基于關(guān)聯(lián)規(guī)則算法的鋼鐵企業(yè)隱患管理重點研究

劉雙躍，夏 川（北京科技大學(xué)土木與環(huán)境工程學(xué)院，北京100083）

基于關(guān)聯(lián)規(guī)則算法的鋼鐵企業(yè)隱患管理重點研究

劉雙躍，夏 川
（北京科技大學(xué)土木與環(huán)境工程學(xué)院，北京100083）

在鋼鐵企業(yè)隱患排查信息系統(tǒng)得到廣泛應(yīng)用的同時，產(chǎn)生了海量的隱患排查治理的數(shù)據(jù)，而企業(yè)如何利用這些數(shù)據(jù)來指導(dǎo)隱患管理的研究和應(yīng)用卻缺乏針對性和可操作性。將鋼鐵企業(yè)存在的隱患進行規(guī)范化的描述，對規(guī)范化后積累的隱患臺賬進行分析；使用SAS軟件，設(shè)計了數(shù)據(jù)預(yù)處理的流程，并以鍛造廠車間隱患臺賬為例，應(yīng)用關(guān)聯(lián)規(guī)則算法，得到了優(yōu)先需要關(guān)注的規(guī)則及其支持度、置信度和提升度三個指標(biāo)；從作業(yè)區(qū)班組及其進行的作業(yè)活動兩個層面出發(fā)，生成相應(yīng)的圖形，直觀地幫助鋼鐵企業(yè)找到優(yōu)先需要改善的規(guī)則，以及優(yōu)先需要關(guān)注的作業(yè)區(qū)班組、作業(yè)活動以及隱患類型，并通過橫向和縱向的分析比較，發(fā)現(xiàn)不同規(guī)則的相對重要程度，以為企業(yè)快速提高隱患管理能力提供重點和方向。

鋼鐵企業(yè)；隱患；關(guān)聯(lián)規(guī)則算法；管理重點

鋼鐵在基礎(chǔ)建設(shè)中發(fā)揮著不可替代的作用，但是由于其生產(chǎn)中常涉及高溫高壓反應(yīng)、有毒有害物質(zhì)和易燃易爆的氣體液體，而且作業(yè)現(xiàn)場存在連續(xù)化高強度的作業(yè)，各類事故時常發(fā)生，特別是違反操作規(guī)程或勞動紀(jì)律原因而產(chǎn)生的事故［1-2］。要減少事故的發(fā)生，必須減少事故的基本組合因子隱患，隱患是事故發(fā)生量變的積累，事故是隱患質(zhì)變導(dǎo)致的結(jié)果［3］。為了使隱患排查更加科學(xué)高效，各地都啟動了隱患排查治理“兩化”體系（標(biāo)準(zhǔn)化、信息化）建設(shè)，特別是云計算的引入，更是提高了實時處理大量隱患數(shù)據(jù)的能力［4］。但是部分企業(yè)隱患錄入依靠個人的描述，造成不同人對同一隱患描述不同，這樣既難以準(zhǔn)確簡潔描述隱患，也不利于對隱患信息后續(xù)的分析。另外，很多企業(yè)處理大量隱患數(shù)據(jù)還停留在對隱患信息中出現(xiàn)的頻數(shù)做統(tǒng)計。目前一些學(xué)者開始將數(shù)據(jù)挖掘方法引入到安全生產(chǎn)之中，并取得了一定的成果。如Kniesner等［5］使用非均衡面板數(shù)據(jù)模型評價煤礦安全季度檢查和安全狀況之間的關(guān)系，得到煤礦安全檢查實施中最有效的方式；Spurgin等［6］通過對影響核電站操作人員在安全方面表現(xiàn)因素進行模擬分析，得到著力于改善關(guān)鍵因素要比盲目地培訓(xùn)更有效的結(jié)論；陳帆等［7］結(jié)合粗糙集理論和RBE神經(jīng)網(wǎng)絡(luò)模型評價地鐵施工的安全風(fēng)險，提高了評價的精度；吳昊等［8］通過多維數(shù)據(jù)的Apriori算法，得到了各種因素對于道路交通事故影響的特點；汪瑩等［9］構(gòu)建了煤炭企業(yè)班組安全管理7大功能體系，通過數(shù)據(jù)挖掘得到了不同安全監(jiān)測點危險級別。但是對于企業(yè)管理人員應(yīng)當(dāng)重點關(guān)注哪些方面來加強隱患管理，往往結(jié)論的針對性和可操作性較低。本文對隱患進行規(guī)范化的描述，對積累的隱患臺賬進行數(shù)據(jù)預(yù)處理，并應(yīng)用關(guān)聯(lián)規(guī)則算法，通過生成兩種特定形式的規(guī)則，得到優(yōu)先需要關(guān)注的規(guī)則，具體到特定的作業(yè)區(qū)班組、作業(yè)活動和隱患類型，同時通過橫向比較同一班組所造成的多個隱患，縱向比較造成同一隱患類型所涉及的作業(yè)區(qū)班組，找到隱患管理的重中之重，從而對企業(yè)隱患管理的指導(dǎo)更加清晰和明確。

