基于遺傳神經網絡的化工企業安全論文范文

本站小編為你精心準備了基于遺傳神經網絡的化工企業安全論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1化工企業安全評價指標

安全評價的關鍵與基礎是選取與確立評價的指標體系，它對評價的結果是否符合實際情況至關重要。化工企業安全評價指標體系應盡可能反映化工企業的主要特征和基本狀況。評價過程中指標體系的要素組成非常關鍵，如果選取的要素太多，有可能使評價指標體系更加龐大和冗雜，從而增加評價的困難程度，甚至會使一些重要因素被忽略;如果指標因素太少，則難以較完整地反映被評價系統的客觀實際情況。•33•通過查閱研究某大型煉油化工企業的相關文獻和資料［4］，由人、機和環境3個方面構成的系統模型出發，把生產系統所有重要環節包含其中，從而建立出化工企業的安全評價指標體系如圖1和表1至表4所示。

2化工企業的遺傳神經網絡安全評價模型

2．1遺傳神經網絡遺傳算法優化神經網絡的方法主要有2種:對神經網絡的初始權值和閾值進行優化;對神經網絡的結構進行優化［5］。本文在保持神經網絡的結構不變的情況下，用遺傳算法對BP神經網絡初始權值和閾值進行優化。

2．2遺傳神經網絡評價模型遺傳神經網絡優化的數學模型［6］如下:本文構建的遺傳神經網絡模型的運行過程如下:(1)初始化BP神經網絡。(2)把BP神經網絡的全部權值與閾值實數編碼，確定其長度l，確定其為遺傳算法的初始種群個體。(3)設置遺傳算法的相關參數以及終止條件，執行遺傳算法;遺傳算法包括對群體中個體適應度進行評價，執行選擇、交叉、變異遺傳操作，進化生成新的群體;反復操作至設定的進化代數，最終取得最佳染色體個體。(4)把最佳染色體個體解碼，分解為BP網絡對應的權值、閾值，輸入訓練樣本，利用BP網絡進行訓練。(5)得到訓練好的BP神經網絡，則可輸入實例樣本進行評價。

3遺傳神經網絡評價模型在化工企業的應用

3．1學習樣本的準備根據前文所確定的評價指標體系和對某大型煉油化工有限公司成氨分廠提供的空氣分離、渣油氣化、碳黑回收、一氧化碳變換、甲醇洗滌、液氮洗滌等工序的安全原始數據，參考文獻中化工企業安全評價指標取值標準，進行分析和整理，得出11個實例樣本，如表5所示。選擇10個樣本作為遺傳神經網絡的訓練樣本，1個樣本作為測試樣本。

3．2BP網絡結構的確定BP網絡拓撲結構一般是由網絡層數、輸入層節點數、隱含層節點數、隱含層數以及輸出層節點數等來確定。本文建立的遺傳神經網絡模型是根據經驗來確定神經網絡的層數，一般選取BP神經網絡的層數為3層［7］。通過化工企業安全評價指標的分析，得出BP神經網絡輸入層神經元數目為評價指標的總數12+6+8+5=31。模型最后輸出的結果為綜合安全評價結果，因此，神經網絡的輸出層節點數確定為1。隱含層中節點數的范圍通過經驗公式來確定，本文在其確定范圍內選12。依據訓練樣本的規模，設定學習率為0．1，最大訓練誤差值設為10－5，循環學習次數為1000次。網絡輸出層為1個節點，即化工企業的安全評價結果。化工企業安全等級一般分為5級［7］，如表6所示。

3．3遺傳算法優化遺傳算法中，參數設定如下:種群規模設為300，交叉概率設為0．7，進化代數設為100，變異率設為0．05。本文運用MATLAB軟件中的遺傳算法工具箱gads，在GUI操作界面中輸入以上參數，并輸入適應度函數，對神經網絡的權閾值進行優化。經過遺傳操作后，運行遺傳算法工具箱，則可得出最佳適應度曲線圖和最佳個體圖(圖2)，得到最佳適應度個體，將其進行解碼，作為該網絡的初始權值和閾值賦給BP神經網絡。

3．4GA－BP神經網絡訓練在MATLAB界面中編程語言，得到輸出向量和網絡均方差變化圖。訓練結果與期望輸出見表7，BP網絡訓練過程如圖3所示。從訓練結果可以看出，該網絡的誤差值不超過10－5，滿足設定要求。用該網絡對實例樣本進行安全評價，得到結果為3．9956，對照安全評價輸出結果等級表為較安全，與目標值吻合。從而訓練后的網絡穩定性得到驗證，可以用于化工企業安全評價。

4結論

從本文研究結果能夠看出，將BP神經網絡與遺傳算法相結合的方法應用于化工企業的安全評價，可以比較準確地反映化工企業的安全實際狀況。因此，該方法為化工企業的安全評價提供了新的思路，對改善化工企業的安全評價將起到一定的積極作用。但因為化工企業系統的復雜性，此方法還相對不成熟，比如在安全評價指標取值的過程中，仍無法脫離人為主觀因素的影響，所以該方法在化工企業安全評價中的應用還有待改進，需要進一步的探討。

作者：宋園園申超霞陸愈實單位：中國地質大學工程學院