供电企业安全隐患排查标准研究及开发

为解决供电企业生产过程普遍缺少系统性的安全风险管理原理作为理论依据进行安全隐患的危险源辨识,涉及的风险原理不清楚、混淆导致安全隐患的危险源辨识工作流于形式,辨识内容混乱、缺失严重且无实际指导意义,不能有效地防止事故发生,缺少系统的安全隐患排查标准作为隐患排查工作的支撑等问题。本文基于FMEA、JHA、HAZOP及ESA对供电企业的安全隐患开展系统、全面、有效的危险源辨识,建立安全隐患知识库,开发系统安全隐患排查标准,并将安全隐患排查标准与国网下发标准进行对比分析,结果表明：此标准适用于供电企业的安全隐患排查工作,可以提升供电企业安全隐患排查治理水平,构建标准化管理的全方位立体式安全隐患排查治理工作体系。     

解读《危险源辨识、风险评价和控制措施策划指南》(上)

2020年11月26日,中国职业安全健康协会发布团体标准T/COSHA 004—2020《危险源辨识、风险评价和控制措施策划指南》,2020年12月1日开始实施,为用人单位(生产经营单位)安全生产风险管理策划提供指导。本刊将分为3期对该标准进行解读。安全生产管理就是安全生产风险管理(控)。中国职业安全健康协会标准T/COSHA 004—2020《危险源辨识、风险评价和控制措施策划指南》(标准全文请扫描文末二维码),是为用人单位(生产经营单位)安全生产风险管理策划阶段(即危险源辨识、风险评价和控制措施策划工作)提供指导的标准。     

辨识乙炔特性防止焊接与切割作业中燃爆事故的发生

本文主要论述了乙炔的特性及其危险因素以及在焊接与切割过程中如何防止燃爆事故发生所应采取的各种措施。     

浅析电炉铁合金冶炼的危险因素辨识及防范

随着铁合金生产技术的发展,生产节奏快,且连续性强,生产环境差等特点。其人为失误、工艺因素、设备缺陷等是诱发各类事故的主要根源。危险因素对生产作业人员伤亡或对物质造成突发性损坏的主要原因,因此,了解并掌握生产过程中固有的危险因素,对预防和控制各类事故的发生将起到重要作用。     

超重力模拟试验离心机振动特性的回归分析

目的 研究试验离心机轴承座以及主轴振动随运行工况的变化规律,实现不同工况下离心机振动的预测。方法 通过试验方法分别获取不同工况下超重力模拟试验离心机的轴承座以及轴振数据。建立试验离心机的单自由度动力学模型,基于该模型,对不同工况下离心机基座振动加速度以及主轴振动位移进行回归分析。结果 离心机轴承座以及主轴振动基频均随着转速以及不平衡量的增大而增大。回归模型对轴承座以及机室基频振动数据的回决定系数均在0.9以上,对中导以及上导主轴振动位移的回归决定系数在0.7左右,对下导主轴振动位移决定系数小于0.1。结论 回归模型可以很好地解释和预测轴承座以及机室振动基频随着转速和不平衡量的变化规律,可以部分预测中导以及上导处主轴振动位移随运行工况的变化。该分析结果为大型试验离心机振动监测系统的设计以及振动特性的预测提供了参考。     

徐圩港区风险辨识及应急能力分析与研究

徐圩港区对于连云港市连云港石化产业基地意义重大,其以临港工业为基础,以液体散货、干散货和件杂货运输为主,逐步发展为集合腹地经济及后方临港工业服务为一体的综合性港区。本文从船舶、船舶运输货物、港口装卸、管廊运输四个方向对港区的风险进行辨识,结合实际风险情况对应港区的消防急能力、溢油应急能力以及搜救能力进行了分析评估,为港区的安全管理工作提供技术支撑。     

工业企业动态安全风险评估模型在某炼钢厂安全风险管控中的应用

通过研究工业企业动态安全风险评估模型在某炼钢厂安全风险管控中的应用,探索该安全风险评估模型作为企业安全风险评估方法的可行性,为企业进行安全风险辨识、评级和分级管控选取风险评估方法提供参考。     

抓重大事故隐患治理 防重大风险辨识管控——《工贸行业重大生产安全事故隐患判定标准（2017版）》解读

为认真贯彻落实《安全生产法》和《中共中央国务院关于推进安全生产领域改革发展的意见》,准确判定、及时整改冶金、有色、机械、建材、轻工、纺织、烟草、商贸等行业（以下简称“工贸行业”）重大生产安全事故隐患,有效防范遏制重特大生产安全事故,2017年12月3日,国家安全监管总局印发《工贸行业重大生产安全事故隐患判定标准（2017版）》（下称《判定标准》）。     

基于Kohonen-SVM模型的驾驶行为险态动态辨识

对驾驶行为的危险状态进行动态辨识并提前预警是防止交通事故发生的重要手段。提出一种基于Kohonen神经网络和支持向量机(SVM)的驾驶行为险态动态辨识方法。基于国内外相关研究,选取油门、方向盘转角、刹车、离合、X轴速度、Y轴速度、X轴加速度、Y轴加速度、发动机转速作为驾驶行为状态指标。应用Kohonen神经网络对9个指标组成的向量进行非监督聚类。用聚类结果组成的时间序列表示驾驶员行为指标的动态变化特征并以此作为输入,通过训练SVM实现驾驶行为险态辨识,解决了高维指标数据监督聚类困难和险态识别的静态性问题。最后,采用驾驶模拟器进行试验设计,对方法的有效性进行验证。以8个危险场景作为诱发驾驶行为险态出现的刺激,10个被试共产生8 400组识别序列,选取600组标识为险态的时间序列进行验证。结果表明:该模型的驾驶行为险态识别正确率为82.22%。不同被试的正确率差异控制在6%以下,表明此模型具备一定的泛化能力。