融合深度学习与贝叶斯网络的动态风险评估方法：机加工车间案例研究

《Safety Science》：A dynamic risk assessment method integrating deep learning with Bayesian network: A case study in machining workshop

　　

• 一种动态风险评估方法融合了深度学习与贝叶斯网络。
• 持续更新的视觉和环境数据支持动态风险评估。
• YOLOv11 对大多数已识别的危险类型实现了高于 0.9 的精确度得分。
• 两种危险的同时发生使风险升至基线水平的两倍以上。

引言

不安全的人为行为（Keckler 等，2019；Liu 等，2019；Peng 等，2019）、设备故障（Li 等，2023a；Zhang 等，2020）以及危险环境条件（Yuxin 等，2023）是工业事故的主要驱动因素。在机械加工车间中，这些因素的相互作用往往会形成级联和协同效应（Bai 等，2024），从而显著放大加工风险水平（Comberti 和 Demichela，2022；[作者错误] 等，2025）。例如，2025 年 3 月，中国河北省一家机械加工车间发生粉尘爆炸，由于操作人员无视安全规程，造成 20 名工人受伤（中国应急管理，2025）。类似地，2021 年，美国伊利诺伊州在高速加工过程中因机械点火源引发的大火造成 3 人死亡（News，2021）。因此，全面理解并分析不安全人为行为、设备故障和危险环境的影响，对于提高机械加工安全性至关重要（Dhalmahapatra 等，2022；Meng 等，2024）。由于工人经常跳过安全程序，例如擅自离岗或未按规定佩戴防护装备，机械加工车间所面临的风险大于普通车间，通常会造成更严重的后果（Baloch 等，2020；Liu 等，2023）。为缓解此类风险，必须系统地识别和评估机械加工车间中的风险。

传统上，机械加工车间的安全监管主要依赖人工检查和视频监控。尽管 GB/T 33000–2016（中华人民共和国国家质量监督检验检疫总局，2016）等标准要求建立系统化、定量的风险评估机制，但实际实施仍严重依赖人工监督。这一要求从根本上基于三项技术考虑：（1）自动化风险识别能够弥补人工监测的空白，通过持续捕捉人、机和环境因素之间的复杂交互；（2）标准化工具，如检查清单，能够实现定量风险评估，为风险分类与控制提供科学依据；（3）行为安全理论强调，超越依赖人工的监督方式可以消除固有的人工局限性，例如观察者偏差和注意力盲区（La Fata 等，2023；Qiao 等，2024；Wang 等，2024）。这些局限性损害了安全管理的稳定性和可靠性。因此，一种专为机械加工车间设计的自适应风险评估框架被认为具有高度实用性。

根据 ISO 31000（国际标准化组织，2018），风险评估框架通常包含三个关键组成部分：风险识别、风险分析和风险评估。其中，风险识别是基础性步骤。传统上，学者们运用头脑风暴会、专家判断和历史数据分析等方法来生成全面的风险清单。为确保方法论清晰，必须保持明确区分：危险是指造成伤害的潜在来源或不安全的系统状态（Leveson，2004）；而风险被定义为不确定性的影响，其特征是危险发生的可能性及其后果。因此，虽然识别工作从检测危险开始，但其最终目标是界定具体的风险（Sun 等，2024）。近来，研究人员越来越关注利用深度学习来精准识别不安全行为。例如，Han 和 Lee（2013）开发了一种基于视觉的动作捕捉框架，用于检测爬梯过程中的不安全动作。Yang 等（2023）开发了一种基于 Transformer 的深度学习模型，使建筑工地监控视频中不安全行为识别的准确率提升了 4.0%。类似地，Li 等（2023b）采用经迁移学习优化的 ResNet50 模型识别化工厂起重作业中的不安全行为，准确率达 99.6%。Ali 和 Zhang（2024）实施了一种基于 YOLO 的实验室安全系统，能够实时检测个人防护装备（PPE）以确保合规。总体而言，这些研究表明，利用深度学习在各类安全领域识别不安全行为已取得显著进展。相反，识别不安全条件仍主要采用传统的空间建模或基于仿真的方法。例如，Yang 等（2020）提出了一种基于网格的动态方法，用于海上燃气泄漏期间的危险区域分类。同样地，Bai 等（2022）将贝叶斯网络（BN）与计算流体力学（CFD）相结合，量化了管廊中的泄漏和爆炸风险。最近，Kang 等（2025）开发了一种可解释的生存分析方法（ISACIM），用于识别供水管网中的泄漏风险。总之，尽管在风险识别领域已有大量研究，但现有研究仍不全面，很少有人同时实现多种不安全行为与危险条件的识别。

在风险分析领域，先前的研究方法主要集中于贝叶斯网络（BN）（Hu 等，2024）、层次分析法（AHP）（Aminbakhsh 等，2013）、事件树分析（ETA）和故障树分析（FTA）（Kabir，2017）等技术。特别是，贝叶斯网络凭借其通过概率推理量化多因素耦合风险的能力而备受重视。例如，Hu 等（2022）开发了一个包含 96 个节点的贝叶斯网络，用于识别体育场踩踏场景中的关键应急失效，通过有效的应急措施使伤亡减少了 35%。随后，Fan 等（2024）采用动态贝叶斯网络（DBN）评估随时间变化的路线风险，识别出恐怖主义是主要威胁。最近，Wang 等（2025）将贝叶斯网络应用于海事安全，揭示标准化操作对事故严重程度有显著影响。总之，这些研究凸显了贝叶斯网络从静态设施分析向动态系统建模的演进。然而，以往很少有研究将实时危险识别与贝叶斯网络相结合，以进一步分析由不安全行为、设备与设施的不安全状态以及环境等多种因素同时相互作用所产生的协同效应（Guo 等，2023；Hai 等，2022）。

