基于K-means的鐵路行車宏觀安全風(fēng)險動態(tài)預(yù)警區(qū)間確定

王列妮,胡士克,黃毅,曾琳惠

1.西南交通大學(xué)交通運輸與物流學(xué)院,四川 成都 611756;2.成都天佑安全技術(shù)有限公司,四川 成都 610031

0 引言

近年來,中國鐵路建設(shè)及運營管理發(fā)展迅速[1-2]。鐵路安全行車面臨巨大壓力,一旦發(fā)生鐵路交通事故,往往帶來重大的人員傷亡及財產(chǎn)損失。風(fēng)險預(yù)警是事故預(yù)防的重要內(nèi)容,是指根據(jù)風(fēng)險預(yù)警指標(biāo)的變化趨勢,采用相關(guān)理論及技術(shù)手段,評價指標(biāo)偏離預(yù)警限值的程度,以便提前采取預(yù)控措施。加強鐵路行車安全風(fēng)險預(yù)警研究,對科學(xué)制定事故控制目標(biāo)和防控決策,保障鐵路行車安全具有重要的理論和現(xiàn)實意義[3]。

在鐵路行車安全風(fēng)險預(yù)警方面,喬軍利[4]在研究車務(wù)系統(tǒng)安全預(yù)警理論的基礎(chǔ)上,根據(jù)安全風(fēng)險的等級和權(quán)重,結(jié)合站段、管轄范圍、作業(yè)量和行車密度等構(gòu)建安全風(fēng)險預(yù)警模型;王惠[5]開發(fā)基于Brows/Server模式的高速鐵路工務(wù)安全評價及預(yù)警系統(tǒng),為安全風(fēng)險管控和隱患排查提供有效的信息手段;薛鋒等[6]采用系統(tǒng)動力學(xué)方法構(gòu)建高鐵調(diào)度指揮安全預(yù)警決策框架,實現(xiàn)高鐵調(diào)度風(fēng)險定量化預(yù)測;佘振國[7]提出基于風(fēng)險因素危害值的定量預(yù)警評價模型,確定高、中、低3個風(fēng)險預(yù)警等級的劃分標(biāo)準(zhǔn),依據(jù)文獻[8]判定風(fēng)險等級,但劃分標(biāo)準(zhǔn)無動態(tài)性;李強等[9]建立基于列車運行數(shù)據(jù)的機務(wù)安全運行風(fēng)險在線預(yù)警控制系統(tǒng),對現(xiàn)場人員作業(yè)過程實施在線監(jiān)控與指揮,提高機務(wù)安全風(fēng)險管理水平。風(fēng)險預(yù)警的關(guān)鍵內(nèi)容是確定預(yù)警區(qū)間,但大多研究集中在建立風(fēng)險預(yù)警系統(tǒng)方面,對風(fēng)險預(yù)警區(qū)間的研究較少。鐵路行車安全風(fēng)險等級隨新技術(shù)、新材料、新設(shè)備的投入使用及安全管理模式的轉(zhuǎn)變發(fā)生變化,其劃分標(biāo)準(zhǔn)也應(yīng)隨之變化。將風(fēng)險不同的預(yù)警區(qū)間視作不同類,同一預(yù)警區(qū)間的數(shù)據(jù)相似度較高,不同預(yù)警區(qū)間的數(shù)據(jù)相似度較低[10-11]。

在建立鐵路行車宏觀安全風(fēng)險預(yù)警指標(biāo)體系的基礎(chǔ)上,本文采用K-means算法確定風(fēng)險預(yù)警區(qū)間,實現(xiàn)安全風(fēng)險精確預(yù)警和動態(tài)預(yù)警,以期提高鐵路行車安全風(fēng)險管理水平。

