机械作业安全风险智能识别技术

陈晓琳

（淄博市周村区应急救援指挥保障中心，山东淄博 255300）

0 引言

近年来，我国建筑行业得到快速发展，机械作业设备的作用越来越重要。在我国城市化建设工程中，时常面临着施工条件复杂、施工环境恶劣等困难，推土机、挖掘机以及起重机等机械设备的应用，不仅能够大幅减轻作业人员的劳动强度，而且能够提高作业效率、保障作业质量。但是，机械作业本身是一件蕴含巨大安全风险的事件，受复杂施工工艺以及恶劣施工环境的影响，施工安全事故时有发生，给作业人员的生命安全以及工程效益均带来了一定负面效益。施工安全是保障施工质量与效益的基础，是推进我国城市化进程的关键因素，任何安全风险都会阻碍工程项目的建设。因此，在建筑工程领域开展机械作业安全风险识别技术的研究，对降低施工机械的作业风险、保障工程安全具有重要现实意义。

1 挖掘机械作业安全风险因素

对机械作业安全风险因素的挖掘[1]，是实现安全风险智能识别的关键，对风险因素的高效管理与利用，可以动态识别机械作业全过程安全风险。数据挖掘就是由大量机械作业安全风险信息的多结构数据源中，提取出有用且实用的风险因素，进而将这些风险因素应用于后续的智能识别中。机械作业安全风险因素的挖掘流程主要包括数据采集、数据预处理以及挖掘这3 个步骤。首先利用传感器、监测仪等设备全方位地采集机械作业安全风险信息结构数据[2]，并将其存储至本次数据库中。由于机械作业环境较为复杂，易受外界环境等因素的干扰，所采集的安全风险信息数据会存在一些不属于安全法风险因素的无效数据，所以接下来需要对采集的数据进行清洗、转化、去噪等预处理，将其转变为可以深入挖掘的主题数据。最后通过数据挖掘技术，来获得有意义的机械作业安全风险因素。由此可知，在挖掘机械作业安全风险因素时，关键在于所采用的数据挖掘技术。本文综合机械作业实际情况，选用预测模式的数据挖掘方法，也就是通过对历史机械作业安全风险信息多结构化数据的统计分析，来预测出安全风险因素的值[3]。

一般情况下，机械作业安全风险信息的结构化数据，大多数为非线性时间序列数据，所以对这类数据进行预测挖掘时，本文基于非线性自回归神经网络来实现结构化时间序列数据的预测挖掘。以机械作业环境地表沉降数据为例，如果出现这类安全风险，将会造成机械设备的倾覆，从而危及作业人员生命安全。那么机械作业地表沉降数据的本质就是非线性时间序列，在进行预测挖掘时首先需要对低维的序列进行重构，从而获得多维的相位空间，表达式为：

式中 K（t）——机械作业安全风险因素时间序列的确定性相位空间

X（t）——机械作业安全风险因素的时间序列t=1，2，…，N

γ——延时数据

n——低维时间序列的嵌入维数

T——相位空间维度

在对机械作业安全风险因素的时间序列进行重构时，关键在于γ 与n 的选取，这两个参数决定了空间重构的精度。然后将重构的机械作业安全风险因素输入非线性自回归神经网络中，即可实现预测挖掘，表达式为：

式中 Y（t）——非线性自回归神经网络输出结果，也就是机械作业安全风险因素的预测挖掘结果

F——映射函数

c——延迟长度，也就是影响网络输入历史数据时间序列的长度

通过式（1）与式（2）即可实现全部机械作业安全风险因素的预测挖掘，并具有较高的挖掘精度，为后续智能识别模型的构建提供理论依据。

2 计算风险因素的风险度

机械作业安全风险因素的风险程度，就是该风险因素所造成的安全事故的危害程度，所以风险度的计算对安全风险智能识别有着一定指导意义，并且可以作为机械作业安全风险的触发条件[4]。在计算机械作业安全风险因素的风险度时，首先需要根据工程实际情况，将风险程度划分为3 个等级（表1）。

表1 机械作业安全风险的危害程度划分表

在表1 数据的基础上，根据式（3）计算出各风险因素的风险度值[5]：

式中 δi——机械作业安全风险因素i 的风险度值

Pi——因素i 造成作业安全事故的可能性

Di——因素i 造成作业安全事故的危险程度

计算出实际机械作业中全部安全风险因素的风险度值后，可以得出4 个主要的安全风险因素，分别为机械作业环境恶劣、机械设备自身缺陷、机械设备操作人员水平有限、机械作业防护不足。由此可知，不同的安全风险因素造成的施工事故并不一致，所带来的危害程度也各不相同，有的仅仅会导致机械设备的损坏，而有的可能会造成人员伤亡等状况，所以如何根据风险因素的危害程度来计算其风险度值，是机械作业安全风险智能识别的关键环节，对于安全风险智能识别有着重要作用。

