成熟度视角下智慧工地环境监测信息物理系统鲁棒性评价*

牛 咪，吴 昊，牛玉敏，徐 照

(1.东南大学土木工程学院，江苏 南京 210096； 2.深圳市建筑装饰(集团)有限公司，广东 深圳 518000)

0 引言

智慧工地环境监测系统正逐渐成为扬尘、噪声管控的主要方式，信息物理系统(CPS)为解决日益突出的绿色施工管理需求和数据需求问题提供了可能[1]。随着环境监测系统和信息物理系统结合的越来越紧密，环境监测信息物理系统(environmental monitoring cyber-physical system, E-CPS)在监测、控制施工现场的过程中不确定性问题日益凸显，如不确定的数据质量、外部环境、资源故障等。鲁棒性衍生于不确定性，具有鲁棒性的 E-CPS能在易变性、不确定性、复杂性、模糊性环境中依然保持令人满意性能，众多学者也认为不确定性是 CPS中一个不可回避的问题[2-3]。鲁棒性对保证智慧工地环境监测系统稳定可靠运行具有重要意义。

鲁棒性评估、度量是学者们普遍关注的一个热点，但目前无论是测量方法还是测量指标，尚未达成一致。从测量方法来看，仿真模拟和综合评价是目前主流的鲁棒性度量评价。选择仿真模拟测量方法的学者通常先建立模型，设计相应度量指标，再进行仿真试验获取指标表现。而综合评价的一般步骤是针对鲁棒性内涵，设计测量量表，通过问卷调查、专家访谈等方式度量对象的鲁棒性。与仿真模拟相比，综合评价存在更多的不确定性，但却可以从技术、管理等角度综合考察鲁棒性的实力和潜力。从测量指标来看，不同情境下的鲁棒性度量指标各不相同，即使在同一情境下度量指标也尚未达成一致，如网络鲁棒性度量指标有几何连通度、持久性、自然连通度、信息熵、最大连通图、节点失活率、边失活率、全局效率、可靠性与平均度、代数连通度、二阶平均度、聚类系数与中介中心性。测量指标不一致的根本原因为鲁棒性是一个相对的、非绝对的概念，其关注令人满意的性能而非最优性能，因此，鲁棒性的度量指标并不唯一。

智慧工地E-CPS 鲁棒性评价模型需进一步完善。从已有文献来看，对鲁棒性的测量与评价呈多元化状态，无统一标准，导致实证研究混乱。完善的概念内涵是准确测量的前提，因此，应在明确智慧工地E-CPS鲁棒性内涵的基础上，研究 E-CPS鲁棒性评价指标，建立合理的评价模型。目前 E-CPS鲁棒性研究尚处于起步阶段，对鲁棒性的发展路径还不甚清晰，鲁棒性能力参差不齐。将成熟度模型应用至 E-CPS鲁棒性评价领域，一方面可判断环境监测系统所处的成熟度等级，另一方面可用于制定改进路径，持续改进、优化系统鲁棒性。本文充分考虑到鲁棒性评价过程中的不确定性、随机性和模糊性，建立成熟度视角下基于云模型的 E-CPS 鲁棒性评价模型，全面考察运行状态、物质技术和组织成员的鲁棒性表现，并依据某智慧工地环境监测系统进行应用研究。

1 成熟度概念模型与云模型

成熟度评价模型提供了一套动态、递进的自我评估标准，用以确定对象的当前发展等级并制定持续改进计划，使管理逐渐从被动、不成熟走向主动、成熟[4]。知识、测评和改进是成熟度评价的 3 个基本部分。评价本身不是目的，而是要识别系统的不足之处，进而制定改进计划，使系统趋于成熟完善。

在伯克利项目管理成熟度模型(project management maturity model)、系统工程能力成熟度模型( system engineering capability maturity model，SE-CMM)和OPM3(organization project management maturity model)基础上，从物质技术、组织成员、运行状态视角，建立 E-CPS鲁棒性能力成熟度模型。鲁棒性层级划分为混沌级、摸索级、规范级、优化级和持续改进级，如图 1、表1所示。

图1 成熟度等级划分

表1 鲁棒性能力层级描述

云模型的概念由李德毅院士提出，该方法将模糊性、随机性和离散性有机结合起来，实现了不确定性语言与定量数值之间的自然转换[5]。云模型相比传统模糊综合评估的优点有：①云模型不仅模糊了评价标准边界，而且用熵(云滴的取值范围)反映随机性和超熵(云的厚度)反映离散性，使之更符合人们的的语言习惯，减少了评价过程中的主观不确定性[6]；②传统的经验公式法确定隶属度时，所有指标对应同一个隶属度函数，而云模型为每个指标通过各自的期望、熵和超熵分别构造隶属度函数的云模型。

