一种SVM的建筑施工项目安全预警系统研究

赵莹

(陕西财经职业技术学院 商学院, 陕西 咸阳 712000)

0 引言

作为国民经济发展中的支柱型产业之一，建筑业得到了快速发展，同时在建筑施工过程中产生的安全事故越来越多，建筑业的安全管理问题一直是领域内的研究热点，随着现代建筑项目规模及作业范围的不断扩大，对建筑业的安全管理系统提出了更高的要求，这就需要建筑业不断完善和优化安全管理系统，提高建筑施工安全管理及预警能力，确保施工过程的安全。目前构建有效的安全预警系统已成为改善建筑安全管理的重要手段。

1 现状分析

建筑行业在提高国家综合实力方面起到重要作用，随着建筑项目的不断增加，建筑施工过程中的安全事故日益突出，而建筑行业具有包括项目投入大、周期长、体量大、参与方较多和投入大等在内的特点，其事故发生得更加频繁、涉及原因较多，并且建筑项目中的一些微小错误极有可能造成重大损失。目前国内建筑项目参与者对建筑安全管理的重视程度不断提高，施工企业的安全意识逐渐提高，设立现场安全员监管施工过程，并根据发现的安全隐患采取及时的整改手段，一些进行第三方监督的管理机构不断发展完善起来，相关法律法规对施工过程安全问题的规定越来越详细。但由于尚未形成系统成熟的安全管理体系，且主要采用事后的原因追踪方法，难以实现预防事故目的。改进建筑施工安全管理模式的重点在于运用现代化技术手段构建实用的安全管理系统，将事后应急和追责处理的传统管理模式转向事前的安全预警，实现事前管理，避免安全隐患及安全事故带来的损失。本文设计了一种安全预警模型，通过使用定量方法实现对建筑施工安全的预警功能，提高预警的客观性和科学性，降低安全事故的发生率[1]。

2 支持向量机的建筑施工安全预警模型

2.1 设计原理

针对当前建筑施工行业普遍存在的工作风险较高、事故多发等问题，为提升施工项目安全管理能力，国内外关于建筑施工项目安全预警模型方面的研究已取得一定的成果。例如，一种使用BIM技术构建的安全预警模型，对预警决策中动力学的优势进行充分利用，使用BIM信息模型完成实测数据的获取，据此实现施工安全预警功能。但BIM信息模型存在难以实时采集相关数据的弊端，导致预测误差较大，限制了准确预警功能的实现；基于目标识别的安全预警模型，针对目标特征，结合运用Elman、SOM网络完成对超声信号时序相关特征的分析，在此基础上完成模型的构建，降低了该模型实施安全预警的成本，但其响应时间仍有待提高。现有的这些预警模型大多基于动态层次分析法、神经网络等构建，但是普遍存在适用范围较小、客观性不足等问题，导致预警响应速度及准确率较低。基于结构风险最小化的支持向量机SVM收敛速度快，且具有全局极小点等优势，作为一种统计学理论，将其应用于安全预警模型中可有效提高模型的科学性和准确性。为有效解决模型响应时间较长、准确率不高的问题，本文在现有研究成果的基础上设计了一种基于SVM的安全预警模型及安全预警体系[2]。

2.2 预警指标体系的构建

指标科学合理的筛选是构建安全预警模型的基础和关键，本文遵循指标体系的构建原则，在对建筑施工相关的事件因素进行分析的基础上，结合现有的相关先验知识，将主要的相关预警指标从繁杂的影响因素中筛选出来，通过指标完成对施工现场安全问题科学有效、全面准确地反映，以确保所构建的预警指标体系同实际建筑项目施工情况最为符合，构建安全预警指标体系具体需满足。

(1) 科学性。为使实际应用过程中易发生的各种冲突得以有效避免，基于指标的合理选择构建科学的预警指标体系，并且能够进行合理的数据分析。假设，事故发生频率及相应的经济损失情况分别由P和C表示，系统的危险程度由R表示，如式(1)。

R=P×C

(1)

