基于关联规则的矿工不安全行为分析_王珏.pdf

Safety in Coal Mines 第 51 卷第 11 期 2020 年 11 月 Vol.51No.11 Nov. 2020 基于关联规则的矿工不安全行为分析 王珏 1， 李 昱 2， 李贤功2 （1.永城煤电控股集团有限公司， 河南 永城 476600； 2.中国矿业大学 矿业工程学院， 江苏 徐州 221116） 摘要 为系统分析矿工的不安全行为背后的致因构成， 基于行为致因的复杂性， 研究不安全行 为在时间、 地点、 行为分类、 部门、 岗位和违章程度多个维度的分布特征， 采用 Apriori 算法原理从 矿工不安全行为的众多关联规则中发现强关联规则。结果显示 在早、 中、 晚 3 个班次中， 早班期 间矿工产生的不安全行为最多； 在车场产生不安全行为的比率最高； 在 26 种不安全行为中， 未 正确佩戴安全作业装备最容易发生； 在 9 个专业部门中， 综掘队的不安全行为数量占比最大； 普 通矿工的不安全行为最多； 大多数不安全行为的违章程度为一般； 此外， 要重点防治普通矿工在 早班发生的一般违章程度的不安全行为， 加强车场或上下顺槽的安检力度， 严格控制未正确佩 戴安全作业装备这一不安全行为。 关键词 不安全行为； 矿工； Apriori 算法； 强关联规则； 关联分析 中图分类号 TD791文献标志码 B文章编号 1003-496X （2020 ） 11-0290-05 Analysis of Unsafe Behavior of Coal Miners Based on Association Rules WANG Jue1, LI Yu2, LI Xiangong2 （1.Yongcheng Coal Power Holding Group Co., Ltd., Yongcheng 476600, China;2.School of Mines, China University of Mining and Technology, Xuzhou 221116, China） Abstract In order to systematically analyze the key causes of miners’unsafe behavior, based on the complexity of behavioral causes, this paper studies the distribution characteristics of unsafe behavior from the dimensions of time, place, behavior classification, department, position and degree of violation. Adopting the Apriori algorithm, strong association rules from many association rules of unsafe behavior of miners are found. The results show that during the early shift, the number of unsafe behavior is the largest among the three ones and the highest rate of unsafe behavior is that in the yard; among the 26 types of unsafe behavior, the incorrect wearing of safety operating equipment is the most likely unsafe behavior; the fully mechanized excavation teams account for the largest number of unsafe behavior among the 9 responsible departments; the common miners produce the most unsafe behavior; and the majority of unsafe behavior violations are at the general level. In addition, focus on preventing and controlling the unsafe behavior of common miners in the early shift with the degree of general violation should be put, the