黑岱沟露天矿1215端帮路事故率分析及其控制

黑岱沟露天矿1215端帮路事故率分析 摘要：针对黑岱沟露天煤矿生产运输作业现状，运用交通流模型，从流量、车速标准差以及出入口密度三方面对事故率进行估计。关键词：交通流，年均日流量，速度标准差，出入口密度，事故率正文：第一节 1215端帮路交通概况 运输作业历来是露天开采过程中的重要环节。对于单斗-卡车工艺而言，道路运输安全尤为重要。1215端帮路作为黑岱沟露天矿交通主干道，承担着运煤卡车至破碎站，采场剥离卡车至内排土场西部，坑下所有指挥、工程、维修车辆过往的运输任务。下图为2011年9月及2013年1月1215端帮路交叉口概况平面图： 图11（2011年9月-1215） 图12（2013年1月-1215)随着采场的推进及产量的逐年提升，露天矿车流逐渐加大。1215端帮路交叉口是全矿车流量最为密集的交叉口。依据黑岱沟露天煤矿2011年12月26日-2012年12月25日运行记录数据，剥离卡车全年共计车次（重车运行），上煤卡车共计车次（重车运行）。由于近年坑线布置相近，剥采比稳定，故2012年全年坑下各主要线路车流量比例可参照2013年春季运行数据。依据2013年3月份数据平均结果，8点班、4点班和0点班剥离量分别占全天总量的25.3%、37.9%和36.8%。下面以矿用重型卡车运行比重最大(81.25%)的4点班(三班)为例，分别计算各班的日均车流量(单向)。剥离：经过1215端帮路的剥离量占全月单斗剥离总量的34.4%。年班车次=34.4%37.9%=37.9%=车次/年全年有效工作日按照350天计算。日班车次 = /350 = 351车次/班上煤：年班车次 = 37.9% = 车次/年日班车次 = /350 = 323车次/班 指挥车(倒班)13台指挥车，年运行总里程数为公里。以单次下坑20公里/次计：年车次 = /20 = 39000车次/年年班车次 = 39000/3 = 13000车次/年日班车次 = 13000/350 = 37车次/班工程车辆，包括平路机、胶轮推土机等共计22台年出动车次为24904车次日班车次 = 24904/(350*3) = 23.4车次/班洒水车11台年出动车次为12718台日班车次 = 12718/(350*3) = 12.11车次/班黑实公司车辆，8台送饭车，2台防冻液车日班车次 = 8 + 2 = 10车次/班设备维修（倒班）车辆28台日班车次 = 28车次/班油槽车16台，8点班及4点班加油，部分加油，部分提油，均经过1215端帮日班车次 = 11.5车次/班1215端帮4点班运行总车次 = 796车次/班按往返路计算，该交叉口4点班交通量 = 7962 = 1592车次/班 依照上述方法分别计算得出1215每日各运行班交通量。 8点班：2033.78车次/班； 4点班：1592车次/班； 0点班：1551.5车次/班。扣除特殊条件不作业，按照全年350个运行日计算，可得1215端帮路年交通量为车次/年。 表11黑岱沟露天矿近年产量及卡车运行统计 2008年2009年2010年2011年煤（吨）煤（车）剥离（车） 对于其他各年份的交通量，依据上表统计数据，剥离及上煤卡车实算，其余辅助生产车辆依据年产量按照相应百分比折算。得到近年1215端帮路交通量数据如下表：年份20082009201020112012交通量(万车/年)162.50 153.21 150.97 178.37 181.20 表12 1215端帮路历年车流量统计表交通量柱状图如下图： 图13 1215端帮交通柱状图第二节 交通流与道路安全 交通事故率mi和交通流之间存在着一定的函数关系，即“交通事故预测函数”（如图2-1所示）。可以看出在其它因素不变的情况下某一事故的发生概率随交通量变化的情况。