基于數(shù)據(jù)挖掘的化工生產(chǎn)事故致因主題抽取

牛 毅，樊運曉，高 遠

(中國地質(zhì)大學(北京)工程技術(shù)學院，北京 100083)

0 引言

近年來，盡管我國化工安全生產(chǎn)形勢整體趨好，但化工安全生產(chǎn)事故依然多發(fā)[1]。從歷史事故中學習經(jīng)驗對進一步遏制事故的發(fā)生具有重要意義，然而人們往往更關(guān)注重大事故，而忽視小事故。海因里希曾在統(tǒng)計大量事故后提出著名的事故金字塔理論：傷亡、輕傷和無傷害事故的比例為1∶29∶300[2]，即1起嚴重事故背后必然有更多的小事故發(fā)生，要防止嚴重事故發(fā)生必須先減少或消除小事故，小事故同樣具有重要的研究價值[3]。在化工生產(chǎn)過程中，企業(yè)積累了大量的小型事故文本數(shù)據(jù)，但受數(shù)據(jù)量大、記錄粗糙以及相應(yīng)信息處理能力不足等因素限制，數(shù)據(jù)價值未得到充分利用，進而制約了對事故的深入研究。因此，如何從這些雜亂的事故信息中高效挖掘潛在價值，已成為亟待解決的問題。

當前針對化工事故數(shù)據(jù)應(yīng)用的研究，還主要停留在對事故類型、事發(fā)區(qū)域或時段的簡單統(tǒng)計分析方面[4]。面對復雜的事故發(fā)生機理，單一的統(tǒng)計指標不能充分描述事故的特征[5]。在此背景下，一些學者嘗試通過數(shù)據(jù)挖掘技術(shù)對事故數(shù)據(jù)進行事故分類[6]，事故聚類[5]和事故潛在關(guān)聯(lián)規(guī)則挖掘[7]等方面研究，然而這些研究大多集中于道路交通[8]和建筑施工[9]等領(lǐng)域，在化工安全生產(chǎn)事故中的應(yīng)用還相對較少。相較于數(shù)值型數(shù)據(jù)，文本數(shù)據(jù)作為事故記錄的主要形式，蘊含著事故更深入的細節(jié)，但由于結(jié)構(gòu)復雜、記錄粗糙等原因，對大量化工事故文本數(shù)據(jù)系統(tǒng)的挖掘則更為缺乏。

基于上述問題，本文引入可從大量事故文本數(shù)據(jù)中提取主題和關(guān)鍵信息的數(shù)據(jù)挖掘方法：潛在狄利克雷分配(Latent Dirichlet Allocation,LDA)主題模型和社會網(wǎng)絡(luò)分析法，以某化工企業(yè)1 578起小型事故為樣本，利用該方法進一步挖掘事故致因及其分布規(guī)律，實現(xiàn)對化工事故的更深入分析，為企業(yè)事故預防工作提供有力支持。

1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是指通過統(tǒng)計、機器學習等方法，從大量數(shù)據(jù)中挖掘?qū)ρ芯炕驔Q策具有深層價值信息的過程。

1.1 化工安全生產(chǎn)事故數(shù)據(jù)特征

目前，文本數(shù)據(jù)是各行業(yè)安全生產(chǎn)事故的最主要記錄形式之一，其中重特大事故會以事故調(diào)查報告的形式詳細剖析，然而數(shù)量上占絕大多數(shù)的輕傷或無人員傷亡的小事故往往只進行簡單的記錄，由于其記錄粗糙、數(shù)量龐大以及不被重視等原因，針對這些文本數(shù)據(jù)的挖掘還十分缺乏。以化工行業(yè)為例，化工安全生產(chǎn)事故文本數(shù)據(jù)通常是以描述性的文字對事故發(fā)生過程及原因的記錄，記錄雖然粗糙，但蘊含著事故經(jīng)過和生產(chǎn)一線工作狀況等關(guān)鍵細節(jié)，同樣具有巨大的利用價值和挖掘空間。

