煤矿采掘作业人员感知的影响因素分析

郝丽萍， 陈兆波， 曾建潮,2

(1. 太原科技大学 工业与系统工程研究所， 山西 太原 030024；2. 中北大学 计算机控制与工程学院， 山西 太原 030051)

煤矿采掘作业人员感知的影响因素分析

郝丽萍1， 陈兆波1， 曾建潮1,2

(1. 太原科技大学 工业与系统工程研究所， 山西 太原 030024；2. 中北大学 计算机控制与工程学院， 山西 太原 030051)

为研究影响煤矿采掘作业人员感知的主要因素， 以煤矿操作规程为依据， 在构建煤矿采掘作业人员感知的贝叶斯网络因果图基础上， 将层次分析法、 语义数字概率估计法及三角模糊法相结合确定节点的条件概率分布， 进而建立作业人员感知的贝叶斯网络模型. 通过推理分析， 得到煤矿作业人员感知的主要影响因素. 结果表明： 培训是影响感知的最主要的组织因素， 个人素质和经验及注意力是影响感知的最主要个人因素， 设备可靠性是影响感知的最主要环境因素. 个人因素对感知的影响最大， 其次是环境因素.

煤矿安全； 情景意识； 感知； 贝叶斯网络； 个人因素

0 引 言

近年来我国的煤矿安全事故发生率明显降低， 但是与其他国家相比还是有很大差距. 已有研究表明， 造成煤矿安全事故发生的59.1%的不安全行为是由于煤矿作业人员对矿井人-机-环相关因素的感知、 理解以及预测出现偏差造成的[1]， 也即作业人员的情景意识差错是不安全行为发生的重要原因.

根据Endsley的定义， 情景意识(Situation Awareness， SA)是一定时间和空间内对环境中各组成要素的感知、 对要素内在含义的理解以及对系统未来变化状况的预测[2]. 目前， 国内外关于SA的研究主要集中在SA的影响因素、 测量方法、 系统评价三个方面[3-7]. 例如， 李鹏程等结合模拟机实验数据对核电厂操纵员的SA可靠性进行了量化分析[8]. Psarros利用贝叶斯概率模型研究了甲板船长的SA对于航海事故的影响[9]. Thilakarathne提出了一个关于SA的计算认知模型， 并从感知等方面进行实例仿真模拟研究感知失误的原因， 验证了模型的有效性[10]. Salmon等对比了不同方法在C4i系统中测量SA的有效性[11]. 虽然关于SA的研究众多， 但现有研究主要集中在航空、 航海、 核电等领域， 目前尚未见煤矿领域SA研究的报道.

根据航空领域的安全报告， 与情景意识相关的76%的失误是由于未能正确感知信息导致的[12-13]， 也即对系统要素的感知差错是情景意识差错的主要原因. 煤矿领域大量的事故调查报告也说明了此问题. 对要素的感知是理解和预测的基础， 而情景意识是决策的先导[2]， 可见， 感知对于预防煤矿安全事故的发生具有十分重要的研究意义. 因此， 本文从感知层面深入地研究影响煤矿采掘作业人员情景意识的主要因素具有重要意义.

目前， 一些学者从管理、 个人、 任务等方面研究了煤矿作业人员感知的影响因素， 例如成连华等分析了工作负荷、 工作目标等因素对煤矿井下作业人员对于安全信息感知的影响[14]. 李乃文等利用仿真技术分析了工作风险程度、 矿工自身特征以及安全管理环境对高危岗位矿工个体风险感知水平的影响[15]. 汪伟忠等以煤矿机电作业人员为例， 对其危险知觉能力进行了量化分析[16]. Blaylock研究发现， 个体对风险事件的感知会随着风险度的增加而增大[17]. 肖泽元等研究了风险感知水平对注意力集中能力的影响[18]. 进一步， 肖泽元还从财务、 功能、 时间、 社会、 心理、 身体风险六个层面分析了矿工风险感知与不安全行为的关系[19]. 但是， 现有研究主要从管理、 个人、 工作特征中的某一个或几个方面分析了对于煤矿作业人员感知的影响， 并且大多数研究并没有进行具体的量化分析. 本文依据SA模型， 从环境、 任务、 组织、 个人四大方面全面地分析了影响煤矿作业人员感知的因素， 并对某一因素对感知的影响程度进行量化分析.

