基于双重预防体系的矿山安全风险智能分析系统

2024-03-02王佳斌李国清强兴邦白云龙王秋玲

金属矿山 2024年1期

王佳斌李国清强兴邦白云龙王秋玲赵威

(1.北京首钢矿山建设工程有限责任公司,河北迁安 064404;2.北京科技大学土木与资源工程学院,北京 100083;3.山东黄金矿业(莱州)有限公司三山岛金矿,山东莱州 261442)

地下开采金属矿山是我国经济发展的重要组成部分,具有作业地点分散、开采条件复杂多变、工作环境恶劣、安全风险因素众多等特点[1-2],因此,安全是现代矿山企业生产过程中重点关注的问题。为提高矿山安全管理的科学性和有效性,2016 年国家开始推行安全双重预防体系建设,通过推广安全风险管控和隐患排查,实现隐患尽早发现、事故从源头遏止。2022 年国家矿山安全监察局印发了《关于加强非煤矿山安全生产工作的指导意见》,提出强化安全生产标准化建设,建立健全安全风险分级管控和事故隐患排查治理双重预防机制。借助智能化和信息化手段、现代化的管理方式,在生产作业前识别危险源、管控风险,在生产作业过程中排查治理安全隐患,避免事故发生[3],已经成为矿山企业进行安全风险管理的重要手段。

安全管理信息系统融合了先进的管理理念和信息化技术,为保障矿山安全提供了科学有效的技术手段。近年来,许多学者针对双重预防机制的信息化管理模式进行了研究与分析,张丹等[4]借助5G、物联网、GIS 等先进技术,实现了双重预防体系在非煤矿山中的应用。王杰等[5]将双重预防体系用于发现采掘作业中的薄弱环节。陈洋洋等[6]为降低磷矿山生产作业事故发生概率,结合WebGIS 和三维地图可视化等信息技术,设计了智能化综合安全管控系统,系统建成投入应用后,磷矿山事故发生概率环比降低了12.67%。李爽等[7]设计并构建了智能双重预防机制及智能安全管控平台,该系统在对各个风险定期全覆盖管控的基础上,实现了不同风险等级的差异化资源投入和对隐患的及时、超前管控,在提高安全管理绩效的同时,实现了各项安全管理活动环节的简单化。

近年来,国内外学者在应用大数据分析技术进行安全隐患关联挖掘、事故致因分析及安全系统研发方面取得了大量研究成果。张俭让等[8]采用Apriori 算法对事故隐患进行多维度分析、深层次挖掘,并研发了矿山安全生产标准化信息管理系统。李树刚等[9]提出了互联网+安全管理信息化建设思路,将物联网、云计算、大数据技术运用到矿山安全信息化建设中。司鹄等[10]将大数据理论用于事故致因分析,将一段时间内的事故进行统计分析和深度挖掘,提取出影响事故发生的因素,并分析了因素的重要程度。谭章禄等[11]利用文本聚类和卡方统计相结合的方法对矿山安全隐患类型和特点进行了研究。李国清等[12]通过采用大数据分析技术对隐患数据进行挖掘利用,智能辨识出影响矿山安全生产的危险源。

当前,我国学者对双重预防体系信息系统开展了研究[13-17],但仍然存在矿山分别从风险分级管控和现场安全检查两个维度单独构建安全监管体系的问题,较少考虑风险管控和隐患排查之间的关联关系:即风险清单能够为安全检查提供重点关注问题,排查出的隐患为风险分级提供数据支持。同时,风险等级划分主要依赖于国家或行业相关规范和标准,从宏观层面覆盖了矿山常见、频发的风险,由于地质条件、生产组织、管理水平差异,各个矿山存在自身个性化的安全生产问题,为此,矿山亟须根据自身安全问题制定更加具有针对性的风险分级方法[18-21]。

