任冬梅，張宇洋，董新玲

(西南石油大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，成都 610500)

應(yīng)用于石油鉆井安全評(píng)價(jià)的改進(jìn)主成分分析-貝葉斯判別方法

任冬梅，張宇洋*，董新玲

(西南石油大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，成都 610500)

(*通信作者電子郵箱dukezyy@163.com)

針對(duì)主成分分析-貝葉斯判別法(PCA-BDA)僅支持安全評(píng)價(jià)但不能發(fā)現(xiàn)危險(xiǎn)因素的問(wèn)題，引入屬性重要度的概念，提出一種改進(jìn)的PCA-BDA算法，并將其應(yīng)用于石油鉆井安全評(píng)價(jià)。首先，使用原始PCA-BDA方法評(píng)估出各條記錄的安全等級(jí)；然后，利用主成分分析(PCA)過(guò)程中的特征向量矩陣，貝葉斯判別(BDA)過(guò)程中的判別函數(shù)矩陣，以及各安全等級(jí)的權(quán)重計(jì)算得出屬性重要度；最后，通過(guò)參考屬性重要度來(lái)調(diào)控屬性。安全評(píng)價(jià)準(zhǔn)確率的對(duì)比實(shí)驗(yàn)中，改進(jìn)PCA-BDA方法準(zhǔn)確率達(dá)到96.7%，明顯高于層次分析法(AHP)和模糊綜合評(píng)價(jià)法(FCE)。調(diào)控屬性的仿真實(shí)驗(yàn)中，調(diào)控重要度最高的3個(gè)屬性70%以上的鉆井安全等級(jí)得到改善；相對(duì)地，調(diào)控重要度最低的3個(gè)屬性鉆井安全等級(jí)幾乎沒(méi)有變化。實(shí)驗(yàn)結(jié)果表明,改進(jìn)PCA-BDA方法不僅能夠準(zhǔn)確地實(shí)現(xiàn)安全評(píng)價(jià)，同時(shí)能夠找出關(guān)鍵屬性使石油鉆井安全管理更有針對(duì)性。

屬性重要度；貝葉斯判別分析；主成分分析；石油鉆井安全評(píng)價(jià)

0 引言

系統(tǒng)安全評(píng)價(jià)作為一種有效且基本的方法已逐漸應(yīng)用于各類(lèi)工程領(lǐng)域[1-2]。面對(duì)這一問(wèn)題傳統(tǒng)的做法有安全檢查表法、專(zhuān)家打分法、模糊綜合評(píng)價(jià)(Fuzzy Comprehensive Evaluation, FCE)[2]和層次分析法(Analytic Hierarchy Process, AHP)[3]等方法, 但這些方法需要依靠專(zhuān)家或技術(shù)人員人工“打分”，從而會(huì)不可避免地引入主觀因素[4]。

除了傳統(tǒng)方法以外，一些分類(lèi)方法也被應(yīng)用于安全評(píng)價(jià)。例如，決策樹(shù)歸納、貝葉斯判別法、支持向量機(jī)(Support Vector Machine, SVM)、判別分析法、貝葉斯網(wǎng)絡(luò)等方法[5-6]。在這類(lèi)算法中，主成分分析(Principal Component Analysis, PCA)配合判別分析使用的方法是一種常見(jiàn)的選擇[5-8],而主成分分析-貝葉斯判別分析(Principal Component Analysis-Bayes Discriminant Analysis, PCA-BDA)正是隸屬于此類(lèi)的高效算法。

相較于其他方法，PCA-BDA方法有如下三點(diǎn)優(yōu)勢(shì)：1)可以杜絕主觀因素;2)可以消除屬性之間的信息重疊;3)可以簡(jiǎn)單且高效地完成評(píng)價(jià)。然而，該方法并不能顯著地表示出屬性與安全等級(jí)間的因果關(guān)系。當(dāng)安全狀態(tài)異常時(shí)，很難找出關(guān)鍵因素并進(jìn)行針對(duì)性的預(yù)防和控制。

