王洪德, 任洺萱, 边可

(1.大连交通大学 土木与安全工程学院，辽宁 大连 116028；2.大连交通大学 交通运输工程学院，辽宁 大连 116028; 3.大连科技学院 交通运输学院,辽宁 大连 116052)*

基于SOM的易燃液体运输安全风险预警

王洪德1, 任洺萱2, 边可3

(1.大连交通大学 土木与安全工程学院，辽宁 大连 116028；2.大连交通大学 交通运输工程学院，辽宁 大连 116028; 3.大连科技学院 交通运输学院,辽宁 大连 116052)*

为了降低铁路易燃液体运输风险和事故概率，提高运输管理质量，提出一种基于自组织竞争神经网络(SOM)技术的铁路易燃液体运输安全风险预警方法.首先，通过对易燃液体运输过程的危险与可操作性识别分析，建立铁路易燃液体运输过程安全风险预警体系；然后，采用统计分析算法评定各运输环节安全风险影响因素之间的相关程度；最后，结合太原局货运实际，构建了基于SOM的铁路易燃液体运输安全风险预警模型，并采取样本数据和测试数据进行了模拟验证.研究结果表明，该模型在易燃液体运输中能够较好起到预警作用，可为铁路危险货物运输安全预警技术提供参考.

铁路运输；易燃液体；风险预警；指标体系；SOM；相关性分析

0 引言

随着社会经济的发展，科学的进步，新的化工产品的增加，导致危险货物运输需求也逐步增加.铁路由于运量大、运输速度快、安全、运输成本低等优势，在危险货物运输中占据重要地位.危险货物运输存在爆炸、易燃、毒害、感染、腐蚀、放射等危险[1].在铁路运输、装卸和储存保管过程中，容易造成人身伤亡和财产毁损.2015年天津港“8.12”危险货物储存仓库特大爆炸事故，造成了104人死亡、千人受伤及重大经济损失的现实，再一次验证了危险货物储存、运输、搬运和保管各环节科学规划、信息化管控的重要性.在国外，英国Roberto等人提出了基于GIS方法的铁路危险货物运输安全风险评价模型[2-3]，为危险货物运输的交通风险分析提供了可参考的科学依据.在国内，铁路危险货物运输相关研究方向主要倾向于安全分析与管理对策研究、安全综合评价研究以及避灾路径选择研究方面[4-6]，对于危险货物运输的风险预警尚待深入研究.本文通过对铁路易燃液体运输过程安全风险预警体系的建立，采用自组织竞争神经网络(Self-Organizing Mapping neural network)技术对危险货物运输环节进行安全风险分析，以期为危险货物运输过程安全风险预警提供技术参考.

1 易燃液体运输安全风险预警体系

1.1 铁路易燃液体运输特点分析

危险货物运输包装、搬运、运输、储存等运输环节不仅需要一般的货物运输条件，还需要满足特殊的运输条件.针对易燃液体运输提出的几个特点如下：

易燃性：易燃液体容易挥发出易燃蒸汽与氧气发生氧化反应，且沸点低，非常容易着火.

爆炸性：易燃液体一般具有挥发性，与空气形成爆炸性混合物.另外温度影响也很大，在密闭容器中的易燃液体受热膨胀，蒸气压力变大，容易造成容器膨胀甚至爆破.

流动性：易燃液体粘度小，也存在渗透、浸润及毛细现象，包装容器出现极细微的裂痕，也会渗出.流动时也会产生静电，造成易燃液体火灾，要检查是否有消除静电防范措施.

毒害性：易燃液体一般都具有毒害性，一旦泄露严重影响人的身体健康以及环境等.

1.2 铁路危险货物运输流程

对铁路易燃液体运输的过程进行分析，主要包括货物发送作业、货物途中作业和货物到达交付作业.具体作业包括：订单填写，货物称重包装，装车后进行中转作业，检查作业，最后卸货物，核实货物，交付货物等[7]，通过一次完整的铁路易燃液体运输过程的分析，为提取铁路易燃液体运输环节风险因子做准备,如图1所示.