1　隱患數(shù)據(jù)采集及關(guān)聯(lián)規(guī)則算法

1.1隱患數(shù)據(jù)的采集

高效的隱患數(shù)據(jù)采集離不開計算機系統(tǒng)軟件技術(shù)，本文融合安全隱患分級閉合管理的思想［10］，開發(fā)多角色協(xié)同軟件，以保證隱患數(shù)據(jù)實時高效地采集［11］。隱患描述的規(guī)范化可以參照《安全生產(chǎn)事故隱患排查治理體系建設(shè)實施指南》，將隱患分為基礎(chǔ)管理和現(xiàn)場管理，又細(xì)分為24小類，再結(jié)合企業(yè)已有的隱患描述和實際情況，隱患錄入人員就可以通過選擇多層次的下拉列表框完成隱患的描述，這樣既可以達到隱患描述精準(zhǔn)、簡練，又利于使用算法進行分析［12］。通過電腦端或移動終端，用戶采集到的隱患數(shù)據(jù)都可進入到服務(wù)器的數(shù)據(jù)庫之中，為知識發(fā)現(xiàn)做好原始數(shù)據(jù)的準(zhǔn)備［13］。

1.2關(guān)聯(lián)規(guī)則算法

隱患數(shù)據(jù)中部位、類型、責(zé)任班組等信息都是名義數(shù)據(jù)，即只用來區(qū)分個體在屬性上的特征或類別上的不同，不表示大小、先后、優(yōu)劣之分。要找出它們多種組合情況聯(lián)系的大小，關(guān)聯(lián)規(guī)則算法作為十大經(jīng)典數(shù)據(jù)挖掘算法是理想的方法之一［14］，其在繁雜的大型數(shù)據(jù)庫中，可以方便地找出各屬性關(guān)聯(lián)性的強弱，從而挖掘出有助于提高隱患管理的信息［15］。關(guān)聯(lián)規(guī)劃算法的基礎(chǔ)表需要用二元形式來表示（0和1），對于非二元屬性可以轉(zhuǎn)化為二元屬性，如隱患級別這個屬性包括四級，即隱患級別=一級、隱患級別=二級、隱患級別=三級、隱患級別=四級，劃分成四個二元屬性。該算法基礎(chǔ)表中的每一行（t1～tp）表示一個事務(wù)，每一列（i1～iq）表示一個項，事務(wù)出現(xiàn)則值為1，不出現(xiàn)則值為0，如表1所示。

表1　關(guān)聯(lián)規(guī)則算法的基礎(chǔ)表Table 1 Underlying table of association rules algorithm

I=｛i1，i2，i3，…，iq｝是所有項的集合，T= ｛t1，t2，t3，…，tp｝是所有事務(wù)的集合，若項集X是T中一個事務(wù)tj的子集，則這個候選項集X的支持度計數(shù)可以定義為

σ（X）=count｛t|X?t，t∈T｝

關(guān)聯(lián)規(guī)則是形如候選項集X→候選項集Y的表達式，其中X∩Y=?，關(guān)聯(lián)規(guī)則的強度可以用支持度（Support）、置信度（Confidence）和提升度（Lift）三個指標(biāo)來衡量。

支持度（Support）（X→Y）表示候選項集X和Y同時出現(xiàn)的支持度計數(shù)占總事務(wù)頻數(shù)的比率，定義如下:

支持度是衡量該規(guī)則出現(xiàn)頻繁程度的指標(biāo)，支持度小則說明該規(guī)則很少出現(xiàn)，不重要；支持度大則說明該規(guī)則出現(xiàn)頻繁，相對重要。頻繁項集產(chǎn)生需要搜索的是指數(shù)規(guī)模的，為了刪除不重要的規(guī)則，需要引入最小支持度（minsup），保留支持度大于或等于最小支持度的規(guī)則，刪除支持度小于最小支持度的規(guī)則。