2 测量方法与指标体系

2.1 测量方法

明确评价对象的概念和内涵是测量评价的重要前提。由于鲁棒性是一个情景性概念，在不同情景下鲁棒性的内涵并不完全相同，再加上研究视角不一致，混乱的内涵和不同研究视角导致鲁棒性的测量方法和测量指标并未达成一致，这种不一致实质上阻碍了鲁棒性实证研究的发展。为建立比较统一的评价框架，使评价结果具有可比性，梳理了现有文献中鲁棒性的测量方法和测量指标，梳理结果如表 2所示。经归纳发现，测量方法可划分为两种。

表2 不同视角下的鲁棒性评价指标

1)量表 学者们主要根据鲁棒性的概念内涵设置多维度量表度量鲁棒性能力。从鲁棒性的“特质”视角，李伟灿[7]提出可靠性、运行稳定性、可拓展性、可移植性、集成性、适应性维度评估信息系统鲁棒性；从鲁棒性的“能力”视角，宋志婷[8]引入变化感知能力、单元自治能力、变化响应能力。周宏丽[13]关注面对网络遭受资源故障或网络攻击时的抗风险能力，以网络效率等4 个评价指标进行鲁棒性动态评价。从鲁棒性的“过程”视角，任敏[10]从 CPS 的感知、传输和应用过程中选取 9 个性能指标进行打分，对物联网系统进行鲁棒性评价。

2)仿真 选择此种测量方法的学者通常先设计相应指标，再通过试验仿真获取指标表现，这种方法与鲁棒性的“结果”视角相契合。宋志婷[8]通过建模仿真，以全局效率、序参量为度量指标衡量系统的鲁棒性，其中全局效率与网络中两节点间数据传递需要的最短时间或最短路径成反比，事件或路径越短全局效率越高，网络鲁棒性越好。序参量定义为技术水平与目标技术水平的差值，如果系统序参量值稳定且高于目标值，则系统鲁棒运作。鹿优等[11]、陈军[12]均从抗毁性角度随机攻击网络以节点存活率衡量鲁棒性。

综上，基于不同视角，学者们采用不同评价指标进行鲁棒性能力测度。本文选择量表测量鲁棒性，相比仿真，量表的优点是可以视智慧工地E-CPS为技术-社会系统，既能综合评价技术与管理方面的鲁棒性表现，又能全面考察鲁棒性的成长性与潜力性。

2.2 指标体系

通过文献综述、问卷调查、专家访谈识别 E-CPS 鲁棒性的影响因素，建立评价指标体系。指标体系第1层为目标层，即鲁棒性评价；第2层则基于 CPS组成角度选择运行状态-物质技术-组织成员3个维度构建鲁棒性评价准则层；第3层基于过程视角建立指标层，指标层包括设备可靠性、异常识别、事件反馈机制、容量评估、容错技术、安全冗余、成员素质和操作判断能力。智慧工地 E-CPS鲁棒性评价指标体系如表3所示。

表3 鲁棒性评价指标体系

3 基于云模型的E-CPS鲁棒性评价模型

针对隶属度函数和评分标准主观不确定性的问题，基于云模型建立智慧工地E-CPS鲁棒性评估模型，利用云模型中的期望、熵和超熵数字特征应对评价过程中的不确定性。基于云模型的鲁棒性评价模型包括指标权重计算、评价等级确定、评价标准云、评价指标云，如图2所示。

图2 基于云模型的E-CPS鲁棒性评价模型

3.1 指标权重

决策试验室分析法(decision making trial and evaluation laboratory, DEMATEL)是一种以图论与矩阵论为理论基础的复杂系统分析与决策方法。一些研究将DEMATEL与AHP结合计算综合权重，如章光等[14]基于AHP-DEMATEL建立综合评价模型用于重力坝健康状态诊断，结果表明，运用AHP-DEMATEL法确定的综合权重客观准确；Wu等[15]采用AHP，DEMATEL方法，分别从短期和长期视角评估汽车零配件产业标准。DEMATEL法主要通过分析各因素间影响和被影响程度来确定权重，因此，可有效解决因素之间的非独立性问题，但计算过程未考虑指标权重，即视各指标权重相同。因此，鲁棒性评价权重由2部分组成：按 AHP 法进行主观重要程度判断得到指标权重；由DEMATEL法获取指标间内部结构，进而得到指标的综合影响度，最后将两部分结合得到指标的混合权重。DEMATEL，AHP法分别从内在机理和外部重要程度判断角度表征指标的特质和属性，一方面充分利用了DEMATEL法能够有效识别指标间相互影响程度的优点，另一方面通过AHP法弥补了单纯DEMATEL法未考虑各指标重要程度的不足，使权重更符合实际情况[16-17]。指标权重的计算步骤如 下。

