航空器维修安全风险因素关联性分析的学术研究报告
作者及发表信息
本研究由陈勇刚（中国民用航空飞行学院民航安全工程学院）、刘太伟、刘东岭（西藏航空有限公司）、刘康妮、王帅、龙益柯、董勤共同完成，发表于《安全与环境学报》（Journal of Safety and Environment），网络首发日期为2025年12月23日，DOI编号10.13637/j.issn.1009-6094.2025.0107。
学术背景
研究领域为航空安全工程，聚焦机务维修风险管理的科学问题。随着中国民航机队规模扩大（2023年注册飞机达4270架），维修相关事故占比从1.3%上升至3.8%（Wild, 2023）。传统关联规则算法（如Apriori）在短文本数据处理中存在冗余规则多、效率低等局限，且缺乏风险类型分类框架。本研究旨在通过融合主题建模与改进关联规则算法，构建机务维修风险知识图谱，为风险管控提供结构化决策支持。
研究流程与方法
-
数据准备与预处理
-
研究对象：某航空公司2023年1月至2024年3月的2208条维修安全文本数据，包含发生地、责任单位、问题描述及风险等级（ⅰ-ⅲ级、建议类）。
-
文本处理：采用结巴分词库，结合行业定制词典（如"NRC非例行工卡"、"FLB飞行记录本"）及多源停用词表（哈工大、百度等）清洗数据。
-
-
风险主题聚类（BTM模型）
-
方法对比：与潜在狄利克雷分布（Latent Dirichlet Allocation, LDA）对比，BTM（词对主题模型）通过分析词对共现关系更适配短文本。
-
模型优化：设定主题数k=0~50，困惑度曲线显示k=15时最优，最终提取14类核心风险（如"除防冰规范"、"视频记录管理"）。主题关键词通过概率分布生成（式1-4），例如"工作记录规范"主题含"签署、工卡、漏签"等词。
-
-
关联规则挖掘（改进FP-Growth算法）
-
算法改进：
-
引入频繁项约束机制，筛选后项仅为问题等级的规则。
-
剔除前/后项重复或包含关系的冗余规则（如{"NRC,章节"=>"ⅲ级"}保留，{"章节,ⅲ级"=>"NRC"}剔除）。
-
-
性能验证：在支持度0.01
0.05、置信度0.50.8条件下，改进算法规则数量控制在200条以内，精度达0.921（传统FP-Growth为0.90.97）。硬件环境为Intel i7-13620H处理器与NVIDIA RTX 4060 GPU。
-
-
知识图谱构建
-
三元组抽取：基于语言技术平台（LTP）的语义角色标注（SRL）和依存句法分析（DP），提取"主语-谓语-宾语"三元组（如"工作者-未签署-工卡"）。
-
可视化实现：通过Neo4j图数据库构建动态知识图谱，节点为风险因素（如"维修记录"），边为关联强度（支持度/置信度）。
-
主要结果
-
地区性风险分布
-
B1地区：A1分部的"工作记录规范"（支持度0.032）、A2分部的"工具未清点"（置信度0.78）问题突出。
-
B3地区：A4分部的"除冰车指挥不规范"（支持度0.021）高频出现。
-
-
核心风险致因
- "工作记录规范"中，NRC签署错误（27.6%）、工卡漏签（19.3%）为主要子类；"维修工具管理"中工具箱未上锁占比34.1%。
-
算法性能
- 改进FP-Growth在支持度0.02时，规则数量较传统算法减少68%，精度提升至0.95（图5-6）。表3显示其有效剔除{"工卡,不充分"=>"ⅲ级"}等低质规则。
-
知识图谱应用
- 图9展示"工作记录规范"语义网络，节点"签署错误"衍生出"FLB章节错误"（22.4%）、"温湿度记录表漏填"（15.8%）等具体问题，支持精准整改。
结论与价值
-
科学价值
-
提出"BTM+改进FP-Growth+知识图谱"的机务维修风险分析框架，填补了短文本关联分析的空白。
-
验证了BTM在航空安全文本中的优越性（困惑度较LDA降低37%）。
-
-
应用价值
-
为航空公司提供地区化风险管控方案（如B3需加强除冰培训）。
-
知识图谱的动态更新特性支持实时风险预警（如工具清点异常自动触发工单）。
-
研究亮点
-
方法创新
-
改进FP-Growth的约束机制将计算效率提升40%，优于BL-Apriori算法（刘伟伟等，2024）。
-
首次将LTP语义分析应用于机务维修三元组抽取。
-
-
发现创新
-
揭示"视频记录管理"（主题2）为新兴风险，与近年航司数字化升级相关。
-
识别"销子/管套管控"（主题10）等传统研究忽视的风险类型。
-
其他价值
研究数据已公开（CNKI网络首发），算法代码通过PyCharm平台实现可复现性。未来可扩展至实时数据流分析，结合深度学习提升预警时效性。