CN109460868A - 一种采用灰度预测的企业安全生产预警系统的构建方法 - Google Patents
一种采用灰度预测的企业安全生产预警系统的构建方法 Download PDFInfo
- Publication number
- CN109460868A CN109460868A CN201811309512.0A CN201811309512A CN109460868A CN 109460868 A CN109460868 A CN 109460868A CN 201811309512 A CN201811309512 A CN 201811309512A CN 109460868 A CN109460868 A CN 109460868A
- Authority
- CN
- China
- Prior art keywords
- value
- early warning
- warning
- grade
- accident
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000011161 development Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 65
- 238000004519 manufacturing process Methods 0.000 claims description 53
- 230000008520 organization Effects 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000005553 drilling Methods 0.000 claims description 29
- 230000006872 improvement Effects 0.000 claims description 19
- 230000001550 time effect Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 208000027418 Wounds and injury Diseases 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 6
- 230000002265 prevention Effects 0.000 claims description 6
- 230000001373 regressive effect Effects 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims 1
- 230000002411 adverse Effects 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000012797 qualification Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000003442 weekly effect Effects 0.000 description 54
- 230000008859 change Effects 0.000 description 20
- 230000000737 periodic effect Effects 0.000 description 14
- 230000018109 developmental process Effects 0.000 description 7
- 238000011835 investigation Methods 0.000 description 7
- 238000010835 comparative analysis Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013334 tissue model Methods 0.000 description 2
- 206010000372 Accident at work Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种采用灰度预测的企业安全生产预警系统的构建方法,属于信息技术领域。通过灰度预测的预警预测技术,实现动态发布企业安全生产状况和发展趋势的预测。该方法包括业务数据采集,预警指标向量生成,预警模型生成预警值,灰度预测模型生成预测值,生成预警预测综合报告。不仅收集了预警指标及其量化值,还给全面评价企业安全生产工作水平提供一个重要的标准。
Description
技术领域
本发明属于信息技术领域,涉及一种企业安全生产预警方法,具体涉及一种采用灰度预测的企业安全生产预警系统的构建方法。
背景技术
近年来,全国安全生产事故总体呈下降趋势,但出现重特大事故形势依然严峻,对国民生产和生活带来了严重的影响,对要求安全生产科学技术的深入研究与发展更加迫切。
目前,安全生产信息化工具已经在企业得到了广泛应用,尤其是大中型企业,实现纸质化台账的安全管理方式向电子化台账的安全管理方式的转变,初步实现了安全标准化要素的业务模块(以下简称模块)内的数据采集和初步分析的功能。但缺乏模块间的信息共享和信息综合分析,更缺乏一种动态的全面反映企业的安全生产现状的技术和方法。
采用灰度预测的企业安全生产预警系统是依据隐患排查治理、事故事件、安全培训和应急演练情况,采用信息化建模技术和灰度预测技术进行定量化,实现对企业安全生产状况和发展趋势进行预警预测。采用此方法构建的预警系统,可实现安全生产要素的信息互联互通,提高安全生产信息综合分析的效率,可及时发布企业安全生产状况和问题,提供安全生产管理水平。
发明内容
在安全生产管理信息化的技术上,通过信息化预警模型的构建,实现安全生产要素更加系统化、标准化,通过灰度预测的预警预测技术,实现动态发布企业安全生产状况和发展趋势。
本发明提供一种采用灰度预测的安全生产预警系统的构建方法,所述方法包括如下步骤:
S1,业务数据采集,采用灰度预测的安全生产预警系统与企业的安全生产综合管理系统建立信息连接,所述的安全生产预警系统需要获取所述安全生产综合管理系统的业务参数。
S2,预警指标向量生成,所述的业务参数按照组织机构范围和时间范围,对比预警指标计算要求进行数据处理与运算,形成预警指标向量。
S3,预警模型生成预警值,所述的预警指标向量值代入预警模型计算式,生成预警值SPI。
S4,灰度预测生成预测值及其精度等级,所述预警值和预警指标向量采用灰度预测模型,生成所述的预警值和预警指标向量的下周期的预测值,对所述的预测值进行数理精度检验,若精确度等级不符合要求,需要采用残差修正模型对预测结果进行结果修正,生成预警预测值和预警指标向量预测值,及其对应的精度等级。
S5,生成预警预测综合报告,所述预警指标向量、预警值、预警预测值、预警指标预测向量分析结果形成安全生产预警综合报告。
作为一种优选的实施方式,所述的业务数据采集具体包括:
依据安全生产标准化要求和企业安全生产管理单元划分方法,本发明结合安全生产预警的要求,划分业务单元为隐患排查治理P1、教育培训P2、应急管理P3、事故管理P4、系统管理P5。细化业务单元中的业务参数,业务参数是本发明的预警系统可直接获取的,具体的获取方式为本发明的预警系统每周(自然周)使用系统接口的方式从企业安全生产综合管理系统中提取所需的业务参数。
所述的业务参数具体如下:
业务单元-隐患排查治理P1:
重大风险未整改隐患数P11,是指每周企业未整改隐患中风险等级为重大风险的数量;
较大风险未整改隐患数P12,是指每周企业未整改隐患中风险等级为较大风险的数量;
一般风险未整改隐患数P13,是指每周企业未整改隐患中风险等级为一般风险的数量;
低风险未整改隐患数P14,是指每周企业未整改隐患中风险等级为低风险的数量;
