基于大數(shù)據(jù)的實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估

王揚(yáng)

摘 要： 傳統(tǒng)實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估法常使用數(shù)據(jù)評(píng)估與人為評(píng)估相結(jié)合的形式進(jìn)行評(píng)估，易造成理論數(shù)據(jù)與實(shí)踐數(shù)據(jù)相違背的問題，于是提出基于大數(shù)據(jù)的實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法。通過構(gòu)建實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估總體框架，完善各模塊間的協(xié)作效應(yīng)，并給出評(píng)估流程圖，引入大數(shù)據(jù)評(píng)估方法，利用數(shù)據(jù)貼合度，重新確立肯特指數(shù)，通過評(píng)估參數(shù)預(yù)設(shè)，確立三項(xiàng)指標(biāo)，實(shí)現(xiàn)實(shí)驗(yàn)室安全風(fēng)險(xiǎn)的評(píng)估。實(shí)驗(yàn)結(jié)果表明，采用改進(jìn)評(píng)估方法進(jìn)行實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估時(shí)，其風(fēng)險(xiǎn)評(píng)估精度較高，耗時(shí)短具有一定的優(yōu)勢。

關(guān)鍵詞： 大數(shù)據(jù)； 實(shí)驗(yàn)室安全； 風(fēng)險(xiǎn)評(píng)估； 貼合度； 評(píng)估精度； 肯特指數(shù)

中圖分類號(hào)： TN919?34； TP393 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）08?0113?03

Abstract： In the traditional laboratory safety risk assessment method， the form of data assessment and artificial assessment combination is often used for assessment， which can easily result in violation of theoretical data from practical data. Therefore， a laboratory safety risk assessment method based on big data is proposed. The coordination effect between various modules is improved by constructing the overall framework of laboratory safety risk assessment. The diagram of assessment process is given. The big data assessment method is introduced to reestablish the Kent index by using the data fit degree. Laboratory safety risk assessment is realized by assessing parameter presupposition and establishing three indices. The experimental results show that the improved assessment method for laboratory safety risk assessment has certain advantages with high risk assessment accuracy and short time consumption.

Keywords： big data； laboratory safety； risk assessment； fit degree； assessment accuracy； Kent index

0 引 言

試驗(yàn)室進(jìn)行試驗(yàn)過程中，許多試驗(yàn)數(shù)據(jù)是不可控制的，會(huì)伴隨極大的未知性、突發(fā)性。特別是針對(duì)物理、化學(xué)等專業(yè)性較強(qiáng)的試驗(yàn)，發(fā)生突發(fā)事件的可能性較大，一旦發(fā)生安全隱患可能是極其嚴(yán)重事故 [1]。傳統(tǒng)實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法，使用的是理論數(shù)據(jù)與人為實(shí)踐數(shù)據(jù)相結(jié)合的方式，進(jìn)行風(fēng)險(xiǎn)評(píng)估，由于理論數(shù)據(jù)在一定范圍內(nèi)，而實(shí)踐數(shù)據(jù)是執(zhí)行數(shù)據(jù)，因此會(huì)產(chǎn)生一定的偏差，產(chǎn)生評(píng)估數(shù)據(jù)間隙，最終導(dǎo)致評(píng)估結(jié)果有誤。針對(duì)上述問題，提出基于大數(shù)據(jù)的實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法。利用大數(shù)據(jù)的數(shù)據(jù)堆積性進(jìn)行數(shù)據(jù)的填充，改變傳統(tǒng)方法的理論數(shù)據(jù)與實(shí)際數(shù)據(jù)相違背的情況，大數(shù)據(jù)使用過程帶有一定的數(shù)據(jù)躍遷性，對(duì)肯特指數(shù)法進(jìn)行改進(jìn)，完成實(shí)驗(yàn)全風(fēng)險(xiǎn)評(píng)估。為了驗(yàn)證設(shè)計(jì)方法的有效性，模擬使用環(huán)境進(jìn)行仿真試驗(yàn)，試驗(yàn)數(shù)據(jù)表明，設(shè)計(jì)的實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法能對(duì)實(shí)驗(yàn)室進(jìn)行高精度的安全風(fēng)險(xiǎn)評(píng)估。

