面向非均衡文本信息的企業(yè)生產(chǎn)安全氛圍智能感知模型

謝漢青,邱少輝，王寓霖*，張 燦,李 帆，段在鵬

(1.中鋁東南材料院(福建)科技有限公司，福建 福州 350015；2.中鋁瑞閩股份有限公司，福建 福州 350015；3.福州大學(xué)環(huán)境與安全工程學(xué)院，福建 福州 350108)

良好的企業(yè)生產(chǎn)安全管理是企業(yè)正常安全生產(chǎn)的重要保障，企業(yè)安全生產(chǎn)管理相關(guān)研究常集中于事故致因理論[1]、事故防控模式[2]、事故分析模型[3]等領(lǐng)域。近年企業(yè)安全生產(chǎn)管理研究尤其注重人因管理[4]，其相關(guān)研究開始集中于安全文化[5]、安全氛圍[6]、安全行為[7-8]等領(lǐng)域，其中安全氛圍以其涵蓋范圍廣、形式新穎等特點成為企業(yè)安全生產(chǎn)管理研究的熱點。1980年，Zohar[9]首次用安全氛圍表示安全文化，可見安全氛圍和安全文化在某種程度上是相似的，都反映了班組和企業(yè)的一種潛在的文化狀態(tài)；同年,Zohar提出了安全氛圍的定義，稱其為“組織內(nèi)員工共享的對于具有風(fēng)險的工作環(huán)境的認(rèn)知”[10]。之后，國內(nèi)外學(xué)者對安全氛圍的定義也都與此類似，如Alistair等[11]提出安全氛圍包括員工對安全問題的態(tài)度，對員工參與處理安全問題的評價等因素；張江石等[12]提出組織和群體對安全問題的認(rèn)識構(gòu)成了安全氛圍，并進(jìn)一步建立了72個安全氛圍的指標(biāo)要素和構(gòu)成模型；施妃霞等[13]研究了機(jī)場安全氛圍與機(jī)場員工安全行為之間的關(guān)系；Zohar[14]在其研究中指出，在安全氛圍較差的企業(yè)或組織中，員工更容易出現(xiàn)違章操作等不安全行為；Probst等[15]研究指出，安全氛圍對工作場所中存在的安全風(fēng)險具有預(yù)測性，營造良好的安全氛圍能夠降低生產(chǎn)事故的發(fā)生，從而提高企業(yè)安全業(yè)績；邱東陽等[16]利用文獻(xiàn)計量法梳理了安全氛圍領(lǐng)域總體發(fā)展現(xiàn)狀及研究熱點；Le等[17]研究了工會會員與美國成年工人對安全氛圍看法之間的關(guān)聯(lián)。

縱觀國內(nèi)外對安全氛圍的研究發(fā)現(xiàn)，其研究方法大部分是基于人工統(tǒng)計調(diào)查，采用人工處理大量文本信息，具有主觀性較強(qiáng)、容易漏查某些關(guān)鍵信息等缺陷，并且傳統(tǒng)有關(guān)安全氛圍的研究停留在簡單的定性判斷，僅有少量的定量數(shù)據(jù)分析，缺少實際的應(yīng)用價值。隨著科技的飛速發(fā)展，傳統(tǒng)的分析方法現(xiàn)今已不能滿足安全氛圍領(lǐng)域的統(tǒng)籌研究。