煤矿采掘作业人员个体的感知水平受环境、 任务、 组织、 个人等因素的影响， 但难以获得大量的数据并建立因素之间的影响关系以及影响程度的精确模型. 因此， 本文借助贝叶斯网络模型在解决不确定性问题中的优势， 构建影响煤矿采掘作业人员感知的贝叶斯网络因果图， 利用贝叶斯网络因果和诊断推理技术， 定量分析煤矿采掘作业人员感知的主要影响因素， 从而为提高煤矿作业人员的个体情景意识提供依据.

1 感知的贝叶斯网络因果图构建

煤矿采掘作业人员感知的贝叶斯网络因果图主要包括影响感知的具体因素(节点)和因素之间的因果关系等两部分. 基于煤矿操作规程， 选定采煤机司机为研究对象， 以个体作业任务为导向， 通过分析采煤机司机的工作任务， 结合事故调查报告和文献检索， 从环境、 任务、 组织、 个人因素等四个方面来总结了影响感知的具体因素. 各节点变量如表 1 所示.

表 1 影响感知的因素Tab.1 Factors of infecting perception

鉴于由以上16个节点构建的贝叶斯网络因果图较大， 涉及的参数有2 796个之多， 为了简化计算， 增设了三个中间节点， 以便降低工作量. 其中， 把设备可靠性和注意力用人机交互水平来表示， 把团队交互及个人素质和经验归结为个人能力与团队合作， 本能和短时记忆归为个人记忆水平. 因此， 最终选定这19个节点来构建煤矿采掘作业人员感知的贝叶斯网络因果图， 如图 1 所示. 感知的影响因素之间的因果关系， 主要来源于对煤矿本质安全管理、 安全原理、 人因工程学、 认知心理学等[20-24]相关资料的查阅与分析获得.

图 1 煤矿采掘作业人员感知的贝叶斯网络因果图Fig.1 The perception causal relationship of the coal mining operator

从图 1 可知， 设备完备性、 自然环境、 任务目标、 人机接口和培训是影响感知的根原因， 设备可靠性、 注意力、 团队交互、 本能、 短时记忆及个人素质和经验是影响感知的直接原因.

2 感知的贝叶斯网络参数估计

贝叶斯网络参数的估计主要包含贝叶斯网络节点概率的估计以及节点间条件独立性的检验两个部分.

2.1 贝叶斯网络节点概率的估计

由于不同因素处于不同状态时对感知的影响程度不同， 故将各影响因素分为好、 中、 差三个状态， 分别用a,b,c表示. 以设备完备性为例， 当A节点状态好时， 代表煤矿生产过程中所需的所有设备配备完整； 状态中表示设备部分缺乏， 不够完善； 状态差代表设备严重缺乏， 比如缺少作业人员自救设备等.

由于贝叶斯网络涉及的节点及因果关系较多， 所需确定的条件概率值共计有771个， 数量较大， 因此有必要确定一种规范的方法来确定条件概率表. 对于根节点A,B,C,D,E， 本文将语义-数字概率估计法与模糊数学相结合估计根节点的贝叶斯网络参数， 具体步骤如下：

1) 设计专家打分所需的语义-数字概率估计表；

2) 选择贝叶斯网络参数估计的专家， 建议3～5名；

3) 专家通过概率刻度尺对各根节点好、 中、 差三个状态发生的概率进行打分；

4) 利用三角模糊数的方法对数据进行均值化、 解模糊和归一化处理， 最后得到各根节点各个状态发生的概率.

本文选取山西汾西矿业集团的三名有经验的煤矿领域专家组成专家组， 设计的语义-数字概率估计表与图 2 类似.

图 2 影响感知的因素间语义-数字概率调查问卷示意图Fig.2 Questionnaire about verbal and numerical anchors for the influencing factors of perception

对于中间节点的贝叶斯网络参数估计， 本文将利用Roed等提出的概率公式计算[25]， 具体步骤如下：

1) 利用层次分析法确定某一中间节点直接相连的父节点的相对权重wi，i=1,2,…,n, 其中n是其父节点变量的个数.

2) 利用李鹏程等改进后的加权距离计算公式计算父节点与子节点在不同状态下的加权距离的绝对值[8]

式中：j是所考虑的子节点变量的可能状态，j=(a,b,c). 这里， 记a=2，b=1，c=0.

3) 确定指数R的值.

采用Roed等提出的概率分布的公式进行计算[25]

由于缺乏大量准确的数据， 无法利用现有数据来确定值. 通过利用语义-数字概率估计法及三角模糊法确定节点变量处于最好的状态与最差的状态间的概率比值， 再根据公式推导出R值. 该计算方法计算过程运行简单， 处理数据方便.