1 實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法總體構(gòu)建

改進(jìn)實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法，采用大數(shù)據(jù)能夠更好地評(píng)估安全風(fēng)險(xiǎn)中的“不確定性”以及“未知性”[2?3]，大量的大數(shù)據(jù)在決策過程中起到數(shù)據(jù)參考、信息參評(píng)的作用。將預(yù)先知道的事件用數(shù)據(jù)形式進(jìn)行概率和條件的轉(zhuǎn)換，符合對(duì)實(shí)驗(yàn)室的評(píng)估決策的流程，并且簡化了推算的過程[4]。通過改進(jìn)評(píng)估方法對(duì)整體框架進(jìn)行設(shè)計(jì)，導(dǎo)入大數(shù)據(jù)后，對(duì)肯特指數(shù)法進(jìn)行改進(jìn)，方便大數(shù)據(jù)評(píng)估使用，通過建立實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估體系，能夠?qū)崿F(xiàn)實(shí)驗(yàn)室安全評(píng)估。改進(jìn)實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法的流程如圖1所示。

1.1 數(shù)據(jù)貼合度的計(jì)算

大數(shù)據(jù)在安全審核過程中，能夠提供安全規(guī)范以外的數(shù)據(jù)，相當(dāng)于在對(duì)實(shí)驗(yàn)室的安全條例進(jìn)行補(bǔ)充，導(dǎo)入的大數(shù)據(jù)在一定使用范圍內(nèi)填充理論數(shù)據(jù)與實(shí)踐數(shù)據(jù)間的空白[5?6]。引入大數(shù)據(jù)自身是一個(gè)數(shù)據(jù)集合，其中包括安全級(jí)別數(shù)據(jù)、安全章程數(shù)據(jù)、安全執(zhí)行數(shù)據(jù)。

安全級(jí)別數(shù)據(jù)將安全等級(jí)進(jìn)行劃分，不同實(shí)驗(yàn)室安全等級(jí)也不同，作為院校級(jí)的試驗(yàn)室安全等級(jí)為一級(jí)；國家試驗(yàn)室為特級(jí)，以此類推[7]。不同等級(jí)下要求安全章程數(shù)據(jù)是不同的，引入大數(shù)據(jù)中包含安全章程數(shù)據(jù)根據(jù)，安全等級(jí)進(jìn)行數(shù)據(jù)匯總。安全章程數(shù)據(jù)過程表征量表示如下：

1.2 肯特指數(shù)的優(yōu)化

在實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估過程中，傳統(tǒng)的實(shí)驗(yàn)室風(fēng)險(xiǎn)值計(jì)算方法是：風(fēng)險(xiǎn)概率值乘以風(fēng)險(xiǎn)損失得到最終結(jié)果。在改進(jìn)實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法中已不適用，結(jié)合本文安全風(fēng)險(xiǎn)評(píng)估方法的特點(diǎn)，對(duì)肯特指數(shù)法進(jìn)行優(yōu)化。大數(shù)據(jù)的引入細(xì)化了數(shù)據(jù)的安全等級(jí)以及風(fēng)險(xiǎn)事項(xiàng)，肯特指數(shù)需要通過細(xì)化的數(shù)據(jù)對(duì)優(yōu)化的安全等級(jí)數(shù)據(jù)進(jìn)行優(yōu)化，肯特指數(shù)是以安全等級(jí)為標(biāo)準(zhǔn)，對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)一步更新，自身攜帶的細(xì)節(jié)數(shù)據(jù)將肯特指數(shù)中基礎(chǔ)數(shù)據(jù)進(jìn)一步細(xì)化分析。執(zhí)行過程中數(shù)據(jù)為了避免發(fā)生數(shù)據(jù)脫離，需要貼合新安全數(shù)據(jù)標(biāo)準(zhǔn)，重新對(duì)肯特指數(shù)進(jìn)行設(shè)定，肯特指數(shù)計(jì)算如下：

