大数据背景下煤矿安全管理效率分析及提升仿真研究

发布时间：2020-08-02 12:05

【摘要】：随着大数据技术的快速发展和安全管理理论的逐渐完善,数据挖掘技术在安全管理决策领域中受到了众多学者和企业的关注。面临着员工日益提高的安全需求以及社会舆论的高度关注,煤矿企业不得不提升安全管理水平来适应社会的快速发展。然而,如何精确、高效和客观的评价煤矿企业的安全管理效率,并对其进行有效性提升是当前煤矿企业迫切需要解决的安全问题。在《安全生产“十三五”规划》(国办发⺌2017⺗3号)指出“应全面推进安全生产大数据等信息技术应用,提升重大危险源监测、隐患排查、风险管控、应急处置等预警监控能力”。表明当前政府和煤矿企业对大数据技术和方法在煤矿安全管理中的应用显得极为迫切。基于上述背景,本论文结合安全管理、系统工程以及数据挖掘等理论和方法,从大数据背景出发,对当前中国煤矿安全管理研究基础变革,煤矿安全管理内涵、范式及事故发生机理,煤矿安全管理影响要素深度挖掘、煤矿安全管理效率评估和煤矿安全管理效率提升等五个方面进行研究,来解决煤矿企业在实施安全管理过程中存在的效率问题,从而有针对性的制定提升煤矿安全管理水平的发展路径及相关策略。本论文具体研究内容和结论如下:(1)在大数据背景下煤矿安全管理研究基础变革方面,本文主要从安全管理理念、安全管理效率、安全管理方法以及安全管理思维四个方面进行阐述。在安全管理念方面,指出安全管理理念具有事故致因、传统安全、系统安全、大数据安全四种视角,而这四种视角下安全管理理念具有一定的时序性,但又在各自时期存在交叉重叠现状。在安全管理效率的变革方面,认为当前煤矿安全管理效率研究缺乏全面型、前瞻性和时效性,并构建大数据背景下的安全管理效率研究基本框架。在安全管理方法的变革方面,从知识驱动、模型驱动和数据驱动三个方面梳理了当前煤矿安全管理的研究模型和方法,并提出基于混合驱动的煤矿安全管理方法。最后,从经验、制度、风险预控以及大数据化四个方面阐述了当前安全管理思维的变革。发现大数据背景下煤矿安全管理思维正在由因果-相关,静态-动态,逆向-正向,经验-数据思维转变。(2)在大数据背景下煤矿安全管理内涵、特征及事故机理分析方面,首先,定义了煤矿安全管理数据化内涵,认为大数据背景下煤矿安全管理对象由传统的实物个体转向对个体产生的大数据管理,并指出大数据背景下煤矿安全管理既具有大数据的主要特征,也存在自身的不足。其次,从煤矿安全管理数据的结构、来源和属性的不同,对煤矿安全管理数据进行总结和分类。然后,从数据大小的角度对煤矿安全管理的大数据和小数据进行对比分析,提出了大数据背景下煤矿安全管理数据、信息和规律转化模型,结果显示煤矿安全管理数据、信息和规律之间并不是简单的直线型结构,而是以安全知识为中介的三角转化模式。最后,引入数据场理论,从数据角度阐释了煤矿事故发生机理。结果发现,当煤矿安全数据时间效应产生的关联规则存在误差则有可能会导致煤矿安全事故发生;当通过煤矿安全数据空间效应产生的新的煤矿安全数据、信息、知识和规律与原有的煤矿数据空间不匹配,也会导致安全信息不对称或者安全规律不稳定,引发事故。当煤矿安全时间数据和空间数据相互碰撞交叉而产生时空交叉效应,会造成煤矿生产系统中人-机-环-管交互的不稳定,产生煤矿事故。(3)在大数据背景下煤矿安全管理数据挖掘方面,首先从安全生产操作维、方法维和领域维三个方面提出了煤矿安全管理大数据挖掘的三维结构模型,同时给出了大数据的六大主要功能以及在煤矿安全管理中应用的十大领域。其次,从问题定义、数据预处理、建模、模型评估及模型应用和优化五个方面阐述了煤矿安全管理数据挖掘的基本流程。然后利用决策树中的分类功能对矿工不安全行为数量进行分类挖掘。结果发现:培训、出勤、经验和年龄都是影响人类不安全行为频率的因素。培训因素对不安全行为的影响最大。最后利用Apriori关联规则算法对煤矿安全隐患数据中的部门、时间、位置、月份和风险水平等影响因素进行挖掘,发现多个维度之间的强关联规则,避免或减少煤矿事故的发生。(4)在煤矿安全管理效率评估及预测方面,将数据驱动方法和模型驱动方法相结合来评估和预测煤矿安全管理效率。首先介绍了煤矿安全管理效率模型驱动和数据驱动评估方法优缺点。然后,提出DEA-BP神经网络混合驱动的煤矿安全管理效率评估预测模型。通过利用DEA-BBC模型的对煤矿安全管理效率进行静态分析,再利用DEA-Malmquist指数进行动态的分析。然后,将DEA模型得到效率评估结果进行编码作为二次评估预测的期望输出。最后,运用BP神经网络进一步对不同煤矿企业的安全管理效率进行评估和预测。结果表明:煤矿安全管理效率呈现出震荡上升的趋势,说明当前煤矿企业的安全管理效率并不稳定。同时,安全管理效率有效的企业数量也呈现出震荡上升趋势。在进行动态分析过程中,煤炭企业在对待企业改善安全效率方面具有一定的盲目性,没有注意到安全效率是技术效率和技术进步指数共同作用的结果,导致技术效率下降而技术进步效率上升或者是技术效率进步而技术进步效率下降的现象发生。最后,对于产出不足的煤矿企业应加大对事故以及隐患数据的管理,找出煤矿事故和隐患之间存在的强关联规则,利用这些规则来提高煤矿隐患排查率和减少事故伤亡人数。对于投入冗余的煤矿企业应把重点放在人员结构和安全投入效率上面,适当减少投入增加规模效益上。(5)在大数据背景下煤矿安全管理效率仿真优化方面,首先,利用系统动力学将煤矿安全管理效率系统边界定义为员工安全管理子系统、隐患管理子系统、事故管理子系统和安全投入管理子系统4个层面,并引入大数据影响系数作为调节变量构建因果关系图和流图。最后,以王楼煤矿为例进行应用,得到以下结论:大数据影响系数的增加与煤矿安全管理效率水平的变化趋势保持一致性,不同的因素其影响系统安全管理效率水平的变化速度存在差异。其中大数据对员工安全管理的影响较为明显,大数据对矿工安全管理影响系数的增加必定带来煤矿安全管理效率水平的提高,但在达到一定的系数后,安全管理效率水平提高的越来越慢,这表明在大数据对煤矿安全管理效率影响是有限地,在达到一定的范围内,安全管理水平提升的难度就越来越大,单纯的改变单一大数据影响系数难以带来明显的效率增加。在改变多个大数据影响系数后发现,煤矿安全管理效率大幅增加,其中同时改变所有影响系数带来的效果最明显,其次是改变三个子系统大数据影响系数,最后是改变两个子系统影响系数。通过调整不同大数据影响系数的比例,比较不同方案条件下煤矿安全管理效率水平的变化速率,可以为煤矿企业进行大数据应用提供参考意见。该论文有图63幅,表35个,参考文献257篇。
【学位授予单位】：中国矿业大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：F426.21;TD79
【图文】：

