地铁乘务安全链式体分析

《地铁乘务安全链式体分析》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、地铁乘务安全链式体分析身份证：44028119880814****摘要：地铁乘管理具有点多，面广的特点，以有系统则不乱，有计划则不慌的管理理念对乘务安全体系进行探索，建立安全、技术、培训三大管理体系，确保地铁乘务安全。关键词：乘务安全链式管理联动运转一、安全链式体系在一些新司机刚入职时，首先需要把乘务司机在地铁上所扮演的角色进行了解，以及相关的担负的安全责任。再加上个人的合理职业规划，才能确保后续的安全工作的开展。新员工的安全意识教育也是每日需要学习，“知行合一”系列安全意识教育以及“听员工讲、让员工说

2、”为主题的分享相结合，潜移默化中形成良好的安全意识和安全习惯。“准军事化”乘务管理模式中的纪律比技能更加重要，很多安全事故都是违反作业纪律而造成的，因此，加强纪律意识教育，杜绝人为因素导致的安全事故，可以减少安全事故的发生率。二、安全关键点的防控。（一）设备设施。由于车辆、信号等设备的不稳定，给运营组织造成一定的风险。在乘务范围内，可以通过了解列车故障特性，做好分析预测和员工的技能培训;在乘务范围外，可以组织与各相关接口部门之间的协调会，对设备设施进行改造和优化,确保设备设施的稳定。（二）作业流程。定期

3、对乘务各岗位的作业流程进行梳理，对于优化和更改的作业流程需下发各岗位组织学习，综技组成员根据员工的学习情况进行评估和检查，对于在检查中存在的问题的员工，监督班组进行整改，并定期复查，确保全员过关。实现梳理一掌握一检查一整改的闭环过程。（三）人员特性。密切关注员工思想动态，在平时的工作中，员工会受到家庭、感情等多方面因素的影响，党群和班组长需要及时跟进员工近期的工作和生活状况，发现情绪波动较大的员工要及时做好疏导和调整，避免员工带着思想包袱上班。同时根据司机跑车吋间将司机划分为1-3年、3—5年和5年以上

4、3个阶段，针对每个阶段的不同状态，有针对性地加强安全意识教育和业务技能的培训。（四）吋间特性。员工的违章情况会根据季节或者时间段的变化呈现出一定的规律。按季节分为:春、夏、秋、冬，按作业吋间段分为:片天、晚上、饭后、下班前和交接班过程中。根据这种人员违章的特性，分重点地进行劳动纪律、作业纪律、标准化作业和业务技能的检查，使安全生产保持在可控的范围内。三、安全制度的完善与落实。（-）生产信息。生产信息的上传于下达，是乘务管理中至关重要的一个环节。利用每日重点工作跟进表、月度重点工作指引表、轮值骨干电话抽问

5、和员工抽问反馈等多种形式，确保信息传达落实到位。（二）安全检查。在安全检查方面一般通过日常、专项以及节假日检查等方式开展，遵循“现场、现点、现务”的检查原则，深人一线，发现安全隐患，及吋处理，发现违章作业，及时指正，营造良好的安全环境。（三）安全演练。安全演练通过“双盲”、尾班车等实作形式的开展，让员工掌握在非正常行车组织时对安全关键点的把控，达到在突发应急情况下，故障处理思路清晰,处理步骤紧凑，OCC指导司机介人及吋有效和救援程序掌握熟练的目的。（四）安全台账。安全台账通过规范全员安全档案，对员工安全

6、台账、消防台账、演练台账等各个方面的台账进行完善，同时对于消防演练，安全演练等演练的全过程进行记录，分析，总结，为安全工作提供实吋数据和参考流程。（五）应急响应。结合骨干人员的家庭住址，制定应急情况下的响应程序，采用就近支援的方式，力求将有限的资源合理的布置到每一个需要关注的点，避免支援人员扎堆，疏忽关键控制环节。同时利用Glink软件建立乘务应急响应群组，从应急消息发布、应急响应、人员安排、过程控制和事后跟进等方面发送实吋消息，确保应急信息的及时性和有效性。（六）安全奖惩。通过对员工安全奖惩管理办法的

7、完善，对表现优秀的员工，以年度、季度、月度的形式评选“安全之星”、“应急能手”、“施工能手”等荣誉称号，树立先进典型;同吋对于发生安全违章的员工，根据“四不放过”原则，进行教育和整改。（七）保障制度。制定行之有效的安全保障制度，确保调车、调试、出厂、冋厂、施工、降级行车组织等关键作业安全可控，实现车厂管理:点点可控、面面俱到，正线管理:死守两端、统筹中央。四、技术链式体系（-）运营情况分析。1.每周运营分析。每周进行一次线网内运营事件和本线运作情况的数据分析，全面了解设备状态和故障情况。2.每月技术月报

8、。每月进行一次本线时刻表使用、晚点分析和故障情况的统计，对故障发生的时间、地点、故障类型进行预测，并做好防范措施。同时•将设备情况反债给相应的部门进行维护和检查，确保车辆和信号系统的稳定。（二）数据透视的应用。利用EXCEL中数据透视的功能对本线所有列车的故障情况进行统计，可以按照日期、吋间段、地点、故障类型、车底、驾驶模式六大类进行统计和分析，从分析结果可以对故障发生的时间、地点和类型进行预测，随着数据量的增多,预测结果的准确度也将越高。