基于BERT的煤礦事故風險LEC評價與優化研究

于博帆 嚴嘉興

（中國地質大學（武漢）地質調查研究院）

作業條件危險性評價法被簡稱為LEC 評價法，其作為一種半定量的評價方法，被廣泛運用于評價操作人員在具有潛在危險性環境中作業時的危險性、危害性的場合。通過人工給L（事故發生的可能性）、E（人員暴露于危險環境中的頻繁程度）和C（一旦發生事故可能造成的后果）3 種不同因素的不同等級分別確定不同的分值，以3 個分值的乘積D（危險性）來評價作業條件危險性的大小。其中L值的評價受不同作業環境、作業類型的影響較大，故在LEC 評價中一直是重難點。

目前，人工對LEC 評價指標進行打分仍然是主流方法。陳勇杰［1］介紹了LEC 評價法的模型搭建和指標賦值方法，最后以非煤礦山透水事故為案例，展示了LEC 評價法在非煤礦山安全評價中的優勢和效果。曹文濤等［2］通過結合PHA 危險源識別與LEC 評價法，為某綜采工作面的安全管理提供了科學依據。邵勇等［3］介紹了一種基于改進專家LEC 法的水電工程建設中的危險評估方法，通過考慮不同因素對事故的重要性順序，給出了相關安全管理建議。與主流LEC評價法不同，李藝彤等［4］認識到受限于打分人專業程度不同、心理狀態等原因，LEC 法評價值的客觀性與合理性受評價主體的影響較大，尤其是在高危行業煤礦開采中，由于發生事故概率高、造成危害大等特點，在對其進行安全風險評估時需更加謹慎，評價結果的合理與否會對工程項目的安全性產生很大影響，故采用專家權重計算分析，對不同專家進行資格分類分級，以達到較高的可信度。杜春秧等［5］針對LEC 法存在的缺陷，提出了優化設計思路和方法，包括引入管理抵消因子、對事故后果參數進行細化和組合、重新設計評價流程等，以某水閘工程為例，對改進前后的LEC 法進行了對比分析，驗證了改進后方法的可行性和有效性。

針對這一現狀，運用深度學習模型進行輔助判斷具有較好的前景，通過AI 輔助人工進行判斷可以有效提高判斷的邏輯性，消除判斷者不同帶來的差異性。其中，BERT 預訓練模型由于具備強大的上下文理解能力、消除歧義以及增強學習等功能，在文本訓練預測中受到眾多學者認可。楊瑞森等［6］指出，BERT 強化學習能夠更好地學習上下文語言信息，很好地解決了一詞多義的問題，在引入主流的命名實體識別模型后，較高地提升了命名實體識別的準確性。楊進等［7］介紹了TMS 與BERT 的原理和優勢，再將兩者結合起來構建了藏文多粒度語義匹配模型，結果表明，該模型在精確度上有顯著的提升。章振增［8］介紹了一種基于BERT 的WWM 語義分析模型，一種Doc2SpSPO 聯合SPO 抽取模型，并在此基礎上分析了BERT 模型在分析語言相似度方面的優勢，在真實數據集上進行了試驗，結果表明，該模型的實體識別率與分類關系準確率均較高。高茂嬌等［9］針對電商評論篩選復雜的現狀，提出了一種基于TS-BiLSTM 模型的篩選系統，通過預訓練以及加權分類，證明了該模型在文本分類上的準確度。代楊等［10］提出了一種將BERT 預訓練模型與卷積神經網絡融合的BERT-CNN 模型，通過BERT 模型的預訓練，實現分類的高準確率。為此，本文基于煤礦行業中LEC 法，尤其是L值判斷人工操作難度大的現狀，提出了對L值判別的改良，并在此基礎上運用BERT 預訓練模型代替人工進行賦值，進一步證明深度學習代替人工打分的可行性。

1 作業條件危險性評價法中L值評價優化思路

作業條件危險性評價法中的L值指代事故發生的可能性，在LEC 法的一般打分過程中，通常情況下會著重強調事件本身的客觀不利因素對事件本身進行評價，在評價事故時通常會給出較低的評分，由于某些高危風險的評分很低，即代表其發生的可能性較小，這種情況很容易導致管理人員與作業人員出現思想怠慢的心理。徐威等［11］認識到了L值的操作困難性，采用了概率統計與計算對其判斷進行了優化；王曄等［12］針對高校實驗室L值判斷的不具體性，結合人、物、管理對L值的判斷進行了優化；崔勇［13］意識到了事故L值很小時，事故的嚴重程度可能很大這一不合理點，通過加入其他控制因素優化L值。與高校實驗室類似的是，施工項目尤其是煤礦施工項目具有復雜、危險性大、難以簡單判斷等特點，同一類型事故的發生可能是由于不同類型的原因導致的，例如操作人員操作不當、施工環境與物質因素或者安全管理本身存在問題。因此，在對事故發生可能性進行評價時，需綜合考慮多方因素。