safety inspection of the yard or up/down trough needs to be strengthened, and the unsafe behavior of the incorrect wearing of safety operating equipment is supposed to be strictly controlled. Key words unsafe behavior; miners; Apriori algorithm; strong association rules; association analysis 随着煤矿机械化、 信息化和智能化设备普及， 人 因要素在煤矿安全事故防控中的重要性愈加突出。 于是，如何在煤矿企业生产过程中，分析矿工行为 的致因要素及关系，实现矿工行为的精准管控显得 十分有必要。矿工在井下作业中做出的违规且可能 导致事故或未遂事故的行为都属于不安全行为[1]。 针对矿工不安全行为的致因及对策，国内学者已进 行广泛的研究。 田水承通过 Netlogo 研究矿工不安全 行为的传播机理，提高了煤矿对不安全行为检查及 DOI10.13347/ki.mkaq.2020.11.059 王珏， 李昱， 李贤功.基于关联规则的矿工不安全行为分析 ［J］ .煤矿安全， 2020， 51 （11 ） 290-294. WANG Jue, LI Yu, LI Xiangong. Analysis of Unsafe Behavior of Coal Miners Based on Association Rules ［J］ . Safety in Coal Mines, 2020, 51 （11） 290-294.移动扫码阅读 基金项目 国家重点研发计划资助项目 （2017YFC0804408） 290 Safety in Coal Mines Vol.51No.11 Nov. 2020 第 51 卷第 11 期 2020 年 11 月 表 1各部门不安全行为数量及比率 Table 1Number and ratio of unsafe behaviors in various departments 部门行为数量比率/ 抽放队201.71 机电队242.05 开拓队28321.04 胶带队453.85 探防队665.65 通风队1149.75 运输队18813.34 综采队26520.44 综掘队28722.16 整治的针对性[2]； 张倩基于组织公平理论， 验证了组 织公平对矿工不安全行为的显著影响[3]； 姚有利根 据典型人因事故案例建立影响因素层次模型，应用 灰色关联度分析法对不安全影响因素排序[4]； 满慎 刚基于中和技术和行为修正理论建立煤矿管理激励 措施结构方程模型，分析矿工不安全行为意向的影 响因素[5]； 程恋军通过构建执行性规范和示范性规 范的作用路径模型，探求群体规范对不同代际矿工 的不安全行为影响差异[6]。以上研究对煤矿工人行 为管理有所贡献，但均属对有限数据的因果关系研 究，对基于大量数据的矿工不安全行为致因之间的 内在联系，即矿工不安全行为关联规则的研究较 少。基于此， 从不安全行为的时间、 地点和部门等多 维度对某煤矿不安全行为历史台账进行分析，结合 Apriori 算法得到强关联规则组成的频集。此研究深 入挖掘煤矿工人不安全行为背后蕴含的规律，为煤 矿的安全管理提供更精准建议。 1不安全行为致因分析 以某煤矿近 6 年的不安全行为台账为分析对 象， 将重复出现、 矿区内地面交通[7]等事故的台账删 除， 共得台账 1 169 条， 并从班次、 地点等多个维度 分析， 以发现不安全行为内含规律。 1.1基于班次的分析 国内煤矿多采用 “三八制” 作业， 即 1 天分为 3 个班次， 早班为 0 时至 8 时， 中班为 8 时至 16 时， 晚 班为 16 时至 24 时。矿工在各班次产生的不安全行 为具有不同的分布特征，早班发生的不安全行为数 量最多 （占 53.29） ， 晚班次之 （占 32.85） ， 中班最 少 （占 13.86） 。 各班次的不安全行为数量与所处时 间区间具有显著关系。由于早班大部分时间处于凌 晨，工人受到身体作息规律的影响，在操作设备或 进行其他井下作业时易发生精神懈怠；晚班由于部 分时间段处于夜晚，对工人的精神状态同样产生一 定程度的负面影响；中班所在时间区间与人体正常 作息时间区间一致，工人的精神和体力都处于较佳 状态， 故矿工在中班产生的不安全行为较少。 1.2基于地点的分析 井下作业空间布局复杂，且大多作业环境处于 持续动态变化中。因此，不同的作业地点的作业风 险也不相同。