CN113610397A - 一种基于pso-bp神经网络的石化企业安全评价方法 - Google Patents
一种基于pso-bp神经网络的石化企业安全评价方法 Download PDFInfo
- Publication number
- CN113610397A CN113610397A CN202110906678.6A CN202110906678A CN113610397A CN 113610397 A CN113610397 A CN 113610397A CN 202110906678 A CN202110906678 A CN 202110906678A CN 113610397 A CN113610397 A CN 113610397A
- Authority
- CN
- China
- Prior art keywords
- neural network
- pso
- petrochemical enterprise
- safety
- factors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 238000011156 evaluation Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 239000000383 hazardous chemical Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000008713 feedback mechanism Effects 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000001755 vocal effect Effects 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000001311 chemical methods and process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012824 chemical production Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PSO‑BP神经网络的石化企业安全评价方法，包括：步骤一，确定石化企业安全状态的指标体系(影响因素)；步骤二，构建PSO‑BP神经网络模型；步骤三，收集数据样本；步骤四，将训练样本输入对PSO‑BP神经网络进行训练；步骤五，得到PSO‑BP神经网络的相应权值等参数，以及训练好的神经网络安全评价模型；步骤六，对石化企业安全状态进行评价。本发明减少了人工评价工作量，大大降低评价人员主观影响，提高了石化企业安全评价结果的准确性和客观性，为掌握石化企业安全运行提供了技术支撑。
Description
技术领域
本发明涉及一种基于PSO-BP神经网络的石化企业安全评价方法，属于安全工程技术领域。
背景技术
石化行业作为一门关联性广、带动性强的基础产业，与国民经济和人民生活紧密相关，其发展水平也代表了一个国家、一个地区的经济实力。然而，由于石化产品的特殊性，石化企业生产具有易燃易爆、高温高压、有毒有害等特点，安全问题突出。石化企业一旦发生安全生产事故，就可能会造成严重的人员伤亡和巨额的财产损失。当前，石化企业普遍都建立起HSE(Health：健康，Safety：安全，Environment：环境)三位一体的管理体系，对企业的安全生产也进行定期的安全评价。但安全评价质量和水平较企业安全生产实际需求还有一些差距。以定性为主的传统安全评价方法尚不能完全匹配工业数字化浪潮下定量安全评价的需求。人工智能技术的发展为石化企业安全评价方法的提升提供了可能，石化企业的安全评价走向“科学化、专业化、智能化、精细化”迎来了窗口期。以此为契机，加快探索基于人工智能方法的、数字化的石化企业安全生产评价方法，加强安全生产基础能力建设，为遏制石化行业中安全生产事故的发生提供技术支撑和智力保障。
目前，人工智能在石化企业中应用趋势，总体上可以划分为两个阶段，分别是：专家系统阶段和人工智能之神经网络阶段。(1)专家系统阶段。专家系统发展阶段是从上世纪八十年代早期至上世纪九十年代中期。专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。尽管专家系统取得令人瞩目的成功，但专家系统方法仍存在严重的缺陷。一方面开发可靠的专家系统需要花费大量的人力和物力；另一方面，专家系统的扩展性不够强。随着新的专家知识的出现，已有的专家系统的更改、维护和更新都比较耗时耗力。(2)人工智能之神经网络阶段。自上世纪90年代起，为了从大量数据中自动获取专家知识，从而简化系统的开发和维护，人工神经网络在化工生产中得到应用。人工神经网络是从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。典型的人工神经网络有BP(back propagation)神经网络、径向基函数神经网路等。这些神经网络大多由输入层、中间层(隐藏层)和输出层组成。神经网络所具有的非线性建模能力促使了其在化工生产中应用，如在化工过程建模、故障诊断、过程控制以及化工设计等。