基于TEM模型的民航不安全事件關聯規則挖掘與分析*

袁樂平，張文東，趙力梵，崔湘奇

(中國民航大學 安全科學與工程學院，天津 300300)

0 引言

民航系統是1個復雜的社會技術系統，其涉及人、設備、環境和管理等多方面的因素，不安全事件的產生通常是系統內部以及外部諸多因素共同制約和影響的結果。事故預防是民航安全管理的首要任務，導致事故發生的因素同樣存在于征候中[1]，深入挖掘事故/征候中各因素的關聯關系，有利于了解事故發生的演變過程和致因因素。

機組威脅與差錯管理(TEM)模型是由機組資源管理逐漸發展而來，包含威脅、機組差錯、非預期航空器狀態在內的一整套管理系統[2]。國際民航組織(ICAO)在DOC 9868文件Training(PANS-TRG Third Edition，2020)的附件C中對TEM模型有詳細描述，并將其應用于航線運行安全審計(LOSA)及空管正常運行監測過程等[3-4]，國際航空運輸協會(International Air Transport Association，IATA)在2020年航空安全報告中運用TEM模型進行數據分析[5]。將TEM模型應用于民航事故因素提取，能夠完整覆蓋民航運行過程中的各項復雜風險因素。

關聯規則作為1種典型的數據挖掘方法，可深入挖掘事故影響因素之間的聯系[6]。隨著各行各業事故安全領域數據量和事故屬性維度的增加，多維多層關聯規則的研究和應用日漸廣泛。劉文恒[7]利用Apriori算法對公路穿村鎮路段交通事故致因的關聯規則進行挖掘，篩選二項集、三項集以及四項集規則結果，分析事故致因因素之間的內在關系；況宇琦等[8]基于Apriori算法，提出1種適用于多維多層關聯規則挖掘的模式，挖掘塔式起重機事故屬性與致因間多維多層的關聯規則。Chen等[9]利用Reason模型結合經典關聯規則算法設計多維關聯規則算法，挖掘出影響船舶連鎖事故的人為因素。2021年，Ashraf等[10]收集美國加州機動車輛管理局的自動駕駛汽車碰撞報告，應用決策樹和關聯規則方法提取自動駕駛汽車碰撞前的碰撞規則。國內外學者研究表明，關聯規則能夠有效地挖掘事故報告中的安全信息，但多應用于道路交通運輸領域，民航領域則相對較少。

本文以2014—2020年的619起民航事故/征候報告為基礎，借鑒ICAO DOC 9868文件附件C、IATA航空安全報告以及已有的威脅與差錯文獻[11-12]，通過改進傳統的單維關聯規則，實現對多維多層的民航事故/征候案例關聯規則挖掘，從而探究威脅、機組差錯、非預期航空器狀態、結束狀態等相關因素之間的關系，為減少民航不安全事件的發生提供有效決策依據。

1 機組威脅與差錯管理分析

機組威脅與差錯管理是1個概念性的框架，其從動態的角度記錄復雜環境中飛行安全、航空器狀態和機組人員表現之間的內部關系，揭示飛行事故/征候產生的原因和具體過程。從飛行機組角度看，威脅和差錯管理模型有3個基本組成部分:威脅、差錯和非期望的航空器狀態。威脅和差錯是日常機組資源管理的內容，管理不當易造成非期望的航空器狀態，不適當的非期望航空器狀態管理則又可能導致不安全的后果。非期望的航空器狀態管理與威脅和差錯管理同樣重要，是保持飛行運行安全裕度的最后機會。

2 關聯規則優化

2.1 關聯規則挖掘流程

Apriori算法由Agrawal等[13]于1993年提出,是研究關聯規則最具代表性的方法。該算法涉及2個基本指標:支持度與置信度。算法包含2個階段：第一步，掃描整個事務數據庫，找到所有支持度大于最小支持度的頻繁項集；第二步，以第一步中的頻繁項集為基礎產生滿足最小置信度的關聯規則(形如A?B的蘊含式)。為了使關聯規則的相關性更強，引入提升度，關聯規則相關指標含義解釋[14]如表1所示。