1.2 LDA主題模型

潛在狄利克雷分配(Latent Dirichlet Allocation，LDA)是由Blei提出的1種主題挖掘模型[10]，該模型基于一定規(guī)則從海量文本中抽取主題，并根據(jù)主題分布對文本數(shù)據(jù)進行聚類，其中主題是指文本數(shù)據(jù)所蘊含的潛在主旨或核心思想。目前，該模型已廣泛應(yīng)用于圖書情報、熱點評論主題抽取[11]等領(lǐng)域。LDA也稱為三層貝葉斯概率模型，如圖1所示，其結(jié)構(gòu)由文本、主題和詞項3部分組成，其中每個文本由一系列服從概率分布的主題構(gòu)成，主題又由一系列服從概率分布的詞項構(gòu)成[10]。

圖1 三層貝葉斯概率結(jié)構(gòu)模型Fig.1 Three-layer Bayesian probabilistic structure model

1)主題生成過程：LDA主題模型如圖2所示，圖2中主要符號含義：α,β為狄利克雷先驗參數(shù)；m表示第m個文本；θm表示文本m的主題分布；n表示文本m的詞項數(shù)；zm,n表示文本m的第n個詞項對應(yīng)的主題；wm,n表示文本m的第n詞項；φzm,n表示主題的詞項分布；K表示主題總數(shù)；M表示文本總數(shù)；k表示第k個主題；Nm表示第m篇文檔的詞項總數(shù)；Dir表示狄利克雷分布；Mult表示多項式分布。

圖2 LDA主題模型Fig.2 LDA probability model

主題詳細生成過程為[12]：

①從狄利克雷分布α中取樣生成文檔m∈(1,M)的主題分布θm，θm|α～Dir(α)；

②針對文檔m中的每個詞項wm,n，其中，n∈(1,Nm)：a.從多項式分布θm中取樣生成該詞項wm,n的主題zm,n|θm～Mult(θm)；b.從詞項分布φzm,n中取樣最終生成詞項wm,n|φzm,n～Mult(φzm,n)，其中φzm,n|β～Dir(β)。在給定參數(shù)α,β情況下，模型的聯(lián)合概率分布為：

(1)

2)參數(shù)估計：圖2中，陰影圓圈表示觀測變量，非陰影圓圈表示潛在變量，模型求解前需要對潛在變量進行估計。本文中，模型的參數(shù)估計主要基于變分推斷EM算法。其原理為：通過近似隱藏變量的后驗分布來簡化問題，通過尋求最大似然解來進行參數(shù)估計[12]。

1.3 Tf-idf算法

事故記錄中每個關(guān)鍵詞是蘊含事故信息的基本單元，考慮到一些詞頻少的關(guān)鍵詞可能攜帶更多的事故信息，因此利用Tf-idf(Term frequency-inverse document frequency)算法[13]對事故關(guān)鍵詞進行加權(quán)處理。算法原理為：一個關(guān)鍵詞在整個數(shù)據(jù)集中出現(xiàn)頻率不高，但在某起事故中多次出現(xiàn)，則認為該關(guān)鍵詞既對該起事故有很好的代表性，又對其他事故有很好的區(qū)分能力，那么此關(guān)鍵詞在該事故中具有較高的權(quán)重。通過加權(quán)處理可有效避免這些關(guān)鍵事故信息的流失。

1.4 社會網(wǎng)絡(luò)分析法

社會網(wǎng)絡(luò)分析法旨在對系統(tǒng)要素間的關(guān)系進行量化研究[14]，一個網(wǎng)絡(luò)通常由“點”和“邊”構(gòu)成，“點”表示各個要素，“邊”表示要素間的關(guān)系，“邊”的粗細程度表示關(guān)聯(lián)程度。事故致因要素間并非簡單的線性關(guān)系，而是構(gòu)成復雜的關(guān)系網(wǎng)絡(luò)，為進一步發(fā)掘事故要素間的關(guān)系，基于社會網(wǎng)絡(luò)分析法，將關(guān)鍵詞看作“點”，關(guān)鍵詞之間的關(guān)聯(lián)看作“邊”，構(gòu)建事故關(guān)鍵詞網(wǎng)絡(luò)。算法原理為：在整個事故文本數(shù)據(jù)集中，若2個關(guān)鍵詞同時出現(xiàn)在一個句子的頻率超過一定值時，則認為這2個關(guān)鍵詞有關(guān)聯(lián)，該頻率大小反映了關(guān)聯(lián)度的強弱。