置信度（Confidence）（X→Y）表示候選項集X和Y同時出現(xiàn)的支持度計數(shù)占候選項集X支持度計數(shù)的比率，定義如下:

置信度是衡量通過規(guī)則進行推理可靠性大小的指標(biāo)，置信度越低表示候選項集Y包含在候選項集X的事務(wù)出現(xiàn)的概率越??；反之概率越大。相似地，引入最小置信度（minconf），保留置信度大于或等于最小置信度的規(guī)則，刪除置信度小于最小置信度的規(guī)則。

提升度（Lift）（X→Y）表示置信度（Confidence）（X→Y）和支持度（Support）（Y）之比，定義如下:

提升度可衡量X和Y的關(guān)聯(lián)程度的強弱，提升度大于1，表示候選項集X的提高會使候選項集Y提高；提升度小于1，表示候選項集X的提高會使候選項集Y降低［16］。

2　關(guān)聯(lián)規(guī)則算法在鋼鐵企業(yè)隱患數(shù)據(jù)分析中的應(yīng)用

2.1隱患描述的規(guī)范化

由于鋼鐵企業(yè)涉及的作業(yè)存在連續(xù)性和交叉性，相同作業(yè)活動的隱患較為相似，因此隱患的規(guī)范化描述應(yīng)以各作業(yè)區(qū)的多種作業(yè)活動展開。本文以鍛造廠為例，對涉及鍛造廠車間現(xiàn)場管理中從業(yè)人員違規(guī)作業(yè)存在的隱患進行了規(guī)范化描述。

將鍛造廠車間分為:壓機作業(yè)區(qū)、錘部作業(yè)區(qū)、天車作業(yè)區(qū)、退火作業(yè)區(qū)和精整作業(yè)區(qū)，每個作業(yè)區(qū)都有若干個班組和作業(yè)活動，每種作業(yè)活動又包含許多對應(yīng)的隱患類型，因此以作業(yè)區(qū)班組、作業(yè)活動和隱患類型三個屬性進行分析。若要考慮到各隱患本身重要的級別可能不一樣，可以分別對同一級別的隱患進行分析。如以鍛造廠車間中的錘部作業(yè)區(qū)為例，隱患描述規(guī)范化后積累的隱患臺賬見表2。

表2　錘部作業(yè)區(qū)隱患臺賬Table 2 Ministry of hammer's hazard management standing books

2.2數(shù)據(jù)預(yù)處理的流程

原始數(shù)據(jù)存在許多問題，比如數(shù)據(jù)內(nèi)涵不一致，同一數(shù)據(jù)重復(fù)出現(xiàn)，需要用到的數(shù)據(jù)為空值，數(shù)據(jù)中存在錯誤，數(shù)據(jù)結(jié)構(gòu)與所選的數(shù)據(jù)挖掘模型不匹配等等，這就需要在數(shù)據(jù)挖掘之前對原始數(shù)據(jù)進行預(yù)處理［17］，滿足數(shù)據(jù)挖掘的要求。本文采用在數(shù)據(jù)挖掘領(lǐng)域應(yīng)用最為廣泛的SAS（Statistics Analysis System）作為實現(xiàn)數(shù)據(jù)挖掘的工具。SAS可以實現(xiàn)和外部數(shù)據(jù)庫的直接訪問，導(dǎo)入到SAS中的數(shù)據(jù)就可以進行數(shù)據(jù)的預(yù)處理。隱患數(shù)據(jù)預(yù)處理流程如圖1所示。

圖1　隱患數(shù)據(jù)預(yù)處理流程Eig.1 Hazard data preparation process

WORK.ASSOCIATION數(shù)據(jù)集節(jié)點可用于導(dǎo)入鍛造廠車間的隱患臺賬，Insight探索節(jié)點可以實現(xiàn)交互式探索和分析，查看作業(yè)區(qū)班組、作業(yè)活動和隱患類型三個屬性的分布情況。Data Set Attributes數(shù)據(jù)集屬性節(jié)點可用于修改數(shù)據(jù)集的名稱（Name）、角色（Model Role）和度量方式（Measurement），序號屬性用來標(biāo)識各條記錄，角色設(shè)置為標(biāo)識變量（ID），度量方式設(shè)置為連續(xù)變量（Interval）；作業(yè)區(qū)班組、作業(yè)活動和隱患類型三個屬性是最終要形成關(guān)聯(lián)結(jié)果的屬性，角色均設(shè)置為目標(biāo)變量（target），度量方式設(shè)置為名義變量（Nominal）；其他沒有用到的屬性廢棄，角色設(shè)置為舍棄不用（rejected）。Rep Lacement替換節(jié)點可用于替換數(shù)據(jù)集中的缺失值和某些非缺失值的替換方法，對于作業(yè)區(qū)班組、作業(yè)活動和隱患類型這些非連續(xù)數(shù)值變量，出現(xiàn)缺失值或者不屬于隱患規(guī)范化描述之內(nèi)的值，均用樣本高頻值的方法替換［18］。