图1 铁路危险货物运输主体流程图

1.3 铁路易燃液体运输环节风险故障体系

危险货物运输由于其涵盖的种类复杂，不同危险货物特性不同，运输条件也不一样.本文主要针对易燃液体运输过程进行预警研究.基于HAZOP分析方法，通过由引导词与参数引起的偏差，分析易燃液体运输节点偏差程度和造成的危害，实现风险因子辨识，并建立易燃液体运输过程故障体系[8-9]，详见表1.

1.4 运输环节风险预警指标提取

参照表1构建的铁路易燃液体运输环节27个风险影响因子，依据《铁路危险货物运输管理暂行规定》[10]，提取核心风险预警指标.

风险预警指标提取应遵循以下原则：

(1)科学性.风险指标的概念，限界要明确，能够客观的反应出环节的故障;

(2)可测性.对于一些定性的评价，尽可能更加准确的进行量化，使预警的过程更严谨科学.

(3)实用性.指标的设置要有基础数据的支持，计算简便可行，可操作性强.

(4)综合性.从总体上，多方面考虑，协调冗余因子之间的关系，结构清晰，层次分明，指标清晰，方便量化，计算简单等.

由于易燃液体进行风险因子提取，可测量的指标包括货运量、温度、压强等，其他必要的量化指标包括包装破损度、货单问题、是否校核、处理方法是否得当等. 与货运量相关的风险因素有运量问题、包装量超过限定、侧翻撞击；与温度相关的因素有接触明火、温度过高、无防火花设置；与压强相关的因素有液体密封问题、流速无限制；与包装破损度相关的因素有液体密封问题、包装量超过限定、防雷放电装置存在问题、钢轨总接地电阻超标、绝缘设备故障、无防火花设置、通风问题、货物混放；与货单问题相关的因素有货单问题、运单问题；与是否校核相关的因素有运量问题、安全检查问题、交付前检查问题、交付后核对问题；与处理是否得当相关的因素有接触明火、灭火设施存在问题、撞击翻覆、保存场所不固定、防雷放电装置存在问题、钢轨总接地电阻超标、绝缘设备故障、相邻车辆经过、无防火花设置、侧翻撞击、货物混放、阀门及人孔盖问题、地点问题、方式问题、灭火方式问题.

因此，将表1中辨识出的27个风险因素指标提炼成“货运量、温度、压强、包装破损度、货单问题、是否校核、处理方法是否得当”七个指标.

2 基于统计算法的运输环节安全风险相关性分析

2.1 数据处理

依据提炼出的7大核心指标，采用德尔菲方法对影响铁路易燃液体运输过程的影响因素进行量化分析与处理. 以太原铁路局货运段相关人员为调查对象，发放20份调查问卷并全部回收，视为有效问卷. 问卷内容包括铁路易燃液体运输过程中的6个作业子环节，即交付作业、包装作业、仓储作业、装卸作业、交接作业、处理作业.分别对易燃液体运输安全影响进行多次评分及整理.评分原则：一旦某个子环节中的某个因子发生偏差，即视为对整个运输过程的影响程度. 评分规则：0分为无影响，1～2分为无显著影响，3～4分为轻微影响，5～6分为有一定影响，7～8分为较显著影响，9为显著影响. 问卷最终整理结果见表2.

表2 易燃液体运输子环节的影响评分

由于直接获取子环节A与子环节B相关性操作不容易实现，通过子环节A与易燃液体运输的影响程度和子环节B与易燃液体运输的影响程度，间接获取子环节A与子环节B的相关性.

2.2 安全风险相关性分析

采用SPSS(Statistical Product and Service Solutions)对数据进行统计分析，将子环节影响评分输入到SPSS软件中，通过Pearson相关性进行分析，得到输出结果如图2所示.

Pearson相关分析是描述变量间相关程度与变化方向的量数，即为相关系数r.|r|表明两变量间相关的程度，r>0表示正相关，r<0表示负相关，r=0表示零相关.|r|越接近于1，表明两变量相关程度越高，它们之间的关系越密切，详见表3.

易燃液体运输环节Pearson相关性分析总结如表4所示. 其中交付作业A与处理作业F为中度相关，交付作业A与包装作业B，包装作业B与交接作业E，装卸作业D与交接作业E，包装作业B与处理作业F为低度相关，其他为极低相关.

