<rp id="9si64"><object id="9si64"></object></rp>
  • <button id="9si64"></button>
    <button id="9si64"><object id="9si64"></object></button>
    <th id="9si64"><track id="9si64"><rt id="9si64"></rt></track></th>

        1. 行业观点 / Solution Information

          航空公司安全分析常用数据挖掘算法

          2020-04-22

          运行和保障单位在SMS系统中通过设计合理的TEM进行不安全事件的分析的同时,在安全数据库中就会形成海量安全信息及TEM分析数。其中核心的数据包括事件获取数据、TEM分析数据和行动项数据,具体信息项通常如下所示:


          图表 1 相关信息获取数据


          图表 2 相关TEM分析数据


          图表 3 相关行动项数据

          TEM分析数据中包含了已经发生的不安全事件诱因分析结果,可以通过数据挖掘算法得到以下两项安全管理部门非常关注的信息。

          第一项:核心诱因,即诱因对事件的贡献度

          根据TEM管理框架进行不安全事件分析,已经识别出不同系统运行人员事发时面临的威胁和差错,通过周期内不安全事件数量的统计分析,可以得出以下数据(示例):


          图表 4 威胁与不安全事件月度数量统计

          采用多元线性回归算法,可以计算出具体威胁分类与不安全事件的关联,借助EXCEL提供的多元线性回归数据分析模型,可得到人、设备、环境、软件、组织对不安全事件的贡献度。

        2. 不安全事件 = -0.57人 + -0.42设备 + 0.47环境 + 0.18软件 + 0.21组织


          图表 5 EXCEL回归数据分析


          图表 6 回归结果

          第二项:风险预测,即诱因导致事件发生的概率

          通过周期内不安全事件数量的统计分析,可以得出以下数据(示例):


          图表 7 基于TEM数据统计的风险数据

          通过贝叶斯算法可以得出飞错高度的预测风险,辅助提供安全管理决策。贝叶斯公式相当简洁,公式中有几个关键概念:


        3. P(A)为先验概率,即在观察事件B之前得到的事件A的假设概率
        4. P(A|B)为后验概率,即在观察事件B后得到新数据后计算该假设A的概率
        5. P(B|A)为似然度,即在该假设A下得到这一观察数据 B 的概率
        6. P(B)为标准化常量,即在任何假设下得到这一观察数据 B 的概率

          根据贝叶斯公式,对以上统计数据进行计算,可以得出飞错高度的预测风险为3.29 。


          图表 8 贝叶斯风险预测计算过程


          图表 9 贝叶斯风险预测计算结果

          综上,数学模型是安全风险状态监控的核心组成部分,通过多元线性回归和贝叶斯算法,可以充分对安全信息进行挖掘分析,辅助安全工作重点的决策。

          <全文完>

        7. 返 回
          亚洲中文字幕一区精品自拍_欧美v日韩v亚洲v最新在线观看_日产日韩亚洲欧美综合在线_精品国产自在在线午夜精品