基于數(shù)據(jù)挖掘技術(shù)的事故隱患預(yù)警方法研究*

馬明煥，王新浩，許曉輝，羅 云，楊 凌

( 1.國網(wǎng)吉林省電力有限公司，吉林 長春 130000；2.中國地質(zhì)大學(xué)(北京) 工程技術(shù)學(xué)院，北京 100083；3.國網(wǎng)吉林省電力有限公司 延邊供電公司，吉林 延吉 133000)

0 引言

安全生產(chǎn)事故隱患排查治理作為遏制重特大事故、實現(xiàn)安全生產(chǎn)超前預(yù)防的主要措施途徑，對提升企業(yè)安全生產(chǎn)保障水平具有至關(guān)重要的作用[1-2]。近年來，隨著企業(yè)事故隱患排查治理信息系統(tǒng)和政府事故隱患排查治理網(wǎng)絡(luò)管理平臺逐漸建立完善，大量事故隱患數(shù)據(jù)信息被科學(xué)地記錄和存儲[3-4]。然而，大多數(shù)企業(yè)僅應(yīng)用這些數(shù)據(jù)指導(dǎo)隱患整改工作，缺乏對數(shù)據(jù)的有效利用。收集存儲能力增強與數(shù)據(jù)分析利用水平欠缺之間的矛盾，嚴(yán)重制約企業(yè)安全管理水平的提高。挖掘安全管理數(shù)據(jù)中的潛在價值，指導(dǎo)隱患排查治理工作的優(yōu)化提升，將成為企業(yè)安全發(fā)展的關(guān)鍵。

目前，隱患排查治理方面的研究主要集中在隱患管理體系構(gòu)建、長效機制完善和排治措施優(yōu)化3個方面[5-7]，數(shù)據(jù)挖掘技術(shù)在事故隱患排查治理方面的應(yīng)用尚處于起步階段。部分學(xué)者嘗試用Apriori，Eclat等關(guān)聯(lián)規(guī)則算法對煤礦[8]、石化[9]、地鐵[10]等領(lǐng)域的風(fēng)險因素進(jìn)行關(guān)聯(lián)規(guī)則挖掘，以此進(jìn)行關(guān)聯(lián)因素預(yù)警。但上述應(yīng)用均采用傳統(tǒng)支持度計數(shù)方式挖掘頻繁項集，某些重大事故隱患往往因出現(xiàn)頻率較低、支持度不滿足閾值而被剪枝，無法形成有趣規(guī)則[11]。此外，專家學(xué)者在研究過程中，大多將隱患數(shù)據(jù)定義為靜態(tài)數(shù)據(jù)，或?qū)⒉煌瑫r序的隱患數(shù)據(jù)置于同一數(shù)據(jù)集，忽視對關(guān)聯(lián)規(guī)則變化趨勢的分析，不符合隱患動態(tài)變化的特點?；谏鲜龇治?，本文應(yīng)用并優(yōu)化數(shù)據(jù)流滑動窗模型、等價類變換算法和變化挖掘算法等數(shù)據(jù)挖掘技術(shù)，構(gòu)建1種關(guān)聯(lián)隱患預(yù)警方法，挖掘各類隱患間關(guān)聯(lián)規(guī)則和變化模式，指導(dǎo)企業(yè)進(jìn)行針對性排查和整改。

1 關(guān)聯(lián)隱患預(yù)警方法

圖1 關(guān)聯(lián)隱患預(yù)警流程Fig.1 Associated hidden danger prediction process

關(guān)聯(lián)隱患預(yù)警方法主要包括：隱患數(shù)據(jù)挖掘、隱患預(yù)警信息發(fā)布、關(guān)聯(lián)隱患排查治理、效果評價及反饋4個環(huán)節(jié)，如圖1所示。首先，以歷史隱患數(shù)據(jù)為基礎(chǔ)，通過隱患數(shù)據(jù)流窗口模型、加權(quán)等價類變換算法和隱患變化模式3項數(shù)據(jù)挖掘技術(shù)，獲得隱患關(guān)聯(lián)規(guī)則數(shù)據(jù)集與隱患變化模式數(shù)據(jù)集；其次，將數(shù)據(jù)集映射到用戶實時錄入的隱患排查數(shù)據(jù)中，發(fā)現(xiàn)關(guān)聯(lián)隱患及其變化模式，發(fā)布關(guān)聯(lián)隱患類型、存在可能性及變化模式等預(yù)警信息；然后，企業(yè)按預(yù)警信息進(jìn)行針對性隱患排查治理；最后，對預(yù)警準(zhǔn)確率、關(guān)鍵隱患出現(xiàn)頻率等情況進(jìn)行評估反饋，以此調(diào)節(jié)數(shù)據(jù)窗口長度及隱患權(quán)重。

