基于BP 神经网络的民航机场安全预警研究

航空

游客，如果您要查看本帖隐藏内容请回复

航空

© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
3 收稿日期: 2007 - 12 - 27
作者简介: 王洪德,教授,博士,从事系统可靠性工程、安全评价、
灾害预防处理等研究,hongde @djtu. edu. cn。
文章编号: 100926094 (2008) 0420139205
基于BP 神经网络的民航
机场安全预警研究
3
王洪德, 潘　科
(大连交通大学土木与安全工程学院,辽宁大连116028)
摘　要: 在完善、改进已有民航机场安全预警指标体系及其指标值的
基础上,突破民航机场传统的危险预警模式,建立基于BP 神经网络
的民航机场安全预警模型。采用SPSS 主成分分析法对模拟数据进行
预处理,基于MATLAB 软件实现网络模型的训练与检测,从而实现安
全预警。研究表明此模型是可行有效的,可为研究机场安全预警问题
提供新的思路和方法。
关键词: 安全管理工程; 民航机场; BP 神经网络; 安全预警
中图分类号: X91314 　　　文献标识码: A
0 　引　言
民航机场是我国空中交通的重要基础设施,通常包括供
航空器起飞和着陆滑行的飞行区、供航空器上下客货邮件的
运输区(航站区) 、供航空器维护修理的机务维修区等。机场
安全通常包括航空器的安全起降和对机场设施的安全保障,
这也是民航机场在正常情况下应发挥的重要功能。然而,由
于多种原因,民航机场事故的发生难以避免。中国民航近10
年(1996 —2005) 共发生运输飞行事故9 起,其中重大以上飞行
事故7 起; 共发生1 147 起飞行事故征候,其中运输飞行事故
征候1 040 起。对事故的调查表明,机组原因、机械/ 机务是事
故发生的主要原因。而从事故征候种类统计看,1996 —2005
年鸟击(282 起) 、空中停车(256 起) 、偏出/ 冲出跑道/ 场外接
地(80 起) 所占的比重较大,分别占2416 %、2213 %和710 %[1 ] 。
因此,如果飞行的自然环境和人工环境良好,机场的应急援救
设施完善、组织工作严密有序,很多事故的发生是可以挽救或
避免的。
罗帆等[2 ]在民航机场安全预警的管理组织等方面进行了
专门研究,并提出了相应的预警指标及模型。本文引入BP 网
络对民航机场安全预警进行研究,以改进现有预警方法和模
型存在的欠缺,使民航机场安全预警研究更加完善,从而提高
预警结果的全面性和准确性。
1 　民航机场安全预警指标体系的建立
111 　民航机场安全预警指标体系分类
机场安全预警指标体系由4 个模块、共35 项构成,包括
行为人因素预警指标6 项,机务因素预警指标6 项,环境因素
预警指标9 项和管理因素预警指标14 项,如表1 所示[2 ] 。其
中,环境因素预警指标并非反映机场自身问题,但从机场角度
监测或识别这些指标,既有利于机场预警指标体系的完整性,
又有利于对航空公司和空管预警系统的支持。根据指标的重
要程度及在预警中的作用,可将其分为敏感预警指标、重要预
警指标和辅助指标,在表1 中分别用数字1、2、3 对应表示。
112 　民航机场安全预警指标的量化与测评
民航机场安全预警指标体系的建立应尽可能实现预警信
息的定量化、条理化和可操作化,使预警指标体系真正反映机
场所面临危险的实际情况。为简化计算,引用上述预警评价
指标中的全部敏感预警指标和部分重要预警指标,确认BP
网络模型的输入结点,并给出相应值域范围,如表2 所示。基
于所确定的值域范围实现数据模拟,详见表3[3 ] 。
2 　基于BP 神经网络的民航机场安全预警系统的建
立及应用
211 　基于BP 网络的民航机场安全预警系统的构建
由于BP 神经网络具有很强的学习、自适应能力和非线
性处理能力[4 - 6 ] ,因此可以将其运用到民航机场安全预警研
究中。在预警数据库的基础上,安排专家的知识系统让其学
习,进而建立一个完整的基于BP 网络的民航机场安全预警
系统,系统结构见图1。
212 　基于BP 网络的民航机场安全预警模型的验证
根据表2 和3 共模拟了18 个指标的12 组数据以建立所
需的BP 网络预警模型,并经SPSS 主成分分析软件简化,简化
后的指标见表4。有两点需要注明:
1) 对于主观指标可以采用专家打分法进行量化,该方法
的优点在于简单、易懂、节约时间,但一般要求专家的人数不
能太少;
2) 一般来说,对于某些定量指标,期望它们的取值越大越
好,这类指标称为极大型指标; 而对于另一类指标,期望它们
的取值越小越好,这类指标就称为极小型指标。
本文选择简化后预警指标体系的10 项指标作为BP 模型
的输入节点,并对原始的模拟数据进行归一化处理,以降低各
影响因素指标值在相对值空间上的距离。若Mj = max
i
{ xij} ,
mj = min
i
{ xij} ,则
x′ij = ( xij - mj) / ( Mj - mj) (1)
式中　xij为原始数据; x′ij ∈[0 ,1 ]为归一化后的无量纲指标。
归一化结果[5 ,7 ]见表4。