矿工产生的不安全行为在各地点的分 布特征也不尽相同，行为地点分布较为分散，统计 结果发现 在车场发生的不安全行为最多， 共计 188 次； 上/下运输巷道次之， 为 184 次； 再次为轨道巷、 工作面和轨道上/下山，分别为 101 次、 94 次和 82 次， 累计数量为 649 次， 达到总数量的 55.5。以上 地点均与煤矿运输提升系统相关，应重点对运输系 统主要环节进行安全管理，在矿工认知学习阶段要 保证知识技能的充分学习，提高矿工的安全操作意 识，避免由于侥幸、逆反和群体心理做出不安全的 行为选择， 最终对煤矿安全产生不良影响[8]。 1.3基于部门的分析 根据煤矿生产作业的专业不同，将作业部门划 分为综掘队、 综采队和运输队等 9 个部门， 各部门产 生的不安全行为情况统计见表 1。 综掘队工人产生的不安全行为最多， 287 次， 其 次为开拓队， 283 次。另外， 综采队和运输队的不安 全行为次数也较多， 分别为 265 次和 188 次， 4 个部 门的累计不安全行为次数为 1 023 次，占总数的 76.98。综掘队、 开拓队和综采队是煤炭生产的重 要环节， 而运输系统具有线路长、 环节多的特点， 作 为煤矿生产中的重要一环，其顺畅运行是煤矿安全 生产的必要保证[9]。由此可见， 若能对综掘队、 开拓 队、综采队和运输队 4 个部门的不安全行为进行重 点管控， 将对煤矿企业的安全生产有极大帮助。 1.4基于岗位和违章程度的耦合分析 产生不安全行为的工作人员共有 3 种普通矿 工、 跟班班长、 班长和安质员， 将不安全行为的违章 程度划分为一般、 严重和 “10 条红线” 3 个等级。 普通矿工产生的不安全行为数量最多， 1 027 次， 达到总数的 87.9， 一方面， 这是由于普通矿工 占煤矿工作人员的大多数决定的；另一方面，相比 较而言，普通矿工的对行为规范的接受程度和对风 险的认知能力要低于班长、安质员和跟班班长； 因 291 Safety in Coal Mines 第 51 卷第 11 期 2020 年 11 月 Vol.51No.11 Nov. 2020 此，需要重视对普通矿工的安全教育，引导矿工学 习与加强相关技能的培训，并在工作实践中提高矿 工的工作韧性及风险认知能力。跟班班长不安全行 为数量按违章程度从轻到重分别为 32 次、 1 次、 1 次， 班长、 安质员则为 66 次、 30 次、 12 次。另外， 大 部分不安全行为属于一般违章， 共 771 条， 占总数的 65.8， 符合安全金字塔原理。一方面， 由于严重和 “10 条红线”违章操作数量相对较少且内容集中清 晰， 针对严格禁止的操作， 工人能够有明确认识； 另 一方面，针对不同违章程度的不安全行为，煤矿设 立的惩罚机制也不相同， 3 类违章行为中十条红线 惩罚最重。随着惩罚力度的上升，矿工产生的相应 不安全行为数量也会显著下降。 1.5基于行为内容的分析 煤矿不同类型的作业区域中自然条件、设备设 施、 作业人员和管理水平有很大差异[10]， 因此需要对 不安全行为的具体内容进行统计，从而提出更有针 对性的建议。不安全行为经统计共划分为 26 种， 不 安全行为内容及数量分布如图 1。 数量最多的不安全行为是“未正确佩戴安全作 业装备” ， 共 198 条； 其次为 “记录违规填写” ， 共计 159 条；另外，“消极怠工” 、“违规乘坐交通工具” 和 “行动轨迹不当” 数量也较多， 分别为 114 条、 109 条 和 112 条。 上述 5 种不安全行为累计数量为 692 条， 占总数的 59.1。 应针对这五种不安全行为， 有针对 性地开展安全教育工作， 适当加重惩罚力度， 实现有 效管控。 以上分析仅对不安全行为的各统计特征做独立 分析，为了进一步查找存在于各因素之间的耦合强 度、相关性及因果结构，需要对不安全行为进行关 联分析研究。 2Apriori 算法原理 Apriori算法关联规则可描述如下 集合 I{i1， i2， ， im}为标识符的集合， 其中 m 为正整数， ik（k1， 2， ， m） 称为项目。项目集是由 I 中项目构成的集合， 若项目集包含的项目数为 k， 则此项目集称 k-项目 集。关联规则是形如 X＞Y 的规则， 其中 X、 Y 为项 目集且交集不为空。关联规则挖掘的事务数据库记 为 D， D 中的每个元组为在 D 中的事务。关联规则 支持度为 support， 记为 s， 若 s的事务包含 X∩Y， 则关联规则支持度为 s， 即 supportP （XY）（1 ） 式中 P （XY ） 为 X 事务和 Y 事务同时发生概率。 关联规则置信度为 confidence， 记为 c。在数据 库 D 中， 若 c包含项目集 X 事务也包含项目集 Y， 则关联规则 X＞Y 置信度为 c， 即 confidenceP （Y|X） P （XY） P （X） （2） 式中 P （X） 为 X 事务发生的概率； P （Y|X） 为 X 事务发生的条件下， Y 事务也发生的条件概率。 