综上,本研究重点围绕矿山安全生产双重预防体系全过程闭环管理工作,结合大数据分析和系统研发等技术手段,设计并实现了矿山安全风险智能分析系统。通过将双重预防体系的业务流程进行系统化,将矿山安全管理全面扩展至以风险管控和隐患治理为核心的人机环管全要素管控;同时,结合大数据分析技术对安全检查数据进行深入分析,利用分析结果对矿山安全风险进行智能化分级,构建风险分级管控、隐患排查治理和风险智能分级相互关联的闭环管理机制。

1 系统分析

1.1 系统需求分析

(1)实例矿山在建设双重预防体系过程中存在大量的信息记录环节,多为人工操作,因此,有必要通过信息化系统实现双重预防体系全流程信息化管理。

(2)实例矿山在建设双重预防体系过程中,存在大量现场业务处理环节,因此系统需要实现移动端应用开发,以实现便携式现场管理,满足系统在实例矿山的全场景应用。

(3)实例矿山在应用双重预防体系的过程中,积累了大量的安全检查数据,通过深入分析安全数据中隐含的信息,可以辅助安全管理人员进行决策,因此需要实现隐患信息的挖掘及可视化展示。

(4)针对风险分级依赖人员经验这一问题,系统需要结合大数据分析技术实现风险分级智能化、客观化、个性化。

(5)考虑到安全风险管理信息的敏感性,需要对系统的网络安全、数据安全等功能进行设计,同时需要制定完善的应急预案,以保证系统安全、稳定、可靠运行。

1.2 业务流程分析

基于大数据分析的双重预防体系全过程闭环管理业务流程如图1 所示。

图1 全业务流程闭环管理体系流程Fig.1 Flow of closed-loop management system of the whole business process

(1)风险分级管控业务过程。包括风险点划分、风险辨识和分级、风险管控措施制定、持续改进,并在现有的业务流程之上,通过建立检查项目标准库为编制检查项目清单提供数据源。

(2)隐患排查治理业务过程。包括制定检查项目清单,依据清单进行隐患排查和上报至安全管理人员,安全管理人员对隐患进行审批并制定治理措施,责任人员据此进行隐患现场整改和整改情况反馈,生成隐患治理清单。

(3)风险智能分级业务过程。通过对隐患治理清单的清洗和预处理,构建可供分析的数据集,通过对数据集的大数据分析确定事故发生可能性,同时采集金属矿山事故数据,通过分析事故与风险的对应关系,确定后果严重性,基于风险矩阵分析法确定风险等级,动态更新风险管控清单。

2 系统设计

2.1 系统架构设计

系统总体架构分为基础设施层、核心资源层、应用服务层、决策分析层和综合展示层,如图2 所示。

图2 系统总体架构Fig.2 Overall system structure

(1)基础设施层。为系统运行提供必要的网络支撑、基础设施支撑以及技术支撑,包括大数据平台、终端设备、网络支撑、可视化组件、大数据分析技术。

(2)核心资源层。实现存储和获取数据,为系统运行提供数据支撑,包括风险信息、隐患信息、人员信息等。

(3)应用服务层。为系统提供业务支撑,实现系统的安全管理业务处理,包括风险分级管控业务和隐患排查治理业务。

(4)决策分析层。通过数据预处理构建待挖掘的数据集合,以安全知识库和大数据分析算法为依托,定期执行大数据分析脚本。

(5)综合展现层。主要为用户提供系统直观展现,支持多终端跨屏幕应用,包括数据大屏、PC 终端、移动终端。

2.2 系统功能模块设计

系统功能模块主要针对系统的需求分析和双重预防体系的业务流程分析进行设计,系统分为风险分级管控模块、隐患排查治理模块、风险智能分级模块、数据统计分析模块和系统管理模块,各功能模块下设置多个子功能模块。系统功能体系如图3 所示。

图3 系统功能结构Fig.3 Structure of system function

(1)风险分级管控模块。实现矿山风险点划分,以及风险辨识评价—制定管控措施—动态管控的全业务流程管理,同时根据风险管控信息建立检查项目标准库,为安全隐患排查提供标准,主要功能包括风险点管理、风险管控清单管理、风险动态管理、检查项目标准库管理。

