馬明煥，王新浩，許曉輝，羅 云，楊 凌

( 1.國(guó)網(wǎng)吉林省電力有限公司，吉林 長(zhǎng)春 130000；2.中國(guó)地質(zhì)大學(xué)(北京) 工程技術(shù)學(xué)院，北京 100083；3.國(guó)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(shí)現(xiàn)安全生產(chǎn)超前預(yù)防的主要措施途徑，對(duì)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(tái)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(chǔ)[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(duì)數(shù)據(jù)的有效利用。收集存儲(chǔ)能力增強(qiáng)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(jià)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(zhǎng)效機(jī)制完善和排治措施優(yōu)化3個(gè)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(duì)煤礦[8]、石化[9]、地鐵[10]等領(lǐng)域的風(fēng)險(xiǎn)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(jì)數(shù)方式挖掘頻繁項(xiàng)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(shí)序的隱患數(shù)據(jù)置于同一數(shù)據(jù)集，忽視對(duì)關(guān)聯(lián)規(guī)則變化趨勢(shì)的分析，不符合隱患動(dòng)態(tài)變化的特點(diǎn)。基于上述分析，本文應(yīng)用并優(yōu)化數(shù)據(jù)流滑動(dòng)窗模型、等價(jià)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(duì)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(píng)價(jià)及反饋4個(gè)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(jià)類變換算法和隱患變化模式3項(xiàng)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(shí)時(shí)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(duì)性隱患排查治理；最后，對(duì)預(yù)警準(zhǔn)確率、關(guān)鍵隱患出現(xiàn)頻率等情況進(jìn)行評(píng)估反饋，以此調(diào)節(jié)數(shù)據(jù)窗口長(zhǎng)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(shí)間點(diǎn)，I表示實(shí)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(gè)時(shí)間長(zhǎng)度，如1季度、1 a等；t為觀測(cè)時(shí)刻；則稱W[t-T:t]為數(shù)據(jù)流S上的1個(gè)時(shí)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(dòng)，故稱其為滑動(dòng)窗口。

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

1.2 加權(quán)等價(jià)類變換算法

等價(jià)類變換算法[13]是采用垂直數(shù)據(jù)格式挖掘頻繁項(xiàng)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(jià)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(dú)立產(chǎn)生頻繁項(xiàng)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(diǎn)，在等價(jià)類變換算法的基礎(chǔ)上，引入隱患權(quán)重概念，設(shè)計(jì)加權(quán)等價(jià)類變化算法，改變傳統(tǒng)的支持度計(jì)算方式；通過對(duì)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(duì)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(duì)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(dòng)集合I={Ix,Iy,…,Iz}，其中Ix={ha,hb,…,hn}為1次隱患排查活動(dòng)，ha,hb,…,hn為此次隱患排查活動(dòng)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(jià)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(yùn)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(jì)算方式發(fā)生變化。因此，需驗(yàn)證該性質(zhì)是否仍然成立，即證明：X與Y為2個(gè)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(jià)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(yùn)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(shí)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(duì)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(shí)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(shí)踐分析，上述企業(yè)在2013年進(jìn)行了3個(gè)階段的安全生產(chǎn)標(biāo)準(zhǔn)化評(píng)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(píng)分標(biāo)準(zhǔn)，對(duì)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(jì)算權(quán)重對(duì)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(xiàng)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(diǎn)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(diǎn)與連線。關(guān)聯(lián)規(guī)則就是發(fā)現(xiàn)點(diǎn)與點(diǎn)之間的關(guān)系，根據(jù)已知點(diǎn)找到其他關(guān)聯(lián)點(diǎn)；變化模式是分析點(diǎn)、線的變化情況，找到對(duì)應(yīng)隱患的變化情況，從而進(jìn)行針對(duì)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(diǎn)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(diǎn)編碼表示隱患具體信息(為保持圖像簡(jiǎn)潔隱去隱患節(jié)點(diǎn)編碼)；節(jié)點(diǎn)的大小代表節(jié)點(diǎn)的支持度，節(jié)點(diǎn)越大支持度越大。節(jié)點(diǎn)間連線為2節(jié)點(diǎn)關(guān)聯(lián)關(guān)系，連線顏色為關(guān)聯(lián)規(guī)則前項(xiàng)的顏色，連線粗細(xì)代表關(guān)系強(qiáng)弱，關(guān)系越緊密連線越粗。

1)t1觀測(cè)點(diǎn)：對(duì)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(dòng)力配電柜和金屬切削機(jī)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(jī)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(duì)應(yīng)。根據(jù)變化模式的定義，認(rèn)為培訓(xùn)指導(dǎo)階段對(duì)該類隱患的整改治理強(qiáng)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(shí)刻進(jìn)行隱患排查治理時(shí)，應(yīng)酌情優(yōu)先檢查上述部位，并適當(dāng)加強(qiáng)整改治理力度。

2)t2觀測(cè)點(diǎn)：將圖5(c)所示階段與前2個(gè)階段對(duì)比發(fā)現(xiàn)，隱患節(jié)點(diǎn)與連線數(shù)量進(jìn)一步減少，反映出企業(yè)經(jīng)過3個(gè)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(diǎn)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(duì)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(duì)基礎(chǔ)管理的優(yōu)化，導(dǎo)致危險(xiǎn)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(shí)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(shì)頭。此外，環(huán)境類隱患中的車間環(huán)境、倉(cāng)庫(kù)環(huán)境相關(guān)節(jié)點(diǎn)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(píng)估

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

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

隨置信度水平提升，2時(shí)點(diǎn)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(shí)，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(shí)間點(diǎn)預(yù)警隱患類型相對(duì)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(diǎn)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(jì)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(cè)數(shù)量，增強(qiáng)管理類隱患的關(guān)注程度。

3 結(jié)論

1)應(yīng)用滑動(dòng)數(shù)據(jù)窗模型、加權(quán)等價(jià)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(shì)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(shí)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(shì)，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(yùn)行基礎(chǔ)，對(duì)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(qiáng)數(shù)據(jù)挖掘算法對(duì)稀疏隱患數(shù)據(jù)的挖掘能力。

[1] 魏利軍，方來華．基于移動(dòng)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(guó)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(guó)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(guó)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(xiǎn)分級(jí)管控與隱患排查治理工作[J]．中國(guó)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(guó)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(guó)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(guó)內(nèi)外石油化工企業(yè)隱患治理工作探討[J]．中國(guó)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(guó)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(zhǎng)魯．煤礦事故隱患大數(shù)據(jù)處理與知識(shí)發(fā)現(xiàn)分析方法研究[J]．中國(guó)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(jì)的煉化裝置動(dòng)態(tài)告警管理方法研究[J]．中國(guó)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(guó)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.