若关联规则 X＞Y 的支持度和置信度均不劣于 用户指定的最小支持度 minsupport 和最小置信度 minconfidence， 则称关联规则 X＞Y 为强关联规则， 否则称为弱关联规则[11]。故关联规则的挖掘可分以 下 2 步①找出所有出现的频繁性不劣于预定义的 最小支持度的频繁项目集；②由频繁项目集产生必 须满足最小支持度和最小置信度的强关联规则。 分析过程中， 可通过 “任何频繁项集的非空子集 也是频繁项集， 非频繁项集的超集是非频繁项集” [12] 提高分析效率。 作为挖掘关联规则最经典的算法， Apriori 算法 以支持度和置信度为挖掘指标，但仅依靠这 2 个指 标有时会具有一定的误导性，因为在置信度满足条 件时，置信度与原有的支持度相比可能反而会发生 下降， 说明 2 个项目之间产生了排斥作用， 因此需要 增加提升度 （lift） 这一指标来验证所挖掘的关联规 则是有效的， 提升度 lift 的计算公式如下 图 1不安全行为内容及数量分布 Fig.1Content and quantity distribution of unsafe behaviors 292 Safety in Coal Mines Vol.51No.11 Nov. 2020 第 51 卷第 11 期 2020 年 11 月 lift P （Y|X） P （Y） P （XY） P （X） P （Y） confidence P （Y） （3） 式中 P （Y） 为 Y 事务发生的概率。 当 lift＞1 时， 强关联规则有效； 当 lift1 时， X 和 Y 相互独立； 当 lift＜1 时， 强关联规则无效[13]。 3实例分析 设定强关联规则 X＞Y （14， 50） ， 即最小支 持度 s14， 最小置信度 c50， 不安全行为的各 内涵因素的关联分析如下 ①对 “班次” 进行统计， 班次为中班的项目支持度不达标，将对应的项目删 除； ②对 “地点” 进行统计， 地点为车场和上/下运输 巷道的项目满足条件， 删除其余项目； ③对 “部门” 进行统计，开拓队、综采队和综掘队的项目满足条 件， 删除其余项目； ④对 “岗位” 进行统计， 普通矿工 不安全行为数量为 1 027 次，跟班班长 34 次和班 长、安质员 108 次，分别占比 87.85， 2.91和 9.24， 则岗位为普通矿工的项目满足条件， 删除其 他项目； ⑤对 “违章程度” 进行统计， 一般违章的行 为数量为 771 次，严重违章 317 次，“10 条红线” 违 章 81 次， 分别占比 65.95、 27.12、 6.93， 违章程 度为 “10 条红线” 的项目不满足支持度条件， 将对应 项目删除； ⑥对 “不安全行为内容” 进行统计， 只有 行为内容为“未正确佩戴安全作业装备”的项目的 支持度为 16.94满足条件， 将行为内容为其他的项 目删除。通过以上步骤进行筛选， 得到项目集， 11- 项目集行为因素及具体内容见表 2。 在由表 2 所示的一阶频繁项目集的基础上进行 二阶频繁项目集的筛选。同一行为因素下的不同内 容， 例如 “早班” 和 “晚班” 之间不做置信度统计， 对 其他不安全行为因素之间的形成的二阶规则进行支 持度筛选， 得到 10 项规则， 即 10-项目集， 将其支持 度和置信度数值信息计算统计，不安全行为二阶关 联规则列表见表 3。 Rule5 和 Rule9 的提升度为 1， 说明 i9和 i10相互 独立。只有 Rule6 和 Rule10 满足强关联规则 X＞Y （14， 50） ， 得到 2-项目集。由于 Rule6 和 Rule10 代表的项目集之间没有交集，不再做进一步的关联 规则分析。 Rule6 的提升度为 1.13，表示当不安全行为的 违章程度为一般时，该行为往往发生在早班，二者 之间的置信度为 0.60， 按照这一规则对早班的矿工 行为进行检查时能够使检查效率提升 1.13 倍。 Rule10 的提升度为 1.36， 表示当不安全行为的 违章程度为严重时，该行为多由普通矿工产生， 二 者之间的置信度为 0.90， 按照这一规则对普通矿工 的行为进行检查时能够使检查效率提升 1.36 倍。 普通矿工是不安全行为的主要来源， 87.85的 不安全行为由普通矿工产生，而大多数不安全行为 属于一般违章。根据安全金字塔理论，要实现煤矿 事故的有效预防，必须预防最底层的不安全行为和 物态。而为及时中止不安全行为的发生，应实现对 一般违章的不安全行为的有效防治，从而在日常安 全管理工作中减少安全金字塔最底层的不安全行为 的数量，从根本上预防重大事故的出现，实现全员 安全[14]。 