基于SHEL模型和神经网络的空中交通管制风险预警研究

空中交通管制安全是确保飞行安全的重要因素。为提高空中交通管制系统的安全性,依据风险管理理论,建立了空中交通管制风险预警模型。根据SHEL模型对风险因素进行分析,建立了风险预警指标体系,在指标体系基础上引入神经网络评估方法,构建了空中交通管制风险预警模型,最后选取某基层空管机构数据样本,实现了预警模型的训练与检测。实例表明,预警结果与实际评价结果相吻合,达到了所需的精度。     

中国民航业安全风险监测与仿真研究

根据系统安全的思想,通过对航空安全历史数据的分析和专家经验,从人员、设备设施、环境和组织管理4个方面,提出中国民航机务、空管、飞行、机场4个分系统安全风险监测指标体系,共102个风险因素指标,并合成为27个行业安全风险监测指标。以民航历史数据为样本,建立资源优化神经网络(RON)模型,将安全风险监测指标与中国民航安全指数相联系,分析安全指数的关键影响因素,达到安全管理决策支持的目的。通过建立的风险监测指标体系和RON模型,可以实现民航整个行业、各分系统及单个指标的安全风险监测和预警。     

基于BP神经网络的建筑工人不安全行为预警模型

为减少建筑工人不安全行为,提高企业安全管理水平,采用事故统计分析、文献分析、质性访谈方法获取不安全行为影响因素,从组织、个人、外在环境、设备4个方面建立不安全行为预警指标体系,在此基础上,基于反向传播(BP)神经网络原理,将预警指标作为网络输入,不安全行为无警、轻警、中警、重警4种状态作为网络输出,进而设计编制预警问卷...     

基于RF-SFLA-SVM的装配式建筑高空作业工人不安全行为预警

为有效预警装配式建筑高空作业工人不安全行为的发生趋势或状态,增强对装配式建筑工人不安全行为(PBWUBs)的管控,采用随机森林(RF)-混合蛙跳算法(SFLA)-支持向量机(SVM)模型,开展工人不安全行为预警研究。首先,采用SHEL模型分析处于高空作业危险中的PBWUBs的影响因素,并通过RF确定关键预警指标;然后,采用SFLA对SVM的参数进行寻优改进;最后,利用RF-SFLA-SVM预警高空作业PBWUBs,提出应对措施,并与其他预警模型对比。研究结果表明：基于RF-SFLA-SVM预警高空作业PBWUBs,准确率最高,为91.67%,与其他模型的预警性能相比,最高提升14%。研究结果可为高空作业PBWUBs的防控提供参考。     

基于RS-ANN的通风系统可靠性预警系统

系统可靠性预警是度量系统运行状态偏离可靠性指标界线的强弱程度,确定预警等级和做出决策警示的过程。笔者在对目前国内外有关系统预警方法的分析比较基础上,针对矿井通风系统可靠性运行的实际状况,应用了粗糙集(RS)理论和神经网络(ANN)技术,提出了一种基于粗糙集神经网络(RSANN)的矿井通风系统可靠性预警方法:首先,建立了一套适合于矿井通风系统可靠性的预警指标体系;然后,利用人工神经网络与粗糙集理论的优势互补,以粗糙集作为前置处理系统优化指标结构,构建了基于RSANN的通风系统可靠性预警仿真模型,并应用该模型进行了实例验证。其结果表明,该模型的仿真结论与基于ANN的结论十分吻合,训练效率提高了667倍。     

基于BP神经网络的民航机场安全预警研究

在完善、改进已有民航机场安全预警指标体系及其指标值的基础上,突破民航机场传统的危险预警模式,建立基于BP神经网络的民航机场安全预警模型.采用SPSS主成分分析法对模拟数据进行预处理,基于MATLAB软件实现网络模型的训练与检测,从而实现安全预警.研究表明此模型是可行有效的,可为研究机场安全预警问题提供新的思路和方法.     

