基于FOA-BP的風電運維人員不安全行為風險評價

常丁懿　石娟　瞿麗莉　何子春　張銀龍　鄭鵬

摘要： 為評價風電運維人員不安全行為風險，減少行為安全事故的發(fā)生，在確定不安全行為風險因素集合的基礎(chǔ)上構(gòu)建不安全行為風險評價指標體系，利用果蠅優(yōu)化算法調(diào)整BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，建立基于FOA-BP的不安全行為風險評價模型。以某風電場為例收集數(shù)據(jù)對模型進行測試，實現(xiàn)不安全行為風險評價并計算風險評價指標權(quán)重。結(jié)果表明：該模型預(yù)測性能較好，能夠評價不安全行為風險，企業(yè)可依據(jù)評價指標、指標權(quán)重值及風險等級制定針對性的防控措施。

關(guān)鍵詞： 果蠅優(yōu)化算法；風電運維；不安全行為；風險評價；預(yù)測評價

中圖分類號：??? X913.4； C931??? 文獻標識碼： A

Risk Evaluation of Unsafe Behavior of Wind Power Operation Personnel Based on FOA-BP

CHANG Dingyi1，2，SHI Juan1，QU Lili3，HE Zichun4，ZHANG Yinlong4，ZHENG Peng4

（1. School of Management，Tianjin University of Technology， Tianjin 300384，China; 2.School of Sports Economics and Management， Tianjin University of Sport，Tianjin 301617，China;3. Xi′an Thermal Power Research Institute Co， Ltd， Xi′an 710054，China; 4. Huadian Electric Power Research Institute Co， Ltd， Hangzhou 310030，China）

Abstract：In order to evaluate the risk of unsafe behavior of wind power operation and maintenance personnel and reduce the occurrence of behavioral safety accidents. On the basis of determining the set of risk factors of unsafe behavior， the risk evaluation index system of unsafe behavior is constructed. The weight and threshold of BP neural network were adjusted by fruit fly optimization algorithm， and an unsafe behavior risk assessment model based on FOA-BP was established. Taking a wind farm as an example to collect data， test the model， realize the risk evaluation of unsafe behavior， and calculate the weight of risk evaluation index. This model has good predictive performance and can evaluate the risk of unsafe behavior. Enterprises can develop targeted prevention and control measures according to the evaluation index， index weight value and risk level.

Keywords： fruit fly optimization algorithm; wind power operations; unsafe behavior; risk evaluation; prediction and evaluation

0 引言

“雙碳”戰(zhàn)略目標背景下，風電行業(yè)迎來巨大的發(fā)展機遇，加速推動著能源結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)、經(jīng)濟結(jié)構(gòu)的轉(zhuǎn)型升級。隨著風電行業(yè)的快速發(fā)展，風電傷亡事故亦時有發(fā)生，安全生產(chǎn)形勢依然嚴峻。例如：2021年5月，遼寧彰武某風場發(fā)生一起人身觸電死亡事故；2020年8月，內(nèi)蒙古阿拉善某風場發(fā)生一起高處墜落傷亡事故；2019年11月，寧夏中衛(wèi)某風場發(fā)生一起機械傷害事故。經(jīng)原因分析，這三起風電事故均因員工不安全行為而起。因此，有必要研究風電運維人員的不安全行為，以此加強防范，降低事故發(fā)生率。