智能化文本挖掘是由計算機(jī)自動提取文本特征,依據(jù)一定的算法，將文本按內(nèi)容或?qū)傩詺w到一個或多個類別的過程[18]。文本分類技術(shù)能夠充分挖掘文本知識，其中很重要的一個步驟就是分類模型的選擇和構(gòu)建。目前已有許多機(jī)器學(xué)習(xí)方法被應(yīng)用到文本分類中，主要有SVM[19-20]、DT[21]、KNN[22-23]、Adaboost[24-25]等方法，如樊興華等[26]利用樸素貝葉斯提出了一種新的高效的文本分類技術(shù)。文本分類的應(yīng)用研究也十分廣泛，如劉昭等[27]提出了一種基于社交網(wǎng)絡(luò)數(shù)據(jù)的交通突發(fā)事件識別方法；薛楠楠等[28]利用文本挖掘方法研究了建筑工人的不安全行為，驗證了文本挖掘和因素分級結(jié)果的實用性和合理性；葛繼科等[29]針對火災(zāi)文本中各類別分布不均衡的特點,提出了一種基于改進(jìn)樸素貝葉斯的文本分類算法,用于對其進(jìn)行相對準(zhǔn)確的分類。但是，目前對于企業(yè)生產(chǎn)安全氛圍文本信息分類的應(yīng)用研究較少，且?guī)缀跷匆娭悄芨兄Ｐ驮谄髽I(yè)安全氛圍研究方面的應(yīng)用。然而大量研究表明，安全氛圍對改進(jìn)企業(yè)員工的不安全行為有積極的作用，而智能化方法能夠充分利用企業(yè)安全生產(chǎn)過程中產(chǎn)生的安全檢查數(shù)據(jù)來對企業(yè)生產(chǎn)安全氛圍的文本信息進(jìn)行挖掘，因此智能化挖掘企業(yè)生產(chǎn)安全氛圍文本信息，全面開展企業(yè)生產(chǎn)安全決策十分必要。

海因里希法則說明了在機(jī)械事故中，死亡或重傷、輕傷或故障以及無傷害事故數(shù)量的比例接近1∶29∶300。對于不同的生產(chǎn)過程，不同類型的事故，上述比例關(guān)系不一定完全相同，但這個統(tǒng)計規(guī)律說明了在進(jìn)行同一項生產(chǎn)活動時，無數(shù)次意外事件必然會導(dǎo)致重大傷亡事故的發(fā)生。而在實際的企業(yè)安全生產(chǎn)活動中，事故程度明顯存在不平衡現(xiàn)象，相應(yīng)產(chǎn)生的安全檢查數(shù)據(jù)也為非均衡的樣本數(shù)據(jù)。在智能感知模型的研究中，不均衡的樣本數(shù)據(jù)會使學(xué)習(xí)模型產(chǎn)生偏差，所占比例較大的類可能導(dǎo)致在模型訓(xùn)練中出現(xiàn)過擬合現(xiàn)象，智能感知模型訓(xùn)練需在均衡數(shù)據(jù)的基礎(chǔ)上開展。因此，需要利用類SMOET算法對非均衡的樣本數(shù)據(jù)進(jìn)行均衡化處理。為此，本文提出了一種面向非均衡文本信息的企業(yè)生產(chǎn)安全智能感知方法，該方法利用機(jī)器學(xué)習(xí)算法和自然語言處理技術(shù)充分挖掘企業(yè)生產(chǎn)安全氛圍文本信息。首先對原始文本數(shù)據(jù)進(jìn)行停用詞和分詞處理；然后構(gòu)建了“類SMOTE”算法生成少數(shù)類樣本，用于解決文本數(shù)據(jù)不均衡問題，并利用基于隱含狄利克雷分布(LDA)主題模型提取樣本主題；最后使用多種算法構(gòu)建文本分類器，實現(xiàn)了安全氛圍主題辨識和安全氛圍等級預(yù)測，進(jìn)而智能感知企業(yè)的生產(chǎn)安全現(xiàn)狀。

1 企業(yè)生產(chǎn)安全氛圍文本信息預(yù)處理

在收集歸納企業(yè)的生產(chǎn)安全氛圍文本信息時，由于企業(yè)文本數(shù)據(jù)量較大，采用文本分類技術(shù)對其進(jìn)行科學(xué)的組織和管理顯得尤為重要。在實證研究過程中，基于東南某有色金屬加工企業(yè)的安全管理信息系統(tǒng)(Safety Management Information System，SMIS)，收集了2015—2019年該企業(yè)生產(chǎn)全過程共126 009條安全生產(chǎn)文本信息，依據(jù)文本信息對企業(yè)生產(chǎn)安全氛圍現(xiàn)狀進(jìn)行計分。本研究中原始文本數(shù)據(jù)與軟件的連接方式(數(shù)據(jù)輸入方式)為：首先基于企業(yè)SMIS系統(tǒng)導(dǎo)出數(shù)據(jù)表，并將表格轉(zhuǎn)為CSV格式；然后基于Python開源工具包pandas中的 read_csv()函數(shù)將原始文本數(shù)據(jù)輸入至編程軟件，輸入軟件的文本數(shù)據(jù)經(jīng)后續(xù)切分詞、停用詞清洗等處理后，進(jìn)行初步統(tǒng)計并輸入相關(guān)模型。企業(yè)原始文本數(shù)據(jù)包括員工、所在組織、隱患描述、計分、記錄時間等信息，在對企業(yè)生產(chǎn)安全氛圍文本信息進(jìn)行分析時，主要依據(jù)隱患描述和計分兩大項。其中，計分等級[30]是安全相關(guān)領(lǐng)域?qū)＜液驮撈髽I(yè)安全管理人員結(jié)合該企業(yè)實際情況制定，并經(jīng)過多年管理實踐不斷修正得出的，代表的是對安全獎懲行為的不同劃分狀況，具有通用意義?；谥卣故酒髽I(yè)典型危險源或危險場所和優(yōu)先考慮出現(xiàn)頻率最高計分項兩方面，篩選出示例數(shù)據(jù)如表1所示。

