Một mô hình nhận diện mẫu và grey-fuzzy-Markov mới cho dự đoán tai nạn công nghiệp

Journal of Industrial Engineering International - Tập 14 - Trang 455-489 - 2017
Inyeneobong Ekoi Edem1,2, Sunday Ayoola Oke3,4, Kazeem Adekunle Adebiyi1
1Department of Mechanical Engineering, Faculty of Engineering and Technology, Ladoke Akintola University of Technology, Ogbomoso, Nigeria
2Department of Industrial & Production Engineering, Faculty of Technology, University of Ibadan, Ibadan, Nigeria
3Department of Mechanical Engineering, Faculty of Engineering, University of Lagos, Lagos, Nigeria
4Industrial and Production Engineering Unit, Department of Mechanical Engineering, College of Engineering, Covenant University, Ota, Nigeria

Tóm tắt

Dự đoán công nghiệp là một lĩnh vực nghiên cứu hàng đầu, trong vài năm qua đã trải qua nhiều cuộc thảo luận nghiên cứu rất kích thích. Phạm vi của lĩnh vực nghiên cứu này tiếp tục mở rộng nhờ sự khởi đầu của tri thức liên tục được thúc đẩy bởi các học giả trong lĩnh vực này. Do đó, những đóng góp thông minh và trí tuệ hơn về các vấn đề nghiên cứu hiện tại trong lĩnh vực tai nạn sẽ có khả năng kích thích thêm nhiều cuộc thảo luận học thuật sôi nổi, có giá trị gia tăng, có ý nghĩa thực tiễn đối với các thành viên trong cộng đồng an toàn. Trong thông điệp này, một mô hình chuỗi thời gian grey-fuzzy-Markov mới, được phát triển từ khung phân tích khoảng thời gian grey không khả vi, đã được giới thiệu lần đầu tiên. Công cụ này dự đoán các sự cố tai nạn trong tương lai dưới giả định không thay đổi theo thời gian. Đóng góp thực sự của bài viết là nhận biết các mẫu xảy ra tai nạn và phân tách chúng thành các thành phần mẫu chính trạng thái grey. Khung kiến trúc của mô hình nhận diện mẫu grey-fuzzy-Markov (GFMAPR) đã phát triển có bốn giai đoạn: fuzzification (hàm mờ), smoothening (làm mượt), defuzzification (giải mờ) và whitenisation (trắng hóa). Kết quả ứng dụng của mô hình mới đã phát triển cho thấy rằng việc dự đoán có thể được thực hiện hiệu quả dưới các điều kiện không chắc chắn và do đó, định vị mô hình như một công cụ vượt trội cho các cuộc điều tra dự đoán tai nạn. Sự mới mẻ của công việc này nằm ở khả năng của mô hình trong việc đưa ra các dự đoán và tiên đoán rất chính xác dựa trên khả năng sẵn có của dữ liệu tai nạn nhỏ hoặc không đầy đủ.