1.1 隱患數(shù)據(jù)流窗口模型

數(shù)據(jù)流是一系列連續(xù)而有序的二元組組成的序列，其中T為元素的時間點，I表示實體元素。數(shù)據(jù)流窗口是數(shù)據(jù)流領(lǐng)域最具代表性的模型，其主要思想為：在大部分?jǐn)?shù)據(jù)流的應(yīng)用分析中，用戶往往關(guān)心最近的數(shù)據(jù)[12]，設(shè)T是1個時間長度，如1季度、1 a等；t為觀測時刻；則稱W[t-T:t]為數(shù)據(jù)流S上的1個時間間隔為T的窗口，其中t和T的單位相同；W[t-T:t]隨t的變化而滑動，故稱其為滑動窗口。

圖2 隱患數(shù)據(jù)流滑動窗口Fig.2 Hidden data stream sliding window

1.2 加權(quán)等價類變換算法

等價類變換算法[13]是采用垂直數(shù)據(jù)格式挖掘頻繁項集的深度優(yōu)化算法，該算法在概念格理論的基礎(chǔ)上，利用基于前綴的等價關(guān)系將搜索空間(概念格)劃分為較小的子概念格，各子概念格采用自底向上的搜索方法獨立產(chǎn)生頻繁項集，進(jìn)而根據(jù)支持度、不平衡比等約束條件產(chǎn)生關(guān)聯(lián)規(guī)則。

為適應(yīng)隱患重要性不同特點，在等價類變換算法的基礎(chǔ)上，引入隱患權(quán)重概念，設(shè)計加權(quán)等價類變化算法，改變傳統(tǒng)的支持度計算方式；通過對管理隱患、重大事故隱患等關(guān)鍵隱患設(shè)置高權(quán)重，提升關(guān)鍵隱患支持度，增加關(guān)鍵隱患規(guī)則數(shù)量。隱患權(quán)重相關(guān)概念如下：

對于事故隱患類型集合H={h1,h2,…,hn}，其中h1,h2,…,hn為隱患類型，為表征各隱患的重要性，對各隱患設(shè)置權(quán)重系數(shù)，記為wj，其中0

定義1 ：設(shè)隱患排查活動集合I={Ix,Iy,…,Iz}，其中Ix={ha,hb,…,hn}為1次隱患排查活動，ha,hb,…,hn為此次隱患排查活動發(fā)現(xiàn)的隱患類型，Ix的權(quán)重記W(Ix)

定義2：隱患集合X的加權(quán)支持度為Wsup(X)

定義3：關(guān)聯(lián)規(guī)則X?Y的加權(quán)支持度為Wsup(X∪Y)

傳統(tǒng)等價類變換算法具有遞推性質(zhì)，即若一隱患集合的支持度不滿足最小支持度的要求，則此隱患集合與其他隱患集合做并運算后得到的集合也不滿足最小支持度的要求。在加入隱患權(quán)重概念后，傳統(tǒng)支持度計算方式發(fā)生變化。因此，需驗證該性質(zhì)是否仍然成立，即證明：X與Y為2個隱患集合，若X?Y，且X≠φ，則必有Wsup(X)≥Wsup(Y)成立。

由上述推導(dǎo)證明得：加入權(quán)重概念后，傳統(tǒng)等價類變換算法的遞推性質(zhì)仍然有效，可極大減少搜索空間，提高運算效率。

1.3 隱患變化模式

變化挖掘[14-15]主要是比較不同時間段的關(guān)聯(lián)規(guī)則集合，分析前后差異，給出變化模式的類型，從而掌握事件的變化情況。為提升對隱患數(shù)據(jù)分析的適應(yīng)性，在傳統(tǒng)變化挖掘算法基礎(chǔ)上，重新定義隱患變化模式。

