考虑安全风险的建筑工人运动风格刻画方法

2023-09-25段品生周建亮范丽萍

铁道科学与工程学报 2023年8期

段品生，周建亮，范丽萍

(中国矿业大学力学与土木工程学院，江苏徐州 221116)

建筑工作环境由场地和资源(工人、材料和设备等)组成，由于不同环境之间存在大量动态相互作用，并由此导致了众多与安全相关的未遂事件(如不安全行为等)[1]。这些事件背后的最主要原因是工人的冒险行为，减少这一事件发生的最有效方法之一是监测工人的运动[2]。由于工人的运动轨迹是其在现场规避危险位置的结果，而不同工人之间的差异会导致轨迹出现多样化(如选择绕路和不绕路等)。已有研究表明建筑工人个体对风险的态度对其在现场的运动轨迹有重要影响[3]。因此，关注工人独特的运动状态，对充分挖掘并记录建筑工人现场未遂事件，从外部客观条件下探究工人的安全风险偏好，促进工人的差异化、适应性安全矫正等具有重要意义。在考虑安全风险的情况下，基于工人的施工运动轨迹刻画其个性化的运动风格。在本文中，运动风格指的是建筑工人与施工现场危险区域交互时所具有或倾向的独特的运动方式。通过分析不同工人的个性化运动风格，挖掘不同工人的行为模式，有助于分清安全管理重点并更有效地分配安全资源[4-5]。之前的研究在基于建筑工人的轨迹特征进行安全管理等方面做了大量工作。YANG 等[6]通过研究发现，由于同行业工人所占据的工作区域相同，因此他们的运动特征存在相似性，并提出利用工人的历史运动模式预测下一步运动的思路。在此基础上，DONG 等[7]提出了融合运动模式的碰撞监测方法。而为了识别工人在危险区停留时的运动情况，ARSLAN 等[8]定义了4 种隐藏状态：短步长少转向，短步长多转向，长步长少转向，长步长多转向，这为挖掘工人运行轨迹中的行为模式提供了重要参考。此外，方伟立等[9]提出了基于工人运动轨迹的工人不安全行为自动预测与跟踪方法，有助于促进利用计算机视觉进行安全管理的实践。然而，之前的研究对运动模式的研究局限于对个人在施工过程中方向变化等的基本统计分析，缺少从工人与风险区域之间的交互情况出发，进一步挖掘工人轨迹中隐含安全信息并刻画独特运动风格的研究。鉴于此，提出一种考虑安全风险的建筑工人运动风格刻画方法。通过采集建筑工人在工程现场运动轨迹与危险区域之间的交互特征，搭建区间二型模糊系统利用规则刻画差异化的运动风格，为丰富基于工人的适应性安全管理，促进工人差异化安全矫正提供理论与实践参考。

1 研究框架

考虑安全风险的建筑工人运动风格刻画方法研究主要分为包括数据采集和运动风格刻画2个部分，基本框架如图1所示。首先，采集多名建筑工人在施工现场工作时的行为轨迹，经过数据清洗(包括轨迹填充、轨迹去噪和轨迹分割)得到符合风格刻画要求的轨迹数据。通过问卷调查的方式采集多专家的个人经验用于规则库的建立。其次，根据实际的施工场景识别施工现场多种类型的危险源，并通过工人个人轨迹与危险区域的交互方式获得安全相关的轨迹特征(包括风险区接近速度，风险区停留时间和风险区接近距离)。之后，利用多属性专家决策选择较优的专家规则建立规则库，并据此搭建区间二型模糊系统用于风格刻画。导入特征参数获得考虑安全风险的工人运动风格。最后，为验证所提方法，在某实际施工现场采集原始数据并推测工人的运动风格。利用高斯混合模型对计算的特征数据进行聚类，通过对比推测结果与聚类结果验证所提方法的合理性。

图1 研究基本框架Fig.1 Basic research framework

2 建筑工人运动风格刻画方法

2.1 轨迹数据采集

本研究采用广泛使用的智能手机采集工人的轨迹数据。之前研究已经表明利用智能手机可以用于施工中工人行为轨迹数据的采集与分析[3]。然而，由于目前手机上广泛采用的GPS 定位在遇到高楼、上方遮挡等情况下会出现记录中断等情况。因此，在利用采集到的数据进行计算之前，需要进行预处理，在本研究中主要包括轨迹填充，轨迹去噪及轨迹分割3个部分。