本文提出了一種改進(jìn)的PCA-BDA方法，其主要思想是引入屬性重要度的概念[9-10]，在實(shí)現(xiàn)安全評(píng)價(jià)的同時(shí)發(fā)現(xiàn)關(guān)鍵屬性，從而通過(guò)對(duì)關(guān)鍵屬性的針對(duì)性控制更加高效地避免和減少風(fēng)險(xiǎn)。最后通過(guò)實(shí)驗(yàn)分析，驗(yàn)證了本文算法不僅具有良好的評(píng)價(jià)準(zhǔn)確率，并且所得屬性重要度可以有效幫助企業(yè)降低安全風(fēng)險(xiǎn)。

1 相關(guān)工作

本文相關(guān)的理論基礎(chǔ)包括石油鉆井安全評(píng)價(jià)系統(tǒng)、主成分分析、貝葉斯判別分析(BDA)，以及兩者混合的方法PCA-BDA。

1.1 石油鉆井安全評(píng)價(jià)體系

石油鉆井安全評(píng)價(jià)是石油鉆井安全管理的重要組成部分。它利用系統(tǒng)工程的方法為鉆井作業(yè)提供綜合的評(píng)估，并且預(yù)測(cè)潛在風(fēng)險(xiǎn)和可能后果?；谠u(píng)估結(jié)果，鉆井企業(yè)可以提出相應(yīng)的安全措施，以便減少危險(xiǎn)和損失，進(jìn)而提高效率。

作為石油工業(yè)的重要環(huán)節(jié)，石油鉆井備受重視。作為一項(xiàng)需要巨大投資的系統(tǒng)工程，它具有多因素、多層次、高風(fēng)險(xiǎn)、立體交叉和連續(xù)作業(yè)等特點(diǎn)[11]。所以，石油鉆井安全評(píng)價(jià)是一項(xiàng)復(fù)雜且必須的任務(wù)。本文所研究的石油鉆井安全評(píng)價(jià)體系如圖1所示。

圖1 石油鉆井安全評(píng)價(jià)體系

1.2 主成分分析

主成分分析是一項(xiàng)用于數(shù)據(jù)壓縮和特征提取的技術(shù)[12-13]。在處理多變量問(wèn)題時(shí)，通常變量之間都會(huì)存在或多或少的相關(guān)，這樣的相關(guān)相當(dāng)于一種信息重疊，會(huì)對(duì)數(shù)據(jù)分析的準(zhǔn)確性產(chǎn)生影響。主成分分析正好被用于解決此類(lèi)問(wèn)題。它可以在很少或是沒(méi)有信息重疊的前提下，將原本存在相關(guān)的變量轉(zhuǎn)化為相互獨(dú)立的主成分(Principal Component, PC)，每個(gè)主成分都是原始變量的一個(gè)線性組合。

主成分分析的數(shù)學(xué)模型[4,13]如下所示。

假設(shè)樣本數(shù)據(jù)如矩陣X所示：

利用原始數(shù)據(jù)X和特征向量矩陣T進(jìn)行線性組合Y=TX。

所得變換同時(shí)滿(mǎn)足以下條件：

1)所得主成分兩兩不相關(guān);

2)Y1的方差最大，它在主成分中的貢獻(xiàn)最大，而Y2,Y3,…,Yp的貢獻(xiàn)率依次遞減;

3)Y1,Y2,…,Yp的方差之和等于X1,X2,…,Xp的方差之和。

則主成分分析的具體步驟如下：

步驟1 對(duì)原始數(shù)據(jù)X進(jìn)行標(biāo)準(zhǔn)化處理，同時(shí)建立相關(guān)系數(shù)矩陣Co。

步驟2 計(jì)算相關(guān)系數(shù)矩陣Co的特征根λ1≥λ2≥…≥λp≥0和對(duì)應(yīng)的特征向量T1≥T2≥…≥Tp。

步驟3 計(jì)算主成分的方差貢獻(xiàn)率，同時(shí)決定選取的主成分個(gè)數(shù)m，使得εm達(dá)到累積方差貢獻(xiàn)率的要求(通常要求εm≥85%)。

