基于Hadoop的瓦斯行為安全管理模型

摘" 要： 為了解決煤礦企業(yè)在瓦斯安全管理中存在的不足，根據(jù)大數(shù)據(jù)理論，提出一種安全管理分析方法。首先基于行為安全理論的分析，將瓦斯隱患致因進行分類;然后利用HDFS存儲行為觀察員發(fā)現(xiàn)的不安全行為和不安全物態(tài)解決海量的結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)的存儲問題;最后基于MapReduce的并行化FP?growth算法找出日常作業(yè)中反復、危險性高的不安全行為，給出基于Hadoop的瓦斯行為安全隱患大數(shù)據(jù)存儲分析模型。實驗結(jié)果表明，該模型對煤礦企業(yè)有針對性地實施瓦斯行為安全管理有一定實際參考價值，對煤礦企業(yè)安全可靠生產(chǎn)，減少瓦斯事故的發(fā)生具有重要作用。

關鍵詞： 大數(shù)據(jù)平臺; FP?growth算法; 行為安全理論; 并行化運算; 瓦斯隱患; 安全管理

中圖分類號： TN082?34" " " " " " " " " " " " "文獻標識碼： A" " " " " " " " " " " " " 文章編號： 1004?373X（2019）21?0154?03

Abstract： In order to overcome the shortcomings existing in gas safety management of coal mine enterprises， a safety management analysis method is proposed according to the big data theory. The causes of methane gas hazards are classified on basis of the analysis of behavioral safety theory. Then， the unsafe behavior and unsafe physical state discovered by behavior observers are stored by means of HDFS to solve the storage problem of massive structurized and unstructurrized data." "Finally， based on MapReduce The parallelized FP?growth algorithm is used to find out the repetitive and dangerous unsafe behaviors in daily operations， and gives a big data storage analysis model based on Hadoop′s gas behavior security risks. The experimental results show that the model has certain practical reference value for coal mine enterprises to implement gas safety management in a targeted manner. It has important effect on safe and reliable production of coal mine enterprises and reducing the occurrence of gas accidents.

Keywords： Hadoop; FP?growth algorithm; behavior?based safety theory; parallelization operation; methane gas hidden danger; security management

0" 引" 言

煤礦企業(yè)在瓦斯隱患安全檢查中積累了海量的數(shù)據(jù)，這些多參數(shù)、多維度、結(jié)構(gòu)化與半結(jié)構(gòu)化的數(shù)據(jù)隨著時間呈指數(shù)型增長，急需得到有效的分析和利用[1]。傳統(tǒng)的數(shù)據(jù)管理方案無法應對這些體量大、類型多、價值密度低、關系復雜的隱患數(shù)據(jù)，且傳統(tǒng)的隱患數(shù)據(jù)分析只注重物的不安全狀態(tài)，卻忽略了其中人的不安全行為。由此提出將大數(shù)據(jù)技術和行為安全理論相結(jié)合。將瓦斯安全隱患依據(jù)行為安全理論分為人的不安全行為和物的不安全狀態(tài)，利用Hadoop平臺存儲瓦斯行為安全隱患大數(shù)據(jù)，并從中分析、找出反復發(fā)生的不安全行為及物態(tài)，指導安全管理者有針對性地進行安全教育，從而改變作業(yè)人員的安全思維模式，糾正不安全習慣以及改正不安全行為，預防瓦斯事故的發(fā)生。

1" 背" 景

1.1" 大數(shù)據(jù)與瓦斯隱患

隨著煤礦企業(yè)信息化程度日益提高，瓦斯安全隱患的大數(shù)據(jù)特征越來越明顯：一是體量大，指的是安全隱患數(shù)據(jù)持續(xù)采集，構(gòu)成了海量的歷史數(shù)據(jù);二是速度快，指的是隨著傳感器的增多，數(shù)據(jù)生成速度快速增長;三是模態(tài)多，既包含安全檢查人員記錄的結(jié)構(gòu)化安全隱患，也包括各種監(jiān)測設備記錄的半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù);四是價值大密度低，海量的隱患數(shù)據(jù)中能為安全管理提供指導的數(shù)據(jù)量極少[2]。所以用大數(shù)據(jù)技術處理瓦斯隱患是可行的。

1.2" 行為安全理論簡介

行為安全理論是一套事故預防的理論和方法，根據(jù)行為安全理論，可以把事故致因分為人的不安全行為和物的不安全狀態(tài)[3]。其中，物的不安全狀態(tài)可以分為兩類：第一類是由于人的不安全行為造成的，如隨意操作通風設備導致通風量低、瓦斯聚積;第二類是既成事實的不安全物態(tài)，作業(yè)人員沒有引起足夠重視，如作業(yè)人員在不檢查瓦斯量的情況下，隨意操作設備，如更換礦燈。由于作業(yè)人員安全習慣、安全意識、安全理念等緣故，不安全的行為在日常作業(yè)中具有普遍性、多發(fā)性的特征。傳統(tǒng)的安全管理方法只注重結(jié)果不重視過程，容易使作業(yè)人員產(chǎn)生僥幸心理。行為安全理論不僅關注不安全物態(tài)，也關注作業(yè)人員的不安全行為，旨在通過對作業(yè)人員的安全教育減少工人冒險行為，避免不安全的行為重復發(fā)生，最終防止事故發(fā)生。