1) 轨迹填充。根据之前的研究，如果在采集的原始轨迹中相邻数据点间隔小于10 s，则采用直线自动补偿丢失部分，补偿的数据点均匀分布在直线上[10]。若相邻间隔大于10 s，则向建筑工人咨询在缺失片段中的历史施工轨迹信息或直接弃用该条轨迹。

2) 轨迹去噪。针对施工现场过多金属材料导致信号干扰等情况，采用卡尔曼滤波算法过滤掉轨迹数据中偏离的GPS 数据点，并重新生成符合历史轨迹特征的轨迹点。卡尔曼滤波算法的计算流程可以参考文献[11]。

3) 轨迹分割。工人在施工之前开启GPS 数据采集，在工作结束后关闭采集。这导致采集的轨迹数据中可能包括非工作时间数据而影响参数提取。因此数据分割的首先是划分上班时间和非上班时间，从去噪之后的轨迹中提取处于工作时间的轨迹点。之后从中随机分割出1 h 的数据用于特征参数的提取。

此外，还需要通过对专家进行调查获取轨迹特征参数与运动风格之间的知识规则，该知识规则主要用于构建风格刻画模型，将在后面的章节中阐述。

2.2 轨迹特征参数提取

分析建筑工人行为轨迹与危险区域的交互情况提取特征参数以刻画其运动风格。根据现场实地调研并结合文献[7,12]，施工现场危险区域可以划分为2种类型：面危险区域与点危险区域，如图2 所示。每个危险源的周围会存在一定的风险区，距离危险源越近，则发生安全事故的可能性越高[13]。按照与危险源的接近程度，可以在危险源外围划分不同的风险区域，包括危险区与缓冲区。若存在2 个或2 个以上缓冲区、危险区叠加，或者危险区与风险区叠加的区域，将统一视为一个危险区，如图2所示。叠加风险区域与工人的施工轨迹，可以计算出能反映工人轨迹安全情况的特征参数。

图2 特征参数提取示意图Fig.2 Diagram of feature parameter extraction

最终选择的特征参数包括风险区接近速度[1,4,8,14]、风险区停留时间[8,12,14]、风险区接近距离[1,12,14-16]。从风险的角度出发，严重性、概率和暴露量综合决定了工人安全风险大小[12]。风险区接近速度反映了工人在危险源附近发生事故的严重程度。工人在风险区的运动速度越快，自身动能越大，则发生碰撞，坠落等事故时，对工人自身的伤害就越大。风险区停留时间刻画了工人暴露在安全风险下的可能性。其他条件相同的情况下，在风险区暴露时间越长，与风险要素发生接触导致事故的可能性则越大。在本研究中，按照缓冲区边界计算位于其中的轨迹点平均速度和平均时间得到上述2个特征参数值。风险区接近距离反映了工人安全风险的暴露程度。基于现有研究，随着工人与危险源之间距离的减小，其危险暴露程度将呈指数级增加[1]。在本研究中，若工人同时邻近多个危险源，以距离危险源的最小距离作为风险区接近距离，直接通过计算轨迹点与代表危险源的多边形质心之间的距离获得。

2.3 运动风格刻画

通过建立基于专家规则的区间二型模糊系统刻画建筑工人独特的运动风格。ZEDEH[17]在1975年提出将传统模糊集中的隶属度函数拓展为一型模糊集(Type-1 Fuzzy Sets,T1 FSs)，并在此次基础上提出了二型模糊集的概念。受到二型模糊集的高计算量的限制，区间二型模糊集(Interval Type-2 Fuzzy Sets,IT2 FSs)及由此行成的区间二型模糊系统在实际决策中的应用更加广泛[18]。相比于其他的刻画方法(如一型模糊系统和神经网络模型等)，区间二型模糊系统更能恰当地处理语义表达的不确定性和个体间的不确定性，且该模型具有出色的逼近能力和可解释性，有助于增加对客观世界不确定性的处理和刻画能力。