不安全行為影響因素眾多，且具有突發(fā)性、重復(fù)性、隨機性、難以預(yù)測性的特點[1]，致使其風險評價工作復(fù)雜困難。白彥龍等[2]從云物元理論視角出發(fā)，結(jié)合層次分析法和熵權(quán)法探究礦工行為安全水平；李紅霞等[3]建立礦山工人不安全行為影響因素指標體系，并計算出影響因素的指標權(quán)重；遲鵬德等[4]根據(jù)未確知測度理論對礦工不安全行為風險進行評估；Tong等[5]提出了一個風險評估模型，并使用蒙特卡羅方法計算員工不安全行為風險值；Li等[6]建立了不安全行為評價因子體系，進而采用模糊評價法對數(shù)字化仿真控制的虛擬人的行為安全性進行了量化；Meng等[7]在分析不安全行為特征的基礎(chǔ)上，提出了一種包括概率、重要度、損失三方面因素的不安全行為風險評估模型；胡仲春[8]基于灰色關(guān)聯(lián)度分析法研究了不安全行為的影響因素指標權(quán)重，得出機器設(shè)備因素的影響較大。綜上，不安全行為風險評價研究已有不少，這為后續(xù)研究提供了良好的參考。但現(xiàn)有研究仍存在以下不足：目前研究對象較少涉及風電運維人員；不安全行為風險評價是一個復(fù)雜非線性系統(tǒng)，現(xiàn)有不安全行為評價指標權(quán)重的計算多是采用層次分析法、灰色關(guān)聯(lián)度、熵權(quán)法等方法，指標權(quán)重的學(xué)習機制并未建立；評價過程容易受主觀因素影響且風險評價的精準度需進一步提高。

反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)具備很強的非線性映射功能，具備自組織、自學(xué)習、自適應(yīng)屬性[9]，能夠模仿人類思維模式，有效處理非線性預(yù)測問題，近年來已經(jīng)在評價評估領(lǐng)域得到廣泛應(yīng)用。例如Li等[10]基于BP神經(jīng)網(wǎng)絡(luò)算法從管理因素、風險因素、人為因素3個方面對地鐵工程進行安全評價。Tseng等[11]構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的員工素質(zhì)評價模型，通過對員工績效數(shù)據(jù)的收集和處理來評價員工素質(zhì)等級。因此，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到不安全行為的風險評價中是一次有益的研究。然而，BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、容易陷入局部最優(yōu)值的缺陷，需要優(yōu)化算法對其優(yōu)化。

本文結(jié)合風電運維行業(yè)特點，在建立風電運維人員不安全行為風險評價指標體系的基礎(chǔ)上，提出利用果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm， FOA）用于BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的優(yōu)化，以此構(gòu)建不安全行為風險評價模型，并利用其量化測試了風險評價指標數(shù)據(jù)與不安全行為風險的關(guān)系，實證檢驗了FOA-BP神經(jīng)網(wǎng)絡(luò)模型在不安全行為風險評價中的可行性，基于神經(jīng)網(wǎng)絡(luò)理論建立了權(quán)重的學(xué)習機制，計算出風險評價指標權(quán)重，以期為風電企業(yè)防控不安全行為提供理論依據(jù)和實踐支持。

1 風險評價指標體系構(gòu)建

風電運維的主要內(nèi)容包括設(shè)備管理、技術(shù)管理、安全管理和人員管理4個方面。具體說來，風電運維包括：風機的現(xiàn)場調(diào)試；風機運行問題的消缺和故障記錄；風電設(shè)備的日常檢修、日常維護、日常保養(yǎng)；運行報表的定期填報，運行記錄的整理分析；大部件更換及特定部件檢修等。由于風電場一般位于偏遠地區(qū)，交通不便，環(huán)境較為惡劣，加之風電運維勞動強度較大，致使運維人員不安全行為發(fā)生的可能性增加。風電運維人員的不安全行為多表現(xiàn)在實際運維操作上，種類較多。比如不按規(guī)定佩戴安全帽、高處作業(yè)安全帶系掛不合格、違規(guī)進入危險區(qū)、違章使用機器設(shè)備、受天氣影響導(dǎo)致行為不當、群體性失誤等。參考相關(guān)研究[1，3]，文中將風電運維人員不安全行為界定為運維人員在運維過程中做出的已經(jīng)導(dǎo)致或可能導(dǎo)致安全事故的行為。

1.1 確定風險因素集合

風電運維工作涉及設(shè)備、技術(shù)、安全、人員、管理等多個方面，行為風險因素十分復(fù)雜。首先通過國家能源局、中國電力企業(yè)聯(lián)合會、北極星電力網(wǎng)等官網(wǎng)公布信息，搜集整理得到25起風電事故案例，查看事故分析報告，確定不安全行為風險因素的初始集合。其次，利用文獻分析法查閱有關(guān)不安全行為的文獻資料，進一步篩選、整合不安全行為風險因素，對初始集合進行補充。最后結(jié)合對風電運維人員的實際觀察和交流訪談，確定風電運維人員不安全行為風險因素集合。經(jīng)整理歸納，咨詢有關(guān)專家，參考相關(guān)文獻[1214]，借鑒2－4事故致因模型、計劃行為理論等經(jīng)典管理理論，并結(jié)合風電運維工作特點，可將風險因素大致劃分為設(shè)備、組織、個人、環(huán)境、管理5個方面。