步驟4 獲得選取主成分的特征向量矩陣T(T=T1,T2,…,Tm)，并計(jì)算選取的主成分。

1.3 貝葉斯判別分析

判別分析是一種多變量統(tǒng)計(jì)分析方法，它根據(jù)已知分類(lèi)的歷史數(shù)據(jù)確定判別準(zhǔn)則，從而判定一個(gè)新樣本的歸屬[13-14]。相較于其他判別分析方法，貝葉斯判別分析法具有兩項(xiàng)優(yōu)勢(shì)：1)它考慮了總體各自出現(xiàn)的概率大小; 2)它考慮了錯(cuò)判所造成的損失[13]。

假設(shè)現(xiàn)有數(shù)據(jù)集Y，其中樣本通過(guò)類(lèi)標(biāo)記被分成k個(gè)分組G1,G2,…,Gk(k≥2)。

則貝葉斯判別分析的具體步驟[13,15]如下：

步驟1 計(jì)算分組Ga(a=1,2,…,k)中樣本的先驗(yàn)概率pa，同時(shí)計(jì)算分組Ga中樣本的屬性均值;

步驟2 計(jì)算協(xié)方差矩陣Sa，然后計(jì)算聯(lián)合協(xié)方差S;

步驟3 構(gòu)建貝葉斯判別方程，并將參數(shù)代入;

步驟4 使用判別方程判別樣本，并檢驗(yàn)判別結(jié)果L′是否符合要求。

1.4PCA-BDA方法

一般情況下,在安全評(píng)價(jià)指標(biāo)體系中會(huì)存在或多或少的信息重疊問(wèn)題,這些信息重疊會(huì)在一定程度上影響安全評(píng)價(jià)模型的準(zhǔn)確性[9]。為了消除這種影響，研究者們將主成分分析與判別分析方法結(jié)合使用[5-8],而作為此類(lèi)方法的一份子，PCA-BDA也被應(yīng)用于相關(guān)領(lǐng)域。

PCA-BDA的基本原理如圖2所示。在這個(gè)混合方法中，主成分分析被用于消除屬性間的相關(guān)性，同時(shí)實(shí)現(xiàn)數(shù)據(jù)降維； 接著，將得到的主成分作為輸入利用貝葉斯判別法來(lái)評(píng)估安全等級(jí)。如此，安全評(píng)價(jià)模型得以建立，屬性間的信息重疊得以消除，安全等級(jí)的判斷得以實(shí)現(xiàn)。這樣的一種結(jié)合被稱(chēng)為PCA-BDA方法。

圖2 基本的PCA-BDA過(guò)程

2 基于改進(jìn)PCA-BDA的石油鉆井安全評(píng)價(jià)

通過(guò)研究原有的PCA-BDA方法原理以及石油鉆井安全評(píng)價(jià)的特點(diǎn), 本文提出了一種適用于石油鉆井安全評(píng)價(jià)的改進(jìn)PCA-BDA方法。

2.1 問(wèn)題定義

盡管PCA-BDA方法已經(jīng)被廣泛地接受與應(yīng)用, 但是該方法依然存在一些亟待解決的缺陷。試想這樣一種情況：某天PCA-BDA模型顯示當(dāng)天的安全狀態(tài)是危險(xiǎn)的，此時(shí)，人們卻難以發(fā)現(xiàn)原始屬性與危險(xiǎn)狀態(tài)之間的聯(lián)系，難以找到關(guān)鍵的屬性去采取措施。同時(shí)，需要注意只有原始屬性才是真實(shí)存在且可操作的，所以，需要在原始屬性和評(píng)估結(jié)果之間建立清晰的聯(lián)系。