未整改重大事故隐患数P15,是指每周企业未整改隐患中隐患等级为重大隐患的数量;
未整改一般事故隐患数P16,是指每周企业未整改隐患中隐患等级为一般隐患的数量;
重大事故整改率P17,是指每周企业重大隐患的整改闭环的比率;
一般事故隐患整改率P18,是指每周企业一般隐患的整改闭环的比率;
班组隐患自查自改率P19,是指每周班组级员工提报隐患中已完成整改的比率;
事故风险未排查率P1a,是指每周企业要求的排查任务中未按时完成排查任务的比率;
事故隐患总数P1b,是指累计到系统获取参数时间企业的事故隐患的总数量。
业务单元-教育培训P2:
公司级未兑现培训计划数量P21,是指截止到系统获取参数时间企业公司级培训计划中未按时执行的数量;
车间级未兑现培训计划数量P22,是指截止到系统获取参数时间企业车间级培训计划中未按时执行的数量;
班组级未兑现培训计划数量P23,是指截止到系统获取参数时间企业班组级培训计划中未按时执行的数量;
岗位级未兑现培训计划数量P24,是指截止到系统获取参数时间企业岗位级培训计划中未按时执行的数量;
公司级培训时间比P25,是每周企业公司级安全培训中实际学时与法定学时的比率;
车间级培训时间比P26,是每周企业车间级安全培训中实际学时与法定学时的比率;
班组级培训时间比P27,是每周企业班组级安全培训中实际学时与法定学时的比率;
岗位级培训时间比P28,是每周企业岗位级安全培训中实际学时与法定学时的比率;
业务单元-应急管理P3:
公司级未兑现演练计划计算数量P31,是指截止到系统获取参数时间企业公司级演练计划中未按时执行的数量;
车间级未兑现演练计划数量P32,是指截止到系统获取参数时间企业车间级演练计划中未按时执行的数量;
班组级未兑现演练计划数量P33,是指截止到系统获取参数时间企业班组级演练计划中未按时执行的数量;
岗位级未兑现演练计划数量P34,是指截止到系统获取参数时间企业岗位级演练计划中未按时执行的数量;
公司级应急演练后时间P35,是指每周企业公司级应急演练日期;
车间级应急演练后时间P36,是指每周企业车间级应急演练日期;
班组级应急演练后时间P37,是指每周企业班组级应急演练日期;
岗位级应急演练后时间P38,是指每周企业岗位级应急演练日期。
业务单元-事故管理P4:
险肇事故数量P41,是指每周企业发生事故等级为险肇事故的数量;
未遂事故数量P42,是指每周企业发生事故等级为未遂事故的数量;
轻伤事故数量P43,是指每周企业发生事故等级为轻伤事故的数量;
重伤事故数量P44,是指每周企业发生事故等级为重伤事故的数量;
死亡事故数量P45,是指每周企业发生事故等级为死亡事故的数量;
业务单元-系统管理P5:
系统登录率P51,是指每周企业全体用户中登录系统用户的比率。
作为一种优选的实施方式,所述预警指标向量的计算方法,具体包括:
本发明的预警系统需设置预警指标向量,预警指标向量包含两个字段分别是预警指标值和影响方向,字段“预警指标值”需设定包含所述预警参数的公式计算或数理判断方法,预警方向根据业务判断进行设定,分别用正负号表示。
按照所述业务单元划分原则,同时与所述业务参数划分方法对应,设置含有预警指标向量的集合,预警指标向量是指带有方向性的预警指标值,按照划定原则,对预警值有正向影响的用数理正号表示,对预警值有负向影响的用数理负号表示。具体预警指标向量集合包含:
业务单元“隐患排查治理”:未整改隐患风险等级I1(正号),未整改隐患等级I2(正号),隐患整改情况I3(正号),排查偏差率I4(正号),班组自查自改未涵盖率I5(正号);
业务单元“教育培训”:未兑现培训I6(正号),教育时间比I7(负号);
业务单元“应急管理”:未兑现演练I8(正号),演练时间影响I9(负号);
业务单元“事故管理”:安全事故等级I10(正号);
业务单元“系统管理”:全员未参与度I11(正号);
综合预警向量集为{I1,I2,I3,I4,I5,I6,I7,I8,I9,I10,I11}。
作为一种优选的实施方式,所述预警指标值,还包括:
本发明预警系统将所述的业务参数按照字段“预警指标”设定原则,进行自行计算或预判断,得出可计算的预警指标向量。具体计算方式如下:
未整改隐患风险等级I1:
其中ai值如下表
序号(n) | 风险等级 | 对应分值(a<sub>n</sub>) |
1 | 重大风险 | 1 |
2 | 较大风险 | 0.5 |
3 | 一般风险 | 0.2 |
4 | 低风险 | 0.1 |
未整改隐患等级I2
其中如下表
隐患整改情况I3
Cn1——重大隐患整改率对应的分值,n1=1,2,3,4,5;
Cn2——一般隐患整改率对应的分值,n2=1,2,3,4,5;
其中Ci如下表
序号(n) | 隐患整改率 | 对应分值(C<sub>n1</sub>,C<sub>n2</sub>,) |
1 | 等于100% | 0 |
2 | 大于或等于95%,且小于100% | 5% |
3 | 大于或等于80%,且小于95% | 10% |
4 | 大于或等于50%,且小于80% | 20% |
5 | 小于50% | 50% |
排查偏差率I4
其中in如下表
序号(n) | 排查率 | 对应分值(in) |
1 | 大于或等于95% | 5 |
2 | 大于或等于90%,小于95% | 10 |
3 | 大于或等于70%,小于90% | 15 |
4 | 大于或等于50%,小于70% | 20 |
5 | 小于50% | 30 |
班组自查自改为涵盖率I5
其中如下表
序号(n) | 班组自查自改率 | 对应分值(jn) |
1 | 大于或等于25% | 2 |
2 | 大于或等于15%,小于25% | 4 |
3 | 大于或等于5%,小于15% | 6 |
4 | 小于5% | 10 |
未兑现培训I6
其中如下表
教育时间比I7
Cn1——公司级培训时间比对应的分值,n1=1,2,3,4,5;
Cn2——车间级培训时间比对应的分值,n1=1,2,3,4,5;
Cn3——班组级培训时间比对应的分值,n1=1,2,3,4,5;
Cn4——岗位级培训时间比对应的分值,n1=1,2,3,4,5;
其中Ci如下表
未兑现演练I8
其中fi如下表
序号(n) | 应急演练级别 | 对应分值(f<sub>n</sub>) |
1 | 公司级 | 1 |
2 | 车间级 | 0.5 |
3 | 班组级 | 0.3 |
4 | 岗位级 | 0.1 |
演练时间影响I9(负向)
其中如下表
——公司级演练时间影响对应的分值,n1=1,2,3;
——车间级演练时间影响对应的分值,n2=1,2,3;
——班组级演练时间影响对应的分值,n1=1,2,3;
——岗位级演练时间影响对应的分值,n1=1,2,3。
其中如下表
安全事故等级I10
其中如下表
全员未参与度I11(正向)
其中如下表
作为一种优选的实施方式,所述预警模型预警值生成,包含:
本发明预警系统将所述的预警指标向量代入预警模型计算式中,需设定预警对象、预警时间和预警值阈值,还需设定预警向量的权重值W,输出预警值SPI(SafetyPrecaution Index)。
所述预警对象是指预警的组织范围,本发明支持公司级组织范围、车间级组织范围,所述预警时间是指预警的时间范围,本发明支持周度、月度、季度和年度。
所述预警值阈值是指判定预警值状态的临界值,按照安全生产预警状态为安全、注意、警告、危险四个层级,本发明预警系统需要设定三个临界值,分别为a、b、c。
所述预警向量权重值是指对预警指标向量设定的权值,以表示预警指标向量对预警值SPI的贡献程度。
预警模型计算式为
其中:SPI——企业安全生产预警指数(Safety Precaution Index),简称预警值;
In——预警指标向量,n=1,2,3,4,5,6,7,8,9,10,11;
Wn——权重,n=1,2,3,4,5,6,7,8,9,10,11.
