基于智慧實(shí)驗(yàn)室的安全事故分析與預(yù)測(cè)

楚丹琪，李睿智，高洪皓，張 康

(1.上海大學(xué) 實(shí)驗(yàn)設(shè)備處，上海 200444； 2.上海大學(xué) 計(jì)算機(jī)學(xué)院,上海 200444; 3.上海大學(xué) 計(jì)算中心,上海 200444)

1 概 述

1.1 實(shí)驗(yàn)室現(xiàn)狀及問題

實(shí)驗(yàn)室是科技的搖籃，安全、健康、環(huán)保、節(jié)能是實(shí)驗(yàn)室的基本要素[1-3]。實(shí)驗(yàn)室安全教育是安全管理的重要內(nèi)容之一，充實(shí)的安全教育可以提高人們的認(rèn)識(shí)和安全素質(zhì)，也是保障實(shí)驗(yàn)人員安全的第一道也是最重要的屏障。為了防患于未然，全方位保護(hù)實(shí)驗(yàn)人員和實(shí)驗(yàn)設(shè)備的安全十分必要。智慧實(shí)驗(yàn)室是以“互聯(lián)網(wǎng)+”為基礎(chǔ)，采用先進(jìn)的信息化技術(shù)手段和軟硬件設(shè)備，實(shí)現(xiàn)對(duì)實(shí)驗(yàn)教學(xué)、科研和管理等實(shí)驗(yàn)室信息的收集、處理、監(jiān)管、存儲(chǔ)、傳輸和調(diào)用[4-5]，使實(shí)驗(yàn)室資源得以充分優(yōu)化利用。

高校實(shí)驗(yàn)室的信息化存在以下亟待解決的問題：

(1)設(shè)備管理非自動(dòng)化。教學(xué)儀器和設(shè)備分布離散、管理難度大、無專人管理和保養(yǎng)等；信息獲取被動(dòng)，存在空間障礙，對(duì)設(shè)備數(shù)量和種類繁多的實(shí)驗(yàn)室，管理人員難以準(zhǔn)確快速定位、跟蹤設(shè)備使用和維護(hù)。

(2)安全管理非智能化。實(shí)驗(yàn)室安全管理難以形成穩(wěn)固的體系，對(duì)各類潛在危險(xiǎn)的警告系統(tǒng)尚不完善[6]，只能依賴于管理人員的責(zé)任心。隨著大量開放式實(shí)驗(yàn)教學(xué)的開展，對(duì)人員的智能監(jiān)控要求越來越高。

(3)環(huán)境管理非低碳化。機(jī)房的溫濕度、粉塵、噪聲等指標(biāo)未實(shí)現(xiàn)統(tǒng)一監(jiān)控和管理；實(shí)驗(yàn)室照明、設(shè)備供電、機(jī)器用電難以實(shí)現(xiàn)自動(dòng)化調(diào)節(jié)，造成資源浪費(fèi)。

(4)資源管理非共享化。不同院系實(shí)驗(yàn)室之間資源利用和分配不協(xié)調(diào)，資源共享難以實(shí)現(xiàn)，存在“信息孤島”現(xiàn)象。

1.2 實(shí)驗(yàn)室安全預(yù)防策略現(xiàn)狀

目前，國內(nèi)高校實(shí)驗(yàn)室安全工作多數(shù)由多個(gè)部門共同負(fù)責(zé)，相關(guān)處室工作側(cè)重點(diǎn)不同。在這種不同職能處室分塊管理的管理體制下，容易出現(xiàn)部分管理職責(zé)交叉重復(fù)的現(xiàn)象，導(dǎo)致管理效率不高[7-8]。同時(shí)，每個(gè)實(shí)驗(yàn)室面對(duì)的用戶群體不同，使用的儀器設(shè)備不同，如果全都進(jìn)行相同的實(shí)驗(yàn)室安全教育，會(huì)浪費(fèi)大量的人力、物力和財(cái)力，并達(dá)不到相應(yīng)的教育和預(yù)防效果。