1.2 構(gòu)建風險評價指標體系

遵循目的性、獨立性、系統(tǒng)性原則，結(jié)合風電運維行業(yè)特點以及國家標準《風力發(fā)電機組安全手冊》（GB/T35204－2017），借鑒已有研究[3，8]，歸納不安全行為風險因素，并反復(fù)咨詢有關(guān)專家，數(shù)次修改，最終構(gòu)建出包括5個一級指標和20個二級指標的不安全行為風險評價指標體系，如表1所示。

2 FOA-BP神經(jīng)網(wǎng)絡(luò)風險評價模型

FOA是模擬果蠅覓食行為的全局優(yōu)化算法，果蠅具有非常敏銳的嗅覺和視覺，在搜尋食物時，果蠅個體首先依靠嗅覺搜索食物氣味信息，并向同伴發(fā)出食物信息和接收同伴發(fā)來的食物信息，從而確定距離食物最近的個體，然后其余果蠅個體依靠視覺向最優(yōu)個體飛去，以此方法迭代循環(huán)搜尋食物，直到果蠅群體找到食物源[15]。果蠅優(yōu)化算法具體步驟：

1）參數(shù)初始化。設(shè)定果蠅群體規(guī)模、最大迭代次數(shù)、搜索半徑等參數(shù)，隨機初始化果蠅群體位置（X_axis，Y_axis）。

2）開始搜尋食物。設(shè)定果蠅個體利用嗅覺搜尋食物的方向與距離。

7）迭代尋優(yōu)。重復(fù)執(zhí)行步驟2）～5），判斷味道濃度是否優(yōu)于前一迭代味道濃度，若是則執(zhí)行步驟6）。

FOA-BP神經(jīng)網(wǎng)絡(luò)算法分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、FOA優(yōu)化、BP神經(jīng)網(wǎng)絡(luò)預(yù)測三部分。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定需依據(jù)輸入輸出的函數(shù)映射關(guān)系。本文采用3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層節(jié)點為20個風險評價指標（S1-S20）；輸出層以不安全行為風險值作為輸出；隱含層節(jié)點數(shù)依據(jù)經(jīng)驗公式確定[9]。FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是將BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值看作果蠅個體，利用果蠅覓食行為特點對BP神經(jīng)網(wǎng)絡(luò)進行極值尋優(yōu)，得到BP神經(jīng)網(wǎng)絡(luò)最優(yōu)的初始權(quán)值和閾值。BP神經(jīng)網(wǎng)絡(luò)預(yù)測即將FOA得到的最優(yōu)初始權(quán)值和閾值代入到BP神經(jīng)網(wǎng)絡(luò)進行仿真預(yù)測，映射輸入輸出的非線性復(fù)雜關(guān)系。

3 風險評價模型實例分析

3.1 數(shù)據(jù)收集與處理

通過查閱國內(nèi)外相關(guān)文獻，咨詢有關(guān)專家，在風險評價指標體系基礎(chǔ)上編制不安全行為風險評價問卷，采用5級量表法對每個二級風險評價指標和不安全行為風險值均設(shè)置相應(yīng)的題項。問卷主要題項設(shè)置如表2所示。

