基于本质安全理念的锂离子电池制造设施职业安全与健康风险管理机制框架开发
随着电动汽车和可再生能源存储的兴起，锂离子电池生产已成为全球最关键的工业领域之一。伴随着这一扩展包，锂离子电池制造中的职业安全与健康（OSH）问题日益受到关注。锂离子电池制造设施（LIBMFs）涉及一系列潜在危害，包括复杂的工艺单元、危险装备、高能量密度材料以及密集的人机交互（Xie等，2023）。工人常暴露于有毒溶剂、易燃电解液、石墨及金属粉尘、噪音以及电气和机械操作环境中，这可能导致多种职业伤害，包括中毒、灼伤、肌肉骨骼疾病、电击、挤压伤、割伤和跌落等(Liu et al., 2021)。这些职业危害因素对劳动者的安全健康及锂离子电池制造行业的可持续发展构成重大威胁。
目前，锂离子电池制造工厂（LIBMFs）的职业安全健康管理仍高度依赖安全法规、应急响应等附加控制措施（Örüm Aydin等，2023）。这些被动式策略侧重于后果缓解，而非从根本上减少或消除危害。鉴于此，本质安全理念已在化工行业风险管理中得到广泛应用，旨在通过以下本质安全原则降低工艺危害：最小化, 替代, 缓和，以及简化(Amyotte and Khan, 2021)。然而，锂离子电池生产过程中职业风险管理的本质安全考量仍存在局限性，并面临若干挑战。一方面，锂离子电池制造设施中职业危害的隐蔽性与多样性特征，为全面危害识别带来显著挑战；另一方面，缺乏系统性工具来量化职业安全健康绩效并支持本质安全措施实施，进一步制约了风险管理的有效性。因此，亟需构建一个基于本质安全原则的整体框架，通过系统识别、评估及主动预防锂离子电池制造设施中的职业安全健康风险，从而营造更安全健康的工作环境。
为应对锂离子电池制造设施（LIBMFs）中的职业危害，锂电池行业已采取多种风险管理与控制措施，包括工程防护设施、个人防护装备（PPE）、空气与环境监测、应急响应系统以及职业健康筛查。Christensen等（2021）强调需在全生命周期建立完善的锂电池应急响应系统，以应对火灾和有毒烟雾暴露等突发事件。Haozheng等（2024年）研究了锂电池行业职业健康风险控制的最新进展，发现个人防护装备（如口罩、手套、防护服和护目镜）仍是预防接触电解液、电极粉及其他危险化学品的常规措施。此外，通风系统和环境监测被广泛应用于电极涂布、电解液注液和焊接等关键工序中，以控制粉尘、有毒溶剂和烟雾。针对锂离子电池储存相关的火灾风险控制，谢氏团队...（2023年）开展了全面的火灾成因分析，并提出一系列安全策略，包括快速响应喷淋系统、机械通风装置、警报系统及员工培训方案。Lisbona与Snee（2011）指出，锂离子电池制造流程通常采用防静电工作服和强化材料筛选机制，以缓解电池组装与电极制备过程中存在的热积聚、静电放电及短路等危害。尽管这些措施可能在短期内降低职业伤害的发生概率与严重程度，但其本质上属于末端治理的被动防控手段，职业危害在锂离子电池制造工厂（LIBMFs）中仍普遍存在。因此，从源头消除危害或降低其固有风险潜力，对于实现可持续的风险防控具有至关重要的意义。
源于"预防胜于治疗"的理念，本质安全概念（Kletz, 1978）强调通过设计要素的改进来消除或最小化危害，而非依赖附加措施进行风险控制（Amyotte, 2020, Khan et al., 2023）。其实施遵循四项基本原则：最小化, 替代, 缓和以及简化(Kletz and Amyotte, 2010)。这些原则不仅指导设计者筛选和优化设计方案，还可应用于现有系统的改造升级(Amyotte and Khan, 2021)。为促进本质安全原则的实际应用，目前已开发出多种评估工具，可用于量化化工过程的本质安全水平。Edwards和Lawrence(1993)提出了具有开创性的本质安全指数，该指数通过为工艺危害指标分配罚分来评估本质安全性。基于这一基础，Heikkilä (1999)通过整合装备和工艺结构特征扩展了该指数，从而提升了本质安全评价的全面性。Khan与Abbasi (1998a)提出将快速风险分析应用于本质更安全设计，为工艺设计初期的风险评估及本质安全实施提供了方法。%%(2001)提出的安全加权危险指数(SWeHI)，增强了工艺危险评估的可靠性与系统性。