為了解決這一問(wèn)題，本文提出了改進(jìn)的PCA-BDA方法，其基本原理如圖3所示。在PCA-BDA過(guò)程，可以得到如式(1)、式(2)的方程組。式(1) 反映了原始屬性與各主成分之間的直接聯(lián)系；式(2) 反映了各主成分與判別函數(shù)值之間的直接聯(lián)系?？梢园l(fā)現(xiàn)，原始屬性與判別函數(shù)值之間的關(guān)系可以通過(guò)聯(lián)立兩個(gè)方程組獲得，聯(lián)立兩式可得式(3)。

(1)

其矩陣形式可表示為：Y=TX。

(2)

其矩陣形式可表示為：F=B*Y+Con。

F=B*(T*X)+Con=I*X+Con

(3)

其中I=B*T。

圖3 改進(jìn)的PCA-BDA過(guò)程

定義1 重要度矩陣。

I*=abs(I)

由于在前期處理中對(duì)原始數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化，所有原始屬性的值域都是基本相近的，所以系數(shù)的絕對(duì)值矩陣I*可以被直接理解為相應(yīng)屬性在對(duì)應(yīng)判別過(guò)程中的重要度度量。

定義2 屬性重要度。

其中:ωa代表安全等級(jí)權(quán)重，越危險(xiǎn)的等級(jí)權(quán)重越大；θaj(j=1,2,…,p)代表在每一個(gè)安全等級(jí)判別中的屬性得分，其值的大小反映屬性在相應(yīng)判別中所起作用的大小。

2.2 算法描述

本文改進(jìn)的PCA-BDA算法的輸入包括X和L，分別代表石油鉆井作業(yè)過(guò)程中每天的原始屬性違反次數(shù)和樣本對(duì)應(yīng)的安全等級(jí)；算法的輸出包括L′、I*和M分別代表判別分類(lèi)(評(píng)價(jià)等級(jí))、重要度矩陣和屬性重要度矩陣。算法可分為以下4步(偽代碼如算法1所示)：

步驟1 利用原有的PCA-BDA方法評(píng)估石油鉆井的安全等級(jí)，建立判別模型；獲取特征向量矩陣T、判別函數(shù)矩陣B和評(píng)價(jià)結(jié)果L′。這一步關(guān)聯(lián)算法1中的第1)行。

步驟2 計(jì)算重要度矩陣I*。這一步關(guān)聯(lián)算法1中的第2)～3)行。

步驟3 計(jì)算并保存屬性重要度，得到屬性重要度矩陣M。這一步關(guān)聯(lián)算法1中的第4)～9)行。

步驟4 輸出相關(guān)結(jié)果數(shù)據(jù)L′、I*、M。這一步關(guān)聯(lián)算法1中的第10)行。

算法1 改進(jìn)的PCA-BDA算法。

1)

使用原始PCA-BDA方法處理輸入數(shù)據(jù)X和L，獲得評(píng)價(jià)結(jié)果L′和對(duì)應(yīng)的矩陣B、T;

2)

I=B*T；

3)

I*=abs(I)；

4)

foreachFa(X)do

5)

//從大到小

6)

依照排序結(jié)果對(duì)θaj賦值；

7)

設(shè)定各安全等級(jí)的權(quán)重ωa；

8)

endfor

9)

計(jì)算屬性重要度mj，并將其存入矩陣M;

10)

returnL′,I*,M

2.3 舉例說(shuō)明

使用一個(gè)小規(guī)模的數(shù)據(jù)集為例來(lái)說(shuō)明本文算法。該例子所用到的數(shù)據(jù)如表1所示，其中包含分屬于3個(gè)類(lèi)別的6條記錄。為了簡(jiǎn)化表達(dá)，在此省略了原始PCA-BDA方法的具體過(guò)程，著重說(shuō)明算法的改進(jìn)部分。

表1 舉例數(shù)據(jù)