安全生产预警状态划分为安全、注意、警告、危险四个层级,预警阈值可用3个数值来表示,记为a、b、c。具体表示如下
作为一种优选的实施方式,所述灰度预测模型预测包含:
本发明预警模型的预警结果与预测结果一一对应,预警结果(预警指标向量和预警值)直接作为预测输入,一次预警和一次预测的输出一同作为预警预测报告的输入。
本发明预警系统的灰度预测是由灰度预测模型和残差修正模型组成。所述的灰度预测模型是指以一次预警指标向量和预警值作为输入,系统自动计算得出预警指标向量和预警值的预测结果,并对预测结果进行分别精确度验证,若精确度不满足要求,需采用残差修正模型进行预测结果修正,修正后,同样需要进行精度验证,如精度结果任不满足要求,继续残差修正过程,直至预测结果满足精度要求。最终输出一次预警指标向量的预测值及其精度等级。这一过程全部由计算机自动执行程序完成。
所述预警系统自动获取预警范围和预警对象,作为预测范围和预测对象,设定预测进度要求,本发明预警系统提供含后验差比值和小误差频率两种维度的精度等级表。系统获取预警指标向量和预警值,并代入灰度预测模型,自动输出预警指标向量的预测值和预警值的预测值,经过精度验证,得出预测结果的精度说明。若精度结果低于设定值,需要自行启动残差修正程序,若进度结果满足要求,系统自动启动预警预测综合报告生成程序。
所述灰度预测是利用灰色预测理论,使用GM(1,1)模型,构造的单序列一阶线性微分方程,以时间为变量,输入预警值SPI和预警指标向量(I1、I2、I3、I4、I5、I6、I7、I8、I9、I10、I11),得到原始数列X0。原始数列X0的输入作为预测模型的计算开始,经过一次累加、最小二乘法计算模型参数a、u、预测模型生成、生成数列预测、一次累减,最终输出预警值的预测值。所述精确度验证过程为将预测序列减去原始序列,得到残差序列q0,残差序列q0的输入作为验证模型的计算开始,计算得出后验差C和小误差频率P,根据C、P值确定本次预测的精度等级。
所述预测模型的具体计算步骤如下:
1、数据处理,原始数列一次累加生成。X0得到生成数列X1;
1.1、X0表示原始数据,即按照周期的SPI或预警指标Iji的数列,表示方法
X0={X0(k)|K=1,2,3,…,n}={X0(1),X0(2),X0(3),…,X0(n),}
1.2、一次累加,得出生成数列X(1)
X1={X1(k)|K=1,2,3,…,n}={X1(1),X1(2),X1(3),…,X1(n),}
2、确定灰度预测模型使用最小二乘法计算得到参数a、u;
2.1、最小二乘法计算a、u。记参数列:利用最小二乘法求解
式中
将得到的a和u带入到时间相应方程。
3、计算出预测序列,将生成数列X(1)代入即可计算得到生成数据列中的各项估计值
4、数据还原,将生成数列的预测序列一次累减得到原始数列的预测序列。
求出原始数据列中第k+1项的估计值
且令
所述的精度校验是运用残差序列q0代入后验差比值C和小误差频率P计算式中,计算得出C、P值,对照精度等级表,判断本次预测的精度等级。
和
则整个数据列所有数据列的残差的平均值和方差分别为:
和
后验差比值C定义为:
小误差频率P定义为残差与残差平均值之差小于给定值0.6745S1的频率:
表后验差检验精度等级表
其中;
C越小越好,C小意味着S2小而S1大,即尽管原始数据很离散,但按灰色模型计算的估计值与实际值很接近。
作为一种优选的实施方式,所述的预测值进行残差修正,具体包含:
本发明预警系统根据所述精度等级结果,系统自动判断是否需要进行参数修正,若精度等级不满足要求,启动残差修正模型,所述残差修正模型也是利用灰色预测理论,使用GM(1,1)模型,构造的单序列一阶线性微分方程,残差序列q0作为残差修正模型的输入,同样的过程得出残差预测序列q0’,加上所述的预测序列X0’,得出一次预测序列X0”,导入所述精度校验程序,得出修正精度结果,若精度结果不满足要求,继续使用本方法进行残差修正,直至预测结果满足要求,若精度结果满足要求,直接作为输出结果,并启动预警预测综合报告生成程序。
所述残差模型具体计算步骤如下:
1、残差修正,检验精度等级不合格,需要用灰度预测模型对残差序列进行预测修正。
1.1、计算残差q(0)(k),组成残差序列
q(0)={q(0)(1),q(0)(2),q(0)(3),…,q(0)(n)}
1.2、残差序列非负数处理。
若q(0)均为正,则无需处理,
若q(0)均为负数,则q(0)′(k)=|q(0)(k)|
若q(0)有正数也有负数,则q(0)′(k)=q(0)(k)+max|q(0)(k)|
1.3、参照预警值预测模型,得出残差的预测序列
1.4、残差序列还原处理,
若q(0)均为正,则无需处理,
若q(0)均为负数,则
若q(0)有正数也有负数,则
1.5、残差修正数列,预警值预测序列加上残差修正数列,得出修正后的预警值预测序列计算公式如下。
1.6、修正预测序列后验差检验,同理对修正的预警值预测序列进行精度验证。若精度不能达到,继续照此方法进行残差修正,否则返回修正预测值与精度等级。
作为一种优选的实施方式,所述的预警预测综合报告,具体包含:
本发明预警系统根据灰度预测输出结果,自动启动预警预测综合报告生成程序。所述的预警预测综合报告是由辨识警兆、预警值控制对比、预测预防对比、重点综合分析和改进及建议五个部分组成。
所述的预警系统需要设置周期范围和组织范围两个参数,所述的周期范围包含:周度、月度、季度、年度,所述的组织范围包含公司级组织、车间级组织,所述的预警系统将根据周期范围和组织范围自动生成预警预测综合报告。
所述的预警分析报告,包含五个部分具体如下:
1、辨识警兆,由展示当前的安全生产状况和安全生产状况发展趋势(预测预警趋势图)组成。所述当前的安全生产状况由预警值直接展示,安全生产状况发展趋势由预警、预测趋势图构成,以周期维度为横坐标,以报警阈值的临界值为纵坐标,图上分别展示预警趋势及其对应的预测趋势,所述周期维度与所述的周期范围对应。
2、预警值控制对比,逐一对预警指标向量按照周期维度进行上环比变化率和同比变化率,针对每项预警指标向量并分别从正向和反向,找出影响预警值的典型组织单位,所述的环比变化率是指本周期值与同年上周期值的变化率,所述的同比变化率是指本周期与上一年的本周期值的变化率,所述的正向的典型组织是指对预警指标向量的计算结果影响最大的业务参数涉及的前三名组织机构,所述的负向的典型组织是指对预警指标向量的计算结果影响最小的业务参数涉及的前三名组织机构
3、预测预防对比,对比分析预警指标向量及其对应的预测值,给出下周期的重点关注提示,所述的对比分析预警值指标向量及其预测值包含绘制各预警指标向量及其预测值的趋势图,所述的趋势图以周期维度为横坐标,预警指标向量值(或其对应的预测值)为纵坐标,绘制预警指标向量和预警指标向量的预测值的趋势图,所述的给出下周期的重点关注提示是指取下周期预警指标向量预测值与本周期预警指标向量预测值的正向变化率最大的三个预警向量指标,所述的正向变化率是指变化率是正值的情况。
4、重点综合分析,分别从事故和SPI报警状态进行分析。若发生事故,重点分析事故单位的预警值及其预测值,如出现SPI值处于报警状态(如警告或危险),重点分析对预警值贡献高的组织单位和预警指标值控制低的组织单位和业务进行重点分析,所述的事故状态分析是指业务单元为事故管理中业务参数不为零的情况,系统对事故发生的组织机构,自动生成预警值SPI及其预警值的预测值,所述的SPI处于报警状态分析是指,企业预警值处于警告或危险状态时,系统自动分别列出影响预警值的计算结果影响最大的业务参数涉及的前三个组织机构。
5、改进建议及措施,汇总前面4个部分的分析结果,分别从所属组织单位和预警指标两个层面给出改进建议,所述的分别所属组织单位和预警指标改进建议是指系统自动判断本周起的预警状态,并自动给出改进建议,所述自动给出改进建议是指系统设定好预警状态分别为警告、危险状态下,各个预警指标向量的改进建议。