2 應(yīng)用實踐分析

2.1 企業(yè)隱患數(shù)據(jù)挖掘

以72家安全管理性質(zhì)相似的企業(yè)為例進(jìn)行應(yīng)用實踐分析，上述企業(yè)在2013年進(jìn)行了3個階段的安全生產(chǎn)標(biāo)準(zhǔn)化評審檢查，由于數(shù)據(jù)錄入傳輸?shù)确矫鎲栴}，最終收集到164次檢查數(shù)據(jù)，共包括28 957條隱患信息，分為組織管理、設(shè)備設(shè)施和環(huán)境衛(wèi)生3大類839種。其中第一階段68次16 391條隱患信息，第二階段46次7 436條隱患信息，第三階段50次5 130條隱患信息。

圖3 隱患窗口劃分Fig.3 Hidden danger window partition

根據(jù)企業(yè)安全生產(chǎn)標(biāo)準(zhǔn)化評分標(biāo)準(zhǔn)，對隱患設(shè)定權(quán)重，隱患權(quán)重與該隱患所屬類型的總分值成正比，總分值越大，權(quán)重越大。

為計算權(quán)重對關(guān)鍵隱患支持度的影響，將加權(quán)算法和傳統(tǒng)算法的頻繁1項集按支持度由大到小排序。

表1 企業(yè)隱患關(guān)聯(lián)規(guī)則及變化模式

圖4 隱患重要度變化Fig.4 The change of hidden danger weight

2.2 事故隱患預(yù)警

隱患及其并發(fā)現(xiàn)象可以看做是復(fù)雜網(wǎng)絡(luò)圖，節(jié)點代表隱患，連線代表隱患間的關(guān)聯(lián)關(guān)系，隱患排查治理可以看作是消除網(wǎng)絡(luò)中的節(jié)點與連線。關(guān)聯(lián)規(guī)則就是發(fā)現(xiàn)點與點之間的關(guān)系，根據(jù)已知點找到其他關(guān)聯(lián)點；變化模式是分析點、線的變化情況，找到對應(yīng)隱患的變化情況，從而進(jìn)行針對性管理，如圖5所示。

圖5 關(guān)聯(lián)規(guī)則Fig.5 Visualization of association rules

圖中節(jié)點的顏色代表隱患類型，紅色為組織管理類、藍(lán)色為設(shè)備設(shè)施類、綠色為環(huán)境衛(wèi)生類(此處通過灰度區(qū)別)，節(jié)點編碼表示隱患具體信息(為保持圖像簡潔隱去隱患節(jié)點編碼)；節(jié)點的大小代表節(jié)點的支持度，節(jié)點越大支持度越大。節(jié)點間連線為2節(jié)點關(guān)聯(lián)關(guān)系，連線顏色為關(guān)聯(lián)規(guī)則前項的顏色，連線粗細(xì)代表關(guān)系強弱，關(guān)系越緊密連線越粗。

1)t1觀測點：對比圖5(b)與圖5(a)發(fā)現(xiàn)，T2階段

基礎(chǔ)管理類隱患中的職業(yè)安全健康培訓(xùn)和應(yīng)急管理、基礎(chǔ)設(shè)施類隱患中的動力配電柜和金屬切削機床以及環(huán)境類隱患中的廠區(qū)環(huán)境和車間環(huán)境等9類隱患與其他隱患連線比例增加，占總連線數(shù)的48.6%，其中職業(yè)安全健康培訓(xùn)和金屬切削機床類較為突出，分別增加45.7%和27.5%；與表1中隱患多為衰減模式和關(guān)系變化模式相對應(yīng)。根據(jù)變化模式的定義，認(rèn)為培訓(xùn)指導(dǎo)階段對該類隱患的整改治理強度較弱，導(dǎo)致隱患持續(xù)存在，最終出現(xiàn)圖5(b)中連線比例增加的現(xiàn)象。因此，t1時刻進(jìn)行隱患排查治理時，應(yīng)酌情優(yōu)先檢查上述部位，并適當(dāng)加強整改治理力度。