Từ khóa


Tài liệu tham khảo

Aidoo SJ, Eshun PA (2012) Time series model of occupational injuries analysis in Ghanaian mines—a case study. Res J Environ Earth Sci 4(2):162–165 Arroyo J, Espínola R, Maté C (2011) Different approaches to forecast interval time series: a comparison in finance. Comput Econ 37(2):169–191 Arutchelvan G, Sivatsa SK, Jaganathan R (2010) Inaccuracy minimization by partitioning fuzzy data sets—validation of an analytical methodology. Int J Comput Sci Inf Secur 8(1):275–280 Asrari A, Javan DS, Javidi MH, Monfared M (2012) Application of Gray-fuzzy-Markov chain method for day-ahead electric load forecasting. Przegląd Elektrotechniczny 88(3b):228–237 Brockwell PJ, Davis RA (2002) Introduction to time series and forecasting, 2nd edn. Springer, New York Chen SM, Hsu CC (2004) A new method to forecast enrollments using fuzzy time series. Int J Appl Sci Eng 2(3):234–244 Cooke DL, Rohleder TR (2006) Learning from incidents: from normal accidents to high reliability. Sys Dyn Rev 22(3):213–239 Deng J (1982) Introduction to grey system theory. J Grey Syst 1:1–24 Docstoc (2013) Fire and explosions reported to BOEMRE. www.docstoc.com/docs/125138676/CY-2010-Fire-Explosions. 10 Aug 2016 Edem IE, Oke SA, Adebiyi KA (2016) A disjoint pair-point exponential and time-weighted-average fire accident forecasting model for partial information availability situations. Int J Manag Sci Eng Manag 11(3):155–166 Egrioglu E (2012) A new time-invariant fuzzy time series forecasting method based on genetic algorithm. Adv Fuzzy Syst. doi:10.1155/2012/785709 Farahat MA, Talaat M (2012) Short-term load forecasting using curve fitting prediction optimized by genetic algorithm. Int J Energy Eng 2(2):23–28 Garcia-Ascanio C, Maté C (2010) Electric power demand forecasting using interval time series: a comparison between VAR and iMLP. Energy Policy 38(2):715–725 Geng N, Zhang Y, Sun Y, Jiang Y, Chen D (2015) Forecasting China’s annual biofuel production using an improved grey model. Energies 8:12087–12099 Hickey T, Ju Q, Van Emden MH (2001) Interval arithmetic: from principles to implementation. J ACM 48(5):1038–1068 Huang P, Xuan X, Qiu R, Liu G (2012a) Statistical analysis on production safety accidents of heavy casualties of the period 2001–2011 in China. Procedia Eng 45:950–958 Huang GZ, Liu H, Yang CS, Wu ZG (2012b) Study on the model of construction accident forecast based on grey–Markov theory. Adv Mater Res 433–440:2874–2880 Jiang M-N (2007) Forecasting of fire accidents employing a reversed grey–Markov approach. Technol Forecast Soc Change 70(5):1272–1276 Jilani TA, Burney SMA (2008) Multivariate stochastic fuzzy forecasting models. Expert Syst Appl 35(3):691–700 Kamal SS, Gihan AE (2013) A new method for short multivariate fuzzy time series based on genetic algorithm and fuzzy clustering. doi:http://dx.doi.org/10.1155/2013/494239 Kang Y-S, Yang S-H, Kim T-G, Kim D-S (2012) Systematic strategies for the third industrial accident prevention plan in Korea. Ind Health 50:567–574 Kayacan E, Ulutas B, Kaynak O (2010) Grey systems theory based models in time series prediction. Expert Syst Appl 37:1784–1789 Kher AA, Yerpude RR (2015) Application of fuzzy time series forecasting model for indian underground coal mining fatal accident data. Int J Eng Technol 7(2):719–726 Kim T-G, Kang Y-S, Lee H-N (2011) A study on industrial accident rate forecasting and program development of estimated zero accident time in Korea. Ind Health 49:56–62 Lan J-Y, Ying Z (2014) Application of Gray Markov SCGM(1,1)c model to prediction of accidents deaths in coal mining. Int Sch Res Not. doi:http://dx.doi.org/10.1155/2014/632804 Lee LW, Wang LH, Chen SM (2007) Temperature prediction and TAIFEX forecasting based on fuzzy logical relationships and genetic algorithms. Expert Syst Appl 33(3):539–550 Li Y, Li M (2015) Prediction research of death number in construction accident based on unbiased grey–fuzzy–Markov chain method. In: 3rd Int conference on materials, mechanical and manuf eng (IC3ME 2015), pp 560–566 Liu S (2011) Interval analysis and grey systems theory. Springer, Berlin. link.springer.com/content/pdf/bbm%3A978-3-642-16158-2%2F1.pdf. 13 Aug 2016 Liu S, Yang Y, Xie N, Forrest J (2016) New progress of grey system theory in the new millennium. Grey Sys Theory Appl 6(1):2–31 Mao M, Chirwa EC (2006) Application of grey model GM(1, 1) to vehicle fatality risk estimation. Technol Forecast Soc Change 73:588–605 Mao ZL, Sun JH (2011) Application of grey–Markov model in forecasting fire accidents. Procedia Eng 11:314–318 Mohaghegh Z, Kazemi R, Mosceh A (2009) Incorporating organisational factors into probabilistic risk assessment (PRA) of complex socio-technical systems: a hybrid technique formalization. Reliab Eng Sys Saf 94:1000–1018 Mostafaei H, Kardooni S (2012) Hybrid grey forecasting for Iran’s energy consumption supply. Int J Energy Econ 2(3):97–102 Ofori T, Ackah B, Ephraim L (2012) Statistical models for forecasting road accident injuries in Ghana. Int J Res Environ Sci Technol 2(4):143–149 Okoh P, Haugen S (2014) A study of maintenance related major accident cases in the 21st century. Process Saf Environ Prot 92:346–356 Oraee SK, Yazdani-Chamzini A, Basiri MH (2011) Forecasting the number of fatal injuries in underground coal mines. In: SME. 2011 SME annual meeting and exhibit and CMA 113th National Western Mining Conference “Shaping a Strong Future Through Mining”, Denver, Colorado, USA Qureshi ZH (2008) A review of accident modeling approaches for complex critical socio-technical systems. Technical Report DSTOTR-2094. In: Prepared for the command, control, communications and intelligence division, defence science and technology organisation (DSTO), Australia contact C31DDMO 07-007 Rathnayaka S, Khan F, Amyotte P (2011) SHIPP methodology: Predictive accident modelling approach. Part I: Methodology and model description. Process Saf Environ Prot 89:151–164 Shin IJ (2013) Major industrial accidents in Korea: the characteristics and implications of statistics 1996–2011. Process Saf Prog 32(1):91–95 Stellwagen E (2011) Forecasting 101: a guide to forecast error measurement statistics and how to use them. www.forecastpro.com/Trends/forecasting101August2011.html. 13 Aug 2016 Stringfellow MV (2010) Accident analysis and hazard analysis for human and organisational factors. Thesis submitted to the Department of Aeronautics and Astronautics, Massachusetts Institute of Technology, pp 1–283 Sullivan J, Woodall WH (1994) A comparison of fuzzy forecasting and Markov modelling. Fuzzy Sets Sys 64:279–293 Tangkuman S, Yang BJ (2011) Application of grey model for machine degradation prognostics. J Mech Sci Technol 25(12):2979–2985 Tong Q (2016) China’s coal mine accident statistics analysis and one million tons mortality prediction. IETI Trans 2(1):61–72 Yabo X, Tong W, Bingxue S, Yushua X (2012) Forecasting of production safety situation by combination model. Procedia Eng 43:132–136 Zhang Y (2010) Predicting model of traffic volume based on grey–Markov. Mod Appl Sci 4(3):46–49 Zhao J, Ding J, Li F (2014) Major production accident interval forecasting based on gray panel. Procedia Eng 84:108–115 Zheng X, Liu M (2009) An overview of accident forecasting methodologies. J Loss Prev Process Ind 22:484–491
Thông tin
Thông tin xuất bản

Journal of Industrial Engineering International

Tập 14

455-489

Thông tin tác giả