1.3 實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估

經(jīng)過上述大數(shù)據(jù)的引入、肯特指數(shù)的優(yōu)化，能夠?qū)崿F(xiàn)實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估。實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估首先對(duì)三項(xiàng)指標(biāo)進(jìn)行確認(rèn)，其中包括硬性指標(biāo)、非控指標(biāo)、人為指標(biāo)。硬性指標(biāo)是通過實(shí)驗(yàn)室自身配備所得出的，一般與評(píng)估流程評(píng)估方法無關(guān)。非控指標(biāo)是由突發(fā)事件所形成，一般非控指標(biāo)在計(jì)算過程中是一個(gè)集合量，本文設(shè)計(jì)的實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估流程如圖4所示。

通過圖4可看出，本文設(shè)計(jì)的基于大數(shù)據(jù)的實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法能夠細(xì)化安全數(shù)據(jù)的級(jí)別，將原有簡單概率乘以損失率的計(jì)算過程變得細(xì)化，同時(shí)評(píng)估的結(jié)果也是以數(shù)據(jù)的形式體現(xiàn)，方便對(duì)照結(jié)果。

2 試驗(yàn)分析

2.1 試驗(yàn)參數(shù)設(shè)定

為了驗(yàn)證改進(jìn)實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估并且驗(yàn)證設(shè)計(jì)評(píng)估方法的有效性，以高科試驗(yàn)室為研究對(duì)象，分別設(shè)計(jì)了兩組實(shí)驗(yàn)。在第一組實(shí)驗(yàn)中，使用傳統(tǒng)評(píng)估方法與改進(jìn)評(píng)估方法相比較，在不同實(shí)驗(yàn)環(huán)境下驗(yàn)證評(píng)估精準(zhǔn)度。在第二組實(shí)驗(yàn)中，驗(yàn)證的是本文設(shè)計(jì)的基于大數(shù)據(jù)的實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法的有效性，以碰撞物理實(shí)驗(yàn)為例，模擬實(shí)驗(yàn)每組執(zhí)行10次，每次試驗(yàn)對(duì)機(jī)械軸承進(jìn)行碰撞試驗(yàn)。分析過程，觀察每次實(shí)驗(yàn)中評(píng)估風(fēng)險(xiǎn)結(jié)果，以此判斷本文設(shè)計(jì)方法的有效性。為了試驗(yàn)的嚴(yán)謹(jǐn)性，對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行設(shè)置，結(jié)果如表1所示。

2.2 試驗(yàn)結(jié)果分析

2.2.1 對(duì)比試驗(yàn)

本文分別從試驗(yàn)風(fēng)險(xiǎn)程度以及試驗(yàn)安全系數(shù)上進(jìn)行評(píng)估，使用傳統(tǒng)實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法與本文設(shè)計(jì)安全風(fēng)險(xiǎn)評(píng)估方法進(jìn)行比較，對(duì)不同的試驗(yàn)參數(shù)下，分別記錄評(píng)估GTRF函數(shù)的變化以及在三種試驗(yàn)流程下的試驗(yàn)評(píng)估結(jié)果，如表2所示。

2.2.2 有效性試驗(yàn)

表3是在不同試驗(yàn)流程條件下，對(duì)本文設(shè)計(jì)的基于大數(shù)據(jù)的實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法進(jìn)行有效性的測試，觀察評(píng)估過程體系數(shù)據(jù)變化、可能性數(shù)據(jù)變化、損失性變化。