图2 SPSS软件输出结果

|r|的取值范围|r|的意义0.00～0.19极低相关0.20～0.39低度相关0.40～0.69中度相关0.70～0.89高度相关0.90～1.00极高相关

表4 易燃液体运输相关性分析

3 基于自组织竞争网络的预警仿真

3.1 自组织竞争网络

人工神经网络是由大量简单的处理单元(神经元)广泛地互相连接而形成的复杂网络系统，反映了系统的基本特征，是高度复杂的非线性动力学系统.自组织网络的自组织功能是通过竞争学习(competitive learning)实现的.多层感知器以一定先验知识为条件，即网络权值已知，而实际应用中，并不能提供相关的先验知识，需要网络具有自学习能力.自组织特征映射就是具有自学习功能的神经网络.在这种网络中，输出节点与其邻域其它节点广泛相连，并相互激励.输入节点和输出节点之间通过强度Wij(t)相连接.通过某种规则，不断地调整Wij(t)，使得在稳定时，每一邻域的所有节点对某种输入具有类似的输出，并且聚类的概率分布与输入模式的概率分布相接近.

3.2 建模仿真

3.2.1 特征值选择

危险货物运输包含复杂众多的特征信息.本文以易燃液体运输为例，基于运输各环节，运用HAZOP分析技术，辨识出影响铁路易燃液体运输的特征信息包括货运量、温度、压强、包装破损度(0/1)、货单问题(0/1)、是否校核(0/1)、处理是否得当(0/1).

3.2.2 模型建立

定义易燃液体运输的6种故障预警状态：交付作业，包装作业，仓储作业，装卸作业，交接作业，处理作业，加上正常作业，共7种状态.采用6种故障状态和1种正常作业，共7种评价参数分析，形成一个7维向量. 收集2份每种故障模式的样本，共14份训练样本，如表5所示.

根据表5，用于易燃液体运输故障环节预警的概率神经网络模型包含14份输入样本，每个样本为7维向量，故障分类模式为7种，建立的概率神经网络结构如图3所示.

输入层包含7个神经元，与输入特征向量的维数一致. 径向基层包含14个神经元节点，每个节点对应一个输入的训练样本.隐含层包含7个神经元，对应7种分类模式.

表5 故障预警训练样本

径向基层中属于该模式的训练样本对应的节点与之相连，不属于该模式的样本对应的节点则不相连.隐含层对输入求和后，找出隐含层神经元的最大值，输出对应的类别序号.

3.2.3 易燃液体运输故障环节预警实现

用7维向量表示工作状态，对向量进行处理，分类，定义7份测试样本，见表6.

表6 测试样本

预警流程包括样本定义、样本归一化、创建网络模型、测试模型及结果显示.

(1)样本定义. 每列为一个样本，训练样本为7*14矩阵，测试样本为7*7矩阵.并且定义训练样本的分类模式标签为trlab=[1,1,2,2,3,3,4,4,5,5,6,6,7,7]，是一个1*14的行向量，用whos命令可以查看工作空间中的变量及其维度;

(2)样本归一化. 使用mapminmax函数完成训练样本的归一化;

(3)创建网络模型. newpnn函数唯一的可调参数为平滑因子spread，在这里将其设置为1，使用tic/toc命令记录创建模型所需的时间;

(4)测试模型. 首先需要定义测试样本及其正确分类模式标签，然后将测试样本按与训练样本相同的方式进行归一化，最后将其输入到上一步创建的网络模型中.newpnn产生的分类输出为向量形势，还需要使用vec2ind函数将其转化为标量;

(5)结果显示. 显示7个测试样本的预警结果，这7个样本分别属于一类分类模式;

以上步骤代码均在文件diagnose.m中，执行该脚本，完成网络创建和仿真，并在命令窗口输出仿真结果，如图4.