2 化工事故致因挖掘流程

化工事故致因挖掘主要包括數(shù)據(jù)收集與處理、事故致因挖掘、結(jié)果可視化分析等3個主要環(huán)節(jié)，具體流程如圖3所示。

圖3 化工事故主題抽取流程Fig.3 Chemical accident theme extraction process

2.1 數(shù)據(jù)收集與處理

本研究的數(shù)據(jù)來源為國內(nèi)某大型化工集團2010—2016年期間的1 578起事故記錄，該企業(yè)為中國最具代表性的化工企業(yè)之一。企業(yè)擁有較完善的事故信息采集系統(tǒng)，1 578起事故中大多為輕傷和設(shè)備損壞事故(少量死亡、重傷事故)，記錄內(nèi)容為事故發(fā)生后第一時間對事故經(jīng)過、生產(chǎn)環(huán)境和事故原因的文字性描述，蘊含著事故發(fā)生時的關(guān)鍵細節(jié)，且所有數(shù)據(jù)的記錄形式統(tǒng)一，利于對該數(shù)據(jù)集進行系統(tǒng)地潛在規(guī)律挖掘。原始事故數(shù)據(jù)示例見表1。

表1 原始事故數(shù)據(jù)(示例)Table 1 Accident data after modification(example)

為達到模型計算的要求，同時提高模型效率及準確性，事故致因挖掘前，需將原始事故數(shù)據(jù)進行分詞、去停用詞等一系列處理：

1)分詞處理：Jieba分詞包是1個基于python實現(xiàn)的分詞工具，借助該工具對事故文本數(shù)據(jù)進行分詞處理。由于要分析數(shù)據(jù)的背景為化工事故，為了避免分詞過程中無法識別某些化工或安全專業(yè)名詞的情況，結(jié)合化工企業(yè)相關(guān)規(guī)范，制定了適用于化工安全事故分析的輔助字典，見表2。

表2 化工安全專業(yè)領(lǐng)域字典(部分)Table 2 Chemical safety professional domain dictionary (partial)

2)去停用詞：事故記錄中存在許多對事故分析無意義的詞項，為提高模型效率，將這些詞項加入停用詞表，并將其過濾，即去停用詞處理。

2.2 事故致因挖掘

通過對原始數(shù)據(jù)處理，得到適合模型計算的1 578起事故數(shù)據(jù)?；赑ython編程語言，利用前文所介紹的LDA主題模型、Tf-idf算法以及社會網(wǎng)絡(luò)分析法，對1 578起事故數(shù)據(jù)進行事故致因主題抽取、關(guān)鍵詞加權(quán)以及建立關(guān)鍵詞關(guān)系網(wǎng)絡(luò)等工作。其具體流程如圖3中②部分所示。

2.3 結(jié)果可視化分析

為幫助企業(yè)管理者更直觀地了解企業(yè)安全狀況及事故致因分布規(guī)律，將事故關(guān)鍵詞關(guān)聯(lián)規(guī)則、事故致因主題分布等抽象結(jié)果以文字—圖像交互的形式展現(xiàn)出來，利用Gephi等可視化工具，繪制事故關(guān)鍵詞關(guān)系網(wǎng)絡(luò)、事故致因主題分布圖等可視化結(jié)果。

3 結(jié)果及分析

3.1 事故關(guān)鍵詞權(quán)重矩陣

事故記錄中每個關(guān)鍵詞所蘊含信息的重要程度不同，因此利用Tf-idf算法，建立文檔—關(guān)鍵詞權(quán)重矩陣，見表3。矩陣中的權(quán)重代表了關(guān)鍵詞在事故中的重要程度，權(quán)重越高重要度越高。例如，事故‘3’中，關(guān)鍵詞“不慎”的權(quán)重較高，說明注意力問題可能是導致該事故發(fā)生的主要原因。

3.2 事故關(guān)鍵詞關(guān)系網(wǎng)絡(luò)