(2)隐患排查治理模块。确定检查依据,隐患排查、整改、复查验收、闭环归档的全过程闭环管理,主要功能有检查项目清单分配、排查结果上报、隐患审核、整改通知单下达、整改反馈、复查验收、闭环销号、隐患排查清单管理。

(3)数据统计分析模块。用于风险和隐患信息的统计分析并进行可视化展示。对隐患按照作业地点、排查时间、隐患类型、责任单位、隐患致因等维度进行统计并绘制分布图。

(4)风险智能分级模块。用于对隐患数据进行深度挖掘,实现风险分级的智能化。具体包括数据标准化处理、数据挖掘模型库管理、可视化展示。

(5)系统管理模块。用于保证系统稳定运行而设置的辅助功能。主要包括对系统功能、角色权限、数据字典以及用户信息进行管理。

3 风险智能分级模型构建与应用

3.1 风险智能分级逻辑模型

本研究采用大数据分析中的文本共现矩阵分析和模糊聚类分析方法构建金属矿山风险智能分级逻辑模型,如图4 所示。

图4 风险智能分级逻辑模型Fig.4 Logical model for risk intelligence classification

(1)基于事故树分析法的风险辨识。通过事故树分析法,确定事故与风险的对应关系,其中顶层事件表示矿山可能发生的事故,基本事件和中间事件代表能够引发该事故的风险。

(2)事故后果严重性确定。通过采集矿山发生的事故数据,划分事故后果的严重程度,根据事故与风险的对应关系,确定风险所对应的事故后果,划分事故后果的严重性等级。

(3)事故发生的可能性确定。通过对风险因素数据集合进行文本共现分析,挖掘风险要素之间的关联关系,确定不同的矿山安全隐患中风险要素共现频次;运用模糊聚类分析法对风险因素的共现结果进行聚类,获取隶属度矩阵,确定共现频次的分类情况,根据数据挖掘结果,划分事故发生可能性和后果严重性的等级阈值,确定评价指标与评价等级的对应关系。

(4)风险量化表征。根据风险要素的事故发生可能性的评价等级和事故后果严重性的评价等级判定风险等级,构建风险分析矩阵,计算风险值,等级越高,风险越大。

3.2 数据标准化

本研究以山东某矿山安全管理信息系统中抽取的安全隐患数据为例进行分析。该数据获取时间为2011—2020 年,共38 590 条数据,数据记录了隐患发生的时间、作业地点、隐患内容、整改完成时间等内容。对原始数据进行抽取整理,提取出隐患内容、排查时间以及整改完成时间3 个维度信息。由于隐患数据存在非结构化,数据错误、缺失等问题影响了文本挖掘的结果,因此需要对上述隐患数据进行文本清洗。

3.3 风险因素识别

矿山风险因素识别是风险评估分级的基础,矿山风险众多,不同作业活动、不同岗位、不同地点存在的风险其风险因素也不同,因此在进行风险预警等级划分之前,需要对矿山生产过程中存在的风险因素进行识别。

矿山安全事故分类按照《企业职工伤亡事故分类》(GB 6441—1986)进行划分,包括14 个类别,即物体打击、车辆伤害、机械伤害、起重伤害、触电、火灾、高处坠落、冒顶片帮、坍塌、透水、放炮、爆炸、中毒窒息、其他伤害。本研究按照矿山事故类型进行风险因素识别,确定风险因素与事故的对应关系,如物体打击事故对应的风险因素包括浮石、飞物、检修工具、顶板、放斗、人员占位、钢钎、物件等,触电事故对应的风险因素包括电缆、移动设备、断电保护装置、警示牌、带电检修、线路等。

