CN107993017A - 一种工人不安全行为分析方法及系统 - Google Patents

Abstract

本发明公开了一种工人不安全行为分析方法及系统。该方法包括：依据数据维度进行数据采集，得到采集数据；所述数据维度包括时间维度、位置区域维度、行为个体维度、不安全动作维度、行为性质维度、行为痕迹维度以及风险等级维度；通过统计分析法对所述采集数据进行分析，得到不同维度的所述采集数据的分布特征；通过数据挖掘算法对不同维度的所述采集数据的分布特征进行分析，得到所述采集数据的多维度的关联规则，确定工人的不安全行为。本方法和系统能够对工人的不安全行为进行有效的识别分析，从而预防安全事故的发生。

Description

一种工人不安全行为分析方法及系统

技术领域

本发明涉及行为安全和数据挖掘领域，特别是涉及一种工人不安全行为识别分析及系统。

背景技术

安全生产是促进社会进步和经济持续健康发展的基本条件，是一个国家文明与进步的重要标志。每年各行业和领域都有不同大小的事故发生，造成巨大的人员伤亡、财产损失和环境破坏。而引发事故的原因大致可分为三类因素，分别为人的不安全行为、物的不安全状态、不可预见因素。由事故致因理论可知物的不安全状态和人的不安全行为可以直接导致事故的发生。通过调查国内外发生的重大数据得出，大部分的事故都是由人的不安全行为引起的。不安全行为是指那些可能造成人员伤亡、财产损失、环境破坏的违反操作规程、安全条例的行为。不安全行为的影响因素主要分为内部因素和外部因素两大类。内部因素主要包括人格特质、认知与心理因素、安全态度、行为能力、消极情绪等；外部因素主要包括人机环系统、组织安全氛围等。

然而，对于不安全行为控制，大多停留在对工人不安全动作的矫正，而忽略了不安全行为间的差异性，一定程度上造成了管控措施可持续性效果较差，行为遵守水平难以维持。同时，对工人行为的研究多关注行为干预和行为反应之间的关系，忽视了行为个体之间的自然属性和岗位差异，使得对不安全行为的系统性分析不够深入。

发明内容

本发明的目的是提供一种工人不安全行为分析方法及系统，用以对工人的不安全行为进行有效的分析，从而预防安全事故的发生。

为实现上述目的，本发明提供了如下方案：

一种工人不安全行为识别方法，所述方法包括：

依据数据维度进行数据采集，得到采集数据；所述数据维度包括时间维度、位置区域维度、行为个体维度、不安全动作维度、行为性质维度、行为痕迹维度以及风险等级维度；

通过统计分析法对所述采集数据进行分析，得到不同维度的所述采集数据的分布特征；

通过数据挖掘算法对不同维度的所述采集数据的分布特征进行分析，得到所述采集数据的多维度的关联规则，确定工人的不安全行为；

可选的，所述时间维度，表示工人不安全行为发生的时间；位置区域维度，表示工人不安全行为发生的区域地点；行为个体维度，表示工人的年龄、工龄、岗位工种；不安全动作维度，表示具体的不安全行为；行为性质划维度，包括违章指挥、违章操作、违章行动和不违章不安全动作；行为痕迹维度，包括有痕行为痕迹和无痕行为痕迹；风险等级维度，包括特大风险、重大风险、中等风险、一般风险以及低度风险。

可选的，依据所述数据维度从现场隐患和违章图像以及事故报告中采集数据。

可选的，所述通过数据挖掘算法对不同维度的所述采集数据的分布特征进行分析，得到所述采集数据的多维度的关联规则，具体包括：

通过迭代算法获取所述采集数据中的频繁项集；

根据所述频繁项集的置信度构造所述采集数据的多维度的关联规则。

本发明还提供了一种工人不安全行为分析系统，所述系统包括：

数据采集模块，用于依据数据维度进行数据采集，得到采集数据；所述数据维度包括时间维度、位置区域维度、行为个体维度、不安全动作维度、行为性质维度、行为痕迹维度以及风险等级维度；

统计分析模块，用于通过统计分析法对所述采集数据进行分析，得到不同维度的所述采集数据的分布特征；

不安全行为确定模块，用于通过数据挖掘算法对不同维度的所述采集数据的分布特征进行分析，得到所述采集数据的多维度的关联规则，确定工人的不安全行为。

可选的，所述时间维度，表示工人不安全行为发生的时间；位置区域维度，表示工人不安全行为发生的区域地点；行为个体维度，表示工人的年龄、工龄、岗位工种；不安全动作维度，表示具体的不安全行为；行为性质划维度，包括违章指挥、违章操作、违章行动和不违章不安全动作；行为痕迹维度，包括有痕行为痕迹和无痕行为痕迹；风险等级维度，包括特大风险、重大风险、中等风险、一般风险以及低度风险。