随后，Khan与Amyotte（2004）开发了集成本质安全指数（I2SI），该工具可应用于化工过程的整个生命周期，整合了本质安全原则的适用性，并能协调本质安全改进与成本考量之间的关系（Khan and Amyotte, 2005）。作为本质安全领域的原型模型，I2SI为化工过程中全面实施本质安全提供了指导框架。Tugnoli等学者（2008）通过修改I2SI的子指标，开发出能评估不同工厂布局设计安全性能的模型。Hua等（2018）则简化了I2SI模型，用于确定3-甲基吡啶-N-氧化物不同合成路线的本质安全等级。基于I2SI框架中本质安全原则的适用性量表，Gao等（2020）进一步提出整合人、机、环境维度的系统化本质安全方法论。
随着该领域的持续发展，本质安全评估已逐步演变为将安全指标与其他多种标准相整合，例如职业健康（Hassim and Hurme, 2010a, Hassim and Hurme, 2010b, Hassim and Hurme, 2010c）、环境影响（Anuradha et al., 2020, Zhu et al., 2022, Zhu et al., 2021）、可持续性指标（Athar et al., 2022, Cipolletta et al., 2022）、经济因素（Ahmad et al., 2021）以及可操作性（Song et al., 2018），以实现更全面的风险评估与决策制定。这些工具可按其方法学特征划分为基于指标的工具（Srinivasan等，2023）、基于风险的工具（Khan等，2015）、图形化工具（Gao等，2021）以及过程集成方法（El-Halwagi，2023）。其中基于指标的方法因其简单性、透明度和低数据需求特点（Shariff等，2016），被广泛用于初步本质安全与健康评估。然而此类指标在职业危害识别与量化方面的考量较为有限。基于风险的方法通过整合事故可能性与后果严重性，非常适用于定量风险评估；然而，这类方法通常仅能分析特定类型的工艺事故，限制了其在锂离子电池制造设施（LIBMFs）职业安全健康（OSH）风险管理中的适用性。本研究开发的基于方程式的贝叶斯网络（BN）能够系统整合多种职业危害因素，并通过相互关联的节点表征其依存关系。节点状态被定义为OSH绩效评分而非概率，从而将BN的适用性扩展到LIBMFs场景下的OSH绩效评估领域。此外，基于方程式的建模方法通过透明加权关系整合贡献权重与专家知识，有效降低了条件依存关系中的不确定性。
本质安全理念已从化工过程安全扩展到更广泛的风险预防与损失控制领域，涵盖粉尘爆炸（Amyotte等，2009；Rayner Brown等，2024）、疾病防控（Brown等，2021）、人因工程（Hassim，2023；Wahab等，2016）、航海安全（Iannaccone等，2019）、近海安全（Brown等，2020；Xin等，2016）以及氢能安全（Gao等，2024；Gao等，2025）。因此，本质安全代表了一种普适且包容的方法论，适用于多样化的风险管理场景。正如Amyotte等（2023）所述，本质安全不仅是一种风险消减策略，更是一种哲学体系、价值信念和生活方式。
固有安全性在风险管理中的综合应用还衍生出若干次级原则，例如避免连锁效应, 状态明晰化, 全生命周期友好性以及计算机控制（Kletz与Amyotte，2010）。此外，本质安全的应用范围已从化工过程要素的本质安全化扩展至更广义的本质安全思维范式。典型案例包括降低辐射强度与频次（最小化）（Athar等，2019b）、采用更安全的维护规程以减少维保作业中的暴露风险（缓和）（Okoh与Haugen，2014），以及取缔无证操作人员（替代（Gao等，2020），并创建equipment状态标签实现运行工况实时显示（使状态清晰可见(Chen等，2014)。这一概念演变表明，本质安全不再局限于预防重大工艺事故，还可被诠释为一种减少常规职业暴露与慢性健康问题的主动性理念。