2" 基于Hadoop的瓦斯行為安全管理模型

Hadoop是一個可靠且可擴展的存儲和分析平臺，對結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的處理非常有效，具有擴容能力高、成本低、效率高及可靠性強的特點。為此，提出基于Hadoop的瓦斯行為安全管理模型，如圖1所示。該模型通過行為觀察員手工錄入或監(jiān)測設備自動錄入等方式，將瓦斯行為安全隱患大數(shù)據(jù)存入Hadoop中的HDFS中。通過批處理技術MapReduce并行框架處理，最后將處理結(jié)果反饋給安全管理人員，安全管理人員根據(jù)處理結(jié)果有針對性地開展瓦斯行為安全教育。

HDFS是Hadoop生態(tài)圈的重要組件，可以解決瓦斯行為安全隱患數(shù)據(jù)的存儲問題，HDFS采用主從架構(gòu)，有一個主節(jié)點和多個從節(jié)點。數(shù)據(jù)被分塊存儲在從節(jié)點中，每份數(shù)據(jù)默認存儲3個副本。根據(jù)行為安全理論，將瓦斯隱患數(shù)據(jù)分為人的不安全行為和物的不安全狀態(tài)。其中，人的不安全行為又可分為未穿戴防護用品、作業(yè)前未檢查工作場所安全狀況、疲勞上崗、不安全的操作設備、吸煙、其他;而物的不安全狀態(tài)分為瓦斯?jié)舛炔话踩⒀鯕夂康?、通風量低、溫度高、其他。其中人的不安全行為主要靠行為觀察員記錄并存儲到HDFS中，而物的不安全狀態(tài)則由傳感器等監(jiān)測設備自動傳入HDFS中?；贖DFS的瓦斯行為安全隱患數(shù)據(jù)存儲模型如圖2所示。

MapReduce是一種分布式并行計算框架，是大數(shù)據(jù)處理的關鍵技術，能夠解決瓦斯隱患安全大數(shù)據(jù)的分析問題?；贛apReduce的瓦斯隱患分析模型如圖3所示。MapReduce由Map階段和Reduce階段組成，Map階段讀取數(shù)據(jù)內(nèi)容，并解析{key1，value1}鍵值對，通過自定義的函數(shù)處理產(chǎn)生{key2，value2}鍵值對，并把輸出結(jié)果進行分區(qū)，然后發(fā)送給Reduce。Reduce階段對Map階段的輸出結(jié)果進行合并、排序，通過自定義的函數(shù)處理產(chǎn)生{key3，value3}鍵值對，并將其作為結(jié)果輸出回HDFS中。

3" 模型應用

根據(jù)某礦在一段時間內(nèi)5次行為安全檢查記錄，從中篩選出與瓦斯安全隱患相關的不安全行為及不安全物態(tài)并編號，且進行數(shù)據(jù)預處理，結(jié)果如表1所示。

表1中，[i1～i9]分別表示作業(yè)人員未穿戴防護用品、作業(yè)時未檢查工作場所安全狀況、疲勞上崗、不安全操作機電設備、吸煙、瓦斯?jié)舛雀?、氧氣含量低、通風量不足、溫度高。

1） 執(zhí)行第一個MapReduce任務，用于統(tǒng)計元素項出現(xiàn)的次數(shù)，以此找出頻繁項。Map的輸入為lt;tid，itemsgt;鍵值對，表示一次檢查中不安全行為與不安全物態(tài)的集合。Map的輸出為lt;item，1gt;鍵值對，表示某個不安全行為或不安全物態(tài)出現(xiàn)了1次。Reducer的輸入為lt;item，{1，1，...}gt;鍵值對，表示某一不安全行為或不安全物態(tài)與出現(xiàn)次數(shù)的序列，Reduce對出現(xiàn)次數(shù)的序列做求和操作。Reduce輸出為lt;item，sumgt;，即某一不安全行為或不安全物態(tài)總的出現(xiàn)次數(shù)。設置最小支持度support=2，移除表1中不滿足最小支持度的元素項，得到頻繁項列表F?List。將每次記錄中的元素項按支持度排序，結(jié)果如表2所示。

2） 執(zhí)行第二個MapReduce任務，用于完成FP?Tree的構(gòu)建。把頻繁項目列表F?List分組，形成G?List，如按照元素項出現(xiàn)頻率大小分組。如支持度大于2的為一組，支持度等于2的為一組。Map的輸入為lt;tid，itemsgt;，表示一次檢查中不安全行為與不安全物態(tài)的集合，Map的輸出為lt;group，tidgt; ，把屬于同一個組的記錄發(fā)送到一個處理節(jié)點上形成完備數(shù)據(jù)集。Reducer根據(jù)分到同一個分組中的元素項創(chuàng)建FP?Tree。