在此例中，原始屬性X包含4個(gè)指標(biāo)X1、X2、X3、X4，類(lèi)別指標(biāo)L包含3種值(1,2,3)。通過(guò)PCA-BDA過(guò)程，本文提取到2個(gè)主成分(累計(jì)方差貢獻(xiàn)率達(dá)到94.1%，意味著保留了原始屬性94.1%的信息)，同時(shí)獲得判別結(jié)果(正確率達(dá)到100%)。

得到主成分表達(dá)式和貝葉斯判別函數(shù)式，如式(4)、式(5)所示：

(4)

(5)

聯(lián)立方程式(4)和式(5)，可以得到相關(guān)系數(shù)矩陣I，然后將I轉(zhuǎn)化為I*，所得I*如表2所示。

通過(guò)矩陣I*可以得到在樣本被判入每一類(lèi)別時(shí)各個(gè)屬性的重要度排名(從大到小)：

1)類(lèi)別1對(duì)應(yīng)的排序：X3,X4,X2,X1。

2)類(lèi)別2對(duì)應(yīng)的排序：X3,X4,X2,X1。

3)類(lèi)別3對(duì)應(yīng)的排序：X3,X4,X2,X1。

表2 重要度矩陣(例子)

考慮到在實(shí)際情況中，人們往往更關(guān)注危險(xiǎn)程度高的狀態(tài)。本例中按照安全等級(jí)的高低類(lèi)1賦值為1，類(lèi)2賦值為2，類(lèi)3賦值為3。同時(shí)，依照每個(gè)判別中屬性的排序，可以給它們分別賦值(4到1)。隨后，將賦值與權(quán)重相結(jié)合，可以得到屬性重要度。計(jì)算過(guò)程與結(jié)果如式(6)所示:

(6)

由式(6)所得的屬性重要度便可以找到重要屬性。顯然，本例中最重要的屬性是X3。

3 實(shí)驗(yàn)分析

為了驗(yàn)證本文算法在石油鉆井安全評(píng)價(jià)中的應(yīng)用效果，本章將通過(guò)實(shí)驗(yàn)解決以下兩個(gè)問(wèn)題：1)使用本文方法進(jìn)行石油鉆井安全評(píng)價(jià)的準(zhǔn)確率是否理想；2)通過(guò)參考計(jì)算得到的屬性重要度是否能準(zhǔn)確地找出重要屬性，以后是否能有效地改善鉆井安全狀態(tài)。

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)使用某石油鉆探公司連續(xù)90d的安全數(shù)據(jù)來(lái)驗(yàn)證本文方法。數(shù)據(jù)的指標(biāo)體系如圖1所示，屬性X1～X11代表不同的安全監(jiān)督項(xiàng)，記錄的值代表當(dāng)天對(duì)應(yīng)屬性的違反次數(shù)；屬性L代表記錄當(dāng)天的安全等級(jí)(“1”代表安全，表示無(wú)事故；“2”代表輕度危險(xiǎn)，表示有少量輕傷事故；“3”代表中度危險(xiǎn)，表示有較多輕傷事故；“4”代表高度危險(xiǎn)，表示有重傷或重傷以上事故)。數(shù)據(jù)樣式如表3所示。

表3 原始數(shù)據(jù)(部分)

3.2 實(shí)驗(yàn)結(jié)果

首先，使用改進(jìn)的PCA-BDA方法分析實(shí)驗(yàn)數(shù)據(jù)。在PCA過(guò)程中，從11個(gè)原始屬性中提取出了6個(gè)主成分，這些主成分的累積方差貢獻(xiàn)率達(dá)到92.9%，意味著這6個(gè)主成分表達(dá)了原數(shù)據(jù)92.9%的信息。

然后，建立式(7)所示的貝葉斯判別方程用以判別記錄所對(duì)應(yīng)的安全等級(jí)。判別過(guò)程中僅有3個(gè)樣本發(fā)生錯(cuò)判，判別準(zhǔn)確率達(dá)到96.7%。

(7)

