基于贝叶斯网络的铁路运营安全预警模型研究

2021-01-02刘新

铁道货运 2021年12期

刘新

(中国铁道科学研究院集团有限公司运输及经济研究所，北京 100081)

0 引言

经过多年发展，我国铁路已初步建成了人防、物防、技防“三位一体”的安全保障体系，确保我国铁路运输安全、持续、稳定。尤其是近年来随着科学技术的快速发展，大量应用先进的技防、物防手段，以技术促安全取得明显效果。但相对于技术而言，人为因素更为复杂，人为因素对安全的影响在某种程度上不可控，或者不完全可控。因此，加强对人为因素的研究，了解铁路现场作业过程中存在的主要问题，把握整体的安全形势，对于安全决策具有重要意义。

为减少人为因素对运营安全的影响，我国铁路总结出了很多行之有效的方法。其中，安全管理人员下现场检查，及时发现、反馈、整改问题，实现安全问题的闭环管理，就是目前铁路现场广泛采用的一种管理方式。尤其是近年来，各铁路局集团公司根据各自的需求自行建设了不同的问题库管理系统，将现场检查过程中发现的安全问题及时录入到系统中，并跟踪问题的整改情况。经过多年积累，这些安全问题数据量已达到一定的规模。如果能够对此加以综合分析和应用，将能较好地反映现场作业安全的整体状况和安全趋势，为安全决策提供辅助支持。

贝叶斯网络(Bayesian Network)又称为有向无环图模型，是将概率、统计应用于复杂系统的不确定性推理和数据分析的一种有效工具，起源于20世纪80年代中期对人工智能中的不确定性问题的研究，随着其影响不断扩大，已逐步成为将概率、统计应用于复杂系统的不确定性推理和数据分析的一种有效工具，可以从不完全、不精确或不确定的知识或信息中做出推理[1-2]。在轨道交通安全领域，已有学者将贝叶斯网络理论应用于可靠性和风险分析等方面，如徐敏等应用贝叶斯网络研究各种因素对接发列车、施工、货物运输等的安全影响[3-6]，江磊等应用贝叶斯网络进行设备设施可靠性的研究。

据此，以某安全问题库数据为例，应用贝叶斯网络理论对安全检查大数据进行分析和研究，构建基于贝叶斯网络的铁路安全预警模型。

1 铁路安全问题分类

1.1 安全问题分类原则

（1）结合问题场景和问题性质对安全问题进行分类。某些问题涉及多个作业岗位，但反映的是同一种作业类型，如接发列车作业，这种情况下应以场景作为问题分类的维度。消防安全问题与此相类似，如私拉电线问题可能出现在任何场所、涉及所有单位，但问题性质相同，统一分类能更为准确地反映该类问题的整体安全状况。

（2）以后果为导向对安全问题进行分类。安全问题并不必然导致安全事故，但事故通常是由于安全问题长期得不到解决或控制而造成的，问题与事故之间存在着一定的转化关系，因而在对安全问题进行分类时，应尽可能与事故原因结合起来统一考虑。

1.2 安全问题分类

以某安全问题库数据为例，根据对抽样数据的人工处理结果，结合专家意见，选取部分安全问题进行归并处理，划分为14项具体分类。安全问题分类如表1所示。

表1 安全问题分类Tab.1 Classification of safety problems

安全问题是铁路安全管理人员在铁路现场的日常安全检查中发现的，不可避免地受到观察视角、检查频度、关注点等因素的影响，为简化模型构建，假定所有安全检查人员均为自主判断且学识、素养没有较大的差异，检查频度没有较大的变化，对所有站段的检查没有显著的差异性。

2 基于贝叶斯网络的铁路安全预警模型构建

贝叶斯网络由代表随机变量的节点和连接节点，以及描述2个节点之间相互关系的有向边组成。在安全预警模型中，随机变量就是日常安全检查中发现的安全问题及发生的各类事故，安全问题之间以及安全问题与事故之间存在着一定的因果关系。

