代鴻元，王勇飛

(國電大渡河流域水電開發(fā)有限公司，四川 成都 610041)

0 引 言

國電大渡河流域水電開發(fā)有限公司(以下簡稱“國電大渡河公司”)主要負責(zé)大渡河干流17個電站開發(fā)運營，總裝機約18 000 MW，所屬各單位廣泛分布于大渡河流域及其他支流，工作呈現(xiàn)出點多、面廣、戰(zhàn)線長等特征，加之面臨著庫壩規(guī)模大、廠房結(jié)構(gòu)復(fù)雜、設(shè)備形式多樣等諸多難點難題，提升安全生產(chǎn)科技化水平至關(guān)重要。按照國電大渡河公司智慧企業(yè)建設(shè)的總體目標(biāo)框架，大渡河安全風(fēng)險管控數(shù)據(jù)中心于2015年開始建立，2018年正式投運，已經(jīng)有了大量的數(shù)據(jù)積累。這些數(shù)據(jù)中蘊含著隱患的特征及演化發(fā)展規(guī)律，為安全管控從業(yè)務(wù)驅(qū)動型向數(shù)據(jù)驅(qū)動型的轉(zhuǎn)變提供了基礎(chǔ)，也為安全管控以人工經(jīng)驗為主轉(zhuǎn)變到讓數(shù)據(jù)說話提供了可能。為切實抓好安全生產(chǎn)，防范事故于未然，結(jié)合國電大渡河流域水電開發(fā)有限公司各單位安全生產(chǎn)實際情況，利用大渡河安全風(fēng)險管控數(shù)據(jù)中心安全隱患歷史數(shù)據(jù)，力圖挖掘隱藏在數(shù)據(jù)背后的規(guī)律，發(fā)現(xiàn)隱患之間的關(guān)聯(lián)關(guān)系，進而開展新生安全隱患預(yù)測分析，實現(xiàn)安全隱患超前管控。

1 研究思路

該研究以國電大渡河公司所屬16個單位的歷史安全隱患為基礎(chǔ)數(shù)據(jù)，通過機器學(xué)習(xí)算法分析出特定空間、時間范圍內(nèi)安全隱患的關(guān)聯(lián)，深挖隱患載體、隱患現(xiàn)象之間存在的促進、依存、關(guān)聯(lián)等關(guān)系，自動形成隱患之間的關(guān)聯(lián)規(guī)則，以此作為新生安全隱患預(yù)測的依據(jù)，預(yù)測分析下一階段可能出現(xiàn)安全隱患的類別及概率，根據(jù)預(yù)測分析結(jié)果加強對相關(guān)區(qū)域、設(shè)備設(shè)施、工作活動等重點管控，以期有效提升遏制安全事故發(fā)生的管控水平。

安全隱患預(yù)測分析以歷史安全隱患數(shù)據(jù)為基礎(chǔ)，建立安全隱患關(guān)鍵詞數(shù)據(jù)辭典，通過對安全隱患關(guān)鍵詞的辨識、分析及應(yīng)用，選擇恰當(dāng)?shù)目臻g、時間維度，通過改進Apriori算法挖掘不同安全隱患之間隱患載體和現(xiàn)象的關(guān)聯(lián)，通過計算隱患載體之間的置信度、支持度和提升度，定量表征不同隱患載體之間的依存、促進關(guān)系，進而得到新生安全隱患發(fā)生的概率。

2 技術(shù)方案

2.1 建立安全隱患專用詞庫

2.1.1創(chuàng)建安全隱患切詞方法

基于歷史安全隱患數(shù)據(jù)梳理安全隱患內(nèi)容中隱患載體、隱患現(xiàn)象等關(guān)鍵信息的描述文本，采用基于詞庫的最大概率匹配方法及隱馬爾可夫HMM分詞方法，匹配語料庫中已有詞匯并發(fā)現(xiàn)可能的未知詞匯，進行詞性標(biāo)注，篩選出名詞、動詞、形容詞等具有信息量的實詞，濾除“的、了”等無效字、詞，形成臨時詞庫；對于專業(yè)性強的安全隱患文本，當(dāng)前還沒有一種分詞算法能達到人工分詞的準(zhǔn)確度，因此算法分詞所得結(jié)果僅作為過程詞庫，在此基礎(chǔ)上，由多名安全業(yè)務(wù)專家參與人工校驗，結(jié)合實際的隱患記錄，逐條進行校驗，形成修正的詞庫，校驗后的結(jié)果結(jié)合分詞算法再次進行匹配，當(dāng)過程詞庫與修正詞庫完全一致時，過程結(jié)束；否則，進入下一輪算法分詞和人工校驗的迭代，專用詞庫建立流程如圖1所示。以上方法既發(fā)揮了算法分詞的優(yōu)勢，又可綜合不同專家的經(jīng)驗，為進一步的隱患分析提供基礎(chǔ)。

