基于SCM 與K-means 聚類算法的礦工不安全動作分類特征研究

鞠春雷，鄧慧敏，張永杰，吳 悠，張江石，郭金山

（1 北京天地華泰礦業管理股份有限公司，北京 100013；2 中國礦業大學（北京）應急管理與安全工程學院，北京 100083）

安全科學是事故預防的科學，“瑞士奶酪”模型（Swiss Cheese Model, SCM）等事故致因理論是發現事故原因、有效預防事故的工具[1]。利用SCM 模型等事故致因理論，可以減少人的不安全動作，有效的預防事故的發生[2]；對不安全動作進行科學分類有助于發現原因，實現精準預防[3]。孫世梅[4]等通過違章分類分析得出21 類190 個不安全動作、4 類10 個不安全物態，發生頻率前3 位順次為不具備作業資格、安全培訓教育不到位、安全監管不到位；付凈[5]等基于FTA 等構建不安全動作識別及作用分析模型，得出在違章中違章操作占違章動作總數54.6%；薛宇敬陽[6]等統計了1997—2010 年我國共發生的38 起通用航空飛行事故，得出不安全動作原因可歸為4 類，其中違章操作是發生頻數最高的原因類型；李敬強[7]等提出采用k-means 聚類方法對比分析管制員與管制學生的差異，并明確相關特征。基于內蒙古、寧夏、新疆地區的6 個煤礦2017—2018 年度的“三違”行為數據進行統計分析，應用SCM 模型進行歸類整理，對違章、錯誤、過失、疏忽4 種類別的不安全動作進行統計分析，并采用k-means 聚類對數據進行分類與人工分類進行對比探討，給出相應安全建議。

1 不安全動作統計分析及分類特征

1.1 SCM 模型

“瑞士奶酪”模型將導致系統故障的各種人為錯誤因素分為4 個級別[8]：最高級別的人為因素是不可靠決策，其次是直線管理層缺陷和不安全動作的心理前兆，最低級別為不安全動作。SCM 模型前3個層級只是簡單介紹了其包含的內容，只有在最低層級即不安全動作這一層級，進行了詳細的分類。在該模型中，違章[9]與錯誤被歸為有意動作，過失和疏忽被歸為無意動作。Reason 將技能型疏忽、過失、規則型錯誤和知識型錯誤定義為3 種基本失誤類型。故不安全動作不僅可以分為人誤和違章，還可分為有意、無意動作。

1.2 實地調研情況

實地調研主要在6 個煤礦中開展。經調研，2017—2018 年在6 個煤礦搜集到共計1 996 名“三違”人員的基本信息和16 208 起“三違”行為，將“三違”記錄中的無效數據剔除，最后保留15 416 起“三違”行為數據，數據有效率為95.11%。

1.3 不安全動作分類特征

基于統計的6 個煤礦的“三違”行為數據，從時間、工種及SCM 行為產生特點3 個方面對全部“三違”行為進行細化分類，得到不同維度分析結果，不同月份和不同區隊及不同產生原因“三違”行為數量分布如圖1。

圖1 不同月份和不同區隊及不同產生原因“三違”行為數量分布Fig.1 Quantity distribution of“three violations”in different months, different district teams and causes

從“三違”時間維度來看，五月至八月和歲末年初受節假日影響，員工心理發生了波動“三違”行為遞增態勢較為明顯，呈現波峰現象；從“三違”區隊維度來看，產生“三違”行為發生率由高到低為：綜掘8.05%、綜采7.91%、機運7.76%、通風7.14%、車隊7.13%、提升6.57%；基于SCM 的4 種不安全動作分類排序來看：違章占比46.88%、疏忽占比40.63%、錯誤占比4.91%、過失占比7.58%，即基本錯誤類型占“三違”行為的53.12%，基于統計結果可以看出，礦工產生不安全動作的主導因素是內部自身的原因，其次是外部影響因素。

