王玉贺
（吉林铁道职业技术学院，吉林省 吉林市 132100）
我国高速铁路建设的快速发展以及新铁路法规的逐渐完善，使得我国铁路运输得到了更快速的发展。随着铁路运输速度逐渐提升，高铁安全风险将更加凸显，安全风险识别是铁路运输安全管理的重点和难点。如何有效识别出高铁中存在的安全隐患，为铁路运输系统的运行安全提供科学决策依据是当前研究的重要课题。在铁路运输过程中，发生颠覆、碰撞、爆炸、火灾等重大事故，对人类的生命财产都会造成极大的损害。当前，铁道部高度重视安全生产，重点关注设备的更新和安全管理，把铁路安全工作推向了一个新的高度[1]。尽管当前针对铁路运输安全提出了许多新的规程和规章制度，但由于对这些制度的不熟悉以及实际操作水平较低等因素的存在，对于铁路运输的安全会造成十分不利的影响[2]。同时，若当前仍然采用现有的安全管理模式及方法，会造成无法与新发展形势相契合的问题，基于此，为提高铁路运输安全管理水平，引入灰色预测，开展对铁路运输安全风险识别方法的设计研究。
结合当前铁路运输的作业流程，对可能存在安全风险问题的节点进行划分，利用HAZOP 分析方法，找出可能存在风险问题的所有关键点。在此基础上，再选择一个铁路运输作业流程的关键点，对其中可能存在风险的关键参数进行分析。再根据“引导词+参数=偏差”的表示方式，确定偏差，此时得到的偏差即为后续风险识别所需的安全风险因子[3]。全面、系统地找出铁路危险品运输的安全风险因素，必须对分析节点进行细致、准确地提取。铁路危险品的运输是一个连续的、复杂的、变化的过程，在此基础上对其进行节点的划分要有一定的基础[4]。而分析节点则是铁路运输过程中的关键环节，这些关键环节都有可能存在安全风险问题，因此通过构建安全链模型来对其进行分析，图1 为铁路运输完整安全链模型示意图。
以图1 安全链模型，其中任何一个关键点出现问题都会造成安全风险问题的发展，因此可以此为依据，确定铁路运输中存在的安全风险因素，并以此构建铁路运输核心安全风险因子指标体系。铁路运输安全风险因子指标体系中共包含一级指标1 个、二级指标6个以及多个三级指标。
图1 铁路运输完整安全链模型示意图
一级指标为：铁路运输核心安全风险因子。
二级指标（三级指标）：业务办理（货、单不匹配；
运单错误；
漏检等）、货物包装（未气/液密处理；
包装过量等）、仓储管理（未隔热隔火；
仓库温度过高；
货物放置不稳等）、装卸（消防设施不足；
无固定装卸场所；
未设置安装设施等）、交接（未检查；
未核对等）、障碍物处理（地点错误；
处理方式错误等）。
在获取到影响铁路运输安全的各个风险因子，并完成对指标体系的构建后，引入灰色预测，建立安全风险识别模型。灰色预测是指根据实际数据，预测未来某一时刻的趋势，进而获得预测结果的一种预测方法。在预测的过程中考虑了大量潜在的预测变量，同时也能对预测结果进行精确、定量处理得到准确数据[5]。因此可以有效地应用于铁路运输安全风险分析与预测之中。假设铁路运输每年发生安全事故的总次数为X，则根据总次数确定每年铁路运输发生安全风险事故的原始数据时间序列X（0）为：
在建立安全风险识别模型时，为使所得到的数据序列具有一定的规律性，必须对这些原始数据的时间序列进行生成。对上述原始数据时间序列X（0）进行一次累加生成，得到公式（2）：
由于每年铁路运输发生安全风险事故发生次数不可能为负数，因此对于非负数时间序列而言，其累积产生的次数愈多，数列的随机程度愈低[6]。在累积产生的次数达到一定程度后，可以将以上的序列转化为非随机序列。经过多次累加后，针对具有较强分布规律的数列，对其进行灰色预测识别模型的微分形式建立：
公式中，u表示参数；
a表示待识别参数。对上述待识别参数a进行求解，采用最小二乘法求解，其公式为：
利用已有的安全风险识别模型，对铁路运输安全的风险进行识别与相关环节排查。通过日常实时监测、测量得到的故障特征值，将其输入上述的安全风险识别灰色预测模型中，用于识别、排查和诊断。通过模型输出的结果来判定目前铁路运输状况及应采取的对策。为了保证识别和排查的精确性，选择关键子环节作为故障模式，在进行风险识别时，所获得的结果就是每个关键子环节的故障模式[7]。若输出为“正常状态”，说明目前的铁路运输状况良好，无危险或潜在危险；
