智能预警信息系统在建设项目安全生产管理中的应用

2020-06-20马瑞

工程建设与设计 2020年9期

马瑞

（中铁城市发展投资集团有限公司，成都610000）

1 引言

美国安全工程师海因里希提出了其著名的“安全金字塔”法则：1 个死亡重伤害事故背后，有29 起轻伤害事故；29 起轻伤害事故背后，有300 起无伤害虚惊事件以及大量的不安全行为和不安全状态存在。当前，排查这些不安全行为和不安全状态工作主要靠人力，通过现场人员的专业知识去发现生产中存在的安全隐患。这种方式易受到主观因素影响，这样经验式的管理无法适应企业的较高要求。即便有的现场应用了“安全隐患排查系统”“隧道监控量测系统”“视频监控系统”等安全管理辅助软件，但这些软件大都相对独立，数据不共享，难以对建设项目安全管理形成事前预知（风险可视）、事中预防（控制可视）、事后响应和总结（结果可视）。

2 解决方案

为建设项目建立并应用一个以危险源管理为核心，覆盖安全生产体系各项业务的智能预警信息系统，对各项业务产生的大量数据信息进行数据挖掘、数据分析、数据简化后，应用多参数动态数据处理决策支持模型和预警指标体系库等知识库和方法库【1】，对危险源进行风险评价，评估危险源的风险等级，对不可接受的风险及时进行预警，对危险源采取必要的技术控制、人员不安全行为控制、管理控制等措施，有针对性地、及时并有效地消除或降低安全隐患风险，实现危险源的可视化管理，即风险可视、控制可视和结果可视（见图1）。

3 系统架构

图1 智能预警信息系统数据原理图

通过对项目的整体信息、管理制度、应急预案、人员信息、设备信息、材料信息等进行管理，对双控系统分层级、按照安全责任矩阵分权限管理，实现统一表单、统一考核制度、统一数据来源、统一安全隐患PDCA 闭环管理、统一奖惩激励，实现规范、标准、精细、简洁的管理，从而提高项目整体安全管理工作效率。其功能包括危险源辨识、评定安全风险等级、隐患排查治理、教育培训、劳务人员管理、人员定位、作业现场检查、监理人员履职监控、应急救援、事故管理、特种设备稳定监控、机械设配定位管理、问题库建立与安全绩效考核等。

4 应用及数据采集

各子系统的业务紧密联系、环环相扣，在辨识出重大危险源后，对涉及的危险性较大分部分项工程编制专项方案并审批，对管理人员、专职安全生产管理人员、特种作业人员和其他人员，有针对性地推送技术交底内容，并根据安全责任矩阵明确具体如安全措施等工作实施人、验收人、监督人等；通过视频识别、RFAD 定位等方法确认责任人员是否在现场进行履职，安全隐患是否在规定时间内被排除并验收；利用方案中有关技术参数和计算书中的相关参数与现场设置传感器或监测点采集的数据进行匹配对比，自动判定安全状况；在发生事故或紧急情况系统自动或人工手动启动相应的应急预案时，相关信息可以通过系统第一时间通知到指定的人员，以便相关应急处置措施可以在最短时间内实施。在正常情况下以上描述的各类信息都被作为数据采集到数据库中。

数据采集和输入由初始输入、执行预设安全管理的业务输入和实施采集，形成历史数据和实时数据，初始输入数据包括安全生产法律法规及相关制度、危险源信息、危险源辨识信息、从业人员相关信息、进场设备及材料信息、应急预案初始设置信息等；业务输入数据包括危险性较大工程的专项方案及审批信息、技术交底执行信息、现场作业实施信息、安全管理人员进行隐患排查过程信息、人员安全培训过程信息、人员作业行为信息、材料的进场及使用信息、机械设备作业信息等；实施采集信息包括现场气象数据及气象大数据获取，隧道监测、基坑监测等物联网数据、视频监控等。数据的采集可以通过传统的系统录入、导入方式和二维码、GPS/GIS、NFC、物联网、互联网+等方式自动采集。

5 智能预警原理

危险源涉及人、材、机、法、环等方面的因素出现各种状态或行为，及其持续时间和发生频次等量化为基础数据，并建立目录及索引，将数据库中的历史数据和实时数据作为参数输入人工神经网络（ANN），并建立多参数动态处理决策支持模型（后简称“模型”）（输入层），由模型对预警指标体系库等知识库和方法库进行深度学习（DL），并循环迭代后（隐藏层），对风险结果进行概率预测（输出层），预测该工点可能发生不同级别事故的概率。如图2 所示为人工神经网络原理图。

图2 人工神经网络原理图

在神经网络中，数据的传递以神经网络的线性操作进行，危险源的基础数据（X）从输入层开始，在网络中按着箭头标示的方向，在层间从一个节点到另一个节点的传输处理，从箭头根部节点到下个节点进行数学变换，数据从箭头的底部开始，然后乘以该路径预警指标体系库、知识库等的参数作为权重（ω），每个节点将以这种方式得到一个值，汇总所有在节点收敛的值。

为提高模型的预测准确性，通过模型的自我学习的方式进行，对生产过程中的多个参数进行分析比对，从而有效界定危险源状态是否构成安全隐患。在模型中将危险源获得的历史数据和实时数据分为3 个数据集合：训练集合、测试集合和验证集合。对于训练集合，利用80%的数据，通过神经网络的迭代结果，分别在剩余数据的10%测试和10%验证集中进行测试和验证预测的准确率，并通过调整神经网络宽度和深度，计算误差平方之和（SSE）对预测的准确性进行评估【2】。在循环与迭代中不断调整权重，当SSE 最小时确定权重，完成模型算法优化，以达到预测系统的智能化【3】。

6 系统应用

在开展安全管理各项业务的同时，系统不断累积数据，并不断自我学习，通过系统预测和人为干预，使得预测结果向更准确的方向发展。安全管理风险可视，即系统在事前具备风险预知能力，使得一般隐患和紧急风险能可视化；在风险控制过程中，系统通过对隐患的排查情况进行监控，进一步学习和预测，做到控制可视化；在隐患排除或风险降低后，系统生成风险控制结果报告及相关的安全管理业务报表，实现结果可视化。