对于BP 网络,其核心和难点是隐含层单元数的确定。一
般可考虑开始时放入较少的隐含层单元,学习一定次数后如
图1 　基于BP 神经网络的民航机场安全预警系统结构图
Fig. 1 　System structure of the security early warning
of civil aviation airport based on BP network
139
第8 卷第4 期
2008 年8 月
　　　　　　　　　　　　　　
安全与环境学报
Journal of Safety and Environment
　　　　　　　　　　　　　　
Vol. 8 　No. 4
　Aug , 2008
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
未成功,再逐步增加隐含层单元数; 也可以先增加足够的隐
含层单元,而后把学习中作用不大的连接权和隐含层单元删
去,这种方式可以确定最佳的隐单元数,但比较耗时。本文采
用式(2) 确定隐含层单元数[8 ,9 ] 。
n1 = m + n + a (2)
式中　m 为输入神经元数; n 为输出神经元数; a 为1～10
之间的常数。一般来说,通过这种方式选取的隐单元数可以
达到训练所要求的精度,而且一旦选取并经训练可行即可固
定。本文选取8 个隐含层节点。
输出节点的选择对应于评价结果,为此需先确定期望输
出。在神经网络学习训练阶段,样本期望输出值应是已知量,
可由历史数据资料给定或通过其他数学方法评估得出,如模
糊综合评价法。考虑模拟数据及其临界值,将民航机场安全
状况分为Ⅰ安全(1 0 0 0) 、Ⅱ基本安全(0 1 0 0) 、Ⅲ低度危险
(0 0 1 0) 、Ⅳ危险(0 0 0 1) 4 个等级,对应于数组1～12 的期
望输出见表5。本文选用的预警模型网络配置为10 ×8 ×4 ,
即10 个输入神经元、8 个隐含层神经元和4 个输出神经元。
　　1) 民航机场安全预警BP 网络模型的训练。
将归一化后的前10 组指标值作为输入(表4) ,与之对应
的期望输出见表5。以MATLAB 的图形用户界面———GUI
(Graphical User Interfaces) 界面创建网络进行训练。训练函数
采用TRAINLM函数; 权值调节规则采用LEARNGDM函数,采
用梯度下降方法对权值和阈值进行调整; 网络层数为3 层;
性能函数采用MSE 函数,表示输出矢量与目标矢量之间的均
方误差; 各层传递函数采用TANSIG函数和PURELIN 函数;
显示训练迭代过程选为5 ; 最大训练次数设为500 ; 目标误差
定为01001。由图2 可以看出,当网络训练至第5 步时,网络
性能达标。神经网络的训练输出结果,见表5 中前10 组实际
输出。
表1 　民航机场安全预警指标体系
Table 1 　Index system for security early warning of civil aviation airport
指标种类具体指标重要度指标种类具体指标重要度
行为
人的
因素
预警
指标
操作违规率
机场安检失误次数
紧急处理失当次数
技术考核不合格率
班组配合默契程度
行为人因素不安全事件发生率
2
2
1
3
1
2
机务
因素
预警
指标
机务维修失误率
飞机及设备维护质量未达标率
机场设备故障率
技术标准失察率
机务原因不安全事件发生率
机务原因误飞千次率
2
2
2
2
2
3
环境
因素
预警
指标
飞行期间天气恶劣程度
飞行期间天气突变次数
空管设备失灵次数
航空公司危险指数
航路危险指数
气象误报率
机场鸟害程度
非法行为发生次数
空管指挥失误次数
2
2
2
3
3
2
2
2
2
组织
管理
因素
预警
指标
关键人才流失率
不公平感
信息沟通失真率
部门冲突频度和强度
组织结构合理性
群体凝聚力
管理标准失察率
领导集权程度
员工违纪率
人事变动率
工作满意感
指令失效率
机场管理失误次数
机场原因航班延误或取消
2
1
1
1
2
2
2
3
1
3
1
2
2
3
表2 　BP 预警模型的初始指标体系
Table 2 　Initial index system for BP early warning model
指标类型具体指标值域范围指标类型具体指标值域范围
K1 行为
人因素
预警指标
K11操作违规率
K12紧急处理失当次数
K13班组配合默契程度
0 %～100 %
0～5
低—高
K3 环境
因素预
警指标
K31飞行期间天气恶劣程度
K32空管设备失灵次数
K33气象误报率
K34机场鸟害程度
K35空管指挥失误次数
低—高
0～5
0 %～100 %
低—高
0～5
K2 机务
因素预
警指标
K21机务维修失误率
K22维护质量未达标率
K23机场设备故障率
K24技术标准失察率
0 %～100 %
0 %～100 %
0 %～100 %
0 %～100 %
K4 组织
管理因素
预警指标
K41不公平感
K42信息沟通失真率
K43部门冲突频度和强度
K44组织结构合理性
K45员工违纪率
K46工作满意感
弱—强
0 %～100 %
低—高
低—高