在信息化不斷發(fā)展的時(shí)代，良好、真實(shí)的數(shù)據(jù)統(tǒng)計(jì)與挖掘可以為政策的制定提供有力的支持[9-10]。上海大學(xué)思安網(wǎng)是上海大學(xué)針對(duì)實(shí)驗(yàn)室安全和保護(hù)展開的全方位平臺(tái)。上海大學(xué)思安網(wǎng)不僅整合了上海大學(xué)用戶信息、在線學(xué)習(xí)、在線考試、上課考勤，而且記錄分析用戶的操作習(xí)慣和事故記錄。借助以上真實(shí)的數(shù)據(jù)，文中提出安全信用的模型，通過這個(gè)模型可以將用戶的安全知識(shí)和安全技能的掌握情況進(jìn)行量化，從而為每個(gè)實(shí)驗(yàn)室具有針對(duì)性的安全事故預(yù)測(cè)奠定了基礎(chǔ)。

2 安全信用分析模型

安全信用，是上海大學(xué)思安網(wǎng)運(yùn)用大數(shù)據(jù)分析技術(shù)客觀呈現(xiàn)個(gè)人的安全信用狀況。安全信用的評(píng)測(cè)通過對(duì)海量信息數(shù)據(jù)的綜合處理和評(píng)估，主要包含了用戶特質(zhì)、行為偏好、學(xué)習(xí)能力、考試成績、課程考勤和事故歷史六個(gè)維度。最后，通過歸一化處理綜合計(jì)算得出用戶的安全信用分?jǐn)?shù)。

2.1 評(píng)價(jià)維度

安全信用主要包含用戶特質(zhì)、行為偏好、學(xué)習(xí)能力、考試成績、課程考勤、事故記錄六個(gè)維度，分別從用戶的各個(gè)方面反映其安全意識(shí)和安全行為。單維度評(píng)價(jià)方式中每一維度的最高分為100分，最低分0分。

用戶特質(zhì)主要從用戶身份、用戶背景綜合分析。用戶身份主要分為本科生、碩士生和博士生；相較于本科生而言，碩士生和博士生在安全信用方面具有知識(shí)積累的優(yōu)勢(shì)；用戶背景主要考察用戶的學(xué)院和專業(yè)背景，尤其對(duì)于文科專業(yè)會(huì)有一定的背景優(yōu)勢(shì)；同時(shí)，不同的專業(yè)年級(jí)對(duì)安全知識(shí)積累沉淀也會(huì)有所不同[11]。

定義1：用戶特質(zhì)S1。

S1=α×(Pe+Pg)+β×(Pm+Pr)

(1)

其中，α表示學(xué)歷層次和專業(yè)年級(jí)在評(píng)價(jià)中所占權(quán)重，β表示專業(yè)性質(zhì)在評(píng)價(jià)中所占權(quán)重，并且滿足條件α+β=1；Pe,Pg,Pm,Pr表示學(xué)歷、年級(jí)、專業(yè)和高危專業(yè)的權(quán)重。

行為偏好主要從用戶的操作行為進(jìn)行分析，用戶的操作習(xí)慣往往可以反映用戶現(xiàn)實(shí)生活中的習(xí)慣，比如：用戶是否具有良好的登錄和注銷的習(xí)慣，用戶學(xué)習(xí)和考試是否存在作弊現(xiàn)象。

定義2：行為偏好S2。

S2=∑α×Nc-∑β×Ne

(2)

其中，α和β分別表示某類良好習(xí)慣和不良習(xí)慣發(fā)生的權(quán)重；Nc和Ne表示某類良好習(xí)慣和不良習(xí)慣發(fā)生的次數(shù)。

學(xué)習(xí)能力主要從用戶在線學(xué)習(xí)進(jìn)行分析，人的注意力集中的時(shí)間跟年齡、學(xué)習(xí)時(shí)間和學(xué)習(xí)難度有聯(lián)系。用戶的年齡直接影響用戶學(xué)習(xí)的注意力，為了方便計(jì)算，針對(duì)年齡采用線性變換。

定義3：年齡S3。

S3=100-Ua

(3)

