基于GA-BP的建筑施工安全實(shí)時(shí)預(yù)警模型

劉 洋， 申 玲， 陳 東

(南京工業(yè)大學(xué) 土木工程學(xué)院， 江蘇 南京 211816)

由于建筑業(yè)是勞動(dòng)密集型產(chǎn)業(yè)，其具有施工周期長、勞動(dòng)強(qiáng)度大、施工過程涉及眾多參與方等特點(diǎn)，使其成為傷亡率僅次于煤礦業(yè)的高危行業(yè)，且受相關(guān)人員經(jīng)驗(yàn)限制、項(xiàng)目現(xiàn)場環(huán)境動(dòng)態(tài)變化等影響，傳統(tǒng)預(yù)防手段效果有限。因此，建立一個(gè)更主動(dòng)、更智能、更有效的建筑施工安全實(shí)時(shí)預(yù)警模型，是對現(xiàn)有研究的有力補(bǔ)充，具有很大的理論和現(xiàn)實(shí)意義。

目前，已有很多學(xué)者研究將統(tǒng)計(jì)方法運(yùn)用于施工項(xiàng)目安全預(yù)警過程當(dāng)中，比如D-S證據(jù)理論法[1]、模糊綜合評價(jià)法[2]、灰色關(guān)聯(lián)分析法[3]等，一定程度上提高了施工現(xiàn)場的安全管理水平，但以上研究大部分是從時(shí)間點(diǎn)的角度來評價(jià)分析項(xiàng)目整體施工安全狀態(tài)，是靜態(tài)的、偏整體角度的綜合預(yù)警模式。這些方法缺乏自學(xué)習(xí)能力，難以進(jìn)行實(shí)時(shí)安全狀態(tài)分析。

與此同時(shí)，計(jì)算機(jī)模擬仿真、智能可視化技術(shù)等現(xiàn)代信息技術(shù)[4～7]已得到一定應(yīng)用，如危險(xiǎn)源識別[8]、自動(dòng)化安全模擬[9]、利用BLE技術(shù)監(jiān)控工人和施工設(shè)備位置[10]、AR和VR進(jìn)行工人培訓(xùn)[11]等。目前主流的的短距離無線通訊技術(shù)包括UWB，ZigBee，BLEMesh等，其中BLE技術(shù)作為一種新興的定位技術(shù)，它具有尺寸小、低能耗、低成本和耐久性、能夠?qū)崟r(shí)連接多個(gè)設(shè)備(例如，基于藍(lán)牙技術(shù)的低功耗傳感器、移動(dòng)設(shè)備和計(jì)算機(jī))等優(yōu)勢，基于此，本文采取BLEMesh網(wǎng)絡(luò)作為實(shí)時(shí)安全預(yù)警信息獲取方式。已有研究對通過信息通訊技術(shù)監(jiān)控到的影響施工安全因素進(jìn)行綜合評判預(yù)警還有所欠缺，仍需安全管理人員或?qū)＜腋鶕?jù)已有經(jīng)驗(yàn)或是安全規(guī)范來判斷施工現(xiàn)場是否安全，主觀性強(qiáng)且耗時(shí)，不利于及時(shí)消除安全隱患。

為此，本文將遺傳算法進(jìn)行優(yōu)化過的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)方法引入到施工安全預(yù)警模型中，通過擬合警兆指標(biāo)和警情關(guān)系，構(gòu)建基于GA-BP的建筑施工安全實(shí)時(shí)預(yù)警模型。以期實(shí)現(xiàn)安全預(yù)警的自主化、動(dòng)態(tài)化、智能化。

1 GA-BP預(yù)警方法概述

BP神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、并行分布式處理、非線性處理等特點(diǎn)[12]。BP神經(jīng)網(wǎng)絡(luò)模型將系統(tǒng)結(jié)構(gòu)隱含于網(wǎng)絡(luò)的權(quán)值和閾值當(dāng)中，預(yù)警過程中，只需確定模型樣本輸入和理想輸出，通過樣本對模型進(jìn)行訓(xùn)練和檢驗(yàn)后，模型會(huì)根據(jù)選擇的學(xué)習(xí)方式對待測樣本進(jìn)行預(yù)測。BP神經(jīng)網(wǎng)絡(luò)可以避免復(fù)雜的參數(shù)估計(jì)過程并降低主觀因素的影響[13]。雖然BP神經(jīng)網(wǎng)絡(luò)有上述優(yōu)點(diǎn)，適合用于建筑施工安全預(yù)警過程，但其本身也存在收斂速度慢、無法達(dá)到最優(yōu)等缺點(diǎn)。遺傳算法是一種基于基因遺傳學(xué)原理的隨機(jī)搜索最優(yōu)解的方法，具有隱并行性、自適應(yīng)性、優(yōu)化搜索空間和全局尋優(yōu)等特點(diǎn)，能夠很快達(dá)到全局最優(yōu)解[14]。