相对于国外神经网络用于石化企业安全生产多是对化工过程的建模、故障诊断、过程控制等方面，国内除使用神经网络用于石化企业化工工艺和化工过程外，还将神经网络用于评估石化企业的整体的安全生产管理。本申请的技术负责人利用人工神经网络开展了对某石化企业安全评价的研究工作。通过采用了BP神经网络和广义回归神经网络两种神经网络，对浙江省某石化企业的安全状态进行了评价与预测。研究结果表明广义回归神经网络的安全评价及预测结果的精度达到了2级(合格)。虽然神经网络能对化工过程及安全做出一定预测与评价，但从神经网络所构建的安全评价模型研究来看，神经网络在数据有限情况下对用于描述化工过程和石化企业安全状态的复杂函数的表示能力有限，参数设置具有随机性，对描述复杂的安全状态的特征提取的能力受到一定制约，因而人工神经网络应用于石化企业安全评价还有进一步提升的可能性。
综上，国内外在利用BP神经网络对石化企业进行安全评估，存在一些不可避免的缺陷，BP算法是一种局部搜索的优化方法，石化企业安全评估是一个求解复杂非线性的全局极值问题，BP算法很有可能陷入局部极值，从而使网络训练失败。而粒子群优化(PSO,particle swarm optimization)算法是计算智能领域中的一种群体智能的优化算法，可以通过粒子群优化算法对BP神经网络的权值和偏差求解出最优值，但目前尚未由PSO-BP神经网络应用于石化企业安全评价的研究。
发明内容
本发明的目的在于提供一种基于PSO-BP神经网络的石化企业安全评价方法，提高石化企业安全评价结果的准确性和客观性。
本发明采取的技术方案是：一种基于PSO-BP神经网络的石化企业安全评价方法，其包括以下步骤：
步骤一，收集石化企业人、机、环、管理四方面影响石化企业安全状态的具体因素；
步骤二，收集相关人员对于影响石化企业安全状态具体因素的定量或定性评分，以及对石化企业安全整体安全状态的评价；
步骤三，将收集到的对于影响石化企业安全状态具体因素以及对石化企业整体安全状态的评价进行量化处理；
步骤四，将步骤二至步骤三处理后的影响因素指标体系的定量数据，以及对石化企业整体安全状态的量化后的评价数据作为神经网络的训练样本；
步骤五，构建PSO-BP神经网络拓扑结构，以训练样本中的影响因素指标体系作为PSO-BP神经网络的输入，以训练样本中的石化企业整体安全评价作为PSO-BP神经网路的输出，经由PSO算法对BP神经网路的中的权值和偏差进行优化，并形成PSO-BP神经网络输出误差在允许范围内的反馈机制；
步骤六，收集将待评价的石化企业安全状态影响因素并量化处理；
步骤七，将步骤六中的影响因素指标体系输出到步骤五所形成的PSO-BP神经网络模型中去，输出待评价石化企业安全状态的量化值。
进一步的，所述步骤一中，人、机、环、管理四大类因素共45小项影响因素，其中人的因素包括作业人员的年龄、工龄、受教育程度、职业培训情况、安全知识、安全意识、健康状况；机的因素包括危险物质、设备设施及工艺流程参数；环境因素包括厂房、库房的耐火等级及防火间距、物料摆放，生产作业环境的温度和噪音以及照明程度；管理因素即管理上的缺陷，包括安全管理组织机构建设、操作规程编写、应急预案制定、危化品存储运输方面的不足或缺失。
进一步的，所述步骤二中将定性转化为定量指标，见下表1。
表1定性指标归一化处理
进一步的，所述步骤五中PSO-BP神经网络采用输入层、中间层和输出层的3层神经网络结构，以45项影响因素作为该神经完了过的输入层，以石化企业安全状态的总体量化评价作为输出，确定输入层含有45个节点，输出层具有1个节点；中间层的节点数采用下述公式确定：
上述公式中a取值5；通过上述公式确定中间层节点个数为12个。
更进一步的，所述步骤五中训练PSO-BP神经网络将收集的24组样本数据随机产生18组样本作为训练样本训练PSO-BP神经网络，剩余6组数据作为测试样本。
进一步的，所述步骤五中PSO优化算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征；粒子在解空间中运动，通过跟踪个体极值和群体极值更新个体位置，个体极值表示个体所经历位置中计算得到的适应度值最优位置，群体极值表示种群中的所有粒子搜索到的适应度最优位置；粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值和群体极值位置；在每一次迭代过程中，粒子通过个体极值和群体极值更新自身的速度和位置。
本发明的有益效果是：针对石化企业的实际安全情况和相关法律法规的安全要求，给出45个评价指标(影响因素)，构建了适用于石化企业安全评价的PSO-BP神经网络，采用己有数据对其进行训练，最终得到一种参数优化的石化企业的安全评价方法：减少了人工评价工作量，大大降低评价人员主观影响，提高了石化企业安全评价结果的准确性和客观性，为掌握石化企业安全运行提供了技术支撑。
附图说明
图1是基于PSO-BP神经网络石化企业安全评价模型。
图2是石化企业安全评价的指标体系(影响因素)。
图3是石化企业安全评价PSO-BP神经网络拓扑结构。
图4是由PSO-BP神经网络安全评价模型测试验证样本得出的安全评价值与专家评价对比图。
具体实施方式