可选的，所述数据采集模块用于依据所述数据维度从现场隐患和违章图像以及事故报告中采集数据。

可选的，不安全行为确定模块包括：

频繁项集获取子模块，用于通过迭代算法获取所述采集数据中的频繁项集；

关联规则构造子模块，用于根据所述频繁项集的置信度构造所述采集数据的多维度的关联规则。

与现有技术相比，本发明公开了以下技术效果：本发明设定了7个数据维度，即不安全行为的发生时间、行为个体、位置区域、不安全行为、行为性质、行为痕迹、风险等级，依据设定的数据维度进行数据采集并进行统计分析，从而深刻认知工人不安全行为的特征规律。应用数据挖掘算法分析多维度关联规则和交互规律，定位不安全行为，从而预防安全事故的发生。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种工人不安全行为分析方法的流程图；

图2为本发明实施例提供的一种工人不安全行为分析系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种工人不安全行为分析方法及系统，用以对工人的不安全行为进行有效的识别分析，从而预防安全事故的发生。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例提供的一种工人不安全行为分析方法的流程图。如图1所示，本方法包括

步骤101：依据数据维度进行数据采集，得到采集数据；所述数据维度包括时间维度、位置区域维度、行为个体维度、不安全动作维度、行为性质维度、行为痕迹维度以及风险等级维度。

具体的，所述时间维度，表示工人不安全行为发生的时间；位置区域维度，表示工人不安全行为发生的区域地点；行为个体维度，表示工人的年龄、工龄、岗位工种；不安全动作维度，表示具体的不安全行为；行为性质划维度，包括违章指挥、违章操作、违章行动和不违章不安全动作；行为痕迹维度，包括有痕行为痕迹和无痕行为痕迹；风险等级维度，包括特大风险、重大风险、中等风险、一般风险以及低度风险。

将人的不安全行为发生视为一个场景，从现场隐患及违章图像和事故报告2个方面获取泛场景框架下的不安全行为数据。现场隐患及违章图像为现实场景，记录事件的发生时刻、主体的行为过程以及事物状态，做到事件的简单回放，反映现场人员的不安全行为或风险点，拟结合图像语义提取，建立语义信息与泛场景数据对应关系，进而实现泛场景数据的处理。事故报告为抽象场景，记录事故简要经过、直接和间接原因、整改防范措施以及处理结果，内含事故相关的人的不安全行为和物的不安全状态，作为不安全行为场景数据的重要来源，采用信息提取和挖掘的技术，依据设定维度进行数据的采集。

步骤102：通过统计分析法对所述采集数据进行分析，得到不同维度的所述采集数据的分布特征。

具体的，从7个维度直观地反映不安全行为的时间分布规律、空间分布规律以及行为个体分布规律等内在知识。该分析可直观地反映不安全行为的时间分布规律、空间分布规律以及行为个体分布规律等内在知识，从而为企业安全管理提供更为准确的依据。①时间统计，可以汇总出不安全行为在不同时间段的分布情况，获取不安全行为时间变化趋势。②位置区域统计，可以汇总出不安全行为在不同地点的分布情况，掌握不安全行为易发地点。③行为个体统计。可以汇总不安全行为易发人群的分布情况。对于行为个体年龄、工龄、岗位工种的统计分析，可以更为全面分析易发人群的特征规律。④不安全动作统计，将不安全动作进行分类，更为清晰的反映不安全行为特征。⑤行为性质统计，汇总违章操作、违章指挥、违章行动、不违章行为的分布情况。⑥行为痕迹统计，汇总有痕和无痕分布情况，进行针对性干预。⑦风险等级统计，可以汇总出不同严重程度的不安全行为分布规律。对工人不安全行为在某一特定维度不同类别上的分布差异进行研究，得出其特定维度中的分布特征，从而定位面向不安全行为单维度特征的工人不安全行为。

步骤103：通过数据挖掘算法对不同维度的所述采集数据的分布特征进行分析，得到所述采集数据的多维度的关联规则，确定工人的不安全行为。通过迭代算法获取所述采集数据中的频繁项集；根据所述频繁项集的置信度构造所述采集数据的多维度的关联规则。