為驗(yàn)證改進(jìn)PCA-BDA方法安全評(píng)價(jià)的有效性，使用模糊綜合評(píng)價(jià)、層次分析法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行評(píng)價(jià)，并將判別結(jié)果進(jìn)行比較。判別準(zhǔn)確率對(duì)比如表4所示,可以看出本文方法判別準(zhǔn)確率明顯優(yōu)于對(duì)比方法。同時(shí)，從“模糊綜合評(píng)價(jià)Ⅰ”和“模糊綜合評(píng)價(jià)Ⅱ”的結(jié)果可以看出，基于不同專(zhuān)家打分所作評(píng)價(jià)的準(zhǔn)確率相差較大，證明傳統(tǒng)方法受主觀因素的影響較大，這也是本文方法相較于傳統(tǒng)方法的一大優(yōu)勢(shì)。

表4 安全評(píng)價(jià)準(zhǔn)確率對(duì)比

為驗(yàn)證本文方法所得屬性重要度的有效性，本文設(shè)計(jì)了一個(gè)模擬實(shí)驗(yàn)。本實(shí)驗(yàn)計(jì)算所得的I*如表5所示。綜合考慮石油鉆井作業(yè)的實(shí)際情況，設(shè)定安全等級(jí)的權(quán)重如表6所示。最后，計(jì)算獲得的屬性重要度如表7所示。通過(guò)表7可以非常容易地辨別出關(guān)鍵屬性。

表5 重要度矩陣

表6 安全等級(jí)的權(quán)重

表7 屬性重要度

接著，通過(guò)對(duì)比的方式來(lái)驗(yàn)證屬性重要度的作用。首先將90條原始數(shù)據(jù)隨機(jī)均分成兩部分：第一部分中，將最重要的三個(gè)屬性(X8,X11,X1)的發(fā)生次數(shù)減半；第二部分中，將最不重要的三個(gè)屬性(X5,X10,X7)發(fā)生次數(shù)減半，來(lái)模擬實(shí)際生產(chǎn)過(guò)程中對(duì)于對(duì)應(yīng)屬性的防范與控制。然后，將這兩部分?jǐn)?shù)據(jù)輸入到本實(shí)驗(yàn)所建立的PCA-BDA評(píng)價(jià)模型中，得到新的安全評(píng)價(jià)結(jié)果。實(shí)驗(yàn)仿真結(jié)果如圖4所示。

圖4 仿真結(jié)果

圖4(a)和圖4(c)分別表示第一和第二部分原始數(shù)據(jù)的安全等級(jí)占比情況；圖4(b)和圖4(d)分別表示第一和第二部分對(duì)屬性防范和控制后的安全等級(jí)占比情況。對(duì)比圖4(a)和圖4(b)可以發(fā)現(xiàn)，通過(guò)控制最重要的3個(gè)屬性，第一部分?jǐn)?shù)據(jù)的安全等級(jí)狀況有了明顯的改善。高危(L=4)情況占比從8.9%減少至2.2%，高危天數(shù)從8d減少為2d，減少比例達(dá)到75%；同時(shí)中危(L=3)情況占比從22.2%減少至6.7%，中危天數(shù)從20d減少為6d，減少比例達(dá)到70%。然而，如圖4(c)和圖4(d)所示，通過(guò)控制最不重要的3個(gè)屬性，第二部分?jǐn)?shù)據(jù)的安全等級(jí)幾乎沒(méi)有變化。結(jié)果表明，本文方法計(jì)算得到的屬性重要度可以有效地辨別出重要屬性，通過(guò)防范與控制這些重要屬性可以明顯地改善樣本的安全等級(jí)狀態(tài)。

4 結(jié)語(yǔ)