3.1.1AHP法指标权重计算

1)构建递阶层次模型 递阶层次模型一般分为3个层次：目标层、准则层和指标层。目标层即为决策评价的目标；准则层为评价的标准原则；指标层为准则层下的测度指标。

2)构造判断矩阵 通过各因素间两两比较来确定其相对重要程度，按1～9标度方法进行赋值。

3)运用“yaahp 层次分析软件”进行计算 运用“yaahp 层次分析软件”计算得到各准则层指标权重ηi(i=1，2，…，5)和指标层指标权重ηj(j=1，2，…，m)，进行一致性检验。当一致性检验结果<0.1 时，判断矩阵的一致性满足条件；当一致性检验结果>0.1时，则一致性不满足条件，需要重新调整专家给出的比较结果。

3.1.2综合影响度计算

1)直接影响矩阵X构造 设有n个因素，按0，1，2，3 标度两两判断指标间的直接影响程度。0，1，2，3分别表示两指标间无影响、影响小、影响大、影响极大，从而构造出直接影响矩阵X：

(1)

式中：xij为第i个因素对第j个因素的直接影响程度，若i=j，则xij=0。

2)直接影响矩阵X规范化 按式(2)得到规范化直接影响矩阵G：

(2)

3)综合影响矩阵T计算如式(3)所示：

T=G(I-G)-1

(3)

式中：I为单位矩阵。

4)影响度和被影响度计算 对综合影响矩阵T按行相加得到第i个因素的影响度fi；按列相加得到第i个因素的被影响度ei。

5)中心度和原因度计算 将第i个因素的fi和ei相加得到其中心度mi，中心度mi表征第i个因素在系统中的相对重要程度，而将第i个因素的fi和ei相减得到其原因度ni。若ni>0，则第i个因素为原因因素，反之，第i个因素为结果因素。

6)原因-结果图绘制 第i个因素分别以(mi,ni)为坐标标出在笛卡儿坐标系中的位置，分析各因素的重要性，并提出相关建议。

3.1.3混合权重γi计算[15]

(4)

式中：wi为第i个指标权重；mi为第i个指标中心度。

3.2 指标量化评级

根据智慧工地E-CPS鲁棒性能力水平，将系统成熟度分为混沌级、摸索级、规范级、优化级和持续改进级。对各指标进行量化评级，指标评级如表4所示。

表4 指标评级

1)异常识别 采用异常数据监测率R、误报率N作为评价指标衡量异常识别的表现，具体定义为：

(5)

式中：TP为实际为异常数据，且被识别为异常数据的样本个数；FN为实际为异常数据，但被错误识别为正常数据的样本个数。

(6)

式中：TN为实际为正常数据，但被识别为异常数据的样本个数；TP为实际为异常数据，且被识别为异常数据的样本个数

2)设备可靠性 采用监测数据有效性和可用性衡量设备的可靠程度，具体定义为：监测数据有效率=剔除异常数据后的数据个数/采集数据的个数，可用性=平均无故障工作时间/(平均无故障工作时间+平均维修时间)。

3)事件反馈机制 采用异常响应率衡量事件反馈机制，具体定义为：异常响应率=被标记且被有效处理的异常事件处理完成率=被标记且被有效处理的异常事件/被标记的异常事件。

4)并发处理数 并发处理数为系统同时最大处理量。

3.3 评价标准云

将各指标评分范围[0,10]划分为5个子区间，L1混沌级、L2摸索级、L3规范级、L4优化级、L5持续改进级对应的取值范围分别为[0,2]，[2,4]，[4,6]，[6,8]，[8,10]，根据公式计算评级标准的期望、熵和超熵，通过正向云发生器建立起子区间对应的评价标准的云模型。其中，L2摸索级、L3规范级和L4优化级采用完整的正态云模型表述，其期望(Ex)、 熵(En)和超熵(He)计算公式为：

(7)

式中：Amax，Amin分别为评价等级的取值边界的上限和下限；k为常数，需根据项目实际评价因素的模糊程度调整取值，本文取0.1。

而混沌级和持续改进级分别是评语集的左、右边界，需采用半降正态云模型表述，其期望(Ex)、熵(En)和超熵(He)同上。当指标的分值<1，认为该指标为L1混沌级的隶属度为1；当分值>9时，则认为该指标为持续改进级的隶属度为1。

