方法,对铝电解生产过程中资源消耗、能源消耗和污染物排放进行了分析,采用等效环境指数计算了铝电解生产过程中的环境负荷,并分析了各因素对环境负荷的影响,其中氟化盐的投入量对环境负荷影响较大.运用神经网络对铝电解生产过程的环境负荷进行预测,在负荷预测过程中,首先对样本数据进行归一化处理,然后采用BP算法对神经网络进行训练.最后用训练好的网络进行预测,将预测结果与实际数据进行比较,证明具有较好的预测效果.     

改进SSA-LSSVM模型在埋地管道点蚀深度预测中的应用

埋地管道点蚀深度受土壤环境、运输物质、管道材质等多种因素的影响，因此腐蚀数据存在不稳定性，会导致精确预测其点蚀深度存在较大难度，故提出RS结合MSSA-LSSVM预测模型。首先利用RS对腐蚀影响因素实现降维，提取关键影响因素；其次融合三步改进策略解决麻雀搜索算法已陷入局部最优等问题，利用时间复杂度分析对算法改进后性能进行验证；然后利用MSSA求解出LSSVM中核函数参数σ²和惩罚因子C的最优解，同时选取RBF核函数，使其预测性能达到最优，最终构建RS-MSSA-LSSVM的埋地管道点蚀深度预测模型。结果表明：优化后模型精度得到了极大的提升，且均优于其他模型，证明该模型鲁棒性较好。     

煤与瓦斯突出预测技术研究现状及发展趋势

对矿井煤与瓦斯突出预测方法的研究现状及发展趋势进行了论述及分析。目前我国大量使用的是钻屑量S、钻孔瓦斯涌出初速度q、瓦斯解吸指标Δh2 、瓦斯放散指数ΔP等钻孔静态预测方法 ,这些方法花费大量的人力、物力和财力 ,而且准确性较低。而声发射和电磁辐射等方法是很有前途的预测方法。未来煤与瓦斯突出预测的发展趋势是 ,利用声发射监测技术对变形破裂剧烈区域进行定位 ,利用电磁辐射监测技术工作面非接触连续预测 ,再结合现有的环境监测系统监测的瓦斯动态涌出对煤与瓦斯突出现象进行准确预测     

铁路行车事故预测方法分析与比较

对铁路行车事故的特点和类型进行分析;根据美国铁路2005年安全年报提供的数据,运用灰色系统理论和BP神经网络方法建立铁路行车事故的预测模型;利用MATLAB软件进行预测仿真,比较和分析两种预测方法的精度及特点。结果表明:灰色系统理论预测结果固定,短期效果比较好;BP神经网络预测具有适应性和灵活性,适用于长期预测。采用灰色系统理论和BP神经网络进行铁路行车事故的预测,克服了传统数学统计预测方法中建立复杂的数学模型,预测准确性低的缺点,对预防和控制铁路事故的发生,降低事故损失具有现实意义。     

基于可变模糊组合方法的瓦斯涌出量预测

矿井工作面瓦斯涌出是一个动态不确定过程。在分析了影响瓦斯涌出因素基础上,将可变模糊聚类与可变模糊模式识别两种模型相结合,提出了一种瓦斯涌出量预测的可变模糊组合方法。该方法首先利用粗糙集理论确定权重初值及各因素的重要性,然后利用可变模糊聚类模型求解最优模糊分类中心矩阵和最优权重,最后利用模式识别模型对待预测样本进行预测。以某矿井瓦斯涌出量预测为例,给出了具体预测过程。结果表明：可变模糊组合方法可行、有效。     

城市大气污染物浓度预测方法研究

城市大气污染物浓度预测方法主要有2类,即以污染物排放为基础的模型和以与污染相关的环境因素为基础的模型.本文分析了后者中的3种预测模型,并利用BP神经网络模型对城市的SO2浓度进行预测,对不同预测模型的结果进行比较分析.     

基于CSABC-ELM的采煤工作面瓦斯涌出量预测

为了提高煤矿工作面瓦斯涌出量的预测精度,研究一种将极端学习机(ELM)与利用混沌搜索策略改进的人工蜂群(CSABC)算法相结合的预测方法。改进后的人工蜂群算法有效解决了ABC算法易陷入局部最优、后期收敛慢等缺陷,利用CSABC优化ELM的输入层和隐含层参数,避免了随机产生ELM参数所造成的误差,建立基于CSABC-ELM的瓦斯涌出量预测模型。利用实际煤矿监测数据对该模型进行试验分析,并与ABC-ELM,ELM和BP神经网络的预测结果进行比较。结果表明,CSABC-ELM预测误差更小,精度更高,泛化性能也更强,能有效地对煤矿瓦斯涌出量进行预测。     

时序数据驱动的化工过程风险动态预警研究

对化工过程进行在线监测与动态风险预警是降低事故发生的有效途径。提出了一种基于深度学习时序预测与模糊数学定量风险评估相结合的预警方法。针对化工过程数据的动态性、时序性、非线性强，且预测周期短等问题，将卷积神经网络(Convolutional Neural Networks, CNN)与长短期记忆网络(Long Short-Term Memory, LSTM)模型结合形成深度学习时序预测模型，实现过程参数108 min的超前预测。将该方法应用于合成氨过程，对温度、压力、流量、氢氮比等6个风险参数进行预测。结果表明，该预测方法具有较高的预测精度，其线性回归相关系数及均方根误差表明所提出的方法具有非常高的精度。同时利用三角模糊数对时序预测结果进行风险评估，得到时序风险变化曲线，实现了化工过程风险预警。研究对使用人工智能和大数据实现过程控制和风险预警进行了有益探索，为实现化工过程的超前预警提供参考。     

煤矿事故预测的马尔可夫SCGM(1,1)c模型的建立与应用

煤矿安全是煤矿生产的重要保障,煤矿事故预测是煤矿安全评价和决策的基础。结合灰色SCGM(1,1)_c预测模型和马尔可夫链理论的优点,根据煤矿生产的特殊条件,提出了基于马尔可夫链的SCGM(1,1)_c预测模型。首先利用灰色SCGM(1,1)_c预测模型对我国1990—2010年的煤矿事故百万t死亡率进行初次预测,然后根据初次预测结果,利用残差模型对SCGM(1,1)_c模型预测结果进行修正。最后在修正模型的基础上,运用马尔可夫SCGM(1,1)_c模型对我国2011—2013年煤矿事故百万t死亡率进行了预测,并对两种模型的预测误差进行了对比分析。结果表明,马尔可夫SCGM(1,1)_c预测模型既能揭示煤矿事故百万t死亡率变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性。