3.4 事故发生的可能性等级划分

将矿山事故中出现的风险因素与作业地点两两配对组成词对,利用计算机语言统计他们在数据集合中共同出现的次数。将统计结果输入共现矩阵中,并采用绘图软件将共现矩阵转化为共现网络,部分结果见表1。

表1 风险因素与作业地点共现频次Table 1 Frequency of co-occurrence of risk factors and work locations

结合表1,将风险因素共现结果采用Gephi 软件绘图,其中共现连接线越粗表明共现次数越多,结果如图5 所示。

图5 文本共现分析结果Fig.5 Text co-occurrence analysis results

风险矩阵分析法将事故预警等级划分为4 类,因此本研究据此将模糊聚类分析的类数划分为4 类,对应4 个级别的风险预警等级,从而得到事故发生的预警等级与风险因素共现次数阈值的对应关系。首先利用目标函数对最佳迭代次数进行判断,目标函数值越小,表明聚类效果越好;反之,越差。将迭代次数一次设置为2～40,聚类中心设置为4,初始数据为风险因素共现次数,得到目标函数值与迭代次数的关系,如图6 所示。

图6 目标函数与迭代次数的对应关系Fig.6 Correspondence between objective function and iteration number

由图6 可知:随着迭代次数增加,目标函数值表现出先逐渐降低后趋于平稳的趋势,在迭代达到20次之后,目标函数值几乎不发生变化,表明此时的聚类效果最佳,因此选取聚类次数为20 次。确定迭代次数后,进一步分析风险因素的共现次数,所得聚类结果如图7 所示。

图7 模糊聚类结果Fig.7 Fuzzy clustering results

所得事故可能性等级划分结果见表2。

表2 事故后果可能性划分Table 2 Division results of possible consequences of accidents

3.5 事故后果的严重性等级划分

矿山安全事故发生具有一定的积累效应,即导致事故直接发生的安全隐患具有先导风险,采用事故树分析法可以实现对矿山安全事故的先导风险进行全面辨识。依据前文对金属矿山事故类型的划分,采用事故树分析法对每个类型的事故进行事故树构建,以冒顶片帮事故和火药爆炸事故为例,构建的事故树如图8 所示,图中各标签所代表的含义见表3。

表3 冒顶片帮事故树符号含义Table 3 Meaning of the fault tree symbol

图8 冒顶片帮事故树Fig.8 Fault tree analysis of rall falling accident

地下金属矿山事故信息主要来源于国家矿山安全监察局网站、各省市级安全监察局网站的事故通报以及来源于安全管理网等网站的事故案例,事件跨度为2016—2022 年,按照前文划分的14 个事故类型对事故数据进行统计分析,分析结果见表4。

表4 事故统计分析Table 4 Statistical analysis of accidents

事故后果严重程度依据事故等级进行划分,具体包括低风险—受伤事故,一般风险—一般伤亡事故即一次性死亡1 ～3 人的事故,高风险—重大伤亡事故即一次性死亡3 ～10 人的事故(含10 人),重大风险—特大伤亡事故即一次性死亡10 人以上的事故。事故后果严重程度的划分结果见表5。

表5 事故后果严重程度划分结果Table 5 Division results of severity classification of accident consequences

通过事故后果严重程度等级结合事故数据统计分析,确定地下金属矿山不同类型事故的后果严重程度等级,部分结果见表6。

3.6 确定风险等级

根据风险矩阵分析法通过综合考虑事故后果和事故发生概率,对风险预警等级和事故后果的严重程度等级进行定量分析,从而构建二者的矩阵关系计算风险等级。风险矩阵分析结果如图9 所示。

图9 风险矩阵分析结果Fig.9 Risk matrix analysis results

对矿山现有风险进行评估,基于事故发生的可能性评级等级对照表和后果严重性评价等级对照表,确定风险发生的可能性等级和后果严重性等级,对照风险评价矩阵,得到现有的风险等级。依据双重预防体系事先预防理念,事故后果严重性风险等级划分结果见表7。