0 %～100 %
弱—强
140
　Vol. 8 　No. 4 　　　　　　　　　　　　　　　安全与环境学报　　　　　　　　　　　　　　第8 卷第4 期
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
表3 　民航机场安全预警指标测评
Table 3 　Index evaluation for security early warning of civil aviation airport
指标测评说明
K11操作违规率
重要预警指标,衡量班组对民航法规、证件法规、证件纪律及机场运行手册标准的执行情况
操作违规率= (违规操作事件次数/ 操作事件总数) ×100%
K12紧急处理
失当次数
敏感预警指标,可从对紧急情况处理结果的分析得出
K13班组配合
默契程度
敏感预警指标,衡量班组管理作风民主性、分工合理性及配合默契程度,运用打分法得到
班组配合默契程度= (低,中,高) = (5 ,3 ,1)
K21机务维修
失误率
重要预警指标,衡量适航制度、工作单制度、保留项目的执行情况
机务维修失误率= (机务维修失误次数/ 维修作业总次数) ×100%
K22飞机及设备
维护质量未达标率
重要预警指标,衡量飞机质量、飞行设备维修质量
飞机及设备维护质量未达标率= (检查未达标次数/ 飞机及设备维护质量检查次数) ×100%
K23机场设备故障率
重要预警指标,衡量机场地面保障能力
机场设备故障率= (设备发生故障的次数/ 全部地面设备件数) ×100%
K24技术标准失察率
重要预警指标,衡量机务维修人员的责任心和警惕性,
以及机务管理制度落实程度、机务放行水平和空勤组的飞机交接工作质量
技术标准失察率= (1 - 技术标准违规查处事件次数/ 违规操作次数) ×100 %
K31飞行期间天气恶劣程度
重要预警指标,衡量航空营运活动的自然环境影响程度。可通过气象预报信息与飞行天气最低标准对
比,以及航班不正常事件等,运用打分法得到
飞行期间天气恶劣程度= (低,中,高) = (1 ,3 ,5)
K32空管设备失灵次数重要预警指标,可衡量空管的硬件质量和技术保障水平
K33气象误报率
重要预警指标,衡量机场气象预报服务质量和隐患
气象误报率= (机场气象误报次数/ 机场气象预报总数) ×100%
K34机场鸟害程度
重要预警指标,衡量机场鸟害程度,反映治理鸟害工作成效。运用打分法得到
机场鸟害程度= (低,中,高) = (1 ,3 ,5)
K35空管指挥失误次数
重要预警指标,衡量空管指挥的准确性,航务人员及相关人员素质、业务水平、遵守航空法规情况,反映空
中交通管制的安全隐患
K41不公平感
不公平感是影响职工工作积极性的敏感性指标,直接影响员工对安全工作的投入,能间接反映出组织的
工作绩效考核和工资奖励制度的合理性
不公平感= (弱,中,强) = (1 ,3 ,5)
K42信息沟通失真率
反映机场信息沟通状况的敏感性指标
信息沟通失真率= (信息沟通失真量/ 信息总量) ×100%
K43部门冲突频度和强度
反映组织运行秩序的敏感性指标
部门冲突频度和强度= (高,中,低) = (5 ,3 ,1)
K44组织结构合理性
重要预警指标,衡量机场组织结构,尤其是安全管理机构设置,通过打分法可得到
组织结构合理性= (低,中,高) = (5 ,3 ,1)
K45员工违纪率
反映员工遵章守纪和组织人事管理秩序的敏感性指标
员工违纪率= (员工违纪人次/ 员工总数) ×100%
K46工作满意感
反映工作态度的敏感性指标,能间接反映出组织和人力资源管理的合理性
工作满意感= (强,中,弱) = (1 ,3 ,5)
　　2) 民航机场安全预警BP 网络模型的检测。
用第11 和12 组归一化后的指标值数据及其期望输出对
构建的BP 网络模型进行检验。由图3 可以看出,当网络训练
至第2 步时,网络性能达标。神经网络的检测输出结果,见表
5 中第11 和12 组实际输出。
从检测结果可以看出,实际输出与期望输出十分接近,误
差满足要求。
3 　结　论
本文就民航安全问题,从民航的机场子系统安全管理的
角度出发,对民航机场安全预警问题做了以下研究:
1) 改进了现有的民航机场安全预警指标体系,并提出了
基于BP 网络的机场安全预警模型;
2) 通过模拟数据,利用MATLAB 工程计算软件进行神经
网络解算,并对建立起的BP 网络预警模型进行训练和预测,
预测结果表明,实际输出与期望输出十分接近,误差满足要
求,证明该方法可行且有效。
141
2008 年8 月　　　　　　　　　　王洪德,等:基于BP 神经网络的民航机场安全预警研究　　　　　　　　　　Aug , 2008
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
表4 　BP 模型输入数据
Table 4 　Inputting data for BP model
指标
数组
操作
违规率
紧急处理
失当次数
班组配合
默契程度
机务维修
失误率
飞机及设备
维护质量
未达标率
技术标准
失察率
空管设备
失灵次数
气象
误报率
空管指挥
失误次数