为有效预防一般违章程度的不安全行为， 需 要从时间、地点和具体行为内容多方面管控，如在 表 211-项目集行为因素及具体内容 Table 2Behavioral factors and specific contents of 11-itemset 项目行为因素具体内容 i1班次早班 i2班次晚班 i3行为内容未正确佩戴安全作业装备 i4地点车场 i5地点上/下运输巷 i6部门综掘队 i7部门开拓队 i8部门综采队 i9岗位普通矿工 i10违章程度一般 i11违章程度严重 表 3不安全行为二阶关联规则列表 Table 3List of second-order association rules for unsafe behavior 序号规则支持度置信度 是否满足置 信度条件 提升度 Rule1i9＞i30.150.18否- Rule2i9＞i60.180.21否- Rule3i9＞i70.170.20否- Rule4i9＞i80.180.20否- Rule5i9＞i100.580.66是1.00 Rule6i10＞i10.390.60是1.13 Rule7i10＞i20.160.24否- Rule8i10＞i30.140.16否- Rule9i10＞i90.580.66是1.00 Rule10i11＞i90.240.90是1.36 293 Safety in Coal Mines 第 51 卷第 11 期 2020 年 11 月 Vol.51No.11 Nov. 2020 早班工人开始工作前要加大强调规范作业的力度、 在车场和上/下运输巷等作业地点安排足够的安检 人员、加强对于未正确佩戴安全作业装备这一不安 全行为的监督检查和加强综掘队、开拓队和综采队 作业现场的安全管理等。 4结语 针对矿工不安全行为影响因素的关联特性， 通 过不安全行为关联规则来确定不安全行为的管理控 制重点。采用基于支持度、 置信度和提升度的 Apri－ ori 算法对某煤矿不安全行为历史台账进行实证研 究， 从班次、 地点和行为内容等多个维度进行分析， 利用频繁项目集对不安全行为致因因素的内在关联 进行数据挖掘，得出了不同行为因素之间存在的关 联规则，有助于企业更有针对性地开展不安全行为 排查工作并提升排查效率。 参考文献 ［1］ 李博杨， 李贤功， 吴利高， 等.基于熵权法和集对分析 的煤矿安全事故人因失误分析 ［J］ .矿业安全与环保， 2017， 44 （1） 111-114. ［2］ 田水承， 董威松， 沈小清， 等.基于 Netlogo 的矿工不安 全行为传播仿真研究 ［J］ .安全与环境学报， 2019， 19 （6） 2016-2022. ［3］ 张倩， 李恩平.组织公平对矿工不安全行为的影响机 制 ［J］ .煤矿安全， 2019， 50 （11） 244-248. ［4］ 姚有利.基于灰色关联分析的矿工不安全行为研究 ［J］ .工业安全与环保， 2017， 43 （6） 35-38. ［5］ 满慎刚， 李贤功， 胡婷.基于中和技术的矿工不安全行 为实证研究 ［J］ .中国矿业大学学报， 2017， 46 （2） 430-436. ［6］ 程恋军， 仲维清.群体规范对矿工不安全行为意向影 响研究 ［J］ .中国安全科学学报， 2015， 25 （6） 15-21. ［7］ 牛超， 施龙青， 肖乐乐.等.2001-2013 年煤矿生产事故 分类研究 ［J］ .煤矿安全， 2015， 46 （3） 208-211. ［8］ 张涵， 王峰.基于矿工不安全行为的煤矿生产事故分 析及对策 ［J］ .煤炭工程， 2019， 51 （8） 177-180. ［9］ 孙庆兰， 田水承， 王艳.煤矿运输险兆事件综合防控管 理研究 ［J］ .西安科技大学学报， 2019， 39 （3） 411. ［10］ 张长鲁.基于关联规则挖掘的煤矿危险源耦合作用 分析 ［J］ .煤矿安全， 2016， 47 （12） 222-225. ［11］ 衣梦涵， 王慧颖.基于蚁群算法的关联规则挖掘 ［J］ . 统计与决策， 2019， 35 （17） 79-81. ［12］ 刘华婷， 郭仁祥， 姜浩.关联规则挖掘 Apriori 算法的 研究与改进 ［J］ .计算机应用与软件， 2009， 26 （1） 146-149. ［13］ 王少军， 宋金成， 白朝军， 等.关联规则的违规采矿时 空发生特征研究 ［J］ .测绘科学， 2020， 45 （4） 168. ［14］ 李红霞， 王璟， 田水承.煤矿 “零伤害” 安全理念解析 ［J］ .西安科技大学学报， 2016， 36 （4） 567-572. 作者简介 王珏 （1973） ， 高级工程师， 毕业于中国 矿业大学，现在永城煤电控股集团有限公司从事安全生产 工作。 （收稿日期 2020-05-14； 责任编辑 谭威威） 294