下面结合实施例和附图对本发明一种基于PSO-BP神经网络的石化企业安全评价方法做进一步详细描述，但本发明的实施方式不限于此。
如图1所示为本发明所述基于PSO-BP神经网络的石化企业安全评价的流程图。
以宁波市某石化企业24份数据中的18份数据作为学习样本输入建立的基于PSO-BP神经网络的安全评价模型中进行学习训练。通过输入待评价(验证样本)的影响因素(科学指标)，得到石化企业安全整体状态的评价。
实施例。
步骤一，确定石化企业安全状态的指标体系(影响因素)，石化企业生产工艺及安全管理规定和文献查阅，从石化企业安全生产实际出发，从人、机、环、管理等四方面分析得出影响石化企业安全状态的具体因素共计45小项，如图2所示。前述表1为安全评价指标量化处理标准。
步骤二，构建PSO-BP神经网络模型，该神经网络是采用输入层、中间层和输出层的3层神经网络结构，以45项影响因素作为该神经完了过的输入层，以石化企业安全状态的总体量化评价作为输出，确定输入层含有45个节点，输出层具有1个节点；中间层的节点数由经验公式得出为12个。
步骤三，收集数据样本。收集某石化企业管理人员、技术人员，操作工等人员针对45小项的影响因素的评分及对该企业安全状态的整体评价。将其中定性的指标进行量化。选用其中18份作为训练样本，其中6个样本见表2。
表2石化企业安全评价训练样本势示例
步骤四，训练PSO-BP神经网络。将训练样本输入对其进行训练。在上述24个样本中随机选取18个样本作为训练样本，剩下6个作为测试(验证)样本。设置种群数目30，对其进行训练，迭代15步后，网络训练达到预期结果。
步骤五，通过上述步骤，得到PSO-BP神经网络的相应权值等参数，以及训练好的神经网络安全评价模型。
步骤六，对石化企业安全状态进行评价。将测试(验证)样本6份的影响因素作为输入，输入到已经训练好的PSO-BP神经网络，进行评价。
步骤七，有图4可知，6个验证样本的平均预测误差为1.55％。因此可见本发明提出石化企业安全评价方法性能基本比较稳定，预测误差小。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解，上述实施例不以任何形式限制本发明的保护范围，凡采用等同替换等方式所获得的技术方案，均落于本发明的保护范围内。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (5)
1.一种基于PSO-BP神经网络的石化企业安全评价方法，其特征在于包括以下步骤：
步骤一，收集石化企业人、机、环、管理四方面影响石化企业安全状态的具体因素；
步骤二，收集相关人员对于影响石化企业安全状态具体因素的定量或定性评分，以及对石化企业安全整体安全状态的评价；
步骤三，将收集到的对于影响石化企业安全状态具体因素以及对石化企业整体安全状态的评价进行量化处理；
步骤四，将步骤二至步骤三处理后的影响因素指标体系的定量数据，以及对石化企业整体安全状态的量化后的评价数据作为神经网络的训练样本；
步骤五，构建PSO-BP神经网络拓扑结构，以训练样本中的影响因素指标体系作为PSO-BP神经网络的输入，以训练样本中的石化企业整体安全评价作为PSO-BP神经网路的输出，经由PSO算法对BP神经网路的中的权值和偏差进行优化，并形成PSO-BP神经网络输出误差在允许范围内的反馈机制；
步骤六，收集将待评价的石化企业安全状态影响因素并量化处理；
步骤七，将步骤六中的影响因素指标体系输出到步骤五所形成的PSO-BP神经网络模型中去，输出待评价石化企业安全状态的量化值。
2.根据权利要求1所述的一种基于PSO-BP神经网络的石化企业安全评价方法，其特征在于，所述步骤一中，人、机、环、管理四大类因素共45小项影响因素，其中人的因素包括作业人员的年龄、工龄、受教育程度、职业培训情况、安全知识、安全意识、健康状况；机的因素包括危险物质、设备设施及工艺流程参数；环境因素包括厂房、库房的耐火等级及防火间距、物料摆放，生产作业环境的温度和噪音以及照明程度；管理因素即管理上的缺陷，包括安全管理组织机构建设、操作规程编写、应急预案制定、危化品存储运输方面的不足或缺失。
3.根据权利要求1或2所述的一种基于PSO-BP神经网络的石化企业安全评价方法，其特征在于，所述步骤五中PSO-BP神经网络采用输入层、中间层和输出层的3层神经网络结构，以45项影响因素作为该神经完了过的输入层，以石化企业安全状态的总体量化评价作为输出，确定输入层含有45个节点，输出层具有1个节点；中间层的节点数采用下述公式确定：
上述公式中a取值5；通过上述公式确定中间层节点个数为12个。
4.根据权利要求3所述的一种基于PSO-BP神经网络的石化企业安全评价方法，其特征在于，所述步骤五中训练PSO-BP神经网络将收集的24组样本数据随机产生18组样本作为训练样本训练PSO-BP神经网络，剩余6组数据作为测试样本。