部门冲
突频度
和强度
1 11000 11000 01000 11000 01600 01808 01500 11000 11000 01464
2 01348 11000 01142 01583 01400 01596 01000 01911 01375 01714
3 01391 01500 01300 01250 01000 01308 01500 01467 01600 01464
4 01000 01000 01457 01000 01300 01000 01000 01000 01000 01000
5 01667 01500 01257 01417 01200 01385 01000 01933 01200 11000
6 01261 01000 01857 01083 01400 01500 11000 01511 01350 01679
7 01478 01500 01929 01883 01300 01423 01500 01956 01500 01785
8 01130 01000 01643 01167 01100 01423 01500 01065 01400 01554
9 01652 01500 01929 01750 01800 01615 01000 11000 01900 01464
10 01348 01000 11000 01583 11000 11000 01000 01622 01250 01643
11 01565 01500 01600 01667 01400 01615 01000 01867 01500 01696
12 01435 01500 01714 01167 01100 01558 01500 01556 01700 01089
表5 　BP 网络的期望输出
Table 5 　Expectation of output for BP network
数组序号期望输出实际输出危险等级
1 (0 0 0 1) (01004 1 - 01004 8 01006 9 11001 3) 危险
2 (0 0 1 0) (01001 3 01001 6 01999 2 01000 6) 低度危险
3 (0 1 0 0) (01004 5 01998 3 01001 9 01004 0) 基本安全
4 (1 0 0 0) (01999 9 01006 1 01001 6 - 01000 7) 安全
5 (0 0 1 0) ( - 01000 3 - 01000 9 11001 6 - 01000 1) 低度危险
6 (0 0 1 0) (01009 1 - 01000 1 11001 5 01008 5) 低度危险
7 (0 0 1 0) (01006 9 - 01000 3 01999 6 01006 7) 低度危险
8 (0 1 0 0) (01010 5 01994 6 - 01009 4 01011 0) 基本安全
9 (0 0 0 1) (01009 7 01005 4 01000 5 11014 0) 危险
10 (0 0 1 0) (01010 0 01005 9 01984 9 01014 0) 低度危险
11 (0 0 1 0) ( - 01000 2 01001 0 01998 6 01000 3) 低度危险
12 (0 1 0 0) ( - 01000 3 01999 9 - 01000 5 01000 7) 基本安全
图2 　网络训练的误差变化曲线
Fig. 2 　Curve for error change of network training
图3 　网络检测的误差变化曲线
Fig. 3 　Curve for error change of network measuring
References( 参考文献) :
[1 ] 　HUO Zhiqin (霍志勤) , LUO Fan (罗帆) . Statistic analysis on acci2
dents and incidents in the last decade in China civil aviation[J ] . China
Safety Science Journal (中国安全科学学报) , 2006 , 16(12) : 65 -
711
[2 ] 　PING Yun ( 平芸) . Early2warning management system research on
aviation airport safety (民航机场安全预警管理系统研究) [D] .
Wuhan : Wuhan University of Technology , 2003 : 38 - 401
[3 ] 　LUO Fan(罗帆) , SHE Lian (佘廉) , SONGLei (宋磊) . Establish of
early2warning management system on aviation airport safety[J ] . China
Civil Aviation (中国民用航空) , 2002 , 23(11) : 47 - 491
