涉及潜在严重伤害和死亡事故的事件的自动识别 (PSIF)

科学领域:

• 职业安全与健康问题 职业安全与健康问题
• 人工智能在风险管理中的应用
• 用于事件分析的自然语言处理.

背景情况:

• 传统的安全事件管理往往以实际严重伤害和死亡事件 (SIF) 为重点.
• 由于分析的反应性和资源限制,在主动识别潜在的严重伤害和死亡事故 (PSIF) 中存在重大差距.
• SIF的下降速度明显低于非关键事件,需要向积极的SIF风险降低转变.

研究的目的:

• 开发一个自动化,机器学习驱动的系统,从非结构化的安全报告中识别潜在的严重伤害和死亡事件 (PSIF).
• 实现积极的风险识别和预防策略,特别是对于资源有限的中小企业 (中小企业).
• 解决准确分类具有高风险潜力的事件的挑战,否则可能会被忽视.

主要方法:

• 一种新的二进制分类方法,将预先训练的变压器模型与XGBoost结合起来,用于事件报告分析.
• 先进的自然语言处理 (NLP) 技术将异质事件报告数据编码为矢量表示.
• 弱标签策略,以增加有限的手动标签训练数据,并提高模型的稳定性.
• 使用树结构的Parzen估计器来优先考虑PSIF检测的F2度量驱动的超参数调整.

主要成果:

• 拟议的机器学习模型有效地识别了潜在的严重伤害和死亡事件 (PSIF).
• 该方法在大型测试数据集上表现出高于几种基线方法的性能.
• 自动化分析大大降低了对事件报告的专家审查所需的投资.

结论:

• 机器学习,特别是变压器模型和XGBoost,为自动PSIF事件识别提供了可行的解决方案.
• 积极识别PSIF事件对于有效降低工业安全风险至关重要.
• 这种自动化方法使先进的风险评估能力实现了民主化,使其可供各种规模的组织使用.