基于5M因果分析与源头–检出矩阵提升过程安全与制造绩效

《Eng》：Enhancing Process Safety and Manufacturing Performance Through 5M-Based Causal Analysis and Source–Detection Matrices

　　

摘要：职业安全日益通过基于工程的主动风险管理方法来解决，强调早期识别与消减工业系统中的危害。在制造环境中，对轻微过程偏差、未遂事件(near misses)及低影响运行故障的分析可为改善系统可靠性与安全绩效提供关键洞见。研究人员提出一种集成工程框架，将5M模型（环境Environment—M1、人Man—M2、方法Method—M3、物料Material—M4、机器Machine—M5）与源头–检出矩阵(Source–Detection Matrix)分析相结合，以支持对安全相关过程偏差进行结构化识别、分类与控制。该方法按5M模型对贡献因素分类以实现系统性根本原因分析，继而依据偏差在生产过程中的起源点与检出点进行映射。该方法论通过化妆品与香水制造行业的案例研究进行验证，涉及电气故障及挥发性物质暴露等过程相关危害。验证还得到实施前(n1=128)与实施后(n2=95)各6个月运营数据的支持，数据来源于事故报告、未遂事件记录、不符合项报告及内审资料。定量结果显示安全绩效改善，包括源头检出率(Detection at Source Rate)从42%提升至74%，轻微事故频率(Minor Incident Frequency)从11例/月降至5例/月。结果表明，将因果分析与检出映射相集成可增强过程偏差的早期识别，有效限制故障跨作业阶段传播，并提升整体过程安全绩效。所提框架为复杂制造环境中改善过程可靠性、运行安全及持续改进提供了一种实用且数据驱动的工具。

论文解读：基于5M因果分析与Source–Detection Matrix提升过程安全与制造绩效

研究背景与意义

传统职业健康与安全(OHS, Occupational Health and Safety)管理多依赖事后事故分析，且现有因果分析工具（如5M模型、石川图）通常孤立应用，未捕捉偏差在作业流程中的"何处被检出"，亦无法评估检测效率与偏差传播路径。Failure Mode and Effects Analysis(FMEA)、Hazard and Operability Study(HAZOP)等工具侧重设计阶段潜在失效识别，缺乏对实际运营中非符合项(or nonconformity, 不符合OHS要求的过程偏差、未遂事件或轻微事故)发生源头与检出延迟的追踪。现代制造系统复杂性要求同时关注过程可靠性、安全、质量及实时偏差检测。基于此，研究人员开展本研究，提出并验证集成5M–Source–Detection框架，填补因果分析与检测效率关联的方法学空白。该论文发表于《Eng》。

主要关键技术方法

研究人员采用混合方法学研究设计：首先构建Source–Detection Matrix——横轴为检出部门/工序、纵轴为偏差产生源头部门/工序（如供应商、采购、生产、质量控制(QC, Quality Control)、维护、物流、客户），单元格填入案例数并用颜色编码（绿=源头自检/到货检，黄=下工序检出，红=跨多工序迟检出），按月分析行列分布定位薄弱环节；其次用5M模型（M1环境、M2人、M3方法、M4防护装备与物质、M5机器设备）对每个非符合项进行根本因分类；然后将两者集成——每个非符合项既标注5M根因又落入矩阵对应格，指导纠正措施向"绿区(源头检出)"推移。验证采用前后对照设计，以化妆品与香水制造厂为对象，收集实施前6个月(n₁=128)与实施后6个月(n₂=95)的事故报告、未遂事件记录、非符合项报告及内审数据，计算关键绩效指标(KPIs, Key Performance Indicators)：源头检出率(DSR, Detection at Source Rate)、检出延迟指数(DDI, Detection Delay Index)、客户检出率(CDR, Customer Detection Rate)、未遂事件上报率(NMRR, Near-Miss Reporting Rate)、轻微事故频率(MIF, Minor Incident Frequency)、平均风险优先数(RPN_avg, Average Risk Priority Number)及风险降低率(RRR, Risk Reduction Rate)、传播指数(PI, Propagation Index)。通过两个典型案例（电气事故、挥发性刺激物暴露）演示框架应用。

研究结果

3. Case Studies: Application of the 5M Model with Source–Detection Matrix Analysis in the Cosmetics and Perfumery Industry

研究人员选取涉及挥发性溶剂萃取工艺的化妆品与香水行业，描述芳香浓缩物生产工艺流程及关键控制点(CPs, Critical Points：CP1原料接收检查、CP2固液分离中溶剂泄漏/蒸气监测、CP3酒精蒸馏/蒸发温控与压控)，并说明ATEX区域溶剂存储与使用的安全要求。