发明的有益效果
一种采用灰度预测的企业安全生产预警系统的构建方法,分别采用信息化的预警模型和灰度预测的预警预测技术,对企业的安全生产状况、安全生产管理要素进行分析,分别从所属组织机构和管理要素两个方面找出薄弱环节。目前该技术已在十几家企业得到了应用,在安全生产信息化建设、隐患排查治理体系和专业标准化管理三个方面给企业安全生产工作带来了正向效益,具体效果如下:
1、采用本技术需要建立统计的预警指标体系,从数据的采集层面上,数据录入的真实性、有效性和及时性等技术要求,各级单位采用安全生产信息化工具,并强化信息化意识和提高信息化的能力
2、本技术以预警值为核心,以隐患排查和隐患治理为主线,可以从隐患排查能力和隐患治理效率详细分析,并给予合理的建议。
3、采用本技术的预警预测体系,可方便安全管理人员直接掌握安全生产状况和安全管理的薄弱环节,尤其体现在深入综合分析预警指标和布置安全生产工作上。此外,也促进各级单位有步骤、有重点的提高安全生产管理水平。
4、通过本技术的应用和实施,不仅收集了预警指标及其量化值,还给全面评价企业安全生产工作水平提供一个重要的标准。
附图说明
下面结合示意图可以更好理解本发明的主要内容。
图1为本发明灰度预测及精度验证修正流程图;
图2为本发明企业安全生产预警指数SPI结构图;
图3为本发明组成构建方法示意图。
具体实施方式
一种采用灰度预测的安全生产预警系统的构建方法,具体如下步骤:
S1,业务数据采集,采用灰度预测的安全生产预警系统与企业的安全生产综合管理系统建立信息连接,所述的安全生产预警系统需要获取所述安全生产综合管理系统的业务参数。
S2,预警指标向量生成,所述的业务参数按照组织机构范围和时间范围,对比预警指标计算要求进行数据处理与运算,形成预警指标向量。
S3,预警模型生成预警值,所述的预警指标向量值代入预警模型计算式,生成预警值SPI。
S4,灰度预测生成预测值及其精度等级,所述预警值和预警指标向量采用灰度预测模型,生成所述的预警值和预警指标向量的下周期的预测值,对所述的预测值进行数理精度检验,若精确度等级不符合要求,需要采用残差修正模型对预测结果进行结果修正,生成预警预测值和预警指标向量预测值,及其对应的精度等级。
S5,生成预警预测综合报告,所述预警指标向量、预警值、预警预测值、预警指标预测向量分析结果形成安全生产预警综合报告。
作为一种优选的实施方式,所述的业务数据采集具体包括:
依据安全生产标准化要求和企业安全生产管理单元划分方法,本发明结合安全生产预警的要求,划分业务单元为隐患排查治理P1、教育培训P2、应急管理P3、事故管理P4、系统管理P5。细化业务单元中的业务参数,业务参数是本发明的预警系统可直接获取的,具体的获取方式为本发明的预警系统每周(自然周)使用系统接口的方式从企业安全生产综合管理系统中提取所需的业务参数。
所述的业务参数具体如下:
业务单元-隐患排查治理P1:
重大风险未整改隐患数P11,是指每周企业未整改隐患中风险等级为重大风险的数量;
较大风险未整改隐患数P12,是指每周企业未整改隐患中风险等级为较大风险的数量;
一般风险未整改隐患数P13,是指每周企业未整改隐患中风险等级为一般风险的数量;
低风险未整改隐患数P14,是指每周企业未整改隐患中风险等级为低风险的数量;
未整改重大事故隐患数P15,是指每周企业未整改隐患中隐患等级为重大隐患的数量;
未整改一般事故隐患数P16,是指每周企业未整改隐患中隐患等级为一般隐患的数量;
重大事故整改率P17,是指每周企业重大隐患的整改闭环的比率;
一般事故隐患整改率P18,是指每周企业一般隐患的整改闭环的比率;
班组隐患自查自改率P19,是指每周班组级员工提报隐患中已完成整改的比率;
事故风险未排查率P1a,是指每周企业要求的排查任务中未按时完成排查任务的比率;
事故隐患总数P1b,是指累计到系统获取参数时间企业的事故隐患的总数量。
业务单元-教育培训P2:
公司级未兑现培训计划数量P21,是指截止到系统获取参数时间企业公司级培训计划中未按时执行的数量;
车间级未兑现培训计划数量P22,是指截止到系统获取参数时间企业车间级培训计划中未按时执行的数量;
班组级未兑现培训计划数量P23,是指截止到系统获取参数时间企业班组级培训计划中未按时执行的数量;
岗位级未兑现培训计划数量P24,是指截止到系统获取参数时间企业岗位级培训计划中未按时执行的数量;
公司级培训时间比P25,是每周企业公司级安全培训中实际学时与法定学时的比率;
车间级培训时间比P26,是每周企业车间级安全培训中实际学时与法定学时的比率;
班组级培训时间比P27,是每周企业班组级安全培训中实际学时与法定学时的比率;
岗位级培训时间比P28,是每周企业岗位级安全培训中实际学时与法定学时的比率;
业务单元-应急管理P3:
公司级未兑现演练计划计算数量P31,是指截止到系统获取参数时间企业公司级演练计划中未按时执行的数量;
车间级未兑现演练计划数量P32,是指截止到系统获取参数时间企业车间级演练计划中未按时执行的数量;
班组级未兑现演练计划数量P33,是指截止到系统获取参数时间企业班组级演练计划中未按时执行的数量;
岗位级未兑现演练计划数量P34,是指截止到系统获取参数时间企业岗位级演练计划中未按时执行的数量;
公司级应急演练后时间P35,是指每周企业公司级应急演练日期;
车间级应急演练后时间P36,是指每周企业车间级应急演练日期;
班组级应急演练后时间P37,是指每周企业班组级应急演练日期;
岗位级应急演练后时间P38,是指每周企业岗位级应急演练日期。
业务单元-事故管理P4:
险肇事故数量P41,是指每周企业发生事故等级为险肇事故的数量;
未遂事故数量P42,是指每周企业发生事故等级为未遂事故的数量;
轻伤事故数量P43,是指每周企业发生事故等级为轻伤事故的数量;
重伤事故数量P44,是指每周企业发生事故等级为重伤事故的数量;
死亡事故数量P45,是指每周企业发生事故等级为死亡事故的数量;
业务单元-系统管理P5:
系统登录率P51,是指每周企业全体用户中登录系统用户的比率。
作为一种优选的实施方式,所述预警指标向量的计算方法,具体包括:
本发明的预警系统需设置预警指标向量,预警指标向量包含两个字段分别是预警指标值和影响方向,字段“预警指标值”需设定包含所述预警参数的公式计算或数理判断方法,预警方向根据业务判断进行设定,分别用正负号表示。
按照所述业务单元划分原则,同时与所述业务参数划分方法对应,设置含有预警指标向量的集合,预警指标向量是指带有方向性的预警指标值,按照划定原则,对预警值有正向影响的用数理正号表示,对预警值有负向影响的用数理负号表示。具体预警指标向量集合包含:
业务单元“隐患排查治理”:未整改隐患风险等级I1(正号),未整改隐患等级I2(正号),隐患整改情况I3(正号),排查偏差率I4(正号),班组自查自改未涵盖率I5(正号);
业务单元“教育培训”:未兑现培训I6(正号),教育时间比I7(负号);
业务单元“应急管理”:未兑现演练I8(正号),演练时间影响I9(负号);
业务单元“事故管理”:安全事故等级I10(正号);
业务单元“系统管理”:全员未参与度I11(正号);
综合预警向量集为{I1,I2,I3,I4,I5,I6,I7,I8,I9,I10,I11}。
作为一种优选的实施方式,所述预警指标值,还包括:
本发明预警系统将所述的业务参数按照字段“预警指标”设定原则,进行自行计算或预判断,得出可计算的预警指标向量。具体计算方式如下:
未整改隐患风险等级I1:
其中ai值如下表
序号(n) | 风险等级 | 对应分值(a<sub>n</sub>) |
1 | 重大风险 | 1 |
2 | 较大风险 | 0.5 |
3 | 一般风险 | 0.2 |
4 | 低风险 | 0.1 |
未整改隐患等级I2
其中如下表
隐患整改情况I3
Cn1——重大隐患整改率对应的分值,n1=1,2,3,4,5;
