基于大数据的实验室安全风险评估

王扬

摘 要： 传统实验室安全风险评估法常使用数据评估与人为评估相结合的形式进行评估，易造成理论数据与实践数据相违背的问题，于是提出基于大数据的实验室安全风险评估方法。通过构建实验室安全风险评估总体框架，完善各模块间的协作效应，并给出评估流程图，引入大数据评估方法，利用数据贴合度，重新确立肯特指数，通过评估参数预设，确立三项指标，实现实验室安全风险的评估。实验结果表明，采用改进评估方法进行实验室安全风险评估时，其风险评估精度较高，耗时短具有一定的优势。

关键词： 大数据； 实验室安全； 风险评估； 贴合度； 评估精度； 肯特指数

中图分类号： TN919?34； TP393 文献标识码： A 文章编号： 1004?373X（2018）08?0113?03

Abstract： In the traditional laboratory safety risk assessment method， the form of data assessment and artificial assessment combination is often used for assessment， which can easily result in violation of theoretical data from practical data. Therefore， a laboratory safety risk assessment method based on big data is proposed. The coordination effect between various modules is improved by constructing the overall framework of laboratory safety risk assessment. The diagram of assessment process is given. The big data assessment method is introduced to reestablish the Kent index by using the data fit degree. Laboratory safety risk assessment is realized by assessing parameter presupposition and establishing three indices. The experimental results show that the improved assessment method for laboratory safety risk assessment has certain advantages with high risk assessment accuracy and short time consumption.

Keywords： big data； laboratory safety； risk assessment； fit degree； assessment accuracy； Kent index

0 引 言

试验室进行试验过程中，许多试验数据是不可控制的，会伴随极大的未知性、突发性。特别是针对物理、化学等专业性较强的试验，发生突发事件的可能性较大，一旦发生安全隐患可能是极其严重事故 [1]。传统实验室安全风险评估方法，使用的是理论数据与人为实践数据相结合的方式，进行风险评估，由于理论数据在一定范围内，而实践数据是执行数据，因此会产生一定的偏差，产生评估数据间隙，最终导致评估结果有误。针对上述问题，提出基于大数据的实验室安全风险评估方法。利用大数据的数据堆积性进行数据的填充，改变传统方法的理论数据与实际数据相违背的情况，大数据使用过程带有一定的数据跃迁性，对肯特指数法进行改进，完成实验全风险评估。为了验证设计方法的有效性，模拟使用环境进行仿真试验，试验数据表明，设计的实验室安全风险评估方法能对实验室进行高精度的安全风险评估。

1 实验室安全风险评估方法总体构建

改进实验室安全风险评估方法，采用大数据能够更好地评估安全风险中的“不确定性”以及“未知性”[2?3]，大量的大数据在决策过程中起到数据参考、信息参评的作用。将预先知道的事件用数据形式进行概率和条件的转换，符合对实验室的评估决策的流程，并且简化了推算的过程[4]。通过改进评估方法对整体框架进行设计，导入大数据后，对肯特指数法进行改进，方便大数据评估使用，通过建立实验室安全风险评估体系，能够实现实验室安全评估。改进实验室安全风险评估方法的流程如图1所示。

1.1 数据贴合度的计算

大数据在安全审核过程中，能够提供安全规范以外的数据，相当于在对实验室的安全条例进行补充，导入的大数据在一定使用范围内填充理论数据与实践数据间的空白[5?6]。引入大数据自身是一个数据集合，其中包括安全级别数据、安全章程数据、安全执行数据。

安全级别数据将安全等级进行划分，不同实验室安全等级也不同，作为院校级的试验室安全等級为一级；国家试验室为特级，以此类推[7]。不同等级下要求安全章程数据是不同的，引入大数据中包含安全章程数据根据，安全等级进行数据汇总。安全章程数据过程表征量表示如下：

1.2 肯特指数的优化

在实验室安全风险评估过程中，传统的实验室风险值计算方法是：风险概率值乘以风险损失得到最终结果。在改进实验室安全风险评估方法中已不适用，结合本文安全风险评估方法的特点，对肯特指数法进行优化。大数据的引入细化了数据的安全等级以及风险事项，肯特指数需要通过细化的数据对优化的安全等级数据进行优化，肯特指数是以安全等级为标准，对基础数据进一步更新，自身携带的细节数据将肯特指数中基础数据进一步细化分析。执行过程中数据为了避免发生数据脱离，需要贴合新安全数据标准，重新对肯特指数进行设定，肯特指数计算如下：

1.3 实验室安全风险评估

经过上述大数据的引入、肯特指数的优化，能够实现实验室安全风险评估。实验室安全风险评估首先对三项指标进行确认，其中包括硬性指标、非控指标、人为指标。硬性指标是通过实验室自身配备所得出的，一般与评估流程评估方法无关。非控指标是由突发事件所形成，一般非控指标在计算过程中是一个集合量，本文设计的实验室安全风险评估流程如图4所示。