2)t2觀測點：將圖5(c)所示階段與前2個階段對比發(fā)現(xiàn)，隱患節(jié)點與連線數(shù)量進(jìn)一步減少，反映出企業(yè)經(jīng)過3個階段標(biāo)準(zhǔn)化達(dá)標(biāo)工作，隱患數(shù)量減少，整體安全水平提高。但與圖5(b)相比，T3階段管理類隱患相關(guān)節(jié)點和連線比例增加。反映在變化模式上，即表1中組織管理類規(guī)則分別占新增模式和意外條件模式的100%和97.8%，表明企業(yè)在標(biāo)準(zhǔn)化建設(shè)過程中，對基礎(chǔ)設(shè)施、環(huán)境健康等問題的治理效果較好，但忽視對基礎(chǔ)管理的優(yōu)化，導(dǎo)致危險源管理、班組安全管理等基礎(chǔ)管理類隱患不斷出現(xiàn)。因此，t2時刻企業(yè)應(yīng)適當(dāng)改變安全生產(chǎn)策略，遏制組織管理類隱患發(fā)展勢頭。此外，環(huán)境類隱患中的車間環(huán)境、倉庫環(huán)境相關(guān)節(jié)點與連線仍然較多，多為關(guān)系變化模式和意外結(jié)果模式，應(yīng)優(yōu)化該類隱患整改措施，防止其他關(guān)聯(lián)隱患出現(xiàn)。

表2 隱患預(yù)警情況

2.3 應(yīng)用效果評估

進(jìn)行10次模擬運算，統(tǒng)計不同最小置信度條件下，預(yù)警隱患數(shù)量與準(zhǔn)確率，計算平均值，如圖6所示。

圖6 準(zhǔn)確率變化趨勢Fig.6 The trend of accuracy

隨置信度水平提升，2時點隱患預(yù)警準(zhǔn)確率均由65%提升至100%。且當(dāng)置信度為0.70時，預(yù)警隱患的類型分別占總類型的39.9%和29.9%，能較好預(yù)警事故隱患。結(jié)合2.2分析發(fā)現(xiàn)，t2時間點預(yù)警隱患類型相對減少，與企業(yè)安全生產(chǎn)水平提高相關(guān)，并通過圖5(c)中節(jié)點和連線數(shù)量減少反映出來。結(jié)合此階段管理類隱患比例上升且多為新增模式的情況，企業(yè)可根據(jù)自身安全狀況、經(jīng)濟條件的各方面因素，適當(dāng)提升相關(guān)隱患權(quán)重，降低最小支持度閾值，增大隱患預(yù)測數(shù)量，增強管理類隱患的關(guān)注程度。

3 結(jié)論

1)應(yīng)用滑動數(shù)據(jù)窗模型、加權(quán)等價類變換算法和隱患變化挖掘算法等數(shù)據(jù)挖掘技術(shù)，構(gòu)建1種關(guān)聯(lián)隱患預(yù)警方法，通過挖掘隱患間關(guān)聯(lián)關(guān)系和變換模式，獲取關(guān)聯(lián)隱患類型、出現(xiàn)頻率和變化趨勢等預(yù)警信息，指導(dǎo)隱患排查治理工作優(yōu)化提升。

2)以72家安全管理性質(zhì)相似企業(yè)的164次隱患排查數(shù)據(jù)為例進(jìn)行應(yīng)用實踐分析，結(jié)果表明該方法能挖掘隱患間的關(guān)聯(lián)規(guī)則和變化趨勢，指導(dǎo)隱患排查治理策略制定，且隱患預(yù)警準(zhǔn)確率隨置信度不斷提高。

3)該算法以歷史隱患數(shù)據(jù)為運行基礎(chǔ)，對于企業(yè)隱患數(shù)據(jù)較少，且無同類企業(yè)數(shù)據(jù)借鑒情況，數(shù)據(jù)挖掘效果不佳，下一步需要研究如何增強數(shù)據(jù)挖掘算法對稀疏隱患數(shù)據(jù)的挖掘能力。

[1] 魏利軍，方來華．基于移動互聯(lián)網(wǎng)及云服務(wù)的安監(jiān)執(zhí)法與隱患排查系統(tǒng)研究[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2014，10(S1)：136-140．

WEI Lijun, FANG Hualai. Study on safety supervision law enforcement and hidden trouble inspection system based on mobile Internet and cloud service[J]. Journal of Safety Science and Technology,2014,10(S1):136-140.

