Идентификация и оценка риска для многотипных событий безопасности при учёте взаимосвязи факторов окружающей среды

Почему скрытые закономерности в промышленных данных важны

Современные фабрики, тоннели и угольные шахты окружены датчиками, которые тихо фиксируют уровни газов, вибрации, температуру и другие параметры. Тем не менее серьёзные аварии всё ещё происходят, потому что опасности подаёт вовсе не одиночные показание, а то, как множество изменяющихся условий вместе подталкивают систему к отказу. В этой статье показано, как превратить переплетённые потоки данных в более ясную картину риска, чтобы операторы могли обнаруживать ранние сигналы нескольких типов происшествий одновременно — прежде чем незначительные возмущения перерастут в вредоносные события.

От простых причинно‑следственных связей к запутанным цепочкам событий

Классические модели безопасности часто представляют аварии как прямые линии: здесь человеческая ошибка, там отказ барьера, и в конце — пожар, взрыв или обрушение. В течение прошлого века теории вроде цепочек домино, модели швейцарского сыра и системно‑теоретических подходов пытались описать эту логику. Но при современном высокоскоростном многоисточниковом мониторинге такие простые схемы уже не справляются. Им трудно отразить, как десятки факторов взаимодействуют, флуктуируют во времени и подталкивают друг друга таким образом, что некоторые комбинации становятся особенно опасными. Авторы утверждают, что для понимания этой сложности необходимо рассматривать события безопасности как явления, «возникающие» из сети взаимодействующих условий на разных масштабах.

Слои условий, накапливающие риск

В исследовании различают три слоя факторов окружающей среды. В центре находятся факторы, вызывающие катастрофы, такие как физическая структура угля, напряжённость в окружающих породах или объём газа, накопленного в пластe. Вокруг них располагаются производные факторы, которые отражают эти основные условия, но их может быть трудно измерить напрямую. Наконец — измеримые окружающие факторы, такие как поток газа из скважин, керновая порода при бурении и электромагнитные сигналы, которые датчики легко отслеживают. Эти измеримые величины тесно связаны с более глубокими, менее наблюдаемыми причинами. Когда группы таких показателей одновременно уходят в нестабильные диапазоны, они порождают события раннего предупреждения, которые затем могут сцепляться и перекрываться, приводя к серьёзным авариям.

Видеть события как сети, а не изолированные инциденты

Вместо того чтобы рассматривать каждое событие безопасности отдельно, авторы описывают сеть, в которой события могут запускать или усиливать друг друга. Небольшая аномалия по газу сегодня может повысить вероятность проблемы с вентиляцией завтра, что в свою очередь может сделать взрыв более вероятным на следующий день. Общие факторы окружающей среды связывают эти события: одни и те же измеримые сигналы могут предвещать разные типы проблем. Статья формализует эту идею как взаимодействие между масштабами. Изменения измеримых условий распространяются по своей собственной сети, в то время как события на более крупных масштабах формируют цепь причин и следствий. Понимание того, как информация течёт одновременно через обе сети, — ключ к прогнозированию тех комбинаций показателей, которые действительно означают «надо действовать сейчас».

Обучающая модель, взвешивающая важнейшее

Опираясь на эту концепцию, авторы предлагают модель идентификации и оценки риска (RIAM), которая учится напрямую на данных с датчиков. Сначала она стандартизирует показания разных датчиков и встраивает их в единое внутреннее представление. Модуль «выделения ключевой информации» затем учится распознавать факторы, которые склонны меняться совместно, улавливая скрытые взаимосвязи между ними. Модуль отображения между масштабами связывает эти паттерны с конкретными событиями безопасности, формируя матрицу вкладов, показывающую, насколько сильно каждый измеримый фактор влияет на каждый тип события. Наконец, модель выдает вероятность того, что одно или несколько событий имеют место или вот‑вот произойдут. Поскольку она явно отслеживает вклады, RIAM не только сигнализирует о риске, но и указывает, какие сигналы лежат в основе предупреждения, повышая прозрачность для принимающих решения людей.

Проверка подхода под землёй

Чтобы испытать RIAM, исследователи использовали реальные данные мониторинга из китайской угольной шахты, где выбросы угля и газа представляют серьёзную опасность. Они сосредоточились на трёх типах событий: собственно выброс и двух предшествующих состояний, связанных с потоком газа и адсорбцией газа в керне при бурении. Шесть измеримых факторов составили входные данные — от скорости газа в скважине до сигналов электромагнитного излучения. Поскольку истинные выбросы редки, они дополнили ограниченные реальные данные тщательно разработанными синтетическими образцами, которые имитируют шум датчиков и редкие эксплуатационные состояния, не искажая при этом базового поведения. С применением десятикратной перекрёстной проверки их метод сравнивали со стандартными подходами, такими как логистическая регрессия, опорные векторы, наивный байес, цепочки классификаторов, ансамбли деревьев и простые нейросети.

Что это означает для безопасности сложных систем

Как в тестах для отдельных событий, так и в многоцелевых испытаниях RIAM последовательно выявлял рискованные условия точнее и надежнее, чем альтернативные методы, особенно когда разные типы событий перекрывались. Не менее важно, что модель показала, какие показания датчиков наиболее значимы для каждого события, подтверждая, например, что определённые газовые и электромагнитные индикаторы играют ведущую роль в прогнозировании выбросов. Для неспециалистов главный вывод таков: безопасность в сложных, высокорисковых условиях зависит не от наблюдения за одним «волшебным» показателем, а от понимания того, как множество меняющихся факторов комбинируются во времени. Рассматривая аварии как возникающие вследствие взаимосвязанных условий и используя базирующиеся на данных модели, сохраняющие эту структуру, мы можем перейти от реактивных объяснений постфактум к проактивным, интерпретируемым ранним предупреждениям, которые помогают защитить людей и оборудование от вреда.

Цитирование: Liu, Q., Li, J. & Jin, Z. Risk identification and assessment for multitype safety events under the coupling of environmental factors. Sci Rep 16, 9320 (2026). https://doi.org/10.1038/s41598-026-39940-3

Ключевые слова: промышленная безопасность, оценка риска, данные с датчиков, аварии в угольных шахтах, машинное обучение