如果输出的是“故障状态”，则意味着在铁路运输的时候，有一个重要的环节出现了问题，存在着安全隐患，必须立即进行检查，以消除隐患。在确定风险发生的关键子环节，由有关部门要对风险进行分析、检测，以找出风险、及时采取措施以排除险情[8]。为向运输相关环节风险进行更准确的排查，对模型输出结果的风险危机程度进行量化，并针对危机程度最严重的问题进行相关环节排查。在这一过程中风险危机程度的量化数值可通过下述公式计算得出：
<1)，且各件产品是否为不合格品相互独立．
公式中，P表示风险危机程度量化结果；
Sn表示某一关键子环节的识别模型输出结果；
En表示另一个与Sn比较的关键子环节识别模型输出结果；
i表示对应安全法风险因素存在会造成的直接或间接损失量化结果。根据上述论述，得出所有识别模型输出结果的风险危机程度量化取值，按照取值从大到小的顺序确定各个模型输出结果的排查优先级，在排查后根据排查结果确定安全风险因子，并对相应环节加以处置。
结合本文上述论述，为实现对基于灰色预测的风险识别方法应用可行性的检验，并进一步得出该方法与其他现有识别方法相比具备的优势，开展下述对比实验研究。实验过程中，选择将本文基于灰色预测的识别方法作为实验组，将基于神经网络的识别方法作为对照I 组，将基于随机森林的识别方法作为对照II 组。以某铁路运输企业为依托，获取该企业某一铁路运输线路上某一时间段内的运输数据，并将其作为实验数据。将所有实验数据集成为一个数据集，其中包含了运输起始时间、运输结束时间、运输货物量以及对运输安全可能造成影响的多种因素相关数据。分别利用三种识别方法对数据集中包含了5 组运输路径上可能会发生的安全风险进行识别，并将识别结果与实际情况进行对比。从获取到的相关资料中得出，提取到的5组运输路径中，包含路径1、路径2、路径3、路径4、和路径5，其中路径1、路径2 和路径4 都出现了安全风险事故问题，具体出现的环节分别为仓储保管环节、装卸环节以及途中交接环节。表1 为铁路运输中可能出现安全风险事故的环节与对应编号。
表1 铁路运输出现安全风险事故的环节与对应编号
在此基础上，完成三种识别方法的安全风险识别。表2 中记录了三种识别方法的识别结果，其中包含是否识别出安全风险，以及若存在安全风险，安全风险出现的具体环节。
表2 三种识别方法识别结果记录表
结合上述三种识别方法得出的识别结果可以看出，对照I 组识别方法对路径3～路径5 的是否存在安全风险给出了正确的识别结果，但识别出的具体环节不正确。对照II 组识别方法对路径1、路径2 和路径4、路径5 的是否存在安全风险给出了正确的识别结果，且路径1 和路径2 正确识别出了安全风险存在的具体环节，但其他路径识别不正确。只有实验组识别方法得出的识别结果与上述获取到的该铁路运输企业资料中所示信息一致，实现了对5 条运输路径安全风险的准确识别。因此，通过上述对比实验得出的结果能够证明，将本文提出的基于灰色预测的识别方法应用到实际铁路运输安全风险识别当中，与其他现有识别方法相比，具备更高的识别准确性和识别精度，值得广泛推广和使用。
通过本文论述，在引入灰色预测的基础上，提出了一种新的风险识别方法，并结合实验的形式实现了对这一方法的应用可行性验证。然而由于铁路运输的复杂性和关联性，在确定安全风险因子的存在后，必须考虑到危险源的存在，明确危险源对各个环节的影响，从而对铁路运输的安全、顺利进行产生的不利影响进行具体分析。安全风险因子与安全隐患就是从这种联系和影响之中产生的。因此，在接下来的研究工作中还将进一步寻找关键子环节与各个危险源之间的关联性，并在进行风险识别的基础上对关联最大的危险源进行排查，消除隐患，以此充分发挥风险识别方法的应用作用，更好地保障安全风险识别的全面性和准确性，实现对事故的预判、预防和交通安全的保障。
猜你喜欢 灰色排查运输 高层建筑消防安全排查情况及处理对策建材发展导向(2021年18期)2021-11-05浅灰色的小猪小学生学习指导(低年级)(2020年3期)2020-06-02配网二次回路故障的排查分析电子制作(2019年20期)2019-12-04如何排查并改错高中生·天天向上(2018年2期)2018-04-14TD-LTE网络F频段干扰排查的研究消费导刊(2017年24期)2018-01-31灰色时代Coco薇(2017年2期)2017-04-25她、它的灰色时髦观Coco薇(2017年2期)2017-04-25感觉为了孩子（3～7岁）(2016年8期)2016-05-14受阻——快递运输“快”不起来专用汽车(2016年4期)2016-03-01比甩挂更高效,交换箱渐成运输“新宠”专用汽车(2016年1期)2016-03-01