基于SCM 与K-means 聚类算法的矿工不安全动作分类特征研究

鞠春雷，邓慧敏，张永杰，吴 悠，张江石，郭金山

（1 北京天地华泰矿业管理股份有限公司，北京 100013；2 中国矿业大学（北京）应急管理与安全工程学院，北京 100083）

安全科学是事故预防的科学，“瑞士奶酪”模型（Swiss Cheese Model, SCM）等事故致因理论是发现事故原因、有效预防事故的工具[1]。利用SCM 模型等事故致因理论，可以减少人的不安全动作，有效的预防事故的发生[2]；对不安全动作进行科学分类有助于发现原因，实现精准预防[3]。孙世梅[4]等通过违章分类分析得出21 类190 个不安全动作、4 类10 个不安全物态，发生频率前3 位顺次为不具备作业资格、安全培训教育不到位、安全监管不到位；付净[5]等基于FTA 等构建不安全动作识别及作用分析模型，得出在违章中违章操作占违章动作总数54.6%；薛宇敬阳[6]等统计了1997—2010 年我国共发生的38 起通用航空飞行事故，得出不安全动作原因可归为4 类，其中违章操作是发生频数最高的原因类型；李敬强[7]等提出采用k-means 聚类方法对比分析管制员与管制学生的差异，并明确相关特征。基于内蒙古、宁夏、新疆地区的6 个煤矿2017—2018 年度的“三违”行为数据进行统计分析，应用SCM 模型进行归类整理，对违章、错误、过失、疏忽4 种类别的不安全动作进行统计分析，并采用k-means 聚类对数据进行分类与人工分类进行对比探讨，给出相应安全建议。

1 不安全动作统计分析及分类特征

1.1 SCM 模型

“瑞士奶酪”模型将导致系统故障的各种人为错误因素分为4 个级别[8]：最高级别的人为因素是不可靠决策，其次是直线管理层缺陷和不安全动作的心理前兆，最低级别为不安全动作。SCM 模型前3个层级只是简单介绍了其包含的内容，只有在最低层级即不安全动作这一层级，进行了详细的分类。在该模型中，违章[9]与错误被归为有意动作，过失和疏忽被归为无意动作。Reason 将技能型疏忽、过失、规则型错误和知识型错误定义为3 种基本失误类型。故不安全动作不仅可以分为人误和违章，还可分为有意、无意动作。

1.2 实地调研情况

实地调研主要在6 个煤矿中开展。经调研，2017—2018 年在6 个煤矿搜集到共计1 996 名“三违”人员的基本信息和16 208 起“三违”行为，将“三违”记录中的无效数据剔除，最后保留15 416 起“三违”行为数据，数据有效率为95.11%。

1.3 不安全动作分类特征

基于统计的6 个煤矿的“三违”行为数据，从时间、工种及SCM 行为产生特点3 个方面对全部“三违”行为进行细化分类，得到不同维度分析结果，不同月份和不同区队及不同产生原因“三违”行为数量分布如图1。

图1 不同月份和不同区队及不同产生原因“三违”行为数量分布Fig.1 Quantity distribution of“three violations”in different months, different district teams and causes

从“三违”时间维度来看，五月至八月和岁末年初受节假日影响，员工心理发生了波动“三违”行为递增态势较为明显，呈现波峰现象；从“三违”区队维度来看，产生“三违”行为发生率由高到低为：综掘8.05%、综采7.91%、机运7.76%、通风7.14%、车队7.13%、提升6.57%；基于SCM 的4 种不安全动作分类排序来看：违章占比46.88%、疏忽占比40.63%、错误占比4.91%、过失占比7.58%，即基本错误类型占“三违”行为的53.12%，基于统计结果可以看出，矿工产生不安全动作的主导因素是内部自身的原因，其次是外部影响因素。