其中，Ua表示用戶的年齡。

用戶每天平均學(xué)習(xí)時(shí)間的長短、學(xué)習(xí)時(shí)間段均是影響用戶學(xué)習(xí)程度的因素，下面給出學(xué)習(xí)時(shí)間的定義。

定義4：學(xué)習(xí)時(shí)間S4。

(4)

其中，T表示正常學(xué)習(xí)時(shí)間中間值，按照正常學(xué)習(xí)時(shí)間范圍40～60 min之間，故T應(yīng)該取值50；η表示不同時(shí)間段的權(quán)重系數(shù)，將24小時(shí)劃分為4部分：深夜、上午、下午、夜晚，每部分的權(quán)重系數(shù)分別為0.1、0.8、0.6、0.5。

上海大學(xué)思安網(wǎng)針對(duì)每類資源均定義了學(xué)習(xí)難度，學(xué)習(xí)的內(nèi)容難度越大，表示用戶的學(xué)習(xí)能力越高，于是下面給出了學(xué)習(xí)難度的定義。

定義5：學(xué)習(xí)難度S5。

(5)

其中，N表示學(xué)習(xí)資源總數(shù)；σi表示第i個(gè)資源的難度系數(shù)。

所有用戶的學(xué)習(xí)能力可以看作是符合正態(tài)分布，同時(shí)根據(jù)定義3～5，給出學(xué)習(xí)能力的定義。

定義6：用戶學(xué)習(xí)能力S6。

(6)

其中，c1,c2,c3表示用戶年齡、學(xué)習(xí)時(shí)間、學(xué)習(xí)難度的權(quán)重系數(shù)；α表示整體權(quán)重系數(shù)；μ表示正態(tài)分布的位置參數(shù)，μ=75。

考試成績主要從用戶參加考試的考試結(jié)果進(jìn)行分析，用戶的考試成績?cè)礁?，其安全知識(shí)掌握程度越高。

定義7：考試成績S7。

(7)

其中，N表示用戶參加的考試數(shù)目；Score(i)表示用戶參加的第i個(gè)安全考試的考試成績。

課程考勤主要從用戶上課考勤情況進(jìn)行分析，上課情況可以從側(cè)面反映出用戶的學(xué)習(xí)態(tài)度。

定義8：課程考勤S8：

(8)

其中，n表示出勤次數(shù)；N表示應(yīng)該出勤次數(shù)；T表示課程總數(shù)。

信用歷史主要從用戶過去發(fā)生過的安全事故和安全預(yù)防的事件進(jìn)行計(jì)算，這是最客觀反映用戶安全信用的方式。文中信用歷史采用指數(shù)函數(shù)表示，以提高初始的變化率。

定義9：信用歷史S9。

S9=-e-(α×Np-β×Na)+100

(9)

其中，α,β分別表示預(yù)防事故的權(quán)重和安全事故發(fā)生的權(quán)重，α+β=1；Np,Na分別表示預(yù)防事故的數(shù)量和安全事故發(fā)生的數(shù)量。

2.2 安全信用歸一化

文中的安全信用評(píng)價(jià)方式主要是通過對(duì)每一個(gè)維度分別進(jìn)行評(píng)價(jià)，最后綜合計(jì)算得出用戶的安全信用分?jǐn)?shù)。安全信用分?jǐn)?shù)的高低可以反映出用戶的安全知識(shí)和安全技術(shù)的掌握情況。那么，如何將六個(gè)維度歸一化成安全信用，文中采用六個(gè)維度來計(jì)算安全信用，并將這六個(gè)維度放置到一個(gè)六維坐標(biāo)系中。安全信用值的計(jì)算如下所示：

(10)

3 安全事故分析與預(yù)測(cè)算法

實(shí)驗(yàn)室事故預(yù)測(cè)主要是基于用戶安全信用的六個(gè)維度來進(jìn)行。首先根據(jù)用戶六個(gè)維度，將用戶聚集為三類：高危人群、潛在危險(xiǎn)人群、安全人群，下面會(huì)詳細(xì)介紹用戶的分類方法；接著根據(jù)實(shí)驗(yàn)室面對(duì)的人群重點(diǎn)分析高危人群和潛在問題人群，從學(xué)習(xí)內(nèi)容和考試成績中重點(diǎn)分析知識(shí)漏洞，從而預(yù)測(cè)安全事故。