為增強調(diào)查結(jié)果的可靠性，參考已有研究[16]，利用他人評價的方式填寫問卷，即邀請風電運維人員的管理者或同事對其不安全行為進行風險評價，要求管理者或同事熟悉該員工的工作情況。以中國西北區(qū)域某風電場為例，調(diào)查于2021年6月啟動，2021年10月結(jié)束，現(xiàn)場發(fā)放問卷350份，回收有效問卷305份，問卷信度和效度符合要求。整理問卷調(diào)查數(shù)據(jù)，調(diào)查對象的年齡、學(xué)歷、家庭所在地、工作時長等信息分布符合風電運維崗位的實際情況。不安全行為風險值得分范圍為8～40。參考政策《電力安全事故應(yīng)急處置和調(diào)查處理條例》[17]及行業(yè)標準《工傷事故不安全行為分類及代碼》（QJ 1420.10-1988），結(jié)合專家意見，將不安全行為風險值劃分為：Ⅰ級（33～40分），風險重大；Ⅱ級（23～32分），風險較大；Ⅲ級（16～22分），風險中等；Ⅳ級（8～15分），風險輕微。

3.2 風險評價指標權(quán)重確定

將收集到的305份樣本數(shù)據(jù)分為2部分：275份訓(xùn)練樣本和30份測試樣本。通過網(wǎng)絡(luò)訓(xùn)練，確定隱含層節(jié)點數(shù)為12時效果較好。FOA設(shè)置果蠅群體初始規(guī)模（30）、最大迭代次數(shù)（100），BP設(shè)置訓(xùn)練誤差（0.001）、最大訓(xùn)練次數(shù)（1 500）、學(xué)習率（0.1）、訓(xùn)練函數(shù)（trainlm）、均方誤差（MSE）。FOA對權(quán)值和閾值優(yōu)化后代入BP神經(jīng)網(wǎng)絡(luò)進行仿真，網(wǎng)絡(luò)訓(xùn)練均方誤差結(jié)果較好，訓(xùn)練集、驗證集、測試集、全樣本的相關(guān)系數(shù)R值均大于0.97，模型擬合性較好，結(jié)果如圖1和圖2所示。

對于訓(xùn)練好的FOA-BP神經(jīng)網(wǎng)絡(luò)，進一步用30份測試樣本進行網(wǎng)絡(luò)測試，結(jié)果發(fā)現(xiàn)模型測試效果較優(yōu)。后續(xù)對30份測試樣本員工進行實際跟蹤調(diào)查，結(jié)果表明，F(xiàn)OA-BP模型預(yù)測的風險等級與實際相差不大，例如測試樣本20號，通過后續(xù)調(diào)查訪談，以同事評價、管理者評價的方式發(fā)現(xiàn)其安全意識較低、知識技能水平較低，且存在僥幸、冒險心理和投機行為，不安全行為風險較大，這與FOA-BP模型預(yù)測結(jié)果相對吻合。

選取陜西某風電場為本文FOA-BP模型的應(yīng)用試點，以進一步檢驗FOA-BP模型的有效性。由7名熟悉員工工作的安全管理者組成專家組，依據(jù)本文編制的不安全行為風險評價問卷，分別對該風電場10名風電運維人員不安全行為進行風險評價，被評員工年齡在25歲至40歲間，學(xué)歷為專科、本科、研究生，工齡2至15年。取7名專家評價的平均值作為被調(diào)查人員不安全行為風險評價指標的最終得分，將此最終得分代入到訓(xùn)練后的FOA-BP神經(jīng)網(wǎng)絡(luò)模型進行仿真測試，預(yù)測被調(diào)查人員的不安全行為風險值。根據(jù)該風險值進一步咨詢專家組和被調(diào)查人員，查閱被調(diào)查人員風電運維工作記錄，結(jié)果表明，F(xiàn)OA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測風險值與實際情況相符，已具備一定的“診斷評價”功能，所構(gòu)建的不安全行為風險評價指標具備合理性。

經(jīng)過網(wǎng)絡(luò)訓(xùn)練測試，模型性能較好，各網(wǎng)絡(luò)層之間的連接權(quán)值及閾值已滿足精度要求，權(quán)重的學(xué)習機制已經(jīng)建立。利用Matlab軟件調(diào)取訓(xùn)練好的網(wǎng)絡(luò)輸入層到隱含層的連接權(quán)值，見表3。根據(jù)式（10），計算20個二級風險評價指標的權(quán)重，結(jié)果見表4。