假设Pa与Pc的概率之比为

节点变量处于状态好的概率是状态差的概率的x倍， 由此可计算出

倍数值由图 2 的概率刻度尺得到， 之后对模糊数均值化、 采用均值面积法解模糊， 最后归一化得到精确倍数值x. 再把倍数值x代入式(4)， 得到R值.

4) 计算得到各子节点的条件概率分布.

根据Roed等建议的概率分布的计算式(2)， 代入对应的D值、R值， 计算得到各子节点的不同状态下的条件概率分布[25].

2.2 节点之间的独立性检验

互信息具有非负性， 即I(Xi;Xj)≥0， 当且仅当Xi和Xj相互独立时等号成立(Xi和Xj越倾向于独立，I(Xi;Xj)越接近于0)， 因此可用于随机变量之间独立性检验[26].

互信息的计算公式为

I(Xi;Xj)=I(Xj;Xi)=H(Xi)-

式中：H(Xi)为随机变量Xi的熵；H(Xi|Xj)是随机变量Xi的条件熵.

以节点N为例， 与其直接相连的节点分别为I,E,O,Q点， 其他为与O点不直接相连的节点， 它们的互信息值如表 2 所示.

表 2 节点N的互信息值Tab.2 Mutual information of node N

由表 2 可知， 节点N与A,D完全独立， 其他与N点不直接相连的节点互信息值也均通过检验.

3 影响感知的主要因素分析

通过对已构建的贝叶斯网络模型进行推理分析， 可以定量比较各父节点对子节点的影响大小， 从而可以识别出影响感知的主要因素.

当感知状态差， 即S=c时， 只改变一个根节点变量， 如令A=c， 观察S=c的概率变化大小. 其中各根节点状态差时对感知的影响大小如表 3 所示.

表 3 根节点对感知的影响大小比较Tab.3 Comparison between the factors of root node and perception

可以看出， 培训E、 自然环境B和设备完备性A对感知S的影响显著， 其中培训是最大的影响因素， 自然环境次之， 然后是设备缺失， 而任务目标和人机接口对感知的影响相对较小. 这说明， 组织培训的进行， 以及个人接受培训的水平是对个人感知水平最大的影响因素. 当煤矿安全组织不进行培训， 或者煤矿作业人员没有认真接受培训， 都会很大程度地影响到煤矿作业人员个人感知的能力.

由图 1 可知， 直接影响感知的因素有设备可靠性、 注意力、 团队交互、 本能、 短时记忆及个人素质和经验， 通过分析这六个子节点对感知的影响大小， 可以推断出影响感知的最直接最主要的影响因素， 如表 4 所示.

表 4 的结果表明： 个人素质和经验O、 设备可靠性J和注意力K是最主要的直接影响感知的因素， 其次是短时记忆N， 本能M对感知的影响较小. 其中， 个人素质和经验对个人感知的影响最大， 这表明， 一个人的学习能力、 操作技能、 文化水平及工作经验等， 在很大程度上对个人的感知水平起主导作用. 而设备可靠性和注意力对于人的视觉、 听觉、 触觉等感知信息的能力也有较大的影响.

表 4 各中间节点对感知的影响大小比较Tab.4 Comparison between the factors of intermediate node and perception

由于该感知贝叶斯网络因果图是基于环境、 任务、 组织和个人因素等四个方面构建的， 所以分别观察这四个因素的改变对感知的概率大小影响， 令各因素的节点均处于状态c， 分析哪个因素的影响对个体作业人员的感知影响更大. 结果如表 5 所示.

表 5 四大因素对感知的影响大小比较Tab.5 Comparison between the four factors and perception

由表 5 分析可知， 个人因素对感知的影响最大， 这与已有的研究结论相对应. 人的因素是影响情景意识差错的主要原因. 环境因素和组织因素对感知的影响相差不大， 任务因素对感知的影响最小. 因此， 个体自身因素的改善会很大程度地影响个体感知水平.

根据表 5 的结果， 可以继续分析， 个人因素中各节点、 各状态具体哪项对感知的影响最大. 结果如表 6 所示.

表 6 各个人因素对感知的影响大小比较Tab.6 Comparison between the personal factors and perception %

由表 6 可知， 各个人因素不管是在哪个状态下， 个人素质和经验及注意力都是相对较大的影响感知的因素， 这与表4的结果相一致. 精神和身体状态以及短时记忆对感知的影响相差不大， 本能对感知的影响最小.

根据表 6 的结果可以知道， 节点状态对影响大小结果的比较影响不大. 因此， 在分析环境因素中的各节点对感知的影响大小比较时， 只需观察各节点处于状态c时的概率变化即可. 结果如表 7 所示.