3.1 用戶聚類

根據(jù)安全信用公式計(jì)算出用戶的安全信用后，根據(jù)用戶安全信用進(jìn)行第一次聚類[12-13]，這次聚類主要分為兩類人群：安全人群和危險(xiǎn)人群。聚類原則如下：

(1)安全人群應(yīng)該滿足安全信用分大于等于220分，安全信用分達(dá)到這個(gè)層次可以表明用戶的六個(gè)維度的平均分不低于90分，用戶具有良好的安全知識(shí)和安全技術(shù)的積累。

(2)危險(xiǎn)人群滿足安全信用分?jǐn)?shù)低于220分，這部分用戶在安全意識(shí)方面還有一定的欠缺。

根據(jù)第一次用戶聚類方式可以區(qū)分安全人群和危險(xiǎn)人群，但是在危險(xiǎn)人群中，并非每一個(gè)用戶需要進(jìn)行關(guān)注。那么，文中采用K-means算法對(duì)第一次聚類中的危險(xiǎn)人群進(jìn)行了第二次聚類[14]，這次聚類主要分為：高危人群和潛在問題人群。聚類算法如下：

(1)首先根據(jù)用戶信用分與閾值220分做比較，如果大于等于220分則將該用戶劃分至安全人群中，如果低于220分則劃分至危險(xiǎn)人群中；

(2)確定用戶行為向量，經(jīng)過實(shí)際分析，公式為：

V={a1,a2,…,a6}

(11)

其中，a1,a2,…,a6分別為某個(gè)用戶的六個(gè)維度。

(3)隨機(jī)選擇k個(gè)初始聚類中心：

Centerk={C1k,C2k,…,C6k}

(12)

其中，k應(yīng)滿足k=2。

(4)s∈S，其中S為樣本集合，根據(jù)歐幾里得公式計(jì)算S距離所有聚類中心的距離，將s劃分到距離最近的中心Center的集合內(nèi)。

(5)重新計(jì)算聚類Center的中心，使用各個(gè)點(diǎn)的坐標(biāo)的平均值來求點(diǎn)群新的中心點(diǎn)。若產(chǎn)生新的中心點(diǎn)，執(zhí)行第3步；若中心點(diǎn)不再發(fā)生改變，執(zhí)行第5步。

(6)使用歐幾里得公式計(jì)算2個(gè)聚類中心距離原點(diǎn)的距離，聚類中心距離原點(diǎn)更近的聚類簇為高危人群，距離較遠(yuǎn)的聚類簇為潛在問題人群。

聚類算法如下：

算法1：用戶聚類算法。

輸入：用戶安全信用的六個(gè)維度信息及S1,S2,S6,S7,S8,S9評(píng)價(jià)分S

輸出：安全人群Groupsafe、高危人群Groupdanger和潛在問題人群Grouppotential

BEGIN

n=0

FOR EACHi=1 TOm

IFSi≥220 THEN

Groupsafe=Groupsafe∪i

ELSE

vi={a1,a2,a6,a7,a8,a9}

n=n+1

ENDIF

ENDFROEACH

FOR EACHi=1 TO 2

Random(Centeri)

ENDFROEACH

Group1={}

Group2={}

WHILE (Center is not change)

FOR EACHiINn

IFDisCenter1≥DisCenter2THEN

Group1=Group1∪i

ELSE

Group2=Group2∪i

ENDIF

ENDFOREACH

FOR EACHi=1 TO 2

Update(Centeri)

ENDIF

ENDWHILE

IFDisO&Center1≥DisO&Center2THEN

Grouppotential=Group1

Groupdanger=Group2

ELSE

Groupdanger=Group1

Grouppotential=Group2

ENDIF

END

3.2 安全事故預(yù)測(cè)

