基于结构主题模型的民航管制不安全事件主题识别

为探究民航管制运行不安全事件的发生规律及特点,采用结构主题模型捕捉报告中的词汇共现及层次结构。考虑结构主题的语义连贯性以及排他性等指标,辨识管制运行事件的最优主题数目。选取事件严重度及发生时间等协变量,构建融合多变量的主题分析,挖掘不同类型事件的严重度差异性及在时间维度上的演化趋势。最后,基于航空安全自愿报告系统2018-2022年的4346起管制事件报告进行实证分析。研究结果表明:与管制运行有关的不安全事件可分为管制移交、恶劣天气、人为因素事件、夜航航班、场面滑行、起飞离场、部门协调、雷达间隔、设备故障、进近程序、陆空对话、复杂空域环境、飞行冲突、飞行高度、冲/偏出跑道及跑道侵入15类;飞行区滑行、进近程序、飞行冲突等事件更易产生严重事故;飞行高度有关的不安全事件呈逐年上升趋势。研究结果可为提升管制运行安全风险水平提供理论支持,并为管理人员针对性施策提供参考。

融合领域词典嵌入的航空不安全事件命名实体识别

针对航空不安全事件领域命名实体识别任务,以航空安全信息周报为数据源,分析并构建航空不安全事件命名实体识别数据集和领域词典。为解决传统命名实体识别模型对于捕获领域实体边界性能较差的问题,基于BERT(bidirectional encoder representations from transformers)预训练语言模型提出融合领域词典嵌入的领域语义信息增强的方法。在自建数据集上进行多次对比实验,结果表明:所提出的方法可以进一步提升实体边界的识别率,相较于传统的双向长短期记忆网络-条件随机场(bi-directional long short term memory-conditional random field,BiLSTM-CRF)命名实体识别模型,性能提升约5%。

基于文本分析的飞机牵引车作业不安全事件研究

为了研究飞机牵引车作业过程的安全性,文章对1989年至2023年间自愿报告系统(ASRS)中12537条涉及飞机牵引车作业不安全事件的叙述和简述部分进行了文本挖掘和文本分析,并结合SHELL模型识别了飞机牵引车作业关键要素,最后采用SHEL-Jaccard系数矩阵对关键要素之间的关系进行分析,提出飞机牵引车作业安全预防和控制措施。研究发现,飞机牵引车作业关键要素如下:以销、刹车、速度控制装置、连接装置、通讯设备为主的硬件要素;以牵引车检查单、机场地面引导线、机场管理为主的软件要素;以牵引车司机、引导、警戒和机组为主的主要人员和以能见度、地面状况、障碍物为主的环境要素。

航空公司本场训练不安全事件诱发原因及对策研究

本场训练是飞行员提高手动操纵飞机能力的重要手段,对飞行员技术提高意义重大。航空公司本场训练不安全事件相对高发,对中国民航飞行安全构成威胁。不安全事件的发生是由于训练机场飞得少、起落科目飞得少、教员教学经验少、机组相互了解少等原因引起。本场训练不安全事件高发需要从运行风险防控、规章制度落实、教员队伍建设、安全监管跟进四方面共同发力予以解决。

中国体外膜氧合患者院际转运不安全事件研究

目的 调查我国体外膜氧合(extracorporeal membrane oxygenation,ECMO)患者院际转运中不安全事件发生现状。方法 采用系统文献检索法,检索中国知网、万方医学网、中国生物医学文献数据库、PubMed、OVID、Web of Science等中英文数据库,检索内容为国内ECMO院际转运案例报道及临床研究,总结分析不安全事件发生情况。结果 检索获得现有相关国内ECMO院际转运研究70篇,转运892例ECMO患者,转运成功率99.89%,发生不安全事件172次,发生率19.28%,不安全事件主要与患者(88次)、设备(42次)和转运人员(25次)相关。结论 我国ECMO患者院际转运通过构建ECMO院际转运团队,优化转运流程,使用转运核查清单,普及ECMO相关知识,能够有效降低ECMO患者院际转运不安全事件发生率。

基于FTA-BN的云ERP不安全事件的人因失误分析

为明确云企业资源计划(ERP)不安全事件的人因失误因素,构建基于故障树分析-贝叶斯网络(FTA-BN)的人因失误分析模型,以避免单一方法的局限性。首先,对云ERP安全审计记录披露的不安全事件进行分类和追因分析,构建云ERP不安全事件故障树,并定量分析最小割集、结构重要度;然后,将故障树映射为BN结构,利用案例数据进行结构学习和参数学习得到最终的贝叶斯网络;最后,依托贝叶斯网络的敏感性分析辨识关键人因失误因素,凭借预测推理计算发生不安全事件的概率。研究结果表明:云ERP安全人因失误因素中工作不到位、培训不足、资源分配不足、管理流程存在问题、职责不清等因素在对应的事件域中应得到重点关注,以保障持续安全。

