基于貝葉斯網絡的鐵路運營安全 預警模型研究

劉 新

(中國鐵道科學研究院集團有限公司 運輸及經濟研究所，北京 100081)

0 引言

經過多年發展，我國鐵路已初步建成了人防、物防、技防“三位一體”的安全保障體系，確保我國鐵路運輸安全、持續、穩定。尤其是近年來隨著科學技術的快速發展，大量應用先進的技防、物防手段，以技術促安全取得明顯效果。但相對于技術而言，人為因素更為復雜，人為因素對安全的影響在某種程度上不可控，或者不完全可控。因此，加強對人為因素的研究，了解鐵路現場作業過程中存在的主要問題，把握整體的安全形勢，對于安全決策具有重要意義。

為減少人為因素對運營安全的影響，我國鐵路總結出了很多行之有效的方法。其中，安全管理人員下現場檢查，及時發現、反饋、整改問題，實現安全問題的閉環管理，就是目前鐵路現場廣泛采用的一種管理方式。尤其是近年來，各鐵路局集團公司根據各自的需求自行建設了不同的問題庫管理系統，將現場檢查過程中發現的安全問題及時錄入到系統中，并跟蹤問題的整改情況。經過多年積累，這些安全問題數據量已達到一定的規模。如果能夠對此加以綜合分析和應用，將能較好地反映現場作業安全的整體狀況和安全趨勢，為安全決策提供輔助支持。

貝葉斯網絡(Bayesian Network)又稱為有向無環圖模型，是將概率、統計應用于復雜系統的不確定性推理和數據分析的一種有效工具，起源于20世紀80年代中期對人工智能中的不確定性問題的研究，隨著其影響不斷擴大，已逐步成為將概率、統計應用于復雜系統的不確定性推理和數據分析的一種有效工具，可以從不完全、不精確或不確定的知識或信息中做出推理[1-2]。在軌道交通安全領域，已有學者將貝葉斯網絡理論應用于可靠性和風險分析等方面，如徐敏等應用貝葉斯網絡研究各種因素對接發列車、施工、貨物運輸等的安全影響[3-6]，江磊等應用貝葉斯網絡進行設備設施可靠性的研究。

據此，以某安全問題庫數據為例，應用貝葉斯網絡理論對安全檢查大數據進行分析和研究，構建基于貝葉斯網絡的鐵路安全預警模型。

1 鐵路安全問題分類

1.1 安全問題分類原則

（1）結合問題場景和問題性質對安全問題進行分類。某些問題涉及多個作業崗位，但反映的是同一種作業類型，如接發列車作業，這種情況下應以場景作為問題分類的維度。消防安全問題與此相類似，如私拉電線問題可能出現在任何場所、涉及所有單位，但問題性質相同，統一分類能更為準確地反映該類問題的整體安全狀況。

（2）以后果為導向對安全問題進行分類。安全問題并不必然導致安全事故，但事故通常是由于安全問題長期得不到解決或控制而造成的，問題與事故之間存在著一定的轉化關系，因而在對安全問題進行分類時，應盡可能與事故原因結合起來統一考慮。

1.2 安全問題分類

以某安全問題庫數據為例，根據對抽樣數據的人工處理結果，結合專家意見，選取部分安全問題進行歸并處理，劃分為14項具體分類。安全問題分類如表1所示。

表1 安全問題分類Tab.1 Classification of safety problems

安全問題是鐵路安全管理人員在鐵路現場的日常安全檢查中發現的，不可避免地受到觀察視角、檢查頻度、關注點等因素的影響，為簡化模型構建，假定所有安全檢查人員均為自主判斷且學識、素養沒有較大的差異，檢查頻度沒有較大的變化，對所有站段的檢查沒有顯著的差異性。

2 基于貝葉斯網絡的鐵路安全預警模型構建

貝葉斯網絡由代表隨機變量的節點和連接節點，以及描述2個節點之間相互關系的有向邊組成。在安全預警模型中，隨機變量就是日常安全檢查中發現的安全問題及發生的各類事故，安全問題之間以及安全問題與事故之間存在著一定的因果關系。

例如，D21事故包括行車設備故障耽誤本列旅客列車1h以上或耽誤本列貨物列車2 h以上，固定設備故障延時影響正常行車2 h以上(僅指正線)；導致D21事故的直接原因有可能是施工安全問題、基礎設施維護問題、移動設備維護問題、應急處置問題；施工安全問題可能是由于安全管理和培訓工作不到位引起的；設備管理不善、檢測計量設備管理不規范有可能導致基礎設施出現不應有的問題；檢測計量設備管理不規范還可能導致移動設備維護問題；而教育培訓不充分、規章制度缺漏和安全管理不到位又有可能導致應急處置工作出現疏漏。通過分析，形成D21事故致因鏈如圖1所示。

