CN117010683A - 基于混合神经网络和多Agent的作业安全风险预测方法 - Google Patents
基于混合神经网络和多Agent的作业安全风险预测方法 Download PDFInfo
- Publication number
- CN117010683A CN117010683A CN202310734894.6A CN202310734894A CN117010683A CN 117010683 A CN117010683 A CN 117010683A CN 202310734894 A CN202310734894 A CN 202310734894A CN 117010683 A CN117010683 A CN 117010683A
- Authority
- CN
- China
- Prior art keywords
- simulation
- safety
- agent
- operating system
- error probability
- 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 74
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 90
- 230000006399 behavior Effects 0.000 claims abstract description 24
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000007787 long-term memory Effects 0.000 claims abstract description 11
- 230000001149 cognitive effect Effects 0.000 claims abstract description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 115
- 238000012549 training Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000006403 short-term memory Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 230000019771 cognition Effects 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002964 excitative effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001242 postsynaptic effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003518 presynaptic effect Effects 0.000 description 1
- 210000005215 presynaptic neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于混合神经网络和多Agent的作业安全风险预测方法,包括:建立安全投入对人为差错的影响作用的人为差错预测模型;基于Agent的认知学习,并结合长期记忆神经网络,建立随机波动的社会关系网络和现场安全信息对人为差错概率的影响关系;结合贝叶斯概率计算方法与蒙特卡洛仿真方法,构建多Agent的涌现行为的仿真模拟机制,仿真计算得到工程项目作业安全风险。本发明构建了多Agent的涌现行为的仿真模拟机制,实现了工程项目作业安全风险仿真计算,得到了量化的准确的工程事故风险,为工程项目的事故风险监管提供了科学依据,可适用于大型工程项目。
Description
技术领域
本发明属于事故风险控制领域,具体涉及一种基于混合神经网络和多Agent的作业安全风险预测方法。
背景技术
安全投入对人为差错的影响机制已有研究和技术:
(1)采用专家判断技术或系统动力学模型,研究安全投入对人为差错具有正向影响。专家判断技术指基于专家经验知识对研究目标进行分析和评估的方法模型,如Dephi法、层次分析法等。系统动力学模型是一种因果关系机理性模型,基于研究目标的系统行为与内在机制,模拟长期性和周期性系统问题。
(2)采用传统安全统计学方法,利用极大似然估计拟合历史监检数据的概率分布函数与分布参数,进而评估人为差错概率。
安全投入对人为差错的影响机制已有技术缺点:
(1)现有技术尚未深入研究安全投入对人为差错的作用机制,缺乏系统性的安全投入对人为差错作用理论和可靠性建模。
(2)大型工程项目安全投入具有时空分布的不均匀性,且抑制人为差错具有复杂作用效应,导致人为差错概率随机波动甚至突变,传统的统计学方法难以准确地描述这种动态不确定性。
多尺度分布式作业安全风险涌现和预测已有研究和技术:
(1)利用事故数据,从事故发生率、事故伤害率等角度,统计大型工程的整体风险;采用贝叶斯网络等机器学习方法研究作业系统层面的风险因素和事故后果、事故发生概率的关系;利用专家判断技术、贝叶斯网络等方法,研究个人风险尺度的人为可靠性。
(2)Agent建模是一种自下而上的研究方式,通过模拟现实中作业人员的行为和交互过程来分析复杂的系统行为。目前许多学者结合相应行为理论和Agent建模技术,利用行为理论的框架构建多Agent系统的主体和交互规则,对基于行为涌现的风险评估进行研究。
(3)利用元胞自动机、约束生成过程等模型实现行为涌现机制,通过提取和识别人为差错关键影响因素,利用因素分析定义行为主体的属性和交互规则,进而分析整体风险。
多尺度分布式作业安全风险涌现和预测已有技术缺点:
(1)现有文献多聚集于单一尺度安全风险评估的研究,未能从人为差错(个人风险)→局部风险→整体风险的微观到宏观统一视角思考多尺度作业安全风险问题,无法完整描述安全风险各尺度间的关联特性。
(2)已有的元胞自动机、约束生成过程等模型的行为涌现机制的研究过度依赖专家判断技术,同时没有考虑时空演变网络结构和随机波动安全信息的影响,属于作业安全风险的静态预测,无法通过实时监检数据动态地进行风险预测和模型修正。
发明内容
本发明的目的是针对上述问题,提供一种基于混合神经网络(Hybrid NeuralNetwork,HNN)和多Agent的作业安全风险预测方法,采用基于多Agent建模技术和长短期记忆神经网络的作业安全风险仿真预测模型解决时空分布安全投入作用的、社会关系网络结构和现场安全信息随机波动的、多尺度分布式作业安全风险涌现和预测问题。
本发明的技术方案是基于混合神经网络和多Agent的作业安全风险预测方法,包括以下步骤:
步骤1:建立安全投入对人为差错的影响作用的人为差错预测模型;
步骤1.1:建立以作业系统为节点、作业系统连边的作业系统网络;
步骤1.2:基于作业系统网络和安全投入分布,利用混合神经网络预测人为差错概率;
步骤2:基于Agent的认知学习,并结合长短期记忆神经网络,建立随机波动的社会关系网络和现场安全信息对人为差错概率的影响关系;
