神经网络算法在油库储油安全中的应用

杨丽华，刘欣星

（湖北汽车工业学院 经济管理学院，湖北 十堰442002）

在我国石油工业化进程中，国家战略性原油储备的实施导致油库大型储油罐的发展，而油气储备量的增加必然使油库储油规模和数量大幅增加。由于成品油属于易燃易爆品在库区里最重要的就是安全问题，一旦发生爆炸后果不堪设想。这使得及时发现异常和有效的预防变得格外的重要。

石油化工这样一个生产、运输、储存易燃易爆品的行业很容易发生火灾事故并且有着恶劣的影响，所以安全监测和预测显得尤为重要，神经网络作为人工智能的一种体现，依靠其高度的并行结构和实现能力，具有高效率寻找最优解的能力，能够发挥计算机的高速运算能力，很快地找到优化解。根据神经网络模拟人的思维有助于非线性处理的特性。通过对大量已知数据的学习，训练出一个具有能够基本满足全部数据规律的特定的神经网络。

本文以国内某油库为应用对象，搜集数据，尝试运用神经网络算法中的BP算法建立神经网络来研究油库储油安全问题，其中包括对影响油库储油安全因素的定性和定量的分析，同时对改进后的BP算法作了简要对比，从中选择较优的算法，最后用MATLAB建模实现神经网络，分析油库储油安全问题。将神经网络算法运用到储油安全的监测和预测中是现实技术进步的必然，有着实用价值。

1 BP神经网络模型简介

人工神经网络（Artificial Neural Networks，ANN），亦称为神经网络（Neural Networks，NN），是由大量处理单元（神经元Neurons）互连而成的网络，是对人脑的抽象、简化和模拟，反映人脑的基本特性。

BP（Back Propagation）网络在结构上类似于多层感知器，是一种多层前馈神经网络。在网络训练中，调整网络权值的训练算法是误差反向传播学习算法，即BP学习算法，该算法是Rumelhart等在1986年提出的。由于结构简单，可调参数多、训练算法多、可操作性好，近年来广泛应用于模式识别、预测评估等领域［1］。据统计，80%～90%的神经网络模型采用BP网络或其变化形式。

1）BP神经网络模型

与一般的人工神经网络一样，构成BP网络的神经元仍然是神经元，其网络模型见图1。

图1 BP神经网络模型

按照BP算法的要求，这些神经元所用的激活函数必须是处处可导的。一般都使用S型函数。对一个神经元来说，它的网络输入可表示为

式中x1，x…，xn——神经元所接受的输入；

w1，w2…，wn——神经元对应的连接权值。该神经元的输出为

2）BP神经网络的训练过程

标准BP算法是基于梯度下降法的学习算法，学习过程是通过权值和阀值，使输出期望值和神经网络实际输出值的均方误差趋于最小而实现的，但是它只用到均方误差函数对权值和阀值的一阶导数（梯度）的信息，使得算法存在收敛速度缓慢、易陷入局部极小等缺陷［2］。

2 影响油库储油安全的因素分析

油库储油安全事故其中包含了一般事故的各种特点比如随机性、隐藏性和可预防性。调查显示，油库储油安全事故的发生是由环境、人、油罐构成的系统中因素不协调变化所导致的［4］。下面将从影响油库储油安全的人为因素、环境因素、罐体因素分析说明：

1）人为因素

在安全行为学里描述为个人行为，个人行为取决于个人因素（心理因素和生理因素）、环境因素及遗传因素［3］。人为因素中心理素质、生理素质、工人的工龄、管理措施、安全教育都会对油库储油安全产生影响。按5种因素的重要性从大到小排序：工龄＞心理素质＞管理＞安全教育＞生理，虽然心理因素重要，但是由于无法量化所以仅选择工龄作为衡量员工的综合标准。根据实际情况结合现有的工作人员的信息可将工龄对安全的影响归纳见表1。

表1 平均工龄对危险系数的影响

2）环境因素

油品储藏属于易燃易爆物品储藏，对温度和点火源的控制要非常到位。结合历年来油罐火灾事故的统计结果，在环境因素中，鉴于风对油罐储油安全的影响较小，所以选择影响大而且可以量化的高温时间和闪电密度作为指标。具体内容见表2～3。

表2 高温时间对系数的影响

表3 闪电密度对系数的影响

3）罐体因素

容量、油温、液位高度和压强是油罐的主要参数。根据实际的罐体数据，将危险程度分为几个危险等级如表4所示。

表4 液位高低对系数的影响

罐内正负压差是罐体采集的几个重要数据之一，内浮顶罐较低的负压易造成气体挥发，反映出的正负压差也变大。油罐内基本正压2.0 kPa，基本负压0.5 kPa。按照正负压差影响大小如表5所示。

表5 正负压差对系数的影响

通过对储油安全方面存在影响的各种人为因素，环境因素，罐体本身因素的作用进行了科学的分析选择，最后取其中5个可以量化且重要的要素作为本次课题研究的输入样本的取样对象，即平均工龄、高温时间、闪电密度、液面高度和正负压差。

3 BP神经网络的MATLAB实现

3.1 BP神经网络参数的确定

MATLAB是一个基于矩阵运算的快速解释程序，它交互式地接受用户输入的各项命令，输出计算结果。MATLAB软件为神经网络理论的实现提供了一种便利的仿真手段。

神经网络的建立首先考虑框架结构的建立：网络的层数、每层神经元个数。本文采用的是有一个隐含层的3层BP神经网络结构，该BP神经网络输入层的神经元个数由影响储油安全因素的多少来决定，根据上面确定的5个重要因素，有5个神经元：平均工龄、高温时间、闪电密度、液面高度和正负压差。预测结果按照参数的大小作用可分为参数异常、爆炸、起火、安全。