基于复杂网络的民航维修不安全事件风险因素分析

为进一步分析民航维修单位不安全事件风险因素,采用复杂网络方法,以我国国内某维修单位2012—2021年间共600件不安全事件为数据基础,构建包含75个节点349条边的有向加权网络,分析得到节点度值、介数值、聚类系数值;采用Random、ID、IB策略,通过移除效果得到主要风险因素。研究结果表明:构建的民航维修单位不安全事件有向加权网络的网络效率E net为0.068,连通性一般,说明不安全事件由多个诱因导致,发生的概率较高的(即度值较大的)不安全事件包括部件损伤、零部件松脱、错装、损伤漏检等;介数值从大到小排名前10的诱因节点(偏离工卡手册施工、未落实工作程序要求等)是重要风险因素,且上述因素多发生于维修实施阶段。研究结果将不安全事件发生的因果关系可视化呈现,可较为直观地识别各类风险因素,从而对分析和控制民航维修过程中不安全事件风险因素提供一定参考。

基于关联规则的民航不安全事件人因分析

基于同时暴露民航安全隐患的人因要素之间存在隐含关联规则的假设,针对民航不安全事件人因要素关联规则进行探究。采用Apriori关联分析和灰色关联分析的综合分析方法对不安全事件数据进行挖掘:通过Apriori关联分析方法,对人因要素数据进行集中频繁项集的挖掘,并提取相应的关联规则;通过灰色关联分析方法,衡量不同时间段各人因要素的关联程度,最终进行各人因要素对不安全事件的重要程度的排序。结果表明:12类人因要素中,困惑、分心以及情景感知问题联系最为紧密;情景感知问题对不安全事件的发生影响最大。

基于Java语言的A机场不安全事件分析系统构建研究

以实际发生在A机场的不安全事件为数据源,采用java语言开发的一款机场不安全事件分析系统,具备事件存储、事件查询、事件评估以及事件预警等功能,能够反映机场实时的运行安全状况,为机场管理人员提供决策依据,进而提升机场的安全运行水平。各机场也可以结合各自实际,借助该系统,对机场开展针对性的治理,提升机场安全性。

基于系统动力学的航空公司不安全事件致因复杂性研究

为研究航空公司不安全事件致因的动态反馈复杂性,运用系统动力学(SD)原理,利用Vensim软件建立航空公司不安全事件SD模型。以S航空公司为例,分析航空公司权衡安全和经济效益的过程,以及安全隐患在系统的作用下渐变成不安全事件的过程。研究结果表明,用SD模型能较好地模拟航空公司不安全事件在动态反馈复杂作用下的形成机理,通过机理分析,得到控制不安全事件发生的杠杆解,即加强对残留风险、安全投入、飞机维修维护水平的管理,进而防止不安全事件数的发生,使航空公司实现持续盈利。

基于SD的航空公司不安全事件处罚机制演化博弈研究

为科学地确定航空公司不安全事件的处罚机制,推动民航的国家安全监督,从航空公司与监管部门之间的博弈机理出发,构建了航空公司不安全事件处罚的演化博弈模型。采用系统动力学方法仿真分析模型的演化趋势。仿真结果显示,当采用静态的混合策略时,模型模拟的曲线不稳定呈现围绕中心振荡的波动性;采用与违规收益变动相适应的动态处罚策略可以有效抑制波动性,增加航空公司按章办事的概率;加大处罚力度可以有效地控制航空公司的违章概率,但处罚力度应适宜,防止监管部门过于信任高处罚力度的作用而放松监管;加大奖励额度,增加监管次数,可以明显地提高航空公司按章办事的比例。监管部门应建立与奖励相结合的问责制度,同时通过技术创新、加强内部运行控制等方法提高监管频率。

空管不安全事件危险等级的量化评估方法

空管不安全事件危险等级的量化评估方法参考已有的有关空管不安全事件的评估方法,结合我国有关民航法规,用层次分析法量化评估空管不安全事件的危险等级.空管不安全事件的主要影响因素有垂直间隔、水平间隔、飞行航迹、相对汇聚率和ATC/TCAS控制.根据专家评分确定了判断矩阵和各影响因素权重,并参考已有的方法确定了各因素的最大危险分值和其不同范围对应的分值.各因素的分值之和表示空管不安全事件危险等级的总分值,并分为高、中、低3个等级.用实例验证了本方法的可行性和合理性.