步骤3:结合贝叶斯概率计算方法与蒙特卡洛仿真方法,构建多Agent的涌现行为的仿真模拟机制,仿真计算得到工程项目作业安全风险;
步骤3.1:根据步骤1的人为差错预测模型的预测结果以及步骤2的Agent得到的人为差错概率调整值,采用贝叶斯网络计算得到每个作业系统的局部风险;
步骤3.2:采用蒙特卡洛仿真方法对步骤3.1的作业系统的局部风险进行整体仿真,统计仿真周期内工程项目发生的事故数量,得到工程项目作业安全的整体风险。
进一步地,步骤1.1中,设大型工程项目共有删种安全投入项目划分、n个作业系统,作业系统有r种作业系统固有特征,作业人员有q种作业人员固有特征;安全投入项目以作业系统为基本投入单元,建立以作业系统为节点、作业系统连边的作业系统网络。
t日期,作业系统i的安全投入项目记为 为作业系统i在时刻t的第j种安全投入量;工程项目全部作业系统的安全投入项目记为NSI(t)=[SI1(t),...,SIn(t)];作业系统i的固有特征记为/> 为作业系统i的第j种固有特征;全部作业系统固有特征记为SY=[sy1,...,syn];任意一位作业人员的固有特征记为C=[c1,...,cq],cj为作业人员的第j种固有特征;该作业人员随机波动的人为差错概率记为HEP(t);作业系统网络节点的连边权重矩阵记为W(t),定义如下:
其中,n是作业系统个数,wij(t)表示t日期作业系统i与作业系统j的连接权重,Ti(t)和Tj(t)分别为两个作业系统当前日平均工作时长,Tij(t)为两个作业系统当前日平均交叉作业时长。
步骤1.2中,所述混合神经网络包括脉冲神经网络、动态自注意力网络和多层感知机;
混合神经网络的输入是安全投入以作业系统分布的时空序列数据、全部作业系统的固有特征和任一作业人员的固有特征及其过往时刻的人为差错概率,输出是未来短期某天该作业人员的人为差错概率;
脉冲神经网络处理作业人员所在作业系统的安全投入激励脉冲信号,并将作业系统的固有特征、时空分布的安全投入项目和权重矩阵输入到动态自注意力网络,进行安全投入的时间特征和空间特征的提取;
经过两个网络处理后的特征信息、作业人员个体特征信息和过往时刻的人为差错概率一起输入到多层感知机,输出预测的未来时刻作业人员的人为差错概率。
步骤2中,大型工程社会关系网络节点众多,人员流动性大,节点更新即节点消失或出现具有较强的随机性,节点连边权重也动态波动;
设t日期,任意两个作业人员i和j的连接权重θij(t)定义为:
其中,Yi(t)和Yj(t)分别为作业人员i和j的当前日平均作业时长,Yij(t)为两个作业人员当前日平均协同作业时长;
不失一般性,当两个作业人员操作同一作业系统时,Yij(t)=Yi(t)=Yj(t),θij(t)=1;当两个作业人员分别属于存在交叉作业的两个作业系统时,协同作业时长为交叉作业时长,该值等同作业系统网络节点的连边权重;当两个作业人员分别位于无交叉作业的两个作业系统时,无协同作业,Yij(t)=0,θij(t)=0。
步骤2中,Agent接收现场安全信息,按照安全规则改变自身的安全属性与安全行为,调整自身的人为差错概率,但是该行为规则和人为差错概率之间是非线性隐函数关系;由于影响安全属性的现场安全信息较多,且对人为差错的影响机制难以用显函数形式表达,采用长短期记忆神经网络(Long Short-Term Memory networks,LSTM)对Agent的安全属性进行训练,以实现Agent对现场安全信息的自适应学习;
假设Agent具有a种安全属性,q种人员固有特征;t日期,安全属性记为 为Agent的第j种安全属性;人员固有特征记为C=[c1,...,cq],cj为Agent的第j种人员固有特征;人为差错概率记为HEP(t)。
按照Agent的安全规则,将原始样本数据中的现场安全信息用于网络训练的安全属性样本数据;当Agent进行自适应学习时,安全属性非线性映射的结果为人为差错的调整值,因此样本数据的标签为作业人员人为差错概率的变化值;
Agent的学习周期为u,即人为差错概率的调整值受到过去u天安全属性的影响,以学习周期u作为长短期记忆神经网络的时间步长,则一组训练数据的输入为Xlstm=[Xlstm(t-u+1),...,Xlstm(t)],Xlstm(t)=[ENV(t),C],输出为Ylstm(t)=HEP(t)-HEP(t-1);
长短期神经网络结构中,遗忘门ft=σ(Wf·[ht-1,xt]+bf),输入门it=σ(Wi·[ht-1,xt]+bi),细胞状态更新/>输出门ot=σ(Wo·[ht-1,xt]+bo),ht=ot*tanh(Ct),其中Wf,bf,Wi,bi,Wc,bc,Wo,bo均由神经网络进行训练获得;
根据基于长短期记忆神经网络的自适应学习模式,Agent动态地调整自身人为差错概率;设第i个Agent在t日期的调整值为ΔHEPi(t),调整前Agent的人为差错概率由混合神经网络给出并记为HEP(t),则该Agent的人为差错概率为pi(t)=HEP(t)+ΔHEPi(t)。
优选地,步骤3中,采用贝叶斯网络计算获得每个作业系统的局部风险,进而通过计算机仿真统计在一段仿真周期内工程项目发生的事故数量作为整体风险。
作业安全风险仿真预测模型考虑安全投入的时空分布与社会关系网络结构和现场安全信息随机波动,在避免仿真误差过大的情况下,仿真周期应根据工程实际情况进行确定,仿真单位步长为一天,并需要进行多次蒙特卡罗仿真。
仿真开始时,采用实际监检数据初始化Agent和作业系统的状态。
仿真过程中,每个Agent根据人员固有特征和安全投入,通过混合神经网络对人为差错概率进行预测,记为HEPi(t);
在此基础上,Agent接收现场安全信息,通过长短期记忆神经网络,自适应学习并调整自身的人为差错概率,调整值记为ΔHEPi(t);
因此,第i个Agent在t日期的人为差错概率pi(t)=HEPi(t)+ΔHEPi(t);
利用贝叶斯网络分别求得各作业系统的分布式局部风险;
设m个作业系统的局部风险向量 为t日期第i个作业系统的局部风险;
仿真预测模型产生一组随机序列
当时,则判定第i个作业系统在t日期发生事故,否则不发生事故;仿真结束时,统计整个工程项目在仿真周期内的事故发生总次数。
优选地,步骤3中,构建多Agent的涌现行为的仿真模拟机制,仿真计算得到工程项目作业安全风险的具体过程为:
1)记录仿真开始时刻大型工程实际的社会关系网络结构和现场安全管理信息,初始化仿真参数,开始蒙特卡洛仿真;
2)预测安全投入作用的Agent人为差错概率,Agent对现场安全信息进行认知和自适应学习,进一步调整Agent人为差错概率;预测设备设施故障/失效、极端恶劣天气基础事件的先验概率;
3)利用贝叶斯网络分别计算各作业系统的分布式局部风险,并分别随机产生(0,1)区间的随机数,依次与各局部风险比较大小,判断各作业系统是否发生事故;
3.1)若存在作业系统发生事故,对该次蒙特卡洛仿真的工程项目事故发生总次数加一,直到所有的作业系统事故发生次数全部累加完毕;仿真步数向前推进一步;
3.2)若无事故发生,仿真步数加一;
4)判断蒙特卡洛仿真次数是否超过10000次?