圖1 專用詞庫建立方法

2.1.2建成安全隱患專用詞庫

采用業(yè)務(wù)模型與數(shù)據(jù)模型相結(jié)合的技術(shù)路線，在算法自動分詞的基礎(chǔ)上，結(jié)合業(yè)務(wù)專家經(jīng)驗，通過迭代的方式創(chuàng)建了適用于國電大渡河公司的安全隱患特征詞庫；其中載體詞庫713個，隱患特征描述詞庫594個，關(guān)鍵詞詞庫2 695個。詞庫有別于其他文本挖掘研究項目所建立的中文詞庫或是其他公開的常用語詞庫，建成詞庫均為經(jīng)過人工校驗的專業(yè)詞庫，安全隱患詞庫如表1所示。通用詞庫并不能直接用于對專業(yè)性較強的隱患進行切詞，建立的專用詞庫，為后期建立有效的關(guān)聯(lián)模型墊定了基礎(chǔ)。

表1 安全隱患詞庫

2.2 建立安全隱患關(guān)聯(lián)規(guī)則

2.2.1對Apriori關(guān)聯(lián)算法模型進行適應(yīng)性改進

經(jīng)典的Apriori算法在工業(yè)、商業(yè)等不同領(lǐng)域有著成熟的應(yīng)用，其遵循支持度、置信度框架，對于隱患關(guān)聯(lián)關(guān)系的挖掘而言，具有特殊性：不只是要發(fā)現(xiàn)傳統(tǒng)Apriori算法所能發(fā)現(xiàn)的后項RHS與前項LHS同時出現(xiàn)的伴隨關(guān)系，更希望能得到前項能促進、誘導(dǎo)后項的發(fā)生，甚至是在一定程度上，作為后項出現(xiàn)的條件和原因。為此，本次研究中，除了支持度和置信度外，提出提升度和因果置信度作為關(guān)聯(lián)規(guī)則的主要衡量指標(biāo)。其計算方法是：

Lift(A→B)=P(AUB)/P(A)P(B)

(1)

casualConfidence=[confidence(X→Y)+confidence(!X→!Y)]/2

(2)

式中，Lift為提升度，其對于業(yè)務(wù)上的含義為，當(dāng)某個載體A發(fā)生隱患之后，能顯著提升載體B發(fā)生隱患的概率，如：不將A作為條件時，B發(fā)生隱患的概率是3%，一旦A作為條件，B發(fā)生隱患的概率為9%，則提升度為3；P(A)P(B)為A不作為條件時B發(fā)生的概率；casualConfidence為因果置信度，其對于業(yè)務(wù)上的含義為，當(dāng)載體X發(fā)生隱患時，Y發(fā)生隱患的概率較大；當(dāng)X不發(fā)生隱患時，Y不發(fā)生隱患的概率也較大。因此，因果置信度較之于經(jīng)典算法中的置信度，具有更強的推斷能力；confidence(X→Y)為X、Y同時發(fā)生的置信度；confidence(!X→!Y)]為X、Y同時不發(fā)生的置信度。

2.2.2形成安全隱患關(guān)聯(lián)規(guī)則

在建立專業(yè)詞庫的基礎(chǔ)上，為了挖掘隱患載體之間的正向關(guān)聯(lián)關(guān)系，在改進Apriori算法的基礎(chǔ)上，通過提升度和因果置信度來挖掘、過濾強關(guān)聯(lián)模式，更加準(zhǔn)確地提供了新生安全隱患的預(yù)測概率。

關(guān)聯(lián)規(guī)則以7 d為周期，2018年9月30日前安全隱患關(guān)聯(lián)規(guī)則如表2所示，安全隱患關(guān)聯(lián)關(guān)系如圖2所示(大圓代表隱患載體，小圓代表隱患現(xiàn)象，五角星代表關(guān)聯(lián)性強的隱患載體)，體現(xiàn)了不同隱患載體與現(xiàn)象之間的關(guān)系。

表2 隱患載體關(guān)聯(lián)規(guī)則

圖2 安全隱患關(guān)聯(lián)關(guān)系

3 應(yīng)用實踐

通過安全隱患預(yù)測與實際發(fā)生對比，選取7 d為窗口長度，以2018年10月出現(xiàn)的安全隱患驗證之前形成的關(guān)聯(lián)規(guī)則，正確率為100%；因2018年10月出現(xiàn)的隱患中較之前關(guān)聯(lián)規(guī)則相比，新出現(xiàn)的隱患較多，所以規(guī)則對2018年10月的安全隱患覆蓋率較低，隨著數(shù)據(jù)不斷積累，覆蓋率將會增加，計算公式如下：

正確率precision=同一窗口期三天內(nèi)包含同一規(guī)則后項記錄數(shù)/窗口期內(nèi)包含規(guī)則前項記錄數(shù)