通过图4可看出，本文设计的基于大数据的实验室安全风险评估方法能够细化安全数据的级别，将原有简单概率乘以损失率的计算过程变得细化，同时评估的结果也是以数据的形式体现，方便对照结果。

2 试验分析

2.1 试验参数设定

为了验证改进实验室安全风险评估并且验证设计评估方法的有效性，以高科试验室为研究对象，分别设计了两组实验。在第一组实验中，使用传统评估方法与改进评估方法相比较，在不同实验环境下验证评估精准度。在第二组实验中，验证的是本文设计的基于大数据的实验室安全风险评估方法的有效性，以碰撞物理实验为例，模拟实验每组执行10次，每次试验对机械轴承进行碰撞试验。分析过程，观察每次实验中评估风险结果，以此判断本文设计方法的有效性。为了试验的严谨性，对实验数据进行设置，结果如表1所示。

2.2 试验结果分析

2.2.1 对比试验

本文分别从试验风险程度以及试验安全系数上进行评估，使用传统实验室安全风险评估方法与本文设计安全风险评估方法进行比较，对不同的试验参数下，分别记录评估GTRF函数的变化以及在三种试验流程下的试验评估结果，如表2所示。

2.2.2 有效性试验

表3是在不同试验流程条件下，对本文设计的基于大数据的实验室安全风险评估方法进行有效性的测试，观察评估过程体系数据变化、可能性数据变化、损失性变化。

通过表3的数据可以看出，本文设计的评估方法在对象评估数据上都是连续的，并带有一定承接关系，说明评估过程中是有效的。在多数据的堆砌下，通过体系数据变化、可能性数据变化的数据能够说明该方法在适用度上具有较高的有效性。

3 结 语

本文设计的基于大数据的实验室安全风险评估方法在导入大数据后，改变传统数据分析过程，对肯特指数法进行改进，实现实验室安全风险评估。希望通过本文的研究能够提升实验室安全性。

参考文献

[1] 陈红倩，方艺，杨倩玉，等.一种针对农残检测数据的时序分组可视化方法[J].系统仿真学报，2016，28（10）：2510?2518.

CHEN Hongqian， FANG Yi， YANG Qianyu， et al. Temporal group visualization method for pesticide residue detection data [J]. Journal of system simulation， 2016， 28（10）： 2510?2518.

[2] 黄天恩，孙宏斌，郭庆来，等.基于电网运行大数据的在线分布式安全特征选择[J].电力系统自动化，2016，40（4）：32?40.

HUANG Tianen， SUN Hongbin， GUO Qinglai， et al. Online distributed security feature selection based on big data in power system operation [J]. Automation of electric power systems， 2016， 40（4）： 32?40.

[3] 孙宏斌，黄天恩，郭庆来，等.基于仿真大数据的电网智能型超前安全预警技术[J].南方电网技术，2016，10（3）：42?46.

SUN Hongbin， HUANG Tianen， GUO Qinglai， et al. Power grid intelligent security early warning technology based on big simulation data [J]. Southern power system technology， 2016， 10（3）： 42?46.

[4] 赵国朕，宋金晶，葛燕，等.基于生理大數据的情绪识别研究进展[J].计算机研究与发展，2016，53（1）：80?92.

ZHAO Guozhen， SONG Jinjing， GE Yan， et al. Advances in emotion recognition based on physiological big data [J]. Journal of computer research and development， 2016， 53（1）： 80?92.

[5] 琚安康，郭渊博，朱泰铭.基于开源工具集的大数据网络安全态势感知及预警架构[J].计算机科学，2017，44（5）：125?131.

JU Ankang， GUO Yuanbo， ZHU Taiming. Framework for big data network security situational awareness and threat warning based on open source toolset [J]. Computer science， 2017， 44（5）： 125?131.

[6] DENG Z， ZHU X， CHENG D， et al. Efficient kNN classification algorithm for big data [J]. Neurocomputing， 2016， 195（C）： 143?148.

[7] DADDABBO A， MAGLIETTA R. Parallel selective sampling method for imbalanced and large data classification [J]. Pattern recognition letters， 2015， 62（C）： 61?67.

[8] REBENTROST P， MOHSENI M， LLOYD S. Quantum support vector machine for big data classification [J]. Physical review letters， 2014， 113（13）： 1?5.

[9] WANG Kun. Research and implementation of classification parallel algorithm based on GPU [J]. Electronic design engineering， 2014， 23（18）： 39?41.

[10] LUO Xiaolin. A new classification algorithm by training with authentic virtual samples [J]. Bulletin of science and technology， 2013， 32（6）： 107?109.