基于社會網(wǎng)絡(luò)分析法，利用Gephi軟件繪制關(guān)鍵詞關(guān)系網(wǎng)絡(luò)圖，如圖4所示。整個事故集中，重要度越高的關(guān)鍵詞，越靠近關(guān)系網(wǎng)絡(luò)的中心位置，且關(guān)鍵詞標簽越大。相關(guān)的關(guān)鍵詞由直線相連，直線的粗細則代表了關(guān)聯(lián)程度的大小。由圖4可知，“操作”、“檢查”、“設(shè)備”等關(guān)鍵詞位于整個關(guān)系網(wǎng)絡(luò)的樞紐，尤其是“操作”，位于關(guān)系網(wǎng)絡(luò)的最中心，說明不安全操作仍是事故預防工作中需重點防范的對象。

表3 關(guān)鍵詞權(quán)重矩陣(部分)Table 3 Keyword weight matrix (partial)

圖4 關(guān)鍵詞關(guān)系網(wǎng)絡(luò)Fig.4 Keywords Telational network

3.3 事故致因主題結(jié)果分析

1)主題數(shù)確定

本文采用困惑度指標[15]來確定主題數(shù)目，困惑度指標越小說明建模能力越好，則主題數(shù)目為最優(yōu)，計算公式為：

(2)

式中：perplexity表示困惑度；m表示第m篇文檔；P(wm)表示第m篇文檔每個單詞的概率；Nm表示第m篇文檔的詞項總數(shù)。困惑度隨主題數(shù)目變化時的曲線如圖5所示，從圖5中可以看出，當主題數(shù)為5時，困惑度指標曲線處于低谷，此時模型效果最優(yōu)，因此將主題數(shù)確定為5個。

圖5 困惑度指標Fig.5 Perplexityindicator

2)事故致因主題抽取結(jié)果

事故致因主題抽取結(jié)果見表4，通過主題模型求解，得到事故致因主題和關(guān)鍵詞，并分析每個主題關(guān)鍵詞之間的關(guān)系得到事故致因總結(jié)。其中，事故致因主題揭示了造成事故發(fā)生的主要原因類別，主題關(guān)鍵詞反映了導致事故發(fā)生的關(guān)鍵細節(jié)，事故致因總結(jié)則是根據(jù)關(guān)鍵詞對主題進一步細分為若干致因。

運用可視化工具pyLDAvis，繪制事故致因主題分布圖，如圖6所示。圖6中左側(cè)，圓圈代表不同的主題，主題標號與表4中相對應(yīng)，圓圈大小代表了每個主題包含的事故數(shù)量，圓圈之間的距離代表了主題之間的關(guān)聯(lián)程度。圖右側(cè)為頻率最高的30個關(guān)鍵詞列表。由圖6可知，主題①數(shù)量最多，主題①，②距離接近且有重合部分，說明相關(guān)性較強，主題④，⑤則數(shù)量最少。

對各事故致因主題具體分析如下:

表4 主題抽取結(jié)果Table 4 Topic extraction results

圖6 主題分布可視化Fig.6 Theme distribution visualization

1)員工注意力主題。由表4可知，在員工注意力主題方面，導致事故發(fā)生的主要表現(xiàn)為：在車間、樓梯等危險性較高區(qū)域，由于員工警惕性不強或注意力不集中而導致了事故發(fā)生。關(guān)鍵詞“休息”反映出，休息不足或疲勞是造成注意力不集中的重要原因，“車間”“樓梯”則是員工在注意力不集中時事故高發(fā)的區(qū)域。在圖4關(guān)鍵詞網(wǎng)絡(luò)中，該主題關(guān)鍵詞處于中心位置，說明在關(guān)系網(wǎng)絡(luò)中具有較高重要度。由圖6可以看出，主題①數(shù)量最多，且與主題②有較高相關(guān)性。因此，從數(shù)量角度看，員工注意力不集中是造成事故發(fā)生的重要原因；從相關(guān)性角度看，員工注意力問題與作業(yè)現(xiàn)場風險管理問題之間存在較強關(guān)聯(lián)。

