ПРОГНОЗИРОВАНИЕ КОЛИЧЕСТВА ТРАВМ СО СМЕРТЕЛЬНЫМ ИСХОДОМ В ПОДЗЕМНЫХ УГОЛЬНЫХ ШАХТАХ

Авторы: S. K. Oraee, A. Yazdani-Chamzini, M. H. Basiri

Перевод с англ.: Сапицкая Д.М.

Реферат.

Большинство управленческих решений на всех уровнях организации прямо или косвенно зависят от обстоятельств будущего. В связи с этим предсказание будущих событий в процессе принятия решений играет решающую роль , поэтому , прогнозирование очень важно для каждой организации и учреждения. Существует целый ряд методов для прогнозирования временных рядов. Эти методы делятся на: статистические, искусственный интеллект и аналитические методы. Самыми распространенными методами для прогнозирования временных рядов является ARIMA и методы с использованием искусственных нейронных сетей. В данной работе,гибридный метод сочетания ARIMA и искусственной нейронной сети будет использован для прогнозирования количества смертельных травм в США угольных шахтах. Это исследование показало, что результат , полученный после использования гибридной модели лучше, чем при использовании сплит-модели.

Ключевые слова: ARIMA , ИНС , смертельные травмы, американские подземные угольные шахты

Введение

Горнодобывающая промышленность является жизненно важным сектором экономики для многих стран, в том числе США, и включает в себя использование угля, металла и неметаллических минералов [1]. Горнодобывающая промышленностьв США является одной из крупнейших отраслей промышленности по весу и объему продукции и по количеству активных производств[2]. Горнодобывающая промышленность является одной из самых опасных отраслей вмире. Профессиональный риск при подземной добыче значительно выше, чем при открытых горных работах, так что подземная добыча угля представляет собой наиболее опасноепроизводство[3] . Поскольку обстановка в шахтах ухудшается отсутствием естественного света, свежего воздуха и открытого пространства, нежелательным присутствием высоких температур, влажности , пыли, дыма , шума и электрического напряжения [5] . Кроме того, неправильное управление может привести кнеконтролируемому увеличению затрат. Важность этой проблемы хорошо известна в большинстве стран и национальные оценки производственного травматизма и заболеваний заслуживают большого внимания из-за их больших затрат [4]. Несколько исследователей проанализировали травматизм и смертность в разные периоды времени.

Kecojevic и др. (2007) осуществили анализ происшествий со смертельным исходом при выполнении горных работ США , которые произошли во время период 1995-2005 [1]. Их исследование показало, что работники, имеющие менее 5 лет опыта работы в горнодобывающей промышленности, составили 44% от всех погибших в авариях, которые произошли в период 1995-2005 гг.

Каrrа (2005) разработали анализ травматизма и смертельных исходов в шахтах для операторов и работников подрядчика [2]. В этом исследовании уровень травматизма выражается в виде линейной функции семи переменных-индикаторов, представляющие подрядчика, не связанного с добычей угля ,оператора, чья работа связана с металлами , оператора, чья работа не связана с металлами, оператора, чья работа связана с камнем , оператора, чья работа связана с песком и гравием, подрядчик на угольном предприятии , и расположение места работы и непрерывной переменной RelYear , которая представляет относительные данные за год, начиная с 1983.

На основании этой модели выяснили, что среднегодовой показатель снизился на 1,69 %, и среднее значение травматизма при работе на поверхности на 52,53 % ниже, чем у аналогичных показателей для работы под землей.

Исследователи Bajpayee и др. (2004) изучали травмы, возникшие вследствие взрывных работ в шахтахс акцентом на безопасности доменной зоны [6], в этой статье рассматривается несколько конкретных примеров смертельных травм. Тематические исследования показывают, что причинные факторы для смертельных травм в первую очередь личные, связанные с работой и экологией.

Ciarapica&Giacchetta (2009) осуществляется классификация и прогнозирование риска возникновения производственной травмы с использованием программного обеспечения вычислительной техники [7]. Это исследование доказало, что классификация и модели прогнозирования с использованием программного обеспечения подходят для анализа производственного травматизма.

Waehrer и др. (2007) проанализировали стоимость производственного травматизма в строительстве шахт в США [8]. Они заявили, что средняя стоимость в случае травмы или травмы со смертельным исходом составила $ 27000 в строительстве шахт, что почти в два раза выше, чем в случае травмы на любом другом промышленном объекте, стоимость которого составляла $ 15000 в 2002 году.

Villanueva&Garcia(2010) изучали личные и профессиональные факторы, связанные с летальным исходом производственного травматизма [9]. Это исследование выявило обстоятельства производственного травматизма (механизмы, вредные вещества и части тела, подверженные травмам) и индивидуальные факторы, личные (в основном возраст) или профессиональные (необычная работа или рабочее место, час рабочей смены, временное трудоустройство, экономическая активность), связано с риском возникновения летального исхода вследствие производственной травмы.Для получения оценки риска смертельного исхода производственного травматизма были использованы логистические модели связанных между собой индивидуальных и производственных факторов.

Grayson и др. (2009) представили анализ рисков опытных образцов для подземных угольных шахт при пожарах и взрывах с использованием данных MSHA [10].

Paul (2009) применил модели логистической регрессии для прогнозирования травм при работе в подземных шахтах [11] .

Margolis(2010) анализировал на то, как возраст и опыт связаны с количеством дней больничного из-за производственных травм[12] . Результаты показали, что существует связь между возрастом и количеством больничных дней , а также существует связь между опытом и количеством дней реабилитации после травмы. Кроме того, данные показали повышенный риск травм с увеличением возраста .