[4 ] 　XIN Jing (辛晶) , XIA Dengyou (夏登友) , KANG Qingchun (康青
春) , et al . Application of BP neural network in the fore2warning of ve2
hicle fires[J ] . China Safety Science Journal (中国安全科学学报) ,
2006 , 16(11) : 22 - 331
[5 ] 　XING Chunying (刑春颖) , YANG Ying (阳影) . The application of
modern neural network (现代神经网络应用) [M] . Beijing : Publish2
ing House of Electronics Industry , 19991
[6 ] 　YANG Shue (杨淑娥) , HUANGLi (黄礼) . Financial crisis warning
model based on BP neural network[J ] . Systems Engineering2Theory &
Practice (系统工程理论与实践) , 2005 , 25(1) : 14 - 181
[7 ] 　WANGWenping(王文平) . Study on tax revenue warning and predic2
tion system based on artificial neural network approach[J ] . Journal of
Industrial Engineering and Engineering Management ( 管理工程学
报) , 2001 , 15(4) : 50 - 521
[8 ] 　YUAN Cengren ( 袁曾任) . Artif icial neural network and its
142
　Vol. 8 　No. 4 　　　　　　　　　　　　　　　安全与环境学报　　　　　　　　　　　　　　第8 卷第4 期
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
application ( 人工神经网络及其应用) [M] . Beijing : Publishing
House of Tsinghua University , 19991
[9 ] 　XU Dong (许东) , WU Zheng (吴铮) . Analysis and design of MAT2
LAB6102based systems (基于MATLAB610 的系统分析与设计) [M] .
Xi’an : Xidian University Press , 20021
Breakthrough in early safety warning system
for civil aviation airport based on BP neural
network
WANG Hong2de , PAN Ke
(College of Civil and Safety Engineering , Dalian Jiaotong University ,
Dalian 116028 , Liaoning , China)
Abstract : This paper is aimed to report its authors’breakthrough
renovation over the conventional early warning model of airport acci2
dents by using the BP network system in its process. In our research ,
first of all , we have defined more clearly the characteristic features of
BP network and pointed out the out2of2date operational routine still
prevailing in the current Chinese airports , thus , laying a successful
foundation to its application. In doing so , we have also explained why
it is necessary to choose the two levels of the BP network for its prac2
tical application. Next , we have ascertained the index system of the
early safety warning practice with the simulation data concerned being
done by SPSS principal components analytic method. Furthermore ,