根據(jù)3.1節(jié)，將用戶聚類為高危人群、潛在危險(xiǎn)人群、安全人群三類，本節(jié)的安全事故預(yù)測(cè)算法將重點(diǎn)關(guān)注高危人群和潛在危險(xiǎn)人群。將安全事故定義為五類：火或水災(zāi)性事故、毒害性事故、爆炸性事故、機(jī)械性事故和電氣性事故；上海大學(xué)思安網(wǎng)中的安全知識(shí)學(xué)習(xí)和考試也分為六類：通識(shí)類、化學(xué)類、輻射類、醫(yī)學(xué)生物類、電氣類和機(jī)械類。定義的對(duì)應(yīng)關(guān)系如表1所示。

表1 安全事故、學(xué)習(xí)和考試分類對(duì)應(yīng)關(guān)系

在現(xiàn)實(shí)生活中每一個(gè)實(shí)驗(yàn)室或高危場所都面對(duì)一些固定的用戶群，根據(jù)3.1節(jié)可以將固定的用戶群進(jìn)行用戶類型劃分，從而抽取高危人群和潛在危險(xiǎn)人群的數(shù)據(jù)進(jìn)行分析。每一類事故發(fā)生的概率取決于兩類人群發(fā)生事故的概率，于是得到每一類事故發(fā)生的概率公式：

Pc=α×Pd+β×Pp

(13)

其中，Pd和Pp表示高危人群和潛在危險(xiǎn)人群在該類事故中發(fā)生的概率；α和β表示權(quán)重系數(shù)。

那么，某類人群發(fā)生某類安全事故的概率，則可以直接由這類人群學(xué)習(xí)情況和考試情況來進(jìn)行反映，于是可以得到如下公式：

(14)

(15)

其中，Learni表示第i個(gè)用戶學(xué)習(xí)某類資源的數(shù)量；Total表示某類學(xué)習(xí)資源的總量；Examij表示第i個(gè)用戶參加某類第j次考試的成績；N表示該用戶參加考試的總數(shù)；group表示人群總數(shù)。

可得到某類人群發(fā)生某類安全事故的概率公式：

Pgroup=η×PL+σ×PE

(16)

其中，η,σ表示權(quán)重系數(shù)，并且滿足η+σ=1。

4 實(shí)驗(yàn)分析

文中的安全信用評(píng)價(jià)體系和實(shí)驗(yàn)室安全事故預(yù)測(cè)算法均在上海大學(xué)思安網(wǎng)中實(shí)現(xiàn)，實(shí)際運(yùn)行過程中分析相關(guān)數(shù)據(jù)量可以參考表2(截止2016年7月25日星期一)。算法中相關(guān)權(quán)重系數(shù)對(duì)的參數(shù)初始化可以參考表3。

表2 算法分析相關(guān)數(shù)據(jù)量

通過對(duì)上海大學(xué)所有用戶進(jìn)行安全信用評(píng)價(jià)，并且針對(duì)5個(gè)實(shí)驗(yàn)室進(jìn)行安全事故預(yù)測(cè)來驗(yàn)證算法的合理性。上海大學(xué)思安網(wǎng)自動(dòng)根據(jù)用戶的相關(guān)數(shù)據(jù)進(jìn)行六個(gè)維度的評(píng)價(jià)(相關(guān)維度定義參考2.1節(jié))，最終給出用戶的安全信用維度評(píng)價(jià)，可以參考圖1。

表3 相關(guān)權(quán)重系數(shù)對(duì)的參數(shù)初始化

圖1 用戶的安全信用維度示意圖

上海大學(xué)思安網(wǎng)在完成維度評(píng)價(jià)后，根據(jù)2.2節(jié)進(jìn)行歸一化處理。系統(tǒng)默認(rèn)展示用戶近半年的安全信用變化情況，可以參考表4。

表4 安全信用變化情況(學(xué)生14721185)