1 K-means聚類算法

1967年,Mac Queen總結(jié)Cox、Fisher、Sebestyen等的研究成果后提出K-means聚類算法[12]。K-means算法依據(jù)數(shù)據(jù)間的相似度劃分類,將n個數(shù)據(jù)點進行聚類分析,得到K個聚類,每個數(shù)據(jù)點到對應(yīng)聚類中心的距離最小[13-14]。聚類結(jié)果對選取的輸入?yún)?shù)K非常敏感,選取的初始聚類中心點不一致,得到的聚類結(jié)果有時相差較大。K-means算法原理簡單、收斂速度快,廣泛應(yīng)用于數(shù)據(jù)挖掘和知識發(fā)現(xiàn)領(lǐng)域[15-20]。

K-means聚類算法復(fù)雜度為O(nKt),其中n為對象總數(shù),K為類數(shù),t為迭代次數(shù),通常K<

1)給定數(shù)據(jù)集X={x1,x2,…,xi,…,xn},i=1,2,…,n,從n個數(shù)據(jù)中隨機選取K個數(shù)據(jù),得到K個聚類中心,構(gòu)成初始集合C1={c1,c2,…,cj,…,cK},j=1,2,…,K,C1?X。

2)計算剩余數(shù)據(jù)與各初始聚類中心的距離d(xi-cj),若

(1)

3)計算k個聚類中所有數(shù)據(jù)的平均值

2 鐵路行車宏觀安全風(fēng)險預(yù)警指標(biāo)體系

2.1 指標(biāo)體系

鐵路行車風(fēng)險包括宏觀安全風(fēng)險和微觀安全風(fēng)險。鐵路行車宏觀安全風(fēng)險主要為人、物(設(shè)備、設(shè)施)和管理3方面風(fēng)險,在實際運營時一般難以獲得預(yù)警指標(biāo)。通過檢測、監(jiān)測手段獲得微觀安全風(fēng)險的風(fēng)險預(yù)警指標(biāo),結(jié)果更直觀。通常情況下,宏觀安全風(fēng)險和微觀安全風(fēng)險存在一定內(nèi)在因果關(guān)系。

根據(jù)安全風(fēng)險預(yù)警指標(biāo)體系建立原則與流程,從人員、設(shè)備、管理3方面篩選相應(yīng)的安全風(fēng)險預(yù)警指標(biāo),建立目標(biāo)層、準(zhǔn)則層、因素層3層鐵路行車宏觀安全風(fēng)險預(yù)警指標(biāo)體系,如圖1所示。

進行風(fēng)險預(yù)警的前提是量化風(fēng)險預(yù)警指標(biāo)。采用體檢合格率表示身體健康狀況,按修正的古柏-哈柏評定量表確定工作負(fù)荷程度,從薪酬、工作、晉升、管理、環(huán)境5方面確定工作滿意度,用人員違章事故率,即從業(yè)人員三違原因造成的事故數(shù)與事故總數(shù)之比表示現(xiàn)場作業(yè)秩序。

設(shè)備狀態(tài)是指設(shè)備質(zhì)量的基本狀況,是評判設(shè)備管理工作和設(shè)備狀態(tài)改善情況的基本指標(biāo),一般由專業(yè)人員檢查評定;設(shè)備保養(yǎng)質(zhì)量是評判設(shè)備養(yǎng)護質(zhì)量的基本指標(biāo),一般通過定期抽樣評定。設(shè)備狀態(tài)和設(shè)備保養(yǎng)質(zhì)量是安排維修計劃的主要依據(jù)。

圖1 鐵路行車宏觀安全風(fēng)險預(yù)警指標(biāo)體系

管理安全風(fēng)險預(yù)警指標(biāo)中,已制定的安全管理制度數(shù)量與應(yīng)制定的安全管理制度數(shù)量之比為安全管理制度完善率,實際投入資金與規(guī)定投入資金之比為安全投入率,實際制定應(yīng)急預(yù)案數(shù)量與應(yīng)制定的應(yīng)急預(yù)案數(shù)量之比為應(yīng)急預(yù)案完善率,實際檢查數(shù)量與應(yīng)檢查數(shù)量之比為安全檢查落實率,實際風(fēng)險管控數(shù)與應(yīng)管控數(shù)之比為風(fēng)險管控率,已治理的隱患數(shù)量與應(yīng)治理的隱患數(shù)量之比為隱患排查治理率。