5.根据权利要求1所述的一种基于PSO-BP神经网络的石化企业安全评价方法，其特征在于，所述步骤五中PSO优化算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征；粒子在解空间中运动，通过跟踪个体极值和群体极值更新个体位置，个体极值表示个体所经历位置中计算得到的适应度值最优位置，群体极值表示种群中的所有粒子搜索到的适应度最优位置；粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值和群体极值位置；在每一次迭代过程中，粒子通过个体极值和群体极值更新自身的速度和位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110906678.6A CN113610397A (zh) | 2021-08-09 | 2021-08-09 | 一种基于pso-bp神经网络的石化企业安全评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110906678.6A CN113610397A (zh) | 2021-08-09 | 2021-08-09 | 一种基于pso-bp神经网络的石化企业安全评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113610397A true CN113610397A (zh) | 2021-11-05 |
Family
ID=78339939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110906678.6A Pending CN113610397A (zh) | 2021-08-09 | 2021-08-09 | 一种基于pso-bp神经网络的石化企业安全评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610397A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115037553A (zh) * | 2022-07-07 | 2022-09-09 | 湖南工商大学 | 信息安全监控模型构建及其应用方法、装置和存储介质 |
| CN116629712A (zh) * | 2023-07-21 | 2023-08-22 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086997A (zh) * | 2018-08-02 | 2018-12-25 | 天津城建大学 | 一种基于bp神经网络的燃气储配站安全评价方法 |
| CN109918754A (zh) * | 2019-02-27 | 2019-06-21 | 西南石油大学 | 一种尾矿库分层指标安全检测和预警方法与系统 |
-
2021
- 2021-08-09 CN CN202110906678.6A patent/CN113610397A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086997A (zh) * | 2018-08-02 | 2018-12-25 | 天津城建大学 | 一种基于bp神经网络的燃气储配站安全评价方法 |
| CN109918754A (zh) * | 2019-02-27 | 2019-06-21 | 西南石油大学 | 一种尾矿库分层指标安全检测和预警方法与系统 |
Non-Patent Citations (5)
| Title |
|---|
| 万舟等: "基于AHP与PSO-BP神经网络的电梯安全评价研究", 《计算机与数字工程》, no. 09, pages 1561 - 1565 * |
| 何荣军等: "改进粒子群神经网络在煤矿安全评价中的应用", 《工业安全与环保》, no. 11, pages 29 - 31 * |
| 姜林林: "基于BP神经网络的城市轨道交通运营安全评价与设计", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 04, pages 033 - 180 * |
| 汪嘉杨等: "基于粒子群优化神经网络的矿井安全预评价", 《计算机应用》, no. 1, pages 74 - 75 * |
| 高玮: "基于人工神经网络化工企业安全评价方法的研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 05, pages 026 - 7 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115037553A (zh) * | 2022-07-07 | 2022-09-09 | 湖南工商大学 | 信息安全监控模型构建及其应用方法、装置和存储介质 |
| CN116629712A (zh) * | 2023-07-21 | 2023-08-22 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
| CN116629712B (zh) * | 2023-07-21 | 2024-02-13 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107886235A (zh) | 一种耦合确定性与不确定分析的火灾风险评估方法 | |
| CN113610397A (zh) | 一种基于pso-bp神经网络的石化企业安全评价方法 | |
