基于T-S网络的建筑施工安全预警模型研究

刘光忱， 李子博， 费 腾， 高 溪

(沈阳建筑大学 管理学院， 辽宁 沈阳 110168)

基于T-S网络的建筑施工安全预警模型研究

刘光忱， 李子博， 费 腾， 高 溪

(沈阳建筑大学 管理学院， 辽宁 沈阳 110168)

建筑施工安全问题日益凸显，迫切需要进行建筑施工安全预警模型方面的研究。本文结合以往的建筑施工安全事故案例，从人、物、环境、管理四个方面，对建筑施工安全影响因素进行分析，构建建筑施工安全预警指标体系。本文将建筑施工安全预警状态分为5个等级，并采用专家打分法对各预警区间定量划分，并借鉴模糊神经网络预警模型在其他学科领域的应用，建立了基于T-S网络的建筑施工安全预警模型。然后经过大量样本的训练和检测，使网络具有良好的泛化性。本文选取沈阳市某3个在建项目进行预警,发现与传统预警模型得出的结果一致，进一步验证了T-S网络预警模型的准确性和可行性。最终，得出T-S网络预警模型在建筑施工安全预警中具有适用性的结论。

建筑施工安全； 预警指标体系； T-S网络； 预警模型

随着我国城镇化水平的不断提高，建筑产业得到迅速发展。据有关资料显示，2013年我国建筑业总产值和房屋建筑施工面积为159131亿元和113亿m2，分别较2012年增长16.1%和14.6%[1]。从当前建筑业在国民经济和产业结构中的地位以及作用来看，建筑业在我国已经发展成为一个具有举足轻重地位的支柱产业。建筑业在国民经济中扮演如此重要角色的同时，又是执业活动中伤亡事故多发的行业之一。根据中国住房城乡建设部网站信息显示：2013年前三季度，我国合计发生建筑施工安全施工事故384起，死亡478人；建筑施工安全形势不容乐观[2]。

近年来，为有效降低建筑施工安全事故发生，政府相关部门及学者对建筑施工安全评价与预控理论和方法进行了大量的研究。如将模糊理论、层次分析法、神经网络理论等运用到建筑施工安全预警中[3～6]。在查阅和研究大量相关文献的基础上，对以往采用的预警理论及方法进行对比，结果见表1。因此，提出了基于T-S模糊神经网络的建筑施工安全预警模型，旨在对建筑施工现场安全状态进行预警，以期达到预防和降低建筑施工安全事故发生的目的。

表1 传统建筑施工安全预警方法优、缺点对比

1 建筑施工安全预警指标体系的构建

1.1 建筑施工安全影响因素分析

建立预警指标体系是进行预警的基础，预警指标选取的适宜程度将直接影响预警结果的准确性。因此，建立科学、合理的建筑施工安全预警指标体系是建筑施工安全预警的关键。在建筑施工过程中，由于施工情况的复杂性，各种危险源、不安全因素相互交织，因而对不安全因素的分析显得尤为重要。从系统工程学角度来看，建筑施工过程是一个复杂多变的“人—物—环境—管理”系统，这一系统的可靠性和稳定性决定了建筑施工安全的状态[7]。因此，从人、物、环境、管理四个方面进行分析，指出影响建筑施工安全的主要因素。

1.1.1 人的因素

人的不安全行为是引起安全事故的主要原因，各国的事故调查分析材料均无例外。国内的许多调查结果显示，在建筑施工安全事故中，各种“违章”行为是引发事故的主要原因。在众多事故直接触发原因中，人的不安全行为因素占很大比例。目前，对“人的不安全行为”一词并没有准确和严格的定义。一般地说，凡是能够或可能导致事故发生的人为失误均属于不安全行为。如果人为失误最终可能造成事故发生，就被认定为不安全行为。