2 K-means 聚类分析

2.1 K-means 聚类原理

对于给定的一个包含n 个多维数据点的数据集X=｛x1，x2，…，xn｝，其中xi属于全体实数集。K 为最终将要生成的数据子集的数量，此聚类算法将数据对象划分为k 个簇C＝｛ck，i＝1，2，…，k｝。每个簇代表1 类ck，每1 类ck有1 个聚类中心μi。此聚类算法将欧式距离作为相似性与距离判断标准，通过计算该类中各点到聚类中心μk的距离平方和，确定具体聚类结果。K-means 聚类分析是一个反复迭代的程，根据最小二乘法和拉格朗日原理算出的各类别ck内各数据点的平均值即聚类中心μk[10]。聚类目的是为了使聚类域中的样本到聚类中心距离的平方和J（C）最小。

2.2 K-means 实例运算

为了进一步挖掘不安全动作数据特点，验证并扩展上述矿工不安全动作分类结果，将大样本数据集中处理，从“三违”调研数据中选取多次发生或风险隐患较大的不安全动作数据进行聚类分析，共筛选出148 例具有代表性的“三违”行为数据集合。

利用Matlab 进行聚类分析，建立指标8 个，各指标名称及含义见表1。对得到的结果进行分析。假设k=4，初始聚类中心选取结果见表2；根据聚类分析步骤进行迭代计算，迭代次数为13 次，当各聚类中心变化趋近于0，迭代过程结束，最终聚类中心结果见表3。通过采用PCA 降维聚类散点分析了导致“三违”行为产生的4 类原因，聚类效果明显。

表1 各指标名称及含义Table 1 Name and meaning of each index

表2 初始聚类中心Table 2 Initial cluster centres

表3 最终聚类中心Table 3 Final cluster centres

基于组别分类指标进行单因素方差分析，方差分析结果见表4。根据F 值得到各指标对聚类的贡献，按照重要度排序为X>O>Y>C>Z>Q>S>G，各指标对聚类均具有贡献。结合SCM 模型、指标的建立及聚类后的各类别的数量对4 类不安全动作排序为：违章>疏忽>过失>错误，与人工分类结论相同。

表4 方差分析结果Table 4 Results of variance analysis

3 控制对策及预防方法

从内部和外部原因分析矿工不安全动作的产生可知：①矿工自身能力不足，无意识或存在缺陷引起的不良效应，进而导致不安全动作的产生，表现为疏忽和过失；②组织机构存在的决策性失误、规则不完善等直接或间接干扰了矿工安全动作，导致的矿工行为偏离而产生的不安全动作，表现为错误；③干扰失效，即监督检查不到位让本可以预防的不安全动作发生，表现为违章或“三违”行为。

经过上述研究，建议托管运营煤矿从员工的知识、意识与习惯3 个角度实施不安全动作预防控制措施：①在正常的安全培训基础上，强化身边典型事故案例分析教育，增强符合本矿条件下的危险源辨识和及时处理能力；②操作程序规范化、标准化，使员工养成良好的操作行为习惯，提高操作技能水平；③强化巡检监督，减少不安全动作的发生率；④合理安排工作任务量，切实降低工人劳动强度，有效防止导致安全事故的不安全动作的出现。

4 结 语

1）以国内3 个不同区域6 个托管运营煤矿的“三违”数据为来源，基于SCM 模型的不安全动作分类方法进行归类分析，找到了违章、错误、过失、疏忽4种类别中主要导致不安全动作发生的致因因素。

2）将2017、2018 年“三违”行为数量做逐月对比，发现五月至八月和岁末年初受节假日影响，员工的“三违”行为呈递增态势；按照不同区队分类，“三违”行为发生率综掘、综采、机运居于前3 位；基于SCM 分类分析4 种不安全动作类别排序，综合分析得出，矿工产生不安全动作的主导因素是内部自身的原因，外部影响为次要因素。

3）对预处理后剩余的148 起“三违”行为数据进行k-means 聚类分析和PCA 降维可视化聚类散点分析。结果表明在所有不安全动作中，违章占比最大，错误占比最小。

4）针对不安全行为分析结果，建议托管运营煤矿员工从知识、意识与习惯3 个角度实施不安全动作的预控措施；强化培训，提高认识，增强危险辨识能力；操作流程规范化、标准化，注重习惯养成，提高操作技能；保持巡查监督、降低劳动强度，最终避免和遏制导致安全事故的不安全行为动作发生。