例如，D21事故包括行车设备故障耽误本列旅客列车1h以上或耽误本列货物列车2 h以上，固定设备故障延时影响正常行车2 h以上(仅指正线)；导致D21事故的直接原因有可能是施工安全问题、基础设施维护问题、移动设备维护问题、应急处置问题；施工安全问题可能是由于安全管理和培训工作不到位引起的；设备管理不善、检测计量设备管理不规范有可能导致基础设施出现不应有的问题；检测计量设备管理不规范还可能导致移动设备维护问题；而教育培训不充分、规章制度缺漏和安全管理不到位又有可能导致应急处置工作出现疏漏。通过分析，形成D21事故致因链如图1所示。

图1 D21事故致因链Fig.1 D21 accident cause chain

在安全问题分类和涉及的事故类型基础上，根据事故报告及专家经验对事故致因链进行分析，最终形成由安全问题指向其他安全问题或事故的贝叶斯网络。基于贝叶斯网络的安全预警模型如图2所示。图2中，左侧节点为安全问题，右侧节点为安全问题可能导致的事故类型；问号表示未计算或未更新计算结果。

根据建立的模型和安全问题分类统计结果，计算各节点的先验概率。以基础设施维护问题节点为例，需要计算设备管理问题和检测计量设备同时发生、任一问题发生及2个问题均未发生情况下，发生基础设施维修问题的概率，可以分别表示如下。

3 铁路安全预警模型试算

3.1 各类安全问题发生概率

按上述方法构建预警模型并输入网络各节点先验概率数据后，运算得到各类安全问题及事故的发生概率，各节点发生概率如图3所示。图中State1和State0分别表示问题或事故发生和不发生的概率。

图2 基于贝叶斯网络的安全预警模型 Fig.2 Safety early warning model based on Bayesian network

各类问题的发生概率如表2所示。

根据计算得到的各类安全问题发生概率，比较多发的安全问题包括移动设备维护问题、劳动纪律问题、基础设施维护问题等，提示在日常安全检查中应重点关注这几类问题，通过持续的检查、整改，逐步减少或避免这些问题的发生。

图3 各节点发生概率Fig.3 Occurrence probability in each node

表2 各类问题的发生概率 %Tab.2 Occurrence probability of various problems

3.2 事故预测

以施工安全问题为例，使用构建的安全预警模型进行事故预测的验算。

根据先验概率及构建的贝叶斯网络安全预警模型，与施工安全问题相关的事故类型包括C13，C14，C24，D9，D16和D21，对应的事故发生概率分别为0.22%，0.14%，0.22%，0.18%，0.22%和2.69%。其他条件不变，当施工安全问题的发生概率设定为100%时，施工安全问题相关各类事故的发生概率如表3所示。

从模型计算结果可以看出，与初始状态相比，假设发生施工安全问题，则除D21事故以外，其他相关事故的发生概率均大幅度增加，表明这些类型的事故与施工安全问题具有较大的相关性，因此加大力度解决施工或维修各环节中存在的问题，将能够有效地降低各类事故的发生概率。D21事故发生概率下降的原因与构建模型时使用的数据和计算的先验概率有关。

3.3 事故原因分析

基于贝叶斯网络的安全预警模型同样能够用于事故原因的辅助分析。假定在其他条件不变的情况下发生D21事故，即设置D21节点State1的概率为100%，则从模型计算结果中可以看出，最可能的事故原因是基础设施维护问题(概率为99.57%)，其次是移动设备维护问题(概率为85.64%)，表明加强基础设施和移动设备的维护工作，减少这2类问题的发生概率，能有效减少D21事故的发生。发生D21事故时的各类安全问题发生概率如图4所示。

4 结束语

基于贝叶斯网络的铁路安全预警模型是以安全问题大数据为基础进行的一个初步尝试，通过日常安全检查发现的安全问题结合上报的事故数据，可以预测某些安全问题可能导致某类事故的概率，或者反向分析导致某类事故的原因，为相关安全决策提供辅助支持。但是，模型的适用程度受到安全问题分类及分类统计结果等诸多因素的影响。一方面，由于安全问题涉及到铁路运营的各个方面，为简化计算，本次研究仅选择了部分问题作为模拟数据，安全问题及其分类方法无法完全覆盖铁路安全运营的各个层面，未来应对所有安全问题进行全面分析，并且在此基础上进行更科学、合理的分类；另一方面，由于安全问题数据量大，并且全部为非结构化的文本描述，完全由人工进行分类统计并不现实，需要借助于机器学习等技术，统计结果的准确性同样受到机器学习模型的制约，仍有进一步优化的空间。