表1 企業(yè)生產(chǎn)安全氛圍文本相關(guān)信息

表1中選取的為行車、鑄造機(jī)、污水站、磨床等企業(yè)典型危險源或危險場所的數(shù)據(jù)；從“計分”項來看，表1中所列數(shù)據(jù)包含0.1、0.2、0.3三類計分項數(shù)據(jù)量占所有計分項(7項)數(shù)據(jù)量的94.8%。

由于文本信息大部分沒有明確的記錄標(biāo)準(zhǔn)，通過預(yù)處理可以去掉無用信息，降低模型噪音，因此對文本信息進(jìn)行預(yù)處理非常必要。該企業(yè)生產(chǎn)安全氛圍文本信息長度較短，同時夾雜著數(shù)字、字母以及符號、空格等不同格式信息，這要求在文本信息分析時需要對文本信息進(jìn)行預(yù)處理。企業(yè)生產(chǎn)安全氛圍文本信息預(yù)處理流程，如圖1所示。對收集到的文本信息進(jìn)行預(yù)處理包括：去除文本空格、去除文本中的符號、運用jieba分詞器(Python生態(tài)系統(tǒng)中的中文分詞庫類)對文本進(jìn)行分詞。查看分詞結(jié)果，如果對特定或者專業(yè)的詞匯處理效果不佳，可以利用jieba中的suggest_freq(動態(tài)修改詞頻)對其進(jìn)行定義劃分，重新調(diào)整和完善相關(guān)詞匯，接著去除停用詞，最后得到模型訓(xùn)練的文本信息。

圖1 企業(yè)生產(chǎn)安全氛圍文本信息預(yù)處理流程圖

導(dǎo)入文本數(shù)據(jù)，經(jīng)過文本信息預(yù)處理后，統(tǒng)計得出分詞后的前10個分詞頻率的柱狀圖，見圖2。

圖2 企業(yè)生產(chǎn)安全氛圍文本信息詞頻統(tǒng)計柱狀圖

由圖2可知，該企業(yè)生產(chǎn)安全重要隱患主要是人員因素，如“鉗工”，因此該企業(yè)要注重人員管理，可以從加強(qiáng)人員的安全培訓(xùn)教育、規(guī)范人員的操作流程、制定完善的安全制度措施、做好安全防護(hù)工作等方面不斷完善；物的因素主要包括“行車”等，因此該企業(yè)要提高操作人員的專業(yè)素養(yǎng)，注意行車安全，制定好專門的行車路線和行車通道，重點關(guān)注鉗工作業(yè)的生產(chǎn)安全。

2 基于“類SMOTE”算法的企業(yè)生產(chǎn)安全氛圍非均衡文本處理

現(xiàn)有文本大部分是非均衡樣本，即在分類問題中，不同類別的樣本數(shù)不相稱或數(shù)量級相差較大。非均衡樣本可能導(dǎo)致企業(yè)安全氛圍等級預(yù)測模型訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象。

對收集到的該企業(yè)生產(chǎn)安全氛圍文本數(shù)據(jù)按分值和字段長度進(jìn)行分類數(shù)量統(tǒng)計，其統(tǒng)計結(jié)果見表2。

