基于BP人工神经网络模型算法的基建现场管控移动应用平台的制作方法

本发明涉及一种基于bp人工神经网络模型算法的基建现场管控移动应用平台。

背景技术：

基建现场管控是电网公司基建管理工作的重点，针对电力基建工程项目的特殊性、项目建设现场区域分布广、部分施工现场所处位置较为偏僻、与管理单位存在沟通交流不及时等问题。因此，需要实现电网公司与基建施工现场之间信息图文并茂的即时交互，以满足基建现场管控工作的要求，避免在基建现场管控工作过程中，因现场缺乏信息化操作平台，导致管控工作标准发布不及时、不统一、不准确；现场信息收集上报不及时；评价不准确的问题。

对基建现场安全风险、问题实行基于移动应用实时管控的同时，后台高效的基建项目管控风险评价系统是极为必要的。人工神经网络系统理论是以人脑的智能功能为研究对象且以人体神经细胞信息处理方法为背景的智能计算理论，是目前国际上非常活跃的前沿研究领域之一。1943年，心理学家w．s．mcculloch和数理逻辑学家wpitts建立了神经网络的数学模型，称为mp模型。他们通过mp模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。人工神经网络是人脑及其活动的一个理论化的数学模型，它由大量的处理单元以适当的方式互连构成，是一个大规模的非线性自适应系统。人工神经网络不仅在形式上模拟了生物神经系统，它也具有大脑的一些基本特征。从系统构成的形式上看，从神经元本身到联接模式，基本上都是以与生物神经系统相似的方式工作的。从表现特征上来看，它力求模拟生物神经系统的基本运行方式，人工神经网络系统是靠其状态对外部输入信息的动态响应来处理信息。现有技术中已经有利用bp神经网络对工程项目管理进行风险评价，如杨俊辉和程银侠在2011年发表的《基于bp神经网络的工程小牧风险评价》。目前存在的问题是由于工程项目管理中的控制有很大的不确定和模糊性，工程项目管理的目标有很大的不确定性和模糊性，所以样本数据大部分来自专家评分，而来自工程的直接数据较少。另外，进行项目绩效评价和项目满意度评价等还可能会有用户调查等其他数据来源。由于专家（或用户）个人判断的直觉和主观性，样本数据不可避免的存有偏差，质量很难保证。如果样本数据代表性差，网络训练就极易陷入局部最小，甚至无法得到最优解。

技术实现要素：

本发明要解决的技术问题：针对上述问题，提供了一种能够自我学习的bp人工神经网络模型及基建现场管控移动应用平台。

本发明的技术方案：一种基于bp人工神经网络模型算法的基建现场管控移动应用平台，包括服务器和应用终端，服务器中包括:

风险评价结果库：包括基建项目管控风险评价指标、基建项目管控风险评价结果和风险评价模型训练结果校验集，为用户使用bp人工神经网络模型进行工程风险评价、训练及校验提供支撑数据；

基建项目信息库：建立基建现场管控日常事务处理的数据存储库；

风险评价模型训练：从风险评价结果库获取训练样本数据，利用bp人工神经网络模型算法训练基建项目工程风险评价模型；

风险评价模型校验：确定检验样本数据，检验风险评价模型训练生成的计算结果，当训练样本集总误差小于允许误差时，训练结束，训练成功后，将相关网络模型权值和阈值保存到风险评价结果库；

基建项目管控风险评价：提取基建项目信息库中录入的日常事务处理数据，生成风险评价指标样本数据，并提交风险评价模型计算生成风险评价结果，风险评价结果和评价指标样本数据保存到风险评价结果库。

有风险评价指标配置，用于配置项目工程风险评价指标的信息。

所述应用终端为pc终端和移动终端，通过pc终端和移动终端将数据录入服务器，并调用服务器执行风险评价和信息查询的功能。

基建项目信息库中录入的日常事务处理数据进行数值化处理，把录入表单中每个项目的录入结果数值化为0-1的数字，计算每个表单上所有项目的加权平均值，作为一个风险评价指标样本数据。

风险评价模型训练根据日期从风险评价结果库获取训练样本数据。

通过风险评价指标配置配置模型所要采用的风险评价指标，风险评价模型训练根据配置的风险评价指标项从从风险评价结果库获取训练样本数据。

本发明的有益效果：

利用bp人工神经网络模型,通过神经网络模型的学习与训练,利用一系列评价指标（工程安全管控、施工机具、施工现场管控、安全管控整改、五个严禁检查、5s管理、现场处罚扣分情况等）,对基建项目工程风险进行评价,力求摆脱人为主观因素的影响,充分利用专家的知识和经验,为基建项目决策提供支持。

将每次计算的结果保存，作为下一次计算的样本，逐渐提高样本库的数量，并保持一定的有效性。这样随着本平台的使用，除了最开始需要录入一些基础样本以外，就可以完全依靠自身的数据积累进行自我学习和计算，计算结果的可靠性也逐步提高。