导致人的不安全行为有多种原因，如施工人员身体健康状况、管理层与作业层的文化程度、特殊作业人员的职业技能水平、工人操作工艺等[8]。

1.1.2 物的因素

建筑施工领域中“物”的范围很广，包括施工过程中所用机械设备、施工材料、安全防护材料等。造成物的不安全状态有众多原因，诸如施工材料进场质量验收情况、施工机械设备可靠性、安全防护材料质量等。

1.1.3 环境因素

传统意义上的建筑施工安全环境因素，指的是建筑施工现场温度、照明及施工现场的布置等。规划整洁、有序的施工现场其事故发生率肯定较之杂乱无章的施工现场低。

随着人们对建筑施工安全理论的研究逐步深入，环境因素对建筑施工安全的影响程度也日渐突出。这里的环境因素不仅仅是传统意义上施工现场气候、施工现场温度与湿度、施工现场照明等，还包括项目所在地建筑业安全意识水平等企业的外部环境[9]。

1.1.4 施工现场安全管理因素

管理因素作为建筑施工“人—物—环境—管理”系统的核心，对建筑施工安全起着决定性作用。通过对建筑施工安全事故发生率极低的建筑企业进行调查分析，结果表明这些企业都具有完整的建筑施工安全管理机构、对施工人员进行有计划的安全培训，并且对施工现场进行定期、不定期的安全检查等一整套的安全管理措施[10]。这说明，一个建筑企业的安全意识和安全管理水平在很大程度上影响着该企业建筑施工安全状态。

图1 建筑施工安全预警指标体系

1.2 建筑施工安全指标体系构建

在上述对建筑施工安全影响因素分析的基础上，建立了3个层次、4个一级指标、20个二级指标的建筑施工安全指标体系，如图1所示。

1.3 建筑施工安全预警区间划分

基于文献的研究及对建筑施工安全事故分析，将建筑施工安全状态分为5个区间(安全、较安全、一般安全、较危险、危险)。

对于预警区间的划分，目前没有形成公认的方法。论文对各指标的预警区间划分结合现场实际调查、专家访谈，借鉴相关文献等方法分别确定。最终得到建筑施工安全预警状态划分标准见表2。

2 基于T-S网络的建筑施工安全预警模型的构建

2.1 T-S模糊神经网络的原理

2.1.1 T-S模糊系统模型

T-S模糊系统具有自适应能力强、自动更新、循环修正模糊子集隶属度函数等特性，T-S模糊系统采用“if-then”规则来定义。当规则Ri确定的情况下，模糊推理如下[11]。

首先，对各输入变量xj的隶属度μ进行计算。计算见公式(1)。

i=0,1,2,…,n;j=1,2,…,k

(1)

其次，将各隶属度进行模糊计算，采用模糊算子为连乘算子。计算见公式(2)。

i=1,2,…,n

(2)

最后，根据隶属度模糊计算结果，计算出模糊模型输出值y。计算见公式(3)。

(3)

2.1.2 T-S模糊神经网络

T-S模糊神经网络包括输入层、模糊化层、模糊规则计算层和输出层[12]。输入层中，节点数与输入向量的维数相同。模糊化层采用公式(1)对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用公式(2)计算得到ωi。输出层采用公式(3)计算T-S网络的输出值。

2.1.3 T-S模糊神经网络的学习算法

(4)

式中：ti和yi分别表示期望输出和实际输出；e为期望输出和实际输出之间的误差。学习算法如下：

(5)

式中：j=1,2,…,m;i=1,2,…,k。

(6)

(7)

式中：β为学习率(β>0)；i=1,2,…,m。

2.2 网络参数与样本选取

2.2.1 网络参数确定

学习率的大小直接影响网络的准确性，网络输入参数α可以滤除系数修正过程中的高频振荡，从而加快网络的学习。目前对于β和α值的选取，理论上并没有明确的方法。通过对比实验，发现选取β= 0.001，α= 0.05 比较适合[12]。