2.2 風(fēng)險預(yù)警指標(biāo)標(biāo)準(zhǔn)化

對風(fēng)險預(yù)警指標(biāo)進行標(biāo)準(zhǔn)化處理,包括對指標(biāo)的一致化處理和歸一化處理。對指標(biāo)的一致化處理是將極小型、中間型和區(qū)間型等不同類指標(biāo)轉(zhuǎn)化為極大型指標(biāo),使處理后的指標(biāo)對評價結(jié)果的作用方向相同。

極小型指標(biāo)

(2)

式中M為某指標(biāo)x的允許上限。

中間型指標(biāo)

式中m為某指標(biāo)的允許下限。

區(qū)間型指標(biāo)

式中:c=max{a-m,M-b}。某指標(biāo)的最佳取值范圍為[a,b]。

3 預(yù)警區(qū)間的確定

圖2 4個風(fēng)險預(yù)警區(qū)間

在鐵路行車宏觀安全風(fēng)險預(yù)警指標(biāo)體系下,將鐵路企業(yè)每月的各風(fēng)險預(yù)警指標(biāo)集作為數(shù)據(jù)集,對各指標(biāo)集進行標(biāo)準(zhǔn)化處理,采用K-means聚類算法將各指標(biāo)集劃分為好、中、差3類,以3類的上邊界分別作為一級預(yù)警、二級預(yù)警、三級預(yù)警、四級預(yù)警4個預(yù)警區(qū)間的分割點,確定各指標(biāo)的4個風(fēng)險預(yù)警區(qū)間,如圖2所示。

鐵路安全風(fēng)險預(yù)警指標(biāo)矩陣

式中:xij為指標(biāo)j的第i個指標(biāo)值,i=1,2,…,m,j=1,2,…,n。

采用K-means聚類算法將各指標(biāo)矩陣分別聚為3類,即

好、中、差3類的上邊界可表示為:

指標(biāo)j的4個預(yù)警區(qū)間可表示為:

(3)

式中:wg3j、wg2j、wg1j分別為指標(biāo)j的第三類(差)、第二類(中)、第一類(好)上邊界值,wg3j>wg2j>wg1j。

4 實例分析

4.1 數(shù)據(jù)來源

收集2005年5月—2014年7月某鐵路局事故數(shù)據(jù)資料,根據(jù)式(1)計算每月的人員違章事故率w,得到123條數(shù)據(jù),構(gòu)成一維數(shù)組,結(jié)果如表1所示。

表1 2005年5月—2014年7月某鐵路局的月度人員違章事故率

4.2 預(yù)警區(qū)間的確定

1—第一類(差);2—第二類(中);3—第三類(好)。 圖3 事故違章率聚類可視化圖

采用第3章方法確定鐵路從業(yè)人員違章事故風(fēng)險預(yù)警區(qū)間。表1數(shù)據(jù)為極小型指標(biāo),采用式(2)對預(yù)警指標(biāo)進行一致化處理,采用軟件MATLAB對處理后的指標(biāo)進行K-means聚類分析并分為3類。

K-means聚類算法的結(jié)果依賴初始簇中心的隨機選擇,為得到較好結(jié)果,此處運行20次K-means聚類算法,最終結(jié)果可根據(jù)2種方法確定:第1種方法為計算運行20次的數(shù)據(jù)結(jié)果的平均值;第2種方法為將出現(xiàn)次數(shù)最多的1組數(shù)據(jù)作為最終運算結(jié)果。選擇第2種方法,確定3個聚類中心為0.052 2,0.204 0,0.445 8;一、二、三類邊界分別為[0,0.120 0]、[0.130 0,0.320 0]、[0.330 0,0.860 0],人員違章事故率聚類可視化圖如圖3所示。