3.1. Scenario 1. Electrical Accident in the Cosmetics and Perfumery Industry

一起生产人员擅自干预真空蒸发系统致泵壳带电、两名人员受轻微电击且首例未被报告，最终由QC人员在工艺参数核查时发现（黄区检出——源头为生产部门C，检出为QC部门D）。研究人员用5M模型归类根因：M1(环境—电气柜区域照明不足/空间狭窄)、M2(人—未经授权操作、未执行LOTO上锁挂牌Lock-Out Tag-Out、未报告)、M3(方法—无电气安全检查程序、无开机前功能确认步骤)、M4(防护——无便携验电笔/绝缘工具配置)、M5(机器—设备接地缺失/老化、漏电保护失效)。Source–Detection Matrix将该事件定位为C行D列(黄区)，说明偏差跨工序才被识别。针对五类根因制定纠正措施（如增设便携验电仪与LOTO程序、定期电气PAT(Portable Appliance Testing)测试、ATEX区域专项培训）与预防措施（预防性维护计划、应急预案演练），监控指标含电气事件数、危险区作业人员培训覆盖率、ATEX合规检查率。结论：多M交互致单后果（触电），矩阵暴露检测延迟，集成分析指导跨技术-人-组织层面的关联整改，推动向绿区转移。

3.2. Scenario 2. Handling of Volatile and Irritant Substances in the Cosmetics and Perfumery Industry

卸料挥发性刺激物时操作人员吸入有害蒸气出现鼻部症状与咳嗽，源头为采购(B)接受防吸入保护不足的原料，检出为QC(D)在人员出现症状后介入（跨多工序迟检出）。5M分析确定三大主因：M1-3(工作环境被刺激蒸气污染)、M2-1(未佩戴适配的全面罩+有机蒸气滤芯PPE)、M3-1/M3-2(缺或不适用的危害物质接收与卸料操作规程)。研究人员制定纠正措施（退货/重新包装、局部排风改善、提供合适PPE）、预防措施（修订MSDS(Material Safety Data Sheet)审核与供应商协议、建立卸料SOP(Standard Operating Procedure)与PPE选用矩阵、定期呼吸器适合性检验）及行动计画含责任人/期限。设监控指标：采购验收合规性、PPE正确佩戴率、操作员反馈、内审符合性。结果实现消除直接蒸气暴露、标准化危化品操作、提升人员防护意识与供方沟通、降低同类事件发生风险。结论：多M至单效应分析结合Source–Detection Matrix与基于效率(近源快速)和有效性(根治根因)的措施可有效预防职业暴露。

3.3. Results and Quantitative Validation

基于QMS(Quality Management System)与SMS(Safety Management System)数据，基线期n₁=128、实施后n₂=95。KPI计算结果：DSR由42%升至74%；CDR由8.5%降至2.3%；MIF由11例/月降至5例/月；RPN_avg由148降至82（RRR=44.6%）；NMRR上升（表明未遂事件上报文化改善）；DDI与PI下降（偏差被更早遏制）。所有事件按5M分类并按矩阵格计数，前后期采用相同定义与提取规则确保可比性。结论：框架促使非符合项识别从反应性向后移向主动性近源检出，内部管控增强，降低风险传播与外部检出，证实方法在改善OHS与过程控制方面的系统级效用。

讨论与结论总结

研究人员指出，本研究的原创贡献在于将业已存在的5M模型与Source–Detection Matrix有目的地整合进统一运营框架，不仅识别根因，且可视化与量化检出延迟及传播路径，推动偏差向"绿区(源头自检)"转移——此为既有文献关注较少之处。框架补充了FMEA、HAZOP、Bow-Tie及石川图只侧重潜在危害识别或因果分析的不足，通过显式关联根因(5M分类)与检出位置及工序传播动态，支持更具操作性与可追溯性的安全绩效评价。Source–Detection Matrix可作缺陷传播图、过程责任图及系统风险图，辅助资源优先配置与决策。员工参与Gemba(现场)辨识校正非符合项可强化安全文化与个体责任，近源检出契合Heinrich安全金字塔原理。局限包括案例限于两类事件与单一行业、效果依赖数据准确性与员工参与度。未来方向含多场所扩展、IoT(Internet of Things)与预测分析集成、AI驱动的非符合项传播模式自动识别及跨行业比较研究。

结论(翻译自Conclusion部分)：

本研究的主要科学贡献是开发并在工业环境中验证了集成5M–Source–Detection框架，提供了将根本原因分析与检出映射相联系及可量化改善早期危害识别的结构化方法论。创新点在于经典5M因果模型与Source–Detection Matrix的协同集成，创建了同时回答"为何发生"与"被识别前传播多远"的实用工具。工作场所事故由多交互因素驱动，可用5M模型系统分析根因并优先排序纠正措施；所提Source–Detection Matrix通过映射偏差起源与检出点改善早期识别、减少风险传播（DSR由42%升至74%，CDR由8.5%降至2.3%，MIF由11降至5例/月，RPN_avg由148降至82对应RRR=44.6%）。两法集成提升纠正措施效率(近源快速)与有效性(针对根因)，通过偏差传播图、责任图与风险图强化基于风险的决策。虽在化妆品与香水行业通过两个6个月案例研究验证，该途径具推广至高危及复杂工业部门潜力，支持向主动、数据驱动的OHS管理转型。所提框架为推进主动OHS管理、助力组织从反应式迈向预测与基于风险的系统及支撑可持续运营绩效提供了实用有效解决方案。