为了方便计算对比，将所收集的原始数据做了归一化处理保存在*.txt文件里调用。网络权值的初始化常使用2种方法：取足够小的初始权值或使初始值为+1和－1的权值数相等［5］。权值变化量的不同取决于学习速率的大小，学习率高则变化量大，学习率过小则变化量小。学习速率过小会大幅提高训练时间，收敛速率很慢，但是能保证趋于最小值，所以一般选择较小的学习速率来保证系统的稳定性。学习速率一般应选在0.01～0.7之间。在多次试验的基础上，在保证了网络收敛速度的基础上，为了提高稳定性根据训练情况定为0.01。

实践证明，隐含层节点数目对神经网络的性能有一定的影响。隐含层节点数较少时，虽然在处理大量数据时很快，但是网络复杂程度低，学习的能力有限，不足以储存训练样本中蕴含的所有规律；而隐含层节点过多不仅会增加网络训练时间，同时也会将样本中非规律性的内容如干扰和噪声存储进去，反而降低泛化能力。一般情况先是采用凑试法，先由经验公式

确定，其中m为隐含层节点数，n为输入节点，l为输出节点，α为调节常数，在1～10之间。改变

用同一样本集训练，在结合误差精度和速度的基础上确定对应的隐含层节点数。为了更好地作对比，这里选择在编程中采用收敛比较慢的传统梯度下降法作训练的循环模式来调用不同隐含层变量值进行运算比较。图2中，横轴为调节常数，在1～10之间，纵轴为训练的标准差。算法的运算次数如表6所示。

图2 标准差

表6 不同调节常数取值下算法的运算次数

本课题考虑到收敛速度和误差精度情况将隐含层节点数定为9（3+6）。

3.2 改进BP算法的对比研究

标准的BP算法采用的是最速梯度下降法来修正权值，但是该方法训练过程中存在收敛速度缓慢、易陷入局部极小等缺陷。为了克服其不足，出现了许多改进算法［1］。本课题采用收集到的数据对各种常见的改进算法一一对比。

1）采用基本的最速梯度下降法，训练过程见图3，其显著的特点就是收敛速度慢，矩阵标准误差为0.15218。

2）学习率可变的BP算法，结果见图4，曲线出现锯齿不平滑说明收敛的过程中收敛速度变化大，由此可见学习率对收敛速度影响很大。矩阵标准误差为0.19367。

3）动量可变BP算法，结果见图5，相比上面两种算法动量可变算法曲线流畅有明显的起伏变化且相对训练时间较长，说明动量可变是在稳定中求变化有较强的适应性。矩阵标准误差为0.14366。

4）用于动量可变与学习率可变相结合的BP算法，结果见图6，矩阵标准误差为0.18063，从图6中看到训练过程很快而且曲线基本平滑无锯齿，说明结合动量可变和学习率可变的算法在很大程度上提高了训练速度和稳定性。

5）拟牛顿BP算法，结果见图7，可看出明显特点是运算时间短且容易达到高精度要求，矩阵标准误差为0.14417。由此可见拟牛顿算法在一定程度上提得高了收敛速度而且精度较高。

6） 麦夸特（L－M）算法，结果见图 8，矩阵标准误差为0.14018，从图8中可以看出整个曲线下降很快而且达到很小的误差均方差。说明LM算法的收敛速度特别快，精度高。

通过各种算法比较见表7，LM算法明显在误差精度和收敛速度优于其他算法，符合储油安全预测的基本要求，故选择LM算法。

图3 最速下降训练过程

图4 学习率可变训练过程

图5 动量可变训练过程

图6 学习率可变和动量可变训练过程

图7 拟牛顿训练过程

图8 LM训练过程

表7 算法比较

3.3 BP神经网络在油库安全中的具体应用

BP神经网络所需的原数据 （0代表该事件不会发生，1代表该事件发生）见图9，对其归一化后得到的数据见图10。训练过程见图11。

取10组专家预测好的油库的相关数据进行模型的测试，样本数据见图12。结果见表8。

其中第6～8组通过神经网络预测出的结果同专家判断不同，准确率是70%，效果一般，这可能是由于数据较少的原因造成，矩阵标准误差2.5439。

图9 训练数据

图10 归一化后数据

图11 训练过程

图12 专家预测数据

4 小 结

通过对影响油库储油安全因素的分析，同时对改进后的BP算法作了简要对比，从中选择较优的算法，最后用MATLAB建模实现BP神经网络，并应用到油库储油安全中，能够对油库的安全提前进行预测，具有较大的实用价值。存在的问题是本课题需要大量数据来做神经网络训练，但实际中搜集的数据较少，这表明我国油罐安全事故确实较少，间接说明了在储油安全方面中国做得还是不错的。能够把BP神经网络实际应用到油库储油安全中去，是今后努力的方向。

表8 BP神经网络的预测结果

［1］葛哲学，孙志强.神经网络理论与MATLAB2007实现［M］.北京：电子工业出版社，2007.

［2］ 张良均，曹 晶，蒋世忠.神经网络实用教程［M］.北京：机械工业出版社，2008.

［3］ 叶 龙，Mei Shen.安全行为学［M］.北京：清华大学出版社，2005.

［4］ 张振中，张维平，郑贤斌.油罐火灾爆炸的故障树形图分析［J］.江汉石油学院学报，2005（6）：123－124.

［5］ 冯 定.神经网络专家系统 ［M］.北京： 科学出版社，2006.