2.3關(guān)聯(lián)規(guī)則算法的結(jié)果

數(shù)據(jù)預(yù)處理完成時，利用Association節(jié)點對預(yù)處理過的數(shù)據(jù)進行Apriori算法的運算，設(shè)置好最小支持度和最小關(guān)聯(lián)度，只有滿足條件的規(guī)則才會被顯示出來，這些規(guī)則代表了需要重點關(guān)注的隱患。每條滿足條件的規(guī)則都包含關(guān)聯(lián)集合的項目數(shù)（Relations）、提升度（Lift）、支持度（Support）、置信度（Confidence）四個指標(biāo)（見表3），利用這些指標(biāo)可對不同規(guī)則的相對重要程度進行后續(xù)區(qū)分。

表3　關(guān)聯(lián)規(guī)則算法生成的結(jié)果Table 3 Result of association rules algorithm

2.4隱患管理重點的分析

并不是所有生成的規(guī)則都能用來指導(dǎo)隱患管理，比如表3中第2條規(guī)則:停爐時管線不吹刷，爐內(nèi)殘留煤氣→精鍛停爐操作，而停爐時管線不吹刷，爐內(nèi)殘留煤氣隱患類型，本身就包含于精鍛停爐操作的，所以分析該規(guī)則沒有意義。本文利用SAS篩選出特定形式的規(guī)則，再將這些規(guī)則生成圖形，每種顏色代表一個支持度區(qū)間，每種形狀代表一個置信度區(qū)間，圖形的相對大小代表提升度的大小，這樣就可以直觀地反映出有用的結(jié)果。

2.4.1作業(yè)區(qū)班組層面的分析

如果要在某個作業(yè)區(qū)班組中，找出其進行作業(yè)活動中產(chǎn)生隱患較為頻繁的規(guī)則，這就需要針對作業(yè)區(qū)班組層面進行分析，生成作業(yè)區(qū)班組→作業(yè)活動+隱患類型形式的規(guī)則，如圖2所示。

圖2　作業(yè)區(qū)班組→作業(yè)活動+隱患類型形式的規(guī)則Eig.2 Rules in operational team→（job activity+hazard type）form

某作業(yè)區(qū)班組進行特定作業(yè)活動產(chǎn)生特定的隱患越頻繁，說明本條規(guī)則的支持度越大。如圖2中綠色圖形的支持度最大，也就是壓機作業(yè)區(qū)2班進行精鍛加熱爐給火作業(yè)時，生成點爐時沒打開煙道閘板隱患類型最頻繁，因此提高壓機作業(yè)區(qū)2班在進行精鍛加熱爐給火作業(yè)中點爐時沒打開煙道閘板隱患類型的意識和技能，是隱患治理的重點。每個作業(yè)區(qū)班組易產(chǎn)生的隱患可能有多個，但是多個隱患之間的重要程度也有差別。如圖2中壓機作業(yè)區(qū)2班所在行有兩個圖形，綠色“×”字形和黃色圓柱體，兩者進行橫向比較，前者比后者的支持度和置信度都要高，說明就提高壓機作業(yè)區(qū)2班的隱患管理而言，提高精鍛加熱爐給火作業(yè)時點爐時沒打開煙道閘板隱患類型的管理要比提高先給煤氣、后點火隱患類型更重要。

某作業(yè)區(qū)班組在進行各類作業(yè)活動產(chǎn)生隱患時，屬于特定作業(yè)活動和隱患類型的概率越大，其置信度越大，說明就該班組而言，提高本作業(yè)活動和隱患類型是隱患治理工作的重點。如圖2中六棱柱置信度最大，對于淡藍色六棱柱，說明精整作業(yè)區(qū)1班在作業(yè)形成隱患時，屬于在矯直機下料作業(yè)中兩根鋼絲繩不等長隱患類型的概率有55%以上，所以對于精整作業(yè)區(qū)1班，提高對矯直機下料作業(yè)中兩根鋼絲繩不等長隱患類型的管理要比其他的隱患類型重要得多。