表 7 各环境因素对感知的影响大小比较Tab.7 Comparison between environmental factors and perception

由表 7 可以看出， 设备可靠性J和设备性能H构成的设备环境对感知的影响最大， 作业环境F、 自然环境B次之. 当设备测量精度低、 设备出现故障、 设备缺失等情况出现时， 会使人感知错误的信息， 从而影响对信息的正确判断与分析， 造成事故的发生.

4 结 论

1) 构建了影响煤矿采掘作业人员感知的贝叶斯网络因果图， 建立了一种规范的方法计算贝叶斯网络参数， 通过互信息值的检验得到了正确有效的感知贝叶斯网络模型.

2) 通过因果推理技术， 从环境、 任务、 组织、 个人因素等方面分析， 得出个人因素和环境因素是影响感知的主要因素， 且个人素质和经验及注意力是影响感知较大的个人因素， 设备可靠性和设备性能是影响感知较大的环境因素. 该结论为煤矿采掘作业人员情景意识的改善提供了基础.

3) 在贝叶斯网络参数的确定过程中， 由于贝叶斯网络参数的计算是基于专家打分等主观判断， 主观性太强， 且计算过程较为复杂， 可以在以后的研究尽量收集比较准确的数据来进行统计研究， 以定量与定性相结合的方式分析煤矿安全事故中影响个体作业人员的感知水平的因素.

[1] 陈兆波， 曾建潮， 董追， 等. 基于HFACS的煤矿安全事故人因分析[J]. 中国安全科学学报， 2013， 23(7)： 116-121.

Chen Zhaobo， Zeng Jianchao， Dong Zhui， et al. Analysis of human factors in coal mine accidents based on HFACS[J]. China Safety Science Journal， 2013， 23(7)： 116-121. (in Chinese)

[2] Endsley M R. Towards a theory of situation awareness in dynamic systems[J]. Human Factory， 1995， 37(1)： 32-64.

[3] 王永刚， 陈道刚. 基于结构方程模型的管制员情景意识影响因素研究[J]. 中国安全科学学报， 2013， 23(7)： 19-25.

Wang Yonggang， Chen Daogang. Study on factors influencing air traffic controller’s situation awareness based on structural equation model[J]. China Safety Science Journal， 2013， 23(7)： 19-25. (in Chinese)

[4] Sandhåland H， Oltedal H， Eid J. Situation awareness in bridge operations-a study of collisions between attendant vessels and offshore facilities in the North Sea[J]. Safety Science， 2015(79)： 277-285.

[5] Sneddon A， Mearns K， Flin R. Stress， fatigue， situation awareness and safety in offshore drilling crews[J]. Safety Science， 2013， 56(5)： 80-88.

[6] Endsley M R. Measurement of situation awareness in dynamic systems[J].Human Factors， 1995， 37(1)： 65-84.

[7] Nazir S， Sorensen L J， Øvergard K I， et al. Impact of training methods on distributed situation awareness of industrial operators[J]. Safety Science， 2015， 73(3)： 136-145.

[8] 李鹏程， 张力， 戴立操， 等. 核电厂数字化主控室操纵员的情景意识可靠性模型[J]. 系统工程理论与实践， 2016， 36(1)： 243-252.

Li Pengcheng， Zhang Li， Dai Licao， et al. Operation’s situation awareness reliability model in digital main control rooms of nuclear power plants[J]. Systems Engineering Theory and Practice， 2016， 36(1)： 243-252. (in Chinese)

[9] Psarros G A. Bayesian perspective on the deck officer’s situation awareness to navigation accidents[J]. Procedia Manufacturing， 2015(3)： 2341-2348.

[10] Thilakarathne D J. Modelling of situation awareness with perception， attention， and prior and retrospective awareness[J]. Biologically Inspired Cognitive Architectures， 2015， 12： 77-104.

[11] Salmon P M， Stanton N A， Walker G H， et al. Situation awareness measurement： a review of applicability for C4i environments[J]. Applied Ergonomics， 2006， 37(2)： 225-238.

[12] Endsley M R. Situation awareness and human error： designing to support human performance[C]. Proceedings of the high consequence systems surety conference， Albuquerque， New Mexico， 1999.

[13] Endsley M R， Garland D G. Pilot situation awareness training in general aviation[J]. Human Factors & Ergonomics Sowety Meeting, 2000, 44(11): 357-360.

[14] 成连华， 李树刚， 林海飞， 等. 基于情景认知的煤矿瓦斯爆炸事故进程研究[J]. 煤矿安全， 2010： 41(9)： 108-111.