通過表3的數(shù)據(jù)可以看出，本文設(shè)計(jì)的評(píng)估方法在對(duì)象評(píng)估數(shù)據(jù)上都是連續(xù)的，并帶有一定承接關(guān)系，說明評(píng)估過程中是有效的。在多數(shù)據(jù)的堆砌下，通過體系數(shù)據(jù)變化、可能性數(shù)據(jù)變化的數(shù)據(jù)能夠說明該方法在適用度上具有較高的有效性。

3 結(jié) 語

本文設(shè)計(jì)的基于大數(shù)據(jù)的實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估方法在導(dǎo)入大數(shù)據(jù)后，改變傳統(tǒng)數(shù)據(jù)分析過程，對(duì)肯特指數(shù)法進(jìn)行改進(jìn)，實(shí)現(xiàn)實(shí)驗(yàn)室安全風(fēng)險(xiǎn)評(píng)估。希望通過本文的研究能夠提升實(shí)驗(yàn)室安全性。

參考文獻(xiàn)

[1] 陳紅倩，方藝，楊倩玉，等.一種針對(duì)農(nóng)殘檢測數(shù)據(jù)的時(shí)序分組可視化方法[J].系統(tǒng)仿真學(xué)報(bào)，2016，28（10）：2510?2518.

CHEN Hongqian， FANG Yi， YANG Qianyu， et al. Temporal group visualization method for pesticide residue detection data [J]. Journal of system simulation， 2016， 28（10）： 2510?2518.

[2] 黃天恩，孫宏斌，郭慶來，等.基于電網(wǎng)運(yùn)行大數(shù)據(jù)的在線分布式安全特征選擇[J].電力系統(tǒng)自動(dòng)化，2016，40（4）：32?40.

HUANG Tianen， SUN Hongbin， GUO Qinglai， et al. Online distributed security feature selection based on big data in power system operation [J]. Automation of electric power systems， 2016， 40（4）： 32?40.

[3] 孫宏斌，黃天恩，郭慶來，等.基于仿真大數(shù)據(jù)的電網(wǎng)智能型超前安全預(yù)警技術(shù)[J].南方電網(wǎng)技術(shù)，2016，10（3）：42?46.

SUN Hongbin， HUANG Tianen， GUO Qinglai， et al. Power grid intelligent security early warning technology based on big simulation data [J]. Southern power system technology， 2016， 10（3）： 42?46.

[4] 趙國朕，宋金晶，葛燕，等.基于生理大數(shù)據(jù)的情緒識(shí)別研究進(jìn)展[J].計(jì)算機(jī)研究與發(fā)展，2016，53（1）：80?92.

ZHAO Guozhen， SONG Jinjing， GE Yan， et al. Advances in emotion recognition based on physiological big data [J]. Journal of computer research and development， 2016， 53（1）： 80?92.

[5] 琚安康，郭淵博，朱泰銘.基于開源工具集的大數(shù)據(jù)網(wǎng)絡(luò)安全態(tài)勢感知及預(yù)警架構(gòu)[J].計(jì)算機(jī)科學(xué)，2017，44（5）：125?131.

JU Ankang， GUO Yuanbo， ZHU Taiming. Framework for big data network security situational awareness and threat warning based on open source toolset [J]. Computer science， 2017， 44（5）： 125?131.

[6] DENG Z， ZHU X， CHENG D， et al. Efficient kNN classification algorithm for big data [J]. Neurocomputing， 2016， 195（C）： 143?148.

[7] DADDABBO A， MAGLIETTA R. Parallel selective sampling method for imbalanced and large data classification [J]. Pattern recognition letters， 2015， 62（C）： 61?67.

[8] REBENTROST P， MOHSENI M， LLOYD S. Quantum support vector machine for big data classification [J]. Physical review letters， 2014， 113（13）： 1?5.

[9] WANG Kun. Research and implementation of classification parallel algorithm based on GPU [J]. Electronic design engineering， 2014， 23（18）： 39?41.

[10] LUO Xiaolin. A new classification algorithm by training with authentic virtual samples [J]. Bulletin of science and technology， 2013， 32（6）： 107?109.