事实上，许多学者将深度学习方法与传统风险评估方法相结合，开发出创新的风险评估方法。例如，Hu 等（2025）利用 YOLOv11 和贝叶斯网络识别实验室中的不安全行为，但该研究仅限于火灾和爆炸场景，且缺乏正式的风险评估组件。尽管危险识别是关键的第一步，但在复杂的机械加工车间环境中仍然不够（Hu 等，2026）。因此，纳入风险评估矩阵等评估工具对于量化风险、从而促进系统化优先级排序和决策制定至关重要（Comberti 和 Demichela，2022）。事实上，机械加工车间涉及跨多种工序的多样而复杂的危险。焊接（Jiang 等，2025）、切割（Zhang 等，2024）和高空作业平台（Li 等，2025）等区域设备密度高、多工种交叉作业，表现出显著的多风险耦合现象。传统风险评估方法往往无法充分应对同时发生危险的协同效应，包括有毒暴露（Yang 等，2020）、火灾与爆炸（Haghani 等，2024；Liu 等，2025）以及机械伤害（La Fata 等，2023）等。

为解决这些问题，本研究提出了一种将基于深度学习的危险识别与贝叶斯网络相结合的动态风险评估框架：（1）通过深度学习实现智能多源危险识别；（2）使用贝叶斯网络对焊接、切割和高空作业中的风险交互（火灾与爆炸、机械伤害与人员坠落、人员吸入有害物质）进行定量分析；（3）一个纳入分级风险矩阵的风险评估框架。文章结构如下：第 2 节详述风险评估方法；第 3 节呈现了一个机械加工车间的案例研究，包括数据流接入、模型参数配置、贝叶斯网络构建，以及典型事故和危险场景；第 4 节展示风险识别、风险分析和风险评估的结果；第 5 节通过与既有工作的比较、方法验证和局限性分析对这些发现进行讨论；第 6 节总结研究发现并提出未来研究方向。

章节摘要

方法学

本研究提出了一种动态风险评估框架，如图 1 所示，包含四个顺序步骤：数据流接入、风险识别、风险分析和风险评估。

如图 1 所示，该风险评估框架整合多源数据（包括监控视频、气体传感器、环境和设备数据）以建立动态工作流。在完成数据流接入后，流程依次进行风险识别。

机械加工车间的数据采集与处理

在本案例研究中，选取一家制造企业内部的一处运行中的机械加工车间（约 15 米 × 20 米，总面积 300 平方米）作为测试场地。实验场景包括焊接、切割和高空作业，所有参与者均为有经验的车间工人。为验证所提出的机械加工车间风险评估方法，本研究聚焦于三类典型不安全行为：1）人员未按规定佩戴防护

不安全行为与条件的识别结果

表 8 展示了 YOLOv11 模型的目标检测性能。所有目标的精确度均超过 0.85，其中三个模型取得了尤为突出的 0.99 以上得分：车间散开头发检测模型、焊接/钻孔工位无人值守识别模型，以及焊接/钻孔工位坐姿人员检测模型。这些表现归因于目标尺寸相对较大且视角较为理想。大多数模型均保持……

与既有工作的比较

关于风险识别，本研究拓展了先前方法的作用范围和准确度。早期研究主要将深度学习应用于建筑工地不安全行为识别或城市基础设施劣化因子分类（Al-Douri 等，2023；Yang 等，2023）。尽管这些研究在特定目标检测方面表现良好，但其对设备布局密集且风险交互复杂的机械加工车间的适用性仍然有限。在本……

结论

本研究提出了一种创新方法，用于评估机械加工车间中的三类风险：火灾或爆炸、机械伤害或坠落，以及吸入有害物质。该方法整合了基于深度学习的危险识别（如 YOLOv11）、基于贝叶斯网络的概率推理以及基于风险矩阵的评估。为验证该方法，本研究开展了一项案例研究，聚焦于三类典型不安全行为和三类典型不安全条件……

生成式人工智能及 AI 辅助技术声明

在准备本作品期间，作者使用了 DeepSeek-R1 来润色和完善语言。在使用该工具之后，作者根据需要审查和编辑内容，并对已发表文章的内容承担全部责任。

CRediT 作者贡献声明

Hu Jinming：原创草稿撰写、可视化、验证、方法学、调查研究。
Hu Xiaofeng：审阅与编辑、可视化、资源、方法学、资金获取。
Bai Yiping：审阅与编辑、验证、方法学。
Wu Huanggang：审阅与编辑、原创草稿撰写。
Wu Jiansong：审阅与编辑、监督指导。

利益冲突声明

作者声明，他们没有已知的可能影响本论文所述工作的竞争性经济利益或个人关系。

致谢

本工作受中国国家重点研发计划（项目编号 2024YFC3306901）和中国国家自然科学基金（项目编号 72174203）资助。

Hu Jinming | Hu Xiaofeng | Bai Yiping | Wu Huanggang | Wu Jiansong