左燕 姚光明

摘 要：为了更好地提高空管安全绩效分析效率，提出基于BP神经网络的空管运行系统安全绩效评价模型，通过民航局已发布的权值分布计算出各输入影响因素对最后评分结果的影响，利用算例分析检验了该模型的可靠性。最后以某空管单位绩效评价结果为例对安全绩效评价模型进行验证，根据评价结果对该空管单位提出相应的建议，提高安全评价工作的效率，为空管安全绩效评估工作的开展提出一种新思路。

关键词：空管运行安全；安全绩效；神经网络；评价模型

中图分类号：V355 文献标志码：A 文章编号：2095-2945（2018）23-0006-03

Abstract： In order to improve the efficiency of air traffic control （ATC） safety performance analysis， a safety performance evaluation model of ATC operation system based on BP neural network is proposed. The influence of input factors on the final score result is calculated by the weight distribution published by CAAC. The reliability of the model is verified by an example. Finally， taking the performance evaluation results of an air traffic control unit as an example to verify the safety performance evaluation model， according to the evaluation results of the air traffic control unit put forward the corresponding recommendations to improve the efficiency of the safety evaluation work. A new way of thinking is put forward for the development of ATC safety performance evaluation.

Keywords： ATC operation safety； safety performance； neural network； evaluation model

引言

隨着我国经济的发展，民航业也迅速发展，安全问题也越来越受到人们的重视。作为保障空中交通安全的空中交通管理机构，保障飞行安全，提高安全运行水平，是他们的目标，民航安全管理体系的推进，安全绩效管理工作也愈发重要。本文在学习SMS及空管单位安全绩效管理应用的指导意见基础之上，以空管单位安全绩效管理为研究对象，建立基于BP神经网络的空管运行系统安全绩效评价模型，并对某地区空管单位安全绩效评价结果进行实例分析，根据分析结果与实际评价结果对比，证明该模型的有效性同时提出相应的对策和建议[1-5]。

1 评价体系的构建

通过分析空管安全绩效考核现状，空管单位安全绩效考核影响因素概括为安全后果、安全管理和安全运行三部分。其中安全后果包括责任原因飞行事故次数、责任原因航空地面事故次数和内部人员参与的劫机、炸机事件以及空防事故次数，飞行事故征候发生率，不安全事件发生率等，并按责任原因对管制、情报、通导和气象等四个专业造成的事故、事故征候、不安全事件发生率进行统计。安全管理包括安全质量检查、安全评估、安全风险、安全信息管理、安全教育培训、事件调查、应急处置、安全文档管理、年度专项安全工作完成情况等；安全运行则从管制、情报、通导和气象等四个专业方向的过程指标进行考察，包括月平均运行正常率、设备完好率、设备故障率等[5]。具体影响因素分类如图1所示：

在安全绩效考核因素分类结果的基础上，安全后果影响因素事故、事故征候率因素及不安全事件发生率的数据可以通过历史数据的计算得到，安全管理及安全运行主要通过专家打分得到。通过空管单位按照行业SSP安全目标，将安全绩效影响因素分为两级，安全AHP的方法确定不同指标的权重值，如表1所示：

2 基于BP神经网络系统运行绩效评价模型

2.1 BP神经网络模型

BP算法的神经网络模型由误差的反向传播和信息的正向传播两个过程，可以有效求解非线性连续函数权重调整问题。模型输出层、隐含层和输入层3部分组成[6-8]。若输出的结果与期望值相差很大，误差会通过反向传播，利用数学方法进行权值修改，使用期望值与输出结果相差较小，BP神经网络模型结构如图2所示：

2.2 BP神经网络的算法

该算法的分析步骤如下[9]：

（1）网络初始化的过程，给定在区间（-1，1）的数值，确定最大学习次数N和计算精度？着，设定误差e；

（2）初始化结束后，输入样本数据进行网络训练，数据输入隐含层后，经过数学运算；

（3）对实际输出和网络期望输出进行分析，就算对输出层的偏导数；

（4）利用连接权值，计算误差函数对神经元的偏导数；

（5）利用隐含层神经元和输出层各神经元的输出值对连接权值进行修正；

（6）利用输入层和隐含层神经元修正连接权，并计算全局误差；

（7）对网络误差进行判断，若达到最大学习次数或预设误差精度，技术计算。否则返回（3）进行学习。

2.3 空管单位安全评价神经网络模型的建立

将该空管单位的安全影响因素为输入层待输入数据。进行训练之前，对样本数据的类型进行确定，分别从安全后果、安全管理和安全运行三个因素进行分析，并归纳出15个具体因素，输入层的神经元的个数为15个，对该空管单位的安全状态进行分级如表2所示[9-10]：