4.1)若未超过10000次,利用仿真开始时刻的大型工程实际网络结构和现场安全管理信息,根据事故发生情况、施工计划、人员工作安排和人员流动情况,通过概率分布函数更新网络结构和现场安全管理信息,判断当前时刻是否为预先设定的强制性安全投入时间节点?
4.1.1)若判断结果为是,则执行步骤2);
4.1.2)若判断结果为否,则Agent对现场安全信息进行认知和自适应学习,进一步调整Agent人为差错概率;预测设备设施故障/失效、极端恶劣天气基础事件的先验概率,执行步骤3);
4.2)若超过10000次,则结束当前安全投入方案的蒙特卡洛仿真,输出事故发生总次数最多的仿真结果;
5)结束当前安全投入方案的蒙特卡洛仿真,输出事故发生总次数最多的仿真结果。
相比现有技术,本发明的有益效果包括:
1)本发明构建了人为差错预测模型,通过Agent的认知学习,建立了社会关系网络和现场安全信息对人为差错概率的影响关系,并进一步结合贝叶斯概率计算方法与蒙特卡洛仿真方法,构建了多Agent的涌现行为的仿真模拟机制,实现了工程项目作业安全风险仿真计算,得到了量化的准确的工程事故风险,为工程项目的事故风险监管提供了科学依据,可适用于大型工程项目。
2)本发明以数据可获得性为基础,搭建了分布式Agent社会关系网络,构建了从原始现场安全信息转换为具体的安全影响因素的安全规则,并基于长短期记忆神经网络建立Agent安全影响因素对人为差错概率调整的非线性映射关系。
3)本发明通过Agent的安全规则,模拟了作业人员对现场信息的自适应学习过程,能将原始信息转换为可学习式数据;长短期记忆神经网络通过有选择性的记忆历史信息,能够有效预测基于时间序列的信息,成功解决了已有研究中存在难以量化、应用误差大等问题。
4)本发明根据时空分布的安全投入作用具有累积和衰减效应的特点,通过动态自注意力网络有效利用时空分布安全投入项目的输入信号,预测输出随机波动的人为差错概率。利用脉冲神经网络和动态自注意力网络相结合的混合神经网络,实现时空序列安全投入项目组合对人为差错概率的非线性映射。当存在新的安全投入时,只需将当前时空安全投入数据和输入到训练好的混合神经网络,即可高效实时地预测目标人为差错概率。
5)本发明具有良好的泛化能力,在实际应用中可调用目标工程信息对整个模型重新训练或增量训练,以匹配当前应用场景。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例的混合神经网络的示意图。
图2为本发明实施例的Agent认知学习的模型示意图。
图3为本发明实施例的多尺度分布式作业安全风险仿真预测的流程示意图。
图4a为本发明实施例的HNN用于预测人为差错概率的预测效果示意图。
图4b为本发明实施例的LSTM用于预测Agent认知学习效果的预测效果示意图。
图5为本发明实施例的作业安全风险预测方法的仿真界面图。
具体实施方式
实施例解决时空分布安全投入作用的、社会关系网络结构和工程现场安全信息随机波动的、多尺度分布式作业安全风险涌现和预测问题,同时也解决安全投入作用理论驱动和安全投入以作业系统分布的、时空序列安全投入项目组合对随机波动人为差错概率的非线性映射问题。
造成已有基于行为涌现的风险预测技术的局限性的根本原因在于Agent建模过程的主体属性难以用实际数据进行量化,且人为差错概率调整过程存在以线性回归替代非线性映射所带来的误差。实施例中,从数据可获得性出发,在监检数据支持下搭建分布式Agent社会关系网络,构建从原始现场安全信息转换为具体的安全影响因素的安全规则,并基于长短期记忆神经网络建立Agent安全影响因素对人为差错概率调整的非线性映射关系。Agent安全规则由实地调研、查阅文献等方式确定,模拟作业人员对现场信息的自适应学习过程,能将原始信息转换为可学习式数据;长短期记忆神经网络通过有选择性的记忆历史信息,能够有效预测基于时间序列的信息,成功解决了已有研究中存在难以量化、应用误差大等问题。
如图1所示,基于混合神经网络和多Agent的作业安全风险预测方法,包括:构建时空分布安全投入对人为差错的作用机制,Agent安全影响因素对人为差错概率的调整以及多尺度分布式作业风险涌现及预测。
具体技术方案如下:
1)时空分布安全投入对人为差错的作用机制
安全投入对抑制人为差错具有三个特性:效应的累积性和衰减性、效应的脉冲激励性、效应的边际性。采用查阅国家相关标准等形式,将安全投入划分为人员安全保障、劳动保护、新技术与新工具、安全奖励、应急演练及应急物资准备、安全技能培训、安全宣传与推广、安全监督检查、安全人力投入九种项目。
设大型工程项目共有m种安全投入项目划分、n个作业系统,作业系统有r种作业系统固有特征如作业系统类型、作业难度等,作业人员有q种作业人员固有特征如学历、年龄、从业时间、健康状况、认证资质等。安全投入项目以作业系统为基本投入单元,建立以作业系统为节点、作业系统连边的作业系统网络。
t日期,作业系统i的安全投入项目记为工程项目全部作业系统的安全投入项目记为NSI(t)=[SI1(t),...,SIn(t)];作业系统i的固有特征记为全部作业系统固有特征记为SY=[sy1,..,syn];任意一位作业人员的固有特征记为
C=[c1,...,cq];该作业人员随机波动的人为差错概率记为HEP(t);作业系统网络节点的连边权重矩阵记为W(t),定义如下:
其中,n是作业系统个数,wij(t)表示t日期作业系统i与作业系统j的连接权重,Ti(t)和Tj(t)分别为两个作业系统当前日平均工作时长,Tij(t)为两个作业系统当前日平均交叉作业时长。
