Влияние мер безопасности и системы управления профилактикой в производстве фейерверков на снижение человеческих ошибок с использованием подхода машинного обучения

В производстве фейерверков (FI) многие аварии и взрывы часто происходят из-за человеческих ошибок (HE). Человеческий фактор (HF) постоянно играет динамическую роль в возникновении несчастных случаев на рабочих местах. Предотвращение человеческих ошибок является основной задачей обеспечения безопасности и принятия мер предосторожности в производстве фейерверков. Выяснение взаимосвязей между человеческими факторами может помочь определить корреляцию между небезопасным поведением и влияющими факторами при авариях на складах опасных химических веществ. Цель данной работы — исследовать влияние человеческих факторов, способствующих возникновению человеческих ошибок, которые в прошлом приводили к катастрофам, взрывам и инцидентам в производстве фейерверков. В работе изучается, почему и каким образом человеческие ошибки способствуют наиболее тяжелым авариям, происходящим при хранении и использовании опасных химических веществ. Последствия катастроф в производстве фейерверков и спичек послужили основанием для планирования мер по снижению риска, представленных в данном исследовании. В анализе использовано машинное обучение (ML) и рекомендована экспертная система (ES). Выявлено множество значимых корреляций между индивидуальным поведением и вероятностью возникновения человеческой ошибки. Предложена прогностическая модель на основе машинного обучения для предприятий фейерверкной и спичечной промышленности в Сивакаси, штат Тамилнад. В рамках анализа были проверены на точность и закодированы ответы на вопросы анкеты, полученные от 500 участников из предприятий фейерверкной и спичечной промышленности Тамилнада, выбранных для заполнения анкеты. Главная инспекция фабрик в Ченнаи и Учебный центр промышленной безопасности и охраны здоровья в Сивакаси, штат Тамилнад, Индия, внесли значительный вклад в сбор наборов данных об авариях в производстве фейерверков в Тамилнаде, Индия. Данные проанализированы и представлены по следующим категориям в соответствии с целями исследования: влияние физических, психологических и организационных факторов. Точность классификации моделей машинного обучения — метода опорных векторов (SVM), случайного леса (RF) и наивного байесовского классификатора (NB) — составила соответственно 86,45%, 91,6% и 92,1%. Метод экстремального градиентного бустинга (XGBoost) продемонстрировал наилучшую точность классификации — 94...