本文結(jié)合原有PCA-BDA方法以及石油鉆井安全評(píng)價(jià)的特點(diǎn), 引入屬性重要度的概念，創(chuàng)新性地提出了一種改進(jìn)的PCA-BDA方法來(lái)解決石油鉆井安全評(píng)價(jià)問(wèn)題。該算法不僅能在安全評(píng)價(jià)中獲得準(zhǔn)確的評(píng)價(jià)結(jié)果，而且能夠通過(guò)計(jì)算屬性重要度的方式找出重要屬性，從而可以為石油鉆井安全管理部門(mén)提供有力的參考，指導(dǎo)他們有針對(duì)性地防范重要屬性。通過(guò)實(shí)驗(yàn)分析可以看出，本文方法在安全評(píng)價(jià)準(zhǔn)確率方面顯著優(yōu)于傳統(tǒng)方法；同時(shí)，所計(jì)算的屬性重要度可以有效地防范關(guān)鍵屬性，改善鉆井安全狀態(tài)。

)

[1]KHANFI,HUSAINT,ABBASISA.SafetyWeightedHazardIndex(SWeHI):anew,user-friendlytoolforswiftyetcomprehensivehazardidentificationandsafetyevaluationinchemicalprocessindustrie[J].ProcessSafety&EnvironmentalProtection, 2001, 79(2): 65-80.

[2]TSAURSH,CHANGTY,YENACH.TheevaluationofairlineservicequalitybyfuzzyMCDM[J].TourismManagement, 2002, 23(2): 107-115.

[3] 劉剛,金業(yè)權(quán),李峰,等.層次分析法在井控風(fēng)險(xiǎn)可控誘因分析中的應(yīng)用[J].西南石油大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,33(2):137-141.(LIUG,JINYQ,LIF,etal.TheapplicationofAHPmethodinwellcontrolriskevaluationbycontrollablefactoranalysis[J].JournalofSouthwestPetroleumUniversity(Science&TechnologyEdition), 2011, 33(2): 137-141.)

[4]YUH,WUZR,BAOTF,etal.MultivariateanalysisindammonitoringdatawithPCA[J].SCIENCECHINATechnologicalSciences, 2010, 53(4): 1088-1097.

[5] 劉曉南,葛少成,武宇.FA-FDA判別分析的礦井通風(fēng)系統(tǒng)安全評(píng)價(jià)[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,33(9):1221-1225.(LIUXN,GESC,WUY.FA-FDAonsafetyevaluationofmineventilationsystem[J].JournalofLiaoningTechnicalUniversity(NaturalScienceEdition), 2014, 33(9): 1221-1225.)

[6] 宮鳳強(qiáng),魯金濤.基于主成分分析與距離判別分析法的突水水源識(shí)別方法[J].采礦與安全工程學(xué)報(bào),2014,31(2):236-242.(GONGFQ,LUJT.Recognitionmethodofminewaterinrushsourcesbasedontheprincipalelementanalysisanddistancediscriminationanalysis[J].JournalofMining&SafetyEngineering, 2014, 31(2): 236-242.)

[7]MOKEEVAV,MOKEEVVV.Patternrecognitionbymeansoflineardiscriminantanalysisandtheprincipalcomponentsanalysis[J].PatternRecognitionandImageAnalysis, 2015, 25(4): 685-691.

[8]JOMBARTT,DEVILLARDS,BALLOUXF.Discriminantanalysisofprincipalcomponents:anewmethodfortheanalysisofgeneticallystructuredpopulations[J].BMCGenetics, 2010, 11(2): 94-108.

[9]MINF,ZHUW.Attributereductionofdatawitherrorrangesandtestcosts[J].InformationSciences, 2012, 211: 48-67.

[10]HALLMA,HOLMESG.Benchmarkingattributeselectiontechniquesfordiscreteclassdatamining[J].IEEETransactionsonKnowledge&DataEngineering, 2003, 15(6): 1437-1447.

[11] 劉志坤,李琪,徐自強(qiáng),等.鉆井事故危險(xiǎn)源分析與安全監(jiān)控系統(tǒng)研究[J].石油鉆采工藝,2012,34(3):107-111.(LIUZK,LIQ,XUZQ,etal.Researchofdrillinghazardsandstudyofsafemonitoringsystem[J].OilDrilling&ProductionTechnology, 2012, 34(3): 107-111.)