混合神经网络的输入是安全投入以作业系统分布的时空序列数据、全部作业系统的固有特征和任一作业人员的固有特征及其过往时刻的人为差错概率,输出是未来短期某天该作业人员的人为差错概率,混合神经网络结构如图1所示。以天为基本单位,作业人员在一天之内的人为差错概率相对比较稳定,可视为固定值,不同天之间的人为差错概率随机波动。
脉冲神经网络处理作业人员所在作业系统的安全投入激励脉冲信号,并将作业系统的固有特征、时空分布的安全投入项目和权重矩阵输入到动态自注意力网络,进行安全投入的时间特征和空间特征的提取。经过两个网络处理后的特征信息、作业人员个体特征信息和过往时刻的人为差错概率一起输入到多层感知机,输出预测的未来时刻作业人员的人为差错概率。
过去一段时间内全部作业系统的安全投入数据可以通过企业管理系统获得。权重矩阵可以通过施工作业计划和人员工作安排等获得。全部作业系统固有特征可以通过作业系统技术手册等档案获得。作业人员固有特征向量可以通过人力资源系统和健康档案获得。人为差错概率通过拟合当天工程项目近期的监检数据获得。因此,全部样本数据均是可以实际采集得到的。
2)Agent安全影响因素对人为差错概率的调整
(a)Agent安全规则及自适应学习模型
大型工程社会关系网络节点众多,人员流动性大,节点更新(消失或出现)具有较强的随机性,节点连边权重也动态波动。设t日期,任意两个作业人员i和j的连接权重θij(t)定义为:
其中,Yi(t)和Yj(t)分别为作业人员i和j的当前日平均作业时长,Tij(t)为两个作业人员当前日平均协同作业时长。
不失一般性,当两个作业人员操作同一作业系统时,Yij(t)=Yi(t)=Yj(t),θij(t)=1;当两个作业人员分别属于存在交叉作业的两个作业系统时,协同作业时长为交叉作业时长,该值等同作业系统网络节点的连边权重;当两个作业人员分别位于无交叉作业的两个作业系统时,无协同作业,Yij(t)=0,θij(t)=0。
Agent接收现场安全信息后,通过安全规则将随机波动的现场安全信息转化为具体的安全影响因素,进而改变自身的安全行为和调整人为差错概率,如图2所示。图2体现了安全投入作用的、社会关系网络结构和现场安全信息的Agent自适应学习模型,以及Agent安全影响因素对人为差错概率调整的非线性映射。
针对社会关系网络结构和现场安全信息的Agent安全规则,通过调研实地工程的规章制度以及查阅安全领域的相关标准和文献,得到的安全影响因素和Agent安全规则如表1所示。不安全状况指整个作业系统的平均人为差错概率,可以通过作业系统中每个作业人员的人为差错概率计算得到;事故责任人是否得到处理为随机变量,服从伯努利分布,分布参数由工程项目已有事故处理情况的统计频率近似;班组长的在岗时间遵循Weibull分布,分布参数可以由监检数据拟合确定;按照施工进度计划、人员招聘计划和人员工作安排确定新员工情况,进而统计每个作业系统的新员工比例,进而影响人员数量和权重关系的变动。
表1现场安全信息的安全规则及安全影响因素表
(b)Agent安全影响因素对人为差错概率调整的非线性映射关系
实施例中,Agent的安全属性与安全影响因素一一对应,则Agent的自适应学习过程的另一种表述为:Agent接收现场安全信息,按照安全规则改变自身的安全属性与安全行为,调整自身的人为差错概率,但是该行为规则和人为差错概率之间是非线性隐函数关系。由于影响安全属性的现场安全信息较多,且对人为差错的影响机制难以用显函数形式表达,采用长短期记忆神经网络对Agent的安全属性进行训练,以实现Agent对现场安全信息的自适应学习。
假设Agent具有a种安全属性,q种人员固有特征。t日期,安全属性记为人员固有特征记为C=[c1,...,cq],人为差错概率记为HEP(t)。通过监检、人力资源和事故管理等数据,形成现场安全信息的原始样本数据。按照Agent的安全规则,将原始样本数据中的现场安全信息用于网络训练的安全属性样本数据。当Agent进行自适应学习时,安全属性非线性映射的结果为人为差错的调整值,因此样本数据的标签为作业人员人为差错概率的变化值。Agent的学习周期为u,即人为差错概率的调整值受到过去u天安全属性的影响,以学习周期u作为长短期记忆神经网络的时间步长,则一组训练数据的输入为Xlstm=[Xlstm(t-u+1),...,Xlstm(t)],Xlstm(t)=[ENV(t),C],输出为Ylstm(t)=HEP(t)-HEP(t-1)。
长短期神经网络结构中,遗忘门ft=σ(Wf·[ht-1,xt]+bf),输入门it=σ(Wi·[ht-1,xt]+bi),细胞状态更新/>输出门ot=σ(Wo·[ht-1,xt]+bo),ht=ot*tanh(Ct),其中Wf,bf,Wi,bi,Wc,bc,Wo,bo均由神经网络进行训练获得。
根据基于长短期记忆神经网络的自适应学习模式,Agent动态地调整自身人为差错概率。设第i个Agent在t日期的调整值为ΔHEPi(t),调整前Agent的人为差错概率由混合神经网络给出并记为HEP(t),则该Agent的人为差错概率为pi(t)=HEP(t)+ΔHEPi(t)。
3)多Agent行为涌现的多尺度分布式作业安全风险仿真预测
在经过前两步技术路线得到大型工程各个作业人员的人为差错即大型工程的个人风险的基础上,采用贝叶斯网络可计算获得每个作业系统的局部风险,进而通过计算机仿真统计在一段仿真周期内工程项目发生的事故数量作为整体风险。