其中，vj為輸入層第j個節(jié)點的權(quán)重，m為輸入層節(jié)點個數(shù)，n為隱含層節(jié)點個數(shù)，wij為輸入層第j個節(jié)點與隱含層第i個節(jié)點的連接權(quán)值；wil為輸入層第l個節(jié)點與隱含層第i個節(jié)點的連接權(quán)值。

由表4可知：所有指標權(quán)重均大于零，說明這20個指標因素均對不安全行為有不同程度的影響。依據(jù)權(quán)重值可得S20＞S11＞S10＞S8＞S13＞S3＞S9＞S12＞S2＞S1＞S14＞S7＞S4＞S19＞S15＞S6＞S17＞S5＞S18＞S16。工作安排合理性（S20）的權(quán)重最大，表明工作安排與不安全行為相關(guān)性較強，其次是心理素質(zhì)（S11）、知識技能（S10），最小的是溫度濕度（S16）。風電運維有定期巡檢和不定期應(yīng)急故障處理工作，在時間上具有波動性，工作安排是否合理很大程度上會影響員工的心理狀態(tài)，如工作壓力是否產(chǎn)生，其與其他指標有較大的關(guān)聯(lián)性。員工心理素質(zhì)、知識技能、安全氛圍等因素與不安全行為顯著相關(guān)[1213，18]，溫度濕度指標權(quán)重較小，這可能與風電運維人員所處的地理環(huán)境有關(guān)，對于老員工來說，當?shù)氐娘L電場環(huán)境已經(jīng)較為適應(yīng)，溫度濕度的影響作用大大減小，同時，風電運維人員實際操作中，往往會盡量避免在雷雨大風等不良天氣進行非必要作業(yè)，并且會更加注意行為規(guī)范。

可從關(guān)鍵性指標入手，有所針對地采取預(yù)防策略。依據(jù)權(quán)重結(jié)果由大到小排序，在設(shè)備層面，防護措施配備>設(shè)備質(zhì)量>存放合理性>安全警示設(shè)計，因此，應(yīng)配備足質(zhì)足量的防護設(shè)備，并對設(shè)備進行定期檢驗、維護，提高設(shè)備質(zhì)量水平，同時合理存放設(shè)備，設(shè)置明顯的安全警示標記，保持現(xiàn)場環(huán)境的清潔高效；在組織層面，安全氛圍>安全獎懲>安全教育>群體關(guān)系，說明形成正向的安全氛圍至關(guān)重要，還應(yīng)對員工不安全行為予以懲戒，對安全行為加以獎勵，同時加強安全教育，維護好群體關(guān)系；在個人層面，心理素質(zhì)>知識技能>安全意識>生理狀況，因此，要增強員工身心素質(zhì)和技能水平，提高其安全意識；在環(huán)境層面，作業(yè)空間>天氣>噪聲>溫度濕度，故應(yīng)優(yōu)化員工作業(yè)環(huán)境，減少噪聲干擾，保持合適的溫度、濕度；在管理層面，工作安排合理性>安全管理制度>應(yīng)急管理能力>安全監(jiān)管，管理是復(fù)雜性活動，應(yīng)合理安排工作任務(wù)，不宜給員工太大壓力，同時應(yīng)制定安全管理制度，加強安全監(jiān)管，提升組織的應(yīng)急能力。

4 討論

隨著“碳達峰、碳中和”戰(zhàn)略目標的實施，以新能源為主體的新型電力系統(tǒng)加速構(gòu)建，風電運維需求亦隨之增加，風電運維人員的安全管理便顯得尤為重要。根據(jù)事故致因理論，人的不安全行為和物的不安全狀態(tài)是事故形成的兩大因素，而人的不安全行為相對物的不安全狀態(tài)更加難以控制。一般來說，風電運維人員需面對物體打擊、高空墜落、觸電等多種危害以及相對惡劣的風場環(huán)境，在伴隨著沉重的體力腦力勞動時難免發(fā)生不安全行為。從風電運維工作現(xiàn)狀來看，風電運維一般以班組的形式開展工作，以中國華電集團某風電場為例，該風電場下設(shè)一個操作試驗班、一個檢修班，操作試驗班主要負責風機運行狀況監(jiān)督、工器具試驗檢驗、設(shè)備倒閘操作、安全措施布置等。檢修班主要負責升壓站設(shè)備、集電線路、風電機組的運行、巡視、消缺和檢修。操作試驗班、檢修班均設(shè)置一名班組長，負責本班組的運營管理和安全生產(chǎn)。另外，風電機組零部件較多，一般包含齒輪箱、變槳電機、偏航電機、發(fā)電機、變頻器、主軸、塔筒、葉片等設(shè)備，加之風電機常建設(shè)于丘陵、山脊等偏遠地區(qū)，這導(dǎo)致運維工作量較大。