不安全行为,矿工

博士学位论文不安全行为的数量随着产量的减少而减少。因此，煤矿企业在 10 月至 12 月注不安全行为。同时，应充分重视不安全行为多样性和脆弱性的特点，因为“大数定律”，无论不安全行为造成事故的概率有多低，事故都会发生，直生次数足够为止。因此，为了防止煤矿事故的发生，无论风险系数有多低，关注不安全行为的细节。

关联规则,风险,地点,部门

图 4-10 煤矿安全隐患关联规则的可视化Figure 4-10 Visualization of coal mine safety hazard association rules表 4-6 6 条中等风险隐患最优关联规则Table 4-6 Six best intermediate risk hazard optimal association rulesLHS RHS 支持度置信度提{部门=掘进一队地点=12316掘进工作面}=> 中等风险 0.020 0.94 5{部门=掘进一队地点=12301掘进工作面}=> 中等风险 0.024 0.56 3{时间=晚上，月份=四月} => 中等风险 0.023 0.71 4{部门=采煤一队，地点=13301采煤工作面，时间=白天}=> 中等风险 0.039 0.93 5{部门=采煤一队，地点=13309采煤工作面，时间=白天}=> 中等风险 0.022 0.54 3{部门=掘进一队地点=1150掘进工作面时间=晚上}=> 中等风险 0.029 0.99 5 Apriori 关联规则挖掘算法来对煤矿隐患管理的要素进行挖掘，包、位置、月份和风险水平，我们发现多个维度之间的强关联规则，

神经网络训练

王楼煤矿 0.27 0.07 0.46 0.02 0.26 0.35 0.28柴里煤矿 0.22 0.07 0.44 0.00 0.18 0.05 0.563）BP 神经网络参数的设定于煤矿安全管理效率评估模型的输入输出指标并不复杂，因此首先采经网络进行分析，及包含一个输入层，一个输出层和一个隐层。输 7 个，分别为 X1，X2，X3，X4，X5，X6，X7，因此将神经网络的置为 7 个。输出指标共有 4 个，分别为 DEA 有效（11）、投入冗余（0足（10）和投入和产出均非最优（00）。因此，输出层节点数设为 4 点数依据公式 5-3 进行计算，得到隐层节点的区间为 4~13 个，本文选取 8 个隐层节点进行计算。4）BP 神经网络运算用 MATLAB（2016a）软件中 BP 神经网络工具箱对上述数据进行分神经网络训练到第 22 步时达到最优预测精度要求（图 5-8）。然后，的煤矿安全管理效率输入指标数据进行运算，检验模型的可靠性。表 5-13 所示。

【参考文献】