3 建立智能识别模型

现代免疫学指出，人体内的免疫系统有着自身独特的运行机制，能够和其他系统之间协同维持机体生理平衡，具有鲁棒性、自平衡性等特征，所以本文引入免疫网络来建立机械作业安全风险智能识别模型[6]。自1996 年的“人工免疫系统”概念诞生至今，其应用领域逐渐扩展到故障诊断、安全识别等，所以免疫网络的引入可以有效保障本文设计机械作业安全风险智能识别技术的识别效果。首先将机械作业安全风险智能识别模型看成免疫系统中的形态空间，其中风险因素为抗原，安全因素为抗体，在这样一个形态空间内，为抗体与抗原赋予相应的交叉反应阈值，通过交叉匹配即可实现抗体风险因素的识别[7]。从数学角度出发，智能免疫识别模型的形态空间中，无论是抗原还是抗体分子都可以用属性串来描述，如实数、二进制等，识别中具体采用哪种类型的属性串由机械作业安全风险因素的数值类型所决定。那么假设免疫识别模型中抗体机械作业风险因素为α=（α1，α2，…，αn），抗原机械作业安全因素为β=（β1，β2，…，βn），二者之间的匹配识别可以通过距离来衡量：

其中，Q1表示当机械作业安全风险因素为实数属性串时，抗体与抗原之间的距离，Q2表示当机械作业安全风险因素为二进制属性串时，抗体与抗原之间的距离，αi表示第i 个抗体，βi表示第i 个抗原。

如果求得的抗体与抗原之间距离未超过交叉反应阈值，表明该机械作业因素为安全因素，反之则表明其为风险因素。由于在免疫智能识别模型中，抗体与抗原之间会相互作用，所以根据交叉反应阈值即可确定机械作业安全风险因素的识别区域，在该区域中就可以实现免疫系统提呈分子形态的精准识别。

4 案例分析

为了验证本文所设计的机械作业安全风险智能识别技术的可行性，选取某轨道交通工程施工风险数据进行分析。该工程为某城市地下双层车站项目，主体工程面积为4 890.5 m2，主要采用明挖法进行施工，作业过程中用到的机械设备如表2 所示。

表2 主要机械设备

本次轨道交通工程中主要使用了挖掘机、装载机、起重机以及搅拌桩机这4 种大型机械设备，首先利用文中所设计识别技术对这几项机械设备作业中的安全风险进行智能识别，并对各安全风险的严重程度、暴露频率进行评分，单项满分为10 分，然后根据分值来划分风险的等级（表3）。

表3 机械作业安全风险识别结果

由表3 的识别结果可知，利用本文设计智能识别技术对该工程中的4 项机械设备作业安全风险进行跟踪检查时，一共识别出12 项安全风险，其中风险等级为Ⅰ级的有6 项，可以认为本次轨道交通工程中存在较大机械作业安全风险，为确保作业安全，需要及时采取相应措施进行处理。这也说明，本文所设计智能识别技术可以有效识别出机械作业中的安全风险。

为进一步判断本文设计识别技术的识别性能，引入基于知识集成的安全风险识别技术、基于深度学习的安全风险识别技术作为对照组，并以识别准确率为判断指标。

其中，P 表示机械作业安全风险识别准确率，TP、FP 分别表示安全风险被正确识别、被错误识别的数量。

采用3 种方法的识别结果如图1 所示，可以看出本文技术的平均准确率为97.38%，较对照组技术提升了5.69%、11.02%，也就是说本文技术具有更高的安全风险识别精度。因此，该识别技术具有可行性与可靠性，对实际的建筑工程施工具有指导作用。

图1 机械作业安全风险识别精度对比

5 结束语

本文从数据挖掘的角度出发，设计了一种机械作业安全风险智能识别技术，并通过案例分析验证技术的有效性，对促进机械作业安全风险更加系统的辨识具有重要意义。虽然本研究已经取得一定成果，但是仅为我国城市化建设项目中安全风险管理的一小部分，仍有更多有价值的课题需要进一步深入研究，如机械作业安全风险的智能预警与管控技术等，这将对城市化工程建设安全风险防控决策具有重要意义。