Cn2——一般隐患整改率对应的分值,n2=1,2,3,4,5;
其中Ci如下表
序号(n) | 隐患整改率 | 对应分值(C<sub>n1</sub>,C<sub>n2</sub>,) |
1 | 等于100% | 0 |
2 | 大于或等于95%,且小于100% | 5% |
3 | 大于或等于80%,且小于95% | 10% |
4 | 大于或等于50%,且小于80% | 20% |
5 | 小于50% | 50% |
排查偏差率I4
其中in如下表
序号(n) | 排查率 | 对应分值(in) |
1 | 大于或等于95% | 5 |
2 | 大于或等于90%,小于95% | 10 |
3 | 大于或等于70%,小于90% | 15 |
4 | 大于或等于50%,小于70% | 20 |
5 | 小于50% | 30 |
班组自查自改为涵盖率I5
其中如下表
序号(n) | 班组自查自改率 | 对应分值(jn) |
1 | 大于或等于25% | 2 |
2 | 大于或等于15%,小于25% | 4 |
3 | 大于或等于5%,小于15% | 6 |
4 | 小于5% | 10 |
未兑现培训I6
其中如下表
教育时间比I7
Cn1——公司级培训时间比对应的分值,n1=1,2,3,4,5;
Cn2——车间级培训时间比对应的分值,n1=1,2,3,4,5;
Cn3——班组级培训时间比对应的分值,n1=1,2,3,4,5;
Cn4——岗位级培训时间比对应的分值,n1=1,2,3,4,5;
其中Ci如下表
未兑现演练I8
其中fi如下表
序号(n) | 应急演练级别 | 对应分值(f<sub>n</sub>) |
1 | 公司级 | 1 |
2 | 车间级 | 0.5 |
3 | 班组级 | 0.3 |
4 | 岗位级 | 0.1 |
演练时间影响I9(负向)
其中如下表
——公司级演练时间影响对应的分值,n1=1,2,3;
——车间级演练时间影响对应的分值,n2=1,2,3;
——班组级演练时间影响对应的分值,n1=1,2,3;
——岗位级演练时间影响对应的分值,n1=1,2,3。
其中如下表
安全事故等级I10
其中如下表
全员未参与度I11(正向)
其中如下表
作为一种优选的实施方式,所述预警模型预警值生成,包含:
本发明预警系统将所述的预警指标向量代入预警模型计算式中,需设定预警对象、预警时间和预警值阈值,还需设定预警向量的权重值W,输出预警值SPI(SafetyPrecaution Index)。
所述预警对象是指预警的组织范围,本发明支持公司级组织范围、车间级组织范围,所述预警时间是指预警的时间范围,本发明支持周度、月度、季度和年度。
所述预警值阈值是指判定预警值状态的临界值,按照安全生产预警状态为安全、注意、警告、危险四个层级,本发明预警系统需要设定三个临界值,分别为a、b、c。
所述预警向量权重值是指对预警指标向量设定的权值,以表示预警指标向量对预警值SPI的贡献程度。
预警模型计算式为
其中:SPI——企业安全生产预警指数(Safety Precaution Index),简称预警值;
In——预警指标向量,n=1,2,3,4,5,6,7,8,9,10,11;
Wn——权重,n=1,2,3,4,5,6,7,8,9,10,11.
安全生产预警状态划分为安全、注意、警告、危险四个层级,预警阈值可用3个数值来表示,记为a、b、c。具体表示如下
作为一种优选的实施方式,所述灰度预测模型预测包含:
本发明预警模型的预警结果与预测结果一一对应,预警结果(预警指标向量和预警值)直接作为预测输入,一次预警和一次预测的输出一同作为预警预测报告的输入。
本发明预警系统的灰度预测是由灰度预测模型和残差修正模型组成。所述的灰度预测模型是指以一次预警指标向量和预警值作为输入,系统自动计算得出预警指标向量和预警值的预测结果,并对预测结果进行分别精确度验证,若精确度不满足要求,需采用残差修正模型进行预测结果修正,修正后,同样需要进行精度验证,如精度结果任不满足要求,继续残差修正过程,直至预测结果满足精度要求。最终输出一次预警指标向量的预测值及其精度等级。这一过程全部由计算机自动执行程序完成。
所述预警系统自动获取预警范围和预警对象,作为预测范围和预测对象,设定预测进度要求,本发明预警系统提供含后验差比值和小误差频率两种维度的精度等级表。系统获取预警指标向量和预警值,并代入灰度预测模型,自动输出预警指标向量的预测值和预警值的预测值,经过精度验证,得出预测结果的精度说明。若精度结果低于设定值,需要自行启动残差修正程序,若进度结果满足要求,系统自动启动预警预测综合报告生成程序。
所述灰度预测是利用灰色预测理论,使用GM(1,1)模型,构造的单序列一阶线性微分方程,以时间为变量,输入预警值SPI和预警指标向量(I1、I2、I3、I4、I5、I6、I7、I8、I9、I10、I11),得到原始数列X0。原始数列X0的输入作为预测模型的计算开始,经过一次累加、最小二乘法计算模型参数a、u、预测模型生成、生成数列预测、一次累减,最终输出预警值的预测值。所述精确度验证过程为将预测序列减去原始序列,得到残差序列q0,残差序列q0的输入作为验证模型的计算开始,计算得出后验差C和小误差频率P,根据C、P值确定本次预测的精度等级。
所述预测模型的具体计算步骤如下:
1、数据处理,原始数列一次累加生成。X0得到生成数列X1;
1.1、X0表示原始数据,即按照周期的SPI或预警指标Iji的数列,表示方法
X0={X0(k)|K=1,2,3,…,n}={X0(1),X0(2),X0(3),…,X0(n),}
1.2、一次累加,得出生成数列X(1)
X1={X1(k)|K=1,2,3,…,n}={X1(1),X1(2),X1(3),…,X1(n),}
2、确定灰度预测模型使用最小二乘法计算得到参数a、u;
2.1、最小二乘法计算a、u。记参数列:利用最小二乘法求解
式中
将得到的a和u带入到时间相应方程。
3、计算出预测序列,将生成数列X(1)代入即可计算得到生成数据列中的各项估计值
4、数据还原,将生成数列的预测序列一次累减得到原始数列的预测序列。求出原始数据列中第k+1项的估计值
且令
所述的精度校验是运用残差序列q0代入后验差比值C和小误差频率P计算式中,计算得出C、P值,对照精度等级表,判断本次预测的精度等级。
和
则整个数据列所有数据列的残差的平均值和方差分别为:
和
后验差比值C定义为:
小误差频率P定义为残差与残差平均值之差小于给定值0.6745S1的频率:
表后验差检验精度等级表
其中;
C越小越好,C小意味着S2小而S1大,即尽管原始数据很离散,但按灰色模型计算的估计值与实际值很接近。
作为一种优选的实施方式,所述的预测值进行残差修正,具体包含:
本发明预警系统根据所述精度等级结果,系统自动判断是否需要进行参数修正,若精度等级不满足要求,启动残差修正模型,所述残差修正模型也是利用灰色预测理论,使用GM(1,1)模型,构造的单序列一阶线性微分方程,残差序列q0作为残差修正模型的输入,同样的过程得出残差预测序列q0’,加上所述的预测序列X0’,得出一次预测序列X0”,导入所述精度校验程序,得出修正精度结果,若精度结果不满足要求,继续使用本方法进行残差修正,直至预测结果满足要求,若精度结果满足要求,直接作为输出结果,并启动预警预测综合报告生成程序。
所述残差模型具体计算步骤如下:
1、残差修正,检验精度等级不合格,需要用灰度预测模型对残差序列进行预测修正。
1.1、计算残差q(0)(k),组成残差序列
q(0)={q(0)(1),q(0)(2),q(0)(3),…,q(0)(n)}
1.2、残差序列非负数处理。
若q(0)均为正,则无需处理,
若q(0)均为负数,则q(0)′(k)=|q(0)(k)|
若q(0)有正数也有负数,则q(0)′(k)=q(0)(k)+max|q(0)(k)|
1.3、参照预警值预测模型,得出残差的预测序列