[12]HANJW,KAMBERM,PEIJ.數(shù)據(jù)挖掘:概念與技術(shù)[M].范明,孟小峰,譯.3版.北京:機(jī)械工業(yè)出版社,2012:67-68.(HANJW,KAMBERM,PEIJ.DataMining:ConceptsandTechniques[M].FANM,MENGXF,translated. 3rded.Beijing:ChinaMachinePress, 2012: 67-68.)

[13] 朱建平.應(yīng)用多元統(tǒng)計(jì)分析[M].北京:科學(xué)出版社,2012:42-106.(ZHUJP.ApplicationMultivariateStatisticalAnalysis[M].Beijing:SciencePress, 2012: 42-106.)

[14]SAPATINAST.Discriminantanalysisandstatisticalpatternrecognition[J].JournaloftheRoyalStatisticalSociety:SeriesA(StatisticsinSociety), 2005, 168(3): 635-636.

[15]GONGFQ,LIXB,ZHANGW.Over-excavationforecastofundergroundopeningbyusingBayesdiscriminantanalysismethod[J].JournalofCentralSouthUniversityofTechnology, 2008, 15(4): 498-502.

ThisworkispartiallysupportedbytheKeyTechnologyofMajorAccidentPreventionandControlinSafetyProduction(sichuan- 0009- 2016AQ).

REN Dongmei, born in 1977, Ph. D., associate professor. Her research interests include percolation theory of complex oil and gas fields.

ZHANG Yuyang, born in 1991, M. S. candidate. His research interests include data mining.

DONG Xinling, born in 1991, M. S. candidate. Her research interests include data mining, recommendation system.

Application of improved principal component analysis-Bayes discriminant analysis method to petroleum drilling safety evaluation

REN Dongmei, ZHANG Yuyang*, DONG Xinling

(SchoolofComputerScience,SouthwestPetroleumUniversity,ChengduSichuan610500,China)

Focusing on the issue that Principal Component Analysis-Bayes Discriminant Analysis (PCA-BDA) only supports safety evaluation but can not detect the dangerous factors, by introducing the concept of attribute importance degree, an improved PCA-BDA algorithm was proposed and applied to the petroleum drilling safety evaluation. Firstly, the safety ranking of each record was evaluated by the initial PCA-BDA algorithm. Secondly, the attribute importance was computed with the eigenvector matrix in PCA, the classification function coefficient in BDA, and the weight of safety ranking. Finally, the attributes were regulated and controlled with referencing the attribute importance. In the comparison experiments with Analytic Hierarchy Process (AHP) and Fuzzy Comprehensive Evaluation (FCE), the accuracy rate of improved PCA-BDA reached 96.7%, which was obviously higher than that of the AHP and FCE method. In the simulation experiment, more than 70% of safety rankings of petroleum drilling were improved by regulating the 3 most important attributes, while the safety ranking had no change by adjusting the least 3 important attributes. The experimental results show that the improved PCA-BDA can accurately accomplish the safety evaluation, and find out the critical attributes to make the petroleum drilling safety management more targeted.

attribute importance degree; Bayes Discriminant Analysis (BDA); Principal Component Analysis (PCA); petroleum drilling safety evaluation

2016- 10- 12;

2016- 12- 21。 基金項(xiàng)目:安全生產(chǎn)重大事故防治關(guān)鍵技術(shù)科技項(xiàng)目(sichuan-0009-2016AQ)。

任冬梅(1977—)，女，黑龍江訥河人，副教授，博士，主要研究方向：復(fù)雜油氣田滲流理論； 張宇洋(1991—)，男，陜西寶雞人，碩士研究生，主要研究方向：數(shù)據(jù)挖掘； 董新玲(1991—)，女，山東德州人，碩士研究生，CCF會(huì)員，主要研究方向：數(shù)據(jù)挖掘、推薦系統(tǒng)。

1001- 9081(2017)06- 1820- 05

10.11772/j.issn.1001- 9081.2017.06.1820

TP301.6

A