3） 根據(jù)FP?Tree抽取條件模式基、構(gòu)建條件FP?Tree。

4） 重復步驟3）直到構(gòu)建的FP?Tree只包含一個元素。

經(jīng)過篩選后，得到用的頻繁項集為{[i4]，[i6]}，{[i4]，[i6]，[i2]}，{[i2]，[i6]}。通過對結(jié)果分析，表明該礦在瓦斯?jié)舛炔话踩珪r經(jīng)常有不安全操作機電設備的情況發(fā)生，不安全的機電操作易產(chǎn)生電火花，有發(fā)生瓦斯爆炸的風險。此外，也應關注作業(yè)人員疲勞上崗與不安全操作機電設備可能發(fā)生的危險和作業(yè)人員因疲憊在瓦斯?jié)舛炔话踩牡胤叫菹⒖赡馨l(fā)生的危險。據(jù)此，安全管理者可以有針對性地對作業(yè)人員的這些不安全行為進行教育，防止事故的發(fā)生。

4" 結(jié)" 語

本文針對瓦斯安全隱患數(shù)據(jù)無法充分利用的問題，提出建立基于Hadoop的瓦斯行為安全大數(shù)據(jù)存儲分析模型，該模型可以充分解決瓦斯安全隱患數(shù)據(jù)的存儲和分析問題。把行為安全管理理論引入到瓦斯安全管理中。將瓦斯安全隱患分為人的不安全行為和物的不安全狀態(tài)。利于針對性的實施行為安全教育。運用基于MapReduce的并行化FP?growth算法挖掘分析瓦斯行為安全隱患大數(shù)據(jù)，為煤礦企業(yè)安全管理提供指導。從而有針對性地實施行為安全教育，改善企業(yè)的安全文化，最終減免事故的發(fā)生。

參考文獻

[1] 李學龍，龔海剛.大數(shù)據(jù)系統(tǒng)綜述[J].中國科學：信息科學，2015，45（1）：1?44.

LI Xuelong， GONG Haigang. Summary of big data systems [J]. Chinese Science： information science， 2015， 45（1）： 1?44.

[2] 程學旗，靳小龍，王元卓，等.大數(shù)據(jù)系統(tǒng)和分析技術綜述[J].軟件學報，2014，25（9）：1889?1908.

CHENG Xueqi， JIN Xiaolong， WANG Yuanzhuo， et al. Summary of big data systems and analytical techniques [J]. Software journal， 2014， 25（9）： 1889?1908.

[3] 李乃文，季大獎.行為安全管理在煤礦行為管理中的應用研究[J].中國安全科學學報，2011，21（12）：115?121.

LI Naiwen， JI Dajiang. Application of behavioral safety management in coal mine behavior management [J]. Chinese journal of safety science， 2011， 21（12）： 115?121.

[4] 傅貴，張?zhí)K，董繼業(yè)，等.行為安全的理論實質(zhì)與效果討論[J].中國安全科學學報，2013，23（3）：150?154.

FU Gui， Zhang Su， DONG Jiye， et al. Discussion on the theoretical essence and effect of behavioral safety [J]. Chinese journal of safety science， 2013， 23（3）： 150?154.

[5] 施亮，錢雪忠.基于Hadoop的并行FP?Growth算法的研究與實現(xiàn)[J].微電子學與計算機，2015，32（4）：150?154.

SHI Liang， QIAN Xuezhong. Research and implementation of parallel FP?Growth algorithm based on Hadoop [J]. Microelectronics and computer， 2015， 32（4）： 150?154.

[6] 馬小平，代偉.大數(shù)據(jù)技術在煤炭工業(yè)中的研究現(xiàn)狀與應用展望[J].工礦自動化，2018，44（1）：50?54.

MA Xiaoping， Dai Wei. Research status and application prospect of big data technology in coal industry [J]. Automation of industry and mining， 2018， 44（1）： 50?54.

[7] 徐磊，李希建.基于大數(shù)據(jù)的礦井災害預警模型[J].煤礦安全，2018，49（3）：98?101.

XU Lei， LI Xijian. Mine disaster early warning model based on big data [J]. Coal mine safety， 2018， 49（3）： 98?101.

[8] 孫繼平.煤礦事故分析與煤礦大數(shù)據(jù)和物聯(lián)網(wǎng)[J].工礦自動化，2015，41（3）：1?5.

SUN Jiping. Coal mine accident analysis and coal mine big data and [J]. Networking automation， 2015， 41（3）： 1?5.

[9] 雷煜斌，陳兆波，曾建潮，等.基于關聯(lián)規(guī)則的煤礦瓦斯事故致因鏈研究[J].煤礦安全，2016，47（8）：240?243.

LEI Yubin， CHEN Zhaobo， ZENG Jianchao， et al." Research on the chain of coal mine gas accidents based on association rules [J]. Coal mine safety， 2016， 47（8）： 240?243.

[10] 任玉輝，秦躍平.行為安全理論在煤礦安全管理中的應用[J].煤炭工程，2012（11）：138?140.

REN Yuhui， QIN Yueping. Application of behavior safety theory in coal mine safety management [J]. Coal engineering， 2012 （11）： 138?140.