图21 交通事故率预测函数图交通事故率的单位为次/年，交通量的单位为车次/天。事故率是原点和交通事故预测模型上的点连线的斜率。例如图2-1中的点A，当某路段年平均日交通量（AADT）为3000辆/天、预计年事故发生量为1.05次/年时，事故率为1.05/（3000365）=0.9610-6人次/车。同时，交通流的三个相互关联的特性交通流量、交通流速和交通密度都影响着交通安全的三个相互关联的方面发生事故的可能概率、概率的偶然性及事故的严重性。因此完全依靠纯粹的归纳演绎方法很难得出交通流与交通安全之间关系的数学模型。m单车 =q*p式中： q交通量； p单车道下每辆车发生事故的概率。这里的p一般不受q的影响。但是随着车流量和车辆密度的增加，车辆之间的距离会影响事故发生的概率。此时p是q的正比例函数，用p=f(q)表示。此时m单车的变化率要大于p的变化率。相反，若车流量和车辆密度很小时，m单车的变化率会小于p的变化率。实际当中甚至会出现当车流量增大到某一点时，q增大反而会使m单车= q*f（q）减小的情况。因此，由逻辑分析的方法我们可以得出这样的结论：交通安全影响函数在靠近原点的某一范围内近似为一条直线。当交通安全取决于两股或者更多相冲突的交通流（汽车-火车、交叉口汽车-行人等）时，mi在原点附近，会随两股交通流量变化而变化，此时m与q的关系将在本节后半部分具体讨论。此时需要注意的是车辆追尾事故的发生率与q2成正比。当然，这种推理只适于低流量的情况。在一定交通流速下，m怎样依赖于q，并且驾驶员的敏锐程度等其他行为也是影响交通流量的方面，都不能单独预测。对于交通流和事故频率关系的经验研究第一步是收集、测定和检验数据，下一步是选择能服务于事故预测模型的适当拟合数据。那些看似有理并且决定于交通流的模型在以下列出。交通流，虽然很重要，但仅仅是预测事故频率依赖性的变量之一。这里仅考虑交通流，其他因素我们假定不变。当只有一股相关交通流时，幂函数和多项式的模型如下：m=q （2.1）m=q+q+ （2.2）大多数情况下，使用的是较为复杂一点的幂函数，m=q+logq （2.1.a）当它写成对数形形式时，与多项式2.2有关。Log(m)=log()+log(q)+log(q) （2.2.a）式中：m-某一时期内某列交通事故发生次数（事故频率） q-交通流量 、-参数当有相关的两股或更多股交通流或者是不同类型的车辆时，常采用幂函数乘积的形式：m=q1q2 （2.3）常用的模型的共同特性是他们是线性的或者可以用对数形式表示。这简化了模型统计的参数估计。这些函数的形状如图2.2所示。图22 常用函数模型幂函数（方程2.1）简单并且满足原点附近的逻辑要求（当q=0，m=0并且=1时可表示与与一股交通流有关，=2可表示与两股交通流有关）。但是，它的简单性也是他的不足之处。B=1时，模型是线性的，不适合交通量大的情况。同样，当=2时，不适合交通量小的情况。简而言之，如果选取是为了满足逻辑的需要，模型就不可能适合偏离远点较远的数据。相反的，若果选取是为了最好的拟合数据，那么就不能满足逻辑的需要。在经验研究中，幂函数的普及不是由于它的适宜性，而是由于它的方便性。大多数分析参数估计得软件很容易地求解幂函数。多项式模型（方程2.2）不能真正的满足原点附近的要求。它的优点是利用更过的条件（更多的参数），曲线部分可以再弯曲，几乎可以任意的变形。这是以参数的简单化为代价得到的。如果数据表明随着交通量的增加到一定的水平，m（q）的斜率组件减少，甚至可能变成负数，这是可以表达如下：m=qkeq（2.4）根据原点附件的条件，参数k=1或者2。当0时，函数q=-k/处有最大值。参数k=1或者2时，图2.3是该模型的图示。这个模型的优点是它可以拟合原点附件的条件并且可以遵循数据的原形。这个模型的优点是不论交通量大小都有很好的拟合效果。