2)作業(yè)現(xiàn)場風險管理主題。作業(yè)現(xiàn)場安全檢查不到位、安全防護缺失、維修不及時以及未識別風險是作業(yè)現(xiàn)場風險管理主題的主要表現(xiàn)。由圖4和圖6可知，該主題在分布和數(shù)量上都與主題①較為相似，說明作業(yè)現(xiàn)場風險管理不足也是造成事故發(fā)生的重要原因之一，且與主題①具有一定關(guān)聯(lián)性。因此，可以啟發(fā)管理者在事故預防工作中，關(guān)注并切斷2致因主題之間的某些關(guān)聯(lián)要素，以提高預防工作的效果。例如，通過完善作業(yè)現(xiàn)場的風險管理，降低“車間”、“工作現(xiàn)場”的不安全狀態(tài)，進而提高生產(chǎn)系統(tǒng)的容錯率。

3)設(shè)備主題。設(shè)備主題由設(shè)備檢查與維修、設(shè)備故障和變更管理等問題組成。通過對主題關(guān)鍵詞分析，“檢查”“維修”“巡檢”等關(guān)鍵詞突出的是設(shè)備維護不足問題，這就導致設(shè)備的不安全狀態(tài)得不到及時發(fā)現(xiàn)和消除，從而產(chǎn)生安全隱患；“更換”等關(guān)鍵詞則說明企業(yè)在變更管理工作中存在缺陷，未能消除由于設(shè)備變更而引起的事故隱患。由圖6可知，該主題數(shù)量較多，也是導致事故發(fā)生的主要原因之一。

4)制度主題。從制度主題的關(guān)鍵詞可以看出，主題主要由制度不完善、制度制定與實施、施工人員對制度不遵守等問題組成。從主題分布圖中可知，相較于前3個主題，該主題數(shù)量明顯較少，且與其他主題的相關(guān)性較弱。但制度本身是較為抽象的概念，往往在事故記錄中難以直接體現(xiàn)，盡管如此，制度主題依然是5個事故致因主題之一，足以說明安全制度或管理體系問題的嚴峻性和重要性。

5)化學物質(zhì)及工藝主題。上述4個致因主題都涉及到人因或組織缺陷，主題⑤則更加側(cè)重于化學物質(zhì)或工藝過程中本身的性質(zhì)和反應(yīng)。從主題關(guān)鍵詞推斷，“導熱油”、“聚苯醚”等化學物質(zhì)和“換熱”、“蒸發(fā)”、“催化反應(yīng)”等工藝過程中釋放的能量是造成人員傷害及裝置破壞的主要致因。因此，企業(yè)應(yīng)在適當區(qū)域設(shè)立防護設(shè)施以減輕該類事故對工人及設(shè)備造成的危害。

通過聚類結(jié)果可以看出，5個主題中，4個涉及到人因或組織層面的缺陷，并占據(jù)事故致因絕大多數(shù)比重，說明事故預防的重點應(yīng)放在改善人員安全素養(yǎng)和安全管理體系建設(shè)等方面。

4 結(jié)論

1)通過LDA主題模型、社會網(wǎng)絡(luò)分析法等數(shù)據(jù)挖掘技術(shù)，以某化工企業(yè)2010—2016年文本類型事故數(shù)據(jù)為樣本，通過挖掘關(guān)鍵詞權(quán)重、事故構(gòu)成要素關(guān)聯(lián)關(guān)系、事故致因主題等潛在信息，實現(xiàn)了對該類事故數(shù)據(jù)的進一步識別與認識。

2)通過LDA主題模型抽取到的5個主題分別為員工注意力主題、作業(yè)現(xiàn)場風險管理主題、設(shè)備主題、制度主題、化學物質(zhì)及工藝主題。分析聚類結(jié)果可知，員工注意力不集中、現(xiàn)場風險管理不足、設(shè)備檢修不及時是導致事故發(fā)生的最主要原因，且員工注意力和現(xiàn)場風險管理之間存在較強關(guān)聯(lián)性；人因和組織結(jié)構(gòu)缺陷是導致大量事故發(fā)生的根本原因。

3)本文數(shù)據(jù)來源為單一化工企業(yè)，研究結(jié)果對化工行業(yè)具有一定參考價值，同時為其他行業(yè)事故文本數(shù)據(jù)挖掘提供了思路，但更系統(tǒng)的事故致因挖掘分析需要更全面的數(shù)據(jù)支撐。