2.3.1 区间二型模糊集

定义1.1 在论域X内，二型模糊集可以表示为：

式中：x为主要变量，域为X。u为次要变量，域为Jx⊇[0,1]。其中Jx称为第1 隶属度，(x，u)为第2隶属度。若(x，u)=1，则称为区间二型模糊集。因此，可以将区间二型模糊集看作是二型模糊集的一个特例。

本文使用广泛采用的梯形区间二型模糊集进行系统建模，该类型模糊数定义如下。

所提运动风格刻画方法有3个输入特征，分别揭示了建筑工人的在工作状态下的风险偏好。输出的参数为建筑工人的3种运动风格，为合理区分不同类别的工人运动状况，选择划分为谨慎型，正常型和冒险型3种风格。通过对原始数据的描述性统计分析(考虑分位数，最大值，最小值，平均数及标准差)，参考文献[8]或者取均匀分布参数，可以确定各输入特征的梯形区间二型模糊集参数，见表1。其中，对于风险区接近速度，参考建筑工人施工时的平均最大行走速度为1.5～1.6 m/s 确定参数；停留时间及接近距离基于现场预实验中的数据分布模式确定参数。

表1 输入特征的梯形区间模糊集参数Table 1 Trapezoidal interval fuzzy set parameters of input features

2.3.2 区间二型模糊系统

只要一个模糊系统中使用了至少一个区间二型模糊集,那么该模糊系统就称为区间二型模糊系统(Interval Type-2 Fuzzy Logic System,IT2FLS)，其基本结构如图3 所示[19]。首先计算输入特征参数的隶属度区间，即区间二型模糊集，在此基础上进行模糊推理。经过降阶器转化为一型模糊集(T1 FSs)，去模糊化之后得的相应的运动风格，其具体流程可参考文献[19-20]。

图3 区间二型模糊系统Fig.3 Interval type-2 fuzzy logic system

在该系统中，一个合适的规则库对提高模糊推理效果至关重要。本研究中采用专家经验方法推断建筑工人的运动风格。考虑建立的一个具有N条规则的规则库中，该规则库中的每条规则都具有如下形式。

Rn：如果x1为X1n，并且…并且Xi为Xin，那么y为Yn,n=1,2,3,…,N。

其中：Xin(i=1,2,3)为区间二型模糊集，是计算处理得到的运动风格特征参数；Yn是一个常数，即由参数特征所决定的运动风格，该风格由专家基于自身工程经验判断。本研究中，所有参数组合形成的规则共包括N=5×3×3=45 条。为提高专家判断的效率和准确性，采用语言的方式建立专家规则，专家直接描述出在某参数特征组合下的建筑工人的运动风格，该风格为语言变量。

2.3.3 多属性决策

基于多属性决策理论，利用专家经验综合多个属性(即因子指标)刻画建筑工人的运动风格。该决策的目的是择优建立运动风格刻画规则库，每位专家均需要针对自己的工程经验建立规则集，通过多属性决策从多位专家的决策结果中选择最优决策设定规则。由于用于衡量建筑工人安全运动风格的不同属性之间存在一定的相关性，即工人在危险区行走速度、停留时间、接近度可能相互影响。因此，参考之前的相关研究[21]，本文选用语言Heronian 平均算子选择最优决策。该算子的基本定义如下所示。

定义1.3 若ai(i=1,2,3,…,n)是一组语言术语，ω=(ω1，ω2，…，ωn)为ai的权重向量，满足ωi,p,q,r≥ 0，，若满足：

3 实证及结果

3.1 数据采集

为提高轨迹定位的准确性，本研究选择在某处于地基基础施工阶段的项目工地采集建筑工人的轨迹数据，施工现场如图4(a)所示。经过测试筛选，筛除轨迹过短的片段后，最终选择采集到的12 段现场工人的轨迹数据进行验证，这12 位工人均为男性，所属工种包括木工、外架工、钢筋工和杂工4 种，每个工种3 人。首先进行轨迹数据预处理，其中工人的工作时间为13:00—19:00。得到的最终的轨迹数据基本信息见表2。此外，对相关工程安全管理人员进行访谈，收集他们对于运动风格的建议。所涉及专家均为具有丰富现场安全经验的管理人员，平均年龄为46.20 岁，平均工作年限为21.40 a，最长工作时间为34 a。最终共采集到5份结果用于构建规则库，每位专家针对每条规则以语义形式给出自己的判断意见。