本文針對482起煤礦事故案例，選取事故經過、事故原因等事故發生關鍵因素全面的事故案例400起，通過專家歸類概況得到目前煤礦事故發生的原因主要有3點，分別是操作人員操作不當、施工環境與物質因素本身存在危險以及施工安全管理本身存在問題。

在LEC 法L值的評價過程中，較為完善地考慮操作人員因素、施工與物質因素以及施工安全管理因素，可以很大程度上使L值的判別更加準確。

針對此現狀，本文提出了改進后的L值計算公式

式中，L為總值；L1、L2、L3分別代表環境物體因素、施工操作人員因素和安全管理因素對安全事故可能性影響的取值，根據專家意見、煤礦事故相關經驗確定相對取值標準，具體評分標準見表1；γ1、γ2、γ3分別代表環境物體因素、施工操作人員因素和安全管理因素對安全風險（事故）發生影響的可能性權重。

在確定400 個事故案例發生的主要因素后進行頻數統計，確認每個主要因素的事故占總事故數量的百分比，結果為環境物體因素占比44%、施工操作人員因素占比36%、安全管理因素占比20%，即γ1=0.44，γ2=0.36，γ3=0.2。

最后，通過專家打分結合BERT 預訓練模型進行確認L1、L2、L3。

2 基于BERT預訓練模型的L值優化

2.1 BERT預訓練模型簡介

?

BERT（Bidirectional Encoder Representations from Transformers）是一種預訓練的語言模型，由Google 在2018 年提出并發布，它是基于Transformer 架構的深度學習模型，用于處理自然語言處理（NLP）任務［14］。

BERT 的預訓練過程包括遮蔽語言建模（Masked Language Model，MLM）和下一句預測（Next Sentence Prediction，NSP）［15］2 個主要步驟。在遮蔽語言建模中，BERT 模型會隨機地遮蔽輸入文本中的一些單詞或詞片段，然后嘗試預測這些被遮蔽的部分，這個過程可以幫助模型學習上下文信息和詞之間的關系。在下一句預測任務中，BERT 模型接收2 個句子作為輸入，并判斷它們是否在語義上是連續的，這有助于模型學習句子之間的關聯和語義關系。

通過2 個預訓練任務，BERT 模型能夠學習到深層次的語言表示，包含了豐富的上下文信息和詞匯知識。在預訓練完成后，BERT 可以通過微調在各種NLP 任務上進行特定的訓練，如文本分類、命名實體識別、句子相似度等。

在文本訓練過程中，BERT 模型會根據對其投喂數據的類型以及預定義的類型標簽進行判斷，在微調過程中，BERT 模型通過結合預訓練的語言表示和特定任務的標簽信息進行學習，最后得到句子屬于每個類別的可能性，并且選擇可能性最高的類別。BERT預訓練模型文本分類過程見圖1。

2.2 基于BERT預訓練模型的煤礦事故打分

首先根據提前收集到的事故經過以及主要事故原因完整的400 份煤礦事故報告，按照6∶4 的比例劃分訓練集與預測集，最終得到240 份訓練集數據與160 份預測集數據，通過專家對訓練集中240 份數據事件經過以及事故原因進行分析，可以較為清晰地判斷出事故是由環境物體因素、施工操作人員因素和安全管理因素中哪一種因素主要導致的以及對安全事故可能性影響的取值。為了避免單人判斷的片面性，同時由3 名專家對煤礦事故報告進行分析，并討論得到最終結果。

在BERT 預訓練模型中，由于模型學習能力的局限性，只能分別對L1、L2、L3與事件發生的關聯性進行依次打分，通過將240份數據交給BERT模型學習，并經過16 次擬合運算得到單個L值的預測模型，隨后利用之前擬合運算得到的預測模型對預測集中160份數據的打分樣板進行再次打分，以對比AI 打分與人工打分的區別，具體BERT 預訓練模型打分流程及部分判別結果見圖2、表2。

在模型對數據完成擬合運算后，為了將訓練好的預測模型推廣到煤礦事故風險評估手冊以及對其他事故的打分中，需要對預測模型的預測準確度進行保證，在BERT預測模型對160份數據完成預測后，再讓3 位專家對160 份預測集中L值數據進行打分，通過對比預測模型的判別結果以及專家的打分結果，即可對預測模型的準確性進行判斷。

通過統計可以得到L1、L2、L3的打分數據。L1為環境物體因素對安全事故可能性影響的取值。專家打分時對160個事故共給出54個2分（環境及物體本身幾乎不可能獨立發生事故），31個4分（環境及物體本身發生事故的可能性很小，完全意外），32 個6 分（環境及物體本身可能發生事故，但不經常），43 個8 分（環境及物體本身發生事故的風險較高），0 個10 分（環境及物體本身發生事故的風險極高）。通過BERT 預測模型，結果為49 個2 分，34 個4 分，37 個6分，40個8分，0個10分。經對比不一樣的打分項，最終得到專家預測值與BERT 預測模型預測值重合度為95%，具有較高的準確率。

?