總的來說，受工作環(huán)境、工作性質(zhì)等諸多復(fù)雜性因素影響，風電運維人員在工作過程中容易發(fā)生不安全行為，對其進行不安全行為風險評價是重要且必要的。

5 結(jié)論

綜合考慮風電運維實際和不安全行為風險因素，確立了包含5個一級指標和20個二級指標的風電運維人員不安全行為風險評價指標體系。提出一種基于FOA-BP神經(jīng)網(wǎng)絡(luò)理論的不安全行為風險評價模型，通過實例應(yīng)用表明模型能夠較為精準地預(yù)判不安全行為風險等級，風險預(yù)測效果較準確。模型能夠反映評價指標與不安全行為的非線性復(fù)雜關(guān)系，能夠較精確地實現(xiàn)風險評價，據(jù)此可提前采取相應(yīng)防控策略。根據(jù)指標權(quán)重計算結(jié)果，工作安排合理性、心理素質(zhì)、知識技能、安全氛圍等指標占比較大，應(yīng)對此類指標因素實施相應(yīng)的干預(yù)措施，防控不安全行為的發(fā)生。本文提出并驗證了一種基于FOA-BP神經(jīng)網(wǎng)絡(luò)的不安全風險評價模型，后續(xù)應(yīng)對模型的精確性、指標的全面性進行再研究，從而提升評價過程的科學(xué)性和評價結(jié)果的準確性。

參考文獻：

[1]石娟，常丁懿，鄭鵬，等.基于SD-SEIR模型的實驗室人員不安全行為傳播研究[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2021，18（3）：67－74.

SHI J， CHANG D Y， ZHENG P， et al. Study on propagation of unsafe behavior of laboratory personnel based on SD-SEIR models[J]. Complex Systems and Complexity Science， 2021，18（3）：67－74.

[2]白彥龍，陳昱，李海立，等.基于云物元理論的礦工行為安全水平評價研究[J].煤礦安全，2021，52（3）：252－256.

BAI Y L， CHEN Y， LI H L， et al. Research on evaluation of behavior safety level of miners based on cloud matter element theory[J]. Safety in Coal Mines， 2021， 52（3）： 252－256.

[3]李紅霞，樊恒子，陳磊，等.智慧礦山工人不安全行為影響因素模糊評價[J].礦業(yè)研究與開發(fā)，2021，41（1）：39－43.

LI H X， FAN H Z， CHEN L， et al. Fuzzy evaluation on the influencing factors of unsafe behaviors of intelligent mine workers[J]. Mining Research and Development， 2021，41（1）：39－43.

[4]遲鵬德，曹慶貴.基于未確知測度理論的礦工不安全行為風險評估[J].中國安全生產(chǎn)科學(xué)技術(shù)，2020，16（4）：120－125.

CHI P D， CAO Q G. Risk assessment on unsafe behavior of miners based on unascertained measurement theory[J]．Journal of Safety Science and Technology， 2020，16（4）：120－125.

[5]TONG R P， LI H W， ZHANG B L， et al. Modeling of unsafe behavior risk assessment： a case study of Chinese furniture manufacturers[J]. Safety Science 2021， 136： 105157.

[6]LI M K， LIU Y K， PENG M J， et al. The digital simulation and fuzzy evaluation to reduce the likelihood of unsafe behavior in nuclear decommissioning[J]. Annals of Nuclear Energy， 2018，119：331－341.

[7]MENG X F， LIU Q L， LUO X X， et al. Risk assessment of the unsafe behaviours of humans in fatal gas explosion accidents in China′s underground coal mines[J]. Journal of Cleaner Production， 2019，210：970－976.