5个区间的Ex，En，He结果如表5所示。在MATLAB里通过正向云发生器，建立5个评价等级云模型，如图3所示。

表5 评价等级云模型的数字特征

图3 评价等级云模型

3.4 评价指标云和综合云

通过咨询相关领域的专家意见，对各指标进行评价，采用n个专家对m个指标打分，可以得到m×n指标评价矩阵X：

(8)

根据逆向云发生器，可以确定指标云模型的数字特征(Ex,En,He)。Ex,En,He计算过程如式(9)所示：

(9)

在得到m个指标的期望、熵、超熵和权重γ后，依据云模型的基本运算规则，对该系统整体的鲁棒性表现进行云模型综合评判，得到综合云模型。综合云模型的计算如式(10)所示：

(10)

最后，将计算得到的综合评价云模型与通过正向云发生器生成评价标准云模型进行比较分析，与综合评价云模型最为接近的评价标准云模型即为系统所处的成熟度等级。

4 案例分析

4.1 案例概况

选择江苏省某智慧工地建设项目进行 E-CPS鲁棒性评价。该项目为房建项目，总规划面积 43 303.11m2。 该智慧工地依托 5G 网络和云计算，以绿色、安全施工管理为主线，从人员、设备、环境等多个维度，实现数据实时掌握、人员精确管理、风险及时预警，为现场施工进度及安全提供保障，满足政府管理部门和工程建筑企业的信息化施工管理需求。其中 E-CPS 由监测仪、数据采集、传输系统和视频监控系统信息监控管理平台、自动喷淋装置组成。

4.2 案例评价

4.2.1指标权重

遴选来自智慧工地环境监测系统实际管理及研究工作的 7 位专家在编制的指标权重表上进行评分，将问卷调查结果输入“yaahp 软件”中计算得到各准则层和指标层的指标权重，一致性检验结果为 0.037 0，权重结果如表6所示。

表6 指标权重

其中，设备可靠性下的子指标数据有效率和可用性视为同等重要，权重相同。异常识别下的子指标检测率和误报率也视为同等重要，两者权重相同。

为确定指标间的关系，生成1个 10×10 矩阵，判断每行元素作用于每列元素的影响程度。直接影响矩阵X如表7所示。

表7 直接影响矩阵X

将直接影响矩阵规范化，即将直接影响矩阵的每个元素除以k，k为直接影响矩阵X中每行或每列之和的最大值，由表7 中数据计算可得k为 14。规范化后矩阵G如表8所示。

表8 规范化矩阵G

将矩阵规范化后，根据式(3)计算得到综合影响矩阵T，结果如表9所示。

表9 综合影响矩阵T

“四度”计算结果如表10所示。

表10 各指标“四度”计算结果

将中心度与指标权重相乘并归一化后得到各指标的混合权重γ=[0.327,0.167,0.168,0.044,0.107,0.027,0.039,0.120]T。

4.2.2指标评分

根据此智慧工地项目，搜集并计算该项目6个运行状态数据(监测数据有效率、异常数据监测率、误报率、可用性、并发处理数和异常响应率)。该项目布设了3个监测点位，每个点位设置1个监测终端，监测内容包括扬尘(PM10，PM2.5，TSP)和气候气象数据(温度、湿度、风速)，采样频率1s/次，在1个采样周期内应采集样本64 800条，实际采样59 261条，数据缺失值5 539条，异常值1 073条。通过查询平台，该项目设备异常告警情况共45条，其中扬尘监测数据无变化9条，雨雪天扬尘监测异常34条，扬尘噪声监测设备无信号1条，车辆未冲洗监测设备无信号1条。扬尘监测数据无变化9条包含10 946个异常点；雨雪天扬尘监测异常34条告警信息中包含52个异常点，扬尘噪声监测设备无信号1条中包含1 752个异常点。指标计算结果如表11所示。

表11 运行状态指标计算结果

遴选该项目环境监测系统的管理人员、技术人员和监理人员共5位，发放指标评分表对系统鲁棒性的10个指标进行打分，评分结果如表12 所示

表12 指标评分

。

4.2.3指标云模型数字特征

计算各指标的云模型数字特征，以监测数据有效率为例，计算数据有效率的期望(Ex)、熵(En)和超熵(He):

(11)