the training and test of this BP model has been checked by using the
MATLAB software. Test results of our research prove that our model
is feasible and efficient for its mission. For practical purpose , we
have also presented the structure , the function , as well as the princi2
ples of our renovated early warning system in a detailed way , which is
highly applicable on the basis of bi2level constitutional model.
Key words : safety management engineering ; civil aviation airport ;
BP neural network (BPNN) ; security early warning
CLC number : X91314 　　　Document code : A
Article ID : 100926094 (2008) 0420139205
2008 煤矿瓦斯防治与
利用技术国际研讨会
由国家安全生产监督管理总局和国家煤矿安全
监察局联合主办的2008 煤矿瓦斯防治与利用技术国
际研讨会将于2008 年10 月23 —24 日在安徽淮南举
行。详情请登录: http :/ / www. ncics. org. cn。
3 收稿日期: 2007 - 12 - 14
作者简介: 艾力·斯木吐拉,教授,博士,从事沙漠地区道路交通安
全研究,ismutulla @1631com。
基金项目: 国家自然科学基金项目(50422286)
文章编号: 100926094 (2008) 0420143205
驾驶员反应特性在沙漠
环境中的表现3
艾力·斯木吐拉, 李　鑫, 马晓松
(新疆农业大学机械交通学院,乌鲁木齐830052)
摘　要: 在沙漠等特殊环境下,驾驶员的反应特性水平是衡量驾驶员
驾驶适宜性的重要指标。为了探索汽车驾驶员的反应特性在特殊环
境中的表现特征,本文利用复杂(选择) 反应检测仪对沙漠公路行车途
中汽车驾驶员进行了实地测试,测试包括反应时间和误反应次数在内
的反应特性,并根据获得的有效样本检测数据进行统计整理,对受测
驾驶员反应能力总体情况及与驾驶员年龄、驾龄、持续行车时间、检测
时的气温等因素之间的关系进行了重点分析。研究表明,受急躁心理
影响,沙漠环境下的驾驶员反应速度明显高于平均水平,而误反应次
数增多,沙漠公路受测驾驶员复杂反应时间和误反应次数平均值分别
为0174 s 和2191 次。关联度分析表明,沙漠公路驾驶员的年龄、驾
龄、驾车时间及测试温度等因素与反应时间和错误次数均具有较强的
相关性。相对于其他几项因素,驾车时间对驾驶员反应特性的影响最
为明显。
关键词: 交通工程; 沙漠公路; 驾驶适宜性检测; 反应特性; 影响因
素
中图分类号: U491 　　　文献标识码: A
0 　引　言
驾驶员的反应特性尤其是复杂反应特性,主要是考察驾
驶员在驾车过程中遇到的各种复杂交通状况下的机敏性,以
及驾驶员在行车途中对交通场面相继发生的变化能否经常正
确而迅速地进行处理的能力。有关驾驶员反应与交通事故关
系的大量研究显示: 反应时间长的驾驶员容易发生事故; 反
应时间稳定性差的驾驶员容易发生交通事故; 在复杂反应中
误反应次数多的驾驶员容易发生事故。波兰对肇事驾驶员心
理、生理的研究发现,13 %的交通事故是由于驾驶员心理活动
功能低下、反应迟钝造成的[1 - 3 ] 。日本的相关调查也表明,事
故次数多的驾驶员反应时间长、复发反应的误反应次数多[4 ] 。
我国相关研究显示,事故组驾驶员的选择反应时间和反应错
误次数的均值都大于无事故组,方差分析表明两组差异显
著[4 ] 。可见,驾驶员的反应特性存在明显的个体差异,反应灵
敏性和正确性较差的驾驶员事故倾向性也较高。因此,反应
特性是驾驶员适应性检测中不可缺少的一项心理指标。
本文利用在塔克拉玛干沙漠干线公路设点进行的驾驶适
宜性实地检测数据,重点对沙漠公路驾驶员复杂反应能力总
体情况及其与驾驶员年龄、驾龄、持续行车时间、检测时的气
温等因素之间的关系进行分析,以寻求在沙漠特殊环境中驾
驶员反应特性所表现出的有别于一般绿洲地区公路的特征。
143
第8 卷第4 期
2008 年8 月
　　　　　　　　　　　　　　
安全与环境学报
Journal of Safety and Environment
　　　　　　　　　　　　　　
Vol. 8 　No. 4
　Aug , 2008

lei1983yu

学习啦！！！！

quanr

很好的资料

chengdinglee

夯夯夯夯夯夯夯夯夯夯夯夯夯夯

genghao1573

好东西！！！！！！