综合管廊智能运维关键影响因素分析

王 婉，张向先，诸秉奇，滕佳颖

（1.吉林建筑大学经济与管理学院，长春 130118；2.吉林大学管理学院，长春 130022；3.东北电力设计院企业发展部，长春 130022）

0 引言

为了更好地落实中共中央、国务院颁布的《国家新型城镇化规划（2014－2020 年）》［1］战略部署，适应新常态下经济发展的历史需要，我国正加速推进新型城镇化建设进程。在此过程中，城市地下综合管廊项目的开发规模也呈明显上升态势。综合管廊项目在运维阶段因具有参与主体多、管控难度大等特点，运维过程涉及较多的潜在风险因素，如何准确、客观地评价综合管廊智能运维的关键影响因素是城市地下综合管廊安全运维的重要课题。

在综合管廊的智能运维方面，近年来国内外学者进行了大量的相关研究。唐超等［2］构建了基于“BIM＋GIS”的技术理念实现综合管廊智能运维的平台。郑立宁等［3］综述了综合管廊智能化运维管理的关键技术体系与数据标准。Zhang 等［4］从环境视角切入对城市综合隧道中进行了环境测量，测定了空气中细菌和真菌的暴露水平和大小分布；邱实等［5］基于耦合度模型（CM）构建了综合管廊施工风险耦合模型，并以耦合度值对综合管廊施工安全风险状态进行定量评价；张军等［6］运用BP 神经网络地下管廊施工质量前期预测模型；刘桥喜等［7］提出了面向多源数据集成，基于GIS的管廊隐患联动处置的安全运维平台；宋雅璇等［8］提出以BIM 技术为核心的可视化运营管理平台；李芊等［9］运用DEMATEL 识别综合管廊安全运维的关键风险要素。近年也有学者利用贝叶斯网络进行地铁、盾构施工项目的风险管理，吴贤国等［10］基于贝叶斯网络（BN）理论提出一种施工风险管理分析方法；陈发达等［11］采用了贝叶斯网络与云模型构建了基于云贝叶斯网络的泥水盾构隧道开挖面稳定性研究模型。但鲜有学者运用贝叶斯网络进行综合管廊内部环境的智能运维的关键影响因素分析。

本文聚焦于综合管廊内部环境智能运维的风险管理，提出了诱导城市地下综合管廊内部环境风险发生的相关影响因素；通过主成分分析及因子分析筛选出独立的关键影响因素，并构建综合管廊内部环境智能运维指标体系。最终通过贝叶斯网络建立贝叶斯网络结构并进行优化，借助敏感性分析确定综合管廊内部环境智能运维需要重点关注的敏感性因素。

1 环境智能运维指标体系的建立

1.1 影响因素分析

本文依据住建部颁布的《城市地下综合管廊运行维护及安全技术标准》［12］（GB51354—2019），结合相关文献调研与综合分析，形成了包含廊体本体（A）、附属设施（B）、管道与管线（C）、廊体内部气体环境（D）4个一级指标及32 个二级指标，最终构成了城市地下综合管廊内部环境智能运维的影响因素，如表1 所示。

1.2 运维指标体系的建立

（1）实证数据收集。本调查问卷设计采用李克特五级量表。邀请业内实务专家对城市地下综合管廊内部环境安全运维风险因素的发生概率和重要程度按照李克特5 级量表进行打分。本问卷将综合管廊内部环境安全运维影响要素的重要程度与发生概率进行五级制评分（见表2）。调研期间共发放130 份，回收115份，回收率87%。剔除无效问卷，共得到102 份有效问卷。使用SPSS23.0 统计软件对问卷进行数据统计分析，内在信度效度合理，因子分析的效度较好，可以进行因子分析，满足统计分析要求。

（2）主成分分析及因子解释。对数据进行标准化去量纲，各项的概率及程度进行协方差计算，采用方差极大法，由旋转迭代后可以清晰得到18 个主成分，通过方差及相关性比较得到因子解释，如表3 所示。

表1 综合管廊内部环境智能运维的影响因素

表2 综合管廊内部环境智能运维风险要素评级及概率分配表

（3）智能运维指标体系。根据因子分析，在管廊主体这一层级，廊体渗透是导致廊体变形与廊体裂缝的直接诱导因素，因此在构建廊体主体风险要素时考虑到剔除具有叠加性影响因素。在附属设施、管道管线与廊体内部气体环境中依次按照因子分析的直接诱导因子将具有叠加性的指标剔除，最终得到综合管廊内部环境智能运维指标体系。该体系分为两个层次，其中包括4 个一级指标和18 个二级指标，如图1所示。