圖1 D21事故致因鏈Fig.1 D21 accident cause chain

在安全問題分類和涉及的事故類型基礎上，根據事故報告及專家經驗對事故致因鏈進行分析，最終形成由安全問題指向其他安全問題或事故的貝葉斯網絡。基于貝葉斯網絡的安全預警模型如圖2所示。圖2中，左側節點為安全問題，右側節點為安全問題可能導致的事故類型；問號表示未計算或未更新計算結果。

根據建立的模型和安全問題分類統計結果，計算各節點的先驗概率。以基礎設施維護問題節點為例，需要計算設備管理問題和檢測計量設備同時發生、任一問題發生及2個問題均未發生情況下，發生基礎設施維修問題的概率，可以分別表示如下。

3 鐵路安全預警模型試算

3.1 各類安全問題發生概率

按上述方法構建預警模型并輸入網絡各節點先驗概率數據后，運算得到各類安全問題及事故的發生概率，各節點發生概率如圖3所示。圖中State1和State0分別表示問題或事故發生和不發生的概率。

圖2 基于貝葉斯網絡的安全預警模型 Fig.2 Safety early warning model based on Bayesian network

各類問題的發生概率如表2所示。

根據計算得到的各類安全問題發生概率，比較多發的安全問題包括移動設備維護問題、勞動紀律問題、基礎設施維護問題等，提示在日常安全檢查中應重點關注這幾類問題，通過持續的檢查、整改，逐步減少或避免這些問題的發生。

圖3 各節點發生概率Fig.3 Occurrence probability in each node

表2 各類問題的發生概率 %Tab.2 Occurrence probability of various problems

3.2 事故預測

以施工安全問題為例，使用構建的安全預警模型進行事故預測的驗算。

根據先驗概率及構建的貝葉斯網絡安全預警模型，與施工安全問題相關的事故類型包括C13，C14，C24，D9，D16和D21，對應的事故發生概率分別為0.22%，0.14%，0.22%，0.18%，0.22%和2.69%。其他條件不變，當施工安全問題的發生概率設定為100%時，施工安全問題相關各類事故的發生概率如表3所示。

從模型計算結果可以看出，與初始狀態相比，假設發生施工安全問題，則除D21事故以外，其他相關事故的發生概率均大幅度增加，表明這些類型的事故與施工安全問題具有較大的相關性，因此加大力度解決施工或維修各環節中存在的問題，將能夠有效地降低各類事故的發生概率。D21事故發生概率下降的原因與構建模型時使用的數據和計算的先驗概率有關。

3.3 事故原因分析

基于貝葉斯網絡的安全預警模型同樣能夠用于事故原因的輔助分析。假定在其他條件不變的情況下發生D21事故，即設置D21節點State1的概率為100%，則從模型計算結果中可以看出，最可能的事故原因是基礎設施維護問題(概率為99.57%)，其次是移動設備維護問題(概率為85.64%)，表明加強基礎設施和移動設備的維護工作，減少這2類問題的發生概率，能有效減少D21事故的發生。發生D21事故時的各類安全問題發生概率如圖4所示。

4 結束語

基于貝葉斯網絡的鐵路安全預警模型是以安全問題大數據為基礎進行的一個初步嘗試，通過日常安全檢查發現的安全問題結合上報的事故數據，可以預測某些安全問題可能導致某類事故的概率，或者反向分析導致某類事故的原因，為相關安全決策提供輔助支持。但是，模型的適用程度受到安全問題分類及分類統計結果等諸多因素的影響。一方面，由于安全問題涉及到鐵路運營的各個方面，為簡化計算，本次研究僅選擇了部分問題作為模擬數據，安全問題及其分類方法無法完全覆蓋鐵路安全運營的各個層面，未來應對所有安全問題進行全面分析，并且在此基礎上進行更科學、合理的分類；另一方面，由于安全問題數據量大，并且全部為非結構化的文本描述，完全由人工進行分類統計并不現實，需要借助于機器學習等技術，統計結果的準確性同樣受到機器學習模型的制約，仍有進一步優化的 空間。

表3 施工安全問題相關各類事故的發生概率 %Tab.3 Probability of various accidents related to construction safety problems

圖4 發生D21事故時的各類安全問題發生概率Fig.4 Occurrence probability of various safety problems in the event of D21 accident