因此，本质安全思维要求采用具有本质安全特性或旨在贯彻本质安全原则的措施与实践。以清洁管理为例，其通常被视为程序性安全措施；但高质量清洁管理能有效减少粉尘积聚，故被认为属于本质安全思维的应用(Amyotte和Eckhoff，2010)。在职业安全健康领域，此类措施从本质上降低了工人接触有害物质的概率，而非依赖下游防护装备或管理控制。相比之下，旨在减轻事故后果的策略则被视为附加措施。例如，安全阀被归类为被动安全措施，因其设计初衷是缓解超压现象，而超压正是事故后果之一。
职业安全健康（OSH）风险评估是识别、量化和控制复杂工业环境中职业危害的基础。经过长期发展，目前已形成多种OSH评估方法用于应对技术、环境和人为因素引发的风险。传统的职业事故分析模型为理解结构化风险提供了理论基础。例如Attwood等学者(2006a) 对职业事故建模进行了全面研究，强调应从简单的线性方法转向系统性整合多维影响因素的分析范式。他们进一步指出安全投入在海上油气行业职业事故分析中的重要性（Attwood等, 2006b）。
20世纪末至21世纪初，涌现了大量基础性方法，推动工艺与职业风险分析朝着更加系统化、定量化和计算机自动化的方向发展（Khan and Abbasi, 1998c）。代表性方法包括危险与可操作性分析（HAZOP）方法（Lawley, 1974）、计算机辅助HAZOP技术（Khan and Abbasi, 1997）、快速风险评估工具（TORAP）（Khan and Abbasi, 1999）、软件失效模式与影响分析（FMEA）技术（Goddard, 2000）、风险评估软件包（MAXCRED）（Khan and Abbasi, 1998b）、故障树分析（FTA）（Ericson and Ll, 1999）、自动化FTA工具（Khan and Abbasi, 2000）以及模糊事件树分析方法（Huang et al.2001年提出的最优风险分析（ORA）方法（Khan和Abbasi）、以及模糊风险矩阵（Markowski和Mannan，2008）。这些基础方法在危险识别、风险量化和风险排序领域已获得广泛认可与应用，但在处理复杂系统中多因素交互作用及不确定性方面仍存在局限性。
为更精准地刻画不确定性与多元要素间的关联特性，贝叶斯网络（BNs）等概率建模工具的应用显著增长。多项研究采用BNs技术捕捉风险演化的时序动态特征，或实现基于情景的职业安全健康（OSH）风险建模（Amin等，2018；Amin等，2019）。例如Abimbola与Khan（2019）构建了适用于职业风险场域的动态BN模型，以实现工程系统韧性分析；Zarei等则...(2021)建立了一个基于动态混合贝叶斯网络(BN)的系统性职业事故模型，该模型能够模拟导致职业事故的贡献因素行为并预测事故发生概率。然而，动态BN模型通常需要长期的事故或暴露数据来支持状态转移和时间推理。此类数据在锂离子电池制造设施(LIBMFs)中往往较为匮乏，尤其是新建工厂。除时间建模外，BN还被扩展用于处理风险因素间的复杂依赖结构。Guo等(2019)采用基于copula的BN来捕捉工艺要素间的非线性关联，研究证明该方法能提供更可靠的职业事故概率预测。Efe等(2020)通过将BN与线性规划相结合，进一步扩展了BN在建筑施工职业风险分析中的应用。多数基于贝叶斯网络（BN）的职业安全健康（OSH）模型主要聚焦于事故概率与后果预测，并将附加防护措施作为减轻事故后影响的主要干预策略，而非从源头上消除危害。尽管这类模型在概率风险评估方面具有强大功能，但其对锂离子电池制造环境中职业危害的系统识别以及OSH绩效的源头改善支持有限。