В данной работе акцент делается на травматизме со смертельным исходом, чтобы оценить их динамику на протяжении многих лет и предсказать тенденцию будущих данных . По этой причине, мы использовали новую методологию прогнозирования временного ряда , основанную на гибридной модели. Сначала мы использовали метод ARIMA для оценки модели.

Затем была посчитана разность ARIMA . В конце концов, разности были введены для искусственной нейронной сети (ИНС ), так что нелинейная модельданных получена из ИНС. Для прогнозирования использовались данные , которые былиполучены из Управления по безопасности и здравоохранению США, отчеты о смертельных исходах травм в американских угольных шахтах .

МОДЕЛЬ АВТОРЕГРЕССИОННОГО ИНТЕГРИРОВАННОГО СКОЛЬЗЯЩЕГО СРЕДНЕГО (ARIMA)

ARIMA модель порядков p, d, и q-обозначается как ARIMA (р,d, q) - основывается на трех линейных параметрических компонентах: авторегрессии (AR), интеграции (I), и скользящей средней (МА) [13].

Где р указывает порядок процесса авторегрессии и приводят в качестве AR (р):

или с использованием знака суммы:

И, q указывает порядок скользящей средней обозначается как MA (Q):

может быть перезаписано как:

Важной особенностью такого ARIMA (0,0, Q) является то, что переменные et-1 в et-q являются незаметными, но должны оценить имеющиеся выборочные данные.

Интегрированные ряды ARMA (p, q) модель может быть применена только на стационарный временной ряд Y. Для того, чтобы избежать этой проблемы, и для того, чтобы привести ряд к стационарности, мы должны удалить тренд, с помощью взятия разностей:

Соответсвенно ARIMA(p, d, q) может быть записано как:

СБОР И АНАЛИЗ ДАННЫХ

В связи с высоким уровнем смертности в 1900-х годах на угольных шахтах, в 1910 было основано Горное бюро США. Оно было создано для проведения исследований и разработки технологий по обеспечению безопасности и гигиены, снижения рисков для шахтеров. С момента основания Бюро добилось значительного сокращения травм и количества смертельных исходов, а также улучшения в области здравоохранения [12].

Данные о травмах со смертельным исходом были получены Администрации шахтной техники безопасности и здоровья в виде базы данных с 1931 по 2008 год. Основываясь на полученных данных, можно сделать вывод о том, что ситуация со смертностью в шахтах резко ухудшилась за последние 30 лет, что графически изображено на рисунке:

В этом исследовании было использовано порграммное приложение EViews , с его помощью был определен коэффициент переменных. Сначала мы исследовали стационарный, с тем, что единичный корень метод был использован для получения стационарной модели. Результат вычислений показывает, что ряд нестационарный, так что мы берем разницу первого порядка. Тогда результаты были снова оценены этим методом и в результате оказалось, что ряд стал стационарным.

После этого и на основе частичной корреляции (PAC) и автокорреляции (АС), порядок авторегрессии и скользящего среднего рассчитывали - как AR (2) и МА (2) - что показано на рисунке:

Оценочная модель по ARIMA выглядит следующим образом:

Где D (со смертельным исходом) является разностью первого порядка. Рисунок 4 представляет коэффициент эффективности (R2), полученной ARIMA. Здесь коэффициент эффективности и СКО, равны 0,744 и 301,59 соответственно.

Рисунок 5 показаны кривая фактических данных, прогнозированные ARIMA и остаточная из ARIMA модели. Теперь, остаточная из ARIMA вводится в качестве входных данных для нейронной сети.

Последние исследования дают хорошие описания гибридного ARIMA-ИНС модели [22-24]. Для построения модели, сеть должна пройти обучение. Обучение минимизирует ошибку между выходом сети и целевой вывод, неоднократно изменяя значения ИНС. Веса соединения согласно заранее определенному алгоритму [17].

Здесь, тип выбранной сети – сеть обратного распространения, что показано на рисунке 6.

Мультилинейный персептрон, состоящий из (I) входного слоя с узлами представляющими входные переменные к проблеме, (II) выходной слой с узлами, представляющими зависимые переменные (т.е. то, что смоделированы) и (III) один или несколько скрытых слоев, содержащих узлы, которые помогают захватить нелинейность в данных [25].

Обучение было реализована с помощью функции trainglm в Matlab, Neural Network Toolbox, которая использует обратное распространение ошибки.

Алгоритм был реализован путем обновления значений весов и смещений в соответствии с градиентным спуском с импульсом. Результат показан рисунке 7.

Кроме того, функции, установленные для ИНС представлены на рисунке 8. Результаты показывают, что разработанная гибридная модель способна достаточно качественно оценить уровень смертности от производственных травм в шахтах США. Коэффициент полезного действия (как показано на рисунке 9) и СКО для полученной модели нейронной сети равны 0.948, 54.11 соответственно.

ЗАКЛЮЧЕНИЕ

Горнодобывающая промышленность является одной из самых опасных отраслей в мире, так что, имеет высокий уровень травматизма и смертности . Прогнозирование позволяет оценить возможный риск возникновения травм. Существуют различные методы для прогнозирования, например, методы искусственного интеллекта , статистические и иерархические методы. ARIMA и нейросетевые модели являются полезными инструментами для прогнозирования.

В этом исследовании, для прогнозирования использовались гибридная модель ARIMA и нейронной сети. Результат показал, что гибридная модель способна поднять коэффициент полезного действия (R2) и уменьшить СКО одновременно. В полученной модели R2 и СКО были равны 0,998 и 34,87 соответственно.