作业安全风险仿真预测模型考虑安全投入的时空分布与社会关系网络结构和现场安全信息随机波动,在避免仿真误差过大的情况下,仿真周期应根据工程实际情况进行确定,一般不超过六个月,仿真单位步长为一天,并需要进行多次蒙特卡罗仿真。仿真开始时,采用实际监检数据初始化Agent和作业系统的状态。仿真过程中,每个Agent根据人员固有特征和安全投入,通过混合神经网络对人为差错概率进行预测,记为HEPi(t)。在此基础上,Agent接收现场安全信息,通过长短期记忆神经网络,自适应学习并调整自身的人为差错概率,调整值记为ΔHEPi(t)。因此,第i个Agent在t日期的人为差错概率pi(t)=HEPi(t)+ΔHEPi(t)。利用贝叶斯网络分别求得各作业系统的分布式局部风险。设m个作业系统的局部风险向量lri t为t日期第i个作业系统的局部风险。仿真预测模型产生一组随机序列/>当/>时,则判定第i个作业系统在t日期发生事故,否则不发生事故。仿真结束时,统计整个工程项目在仿真周期内的事故发生总次数。多尺度分布式作业安全风险仿真预测流程如附图中图3所示。
脉冲神经网络以脉冲神经元作为基本单元,神经元之间通过脉冲序列进行信息传递,激励信号经过泊松编码后输入到网络模型中。以LIF(Leaky Integrate-and-Fire)模型模拟脉冲神经元,该模型用RC电路形式描述脉冲神经元的兴奋过程:
其中τ为时间常数,U为神经元的膜电位,Urest为静息电压,Uexc/inh为兴奋性/抑制性电导的平衡电压,ge、gi分别为连接到电流神经元的兴奋性、抑制性突触的电导。
网络采用脉冲时间依赖可塑性(spike-timing-dependent plasticit y,STDP)的学习规则去更新网络权重参数:
其中,Δwij为突触前神经元ith与突触后神经元jth之间的突触权重的变化值;ti、tj分别表示突触前、突触后神经元产生突刺的时间,且时间差a=ti-tj;τp、τd分别表示权重增加、减少的时间常数。Ap、Ad分别表示突触权重增加、减少时的学习速率。
动态自注意力网络分为空域自注意力和时域自注意力两个模块。空域自注意力模块用于提取每个时间步数据的空间特征,数学结构如下:
其中xv为图中节点v的输入特征向量,Nv为节点v的邻居节点集合,ε为图中所有节点集合,Auv为节点u和节点v之间的连边权重,aT为用于线性变换的变换矩阵,Zv为节点v的输出特征向量;Ws为所有节点的共享参数矩阵,由网络训练获得。
根据空域自注意力模块,对时空图的每个节点进行计算,得到整合空间特征后的时空特征图,进而采用时间自注意力模块提取时序特征,数学结构如下:
Zv=βv(XvWv)
其中Xv为经空域自注意力模块处理后的节点特征向量集,F′为特征向量维数,i、j表示时间步,为节点v的时刻i对时刻j的注意力值,βv为所有时刻T的注意力值组成的矩阵向量/>Zv为节点v最终输出特征向量;Wq,Wk,Wv为参数矩阵,由网络训练获得。
多层感知机是一种前向结构的人工神经网络,包含输入层、隐藏层和输出层,网络结构的数学结构为:
Hm=σ(WmhXm+Bmh)
Ym=σ(WmoHm+Bmo)
其中Xm为输入特征向量,Hm为隐藏特征向量,σ()表示激活函数,Wmh、Wmo分别表示隐藏层、输出层的权重,Bmh、Bmo分别表示隐藏层、输出层的偏置;Ym为输出特征向量;Wmh,Bmh,Wmo,Bmo由网络训练获得。
实施例中,基于混合神经网络和多Agent的作业安全风险预测方法以软件形式实施,软件的实现可分为两个部分:一是训练用于安全投入对人为差错映射的混合神经网络和用于Agent安全影响因素对人为差错的调整的长短期记忆神经网络,二是进行多尺度分布式作业安全风险的仿真预测。下面分别说明这两个部分的具体实现操作。
(一)混合神经网络和长短期神记忆经网络的训练过程
训练网络的过程分为数据准备、超参数设定、训练算法确定和模型精度评估四个部分。数据准备阶段,在时间维度上对采集的原始样本数据进行滑窗操作,得到可以直接用于网络训练的分组数据。因为安全投入作用具有衰减性,设衰减周期为7天,所以滑窗大小设置为7,每组训练数据包含过去7个时间段的全部作业系统的安全投入信息。一组训练数据的输入X由7个时间步的全部作业系统安全投入项目[NSI(t-6),...,NSI(t)]7×n×m、权重矩阵W(t)、全部作业系统固有特征SY和作业人员固有特征向量C组成,输出Y为作业人员在此后t天的人为差错概率HEP(t)。将样本分组后的训练数据按70%、20%、10%的比例分别作为训练集、验证集和测试集。
混合神经网络的部分超参数设定如下:
Max_epoch:1000;
Batch_size:50;
Time_size:7;
Learning_rate:0.01;
SNN隐藏层数:3;
DySAT空间图注意力网络模块Head num:16;
DySAT时间自注意力机制模块Head num:16;
MLP隐藏层数:3;
网络训练算法采用反向传播算法,通过最小化损失函数来计算梯度和更新网络权重。采用均方误差作为网络训练的损失函数:
其中,和y分别为人为差错概率的预测值和真实值,N为数据量大小。
采用多个回归评价指标来评估模型精度,包括均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE,各个指标计算公式如下:
其中,和y分别为人为差错概率的预测值和真实值,N为数据量大小。
混合神经网络模型一共训练Max_epoch个epoch,且在训练集上训练一个epoch后,在验证集上进行验证并记录误差。若验证误差连续10个epoch的变化小于0.00001,提前终止训练,所得模型为当前参数设定下的最优模型。实施例中,训练后的混合神经网络模型HNN的测试效果如图4a所示。