图23 原点拟合模型在上述文章中，重点是研究交通流是如何影响事故率的。因此，模型是根据流量（q）建立的，这个参数是独立变化的。但是，交通流并不是影响事故率的唯一因数。路面形状，时间，车速，行为规范等都起着一定的作用。简而言之，事故率的模型建立在本质上是多元化的参数估计。数据收集及模型选择后的下一步就是对参数（和）进行标定。在早期的工作中，估计经常靠减少偏差的平方而得到。这在实际中看上去是不完善的。考虑到事故数量离散随机性，事实上他们的变化随着平均值，和可能的过度偏差的存在而增加，这就需要利用统计学上的一些方法（如，Hauer 1992，Miaou和Luml 1993）。对于加利福尼亚的信号交叉口，Webb给出郊区车速在40km/h以下的年事故m=0.00019*（主要单路ADT）0.55+(交叉道路ADT)0.55。由于和等参数的标定和干道、交叉路口分流量的获取均需要一定的统计手段或经验估计，该部分工作有待今后在生产工作中进一步搜集，但无论如何选取参数，可以肯定的是ADT在4000车次/天的大型交叉路口，m值均超过了1。个人建议，我部门组织技术人员对道路状况及车流进行抽样估计，计算机仿真运行等先进手段，从而对相关参数进行标定，也可对我矿提高管理水平，及时改善运输状况作出技术层面的合理建议。第三节 不同车种比例对交通安全的影响混合交通是露天煤矿生产的显著特征之一。根据历年来对我国交通事故产生的特点分析可知，混合交通条件下发生的交通事故占总数的55.9%，同时还是主要的死因（占67.2%）；当混合交通且缺少交通控制时，造成的交通事故占总数的50.8%；死亡人数占62.4%。混合交通的存在，致使交通流量运行复杂化。对露天矿而言，所谓混合交通特指车速较高的小型汽车与车速较低的大型汽车所组成的交通，即行驶车辆之间存在的“速度差”。交叉口汇聚了不不同方向的交通流，当混合交通流进入道路交叉口时，会产生分流点、冲突点和合流点，这些特征点的存在，直接影响着交叉口的通行能力。从直觉上看速度和事故的关系就是速度越高，事故越多、严重性越大，但是它们之间并不是简单的线性关系。1964年大卫所罗门在60km/h公路上对10000名驾驶员进行观测，得出了呈“U”型的事故率与车速之间的关系曲线。车速在平均车速附近时，事故率低，远离平均速度时事故率高，从而得出了速度的离散性对交通事故的影响；路易斯安那大学孙小端教授曾在京津塘高速公路安全评价中指出速度差已经成为我国高速公路安全的一个共性的问题，可见速度的离散性对高速公路安全的影响值得进行研究。 表3-1 国内九条高速均速及事故率统计 图3-1 车速标准差-事故率散点分布图 由上图可知，事故率与速度标准差呈正相关性分布，即随着速度标准差的增加，事故率不断增大。但从表观上尚不能确定其属何种函数分布。 为此，对表3-1数据分别进行线性、指数和对数回归分析。其模型的标定及参数如表3-2所示。 表3-2 模型回归参数表 相应的线性、指数以及对数模型分别如下：模型1：AR = 4.532 + 0.496 * DIF (3.1)常数项显著水平值为SigF = 0.042，自变量的显著水平值为0.001，模型判定系数R2 = 0.93163。模型2：AR = 8.808 * e0.025*DIF （3.2）常数项显著水平值为SigF = 0.002，自变量的显著水平值为0.007，模型的判定系数R2= 0.87273。模型3： AR = -35.472 + 16.435 * ln（DIF） (3.3)常数项的显著水平SigF=0.001，自变量的显著水平值为SigF=0， 模型的判定系数R2=0.97294。 三种模型最终的拟合结果如图所示： 图3-2 各类模型拟合结果图 由于指数模型的拟合优度最高，故取用指数模型。在1215端帮路，矿用重型卡车车速保守估计约为20km/h，指挥车保持常规速度40km/h，其他车辆一并计入指挥车集合。