表2 企業(yè)生產(chǎn)安全氛圍原始文本字段統(tǒng)計結(jié)果

由表2可知：文本計分中95%都為正向得分，表明該企業(yè)生產(chǎn)安全氛圍狀況良好；另外也可發(fā)現(xiàn)文本計分類別主要集中在0.1、0.2、0.3三大類，計分類別為0.1的文本信息最多，達(dá)到46 414條，即該樣本為顯著的非均衡樣本，如果直接對該非均衡樣本進(jìn)行訓(xùn)練分析，則易產(chǎn)生過擬合現(xiàn)象，會降低少類樣本的靈敏性[31-32]。

現(xiàn)有解決非均衡樣本的方法主要有合成少數(shù)類過采樣技術(shù)(Synthetic Minority Oversampling Technique,SMOTE)，SMOTE算法是隨機(jī)過采樣算法的一種改進(jìn)方案[32-33],其基本思想是對少數(shù)類樣本進(jìn)行分析,并根據(jù)少數(shù)類樣本人工合成新樣本添加到數(shù)據(jù)集中。該算法主要用于不均衡數(shù)據(jù)的處理,其結(jié)果是產(chǎn)生了少數(shù)類中的部分?jǐn)?shù)據(jù)，這個過程是在少數(shù)類全部樣本T中，找到樣本Xi的K個近鄰，然后在K個近鄰中隨機(jī)選擇一個樣本Xi(n)再生成一個0到1之間的隨機(jī)數(shù)δj,從而合成一個新樣本Xij:

Xij=Xi+δj·[Xi(n)-Xi]

(1)

SMOTE算法的優(yōu)點在于其能夠有效消除樣本不均衡性，解決多數(shù)類樣本的存在對模型結(jié)果的影響；但該算法的樣本生成策略導(dǎo)致其只能處理“數(shù)值”型樣本，無法處理非均衡文本信息。非均衡文本信息根據(jù)SMOTE算法思想[34-35]，可設(shè)計“類SMOTE”算法來消除文本數(shù)據(jù)中的不均衡性，該算法對于非均衡文本信息處理方式，其相關(guān)的思路具體如下：

(2) 統(tǒng)計原始文本分詞長度分布比例，即將文本分詞長度人為劃分為40n(n是正整數(shù))比例，統(tǒng)計各類別中文本長度分詞比例R。

(3) 對于每一個少數(shù)類文本，依據(jù)該類別中文本的分詞頻率即取詞概率N，選擇若干個樣本詞，構(gòu)建新的文本。將分類類別文本數(shù)據(jù)量最大記為P，少數(shù)類別中原始文本數(shù)量為S，新生成文本長度D=P-S，使得S+D總文本數(shù)量中各文本長度分詞比例仍為R。

依據(jù)上述“類SMOTE”算法思路，對實例中的非均衡原始文本信息進(jìn)行處理，生成的新文本數(shù)據(jù)量統(tǒng)計結(jié)果，見表3。

表3 企業(yè)生產(chǎn)安全氛圍文本信息數(shù)量對比

由表3可知，新的總文本數(shù)量達(dá)324 213條，各計分類別的文本數(shù)據(jù)量基本實現(xiàn)平衡，有助于實現(xiàn)后續(xù)模型擬合。同時，該文本數(shù)據(jù)量的生成也為非均衡文本數(shù)據(jù)處理提供了新的思路。

3 基于隱含狄利克雷分布的企業(yè)生產(chǎn)安全氛圍主題辨識

在文本數(shù)據(jù)量較大的情況下，傳統(tǒng)人工處理方法難以對文本信息有一個整體的認(rèn)知。為了高效獲得文本主旨信息，快速找到每個分類文檔中的主題分布和每一個主題中詞的分布，本文利用隱含狄利克雷分布(Latent Dirichlet Allocation，LDA)方法對企業(yè)生產(chǎn)安全氛圍主題進(jìn)行辨識。LDA主題模型是一種無監(jiān)督學(xué)習(xí)，通過將文檔中的詞進(jìn)行分頻統(tǒng)計，得出規(guī)定數(shù)量的主題，并能夠計算出每個主題、每個主題上詞的概率分布，其在文本識別、文檔分類等自然語言處理場景中常有應(yīng)用。在LDA主題模型中，首先指定一個主題數(shù)目K，之后所有的主題分布就都基于K個主題展開。具體基于LDA主題模型的文本信息分類統(tǒng)計圖，見圖3。