1.4、残差序列还原处理,
若q(0)均为正,则无需处理,
若q(0)均为负数,则
若q(0)有正数也有负数,则
1.5、残差修正数列,预警值预测序列加上残差修正数列,得出修正后的预警值预测序列计算公式如下。
1.6、修正预测序列后验差检验,同理对修正的预警值预测序列进行精度验证。若精度不能达到,继续照此方法进行残差修正,否则返回修正预测值与精度等级。
作为一种优选的实施方式,所述的预警预测综合报告,具体包含:
本发明预警系统根据灰度预测输出结果,自动启动预警预测综合报告生成程序。所述的预警预测综合报告是由辨识警兆、预警值控制对比、预测预防对比、重点综合分析和改进及建议五个部分组成。
所述的预警系统需要设置周期范围和组织范围两个参数,所述的周期范围包含:周度、月度、季度、年度,所述的组织范围包含公司级组织、车间级组织,所述的预警系统将根据周期范围和组织范围自动生成预警预测综合报告。
所述的预警分析报告,包含五个部分具体如下:
1、辨识警兆,由展示当前的安全生产状况和安全生产状况发展趋势(预测预警趋势图)组成。所述当前的安全生产状况由预警值直接展示,安全生产状况发展趋势由预警、预测趋势图构成,以周期维度为横坐标,以报警阈值的临界值为纵坐标,图上分别展示预警趋势及其对应的预测趋势,所述周期维度与所述的周期范围对应。
2、预警值控制对比,逐一对预警指标向量按照周期维度进行上环比变化率和同比变化率,针对每项预警指标向量并分别从正向和反向,找出影响预警值的典型组织单位,所述的环比变化率是指本周期值与同年上周期值的变化率,所述的同比变化率是指本周期与上一年的本周期值的变化率,所述的正向的典型组织是指对预警指标向量的计算结果影响最大的业务参数涉及的前三名组织机构,所述的负向的典型组织是指对预警指标向量的计算结果影响最小的业务参数涉及的前三名组织机构
3、预测预防对比,对比分析预警指标向量及其对应的预测值,给出下周期的重点关注提示,所述的对比分析预警值指标向量及其预测值包含绘制各预警指标向量及其预测值的趋势图,所述的趋势图以周期维度为横坐标,预警指标向量值(或其对应的预测值)为纵坐标,绘制预警指标向量和预警指标向量的预测值的趋势图,所述的给出下周期的重点关注提示是指取下周期预警指标向量预测值与本周期预警指标向量预测值的正向变化率最大的三个预警向量指标,所述的正向变化率是指变化率是正值的情况。
4、重点综合分析,分别从事故和SPI报警状态进行分析。若发生事故,重点分析事故单位的预警值及其预测值,如出现SPI值处于报警状态(如警告或危险),重点分析对预警值贡献高的组织单位和预警指标值控制低的组织单位和业务进行重点分析,所述的事故状态分析是指业务单元为事故管理中业务参数不为零的情况,系统对事故发生的组织机构,自动生成预警值SPI及其预警值的预测值,所述的SPI处于报警状态分析是指,企业预警值处于警告或危险状态时,系统自动分别列出影响预警值的计算结果影响最大的业务参数涉及的前三个组织机构。
5、改进建议及措施,汇总前面4个部分的分析结果,分别从所属组织单位和预警指标两个层面给出改进建议,所述的分别所属组织单位和预警指标改进建议是指系统自动判断本周起的预警状态,并自动给出改进建议,所述自动给出改进建议是指系统设定好预警状态分别为警告、危险状态下,各个预警指标向量的改进建议。
Claims (9)
1.一种采用灰度预测的企业安全生产预警系统的构建方法,其特征在于:
步骤一、业务数据采集,采用灰度预测的安全生产预警系统与企业的安全生产综合管理系统建立信息连接,所述的安全生产预警系统需要获取所述的安全生产综合管理系统的业务参数;
步骤二、预警指标向量生成,所述的业务参数按照组织机构范围和时间范围,对比预警指标要求进行数据处理与运算,形成预警指标向量;
步骤三、预警模型生成预警值,所述的预警指标向量值代入安全生产预警模型,生成预警值SPI;
步骤四、灰度预测生成预测值及其精度等级,所述预警值和预警指标向量采用灰度预测模型,生成所述的预警值和预警指标向量的下周期的预测值,对所述的预测值进行数理精度检验,若精确度等级不符合要求,需要采用残差修正模型对预测结果进行结果修正,生成预警预测值和预警指标向量预测值,及其对应的精度;
步骤五、生成预警预测综合报告,所述的预警指标向量、预警值、预警预测值、预警指标预测向量的分析结果形成安全生产预警预测综合报告。
2.根据权利要求1所述的构建方法,其特征在于:所述的业务参数包括:根据安全生产业务单元划分为隐患排查治理P1、教育培训P2、应急管理P3、事故管理P4、系统管理P5;
业务单元中细化业务参数如下:
隐患排查治理P1包括重大风险未整改隐患数P11,较大风险未整改隐患数P12,一般风险未整改隐患数P13,低风险未整改隐患数P14,未整改重大事故隐患数P15,未整改一般事故隐患数P16,重大事故整改率P17,一般事故隐患整改率P18,班组隐患自查自改率P19,事故风险未排查率P1a,事故隐患总数P1b;
教育培训P2包括公司级未兑现培训计划数量P21,车间级未兑现培训计划数量P22,班组级未兑现培训计划数量P23,岗位级未兑现培训计划数量P24,公司级培训时间比P25,车间级培训时间比P26,班组级培训时间比P27,岗位级培训时间比P28;
应急管理P3包括公司级未兑现演练计划计算数量P31,车间级未兑现演练计划数量P32,班组级未兑现演练计划数量P33,岗位级未兑现演练计划数量P34,公司级应急演练后时间P35,车间级应急演练后时间P36,班组级应急演练后时间P37,岗位级应急演练后时间P38;
事故管理P4包括险肇事故数量P41,未遂事故数量P42,轻伤事故数量P43,重伤事故数量P44,死亡事故数量P45;
系统管理P5包括系统登录率P51。
3.根据权利要求1所述的构建方法,其特征在于:所述的预警指标向量是由预警指标值与影响方向构成;所述的预警指标值是将各个业务单元对应的业务参数,按照一定的数据处理与运算计算得出;所述的影响方向是根据业务单元对预警值的影响方向,是对预警的结果值是有增大影响还是减小影响,当业务单元对预警的结果有增大影响,则称之为正向影响,符号取正号,当业务单元对预警的结果有减小影响,则称之为反向影响,符号取负号。
所述的预警向量按照业务单元细分如下:
业务单元“隐患排查治理”包括未整改隐患风险等级I1,未整改隐患等级I2,隐患整改情况I3,排查偏差率I4,班组自查自改为涵盖率I5;
业务单元“教育培训”包括未兑现培训I6,教育时间比I7;
业务单元“应急管理”包括未兑现演练I8,演练时间影响I9;
业务单元“事故管理”包括安全事故等级I10;
业务单元“系统管理”包括全员未参与度I11。
4.根据权利要求3所述的构建方法,其特征在于:所述的预警指标值包含以下内容:
未整改隐患风险等级I1:
其中ai值为风险等级分值,对于重大风险a1=1,较大风险a2=0.5,一般风险a3=0.2,较大风险a4=0.1;
未整改隐患等级I2:
其中bi值为隐患等级分值,对于重大事故隐患b1=1,一般事故隐患b2=0.1;
隐患整改情况I3:
Cn1为重大隐患整改率对应的分值,n1=1,2,3,4,5;
Cn2为一般隐患整改率对应的分值,n2=1,2,3,4,5;
其中,对于整改率为100%,Cn1,Cn2=0,整改率大于(含)95%且小于100%,Cn1,Cn2=5%,整改率大于(含)80%且小于95%,Cn1,Cn2=10%,整改率大于(含)50%且小于80%,Cn1,Cn2=20%,整改率小于50%,Cn1,Cn2=50%;
排查偏差率I4:
其中in值为对应的分值,对于整改率大于(含)95%,in=5,整改率大于(含)90%且小于95%,in=10,整改率大于(含)70%且小于90%,in=15,整改率大于(含)50%且小于70%,in=20,整改率小于50%,in=30;
班组自查自改为涵盖率I5:
其中jn为对应分值,对班组自查自改率大于(含)25%,jn=2,对班组自查自改率大于(含)15%且小于25%,jn=4,对班组自查自改率大于(含)5%且小于15%,jn=6,对班组自查自改率小于5%,jn=10;
未兑现培训I6:
其中,di为对应分值,对未兑现教育培训等级为公司级时,dn=1,对未兑现教育培训等级为车间级时,dn=0.5,对未兑现教育培训等级为班组级时,dn=0.2,对未兑现教育培训等级为岗位级时,dn=0.1;
教育时间比I7:
Cn1为公司级培训时间比对应的分值,n1=1,2,3,4,5;
Cn2为车间级培训时间比对应的分值,n1=1,2,3,4,5;
Cn3为班组级培训时间比对应的分值,n1=1,2,3,4,5;
Cn4为岗位级培训时间比对应的分值,n1=1,2,3,4,5;
其中,对培训时间比等于100%,Ci=0.5;培训时间比大于等于80%且小于100%,Ci=0.3;培训时间比大于等于50%且小于80%,Ci=0.2;培训时间比大于等于30%且小于50%,Ci=0.1;培训时间比小于30%,Ci=0.05;
未兑现演练I8:
其中,fi为对应分值,对应急演练级别为公司级,fn=1;应急演练级别为车间级,fn=0.5;应急演练级别为班组级,fn=0.3;应急演练级别为岗位级,fn=0.1;
演练时间影响I9:
其中Cn2如下表:
为公司级演练时间影响对应的分值,n1=1,2,3;
为车间级演练时间影响对应的分值,n2=1,2,3;
为班组级演练时间影响对应的分值,n1=1,2,3;
为岗位级演练时间影响对应的分值,n1=1,2,3;
其中,对演练时间比为1周,演练时间比为2周,演练时间比为3周,
安全事故等级I10:
其中,gi为对应分值,对事故级别为险肇事故时,gi=0.01;事故级别为未遂事故时,gi=0.05;事故级别为轻伤事故时,gi=0.1;事故级别为重伤事故时,gi=0.5;事故级别为死亡事故时,gi=1;
全员未参与度I11:
其中hn为对应分值,对未参与度大于(含)85%,hn=5;未参与度大于(含)60%且小于85%,hn=10;未参与度大于(含)40%且小于60%,hn=15;未参与度大于(含)20%且小于40%,hn=20;未参与度小于20%,hn=30。
5.根据权利要求1所述的构建方法,其特征在于:所述的预警模型生成预警值是指在预警模型计算式中输入预警指标向量后生成的结果;所述的预警模型计算式是由各分项预警指标向量与对应的权重乘积的累加和构成;所述的权重是指预警指标向量对预警值的贡献程度,贡献程度越大,权重值越大,贡献程度越小,权重越小。预警模型计算式具体如下:
其中:SPI为企业安全生产预警值(简称:预警值),预警结果值越大,表示危险程度越高,预警结果值越小,表示危险程度越低;
按照安全生产预警状态为安全、注意、警告、危险的管理要求,报警层级设定为4层,预警阈值的确定根据企业历史预警指数值与企业事故发生状况或风险可接受程度来确定;
预警阈值可用3个数值来表示,记为a、b、c;具体表示如下:
安全级别为:SPI≤a;
注意级别为:a<SPI≤b;
警告级别为:b<SPI≤c;
危险级别为:SPI>c。
6.根据权利要求1所述的构建方法,其特征在于:所述的灰度预测包含灰度预测模型和残差修正模型;所述的灰度预测模型是指依据灰色预测理论,使用GM(1,1)模型,构造的单序列一阶线性微分方程,以时间为变量,输入预警值SPI和预警指标向量(I1、I2、I3、I4、I5、I6、I7、I8、I9、I10、I11)可输出对应的预警值的预测值、预警指标向量的预测值,并将预测结果进行精确度进行验证;所述的残差修正模型也是依据灰色预测理论,使用GM(1,1)模型,构造的单序列一阶线性微分方程,以时间为变量,输入对应的残差序列可输出对应的残差的预测值,叠加到对应的预测结果中,得到预测的修正结果,并将预测的修正结果进行精确度进行验证,若预测结果满足精度要求,则进行下一步,若预测结果的精确度不满足要求,对预测的修正结果继续采用上述方法继续进行残差修正,直到预测的修正结果满足精度要求,若预测结果满足要求。
7.根据权利要求6所述的构建方法,其特征在于:所述灰度预测的计算步骤如下:
步骤a、数据处理,一次累加生成原始数列,Xo得到生成数列X1;
Xo表示原始数据,按照周期的SPI或预警指标Iji的数列,表示方法:
X0={X0(k)|K=1,2,3,…,n}={X0(1),X0(2),X0(3),…,X0(n),};
一次累加,得出生成数列X(1);
X1={X1(k)|K=1,2,3,…,n}={X1(1),X1(2),X1(3),…,X1(n),};
步骤b、确定灰度预测模型使用最小二乘法计算得到参数a、u;
最小二乘法计算a、u:记参数列:利用最小二乘法求解
式中
将得到的a和u带入到时间相应方程;
步骤c、计算出预测序列,将生成数列X(1)代入计算得到生成数据列中的各项估计值
步骤d、数据还原,将生成数列的预测序列一次累减得到原始数列的预测序列;
求出原始数据列中第k+1项的估计值
且令
步骤e、后验差检验,后验差比值C和小误差频率P进行后验差检验,检验精度等级是否满足要求,后验差检验精度等级表:
精度等级为“好”,要求小误差频率P≥0.95,后验差比值C≤0.35;
精度等级为“合格”,要求小误差频率P≥0.8,后验差比值C≤0.5;
精度等级为“勉强”,要求小误差频率P≥0.7,后验差比值C≤0.65;
精度等级为“不合格”,要求小误差频率P<0.7,后验差比值C>0.65;
其中;
和
则整个数据列所有数据列的残差的平均值和方差分别为:
和
后验差比值C定义为:
C越小越好,C小意味着S2小而S1大,尽管原始数据很离散,但按灰色模型计算的估计值与实际值很接近;
小误差频率P定义为残差与残差平均值之差小于给定值0.6745S1的频率:
8.根据权利要求6所述的构建方法,其特征在于:所述的残差修正的计算步骤如下:
步骤a、残差修正,检验精确度等级不合格,需要用采用残差修正过程对预测结果进行修正;
步骤b、计算残差q(0)(k),组成残差序列
q(0)={q(0)(1),q(0)(2),q(0)(3),…,q(0)(n)
步骤c、残差序列非负数处理:若q(0)均为正,则无需处理;若q(0)均为负数,则q(0)′(k)=|q(0)(k)|;若q(0)有正数也有负数,则q(0)′(k)=q(0)(k)+max|q(0)(k)|;
步骤d、参照预警值预测模型,得出残差的预测序列
步骤e、残差序列还原处理:若q(0)均为正,则无需处理;若q(0)均为负数,则 若q(0)有正数也有负数,则
步骤f、残差修正数列,预警值预测序列加上残差修正数列,得出修正后的预警值预测序列计算公式如下:
步骤g、修正预测序列后验差检验,同理对修正的预警值预测序列进行精度验证;若精度不能达到要求,继续照此方法进行残差修正,否则返回修正预测结果与其精确度等级。
9.根据权利要求1所述的构建方法,其特征在于:所述预警预测综合报告包括辨识警兆、预警值控制对比、预测预防对比、重点综合分析、改进建议及措施;
所述的辨识警兆由展示当前的安全生产状况和安全生产状况发展趋势组成;
所述的预警值控制对比,对每个二级预警指标值进行环比和同比,并分别从正向和反向,找出影响预警值的典型组织单位;
所述的预测预防对比,环比分析每个二级预警指标值及其对应的预测值,给出下周期的重点关注;
所述的重点综合分析,分别从事故和SPI报警状态进行分析;若发生事故,重点分析事故单位的预警值和预测值,如出现SPI值处于报警状态,重点分析对预警值贡献高的组织单位和预警指标值控制低的组织单位和业务进行重点分析;