[8]胡仲春.基于GRA法的非意向性不安全行為影響因素研究[J].煤炭技術(shù)，2018，37（9）：380－383.

HU Z C. Research on influencing factors of non-intentional unsafe behavior based on GRA method[J]. Coal Technology， 2018，37（9）：380－383.

[9]石娟，常丁懿，鄭鵬.基于BP神經(jīng)網(wǎng)絡(luò)的建筑工人不安全行為預(yù)警模型[J].中國安全科學(xué)學(xué)報，2022，32（1）：27－33.

SHI J， CHANG D Y， ZHENG P， et al. An early warning model of unsafe behaviors of construction workers based on BP neuralnetwork[J]. China Safety Science Journal，2022，32（1）：27－33.

[10] LI M C， WANG J C. Intelligent recognition of safety risk in metro engineering construction based on BP neural network[DB/OL].[2022－01－03].https：//webofscience.clarivate.cn/wos/woscc/full-record/WOS：000665082000013

[11] TSENG T Y， LUO Q L. Company employee quality evaluation model based on BP neural network[J]. Journal of Intelligent & Fuzzy Systems， 2021，40（4）：5883－5892.

[12] 楊東，楊依軒，徐瑞，等.電力員工安全意識、大五人格和不安全行為的關(guān)系研究[J].西南大學(xué)學(xué)報（自然科學(xué)版），2021，43（8）：129－137.

YANG D， YANG Y X， XU R， et al. Research of the relationship among safety awareness， five-factor personality and unsafe behavior of electric employees[J]. Journal of Southwest University（Natural Science Edition）， 2021，43（8）：129－137.

[13] 王陽，羅云，裴晶晶，等.電力企業(yè)違章行為的風險管控模式研究[J].中國安全生產(chǎn)科學(xué)技術(shù)，2018，14（4）：173－180.

WANG Y， LUO Y， PEI J J， et al. Research on risk management and control mode of violation behavior in electric power enterprise[J]. Journal of Safety Science and Technology， 2018，14（4）：173－180.

[14] 許江超，韓天園，曹瑩，等.基于拓展計劃行為理論的IDS危險騎行分析[J].重慶理工大學(xué)學(xué)報（自然科學(xué)），2022，36（5）：277－283.

XU J C， HAN T Y， CAO Y， et al. Analysis on dangerous riding of instant delivery service based on extended theory of planning behavior[J]. Journal of Chongqing University of Technology（Natural Science） ， 2022，36（5）：277－283.

[15] PAN W T. A new fruit fly optimization algorithm： taking the financial distress model as an example[J]. Knowledge-Based Systems， 2012，26：69－74.

[16] PATEL D A，JHA K N.Evaluation of construction projects based on the safe work behavior of co-employees through a neural network model[J]. Safety Science，2016，89：240－248.

[17] 中國政府網(wǎng)電力安全事故應(yīng)急處置和調(diào)查處理條例[EB/OL].（2020-12-27）[2021-12-03]. http：//www.gov.cn/zhengce/2020-12/27/content_5573760.htm.

[18] Austin L C， Thorne S. Using grounded theory and mental modeling to understand influences on electricians′ safety decisions： toward an integrated theory of why electricians work energized[J]. Safety Science，2020，130：104826.

（責任編輯 李 進）

收稿日期：2022－05－30；修回日期：2022－10－13

基金項目： 國家自然科學(xué)基金（71603181）；中國華電集團有限公司科技項目（CHDKJ21-01-07）；天津市研究生科研創(chuàng)新項目（2021YJSB243）；天津市科學(xué)技術(shù)普及項目（21KPXMRC00080）；天津市教委社會科學(xué)重大項目（2021JWZD15）

第一作者： 常丁懿（1995－），女，山西陽泉人，博士研究生，主要研究方向為復(fù)雜系統(tǒng)管理，安全管理工程。

通信作者： 鄭鵬（1994－），男，山東濟寧人，碩士，助理工程師，主要研究方向為新能源發(fā)電技術(shù)、安全系統(tǒng)工程。