4.2.2作業(yè)活動層面的分析

如果要在某個作業(yè)區(qū)班組進行特定作業(yè)活動中找出其產(chǎn)生特定隱患較為頻繁的規(guī)則，并在此基礎(chǔ)上找出屬于哪種隱患類型的概率大，這就需要針對作業(yè)活動層面進行分析，生成作業(yè)區(qū)班組+作業(yè)活動→隱患類型形式的規(guī)則，如圖3所示。

圖3　作業(yè)區(qū)班組+作業(yè)活動→隱患類型形式的規(guī)則Eig.3 Rules in（operational team+job activity）→hazard type form

作業(yè)區(qū)班組+作業(yè)活動→隱患類型和作業(yè)區(qū)班組→作業(yè)活動+隱患類型兩種形式的規(guī)則，關(guān)于支持度的分析方法和結(jié)果都是一樣的，區(qū)別在于對置信度的分析。某作業(yè)區(qū)班組進行特定作業(yè)活動產(chǎn)生隱患時，屬于特定的隱患類型概率越大，說明本條規(guī)則的置信度越大。如圖3中六棱柱置信度最大，對于紅色六棱柱，說明壓機作業(yè)區(qū)3班在進行精鍛加熱爐給火作業(yè)形成隱患時，屬于點爐時燒嘴泄露隱患類型的概率有57%以上，所以對于壓機作業(yè)區(qū)3班在精鍛加熱爐給火作業(yè)，提高對點爐時燒嘴泄露隱患類型的管理要比其他的隱患類型重要得多。造成同一隱患類型所涉及作業(yè)區(qū)班組可能有多個，但是它們的嚴(yán)重程度也存在差別。如圖3中點爐時沒打開煙道閘板所在列有兩個圖形，油綠色八面體和淡綠色四棱錐，兩者進行縱向比較，前者比后者的支持度和置信度都要高，說明了精鍛加熱爐給火作業(yè)時，壓機作業(yè)區(qū)2班要比壓機作業(yè)區(qū)1班更易生成點爐時沒打開煙道閘板的隱患類型，所以就點爐時沒打開煙道閘板隱患類型而言，壓機作業(yè)區(qū)2班更需要加強管理。

3　結(jié) 論

為了有效利用隱患臺賬，幫助企業(yè)找到隱患管理的重點，本文首先對鋼鐵企業(yè)可能存在的隱患進行規(guī)范化；然后將隱患排查治理系統(tǒng)生成的隱患臺賬利用SAS進行數(shù)據(jù)的預(yù)處理，采用關(guān)聯(lián)規(guī)則算法，得出各個規(guī)則的支持度、置信度和提升度三個指標(biāo)；最后通過對作業(yè)區(qū)班組→作業(yè)活動+隱患類型形式規(guī)則的分析，得出了需要重點關(guān)注的作業(yè)區(qū)班組及其在進行某種作業(yè)活動中易發(fā)生的隱患類型，同時對易發(fā)生多種隱患類型的作業(yè)區(qū)班組，通過橫向比較得出了對該作業(yè)區(qū)班組而言更需關(guān)注的隱患類型，并通過對作業(yè)區(qū)班組+作業(yè)活動→隱患類型形式規(guī)則的分析，得出了需要重點關(guān)注作業(yè)區(qū)班組進行的作業(yè)活動類型及其易發(fā)生的隱患類型，同時再對造成同一隱患類型的多個班組，通過縱向比較得出了對該隱患類型而言更需提高管理的班組。通過以上的分析比較，使隱患管理人員真正掌握企業(yè)中需要優(yōu)先關(guān)注的作業(yè)區(qū)班組、作業(yè)活動以及隱患類型，并了解它們之間的相對重要程度，明確了隱患治理的重點，為隱患排查治理能力的提高和減少事故的發(fā)生提供指導(dǎo)。

［1］王志，張倩倩.鋼鐵企業(yè)安全生產(chǎn)現(xiàn)狀與問題分析［J］.工業(yè)安全與環(huán)保，2014，40（10）:93-95.

［2］楊濤，尹景燕.鋼鐵企業(yè)生產(chǎn)事故致因要素分析［J］.安全與環(huán)境學(xué)報，2013，13（4）:213-215.

［3］鄭賢斌.淺析安全、危險、隱患和事故之間的關(guān)系［J］.中國安全生產(chǎn)科學(xué)技術(shù)，2007，3（3）:50-52.