(3)

覆蓋率recall=窗口期內(nèi)記錄中包含規(guī)則前項記錄數(shù)/窗口期內(nèi)記錄數(shù)

(4)

通過10月隱患數(shù)據(jù)預(yù)測未來3 d的隱患正確率、覆蓋率如表3所示。

2018年10月安全隱患實際發(fā)生結(jié)果與關(guān)聯(lián)規(guī)則對比如表4所示，與電纜有關(guān)安全隱患關(guān)系如圖3所示，與通風(fēng)窗有關(guān)的安全隱患關(guān)系如圖4所示。

4 結(jié) 論

安全隱患預(yù)測分析主要是以國電大渡河公司所屬各水電站歷史發(fā)生的安全隱患數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)庫，建立安全隱患關(guān)鍵詞數(shù)據(jù)辭典，通過對安全隱患關(guān)鍵詞的辨識、分析及應(yīng)用，選擇恰當(dāng)?shù)目臻g、時間、維度，挖掘不同安全隱患之間隱患載體和現(xiàn)象的關(guān)聯(lián)，應(yīng)用改進的Apriori算法模型計算出安全隱患關(guān)鍵詞之間的置信度、支持度、提升度、因果置信度等指標(biāo)，得到新生安全隱患發(fā)生的概率。通過這一方法，可以及時預(yù)測、分析公司各單位安全隱患動態(tài)，將隱患扼殺于搖籃之中，同時也為安全管理提供理論基礎(chǔ)，讓安全管理決策有據(jù)可依，保障安全生產(chǎn)形勢持續(xù)穩(wěn)定。

表3 未來3 d隱患預(yù)測

表4 新生隱患預(yù)測與實際發(fā)生對比結(jié)果

圖3 與電纜有關(guān)的隱患關(guān)聯(lián)關(guān)系

圖4 與通風(fēng)窗相關(guān)的隱患關(guān)聯(lián)關(guān)系

安全隱患預(yù)測分析從根本上解決了“無人值班(少人值守)，遠方集控”新型生產(chǎn)管理模式下的安全管理問題，也是現(xiàn)代企業(yè)安全管理的發(fā)展趨勢，將安全風(fēng)險管理與既有安全管理有機融合，抓好每一個環(huán)節(jié)的風(fēng)險的辯識、評估、整治，最大程度地降低安全風(fēng)險，使安全生產(chǎn)工作更具超前性、針對性，將“事后處理”向“事前防控”轉(zhuǎn)變，使企業(yè)真正達到“本質(zhì)安全”的最終目標(biāo)。

安全隱患預(yù)測分析在國電大渡河公司的成功應(yīng)用，可為水電站、流域電站的安全管理提供理論基礎(chǔ)和借鑒，推動智慧電廠建設(shè)的步伐。

5 展 望

安全隱患預(yù)測分析研究是以企業(yè)安全生產(chǎn)預(yù)警體系論為指導(dǎo)，針對電力安全生產(chǎn)隱患排查治理和風(fēng)險分級管控雙重機制建立而提出的一種新型的、具有創(chuàng)造意義的研究課題。充分利用現(xiàn)有的安全隱患數(shù)據(jù)資源，結(jié)合信息化技術(shù)和模型特征對現(xiàn)場固有隱患排查數(shù)據(jù)進行分析論證，建立一種能夠監(jiān)測、診斷、預(yù)警、預(yù)控新生安全隱患發(fā)生的體系系統(tǒng)。

目前已初步實現(xiàn)安全隱患分析預(yù)警功能，但局限于采集的隱患排查基礎(chǔ)數(shù)據(jù)完整性、準(zhǔn)確性和關(guān)聯(lián)性還存在欠缺，分析預(yù)警結(jié)果還存在一定的不穩(wěn)定和偏差，尤其是關(guān)聯(lián)規(guī)則覆蓋率較低。下一步，通過持續(xù)的注入大量基礎(chǔ)數(shù)據(jù)來優(yōu)化模型結(jié)果，使其不斷適應(yīng)現(xiàn)場變化的因素，逐步實現(xiàn)分電站、分區(qū)域、分專業(yè)分析預(yù)警功能；同時，隨著安全隱患預(yù)測預(yù)警結(jié)果有效性和針對性的提升，可進一步拓展其應(yīng)用在整個安全生產(chǎn)領(lǐng)域中的關(guān)聯(lián)性，將新生安全隱患和安全風(fēng)險分級管控進一步關(guān)聯(lián)，通過風(fēng)險評估等方式方法將新生安全隱患自動轉(zhuǎn)換為對應(yīng)危險源點，按嚴(yán)重程度進行分級預(yù)警，不斷提高安全生產(chǎn)領(lǐng)域安全風(fēng)險自動預(yù)判、自主決策、自我演進的智能化功能提升，為安全管理提供有效支持和決策依據(jù)。