表1 關聯規則相關指標含義Table 1 Indicators related to association rules

2.2 多維關聯規則挖掘方法改進

Apriori算法挖掘的是單層單維關聯規則，民航不安全事件數據所包含的因素維度多樣、層次復雜，為提高多維多層關聯規則挖掘效率，進行如下改進：

1)基于維約束的關聯規則挖掘。對于多維關聯規則，可指定挖掘不同維度之間的關聯規則。例如，挖掘謂詞“結束狀態”與“機組差錯”、“威脅”等其他因素的關系。

2)精簡關聯規則。在數據較大的關聯規則挖掘過程中，產生的大量關聯規則使得分析和利用這些規則變得較為困難。因此，需要對冗余關聯規則進行刪除[15]。方法：存在規則R1:A?B與規則R2:C?D,若A?C,B?D，且Lift(R1)>Lift(R2),則規則R2是規則R1的冗余規則，并刪除規則R2。

綜上，民航不安全事件關聯規則挖掘流程如圖1所示。

圖1 民航不安全事件關聯規則挖掘流程Fig.1 Mining process of association rules of civil aviation unsafe incidents

3 民航不安全事件關聯規則挖掘與分析

針對事故信息挖掘的特征，通過維度選擇，對民航不安全事件進行3方面的挖掘：1)事件嚴重性相關因素挖掘；2)TEM模型因素關聯挖掘；3)結束狀態致因因素挖掘。

3.1 民航不安全事件案例數據處理

為了直觀地了解民航不安全事件中各因素間的層次關系，構建機組威脅與差錯管理模型，如表2所示。

根據事件性質，增加結束狀態和事件等級維度，見表3。事件等級主要參照《民用航空器事件調查規定》(CCAR—395—R2)和《民用航空器征候等級劃分辦法》(AC—395—AS—01)進行分類。

表2 機組威脅與差錯管理模型Table 2 Flight crew threats and errors management model

3.2 數據準備與整理

分析2014—2020年的航空事故調查報告，提取每篇事件報告所涉及的TEM模型因素，整理出民航事故/征候的TEM模型因素的布爾矩陣數據集，有效數據619條。

表3 結束狀態與事件等級Table 3 End states and incident level

3.3 關聯規則挖掘與結果分析

3.3.1 民航不安全事件嚴重性關聯挖掘

通過Python的efficient_apriori包導入apriori函數，導入包含“結束狀態”、“TEM因素”、“事件等級”的民航事故/征候布爾矩陣數據集，進行關聯規則挖掘。設置最小支持度為0.002 5，最小置信度為0.5，最小提升度為1.5，刪除冗余規則，按照置信度排序，得到事件嚴重度關聯規則，見表4。

表4 事件嚴重性關聯規則Table 4 Association rules of incident severity

由表4中的規則1，2，3，5可知，航空器在飛行中損壞，與氣象和鳥類/外來物有關，置信度分別為0.96，0.86，造成的事件等級多數為運輸航空一般征候。此外，規則4，6顯示：結構失效和起落架/輪胎故障與運輸航空一般征候也有較大關系，置信度分別為0.84，0.79。

規則8表明，駕駛艙/客艙/貨艙起火或冒煙多造成運輸航空嚴重征候，置信度為0.62，提升度為4.80。

規則9表明，偏離跑道/滑行道易造成通用航空征候，通航機組及相關部門應關注此結束狀態。

規則10表明，航空器在飛行中失控的結束狀態，易造成一般飛行事故，提升度為5.48。機組人員與相關安全管理人員須關注這一結束狀態。

3.3.2 TEM因素關聯挖掘

導入只包含TEM因素的布爾矩陣數據集進行關聯規則挖掘，設置最小支持度閾值為0.03，最小置信度閾值為0.6，最小提升度為1，刪除冗余規則，按照置信度排序，得到6條TEM因素關聯規則，見表5。

表5 TEM因素關聯規則Table 5 Association rules of TEM factors

由表5中的規則3，4可知，飛行員之間溝通差錯和簡令與標準操作程序遵守/標準操作程序交叉檢查置信度分別為0.71，0.66。由此可以推斷，機組人員之間缺乏足夠的溝通交流，易造成標準操作程序遵守不嚴格或交叉檢查不足。同時，錯過或省略簡令，也會造成程序執行錯誤。

從規則1，2，5，6可以看出，缺乏/不足的飛行培訓與手動操縱/飛行控制差錯之間有著比較顯著的影響，表明足夠的培訓時長和健全的培訓系統，是提高機組人員手動駕駛能力的關鍵。其中，規則1，2表明航空器操作狀態與手動操縱/飛行控制關系較大。規則5，6涉及到的安全管理、標準操作程序遵守/標準操作程序交叉檢查，也是造成不安全事件發生的重要因素。