通过对管理情况的数值化处理，减少计算所输入的风险评价指标项数，并提高了风险评价指标的有效性，在减少计算量的同时保证结果的可靠性。

说明书附图：

图1为本发明的系统结构图（本发明的系统拓扑图如图1所示）。

图2为bp神经网络模型的计算流程。

具体实施方式：

如图：如图1，本平台由服务器、pc终端和手机移动终端组成，服务器包括：风险评价结果库100、基建项目信息库200、风险评价指标配置300、风险评价模型训练400、风险评价模型校验500、基建项目管控风险评价600。pc端上安装有基建项目管控业务处理700，移动终端上有移动终端展示控制模块800。

风险评价结果库100：建立风险评价结果库，包括基建项目管控风险评价指标、基建项目管控风险评价结果、风险评价模型训练结果校验集，为用户使用bp人工神经网络模型进行工程风险评价、训练及校验提供支撑数据；

基建项目信息库200：建立基建现场管控日常事务处理的支撑数据，包括基建项目基础信息、工程安全管控、施工机具检查、施工现场管控、安全管控整改、五个严禁检查、5s管理核实、现场处罚扣分情况等现场管控记录。

风险评价指标配置300：配置项目工程风险评价指标信息，建立基建项目工程风险评价指标体系。

风险评价模型训练400：从风险评价结果库100确定训练样本数据，训练bp基建项目工程风险评价神经网络模型。

风险评价模型校验500：确定检验样本数据，检验风险评价模型训练400生成的数据，当训练样本集总误差小于允许误差时，训练结束。训练成功后，将相关网络模型权值和阈值保存到风险评价结果库100。

基建项目管控风险评价600：基建现场管控信息提交到平台服务端后。由基建项目管控风险评价模块600生成风险评价网络模型样本数据，并提交风险评价网络模型，由训练成功后的风险评价网络模型生成风险评价结果。风险评价结果保存到风险评价结果库100，并推送到移动终端展示控制模块800。

基建项目管控业务处理700：接收移动终端展示控制模块800上报的基建现场管控信息，处理后保存到基建项目信息库200；同时接收移动终端展示控制模块800的查询请求，在基建项目信息库200查询后，将查询结果推送回移动终端展示控制模块800。

移动终端展示控制模块800：android设备，在基建现场处理管控人员的信息上报和信息查询要求，并将评价结果在移动终端展示控制模块展示。

本模型的初始计算通过以下几个步骤实现:

（1）建立指标体系，收集样本数据。根据工程项目管理的目标，选取对目标有影响的因素作为指标，建立指标体系。为使各指标具有可比性，对其中的定性指标采用目标相对等级隶属度的方法进行定量化处理，对定量指标按效益型、成本型、区间型分别进行归一化处理。通过历史资料、专家评分、问卷调查等途径取得训练样本、检验样本和模拟样本的数据。在本实施例中，采用的指标为：基建项目基础信息、工程安全管控、施工机具检查、施工现场管控、安全管控整改、五个严禁检查、5s管理核实、现场处罚扣分情况等，每种记录中均有数目不等的信息录入项，通过手机或pc端将这些信息表格录入后，要进行数值化处理，具体处理方法为将每张表上的每一项赋予0-1的值，例如某项为合格，则采集后的数值为1，不合格为0，其他情况为0.5，基本上按照线性对所有可能性进行划分，然后对这张表上的所有项的值进行加权平均，得到这张表的指标值，本实施例中所有项的加权值都为1。

（2）设计bp神经网络结构。根据kolmogorov定理，对于任意给定的ε>0，存在一个三层神经网络，能以ε均方差的精度逼近任意任何复杂的非线性函数，所以一般选择三层bp神经网络。然后，根据工程项目管理目标和指标体系确定输出层节点数和输入层节点数，根据样本的数量和质量以及工程项目管理的复杂程度确定隐含层节点数。

bp（多层前馈网络的反向传播学习）人工神经网络模型如下图所示，x和y是网络的输入、输出向量。每个神经元用一个节点表示。网络由输入层、隐含层和输出层节点组成。隐含层可以是一层，也可以是多层，前层到后层节点通过权连接，即拓扑结构为有向无环图的前向网络。bp人工神经网络模型采用bp学习算法，其基本思想是最小二乘法，采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均为最小。

bp学习算法由正向传播和反向传播组成。在正向传播中，输入信号从输入层经隐含层传向输出层。若输出层得到了期望的输出，学习算法结束；否则，转至反向传播。反向传播是将误差信号(样本输出与网络输出之差)按原连接通路反向计算，由梯度下降法调整各层神经元的权值和阈值，使误差信号减小。

（3）训练并检验bp神经网络。bp神经网络的训练包括信息正向传播和误差反向传播两个过程，通过比较网络输出值和期望输出值的误差，逐层修改各层网络节点的权值和阈值，当训练样本集总误差e小于允许误差ε时，训练结束。

（4）输入目标样本数据，计算目标函数值。

将得到的目标函数值（风险评价结果）和风险评价指标保存到风险评价结果库100中，这样风险评价结果库100的数据会越来越多，之后再进行计算就选取一定时间段内的数据样本作为模型训练的输入。