2.4 隐含层的设计

隐含层的神经元个数越多，结果也就越准确，但对运算速度影响较大，导致样本事件学习时间增加[10]。空管的安全评价采用3层网络模型，输入输出层神经元个数确定，隐含层神经元个数为6。最终确定空管单位安全评价模型输入层神经元15个，隐含层神经元6个，输出层神经元5个，文本运算结合MATLAB软件，通过计算机技术来实现。

3 BP神经网络的安全评价模型的计算

3.1 数据的采集与处理

通过对样本反复学习来获得分析结果，合理的选择样本对结果的精度和模型得到准确性有较大影响。在样本选取时，本文选取有代表性的数据，避免数据具有相同特征，整理出25个实例样本数据，为保证结果的准确性和客观性，对实例样本数据，为保证结果的准确性和客观性，对实验样本数据进行了归一化处理。通过历史数据的整理及专家打分，选取处理后的25组数据作为训练数据，随机抽取其中1组目标数据作为测试数据。

3.2 神经网络的训练

基于BP神经网络的安全评价模型，通过设定参数、创建网络、检验和训练来实现大量数据的计算[6，11]。训练流程：（1）在Command Window 窗口输入原始向量，完成原始数据的归一化处理，输入目标向量；（2）新建BP神经网络，完成对newff函数的训练，训练参数如表4所示。

迭代5000次后BP神经网络收敛，对期望值与训练结果进行分析，建立了空管安全评价等级与影响因素间的非线性关系，并且期望值与实际输出结果较高，训练过程完成。

3.3 案例分析

对BP神经网络安全绩效评价模型进行样本学习训练后，模型具有5个安全等级和15个影响因素的映射关系，对某地区空管单位进行安全绩效评价，得到安全后果、安全管理和安全运行三个因素数据汇总如表5-7所示。

空管单位安全几次按评价模型的结果为5个等级，分别为安全级5级：不安全；安全等级4级：较不安全；安全等级3级：一般安全；安全等级2级：较为安全；安全等级1级：安全。

安全等级为1级时，输出结果接近[1，0，0，0，0]，表明该空管单位在各方面安全问题较小，安全等级为2级时，输出结果接近[0，1，0，0，0]，表明该空管单位主要影响因素为安全后果影响因素，安全等级为3级时，表明该单位主要影响因素为安全管理因素；安全等级为4级时，表明该单位主要影响因素为安全运行；安全等级为5级时，该单位在各方面均存在较大问题，必须立即采取整改措施。计算得到该空管单位安全绩效评价结果如表8所示。

由表可以看出，该单位评价等级为1级，级别为安全，该单位在各方面安全问题较小，与实际评价结果一致，证明该模型的有效性，同时误差情况如图3所示，预测结果与实际结果误差在可接受范围内，但仍有不安全事件的发生，仍需要注意安全管理等工作，做到防微杜渐，降低不安全事件的发生率。

4 结束语

基于BP神经网络的安全评价模型，通过设定参数、创建网络、检验和训练等实现对样本数据的计算，对BP神经网络安全绩效模型的样本学习训练后得到5个安全等级与15个影响因素之间的映射关系，该方法不仅具有一定的适用性，提高绩效分析效率同时为空管单位安全评价提供一种新的思路。同时由于数据样本有限，需加大样本数量，提高模型的准确度。

参考文献：

[1]罗冠中，胡明華，张启钱.空管运行效率评估指标体系研究[J].交通信息与安全，2012，30（2）：99-102.

[2]张晓莉.对开展空管安全管理体系（SMS）建设的几点思考[J].空中交通管理，2008（8）：32-34.

[3]肖文娟.基层空管机构安全绩效评价体系研究[D].武汉理工大学，2009.

[4]王丰.空管安全管理体系的构建及其内容[J].科技创新导报，2011（22）：207-207.

[5]中国民用航空局.空管单位安全绩效管理应用的指导意见[EB/OL].

[6]张淑玲，王文卿.基于BP神经网络的煤矿安全绩效评价模型[J].煤炭技术，2017（10）：321-323.

[7]姚裕盛，徐开俊.基于BP神经网络的飞行训练品质评估[J].航空学报，2017，38（S1）：23-31.

[8]王洪德，潘科.基于BP神经网络的民航机场安全预警研究[J].安全与环境学报，2008，8（4）：139-143.

[9]范秋芳，FANQiu-fang.基于BP神经网络的中国石油安全预警研究[J].运筹与管理，2007，16（5）：100-105.

[10]赵淑芳.基于BP神经网络的煤矿矿用设备安全监测研究[J].太原理工大学学报，2013，44（5）：619-622.

[11]王浩锋.基于BP神经网络的民用航空航段安全风险评估[J].太赫兹科学与电子信息学报，2010，8（5）：612-615.