长短期记忆神经网络训练过程类似于混合神经网络,通过监检、人力资源和事故管理等数据,形成现场安全信息的原始样本数据。按照Agent的安全规则,将原始样本数据中的现场安全信息用于网络训练的安全属性即安全影响因素样本数据。当Agent进行自适应学习时,安全属性非线性映射的结果为人为差错的调整值,因此样本数据的标签为作业人员人为差错概率的变化值。Agent的学习周期为7,即人为差错概率的调整值受到过去7天安全属性的影响,以学习周期7作为长短期记忆神经网络的时间步长,则一组训练数据的输入为Xlstm=[Xlstm(t-6),...,Xlstm(t)],Xlstm(t)=[ENV(t),C],输出为Ylstm(t)=HEP(t)-HEP(t-1)。
训练后的长短期记忆神经网络LSTM的测试效果如图4b所示,测试结果反映模型预测数据与真实数据的拟合程度。
(二)多尺度分布式作业安全风险的仿真预测
以训练好的混合神经网络和长短期记忆神经网络为基础,建立多尺度分布式作业安全风险的仿真预测模型,多尺度分布式作业安全风险仿真预测流程如附图中图3所示。
以某高速公路建造工程为例,预测未来三个月的工程作业安全风险。在仿真开始前,根据工程整体情况初始化仿真运行时的Agent数量、作业系统数量、各Agent的人员特征、作业系统类型等基础仿真信息,并通过收集监检数据、施工计划、规章制度等已知信息确定现场安全信息的环境参数,如班组长的在岗时间、事故有效处理率等。
仿真过程中,社会关系网络结构会随着施工进度计划和人员安排规划进行实时调整,每个作业人员接收的现场安全信息由仿真开始时刻系统状态、工程项目近期强制性安全投入、仿真过程的个人风险和局部风险状态等信息共同决定。Agent的个人风险受安全投入作用,并通过对现场安全信息的自适应学习调整人为差错概率,风险变化由混合神经网络和长短期神经网络确定。在仿真的每个时间步都需要采用贝叶斯网络实时计算全部作业系统的局部风险,并通过概率随机判定是否发生事故。仿真结束时,统计整个工程项目在仿真周期内的事故发生总次数作为整体风险。由于仿真预测期间社会网络结构的变化、现场安全信息的波动和整体风险的计算都具有一定的随机性,单次仿真结果的可靠性和准确度有所不足,需要进行10000次的蒙特卡洛仿真以削减随机不可控的因素所带来的仿真误差。取所有仿真中大型工程事故发生次数最多的那次仿真作为最终预测结果,仿真结果示意图如附图5所示,包含整个仿真预测周期内的多尺度分布式风险变化以及资源分布情况,实施例中的资源分布是指安全投入分布。
Claims (7)
1.基于混合神经网络和多Agent的作业安全风险预测方法,其特征在于,包括以下步骤:
步骤1:建立安全投入对人为差错的影响作用的人为差错预测模型;
步骤1.1:建立以作业系统为节点、作业系统连边的作业系统网络;
步骤1.2:基于作业系统网络和安全投入分布,利用混合神经网络预测人为差错概率;
步骤2:基于Agent的认知学习,并结合长短期记忆神经网络,建立随机波动的社会关系网络和现场安全信息对人为差错概率的影响关系;
步骤3:结合贝叶斯概率计算方法与蒙特卡洛仿真方法,构建多Agent的涌现行为的仿真模拟机制,仿真计算得到工程项目作业安全风险;
步骤3.1:根据步骤1的人为差错预测模型的预测结果以及步骤2的Agent得到的人为差错概率调整值,采用贝叶斯网络计算得到每个作业系统的局部风险;
步骤3.2:采用蒙特卡洛仿真方法对步骤3.1的作业系统的局部风险进行整体仿真,统计仿真周期内工程项目发生的事故数量,得到工程项目作业安全的整体风险。
2.根据权利要求1所述的作业安全风险预测方法,其特征在于,步骤1.1中,设大型工程项目共有m种安全投入项目划分、n个作业系统,作业系统有r种作业系统固有特征,作业人员有q种作业人员固有特征;安全投入项目以作业系统为基本投入单元,建立以作业系统为节点、作业系统连边的作业系统网络;
工程项目全部作业系统的安全投入项目记为NSI(t)=[SI1(t),...,SIn(t)],其中SIi(t),i=1,...,n表示第i个作业系统的安全投入项目,其中/>表示第i个作业系统在时刻t的第1种安全投入量,/>表示第i个作业系统在时刻t的第m种安全投入量;全部作业系统固有特征记为SY=[sy1,...,syn],其中syi,i=1,...,n表示第i个作业系统的固有特征,/> 表示第i个作业系统的第1种固有特征,/>表示第i个作业系统的第r种固有特征;任意一位作业人员的固有特征记为C=[c1,...,cq],c1为作业人员的第1种固有特征,cq为作业人员的第q种固有特征,作业人员随机波动的人为差错概率记为HEP(t);作业系统网络节点的连边权重矩阵记为W(t),
其中n为作业系统个数,wij(t)表示t日期第i个作业系统与第j个作业系统的连接权重,Ti(t)、Tj(t)分别表示t日期第i个、第j个作业系统的平均工作时长,Tij(t)为t日期第i个作业系统与第j个作业系统的平均交叉作业时长。
3.根据权利要求2所述的作业安全风险预测方法,其特征在于,步骤1.2中,所述混合神经网络包括脉冲神经网络、动态自注意力网络和多层感知机;
混合神经网络的输入是安全投入以作业系统分布的时空序列数据、全部作业系统的固有特征和任一作业人员的固有特征及其过往时刻的人为差错概率,输出是未来短期某天该作业人员的人为差错概率;
脉冲神经网络处理作业人员所在作业系统的安全投入激励脉冲信号,并将作业系统的固有特征、时空分布的安全投入项目和权重矩阵输入到动态自注意力网络,进行安全投入的时间特征和空间特征的提取;
经过脉冲神经网络和动态自注意力网络处理后的特征信息、作业人员个体特征信息和过往时刻的人为差错概率一起输入到多层感知机,输出预测的未来时刻作业人员的人为差错概率。