(2) 完备性。分析建筑施工项目可知，施工安全影响因素较多，且不同项目通常对应着不同的影响因素，施工项目各个阶段的危险度需能够通过安全预警指标完整的反映出来，并及时给出准确的预警。假设，危险诱导因子权重及诱导算子分别由W和U表示，危险度评价值由D表示，针对危险度评价的计算[3],如式(2)。

D=W×U

(2)

(3) 稳定性。一个建筑项目的施工工地通常包括较多的子项目，不同项目间通常具有一定的差异性，以其特点为依据划分为一次性活动。假设，在k时间段内，(y，f)表示判别函数，第L个项目的安全情况由Lk表示，用于对整个项目安全状况进行安全反映的计算过程,如式(3)。

P*=Lk(y，f)

(3)

(4) 动态性与发展性。建筑项目伴随着持续进行的施工过程，会呈现出动态发展变化的特点，项目任意时刻的实时安全状态也需通过指标体系进行有效的反映，这就要求指标体系具有一定的动态性，在此基础上实现对整个施工过程的安全状态变化过程的充分反映。随着包括互联网在内的现代技术的迅速进步，促使建筑行业的相关安全管理理论随之不断发展和完善，在确保指标体系适用性有效性的同时，要求所构建的指标自身具有一定的发展性，并且施工安全预警指标体系能够有针对性地进行完善，具有一定的预见性及包容性，不断更新完善，以具备不可替代的发展优势。

针对实际建筑施工中的事故，在安全预警模型中通过引用4M理论完成对原因的分析过程，并借鉴专家经验和相关文献研究成果，在此基础上完成预警指标体系的构建，本文筛选出了32个主要指标，由C={C1，C2，…，C32}表示，不同类指标的相关定义[4]如下。

(1) 人为因素。为实现对施工现场的监管力度的有效强化，人为方面的研究主要选取了三个不同因素，包括现场安全监管、不安全行为和其对应的前提条件，人为因素指标的具体分类矩阵,如式(4)。

(4)

(2) 物理因素。可细分为材料因素和机械因素，主要面向建筑不安全状态，对造成其原因进行分析和总结，以进一步明确具体影响因素，并据此进行有针对性的预警。

(3) 管理因素。先验知识表明，在所发生的建筑施工安全事故中，由管理因素造成的影响较为明显，管理因素可分为管理资源、过程管理和安全文化，具体的指标分类矩阵,如式(5)。

(5)

(4) 环境因素。在对建筑安全事故的原因进行分析时，需对环境因素进行充分考虑，主要可分为施工周围及施工现场环境、自然及社会环境，社会因素与宏观因素相关(以安全文化和工作人员的安全意识作为主要影响因素)，本文所设计模型主要采用了施工现场与周围环境、自然环境，可根据实际需要进行拓展。

2.3 建筑施工安全预警模型的建立

本文在构建预警模型时的具体目标主要包括:(1)安全检查表方法是现阶段国内较为常用的方法，该方法需通过专家审核完成，缺少量化处理导致结果的客观性不足，本文模型意在降低对专家的过度依赖，进一步提高指标的客观性，结合运用量化计算方法，使模型对专家的依赖程度得到有效降低。(2)完善和优化指标的选择，在建筑项目众多的影响因素中，如上文所述从中选取了32个评价指标，考虑到过多的指标会增加计算负担，采用相关方法预处理这些指标，在确保指标客观性的同时，有效简化了指标的条件性，使模型整个算法的计算量得以有效控制。根据RS理论，对于现实或者抽象的目标，知识具有对其进行分类的能力，对于包含多个研究对象的某一知识系统，假设，知识表达系统由S表示，F表示信息函数，系统中的论域和属性集分别由U和A表示，α表示属性，α的值域由Vα表示，研究对象的属性及属性值的制定[5]可按照如下表达式完成,如式(6)。

S=(U,V,A,F)

(6)

对决策表使用RS理论调整时，决策表中的值通过离散化数据表示，模型对定量指标中的连续数据通过使用C-均值聚类方法完成离散化处理过程，并对处理后的数据从大到小排序。传统的风险经验最小化原则采用SVM(基于结构风险最小化原则)进行优化后，能够表现出较佳的泛化能力。假设，i表示具体的学习样本，i的输入值由xi表示，其所对应的目标值由yi表示，给定训练数据,如式(7)。