所述的改进建议及措施,汇总前面4个部分的分析结果,分别从所属组织单位和预警指标两个层面给出改进建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811309512.0A CN109460868A (zh) | 2018-11-05 | 2018-11-05 | 一种采用灰度预测的企业安全生产预警系统的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811309512.0A CN109460868A (zh) | 2018-11-05 | 2018-11-05 | 一种采用灰度预测的企业安全生产预警系统的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109460868A true CN109460868A (zh) | 2019-03-12 |
Family
ID=65609469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811309512.0A Pending CN109460868A (zh) | 2018-11-05 | 2018-11-05 | 一种采用灰度预测的企业安全生产预警系统的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460868A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348759A (zh) * | 2019-07-18 | 2019-10-18 | 关瑜 | 企业安全管理方法及系统 |
CN113313388A (zh) * | 2021-05-31 | 2021-08-27 | 中钢集团武汉安全环保研究院有限公司 | 基于信息化需求的重大风险辨识指标体系 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537211A (zh) * | 2014-12-12 | 2015-04-22 | 中钢集团武汉安全环保研究院有限公司 | 一种基于层次分析法及灰色理论的企业安全风险预警方法 |
CN105678446A (zh) * | 2015-12-31 | 2016-06-15 | 浙江图讯科技股份有限公司 | 一种用于企业安全生产风险预警的方法 |
-
2018
- 2018-11-05 CN CN201811309512.0A patent/CN109460868A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537211A (zh) * | 2014-12-12 | 2015-04-22 | 中钢集团武汉安全环保研究院有限公司 | 一种基于层次分析法及灰色理论的企业安全风险预警方法 |
CN105678446A (zh) * | 2015-12-31 | 2016-06-15 | 浙江图讯科技股份有限公司 | 一种用于企业安全生产风险预警的方法 |
Non-Patent Citations (1)
Title |
---|
付婧春: ""基于灰色系统理论的石化企业事故趋势预测"", 《广东化工》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348759A (zh) * | 2019-07-18 | 2019-10-18 | 关瑜 | 企业安全管理方法及系统 |
CN113313388A (zh) * | 2021-05-31 | 2021-08-27 | 中钢集团武汉安全环保研究院有限公司 | 基于信息化需求的重大风险辨识指标体系 |
CN113313388B (zh) * | 2021-05-31 | 2022-08-30 | 中钢集团武汉安全环保研究院有限公司 | 基于信息化需求的重大风险辨识指标体系 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barak et al. | A novel hybrid fuzzy DEA-Fuzzy MADM method for airlines safety evaluation | |
Zhou et al. | A hybrid approach for safety assessment in high-risk hydropower-construction-project work systems | |
CN109242306A (zh) | 基于多层次灰色关联分析的安全生产风险评估方法及系统 | |
Liu et al. | Occupational health and safety risk assessment using an integrated TODIM‐PROMETHEE model under linguistic spherical fuzzy environment | |
CN102522709A (zh) | 变压器状态检修的决策方法及系统 | |
CN106127607A (zh) | 一种电力事故上下层级原因相关度的分析方法 | |
CN109460868A (zh) | 一种采用灰度预测的企业安全生产预警系统的构建方法 | |
CN113592359A (zh) | 电力变压器的健康度评价方法和装置 | |
CN114266441A (zh) | 一种降低生产作业人员风险的量化评价系统及方法 | |
CN115953252A (zh) | 一种建工安责险保费的确定方法 | |
CN117494950A (zh) | 一种光储充检微电网一体站运行安全评价方法 | |
CN115936293A (zh) | 一种基于pca的地铁施工安全事故风险评价方法 | |
CN116227920A (zh) | 企业风险评估方法、装置、电子设备及存储介质 | |
CN102222269A (zh) | 一种高速公路机电设施养护评价的模糊分层评价方法 | |
Wang et al. | New approach for information security evaluation and management of IT systems in educational institutions | |
CN107103368A (zh) | 一种产品功能结构与维修性设计要素的重要性评估方法 | |
CN112884312A (zh) | 一种基于owa算子赋权的化工装置风险评估方法 | |
CN113240268A (zh) | 一种基于ahp和模糊评价法的网约车监管评价方法 | |
CN113627705A (zh) | 一种安全城市评估系统及方法 | |
Bochkarev et al. | Mathematical decision support model for the decommissioning of nuclear power facilities | |
Chaher et al. | A Fuzzy-based risk model for construction project management | |
CN106647355A (zh) | 一种飞行情景环境评价的数据处理方法和系统 | |
Bai et al. | SAFETY EMERGENCY MANAGEMENT STRATEGY OF INDUSTRIAL BUILDING CONSTRUCTION PROJECTS: BASED ON ANALYSIS METHODS OF POLYMORPHIC FUZZY RELIABILITY. | |
AL NABULSI et al. | EVALUATION OF CURRENT BRIDGE INSPECTION AND CONDITION ASSESSMENT PRACTICES | |
CN106845842A (zh) | 一种机场工作人员出错率计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190312 |