Cheng Lianhua， Li Shugang， Lin Haifei， et al. Research on the process of coal mine gas explosion based on the situational cognition[J]. Safety in Coal Mines， 2010： 41(9)： 108-111. (in Chinese)

[15] 李乃文， 王春迪， 牛莉霞. 高危岗位矿工个体风险感知影响因素仿真研究[J]. 中国安全生产科学技术， 2015， 11(9)： 184-190.

Li Naiwen， Wang Chundi， Niu Lixia. Simulation of factors affecting individual risk perception of the high-risk position miner[J]. Journal of Safety Science and Technology， 2015， 11(9)： 184-190. (in Chinese)

[16] 汪伟忠， 卢明银， 张振芳. 煤矿作业人员系统风险知觉能力量化分析[J]. 中国安全生产科学技术， 2015， 11(8)： 152-156.

Wang Weizhong， Lu Mingyin， Zhang Zhenfang. Quantitative analysis on perceptual ability of systematic risk for coal miners[J]. Journal of Safety Science and Technology， 2015， 11(8)： 152-156. (in Chinese)

[17] Blaylock B K. Risk perception： evidence of an interactive process[J]. Journal of Business Research， 1985， 13(3)： 207-221.

[18] 肖泽元， 李广利， 寇猛， 等. 风险感知水平对矿工注意力集中能力的影响研究[J]. 技术与创新管理， 2016， 37(5)： 524-528.

Xiao Zeyuan， Li Guangli， Kou Meng， et al. Research on the influence of risk perception level on miners’ concentration ability[J]. Technology and innovation management， 2016， 37(5)： 524-528. (in Chinese)

[19] 肖泽元. 矿工风险感知与不安全行为的关系研究[D]. 西安： 西安科技大学， 2014.

[20] 武予鲁. 煤矿本质安全管理[M]. 北京： 化学工业出版社， 2009.

[21] 陈宝智. 安全原理[M]. 第 2 版. 北京： 冶金工业出版社， 2002.

[22] 郭伏， 钱省三. 人因工程学[M]. 北京： 机械工业出版社， 2007.

[23] 闫少华. 基于信息加工模型的管制员差错分类与分析[J]. 中国安全科学学报， 2009， 19(8)： 121-125.

Yan Shaohua. Classification and analysis of air traffic controller’s errors based on information processing model[J]. China Safety Science Journal， 2009， 19(8)： 121-125. (in Chinese)

[24] Goldstein E B. 认知心理学： 心智、 研究与你的生活[M]. 第 3 版. 张明， 等译. 北京： 中国轻工业出版社， 2015.

[25] Roed W， Mosleh A， Vinnem J E， et al. On the use of the hybrid causal logic method in offshore risk analysis[J]. Reliability Engineering and System Safety， 2009， 94(2)： 445-455.

[26] 王双成. 贝叶斯网络学习、 推理与应用[M]. 上海： 立信会计出版社， 2010.

AnalysisofFactorsInfluencingthePerceptionofCoalMiningOperator

HAO Li-ping1, CHEN Zhao-bo1, ZENG Jian-chao1,2

(1. Division of Industry and Systems Engineering,Taiyuan University of Science and Technology,Taiyuan 030024, China；2. School of Computer Science and Control Engineering, North University of China, Taiyuan 030051, China)

To investigate the main factors influencing the perception of coal mining operator, the Bayesian network causality diagram of the perception was established based on the coal mining operation procedures. Furthermore, the analytic hierarchy process (AHP), verbal-numerical probability method and triangle fuzzy were combined to determine the parameters of the Bayesian network, and the Bayesian network of the perception of coal mining operator was established. Finally, based on the inferring analysis of the model, the main influencing factors of perception about the coal mine operator were obtained. The results show that training is the main organizational factors; personal qualities, experience and attention are the main factors influencing the perception of personal factors; the device reliability is the biggest of the environmental factors. Personal factors impact on the perception most, then followed by environmental factors.

coal mine safety; situation awareness; perception; bayesian networks; personal factors

1673-3193(2017)05-0592-07

2017-04-10

国家自然科学基金资助项目(41272374)； 教育部人文社会科学青年基金资助项目(15YJC630012)； 山西省自然科学青年基金资助项目(2015021098)； 太原科技大学研究生创新基金资助项目(20151033)

郝丽萍(1992-)， 女， 硕士生， 主要从事人因工程与系统安全的研究.

X936

A

10.3969/j.issn.1673-3193.2017.05.015