2.2.2 样本选取

(1)训练样本：对于构建好的T-S网络，需要大量的训练样本使网络输出结果具有较高的准确性。因此采用MATLAB工具箱中的Linspace函数按等间隔均匀分布方式在建筑施工安全预警区间内随机内插共产生1000组训练样本，以满足网络训练的需要。即在安全、较安全、一般安全、较危险、危险五个建筑施工安全状态区间内，每个区间内插200组数据[13]。

(2)检验样本：通过检验样本，检验训练好的T-S网络的泛化性。检验样本与上述训练样本的产生方式相同，共产生200组检验样本。

2.3 T-S网络训练、检测

第一步：训练样本数据归一化。在对训练样本数据归一化处理时，直接调用MATLAB工具箱中的mapminmax函数，使归一化后的数据不失其原本的数量关系。

第二步： T-S模糊神经网络的训练。主要包括网络参数模糊化、模糊隶属度计算、模糊参数修正等过程，该过程采用MATLAB软件编程实现。

第三步：检验样本对T-S网络的验证。将检验样本代入到训练好的T-S网络中，通过期望输出与实际输出的误差来验证经过训练后T-S网络的准确性。

训练数据误差、验证数据预测误差分别见图2和图3。

图2 训练数据误差

图3 检验数据误差

其中，训练数据的误差期望值为 -1.3140×10-4，方差为5.1065×10-5；测试数据预测的均值为 2.000×10-3，方差为 1.9759×10-4。在此次程序中，训练数据有1000个，测试数据有200个。

经过训练与检测后，结果表明：此时的建筑施工安全预警T-S网络具有良好的泛化性。

2.4 建筑施工安全预警

将表2各建筑施工安全状态划分区间临界值数据代入训练好的T-S网络模型，对应的T-S网络模型输出值分别为1.05、1.97、3.011、3.99。因此，得到的MATLAB输出值对应的安全状态如表3所示。

表3 MATLAB输出值与建筑施工安全预警状态对应表

根据某建筑施工项目具体情况，参照表2对该建筑施工项目各单项预警指标进行打分，得到该建筑施工项目建筑施工安全预警指标数据集，代入训练好的建筑施工安全预警T-S网络，将T-S网络模型输出值对照表3确定该项目建筑施工安全预警状态。

3 实例分析

本文选取沈阳市正在施工的某3个项目为例，运用T-S网络模型对各施工项目进行建筑施工安全预警。

3.1 建筑施工安全预警指标数据采集

建筑施工安全预警指标数据的采集由专家组打分得到。专家组包括各项目经理、监理总监、当地质监站工作人员、安全监察人员等10人，并依据项目实际情况，对各项目建筑施工安全预警指标打分。

分别对10位专家的打分进行统计，去除极大、极小值，形成具有代表性的建筑施工安全预警指标数据集。将数据集反馈给各位专家进行二次讨论分析，如此往复进行循环讨论，直至得出绝大多数专家认同的建筑施工安全预警指标数据集[14]。

经过上述步骤，对于3个项目分别得出data1、data2、data3共三组建筑施工安全预警指标数据集。

3.2 预警结果

分别将3个项目的预警指标数据集data1、data2、data3代入已经训练好的建筑施工安全预警T-S网络模型中，得到3个项目的MATLAB输出值分别为0.93、1.76和4.31。将3个项目的MATLAB输出值对照表3，得到3个项目的预警结果见表4。

表4 基于T-S网络模型对某3个项目的预警结果

结合以上3个实际项目，将T-S网络模型与传统建筑施工安全预警方法得出的3个项目预警结果进行对比，发现结果一致性较好。此时，说明基于T-S网络的建筑施工安全预警模型具有准确性和适用性。

4 结 论

(1)本文从系统工程学角度出发，以“人—物—环境—管理”作为一个整体，分析建筑施工安全影响因素。在构建建筑施工安全预警指标体系时，充分考虑到预警指标的科学性和实践性，尽量做到预警指标数据的定量化，以减少人为主观因素的影响。