从生命周期视角开展职业风险分析的方法已被众多研究采纳。Adem等（2018）对风力涡轮机进行了全生命周期职业风险评估，并在后续研究中基于模糊层次分析法（AHP）对工业4.0环境中的职业风险因素进行优先级排序（Adem等，2020）。类似地，Sui等（2020）对核电站建设阶段的职业危害进行了系统性分析。生命周期职业安全与健康方法在宏观层面识别不同阶段风险分布方面具有实用价值。然而，这类方法通常需要对异质化工作任务、暴露场景和时间尺度上的风险进行聚合处理，这不可避免地弱化了高度依赖具体操作情境的工厂级职业风险特征。为降低职业风险，固有安全理念被引入以促进更健康的化工工艺设计发展。Ng与Hassim（2015）及Pandian等学者（2015）系统性地将本质安全原则纳入工艺健康评估指标体系，从而指导利益相关方选择更健康的工艺路线。此外，So等人（2021）整合了保护层策略（layers of protection strategy）以实现健康风险的全面管控。Raslan等（2020）将本质职业健康（inherent occupational health）理念拓展至配方产品设计领域。然而，这些工具主要关注化学品相关及工艺因素引发的健康风险，对操作层面的职业危害考量仍显不足。
为实现可靠的风险预测与评估，多性向准则与混合决策方法被广泛应用于职业安全健康（OSH）风险评价领域。Adedigba等（2016）采用贝叶斯网络（BNs）构建了与工艺操作相关的事故模型，该模型能捕捉风险因素间的非线性交互作用与依赖关系。Kokangül等（2017）提出了一种融合Fine Kinney方法与层次分析法（AHP）的职业安全健康风险评估方法。在职业风险分析中，模糊集理论常被用于处理风险的不确定性。基于此，Khan等（2019）提出一种基于毕达哥拉斯立方模糊集的多准则决策（MCDM）方法，证明其风险预测精度优于现有方法；而Tepe与Kaya（2020）则将毕达哥拉斯模糊集与层次分析法（AHP）结合，用于沥青作业的职业危害分析。Mohandes和张（2019）基于混合模糊数开发了建筑工人职业安全健康风险评估工具，提升了风险分析的一致性与结构化程度。Karamustafa与Cebi（2021）进一步将安全及关键效应指标拓展至中智集领域，以降低职业风险评估中的不确定性。模糊贝叶斯网络（BN）的实施通常需要为各风险因子定义隶属度函数与语言变量，这要求大量专家知识参与模糊集的校准过程——尤其在涉及众多职业安全健康影响因素时，会显著增加建模负担。尽管这些基于多准则决策（MCDM）的职业安全健康（OSH）模型显著提升了职业风险评估中不确定性与可靠性的处理能力，但其主要开发目标仍集中于传统流程工业、建筑及化工领域。针对锂离子电池制造设施（LIBMFs）的综合评估框架——需同时涵盖化学暴露、电气危害、机械操作和人机交互等多维OSH风险因素——目前尚未建立。此外，现有OSH框架主要聚焦于风险排序、优先级划分及定量风险评估，未能明确纳入本质安全设计原则。这导致风险控制往往停留在管理或防护措施层面，难以实现职业危害源头的根本性最小化或替代。
在工业实践中，人为因素被认为是职业事故的主要诱因之一，并在整个风险管理过程中起着关键作用（Malik等，2025）。本质安全性的实施有助于减少复杂操作步骤和人为干预，使企业更易于遵守安全法规，从而降低操作过程中的人为失误（Rusli和Zainal Abidin，2021）。Papadaki（2008）强调，本质安全性不应局限于工艺设计、技术或物理层面，还应涵盖人性和伦理维度，这一观点与Amyotte等（2023）提出的本质安全哲学视角相一致。然而，大多数本质安全方法主要针对预防火灾、爆炸和化学相关事故而开发，对人为因素的关注相对有限。
为探究人为因素对事故的影响，Wahab等人(2014)构建了BN模型以预测人为因素的失效概率，并提出本质安全导向的预防措施。随后，Abdul Wahab等(2014)采用模糊层次分析法对降低人为错误可能性的本质安全策略进行优先级排序。研究团队进一步优化该方法，在筛选最有效本质安全措施时兼顾实施成本与成熟周期等因素(Wahab等，2016)。应将本质安全设计理念延伸至人因工程领域以提升系统可靠性。Hassim（2023）指出，本质安全的基本原则可映射至人因工程的Objective，例如减少操作任务的数量或频率，以及用直观界面替代复杂控制系统。该研究还提出了若干整合方法，例如将人因可靠性分析或BNs（贝叶斯网络）与本质安全设计相结合。