基于BP神经网络的煤矿安全预警评估机制研究

从预警预控机制出发,针对煤矿安全生产的特点对其安全隐患进行识别,从而构建由人员行为、自然因素、组织管理等影响安全状态的预警体系。提出了基于BP神经网络的安全预警评估模型,并给出了模型的实例检验,建立了预警预控的运作流程,为煤矿安全生产的长效机制提供决策支持。     

基于IPSO-BP的受损钢结构改造施工安全预警评估研究

为研究受损钢结构改造施工安全预警状况,建立受损情况下钢结构改造施工安全预警指标体系,并针对BP神经网络算法易陷入局部最优的问题,提出了用改进粒子群算法（IPSO）对BP神经网络权重及阈值进行调整的IPSO-BP安全预警评估模型。通过分析某单层重钢厂房受损现状,针对其结构损伤情况和已构建的安全控制指标体系进行数值模拟分析。研究结果表明:与传统的BP模型相比,IPSO-BP模型具有更好的预测能力,构建的安全预警指标体系及预警模型可以很好地对受损钢结构改造施工过程安全状况进行综合评估,对受损钢结构改造施工安全控制具有一定的参考价值。     

基于防火监督数据的风险评估与预警体系构建研究

本文提出了基于防火监督数据的风险评估与预警体系构建方法。首先,通过收集、整理和分析防火监督数据,建立数据库和指标体系。其次,采用数据挖掘技术对数据进行分析,识别风险因素和风险特征。再次,利用统计模型和算法,对风险进行评估和预测。最后,建立预警模型和机制,实现风险的实时监测和预警并优化。通过构建基于防火监督数据的风险评估与预警体系,可以提高火灾防控能力,减少火灾事故发生几率,保护人民生命财产安全。     

基于人工智能视频分析的选煤厂安全管理研究

为提高选煤厂安全监控的智能化水平,降低人力值守消耗,利用深度神经网络构建面向选煤厂安全管理的人工智能(AI)视频分析系统,首先,设计深度神经网络算法,实时检测分析典型场景视频目标,构建监控预警管理系统;然后,建立人、机、环的视频安全预警机制,实现对选煤厂现场作业人员不安全行为的视频分析、物的不安全状态的视频识别和环境危险因素的视频判断。结果表明:该系统通过对人、机、环信息的获取、处理和反馈,能够实现及时预警消除安全隐患,提高作业过程的安全系数。     

基于RVM的装配式建筑吊装作业安全预警模型

为提高装配式建筑施工安全水平,准确判断吊装作业安全状况,建立基于相关向量机(RVM)的预警模型。根据装配式建筑吊装作业特点,对比传统施工模式,分析致使吊装事故发生的主要因素,按人-机-料-法-环(4M1E)5要素确定预警指标体系,并通过粗糙集(RS)属性约简算法确定模型安全预警因子;选用混合核函数构建RVM预警模型,并通过改进粒子群算法(IPSO)寻优确定核参数,给出计算方法及模型流程;以华中地区5个项目的相关数据完成模型学习训练和预警仿真。结果表明:用该模型所得结果与实际情况基本一致,判定正确率为94%、平均相对误差为3.667%,预警分析效果良好,较其他3种机器学习方法泛化拟合能力更强、效率更高。     

基于PNN的煤矿安全生产风险综合预警研究

为加强煤矿安全生产风险预警管理,对煤矿安全生产系统风险因素进行分析,从人-机-环-管理四个方面建立了风险预警指标体系,给出了各指标的定义;提出了指标风险预警等级临界点的设置和指标警度计算方法;应用概率神经网络（PNN）构建了安全生产风险综合预警模型,通过指标风险预警等级临界点构建训练样本,并对预警模型进行了性能检验和工程应用。结果表明,基于PNN的安全生产风险综合预警模型风险识别能力强,运行速度快,计算效率高,可以进行推广应用。     

地铁沿线老旧房屋结构安全预警模型

为研究城市地铁沿线老旧房屋普遍存在结构安全问题,基于机器学习模型,选取房屋年份、楼层、面积等11个属性构建预警指标体系,采用SMOTE过采样、独热编码等方法解决样本离散化、不均衡的问题;利用KNN、Bayes、Logistic、SVM 4种机器学习模型对房屋结构安全数据学习并测试,综合应用Accuracy、F1、AP、...     

基于BP神经网络的海军飞行员人为差错安全影响评估

为了更客观合理地对海军飞行员人为差错安全影响进行评估,提出了一套基于BP神经网络的海军飞行员人为差错安全影响评估方法。首先,根据"人为错误因素"模型并结合海军航空兵飞行员人为因素事故案例建立海军飞行员人为差错安全影响评估指标体系;然后,依据该指标体系构建了基于BP神经网络的人为差错飞行安全影响评估模型;最后,以海军航空兵历年人为因素事故统计数据为训练样本对BP神经网络安全影响模型进行训练,并利用该模型对部分数据进行飞行安全影响评估测试。结果表明,评估结果符合实际情况,该方法可对海军航空兵飞行员人为差错安全影响进行评估。     