| CN109522962B (zh) | 一种化工厂安全定量评估方法 | |
| Luo et al. | Bayesian belief network-based project complexity measurement considering causal relationships | |
| CN115063056B (zh) | 基于图拓扑分析改进的建造行为安全风险动态分析方法 | |
| Glukhikh et al. | Case Based Reasoning for managing urban infrastructure complex technological objects | |
| Alizadeh et al. | Using data mining for learning and clustering FCM | |
| Ratnayake | Knowledge based engineering approach for subsea pipeline systems’ FFR assessment: A fuzzy expert system | |
| CN115953252A (zh) | 一种建工安责险保费的确定方法 | |
| Ma et al. | Development of a time-variant causal model of human error in construction with dynamic Bayesian network | |
| Sarip et al. | Fuzzy logic application for house price prediction | |
| CN108596364A (zh) | 一种化工园区重大危险源动态预警方法 | |
| Hung | A risk assessment framework for construction project using artificial neural network | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
| CN112346974B (zh) | 基于深度特征嵌入的跨移动应用程序即时缺陷预测方法 | |
| Xu et al. | Fire Safety Assessment of High-Rise Buildings Based on Fuzzy Theory and Radial Basis Function Neural Network. | |
| Permana et al. | Design and Development of Fuzzy Logic Application Tsukamoto Method in Predicting the Number of Covid-19 Positive Cases in West Java | |
| Tsehayae et al. | Context Adaptation of Fuzzy Inference System‐Based Construction Labor Productivity Models | |
| Xue et al. | Factor analysis and countermeasure simulation on the socio-ecological environment risks during the development of coalbed methane: based on the DEMATEL and FCM models | |
| Iranmanesh et al. | Risk assessment of software projects using fuzzy inference system | |
| CN109325704B (zh) | 基于粗糙集-grnn算法的危废处置过程风险评价方法 | |
| de Oliveira Gomes et al. | A Fuzzy Inference Model to Identify the Current Industry Maturity Stage in the Transformation Process to Industry 4.0 | |
| Roghanian et al. | Project risk management using fuzzy failure mode and effect analysis and fuzzy logic | |
| Mzougui et al. | Promoting Expert Knowledge for Comprehensive Human Risk Management in Industrial Environments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211105 |
|
| WD01 | Invention patent application deemed withdrawn after publication |