圖3 基于LDA主題模型的文本信息分類統(tǒng)計圖

基于LDA主題模型的文本信息主題識別具體步驟如下：

(1) 按照概率P(di)選中一篇文檔di;

(2) 從Dirichlet分布α中抽樣生成文檔di的主題分布θm;

(3) 從主題分布θm中抽取文檔di第j個詞的主題Zm,n;

(4) 從Dirichlet分布β中抽樣生成主題Zm,n對應(yīng)的詞分布φk;

(5) 從詞分布φk中抽樣生成詞Wm,n.

根據(jù)上述分成7類的安全文本利用LDA主題模型對其進(jìn)行主題分析，分詞統(tǒng)計結(jié)果見表4。

表4 基于LDA主題模型的分詞統(tǒng)計結(jié)果

為了找到文本各類別之間主題分布情況，利用LDA主題模型對各類別文本主題進(jìn)行分析，得到各分類文本主題內(nèi)容，見表5。

表5 各分類文本主題內(nèi)容統(tǒng)計

由表5可以看出：

(1) 將文本主題進(jìn)行分類，負(fù)值-1和-0.5計分類別中“行車”所占比重最高，推測行車安全是該企業(yè)生產(chǎn)安全重點；違規(guī)操作也是企業(yè)安全隱患中的一環(huán)；同時，分析發(fā)現(xiàn)在生產(chǎn)過程中可能存在由于手機(jī)的使用，導(dǎo)致安全隱患和事故發(fā)生，故在后續(xù)的安全管理過程中，需進(jìn)一步改進(jìn)。

(2) 由正向計分類別分析得出，“發(fā)現(xiàn)”一詞權(quán)重較大，表明該企業(yè)對發(fā)現(xiàn)相關(guān)安全隱患事件存在相關(guān)的控制措施；同時，安全工作的重點在于人和機(jī)器狀態(tài)的管控。

4 基于機(jī)器學(xué)習(xí)算法的企業(yè)生產(chǎn)安全氛圍智能感知模型

以上著重對企業(yè)生產(chǎn)安全氛圍感知中的主題識別方面進(jìn)行了探究，下面將對企業(yè)生產(chǎn)安全氛圍感知中的安全氛圍等級預(yù)測進(jìn)行研究。本研究先將原始數(shù)據(jù)輸入至編譯軟件中后，利用“類SMOTE”方法生成少數(shù)類別的新文本信息，與原始文本信息一起隨機(jī)組合，一起作為總文本信息；然后對總文本信息進(jìn)行清洗后，使用LDA主題模型通過將單個詞作為輸入，將其傳遞給該詞獨有的單個線性隱藏層，并使用softmax激活層預(yù)測該詞上下文的其他詞，從而獲取該詞的分布式表示，也就是詞向量；最后將數(shù)據(jù)劃分為70%的訓(xùn)練集和30%的測試集，進(jìn)行建模和分析。

不同的分類算法對不同數(shù)據(jù)的敏感程度不同，需要訓(xùn)練分類算法進(jìn)行擇優(yōu)。為了尋找最合適的分類預(yù)測器，對多種分類算法進(jìn)行了相關(guān)模擬，本文選用了多種回歸模型，既有基于線性模型、適用于線性數(shù)據(jù)的經(jīng)典分類器，也有基于圖論、不易過擬合、適用于低相關(guān)度數(shù)據(jù)的分類器，能夠兼顧絕大多數(shù)的數(shù)據(jù)類型；同時，選用的基于3種不同原理的集成模型能夠?qū)⒉煌膯畏诸惼鬟M(jìn)行綜合，可提高最終的預(yù)測精度，有利于找到適合該類樣本的分類預(yù)測模型。

為了對模型預(yù)測效果進(jìn)行有效評估，利用不同分類算法模型訓(xùn)練得出各類別文本的F1-Score值分布圖和不同分類算法模型訓(xùn)練的總體預(yù)測精度圖，見圖4和圖5。