安全事故預(yù)測(cè)的重點(diǎn)是根據(jù)用戶群的知識(shí)漏洞來預(yù)測(cè)實(shí)驗(yàn)室事故。表5展示的是4個(gè)實(shí)驗(yàn)室安全事故預(yù)測(cè)統(tǒng)計(jì)情況，標(biāo)注了事故類型和事故發(fā)生的概率。

表5 實(shí)驗(yàn)室安全事故預(yù)測(cè)統(tǒng)計(jì)情況 %

5 結(jié)束語

上海大學(xué)實(shí)驗(yàn)室安全教育綜合管理平臺(tái)是針對(duì)高校實(shí)驗(yàn)室安全的問題提出的一種新型教育模式；同時(shí)在智慧實(shí)驗(yàn)的背景下，提出了安全信用的概念，將用戶的安全知識(shí)和安全技能的掌握情況進(jìn)行量化，形成一套完整的評(píng)價(jià)體系。根據(jù)用戶的安全信用，將用戶進(jìn)行分類，找出危險(xiǎn)用戶和知識(shí)漏洞，從而預(yù)測(cè)實(shí)驗(yàn)室安全事故。在后續(xù)的工作中將把安全信用評(píng)價(jià)應(yīng)用到更加廣泛的實(shí)驗(yàn)室預(yù)約等功能中，為更安全、更便捷的實(shí)驗(yàn)室管理提供保障。

參考文獻(xiàn)：

[1] MASSIE D L,CAMPBELL K L,WILLIAMS A F.Traffic accident involvement rates by driver age and gender[J].Accident Analysis and Prevention,1995,27(1):73-87.

[2] KOO J,KIM S,KIM H,et al.A systematic approach towards accident analysis and prevention[J].Drug Discovery Today,2015,20(7):856-862.

[3] WU Lirong,JIANG Zhongan,CHENG Weimin,et al.Major accident analysis and prevention of coal mines in China from the year of 1949 to 2009[J].Mining Science & Technology,2011,21(5):693-699.

[4] AKYUZ E,CELIK M,AKYUZ E,et al.Utilisation of cognitive map in modelling human error in marine accident analysis and prevention[J].Safety Science,2014,70:19-28.

[5] 鄭 祿,常 佳.基于Arduino與Python的實(shí)驗(yàn)室聯(lián)動(dòng)門禁報(bào)警系統(tǒng)設(shè)計(jì)[J].軟件導(dǎo)刊,2017,16(1):76-77.

[6] 張 博.基于GA-BP神經(jīng)網(wǎng)絡(luò)的高校實(shí)驗(yàn)室安全評(píng)價(jià)研究[J].微處理機(jī),2016,37(2):51-55.

[7] MARSAGLIA G.Evaluating the normal distribution[J].Journal of Statistical Software,2004,11(5):1-11.

[8] RANI A J M,PARTHIPAN L.Clustering analysis by improved particle swarm optimization and K-means algorithm[C]//IET Chennai 3rd international conference on sustainable energy and intelligent systems.[s.l.]:[s.n.],2012:83-88.

[9] 王國強(qiáng),吳 敏.實(shí)驗(yàn)室安全防范智能化系統(tǒng)的組成與應(yīng)用[J].實(shí)驗(yàn)技術(shù)與管理,2008,25(4):151-155.

[10] 吳文華,馬升燈,沈水富.提高安全意識(shí),預(yù)防高校實(shí)驗(yàn)室安全事故發(fā)生[J].科技風(fēng),2015(23):189.

[11] 丁智斌,袁 方,董賀偉.數(shù)據(jù)挖掘在高校學(xué)生學(xué)習(xí)成績分析中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì),2006,27(4):590-592.

[12] 馬 闖,吳 濤,段夢(mèng)雅.基于K近鄰隸屬度的聚類算法研究[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(10):55-58.

[13] 徐向平,魯海燕,徐 迅.基于環(huán)形鄰域的混沌粒子群聚類算法[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(2):54-60.

[14] HAMIDA E B,JAVED M A.Channel-aware ECDSA signature verification of basic safety messages with K-Means clustering in VANETs[C]//International conference on advanced information networking and applications.Crans-Montana,Switzerland:IEEE,2016:603-610.