4.根据权利要求3所述的作业安全风险预测方法,其特征在于,步骤2中,大型工程社会关系网络节点众多,人员流动性大,节点更新具有较强的随机性,节点连边权重也动态波动;
t日期第i个作业人员和第j个作业人员的连接权重θij(t)定义为:
其中,Yi(t)、Yj(t)分别为t日期第i个、第j个作业人员的平均作业时长,Yij(t)为t日期第i个作业人员和第j个作业人员平均协同作业时长;
当第i个作业人员和第j个作业人员操作同一作业系统时,Yij(t)=Yi(t)=Yj(t),θij(t)=1;当两个作业人员分别属于存在交叉作业的两个作业系统时,协同作业时长为交叉作业时长,θij(t)等同作业系统网络节点的连边权重;当第i个作业人员和第j个作业人员分别位于无交叉作业的两个作业系统,无协同作业时,Yij(t)=0,θij(t)=0。
5.根据权利要求4所述的作业安全风险预测方法,其特征在于,步骤2中,Agent接收现场安全信息,按照安全规则改变自身的安全属性与安全行为,调整自身的人为差错概率,但是该行为规则和人为差错概率之间是非线性隐函数关系;由于影响安全属性的现场安全信息较多,且对人为差错的影响机制难以用显函数形式表达,采用长短期记忆神经网络对Agent的安全属性进行训练,以实现Agent对现场安全信息的自适应学习;
假设Agent具有a种安全属性,q种人员固有特征;t日期,安全属性记为 为t日期Agent的第1种安全属性,/>为t日期Agent的第a种安全属性,/>为Agent的第j种安全属性;人员固有特征记为C=[c1,...,cq],c1为作业人员的第1种固有特征,cq为作业人员的第q种固有特征,人为差错概率记为HEP(t);
按照Agent的安全规则,将原始样本数据中的现场安全信息用于网络训练的安全属性样本数据;当Agent进行自适应学习时,安全属性非线性映射的结果为人为差错的调整值,因此样本数据的标签为作业人员人为差错概率的变化值;
Agent的学习周期为u,即人为差错概率的调整值受到过去u天安全属性的影响,以学习周期u作为长短期记忆神经网络的时间步长,则一组训练数据的输入为Xlstm=[Xlstm(t-u+1),...,Xlstm(t)],Xlstm(t)=[ENV(t),C],Xlstm(t-u+1)表示t-u+1日期的样本数据,Xlstm(t)表示t日期的样本数据;长短期记忆神经网络的输出为Ylstm(t)=HEP(t)-HEP(t-1),HEP(t-1)表示t-1日期的人为差错概率;
长短期神经网络结构中,遗忘门
ft=s(Wf·[ht-1,xt]+bf),
其中σ()表示激活函数,Wf、bf分别表示遗忘门的权重、偏置;ht-1表示t-1日期的隐藏状态,xt表示t日期的输入状态;
输入门
其中Wi、bi、Wc、bc分别表示输入门的权重、偏置、候选向量权重和候选向量偏置;表示候选输入向量;
细胞状态更新
输出门ot=σ(Wo·[ht-1,xt]+bo),ht=ot*tanh(Ct)
其中Wo、bo分别表示输出门的权重、偏置;
根据基于长短期记忆神经网络的自适应学习模式,Agent动态地调整自身人为差错概率;设第i个Agent在t日期的调整值为ΔHEPi(t),调整前Agent的人为差错概率由混合神经网络给出并记为HEP(t),则该Agent的人为差错概率为pi(t)=HEP(t)+ΔHEPi(t)。
6.根据权利要求5所述的作业安全风险预测方法,其特征在于,步骤3中,采用贝叶斯网络可计算获得每个作业系统的局部风险,进而通过计算机仿真统计在一段仿真周期内工程项目发生的事故数量作为整体风险;
作业安全风险仿真预测模型考虑安全投入的时空分布与社会关系网络结构和现场安全信息随机波动,在避免仿真误差过大的情况下,仿真周期应根据工程实际情况进行确定,仿真单位步长为一天,并进行多次蒙特卡罗仿真;
仿真开始时,采用实际监检数据初始化Agent和作业系统的状态;
仿真过程中,每个Agent根据人员固有特征和安全投入,通过混合神经网络对人为差错概率进行预测,记为HEPi(t);
在此基础上,Agent接收现场安全信息,通过长短期记忆神经网络,自适应学习并调整自身的人为差错概率,调整值记为ΔHEPi(t);
因此,第i个Agent在t日期的人为差错概率pi(t)=HEPi(t)+ΔHEPi(t);
利用贝叶斯网络分别求得各作业系统的分布式局部风险;
设m个作业系统的局部风险向量表示t日期第i个作业系统的局部风险;
仿真预测模型产生一组随机序列 为随机序列的第i个随机数;
当时,则判定第i个作业系统在t日期发生事故,否则不发生事故;仿真结束时,统计整个工程项目在仿真周期内的事故发生总次数。
7.根据权利要求6所述的作业安全风险预测方法,其特征在于,步骤3中,构建多Agent的涌现行为的仿真模拟机制,仿真计算得到工程项目作业安全风险的具体过程为:
1)记录仿真开始时刻大型工程实际的社会关系网络结构和现场安全管理信息,初始化仿真参数,开始蒙特卡洛仿真;
2)预测安全投入作用的Agent人为差错概率,Agent对现场安全信息进行认知和自适应学习,进一步调整Agent人为差错概率;预测设备设施故障/失效、极端恶劣天气基础事件的先验概率;
3)利用贝叶斯网络分别计算各作业系统的分布式局部风险,并分别随机产生(0,1)区间的随机数,依次与各局部风险比较大小,判断各作业系统是否发生事故;
3.1)若存在作业系统发生事故,对该次蒙特卡洛仿真的工程项目事故发生总次数加一,直到所有的作业系统事故发生次数全部累加完毕;仿真步数向前推进一步;
3.2)若无事故发生,仿真步数加一;
4)判断蒙特卡洛仿真次数是否超过10000次?