圖4 不同分類算法模型訓(xùn)練的各類別文本F1-Score值分布圖

圖5 不同分類算法模型訓(xùn)練的總體預(yù)測精度圖

由圖4和圖5可知：F1-Score值分布圖顯示出投票法和貝葉斯模型對收集的文本數(shù)據(jù)訓(xùn)練效果的擬合度較好，總體預(yù)測精度達(dá)到了0.78，但是投票法模型訓(xùn)練得到的各類別文本F1-Score值分布總體表現(xiàn)更好，說明模型更加穩(wěn)定，但對訓(xùn)練得到0.1計分類別的分類效果欠佳，可利用處理后新生成的文本數(shù)據(jù)，通過多種分類算法模型對獲得的數(shù)據(jù)集進(jìn)行模擬分類；單分類器K近鄰模型對文本數(shù)據(jù)模擬得到整體預(yù)測精度為0.31，模型的擬合效果精度不理想，整體的召回率也偏低，不適合對大量文本數(shù)據(jù)進(jìn)行擬合。

總結(jié)上述文本信息處理和分析，得出面向非均衡文本信息的企業(yè)生產(chǎn)安全氛圍智能預(yù)測表，見表6。

表6 面向非均衡文本信息的企業(yè)生產(chǎn)安全氛圍智能預(yù)測表

由表6可知，面向非均衡文本信息的企業(yè)生產(chǎn)安全氛圍智能預(yù)測，經(jīng)過文本信息的分析和處理，通過輸入相關(guān)文本就可以智能預(yù)測輸出主題，并科學(xué)預(yù)測出相關(guān)文本的等級分類，有利于企業(yè)科學(xué)化安全分析及管理。

5 結(jié) 論

(1) 利用分詞統(tǒng)計所研究的有色金屬加工企業(yè)生產(chǎn)安全氛圍文本信息,結(jié)果發(fā)現(xiàn)該企業(yè)生產(chǎn)安全重要隱患主要是人員因素，對該企業(yè)而言，在收集到的企業(yè)生產(chǎn)安全文本數(shù)據(jù)中，機(jī)械安全如行車是生產(chǎn)安全需要重點關(guān)注的環(huán)節(jié)，同時對于特種作業(yè)員工包括“鉗工”等需重點關(guān)注其作業(yè)的生產(chǎn)安全，規(guī)范相關(guān)操作流程，加強(qiáng)生產(chǎn)安全監(jiān)督及管理，落實生產(chǎn)安全責(zé)任制。

(2) 借鑒SMOTE算法思想，提出“類SMOTE”算法用于解決非均衡文本信息問題。該方法利用文本分詞統(tǒng)計分詞頻率，以詞頻作為隨機(jī)概率值進(jìn)行取詞，按照原始文本分詞長度比例生成新的文本，并根據(jù)文本分類分詞結(jié)果中不平衡比例設(shè)置采樣比例。對于每一個少數(shù)類文本，利用該類別的分詞頻率，依據(jù)一定的采樣比例，可構(gòu)建新的文本。該方法的提出，為不均衡文本信息的處理提供了一種新的解決辦法，為文本采樣提供了新思路。

(3) 通過LDA主題模型可對所研究的有色金屬加工企業(yè)生產(chǎn)安全氛圍主題進(jìn)行辨識。根據(jù)收集的文本信息資料顯示：正向計分類別劃分主題突顯的是及時發(fā)現(xiàn)安全隱患，重點是人的不安全行為，包括人員違規(guī)使用通訊設(shè)備手機(jī)、“鉗工”等因素；負(fù)向計分類別劃分主題突顯的是現(xiàn)場物的不安全狀態(tài)，包括“叉車”“卷材”等。

(4) 通過多種算法模型對新生成文本與原始文本構(gòu)成的組合文本數(shù)據(jù)集進(jìn)行訓(xùn)練，結(jié)果發(fā)現(xiàn)投票法模型的訓(xùn)練效果在該案例中表現(xiàn)最優(yōu)，達(dá)到78%的預(yù)測精度，貝葉斯模型雖然預(yù)測精度與投票法模型一樣，但貝葉斯模型的魯棒性稍次于投票法模型；其次是堆疊法模型和邏輯回歸模型預(yù)測精度達(dá)到0.76。在后續(xù)的研究過程中可以進(jìn)一步探討文本分類模型差異的原理，有針對性地進(jìn)一步提高模型的擬合度。