表2 基本轨迹信息统计Table 2 Basic track information statistics

图4 施工现场场地布局Fig.4 Site layout of a construction site

结合前文所提的施工现场危险区域确定方法，根据该现场的主要危险源划分危险区域。基于实际调研情况，该施工现场存在的主要危险源主要包括中央基坑，四周的在建建筑以及分布的4个塔吊。其中，基坑和4个在建建筑可看作为面危险区域，而4 个塔吊可视为点危险区域。参考文献[12-13,22]及施工管理人员意见，选择面危险源边缘向外0.5 m，塔吊实际工作半径作为危险区；面危险源边缘向外3 m，塔吊实际工作半径向外6 m作为缓冲区，如图4(b)和图4(c)所示。

3.2 特征数据计算

叠加工人的行走轨迹与施工现场的风险区域分布，计算每条输入轨迹的特征参数，如图5 所示。从表2中可以看出预处理后的轨迹时长存在差异，为合理衡量工人的参数方便比较，首先利用预处理后的轨迹数据计算出对应的特征参数，之后以1 h 为基准修正为1 h 内的特征参数数据。其中，速度及接近距离参数直接采用预处理计算的特征结果，需要修正的参数为风险区域内停留时间，计算并修正出的最终特征参数见表3。

表3 轨迹特征参数及运动风格Table 3 Feature parameters and movement style of trajectories

图5 所有工人轨迹与风险区域叠加图Fig.5 Superposition diagram of all workers’ tracks and risk area

3.3 运动风格刻画

分析采集到访谈意见并构建区间二型模糊系统规则库。基于多属性决策理论利用语言Heronian平均算子选择最优决策。其中算子参数p，q，r不妨取值为1，各专家之间相互独立，取为等权重，均为1/5。经过对比评优，最终选择第4 位专家的意见建立相应的规则库。之后，将规则库导入区间二型模糊系统，结合已构建的梯形区间模糊集参数体系，刻画工人的运动风格，得到的最终运动风格刻画结果见表3。此外，为验证该结果的合理性，同时采用高斯混合模型(Gaussian mixture model，GMM)聚类方法结合人工判断，获得每组轨迹的风格类别，并与IT2FLS 的计算结果进行对比，结果见图6 和表3 最后一列。对比两者的计算结果，12位工人的风格刻画结果基本相同，仅在6号工人的风格判断上存在不一致。因此，从数据层面上看，所提的基于专家知识所刻画的建筑工人运动模式是合理的。进一步地，分析工人的特征参数，可以看出不同工人和工种之间的特征参数存在差异，相较于其他风格的工人，具有冒险型运动风格的工人在危险区内停留时间较长，且距离危险源较近。在考虑工种的情况下，从特征参数的分布上看，同一工种下部分工人的运动风格也存在一定差异，如木工1，2 和3 之间等。此外，不同工种的工人个体之间的运动风格存在一定的差异性，并不完全一致。但相对而言，受工作环境等因素的影响，与其他工种相比，同一工种下工人的风格特征参数更加接近。

图6 基于高斯混合模型的点聚类Fig.6 Point clustering based on GMM

结合不同的运动风格，可以从3个层次干预工人行为并制定差异化矫正策略。首先，以全体建筑工人为对象，对工人的日常施工行为进行传统干预，如定期组织安全教育等。其次，针对不同运动风格的工人分组执行行为干预，如提高培训次数，安排专人监管等。基于刻画结果，具有冒险型运动风格的工人将是分组行为干预的重点。最后，还需要对冒险型工人中显著的高风险工人作重点控制，如工人2 和3 在风险区的暴露时间接近于3 600 s，聚集于聚类图的左下角。因此，这两位工人需要在后面的施工中调整其在施工现场的运动状态。若受客观工作任务限制而难以实现，则需要对其行为作个性化重点监控。