總體而言，機組人員的手動駕駛技能、航空公司與相關部門的飛行培訓和安全管理、機組人員的溝通交流和程序執行是造成民航事故/征候的比較顯著的TEM因素。

較高的支持度與置信度說明規則具有更高的可用性和確定性，但能看到的規則也越少，通過降低閾值，可以得到TEM因素中更廣泛的關聯信息。設置最小支持度為0.01，最小置信度為0.3，最小提升度為1，刪除冗余規則，過濾出二項集關聯規則，通過Python調用networkx和matplotlib.pyplot包，建立關聯共線網絡，如圖2所示，網絡的邊顏色深淺表示相鄰結點之間的置信度大小，邊的顏色越深，相關性越大。

圖2 TEM因素關聯網絡Fig.2 Association network diagram of TEM factors

3.3.3 結束狀態致因因素挖掘

設置最小支持度為0.005，最小置信度為0.3，最小提升度為1，刪除冗余規則，過濾二項集規則，挖掘出“結束狀態”中每個屬性的關聯致因因素的共線網絡，如圖3所示。

圖3 結束狀態致因關聯網絡Fig.3 Associated network diagram of end states cause factors

由圖3可以看出，“結束狀態”的屬性表明事件的性質或狀態，事件的子圖直觀地表現出影響不同事件的相關機組威脅與差錯的關聯因素。各子圖以networkx庫的spring_layout的網絡布局分布，中心結點代表結束狀態，周圍節點為TEM模型的各項因素，邊顏色的深淺表明TEM因素與“結束狀態”的置信度大小，顏色越深，相關性越大，反之亦然。

總體而言，造成航空器不安全結束狀態的首要原因是人為差錯。

1)偏離跑道/滑行道、飛行中失控、可控飛行撞地、重著陸、擦尾事件與手動操縱/飛行控制關系較大，其中偏離跑道/滑行道與手動操縱/飛行控制為強相關，置信度為0.88，提升度為5.13。相關管理部門與航空公司需要加強機組人員手動駕駛方面的應急處置能力，加大對這幾類事件的針對性培訓與模擬機訓練。

2)機場外著陸與迫降主要與發動機故障/動力裝置故障有關，針對此類事件，需要提高機組人員對于機械故障的應急處置能力，加強對航空器的維護與維修。

3)跑道外接地主要與標準操作程序遵守/標準操作程序交叉檢查關系較大，應對此類事件，機組人員須嚴格遵守相關檢查單和手冊的要求，及時準確地進行交叉檢查和有效的溝通交流，避免錯、漏、忘。

4)造成飛行中損壞的主要原因是氣象，機組人員須在飛行前了解相關地區的氣象預報，做好應對突發氣象的應急處置準備,避免或減少航空器飛行過程中受氣象原因導致的損壞。

5)地面損壞主要是由于地面車輛的交通碰撞或剮蹭航空器，也與地面運行：標準操作程序及檢查相關。航空公司或地面部門應制定詳細的地面車輛管理規定或條例，例如規定地面運行車輛與航空器的合理安全距離等，并督促相關人員嚴格遵守，避免由于相關管理標準的缺失或不足造成航空器的損壞。

4 結論

1)利用機組威脅與差錯管理模型提取民航不安全事件的特征，通過關聯規則挖掘民航不安全事件中的規律，從總體上找到影響民航運行安全水平的重要因素。

2)研究發現，航空器在飛行中失控最容易造成一般飛行事故的發生；機組人員的差錯為不安全事件的首要原因，程序遵守與檢查和飛行員的手動操縱控制是最需要關注的2個差錯；研究獲得不同結束狀態的直接原因組合，其中偏離跑道/滑行道與手動操縱/飛行控制的關系最為顯著。

3)關聯規則可以有效利用航空事故調查報告數據,為民航不安全事件案例的分析提供新的方法和思路，為機組資源管理和民航安全管理提供針對性的決策參考。本文研究重點主要在于民航不安全事件關聯規則的挖掘以及挖掘信息分析與可視化處理，未來可結合自然語言處理技術，提高自動化關聯規則挖掘效率。