具体的，多维度交互分析可以探究不安全行为不同维度之间的相互影响关系，对于发现不安全行为的潜在特征具有重要意义。不同维度的交互分析具有不同的实际意义，其目的是探究不安全行为深层次的规律性。采用Apriori算法来挖掘泛场景数据多维度关联规则，该算法在识别所有频繁项集的基础上从中构造规则，其基本原理是利用迭代算法获取数据集中的所有频繁项集，进而根据置信度构造关联规则。其核心内容即依据支持度找出所有频繁项集(频度)和依据置信度产生关联规则(强度)，其主要步骤包括：①找出所有支持度大于最小支持度的项集，这些项集构成频集；②从频集中找出强规则，产生强规则的项目既满足最小支持度又满足最小置信度；③通过提升度验证有效的强关联规则，即满足否则视为无效的强关联规则。以不安全动作为后继项，其他维度为先导项，分析不同维度之间的关联规则，从而实现泛场景数据内在规律的挖掘。

下面以建筑施工为例。

由建筑施工事故报告和施工现场照片形成的2139个场景，6431条不安全行为泛场景数据，基于Apriori算法，以不安全动作维度和位置区域维度关联规则为例，找出在建筑施工场所不同位置最易出现哪种不安全动作，从而说明不安全行为泛场景数据多维度关联规则的挖掘。

首先将泛场景数据集经过数据抽样编码及预处理建立布尔矩阵。矩阵的行代表事故场景，包括位置区域和不安全动作，矩阵的列代表2个维度(不安全动作维度和位置区域)包含的具体项，数字1表示对应项出现，0表示对应项不出现。

然后筛选强关联规则。设置位置区域为先导项，设A＝{位置区域}，不安全动作为后继项，设B＝{不安全动作}，支持度反映关联规则间的强弱，支持度θ>8％为强关联规则，支持度θ<5％为弱关联规则，关联关系网络模型，计算得到不同位置区域出现不同不安全动作的支持度大小，其强关联规则结果为A1＝{辅助作业区}，B1＝{作业区休息}，支持度置信度A2＝{施工作业区}，B2＝{没按要求佩戴安全防护装置}，支持度置信度

最后进行提升度验证。设置最小支持度θ＝8％，最小置信度ω＝20％，对于 说明该规则为无效的强规则。对于 说明该规则为有效的强规则。因此，对于建筑施工而言，最易在施工作业区发生的不安全动作为没按要求佩戴安全防护装置。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明设定了7个数据维度，即不安全行为的发生时间、行为个体、位置区域、不安全行为、行为性质、行为痕迹、风险等级，依据设定的数据维度进行数据采集并进行统计分析，从而深刻认知工人不安全行为的特征规律。应用数据挖掘算法分析多维度关联规则和交互规律，定位不安全行为，从而预防安全事故的发生。

通过上述方法定位不安全行为后，我们可以采用下述控制方法来预防安全事故的发生。

1)采用隐形和显性手段对不同工种关键不安全行为进行初次干预。隐形手段包括原因分析、心理座谈、矛盾调解等，显性手段包括安全培训、安全监察、奖惩激励等，以期减少和弱化各种不安全行为，不断纠正违章行为，同时约束工人行为，最终形成安全行为；

2)采用设备监测和人员观察的手段，以可度量、可控制、可观察为标准对岗位工种关键行为进行观察。设备监测着眼于利用施工现场的终端数据采集设备，如：摄像头、传感器等。进而选定行为观察员，现场记录不安全行为，采集场景数据，提醒违章工人，并进行计划、指导、报告和监控；

3)反馈行为观察结果，及时进行数据信息的交流与沟通，对收集的泛场景经数据进行分析挖掘，再次探究不同岗位工种关键行为特征规律，定位不安全行为，实现不安全行为二次干预；

4)通过持续的纠正，改变个人行为习惯，建立安全人员行为标准规范，培养现场作业人员习惯性的安全行为，最终建立“数据采集—特征规律分析—行为干预—行为观察—数据再收集”的工人不安全行为的干预循环持续过程。