［4］徐衛(wèi)東，劉祖德.基于云計算的企業(yè)安全管理趨勢研究［J］.安全與環(huán)境工程，2014，21（3）:86-93.

［5］Kniesner T J，Leeth J D.Data mining mining data:MSHA enforcement efforts，underground coal mine safety，and new health policy implications［J］.Journal of Risk and Uncertainty，2004，29（2）:85-108.

［6］Spurgin A，Petkov G.Advanced simulator data mining for operators'performance assessment［J］.Studies in Computational Intelligence，2005，5:487-513.

［7］陳帆，謝洪濤.基于粗糙集和RBE神經(jīng)網(wǎng)絡(luò)的地鐵施工安全風(fēng)險評估［J］.安全與環(huán)境學(xué)報，2013，13（4）:232-235.

［8］吳昊，李軍國.基于關(guān)聯(lián)規(guī)則理論的道路交通事故數(shù)據(jù)挖掘模型［J］.電子技術(shù)應(yīng)用，2009（2）:135-142.

［9］汪瑩，周婷，王光岐，等.基于數(shù)據(jù)挖掘的安全管理信息系統(tǒng)研究—以某煤炭企業(yè)班組安全管理為例［J］.中國礦業(yè)大學(xué)學(xué)報，2014，43（2）:362-367.

［10］高春學(xué)，曲志清，張建文.安全生產(chǎn)隱患排查治理方法探討［J］.安全與環(huán)境工程，2008，15（2）:112-115.

［11］趙作鵬，尹志民，陳金翠，等.協(xié)同軟件技術(shù)在煤礦隱患排查系統(tǒng)中的應(yīng)用［J］.煤炭工程，2010（5）:115-117.

［12］王升宇，江飛.煤礦隱患管理系統(tǒng)優(yōu)化［J］.遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版），2012，31（5）:696.

［13］Eayyad U，Piatetsky-Shapiro G，Smyth P.Erom data mining to knowledge discovery in databases［J］.AI Magazine，1996，17 （3）:37-54.

［14］Wu X D，Vipin K，Ross Q J，et.al.Top 10 algorithms in data mining［J］.Knowledge and Information Systems，2008，14（1）: 1-37.

［15］Chen C Q，Yan P，Wei Q.Discovering associations with uncertainty from large databases［J］.Recent Advances in Decision Making，2009，222:45-50.

［16］（美）Pang-Ning T，Michael S，Vipin K.數(shù)據(jù)挖掘?qū)д摚ㄍ暾妫跰］.范明，范宏建等譯.北京:人民郵電出版社，2011.

［17］Cooley R，Mobasher B，Srivastava J.Data preparation for mining world wide web browsing patterns［J］.Knowledge and Information Systems，1999，1（1）:5-32.

［18］杜強，賈麗.SAS統(tǒng)計分析標(biāo)準(zhǔn)教程［M］.北京:人民郵電出版社，2010:299-323.

Research on Focal Points of Hazard Management in Iron and Steel Enterprises Based on Association Rules Algorithm

LIU Shuangyue，XIA Chuan
（School of Civil and Environmental Engineering，University of Science&Technology Beijing，Beijing 100083，China）

While hazard investigation and management information system is widely used in iron and steel enterprises，the system produces a great mass of hazard investigation and management data.But it's often lacking in pertinence and operability for iron and steel enterprises administrators to use these data to guide hazard management's research and application.This paper first standardizes descriptions of iron and steel enterprises'hazard and analyses hazard standing books.Then taking forging factory workshop's hazard management standing books for instance，this paper uses Statistical Analysis System（SAS）to design data preparation process，and applies association rules algorithm to obtaining the rules which need prior attention and their related Lift，Support and Confidence's value.Last，resulting from the two aspects of the operational team and their performance，the corresponding graphics can help iron and steel enterprises to find the priority of rules for improvement and the priority of operational teams，job activities or hazard types for attention.Vertical and horizontal comparison analysis can help to distinguish the relative important degrees of different rules，which provides the direction and focal points for enhancing hazard management abilities.

iron and steel enterprises；hazard；association rules algorithm；focal points of management

X92

A

10.13578/j.cnki.issn.1671-1556.2015.05.016

1671-1556（2015）05-0091-05

2015-04-02

2015-06-02

劉雙躍（1958—），男，博士，教授，主要從事產(chǎn)業(yè)安全技術(shù)、危險辨識與安全評價、安全預(yù)警與管理系統(tǒng)等方面的教學(xué)與科研工作。E-mail:liusy@ustb.edu.cn