(2)相对于传统建筑施工安全预警方法，本文建立基于T-S网络的建筑施工安全预警模型具有在权重的获得中摒弃了主观影响的优点，并且使整个预警过程简捷，大大缩短了传统建筑施工安全预警时长。

(3)实例分析表明，T-S网络的建筑施工安全预警结果具有客观性和准确性。T-S网络的建筑施工安全预警模型操作简单、规范，预警结果清晰明了。有助于工程技术管理人员根据预警状态确定施工现场安全态势，从而拟定和采取相应的预控措施，便于真正实现建筑施工安全化。

[1] 中华人民共和国国家统计局.中国统计年鉴2013[EB//OL]. [2014-07-02]. http://www.stats.gov.cn/tjsj/ndsj/2013/indexch.htm.

[2] 中国住房城乡建设部.前三季度建筑安全生产形势总体平稳[EB/OL].[2013-11-02]. http://www.mohurd.gov.cn/zxydt/201311/t20131104_216094.html.

[3] 王 君，张明媛，袁永博. 基于RS-GA-BP的建筑施工安全预测研究[J].工程管理学报，2010，24(6)：647-651.

[4] 张明丽，姚继涛.基于支持向量机建筑施工安全预警模型的研究[J].中国安全生产科学技术，2011，7(3)：58-60.

[5] 丛 杨. 基于层次分析和模糊综合法的建筑施工安全评价研究[J]. 建筑安全，2012，(12)：20-24.

[6] 廖 斌. 基于AHP的模糊综合评价法在建筑施工安全评价中的应用[J].中国安全生产科学技术，2013，9(10)：172-176.

[7] 王洪德.安全系统工程[M].北京：国防工业出版社，2013.

[8] 赵 彬，彭 英. 建筑施工安全管理人员配备研究-以重庆为例[J]. 建筑经济，2013，(2)：81-83.

[9] 李 静，张忠贤. 环境因素对施工现场与生产作业安全的影响分析[J]. 冶金经济与管理，2002，(1)：42-43.

[10]黄世国,袁 晓. 建筑施工安全综合评价体系的研究与应用[J]. 西南大学学报(自然科学版)，2012，34(7)：130-135.

[11]王永富，柴天佑. 自适应模糊控制理论的研究综述[J]. 控制工程，2006，13(3)：193-198.

[12]李国勇，杨丽娟. 神经·模糊·预测控制及MATLAB实现(第三版)[M]. 北京：电子工业出版社，2013.

[13]MATLAB中文论坛. MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010.

[14]李 宁，王李管，贾明滔，等. 基于层次分析法和证据理论的矿山井下六大系统安全评价[J]. 中南大学学报(自然科学版)，2014，45(1)：287-292.

Research of Constraction Safety Early Warning Model Based on T-S Netwok

LIUGuang-chen,LIZi-bo,FEITeng,GAOXi

(School of mangment, Shenyang Jianzhu University, Shenyang 110168, China)

Due to the construction safety issues become increasingly prominent, it is very necessary to study about construction safety warning model. The Paper analyzes the factors which affect the construction safety from the aspects of people, objects, environment and management combined with the previous construction accident cases, and builds security early-warning indicator system construction. It divides the construction safety warning state into five levels, and applies expert scoring method to quantify division of each warning interval. Learning the application of fuzzy neural network in other disciplines and fields, the article builds the construction safety warning model based on T-S network .After training and testing large number of samples, the network has a good generalization. Then it selects three construction projects in Shenyang City for early-warning, it finds that the results are consistent with traditional early-warning model, further validate the accuracy and feasibility of T-S network early-warning model. Finally, it gets the conclusion that T-S network has the applicability in construction safety warning.

construction safety; early-warning indicator system; T-S Network; early-warning model

2014-07-19

2014-09-10

刘光忱(1962-)，男，辽宁铁岭人，教授，硕士，研究方向为项目管理与工程经济(Email：jglgc@126.com)

建筑安全生产事故预警系统研究(2013-15)

TU714

A

2095-0985(2014)04-0067-05