图2为本发明实施例提供的一种工人不安全行为分析系统的结构示意图。如图2所示，本发明还提供了一种工人不安全行为分析系统。

所述系统包括：数据采集模块201、统计分析模202以及不安全行为确定模块203。

数据采集模块201，用于依据数据维度从现场隐患和违章图像以及事故报告中采集数据。所述数据维度包括时间维度、位置区域维度、行为个体维度、不安全动作维度、行为性质维度、行为痕迹维度以及风险等级维度。所述时间维度，表示工人不安全行为发生的时间；位置区域维度，表示工人不安全行为发生的区域地点；行为个体维度，表示工人的年龄、工龄、岗位工种；不安全动作维度，表示具体的不安全行为；行为性质划维度，包括违章指挥、违章操作、违章行动和不违章不安全动作；行为痕迹维度，包括有痕行为痕迹和无痕行为痕迹；风险等级维度，包括特大风险、重大风险、中等风险、一般风险以及低度风险。所述数据采集模块用于依据所述数据维度从现场隐患和违章图像以及事故报告中采集数据。

统计分析模块202，用于通过统计分析法对所述采集数据进行分析，得到不同维度的所述采集数据的分布特征。

不安全行为确定模块203，用于通过数据挖掘算法对不同维度的所述采集数据的分布特征进行分析，得到所述采集数据的多维度的关联规则，确定工人的不安全行为。

不安全行为确定模块203包括频繁项集获取子模块和关联规则构造子模块。

频繁项集获取子模块，用于通过迭代算法获取所述采集数据中的频繁项集；

关联规则构造子模块，用于根据所述频繁项集的置信度构造所述采集数据的多维度的关联规则。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种工人不安全行为分析方法，其特征在于，所述方法包括：

依据数据维度进行数据采集，得到采集数据；所述数据维度包括时间维度、位置区域维度、行为个体维度、不安全动作维度、行为性质维度、行为痕迹维度以及风险等级维度；

通过统计分析法对所述采集数据进行分析，得到不同维度的所述采集数据的分布特征；

通过数据挖掘算法对不同维度的所述采集数据的分布特征进行分析，得到所述采集数据的多维度的关联规则，确定工人的不安全行为。

2.根据权利要求1所述的一种工人不安全行为分析方法，其特征在于，所述时间维度，表示工人不安全行为发生的时间；位置区域维度，表示工人不安全行为发生的区域地点；行为个体维度，表示工人的年龄、工龄、岗位工种；不安全动作维度，表示具体的不安全行为；行为性质划维度，包括违章指挥、违章操作、违章行动和不违章不安全动作；行为痕迹维度，包括有痕行为痕迹和无痕行为痕迹；风险等级维度，包括特大风险、重大风险、中等风险、一般风险以及低度风险。

3.根据权利要求1所述的一种工人不安全行为分析方法，其特征在于，依据所述数据维度从现场隐患和违章图像以及事故报告中采集数据。

4.根据权利要求1所述的一种工人不安全行为分析方法，其特征在于，所述通过数据挖掘算法对不同维度的所述采集数据的分布特征进行分析，得到所述采集数据的多维度的关联规则，具体包括：

通过迭代算法获取所述采集数据中的频繁项集；

根据所述频繁项集的置信度构造所述采集数据的多维度的关联规则。

5.一种工人不安全行为分析系统，其特征在于，所述系统包括：

数据采集模块，用于依据数据维度进行数据采集，得到采集数据；所述数据维度包括时间维度、位置区域维度、行为个体维度、不安全动作维度、行为性质维度、行为痕迹维度以及风险等级维度；

统计分析模块，用于通过统计分析法对所述采集数据进行分析，得到不同维度的所述采集数据的分布特征；

不安全行为确定模块，用于通过数据挖掘算法对不同维度的所述采集数据的分布特征进行分析，得到所述采集数据的多维度的关联规则，确定工人的不安全行为。

6.根据权利要5所述的一种工人不安全行为分析系统，其特征在于，所述时间维度，表示工人不安全行为发生的时间；位置区域维度，表示工人不安全行为发生的区域地点；行为个体维度，表示工人的年龄、工龄、岗位工种；不安全动作维度，表示具体的不安全行为；行为性质划维度，包括违章指挥、违章操作、违章行动和不违章不安全动作；行为痕迹维度，包括有痕行为痕迹和无痕行为痕迹；风险等级维度，包括特大风险、重大风险、中等风险、一般风险以及低度风险。

7.根据权利要5所述的一种工人不安全行为分析系统，其特征在于，所述数据采集模块用于依据所述数据维度从现场隐患和违章图像以及事故报告中采集数据。

8.根据权利要5所述的一种工人不安全行为分析系统，其特征在于，不安全行为确定模块包括：

频繁项集获取子模块，用于通过迭代算法获取所述采集数据中的频繁项集；

关联规则构造子模块，用于根据所述频繁项集的置信度构造所述采集数据的多维度的关联规则。