根據(jù)式(3),得到鐵路從業(yè)人員違章事故率4個風(fēng)險預(yù)警等級的預(yù)警區(qū)間,分別為[0,0.120 0)、[0.120 0,0.320 0)、[0.320 0,0.860 0)、[0.860 0,1]。

4.3 預(yù)警措施

表2 鐵路從業(yè)人員培訓(xùn)學(xué)時

為減少因從業(yè)人員違章引起的事故,對鐵路從業(yè)人員進行教育培訓(xùn)。根據(jù)某鐵路局的《鐵路職工年度培訓(xùn)計劃》,生產(chǎn)崗位人員每人每年培訓(xùn)不少于20 d(160學(xué)時),管理人員和其他工作人員每人每年不少于5 d(40學(xué)時)。根據(jù)每月預(yù)警等級,按年度培訓(xùn)總學(xué)時平均分配到月度培訓(xùn)學(xué)時為最低標(biāo)準(zhǔn),通常以2學(xué)時為培訓(xùn)的最低學(xué)時,重新分配及優(yōu)化培訓(xùn)學(xué)時后如表2所示。

將員工培訓(xùn)與預(yù)警等級緊密聯(lián)系,根據(jù)預(yù)警等級動態(tài)調(diào)整和細(xì)化培訓(xùn)學(xué)時,優(yōu)化培訓(xùn)體系,使培訓(xùn)更具有針對性和適用性,真正實現(xiàn)培訓(xùn)與實際結(jié)合,打破傳統(tǒng)固定的培訓(xùn)模式,形成有序的、動態(tài)的培訓(xùn)機制。隨新技術(shù)、新材料、新設(shè)備的不斷投入使用,人員違章事故率也會發(fā)生較大變化。確定違章事故風(fēng)險預(yù)警區(qū)間時需收集歷史數(shù)據(jù),可根據(jù)人員事故違章率的變化動態(tài)調(diào)整,最大限度貼近當(dāng)前真實情況,滿足預(yù)警需求,適應(yīng)我國鐵路建設(shè)新時期的發(fā)展。

5 結(jié)論

1)采用K-means算法確定鐵路行車宏觀安全風(fēng)險預(yù)警區(qū)間,實現(xiàn)鐵路宏觀安全風(fēng)險預(yù)警區(qū)間從靜態(tài)向動態(tài)、從主觀到客觀的轉(zhuǎn)變,提高預(yù)警區(qū)間劃分的準(zhǔn)確性。

2)在實例分析中,將培訓(xùn)時間與預(yù)警等級緊密聯(lián)系,根據(jù)預(yù)警等級動態(tài)調(diào)整及細(xì)化培訓(xùn)學(xué)時,培訓(xùn)更具針對性和適用性,打破傳統(tǒng)固定的培訓(xùn)模式,形成動態(tài)有序的培訓(xùn)機制。

K-means聚類算法的分類效果很大程度上依賴歷史數(shù)據(jù)。采用該方法確定風(fēng)險預(yù)警區(qū)間時,建議鐵路運營企業(yè)按月收集、統(tǒng)計所有指標(biāo)數(shù)據(jù),形成規(guī)范性的數(shù)據(jù)集,為后續(xù)安全風(fēng)險預(yù)警提供數(shù)據(jù)支撐;在實例分析中,優(yōu)化培訓(xùn)學(xué)時可最大限度地發(fā)揮培訓(xùn)作用,但加密培訓(xùn)頻次增加培訓(xùn)成本,需進一步研究培訓(xùn)與成本優(yōu)化問題。

K-means聚類算法的結(jié)果依賴初始簇中心的隨機選擇,可能有多個結(jié)果和局部最優(yōu)解,可研究采用優(yōu)化后的K-means聚類算法確定鐵路行車安全風(fēng)險預(yù)警區(qū)間。