表7 矿山风险等级Table 7 Mine risk grade

由表7 可知:在矿山风险中,顶板支护不稳固对应冒顶片帮事故,事故可能性等级较高,事故后果严重性等级较低。在矿山实际生产中,冒顶片帮是矿山频发的事故之一,属于单体伤害事故,大多数事故的严重程度属于一般事故。炸药和雷管混放对应爆炸事故,在矿山安全生产中,雷管和炸药混放属于发生频率较高的安全隐患。爆炸事故属于群死群伤类事故。所造成的后果大多属于重大事故;顶板危石未处理对应物体打击类事故,该风险所形成事故的可能性较高,后果危害性较低,在矿山安全生产过程中,物体打击属于频发性事故之一,属于单体伤害事故,大多数事故属于一般事故。分析表明:风险智能分级结果与矿山实际的事故情况相符合,因此,该分级方法具有一定的有效性和科学性。

4 系统实现

4.1 系统开发与部署

金属矿山双重预防体系安全管理信息系统涉及井下以及地面多种作业点的管理业务,因此系统采用电脑终端、移动终端、数据大屏跨应用的方式开发实现,满足系统在不同的应用场景下高效开展安全管理业务。

电脑终端采用B/S 架构完成系统开发,安全管理人员可以利用浏览器灵活地操作实现系统的业务功能,在满足系统需求的同时简化客户端电脑的载荷,降低用户成本。

移动终端以移动处理业务为主,主要用于实现便携式现场安全管理。移动终端设备通过5G、Wi-Fi 等网络介质,实现井下一线工作人员现场安全管理,同时采用系统离线使用功能,确保在井下无网络环境中使用。

4.2 系统功能实现

4.2.1 风险分级管控

风险点管理实现风险点信息的录入,生成风险点信息库;风险分级管控清单实现依据已划分风险点进行危险源辨识,制定管控措施录入系统,自动编制风险管控清单;风险动态管控实现定期评价管控效果,更新风险管控清单;检查项目标准库实现系统自动抽取风险管控清单中的风险点、危险源、风险级别、管控措施等内容。风险管控清单如图10 所示。

图10 风险分级管控清单实现Fig.10 Implementation of risk graded control list

4.2.2 隐患排查治理

检查项目清单实现检查项目的划分,发送给检查人员;隐患排查实现检查项目清单逐项排查和现场作业人员主动上报,采用手机APP 现场登记,保存上传;隐患治理实现针对上报的隐患信息进行审核并制定治理方案,生成隐患整改通知单;复查验收实现整改情况的复查,验收通过则隐患销号;离线排查实现隐患信息的本地储存,确保在无网络环境中使用;隐患报表实现对隐患数据的归档统计,提供隐患数据查询和导出报表。隐患排查功能实现如图11 所示。

图11 隐患排查实现Fig.11 Implementation of hidden hazard investigation

4.2.3 风险智能分级

风险智能分级功能通过借助商务智能分析工具实现可视化平台搭建,将风险智能分析和隐患数据分析结果以各种分析图表和模型的形式进行集成化展示。风险智能分级采用列表滚动播放方式进行可视化展示。

4.2.4 数据统计分析

隐患统计功能通过统计隐患排查日期、隐患责任主体、隐患类型、高频隐患关键词等信息,并采用环形图、柱状图、词云图等图表的形式展现影响矿山安全的主要隐患,为安全管理人员准确管控矿山风险提供依据(图12)。

图12 大数据分析平台Fig.12 Big data analysis platform

4.3 系统应用效果

将所构建的系统应用于国内某大型矿山,实现了风险分级管控和隐患排查治理的系统化、风险分级的智能化,以及风险和隐患数据分析的可视化。系统帮助用户采集风险和隐患数据,以便于矿山安全信息流转,有效规范风险和隐患描述方式,有助于实现安全管理人员管控风险、治理隐患,使传统的依赖于经验的风险分级方法转变为基于大数据分析的智能化分级模式,大幅度提升矿山安全管理能力。