(xi，yi)，i=1，2，…，n

(7)

将数据样本通过非线性映射方法的运用完成从原始空间到高维空间(K维)的映射，在此基础上进行线性回归，b表示置顶项系数，回归函数[6],如式(8)。

(8)

使用拉格朗日变换，支持向量机的数量由N表示，得到的对偶形式,如式(9)。

(9)

得到偏置系数

式中，Nsv表示支持向量数量。

通过训练和学习得到回归预测函数，如式(10)。

(10)

为确保所构建模型的预测精度，引用相应误差函数对该模型进行检验，具体采用相对误差函数对模型测试不同样本时的测试效果进行评价，采用均方根误差函数完成对模型整体效果的预测，假设，n表示具体的测试样本，n的实际值和预测值分别由x(n，ture)和x(n，pred)表示，如式(11)。

(11)

该安全预警模型的工作流程为：先完成训练样本集的选择与构建，接下来对样本通过使用C-均值方法完成离散处理过程，使用RS完成样本的简化处理，保证数据的完整性，进而得到最优属性集；然后采用交叉验证方法完成核函数与惩罚参数的选取，在对模型参数通过MATLAB编程完成相应的求解过程；在此基础上完成基于SVM的安全预警模型的构建[7]，如式(12)。

(12)

3 实验测试及结果分析

以本文建筑施工安全预警模型、基于目标识别的预警模型和基于BIM的预警模型作为实验测试对象，设计对比实验对所构建的建筑施工安全预警模型的有效性进行验证，实验环境采用RAM为1 GB的Windows操作系统、Intel Pentium4，并在Matlab仿真环境下完成相应实验[8]。

3.1 预警模型的响应时间

通过实验对比不同模型的响应时间，仿真结果,如图1—图3所示。

图1 本文模型的预警响应时间

图2 基于BIM的预警模型响应时间

图3 基于目标识别的模型响应时间

不同模型的预警响应时间变化情况,随着项目数量的持续增加表现出一定的差异，本文预警模型的响应时间基本能控制在20 min之内，且项目数量的持续增加可保持在一个较为稳定的状态下，相比其他两种模型整体预警响应时间最短；项目数量的增加使基于BIM信息的模型的预警响应呈现出大幅度上升的趋势，基于目标识别的模型的预警响应时间呈现出不稳定的动态变化状态。说明本文模型可有效缩短预警响应时间，主要原因在于为本文模型通过支持向量机的引用，实现了对模型中参数的优化以及算法计算能力的显著提升，进而使响应时间得以有效降低，确保能够在建筑施工过程中发生危险时做出及时的预警提示[9]。

3.2 预警模型的相对误差

接下来对三类模型在预警相对误差方面的性能进行实验对比分析，实验训练样本采用了4个施工项目，在此基础上通过反复训练，具体的对比结果,如表1所示。

本文建筑施工安全预警模型、基于BIM的预警模型和基于目标识别的预警模型分别由A、B和C表示。实验结果表明对于同一个工程项目样本，本文预警模型的相对误差明显低于其他两种预警模型，说明该模型的预警准确性较高，原因在于该模型基于结构风险最小化通过SVM技术的引用，实现了对有效样本信息模型的充分利用，据此能够对建筑施工危险进行及时预警，并且在均方根误差为0.005时得到的实验结果最佳，验证了本文模型的有效性及优越性。

4 总结

传统的建筑施工安全预警模型已经难以满足日益复杂的建设项目的安全管理需求，为有效提高建筑施工安全预警系统的响应速度及准确率，针对传统安全预警模型存在的不足，构建了一种施工安全预警模型的设计方案，并设计了新的预警指标体系，将经过预处理指标体系中的安全因素作为支持向量机的输入，基于支持向量机进行建筑施工安全预测，在此基础上实现了有效的预警功能，实验结果表明该模型达到了预期的预警效果，能够在有效缩短预警时间的同时，提高预警的准确率，验证了该安全预警模型的优越性能。接下来将结合最新的预警理论，尝试融合现代先进的信息及人工智能系统等技术，构建建筑施工远程安全监测系统和施工安全数据库，使系统能够自动给出有效的安全防护及应急措施。