化工事故發(fā)生的根原因多是由人的不安全行為、機械或物的不安全狀態(tài)等引發(fā),其本質(zhì)是企業(yè)管理上的缺陷。挖掘根原因間、根原因與事故間的關(guān)聯(lián)關(guān)系是預(yù)防事故、提升企業(yè)安全管理水平的關(guān)鍵。由于事故調(diào)研根原因分析與安全管理指標(biāo)體系存在稀疏關(guān)聯(lián)現(xiàn)象,難以挖掘管理缺陷與事故演化間的關(guān)聯(lián)關(guān)系。為此,本文通過協(xié)同過濾算法填補事故調(diào)研中缺失的評分?jǐn)?shù)據(jù);基于加權(quán)支持度計數(shù)的關(guān)聯(lián)規(guī)則算法挖掘事故根原因間、根原因與事故屬性間的強關(guān)聯(lián)規(guī)則。實驗結(jié)果表明,基于加權(quán)支持度的關(guān)聯(lián)分析算法相比于現(xiàn)有的算法,能推薦更多危險程度高的企業(yè)潛在安全隱患及安全隱患與事故間的演化關(guān)聯(lián),從而能科學(xué)指導(dǎo)企業(yè)安全生產(chǎn),實現(xiàn)面向生產(chǎn)過程的風(fēng)險預(yù)警和事故預(yù)防。 

【文章來源】：計算機與現(xiàn)代化. 2020,(10)

【文章頁數(shù)】：6 頁

【部分圖文】：

根原因與事故類型的關(guān)聯(lián)分析結(jié)果

圖1 根原因與事故類型的關(guān)聯(lián)分析結(jié)果由類型分布圖可看出，由于在調(diào)研的事故中爆炸事故所占比例最大，通過關(guān)聯(lián)分析得出指標(biāo)與事故類型的關(guān)聯(lián)規(guī)則中，Top20的規(guī)則與爆炸類型有關(guān)。通過上述規(guī)則前件指標(biāo)排序得出指標(biāo)5.2.5不合格最大概率地引起爆炸事故的發(fā)生。同樣，一般化工企業(yè)類型事故達(dá)到59%，選取Top20的關(guān)聯(lián)規(guī)則，可得出此類企業(yè)出現(xiàn)2.3.1指標(biāo)不合格最多，從而可以有依據(jù)、有針對性地加強對此類企業(yè)的安全評估。在評估企業(yè)安全風(fēng)險時可有針對性地向所指企業(yè)推薦安全隱患較大的指標(biāo)，重點評估，指導(dǎo)企業(yè)安全生產(chǎn)。

加權(quán)關(guān)聯(lián)規(guī)則挖掘算法與加權(quán)支持度計數(shù)方式密切相關(guān)，不同的計算方式會產(chǎn)生不同的挖掘算法。為此不少學(xué)者針對權(quán)重提出加權(quán)方法，其中張智軍等[21]提出了基于具體問題的水平加權(quán)計算方法，每一項都設(shè)有權(quán)值來衡量重要程度，廣泛應(yīng)用于實際問題中。結(jié)合事故根原因均具有權(quán)重的特點，本文分別利用基于傳統(tǒng)支持度計數(shù)的算法、水平加權(quán)關(guān)聯(lián)規(guī)則挖掘算法與本文提出的加權(quán)支持度計數(shù)的關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行結(jié)果比較。設(shè)置支持度閾值為42%，置信度閾值為90%。挖掘的關(guān)聯(lián)規(guī)則總數(shù)和級別相同的指標(biāo)間的關(guān)聯(lián)規(guī)則數(shù)目如圖3所示，結(jié)果表明，加權(quán)關(guān)聯(lián)規(guī)則算法產(chǎn)生的規(guī)則數(shù)明顯減少，本文提出的加權(quán)支持度計數(shù)的關(guān)聯(lián)規(guī)則挖掘算法能夠排除相對多的冗余關(guān)聯(lián)規(guī)則，算法準(zhǔn)確率有了明顯的提高。在算法的運行效率方面，本文將置信度設(shè)為90%，當(dāng)支持度從30%變化到45%時，由圖4可以看出，本文方法具有最少的執(zhí)行時間，挖掘效率相對較高。基于傳統(tǒng)支持度計數(shù)的算法認(rèn)為各個項的重要程度相同，交易項很多因此執(zhí)行時間較長。而水平加權(quán)關(guān)聯(lián)規(guī)則挖掘算法雖然能發(fā)揮權(quán)值的作用但是失去了傳統(tǒng)關(guān)聯(lián)規(guī)則算法中利用頻繁集向下封閉的性質(zhì)，使得降低了挖掘關(guān)聯(lián)規(guī)則的效率，運行時間過長。

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)的頻繁模式挖掘算法[J]. 魏恩超,張德生,安平平.  計算機系統(tǒng)應(yīng)用. 2019(09)
[2]化工企業(yè)安全管理體系研究[J]. 鄭霽.  化工管理. 2019(24)
[3]結(jié)合TF-IDF的企業(yè)生產(chǎn)隱患關(guān)聯(lián)預(yù)警及可視化研究[J]. 胡瑾秋,張曦月,吳志強.  中國安全科學(xué)學(xué)報. 2019(07)
[4]對化工企業(yè)安全管理發(fā)展的探討[J]. 朱曉春.  信息記錄材料. 2019(04)
[5]Apriori算法在預(yù)測礦井火災(zāi)事故中的應(yīng)用[J]. 游先中.  能源與環(huán)保. 2018(08)
[6]基于關(guān)聯(lián)規(guī)則的交通事故影響因素的挖掘[J]. 賈熹濱,葉穎婕,陳軍成.  計算機科學(xué). 2018(S1)
[7]基于興趣度度量的正負(fù)關(guān)聯(lián)規(guī)則挖掘方法研究[J]. 馬彥勤,武彤,鄧烜堃.  計算機技術(shù)與發(fā)展. 2018(05)
[8]化工安全生產(chǎn)及管理模式探討[J]. 王濤.  化工管理. 2018(01)
[9]海因里希安全理論的學(xué)術(shù)影響分析[J]. 李杰,陳偉炯.  中國安全科學(xué)學(xué)報. 2017(09)
[10]基于評分預(yù)測的協(xié)同過濾推薦算法[J]. 周海平,黃湊英,劉妮,周洪波.  數(shù)據(jù)采集與處理. 2016(06)



本文編號：3263431