[2] 張亞麗，王廷春，王秀香，等．中國石化管道及罐區(qū)隱患排查治理監(jiān)管系統(tǒng)研究與應(yīng)用[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2016，12(4)：185-191．

ZHANG Yali, WANG Tingchun, WANG Xiuxiang, et al. Research and application of supervision and management system on hidden trouble checking and governing for pipeline and tank area in SINOPEC[J]. Journal of Safety Science and Technology,2016,12(4):185-191.

[3] 張冬陽．信息化助力風(fēng)險分級管控與隱患排查治理工作[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2016，12(S1)：296-299．

ZHANG Dongyang.Study on risk management and control with classification and potential hazards identification and control assisted by informatization[J]. Journal of Safety Science and Technology,2016,12(S1):296-299.

[4] 歐陽秋梅，吳超．安全生產(chǎn)大數(shù)據(jù)的5W2H采集法及其模式研究[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2016，12(12)：22-27．

OUYANG Qiumei, WU Chao. Research on 5W2H acquisition method and mode of big data for work safety[J]. Journal of Safety Science and Technology,2016,12(12):22-27.

[5] 王榮．事故事件與排查隱患——《企業(yè)安全生產(chǎn)標(biāo)準(zhǔn)化基本規(guī)范》解讀[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2011，7(9)：216-220．

WANG Rong. Accident events and investigation potential dangers—interpretation for the basic norms of enterprise work safety standardization[J]. Journal of Safety Science and Technology,2011,7(9):216-220.

[6] 朱紅．國內(nèi)外石油化工企業(yè)隱患治理工作探討[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2013，9(4)：115-118．

ZHU Hong. Discussion on hidden dangers treatment plan of petrochemical enterprise at home and abroad[J]. Journal of Safety Science and Technology, 2013,9(4):115-118.

[7] 宇仁茂．煤礦重大隱患特性及其治理體系的分析研究[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2014，10(S1)：153-157．

YU Renmao. Analysis on the characteristics of coal mine and its hazard management system[J]. Journal of Safety Science and Technology,2014,10(S1):153-157.

[8] 張長魯．煤礦事故隱患大數(shù)據(jù)處理與知識發(fā)現(xiàn)分析方法研究[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2016，12(9)：176-181．

ZHANG Changlu. Study on big data processing and knowledge discovery analysis method for safety hazard in coal mining[J]. Journal of Safety Science and Technology,2016,12(9):176-181.

[9] 胡瑾秋，張來斌，伊巖，等．基于貝葉斯估計的煉化裝置動態(tài)告警管理方法研究[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2016，12(10)：81-85．

HU Jinqiu, ZHANG Laibin, YI Yan, et al. Research on dynamic alarm management method of refining device based on Bayesian estimation[J]. Journal of Safety Science and Technology,2016,12(10):81-85.

[10] 郭聖煜，駱漢賓，滕哲，等．地鐵施工工人不安全行為關(guān)聯(lián)規(guī)則研究[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2015，11(10)：185-190．

GUO Shengyu, LUO Hanbin, TENG Zhe, et al. Research on association rules of unsafe behavior for metro construction worker[J]. Journal of Safety Science and Technology,2015,11(10):185-190.

[11] Han J, Kamber M. Data Mining: Concepts and techniques[J]. Data Mining Concepts Models Methods & Algorithms Second Edition, 2006, 5(4):1-18.

[12] GEHRKE J, KORN F, SRIVASTAVA D. On computing correlated aggregates over continual data streams[J]. SIGMOD Record, 2001, 30(2): 13-24

[13] Zaki M J. Scalable algorithms for association mining[J]. IEEE Transactions on Knowledge & Data Engineering, 2000, 12(3):372-390.

[14] Song H S, Kim J K, Kim S H. Mining the change of customer behavior in an internet shopping mall[J]. Expert Systems with Applications, 2001, 21(3):157-168.

[15] Chen M C, Chiu A L, Chang H H. Mining changes in customer behavior in retail marketing[J]. Expert Systems with Applications, 2005, 28(4):773-781.