人与组织因素对职业安全健康（OSH）绩效的影响同样受到广泛关注，并日益被纳入职业风险评估框架体系。Noroozi等（2013）通过提出指数方法研究了维护作业中人误的因果机制，而Deacon等（2013）与Musharraf等（2013）则结合专家判断、贝叶斯网络（BNs）和风险评估技术，重点分析了海上作业与疏散过程中的人因可靠性。Srinivasan等(2022)研究了数字化背景下人为因素对人机交互的影响。随着工业4.0转型，大量数据驱动和人工智能(AI)方法被提出以捕获智能特征并支持实时风险评估。Amin等(2020)开发了一个集成故障评估与预测的数据驱动动态风险分析框架。Wen等(2023)探究了不同类型网络攻击下的人机冲突风险，而Zarei等(2023)强调了将AI技术(如深度学习和数据驱动方法)整合至人因工程的重要性。为分析建筑活动从业人员的职业风险，Sadeghi等(2020)提出基于机器学习与模糊推理的风险评估框架。
现有固有安全与职业健康指标主要关注工艺相关危害。这些指标通过整合多重工艺危害参数（如可燃性、爆炸性、工艺复杂性及毒性）对工艺装置的安全或健康绩效进行量化与比较（Park等，2020；Zainal Abidin等，2018）。因此，安全或健康风险的表征主要基于工艺参数、单元操作及化学品存量。因此，这些指标在捕捉复杂制造系统中普遍存在的各类非化学性职业危害方面存在局限，包括装备操作风险、人为因素及工作环境相关危害。锂离子电池制造工厂（LIBMFs）的职业安全健康风险具有化学、机械、电气及人为因素高度耦合的特征，并嵌入到涉及密集人机交互的多阶段连续生产流程中（Liu et al., 2021）。这种结构差异使得传统以本质安全为导向的指标难以有效迁移并应用于锂离子电池制造工厂的职业安全健康风险评估。
此外，现有许多本质安全方法仍停留在风险评估阶段，对风险缓解要素的考量较为有限。尽管部分研究尝试通过优化工艺参数（Leong and Shariff, 2008）、引入危险控制指标（Khan and Amyotte, 2004）或增设保护层与控制措施（Liu et al., 2024；So et al., 2021）来降低风险，但这些方法的核心关注点仍在于预防工艺扰动或失控，而非全面降低职业安全健康危害。就此而言，本研究将本质安全原则嵌入锂离子电池制造设施的职业安全健康（OSH）评估路径，在职业危害源头实施本质安全化改造以提升OSH绩效。该方法同时有助于克服传统OSH评估工具的局限性——这类工具主要反映整体安全管理或防护水平，而对危害在源头层面的可消除性与可替代性关注不足。此外，基于贝叶斯网络拓扑结构，该框架实现了对危害产生、本质安全干预、危害衰减与职业安全健康（OSH）绩效间因果路径的显式表征。表1展示了本研究与典型本质安全导向指标的对比分析。因此，该框架为锂离子电池制造设施（LIBMFs）中的职业危害识别、OSH绩效评估及本质安全改进提供了结构化路线图，从而支持职业风险管理水平的提升。
本研究开发了一个整体性框架，旨在通过本质安全改造降低职业安全健康（OSH）风险，从而为锂离子电池制造场所构建更安全、更健康的工作环境。如图1所示，研究针对锂离子电池制造工厂（LIBMFs）开发了专用的OSH绩效评价指标，用以量化整体职业危害水平。为构建该指标，本研究基于Reese（2018）提出的成熟检查表进行改进，提取影响OSH绩效的关键因素，从而系统识别LIBMFs中的职业危害源。采用层次分析法（AHP）确定贡献因素的权重值，继而构建贝叶斯网络（BN）模型整合层级化贡献因素及其权重，最终输出职业安全健康（OSH）绩效的量化评估结果。随后通过本质安全改造措施对识别的职业危害进行防控。该评价指标实现了锂离子电池制造工厂（LIBMF）实施本质安全措施前后OSH绩效的对比评估。案例研究表明，LIBMF实施本质安全改造后OSH绩效显著提升。这一新开发的框架通过运用本质安全理念，有望推动锂离子电池制造业职业风险管理模式从被动应对向主动预防转变。