表3 综合管廊智能运维关键影响因素及因子解释

图1 综合管廊内部环境智能运维指标体系

通过综合分析相关文献，从建筑安全的致因理论出发，设计了综合管廊智能运维的调查问卷，并运用SPSS 23.0 软件进行因子分析得到最终综合管理智能运维指标体系。

2 智能运维模型构建

基于文献调研、实务专家访谈、实地调研等综合分析，确定了网络结构中的父、子节点，进一步分析贝叶斯网络中各风险因素之间的因果关系。如综合管廊廊体主体结构渗漏→综合管廊主体结构变形，构成因果关系；廊体内部硫化氢浓度过高→廊体内部环境报警，构建因果关系，进而形成贝叶斯网络中各风险因素间的因果关系。本文通过上述专家访谈结果及研究团队的工程经验来进行关联，由此初步得到综合管廊内部环境智能运维的贝叶斯网络结构。

2.1 贝叶斯网络

贝叶斯网络又称信度网络，是不确定知识表达和推理领域最有效的理论模型之一［13］。它可以有效地进行多源信息表达与融合，将故障诊断与维修决策相关的各种信息纳入网络结构中，按节点的方式统一进行处理，能有效地按信息的相关关系进行融合。而且贝叶斯具有逆向推理学习能力，可以用来诊断事故发生的影响因素。

2.2 贝叶斯网络结构的建立

（1）数据与处理。首先，对问卷数据进行预处理。对标《建筑施工安全检查标准》，结合风险矩阵思想，分别以综合管廊智能运维的风险因素的重要性及发生的概率建立二维矩阵，得出低、中、高3 类风险，分别记为L、M、H，分别表示综合管廊智能运维的风险程度，并对数据进行风险等级规范化处理。其中，以0～4 从低到高表示风险发生概率和各风险因素发生后造成影响的5 个等级。

本文选用GeNie2.0 软件来进行贝叶斯网络模型的推理分析。使用经预处理的数据进行贝叶斯网络模型的参数学习，以获得各个节点变量的条件概率分布。通过专家经验分析，利用数学建模对综合管廊内部环境智能运维影响因素进行回归曲线分析得出：

各因素权重＝重要程度×0.6 ＋概率×0.4

（2）数据标准化。对数据进行标准化处理，不同权重的问题分为H1、H2、H3、H4 和H5 5 级综合指标，导入GeNIe2.0 软件中，进行可视化分析。

研究的问题内容决定了贝叶斯网络结构，研究对象样本数据完整程度决定了贝叶斯网络学习算法。对于样本的数据较完整的情况，采用统计测试、搜索记分方法。对于样本数据中存在部分缺失的，采用具有噪音的被疑似学习和小数据集贝叶斯网络结构学习。基于上述特征，本文采用K2 算法，得到初始贝叶斯网络结构。

图2 初始贝叶斯网络结构图

2.3 贝叶斯网络结构的优化

在图2 中的初始贝叶斯网络结构图中体现的因果关系并不明晰。比如“应急照明故障”不会导致“廊体渗漏”。这是由于K2 算法只能发现平行关系的节点，对因果关系的有向边确定具有一定的局限性。因此在初始的贝叶斯网络结构中，再结合实务专家经验进行因果关系明晰，优化贝叶斯网络结构。优化后的贝叶斯网络结构如图3 所示。

图3 优化后的贝叶斯网络结构

2.4 敏感性分析

敏感性分析是帮助验证贝叶斯网络的概率参数的技术［14］。高敏感／影响较大的概率参数对推理结果的影响更显著［15］。通过敏感性分析可以在众多不确定性的因素中识别最具影响力的敏感性参数。运用GeNIE2.0 软件根据之前得到优化的贝叶斯网络结构进行敏感性分析，它以红色显示最具影响力的参数。如图4 和图5 所示。

由图4 可知，当危险敏感值设置H ＝100%时，影响综合管廊智能运维的高敏感性因素包括A2、B9、B11、B15、C2、C）、C4、C6、D1、D2、D4、D5 以上因素；而B3、B5 与B12 是需要关注的潜在敏感性因素。

图4 危险敏感值设置为H ＝100%的敏感性分析结果

图5 危险敏感值设置为M ＝100%的敏感性分析结果

由图5 可知，当危险敏感值设置为M ＝100%时，影响综合管廊智能运维的敏感性因素包括A2、B9、B11、B12、B15、C2、C3、C4、C6、D1、D2、D4、D5 以上因素。

对比图4 和图5，在危险敏感值不同的状态下，综合管廊安全运维的敏感性因素是有差异的。区别在于在危险敏感值H设置为100%时，供电设备、通信系统和风道系统是需要关注的潜在风险管理对象，而在较危险的状态下则为不需要重点关注的对象。

3 结语

本文通过文献调研并结合我国综合管廊安全运维的相关政策，构建了综合管廊智能运维的指标体系，确定了18 个关键影响因素。运用贝叶斯网络对综合管廊智能运维的影响因素进行敏感性分析，发现当危险敏感值设置调高时，会增加通信系统损坏、供电设备损坏与风管、风道系统这3 个潜在敏感性因素，应予以重点关注。在实际运维管理过程中，重点监测这些敏感的关键影响因素的变化，以提升城市地下综合管廊项目的风险预警能力。