同理，可得其他指标的期望(Ex)、熵(En)和超熵(He)，结果如表13所示。

表13 指标层云模型的数字特征

在求出指标层云模型特征值后，根据式(10)计算目标层云模型特征值，求解过程如式(12)所示：

(12)

4.3 结果分析

4.3.1云模型评价结果

将计算后的系统鲁棒性综合评价云模型特征值结果在MATLAB中绘制云图，评价结果与评价标准的云图对比，可以直观发现评价结果的期望落入L2，同时评价结果云的熵和超熵分别为0.505，0.175，表明评价结果具有一定的随机性和离散型，但即使考虑以上不确定性，该项目的综合评价结果云依然绝大部分云滴都落在L2摸索期，因此，综合考虑最大隶属度和随机性、离散性后判断该项目的环境监测系统鲁棒性处于L2摸索期。说明该项目刚开始意识到系统中存在的某些不确定因素，如雨雪天气、操作失误对系统稳定造成的不利影响。但其认识还不够深入，对系统鲁棒性优化主动性不强，鲁棒性的成熟度等级处于较低水平。

以各指标为横坐标，其成熟度为纵坐标绘制指标层成熟度等级图，可直观看到异常识别处于优化级，表明该项目的异常识别能力已正式形成，正在实现更精细化的管理。该项目的E-CPS设置了设备异常自动监测模块，可自动识别5种异常数据，且误报误警率低。但在识别缺失值和雨雪天气扬尘异常时存在监测率较低的情况，仍可以继续优化这两项异常监测规则。

事件反馈机制和操作与判断能力处于规范级，表明该项目的这两项指标的功能目标已经基本实现，能按照要求进行规范化管理。该项目在E-CPS开发时就设计了事件反馈模块，建立了畅通的反馈渠道，系统监测到异常事件后将直接通知现场工作人员，能较好地响应异常事件。同时该项目制定了信息管理平台操作手册保证组织成员操作的规范性。

设备可靠性、容量评估、安全冗余和成员素质处于摸索级，表明该项目对这4项指标有一定的认识，但还不能有效控制和管理。该项目监测设备的数据有效率和可用性分别为81.3%，76.8%。导致设备可靠性表现不理想主要有2个原因：①监测设备易受雨雪天气影响。主要原因是雨滴落入监测设备，激光传感器误将雨滴作为粉尘，导致扬尘传感器爆表。②监测设备因设备故障，点位2在2021-03-10 08：00—2021-03-11 13：00无法正常采样，降低了设备的可用性。

容错技术处于混沌级，表明项目对容错技术缺乏必要的技术支撑和物质保障。这时该项目还未将监测数据用于绿色施工辅助评价等，组织成员并不重视系统的容错技术，无相应的管理制度。

4.3.2优化分析

针对以上鲁棒性综合评价结果，提出 E-CPS 鲁棒性优化建议。

1)加强物质技术保障 在设备选型时根据施工现场环境选择合适的监测设备，选择能去除雨雾的高性能扬尘传感器或加装遮雨罩，避免雨雪天气扬尘数据爆表。另外，E-CPS可设置冗余电源，如太阳能供电，以保证在停电时监测设备依然能正常工作。

2)严格落实设备巡检制度 巡检制度能够及时发现潜在风险，尽量避免设备老化、传感器失效等设备故障，降低监测数据的可信度。只有设备可靠性得到保障才能保证监测数据的有效性和准确性。应将设备巡检制度纳入施工管理或信息化管理范围内，完善设备巡检记录，配备专人巡检，将设备管理责任落实到人，并建立考核制度，使设备巡检制度趋于科学化、组织化、标准化。

3)加强人员管理和培训 虽然人员因素不能直接提升鲁棒性，但因其关联度大，可以潜移默化地影响其他因素，进而提高系统的鲁棒性。E-CPS管理者应摈弃重技术、轻人员的错误观念，增加技术人员和运维人员的投入和培训管理，提高组织成员的鲁棒意识和操作判断能力。

5 结语

随着智慧工地建设数量的快速增长，实践中 E-CPS 面对非预期情景时系统可靠性较低的问题日益凸显。本文从鲁棒性切入，重新审视E-CPS。主要介绍了成熟度视角下智鲁棒性评价过程，首先构建了鲁棒性评价指标体系，然后建立了基于云模型的鲁棒性评价模型。以某智慧工地所使用的环境监测系统为案例背景，进行鲁棒性评价，结果表明该项目的环境监测系统鲁棒性正处于摸索级，对鲁棒性认知不足，最后提出优化建议。有助于智慧工地项目了解自身 E-CPS 鲁棒性成熟度等级并制定持续改进计划，促进智慧工地高质量发展。