基于KPCA-LSSVM的矿井工作面动力环境安全评价模型

为实现对采前工作面所处动力环境的客观、准确评价,选取9个直接影响工作面 动力环境的指标因素构建安全评价指标体系,建立基于核主成分分析(KPCA)和最小二乘 支持向量机(LSSVM)的工作面动力环境多因素耦合安全评价智能模型。首先根据KPCA理 论对评价指标施行简约化处理,剔除冗余信息,得出6个简约后的评价指标并输入LSSVM 模型中训练学习,最后得到评价模型。选取从平顶山矿区和大同矿区搜集到的30组工作 面历史数据,按照20∶10的比例对模型进行训练和测试,并将测试结果与其他四种模型 结果进行了对比,结果表明:KPCA方法可有效减少数据信息冗余,利用KPCA优化的 LSSVM模型可准确评价工作面动力环境,误判率为0。     

基于GA-SVM的施工人员安全行为影响因素及决策模型研究

导致施工人员不安全行为的因素众多,如何保证员工进行安全施工是施工企业亟待解决的问题。为分析施工人员安全行为的影响因素及作用机理,从社会资本理论、认知心理学理论和安全行为理论分析了安全行为的影响因素,并设计了相关调查问卷。在进行仿真分析前,采用遗传算法优化计算的方法筛选出了13个关键影响因素,降低了自变量之间的相关性,之后利用支持向量机(SVM)的方法对决策模型进行了仿真分析,并与BP神经网络模型做了对比。仿真结果表明:基于筛选出的关键影响因素的SVM仿真模型的精度和有效性大于BP神经网络模型,模型精度为0.00887,相关系数为88.4%,说明影响因素与安全行为之间具有较好的拟合关系。研究结论为企业衡量员工安全行为水平,提高员工安全行为能力和企业安全管理能力提供理论支持。     

基于SEM的不安全行为与其意向关系的研究

为检验不安全行为与不安全行为意向的关系,基于计划行为理论(TPB),对7个煤矿的735名一线作业人员进行问卷调查,收集工人被记录的和未被记录的不安全行为数据。采用结构方程模型(SEM)对不安全行为意向与不安全行为之间的关系进行分析。结果表明:安全行为态度、班组安全氛围、不安全行为风险认知偏差与不安全行为意向显著相关(路径系数分别为-0.36,-0.23和-0.57);不安全行为意向与不安全行为显著相关(路径系数为0.85);行为风险认知偏差与不安全行为显著相关(路径系数为0.51);而安全行为态度、班组安全氛围与不安全行为的关系并不显著。     

航海人员的不安全行为分析与评价模型研究

随着国际、国内对航运系统安全认识的不断提高,航海人员的行为及如何对其安全行为进行科学评价日益受到关注。从人—机—环—管的安全系统基本要素出发,全面分析导致航海人员不安全行为的各种因素。在此基础上提出综合评价航海人员安全行为的指标体系,并探讨以各指标实测值经归一化处理后作为系统的输入,以评价结果作为系统的输出,应用BP神经网络建立综合评价模型。该种评价模型简单、实用,而且克服了其他评价方法中存在的人为和随机干扰,同时也为航海人员的安全行为评价提供了一种新的研究思路。     

基于mini-1D-CNN模型的TE过程故障诊断

为提升石化企业过程监测与故障诊断系统性能,满足化工过程故障诊断实时性、时效性的要求,提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型。首先,通过一维卷积核学习和识别不同故障类型的数据特征,自动提取优势特征并进行故障分类;其次,通过逐步向后回归选择重要特征参数,优化模型结构。利用可实时获取的31个过程变量与操作参数,输入一维卷积神经网络(1D-CNN),监测与诊断田纳西-伊斯曼(TE)过程的主要故障。结果表明：相对于其他故障诊断模型,mini-1D-CNN模型在测试集上故障诊断率(FDR)较高,可达到96.50%;同时,mini-1D-CNN模型关注于TE过程故障诊断的重要特征参数,在降低参数量及降低训练和测试时间上具有显著优势。     

基于BP神经网络的铁路货运安全风险评价研究

铁路货运安全是铁路货运质量的核心内容,现今铁路货物列车运行速度大幅提高,铁路货运产品种类不断丰富、总量不断增加,铁路货运安全风险管理面临更大挑战。反向传播(BP)神经网络算法相较于常规算法具有收敛快、计算精确和弱化人为因素影响等优点。针对铁路货运安全中存在的风险,建立适当的评价指标体系,使用模糊算法、层次分析法(AHP)量化样本数据,降低数据主观性,通过建立BP神经网络模型,评价铁路货运安全风险;以丰台货运中心的各项数据为例进行验证,结果表明:基于BP神经网络的铁路货运安全风险评价模型能够保证预测结果的准确性。