样本序号实际类别判断类别正/误故障类型177正确正常作业277正确正常作业377正确正常作业433正确仓储作业544正确装卸作业666正确处理作业777正确正常作业

图4 神经网络仿真结果

4 结论

(1)在大量文献和相关文件的阅读基础上，实地考察后，通过危险与可操作研究方法提取出了铁路易燃液体运输过程安全风险因子，并建立易燃液体运输过程安全风险预警指标体系；

(2)根据SPSS相关性分析，总结易燃液体运输各作业环节的相关性，梳理各环节的协同作用和关系.对预警环节相关的其他环节采取响应的措施，例如：交付作业A与处理作业F相关性高达0.664，实际操作中，交付作业环节出现预警，则不只针对交付作业环节进行处理也要对处理作业环节合理控制，可以尽可能的减小故障造成的后果；

(3)采用测试数据进行输入，通过自组织竞争网络模型进行仿真分析，输出的结果作为警报的环节.测试样本检测结果表明，该模型能够很好的模拟预警环节，对易燃液体运输的流程环节预警有很重大的意义.

[1]贾晓燕,牛惠民.基于风险分析的铁路危险货物安全运输研究[J].兰州交通大学学报,2009,12(28):126- 130.

[2]BUBBICO R, CAVE SD, MAZZAROTTA B. Risk analysis for road and rail transport of hazardous materials: a GIS approach [J]. Journal of Loss Prevention in the Process industries, 2004, 17(6):483- 488.

[3]THOMSON BJ. International co-operation in hazardous materials accident prevention[J]. Journal of Loss Prevention in the Process Industries, 1999, 12(3): 217- 225.

[4]刘浩学, 周珣, 杨俊儒. 危险货物运输路线模糊综合评判模型[J]. 交通运输工程学报, 2006, 6(2): 80- 82.

[5]刘广武, 李丹, 彭瑞宇. 铁路危险货物办理站运输安全模糊综合评价[J].铁道货运, 2008, 26(7): 26- 28.

[6]王海星, 海涛, 李振江.铁路危险货物运输径路的选择策略[J].北京交通大学学报,2009,12(33):27- 30.

[7]边可, 李学伟. 基于HAZOP的铁路危险货物运输安全预警[J].大连交通大学学报，2015,36(6)：93- 98.

[8]边可. 基于HAZOP的铁路危险货物运输风险因子分析[J]. 物流技术, 2015, 34(7):13- 15.

[9]张锐. 影响铁路危险货物办理站作业安全的因素分析[J]. 铁道货运, 2009, 27(12): 27- 29.

[10]中国铁路总公司. 铁路危险货物运输管理暂行规定[M]. 北京：中国铁道出版社，2014.

Early Warning of Flammable Liquid Transport Safety Risk based on SOM

WANG Hongde1，REN Mingxuan2, BIAN Ke3

(1.School of Civil and Safety Engineering, Dalian Jiaotong University, Dalian 116028, China; 2. School of Traffic and Transportation Engineering, Dalian Jiaotong University, Dalian 116028, China; 3.School of Traffic and Transportation Engineering, Dalian Institute of Science and Technology, Dalian 116052, China)

In order to reduce the risk of railway dangerous goods transportation and the probability of accident for improving the quality of transportation management, a new method is proposed for the risk early warning of railway dangerous goods transportation safety based on the self-organizing competitive neural network (SOM) technology. Through Hazard and Operability Analysis (HAZOP) of dangerous goods transport process, a risk early warning system of railway flammable liquid transportation safety is established, and the statistical analysis algorithm is used to assess the correlation between the factors affecting the safety risk of each transport link. Combined with the actual situation of freight transportation in Taiyuan Bureau, a safety risk early warning model of railway flammable liquid transport is established based on SOM and simulated by sample data and test data. The results show that the model can play a good role in early warning during the transportation of dangerous goods, which can provide reference for the safety early warning technology of railway dangerous goods transport.

railway transport; flammable liquids; risk early warning; index system; SOM; correlation analysis

1673- 9590(2017)03- 0072- 06

2016-05-14

辽宁省科技厅公益基金资助项目(2014004027);中国铁路总公司科技研究开发计划重点课题资助项目(2015Z002)

王洪德(1963-)，男，教授，博士，主要从事受限空间灾害防治和交通安全工程方面的研究E- mail:whd@djtu.edu.cn.

A