摘 要：安全预测与安全分析能有效的揭示企业面临的安全风险，对企业实现安全生产，提高安全意识，增加安全投入有着重要的意义。本文建立了一个基于BP神经网络的企业安全指标预测模型，以某省安监系统披露数据为样本，预测了该地区未来发生安全生产事故的概率。
关键词：BP网络；安全指标；预测
DOI：10.16640/j.cnki.37-1222/t.2018.05.114
安全是一个企业赖以生存和发展的基石，在经济发展的任何一个时期，安全工作都是企业不容忽视的一个方面。恶性安全事故不仅会带来巨大的经济损失，对人民群众的生命财产造成维修，也会产生隐患，影响社会的安定团结。据国家安监局的统计显示，2016年，全国共发生各类安全生产事故63205起，死亡人数为43062人。
近年来，随着我国工业化和现代化进程的不断加快，带来了一线企业员工的工作环境和工作过程的改变，他们的工作模式不断规模化、机械化和智能化，使安全生产管理的难度愈加增大。在这一形势下，通过科学发分析和可靠的预测，客观系统的为企业呈现事故风险，有针对性的对企业提出建议，能够引起企业的重视，加大对安全法规的认识和理解，增加安全经费的投入，采取必要的措施，提前掌握或改善将来的安全状态，进而达到降低事故风险，增加企业综合竞争力的目的。出于此目的，本文建立了一个基于BP神经网络的企业安全指标预测模型对某地级市未来的安全生产事故发生概率进行预测。
1 BP神经网络模型概述
1.1 神经元模型及前馈型神经网络结构
BP算法最早由P.Werbos博士在1974年提出，是迄今最为著名的多层网络学习算法。由BP算法训练的神经网络，称为BP神经网络。单个的神经元模型共有R个输入，其中每个输入都能通过一个恰当的权值和下一层相连，在网络中使用可微的单调递增函数来进行训练。在由多个神经元构成的前馈型神经网络中通常有一个或多个隐层，一个典型的BP网络结构里隐层的神经元数目为S，则隐层采用S型神经元函数logsig，具有R个输入。隐含层里的非线性传递函数神经元可以用来学习输入/输出之间的线性和非线性关系，输出层神经元的传递函数为purelin。
1.2 BP学习规则
BP算法决定了BP网络的产生和训练结果。此算法是一种监督式的学习算法，它由信息的正向传播与误差的反向传播组成。在正向传播的过程中，输入信息从输入经过隐含层逐层计算，并将结果传向输出层，每一层神经元的状态都会影响下一层。若得不到期望的输出值，就会自动计算误差变化值，进而转为反向传播，通过网络将误差信号沿通道修改各层神经元权值直至达到期望目标。
2 企业安全指标预测的BP网络设计
为了确定事故预防对策和安全预测度，需要研究安全投入与事故率和伤亡率之间的关系，这可以帮助企业安全管理人员掌握事故发生规律。影响一个企业安全系数的指标有很多，企业规模、生产总值、安全投入等都会对此产生影响。设计企业安全指标预测模型时，应充分体现安全投入与百万工时伤亡人数的关系。
2.1 确定需要预测的安全生产指标
本文在诸多安全指标中选取了极具代表性的百万工时事故次数和百万工时伤亡人数作为预测指标进行处理，分析和预测某省企业安全生产状况及其发展趋势。据查阅资料统计，近年某省发生安全事故与投入数据由表1所示。
2.2 BP网络训练过程
根据上表中的样本数据，利用建立的灰色BP网络组合预测模型对2017年的百万工时事故次数及百万工时伤亡人数进行预测。训练及数据处理过程由下图1所示。
经过反复训练实验，最终在n取14，2n+k取27的时候，网络取得了很好的拟合精度和预测精度。
2.3 预测结果及分析
网络训练完毕后，运用语句：YP=postmnmx（YP，minT，maxT）对数据进行处理，把测试样本序列中的数据用tramnmx函数进行相同的归一化处理后输入模型，将得到残差预测值。
进行反归一化处理，得到还原后的残差拟合及预测序列。通过计算得到模型对训练样本的拟合精度为96.68%，对测试样本的预测精度为96.14%；利用残差序列修正后的数据對样本数据的拟合精度则能达到98.77%；模型最终的预测输出2017年某省百万工时事故次数为0.46，百万工时伤亡人数为0.58，预测结果与当年公布值基本符合。
3 小结
本文介绍了BP神经网络的基本结构和原理，并针对某省2007～2016年安全事故与投入统计的数据基础，建立BP神经网络预测模型，并对预测结果进行分析，结果表明：本模型可获得较高的物流需求量预测精度及较好的预测效果。
参考文献：
[1]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003.
[2]文新辉，牛明洁.一种基于神经网络的非线性组合预测方法[J].系统工程理论与实践，1994（12）：66.
[3]飞思科技产品研发中心.MATLAB6.5辅助神经网络分析与设计[M]，北京：电子工业出版社，2003.