基于组态分析与机器学习的煤矿运输事故致因研究

摘要

为应对煤矿运输事故频发的严峻形势，防止事故进一步恶化，以68起煤矿运输事故为研究对象，基于改进的HFACS理论构建煤矿运输事故致因模型与属性表，并在此基础上运用清晰集定性比较分析方法与随机森林方法对事故致因进行综合分析，构建了一个结合组态分析和机器学习的煤矿运输事故综合分析框架。利用沙普利值(SHAP)揭示了阻断事故发生的关键因素，并验证了组态分析的稳健性。结果表明：组态分析识别出12种煤矿运输事故组态解，聚类归纳出技术缺陷、监管不力和安全教育缺失3组高阶构型；随机森林模型总体准确率达到92.9%,尤其在预测事故发生(类别1)时显示出高精确度和召回率；模型的SHAP值散点图显示，技术环境、监管不力、组织氛围是导致事故发生的核心条件，进一步验证了组态分析的稳健性。根据研究结果，针对诱发煤矿运输事故的高阶构型路径提出预防与应对措施。

关键词

清晰集定性比较分析 / 组态致因模型 / 机器学习 / 煤矿运输事故