2 K-means 聚類分析

2.1 K-means 聚類原理

對于給定的一個包含n 個多維數據點的數據集X=｛x1，x2，…，xn｝，其中xi屬于全體實數集。K 為最終將要生成的數據子集的數量，此聚類算法將數據對象劃分為k 個簇C＝｛ck，i＝1，2，…，k｝。每個簇代表1 類ck，每1 類ck有1 個聚類中心μi。此聚類算法將歐式距離作為相似性與距離判斷標準，通過計算該類中各點到聚類中心μk的距離平方和，確定具體聚類結果。K-means 聚類分析是一個反復迭代的程，根據最小二乘法和拉格朗日原理算出的各類別ck內各數據點的平均值即聚類中心μk[10]。聚類目的是為了使聚類域中的樣本到聚類中心距離的平方和J（C）最小。

2.2 K-means 實例運算

為了進一步挖掘不安全動作數據特點，驗證并擴展上述礦工不安全動作分類結果，將大樣本數據集中處理，從“三違”調研數據中選取多次發生或風險隱患較大的不安全動作數據進行聚類分析，共篩選出148 例具有代表性的“三違”行為數據集合。

利用Matlab 進行聚類分析，建立指標8 個，各指標名稱及含義見表1。對得到的結果進行分析。假設k=4，初始聚類中心選取結果見表2；根據聚類分析步驟進行迭代計算，迭代次數為13 次，當各聚類中心變化趨近于0，迭代過程結束，最終聚類中心結果見表3。通過采用PCA 降維聚類散點分析了導致“三違”行為產生的4 類原因，聚類效果明顯。

表1 各指標名稱及含義Table 1 Name and meaning of each index

表2 初始聚類中心Table 2 Initial cluster centres

表3 最終聚類中心Table 3 Final cluster centres

基于組別分類指標進行單因素方差分析，方差分析結果見表4。根據F 值得到各指標對聚類的貢獻，按照重要度排序為X>O>Y>C>Z>Q>S>G，各指標對聚類均具有貢獻。結合SCM 模型、指標的建立及聚類后的各類別的數量對4 類不安全動作排序為：違章>疏忽>過失>錯誤，與人工分類結論相同。

表4 方差分析結果Table 4 Results of variance analysis

3 控制對策及預防方法

從內部和外部原因分析礦工不安全動作的產生可知：①礦工自身能力不足，無意識或存在缺陷引起的不良效應，進而導致不安全動作的產生，表現為疏忽和過失；②組織機構存在的決策性失誤、規則不完善等直接或間接干擾了礦工安全動作，導致的礦工行為偏離而產生的不安全動作，表現為錯誤；③干擾失效，即監督檢查不到位讓本可以預防的不安全動作發生，表現為違章或“三違”行為。

經過上述研究，建議托管運營煤礦從員工的知識、意識與習慣3 個角度實施不安全動作預防控制措施：①在正常的安全培訓基礎上，強化身邊典型事故案例分析教育，增強符合本礦條件下的危險源辨識和及時處理能力；②操作程序規范化、標準化，使員工養成良好的操作行為習慣，提高操作技能水平；③強化巡檢監督，減少不安全動作的發生率；④合理安排工作任務量，切實降低工人勞動強度，有效防止導致安全事故的不安全動作的出現。

4 結 語

1）以國內3 個不同區域6 個托管運營煤礦的“三違”數據為來源，基于SCM 模型的不安全動作分類方法進行歸類分析，找到了違章、錯誤、過失、疏忽4種類別中主要導致不安全動作發生的致因因素。

2）將2017、2018 年“三違”行為數量做逐月對比，發現五月至八月和歲末年初受節假日影響，員工的“三違”行為呈遞增態勢；按照不同區隊分類，“三違”行為發生率綜掘、綜采、機運居于前3 位；基于SCM 分類分析4 種不安全動作類別排序，綜合分析得出，礦工產生不安全動作的主導因素是內部自身的原因，外部影響為次要因素。

3）對預處理后剩余的148 起“三違”行為數據進行k-means 聚類分析和PCA 降維可視化聚類散點分析。結果表明在所有不安全動作中，違章占比最大，錯誤占比最小。

4）針對不安全行為分析結果，建議托管運營煤礦員工從知識、意識與習慣3 個角度實施不安全動作的預控措施；強化培訓，提高認識，增強危險辨識能力；操作流程規范化、標準化，注重習慣養成，提高操作技能；保持巡查監督、降低勞動強度，最終避免和遏制導致安全事故的不安全行為動作發生。