按照第一节数据，有Vavg = *20+（-）*40/ = 26.32km/h，DIF = 9.3km/h，AR = 1.18。但值得注意的是，高速公路中运输卡车与小汽车比例约为1:13，事故发生率约为1:2。换言之，占交通总量7.14%的运输卡车产生的事故约为全部事故总数的33.33%。直观上的理解即为：高速公路运行中，1辆运输卡车与6.5辆小汽车发生事故的概率相当。这一点对考虑交叉路口事故率尤为重要。为此引入车辆折算系数PCE。将总交通量中各类车辆交通量换算成标准车型交通量之和定义为当量交通量，也称标准车当量；PCE(Passenger Car Equivalents)即是将某类型的1辆车换算成为标准车辆的辆数。公路工程技术标准中各类车型的PCE系数如下表所示（以小汽车为标准车型）： 表3-3 各类车型折算系数表PCE系数主要与该种车型占用道路资源的大小有关。露天矿上煤车型主要为小松630E(154t)，剥离卡车从730E至930E(290t)不等。按照吨位及线性尺寸比例，盲区范围等因素，初步确定矿用重型卡车PCE = 25。取小汽车为标准车型，DIF = 9.3km/h条件下，公路运输卡车PCE取2.5，当量交通量为亿车公里时，AR = 1.066。1215端帮路的年当量车流量为车次/年，按照最近月份的综合运距S = 3.523km计算， 当量交通量为1.11亿车公里，事故率约为1.17次/年。 第四节 出入口密度对交通安全的影响 根据一级公路出入口密度对交通安全的影响所述：1、 出入口处为事故多发段，且事故率为基本路段的5-6倍；2、 侧向相撞、同向相撞及尾随相撞为事故的三大主要类型，三者之和占整个事故样本的75%左右，且造成的损失比例也较大。 通过对出入口密度进行研究，定义： 出入口密度 M=G/L。 式中： M-出入口密度（个/Km） G-路段内有效出入口个数 L-路段长度（Km）该论文中一方面使用单因素方差分析法，对各路段事故进行出入口因素的显著性分析，另一方面依据出入口当量与事故率的散点图进行回归，得到出入口密度与事故率的线性关系：亿车公里事故率 Y=0.1728*M+0.1451 （4.1）线性关系显著。公式中，具体系数因由国内一级公路交叉口得出，目前并不适合直接用于估计露天矿采剥运输系统。但有一点可以肯定的是，事故率随出入口密度增加呈上升趋势。为使公式符合露天矿交通特点，借用第三节车辆折算系数PCE概念，将公式中系数按照1.15:1进行放大，得到Y = 0.19872 * M + 0.1451 (4.2)按照1215端帮路出入口密度5个/km计算，得1215端帮亿车公里事故率为1.14次/年，与第三节计算结果误差为2.6%，基本可以认定为一致性结果。以08年至14年黑岱沟露天煤矿为例，随破碎站移设以及坑线布置趋于密集，卡车事故发生的频率以及严重性逐年上升。如何布置运输坑线，在不增加运距的前提下减少出入口密度，控制交叉路口车流量，对于保障安全生产意义重大。 第五节 人因工程与露天矿运输安全管理司机对周遭的状况掌握，几乎都以视力为主，其他的感官知觉皆为辅助，一旦视力减弱或丧失，危险发生的几率当然相对的提高。一般除了灯光照射偏高（例如远灯）或正巧行驶至上坡顶端的瞬间外，低灯（或近灯）不至于产生眩惑。而高灯（或远灯），尤其在郊区道路周围灯光昏暗的环境中，经常使对向来车驾驶人员产生更长的眩惑时间，使驾驶人偏离车道，容易发生事故。长期夜间运行，频繁会车产生的眩光，更会加速驾驶员的疲劳度提高，甚至直接导致瞌睡。法国国家警察总署交通事故报告表明，因疲劳瞌睡而发生车祸的，占人身伤害事故的14.9%，占死亡事故的20.6%。据世界卫生组织的事故调查显示，世界范围内由驾驶疲劳造成的事故占特大交通事故的20%以上。 迄今