不安全事件通报系统:患者安全的保护阀

阐述了建立不安全事件通报系统的实践:正确分类和定义不安全事件;制定通报标准和流程;深入分析根本原因并建立数据库。系统的建立,提升了员工的主动通报意识,创造了分享经验和交流咨询的平台,营造了安全的就医环境,确保了患者安全。

民用机场不安全事件管理系统的分析和设计

根据《机场安全管理体系建设指南》关于机场管理机构应当建立健全安全信息管理制度的监管需求,分析了机场不安全事件管理系统的结构,提出了机场不安全事件管理系统的总体框架。系统采用B/S模式,分为机场员工、驻场单位、机场安全管理部门三级用户,包括事件信息管理、调查分析、风险管理、信息共享等功能模块。本系统实现了机场不安全事件的信息化管理。系统的应用将有效地改善机场安全管理的手段,大大提高安全管理的效率和水平。

基于GBO-Markov模型的空管不安全事件预测方法

空管不安全事件的分析和预测是空管安全管理研究的重要内容。结合灰色GM(1,1)模型和马尔科夫模型的优点,利用平均弱化缓冲算子对2004—2012年空管不安全事件的初始数据进行处理,并根据模型的残差分布情况进行状态分类,建立了空管不安全事件的灰色缓冲算子马尔科夫预测(GBO-Markov)模型。通过预测2013、2014年空管不安全事件数,对模型进行了交叉检验,灰色缓冲算子马尔科夫预测(GBO-Markov)模型的平均相对误差从57.31%(传统GM(1,1)模型)降低到15.77%,该模型可用于民航空管的不安全事件预测。

多层次模糊评估法在民航不安全事件风险评估中的应用

通过对民航企业安全系统特点的分析,从导致不安全事件发生的人-机-环境-管理4个子系统中的不安全因素出发,采用层次分析、模糊评判和加权平均相结合的方法,分别计算了不安全事件发生的可能性和后果严重程度的指标,在该基础上得到了不安全事件发生的综合风险度,建立了民航企业不安全事件风险评估指标体系和评估方法。根据风险度评价矩阵和标准,企业可采取相应的风险控制措施,对不安全事件进行全面的管理,避免发生危险。

基于改进的HFACS机坪保障车辆不安全事件的灰色关联分析

为了减少机坪保障车辆的不安全事件,本文在分析某机场近7年机坪保障车辆的不安全事件的基础上,对影响保障车辆不安全事件的人为因素进行了系统研究,并运用HFACS理论,构建了一种改进的适合分析机坪保障车辆不安全事件的HFACS差错模型成因分类框架;同时,鉴于保障车辆不安全事件统计数据较少、原因划分模糊等特点,选择灰色关联分析法,以驾驶差错为例,对驾驶差错与差错成因之间的关系进行了分析,计算了机坪保障车辆不安全事件成因的关联度,确定了机坪保障车辆事故各成因的重要程度,并得出影响驾驶差错的主要成因排序为:问题未纠正彻底、监督违规、培训不足、排班不合理、机坪噪音大、车辆服务的顺序发生变化等;最后提出了有针对性的控制措施,对加强机场的安全管理工作具有重要的意义。

民航不安全事件报告危险源识别模型

为了识别民航不安全事件的发生原因,从民航不安全事件报告出发,提出了一种基于LDA主题模型和Word2Vec模型的民航不安全事件报告危险源识别模型。首先,构建危险源标签分类表,选取民航不安全事件报告与Wiki中文数据库作为数据源,然后利用LDA主题模型得出民航不安全事件报告的主题概率分布与词概率分布,最后利用Wiki中文数据库训练Word2Vec模型得到词向量,进而计算文档主题与不同危险源标签之间的相似度,得出民航不安全事件报告的危险源分类。结果表明,该模型的精准率为77.7%、召回率为86.8%、F为82.0%,能够有效识别各民航不安全事件报告的危险源。

航空公司不安全事件发生率的贴近度研究

运用模糊数学中的Euclid贴近度方法,分析了中国民航2005—2009年各航空公司在各季度的亿吨公里不安全事件发生率数据,确定出航空公司各季度发生不安全事件的贴近关系为相邻季度的不安全事件发生率贴近度最大,且有第四季度不安全事件发生率与第三季度最贴近,第一季度与上一年第四季度不安全事件发生率的贴近度次之,之后依次是第二季度与第一季度、第三季度与第二季度。随着贴近度的变小,各季度与相邻前一季度不安全事件发生率的可比性变差。

弱化缓冲算子修正的民航不安全事件离散灰色预测

为了掌握民航不安全事件的发展状况,并据此制定民航企事业单位的安全绩效考核指标,在民航不安全事件灰色预测的基础上引入离散灰色预测和弱化缓冲算子理论,基于中国民航2004—2013年不安全事件数据建立了弱化缓冲算子修正的离散灰色预测(DGM(1,1))模型。通过中国民航2014—2015年不安全事件数据对模型进行检验,结果表明,弱化缓冲算子修正的离散灰色预测(DGM(1,1))模型的预测精度明显高于灰色预测(GM(1,1))模型和离散灰色预测(DGM(1,1))模型,其中2阶平均弱化缓冲算子修正的离散灰色预测(DGM(1,1))模型预测精度最高,采用该模型对2016—2020年我国民航不安全事件数进行了预测,预测结果为14 095、14 910、15 773、16 685、17 650。