4.1)若未超过10000次,利用仿真开始时刻的大型工程实际网络结构和现场安全管理信息,根据事故发生情况、施工计划、人员工作安排和人员流动情况,通过概率分布函数更新网络结构和现场安全管理信息,判断当前时刻是否为预先设定的强制性安全投入时间节点?
4.1.1)若判断结果为是,则执行步骤2);
4.1.2)若判断结果为否,则Agent对现场安全信息进行认知和自适应学习,进一步调整Agent人为差错概率;预测设备设施故障/失效、极端恶劣天气基础事件的先验概率,执行步骤3);
4.2)若超过10000次,则结束当前安全投入方案的蒙特卡洛仿真,输出事故发生总次数最多的仿真结果;
5)结束当前安全投入方案的蒙特卡洛仿真,输出事故发生总次数最多的仿真结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310734894.6A CN117010683A (zh) | 2023-06-20 | 2023-06-20 | 基于混合神经网络和多Agent的作业安全风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310734894.6A CN117010683A (zh) | 2023-06-20 | 2023-06-20 | 基于混合神经网络和多Agent的作业安全风险预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117010683A true CN117010683A (zh) | 2023-11-07 |
Family
ID=88569983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310734894.6A Pending CN117010683A (zh) | 2023-06-20 | 2023-06-20 | 基于混合神经网络和多Agent的作业安全风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010683A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634895A (zh) * | 2024-01-26 | 2024-03-01 | 安徽中科国金智能科技有限公司 | 一种非煤矿山安全动态风险评估系统及其评估方法 |
-
2023
- 2023-06-20 CN CN202310734894.6A patent/CN117010683A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634895A (zh) * | 2024-01-26 | 2024-03-01 | 安徽中科国金智能科技有限公司 | 一种非煤矿山安全动态风险评估系统及其评估方法 |
CN117634895B (zh) * | 2024-01-26 | 2024-04-12 | 安徽中科国金智能科技有限公司 | 一种非煤矿山安全动态风险评估系统及其评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033450B (zh) | 基于深度学习的电梯设备故障预测方法 | |
CN111539515A (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
Yang et al. | Modeling crack deterioration of flexible pavements: Comparison of recurrent Markov chains and artificial neural networks | |
CN112381320A (zh) | 一种社区人员流量预测方法、系统、存储介质及设备 | |
CN111461551B (zh) | 一种基于深度学习和spc准则的电潜泵故障预警方法 | |
CN117010683A (zh) | 基于混合神经网络和多Agent的作业安全风险预测方法 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN116523187A (zh) | 一种基于bim的工程进度监控方法及其系统 | |
Mak et al. | An empirical measure of element contribution in neural networks | |
Challa et al. | An Effective Optimization of Time and Cost Estimation for Prefabrication Construction Management Using Artificial Neural Networks. | |
JPH03134706A (ja) | 下水処理場運転支援のための知識獲得方法 | |
CN116484904A (zh) | 一种基于人工智能深度学习的监管数据处理实现方法 | |
Zhou et al. | A hybrid SNN-STLSTM method for human error assessment in the high-speed railway system | |
Al‐Tabtabai et al. | Expert judgment in forecasting construction project completion | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
CN113837443A (zh) | 基于深度BiLSTM的变电站线路负载预测方法 | |
Al-Tabtabai et al. | Construction project control using artificial neural networks | |
CN111859798A (zh) | 基于双向长短时神经网络的流程工业故障诊断方法 | |
Marino et al. | Measuring longevity risk through a neural network Lee-Carter model | |
He et al. | Application of neural network model based on combination of fuzzy classification and input selection in short term load forecasting | |
Hu et al. | Modeling nonlinear synaptic dynamics: a laguerre-volterra network framework for improved computational efficiency in large scale simulations | |
Ighravwe et al. | Selection of an optimal neural network architecture for maintenance workforce size prediction using grey relational analysis. | |
Rana | Time series prediction of the COVID-19 outbreak in India using LSTM based deep learning models | |
Adnan et al. | Improvement of the method of estimation and forecasting of the state of the monitoring object in intelligent decision support systems | |
AlJassmi et al. | Towards self-recovering construction schedules: a new method for periodically updating project plans and optimizing recovery actions |
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 |