L2為施工操作人員因素對安全事故可能性影響的取值。專家打分時對160個事故共給出120個2分（安全意識牢固，能夠嚴格遵守操作流程），6 個4 分（安全意識良好，基本按照操作流程操作），24 個6 分（安全意識一般，偶爾違規操作），10個8分（安全意識較差，經常違規操作），0個10分（安全意識差，違規操作）。通過BERT 預測模型，結果為85 個2 分，4 個4分，47 個6 分，23 個8 分，0 個10 分。經對比不一樣的打分項，最終得到專家預測值與BERT 預測模型預測值重合度為85%。

L3為安全管理因素對安全事故可能性影響的取值。專家打分時對160 個事故共給出120 個2 分（制定了嚴格的管理制度，并且按照制度嚴格執行），6 個4 分（雖然制定了較為合理的管理制度與規定，但是執行與監督不到位），24個6分（雖然制定了合理的管理制度與規定，但是執行與監督存在漏洞），10個8分（制定了管理制度與規定，但是規定與制度的可操作性很差），0個10分（沒有制定相關管理制度或規定）。通過BERT 預測模型，結果為115 個2 分，6 個4 分，28個6 分，11 個8 分，0 個10 分。通過對比不一樣的打分項，最終得到專家預測值與BERT 預測模型預測值重合度為96.9%，具有較高的準確率。

綜上，3 項的綜合重合率為92.09%，具體對比結果見表3。

?

2.3 基于BERT預訓練模型的煤礦安全事故表評估

根據先前對BERT 預訓練模型的數據投喂，L1、L2、L3與240 個安全事件的對應預測模型已經得到。由于在安全生產中，在事故發生后對事故進行分析的作用有限，并不能很全面地起到事故預防的作用，在煤礦作業前，一般會通過班組長采用LEC 法煤礦安全作業打分表對作業場所、作業活動進行打分。因此，為了保證BERT 預測模型的應用價值，將其推廣到煤礦安全檢查分析表中很有必要。

為了驗證BERT 預訓練模型的預測模型是否可應用推廣到煤礦安全作業打分表中，此次的打分對象為某綜采作業面作業安全評估表，具有較強的通用性，打分任務則是對不同作業場所下、不同作業活動的潛在風險進行安全評估，以判斷相對應的潛在風險，以及不同因素對作業風險發生可能性的影響，進而對影響較大的影響因素進行重點監控。與前文的打分步驟類似，通過依次判斷環境物體因素、操作人員因素以及安全管理因素對安全風險發生產生的影響，對煤礦作業中的潛在風險進行評估。

為了判斷潛在風險整體發生的可能性，還需對L值的總值進行計算，最終才能得出優化L值的結果是否合理?；谙惹暗玫降腖1（環境物體因素）、L2（施工操作人員因素）、L3（安全管理因素）預測模型，對煤礦安全作業打分表中的潛在風險進行打分，隨后根據γ1=0.44、γ2=0.36、γ3=0.2 以及L值判別公式得到計算結果，見表4、表5。

根據評價結果可以看出，優化后的L值判別公式可以較為客觀地體現出潛在風險發生的可能性，且由于對L1、L2、L3進行評價后存在一個最大值，通過最大值也可以直觀反映出導致事故發生的主要影響因素，并且通過對主要因素進行額外關注，可以更好地避免事故的發生。

3 結 論

?

本文提出了一種基于人工智能深度學習模型的LEC 法L值優化思路，用于評估煤礦行業中的事故并進行風險預防，以提高煤礦行業事故評估的準確性和減少人工賦值的工作量。運用BERT 預訓練模型取代了人工賦值的試驗結果表明，該方法具有高準確性和可行性，在需要判斷的文本量較大且判斷者客觀性不足時，通過引入BERT 預訓練模型可以達到較好的判斷效果，該方法具有良好的預測效果和實際應用潛力。此外，新提出了L值評價優化公式，綜合考慮了環境物體因素、施工操作人員因素和安全管理因素對安全事故可能性的影響。通過對比結果，證實了該公式能夠更客觀地體現潛在風險發生的可能性，并能直觀反映出導致事故發生的主要影響因素，當需要考慮可能導致事故發生的主要因素并精細判斷時，該改良公式具有較高的可行性。