本文通過遺傳算法(Genetic Algorithm，GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，將優(yōu)化過的閾值和權(quán)值作為BP神經(jīng)網(wǎng)絡(luò)的初始值，建立基于GA-BP的建筑施工安全實(shí)時(shí)預(yù)警模型，該模型與BP神經(jīng)網(wǎng)絡(luò)相比，具有收斂更快、精度更高等優(yōu)點(diǎn)，使施工安全實(shí)時(shí)預(yù)警具有更高的預(yù)測精度及收斂速度。

2 實(shí)時(shí)預(yù)警安全信息需求分析

2.1 實(shí)時(shí)預(yù)警安全信息需求指標(biāo)體系

本文搜集到2013—2017年間共發(fā)生房屋市政工程事故2706起，對其進(jìn)行分析得知高處墜落事故占52.32%，物體打擊事故占14.71%，坍塌事故占12.14%，起重傷害事故占9.44%，其他事故占11.39%。故將事故分為高處墜落、物體打擊、坍塌、起重傷害四類。

選取德爾菲法確定實(shí)時(shí)預(yù)警安全信息需求指標(biāo)體系，考慮專家的專業(yè)領(lǐng)域及從業(yè)經(jīng)驗(yàn)等因素，邀請5位具有博士學(xué)歷的高校教授以及5位具有多年工程項(xiàng)目工作經(jīng)驗(yàn)的項(xiàng)目經(jīng)理共10名專家作為匿名函詢主體。針對四類事故發(fā)生的前饋信號問題向?qū)＜曳謩e提出三輪問詢，將他們列出的前饋信號進(jìn)行整理、歸納，確定初選前饋信號，保證了指標(biāo)的科學(xué)合理性。然后運(yùn)用SPSS軟件對初選前饋信號進(jìn)行重要程度與離散程度分析，確定最終前饋信號，從前饋信號中可提取建筑施工過程中實(shí)時(shí)安全信息的需求。

最終建立人-機(jī)-管-技-環(huán)5項(xiàng)一級指標(biāo)、24項(xiàng)二級指標(biāo)的建筑施工實(shí)時(shí)預(yù)警安全信息需求指標(biāo)體系，如圖1所示。

圖1 建筑施工實(shí)時(shí)預(yù)警安全信息需求指標(biāo)體系

2.2 實(shí)時(shí)安全預(yù)警信息獲取方式

由于BLEMesh網(wǎng)絡(luò)具有低成本、超低功率、多信道、覆蓋盲區(qū)少、傳輸速度快[15, 16]等優(yōu)點(diǎn)，本文選用BLEMesh網(wǎng)絡(luò)作為施工現(xiàn)場實(shí)時(shí)收集上述五類信息的方法[17, 18]。利用BLE設(shè)備收集人員、材料械具的屬性和實(shí)時(shí)位置信息，采用傳感器如壓力傳感器、位移傳感器等收集管理、技術(shù)和環(huán)境參數(shù)信息，利用藍(lán)牙Mesh作為物聯(lián)網(wǎng)傳輸協(xié)議，建立基于BLEMesh技術(shù)的無線傳感器網(wǎng)絡(luò)，實(shí)時(shí)傳輸設(shè)備數(shù)據(jù)。通過BLEMesh、傳感器的協(xié)同應(yīng)用，實(shí)現(xiàn)安全信息的自動(dòng)實(shí)時(shí)采集，為建筑施工安全實(shí)時(shí)預(yù)警提供數(shù)據(jù)來源。

圖2 實(shí)時(shí)信息采集系統(tǒng)結(jié)構(gòu)

如圖2所示，實(shí)時(shí)信息采集系統(tǒng)分為客戶端層、BLEMesh網(wǎng)絡(luò)層及服務(wù)器層。BLEMesh網(wǎng)絡(luò)是一種與傳統(tǒng)無線網(wǎng)絡(luò)完全不同的新型無線網(wǎng)絡(luò)技術(shù)，由路由器和客戶端組成，稱為“多跳(multi-hop)”網(wǎng)絡(luò)。只需要在路由器那里分出各種終端設(shè)備，然后通過這些設(shè)備與設(shè)備之間進(jìn)行組網(wǎng)，實(shí)現(xiàn)互聯(lián)[17]。其包括以下三種網(wǎng)絡(luò)節(jié)點(diǎn)，分別是MPP、MP 和MAP 。其中MAP的主要任務(wù)是與施工人員、材料械具相連接。施工人員身體狀況、工種信息、個(gè)人防護(hù)用品與工人位置匹配狀況；材料使用年限、允許操作工種；機(jī)械維修次數(shù)、質(zhì)量檢查結(jié)果等信息事先存儲在對應(yīng)的MAP節(jié)點(diǎn)中。采用廣播形式將收集到的信息傳遞給MP，MP之間進(jìn)行信息交流并進(jìn)一步傳遞給MPP路由器，通過計(jì)算機(jī)后臺的相關(guān)位置算法可獲得MAP的具體坐標(biāo)。

傳感器技術(shù)則可收集管理、技術(shù)和環(huán)境參數(shù)，管理參數(shù)如現(xiàn)場安全隔離防護(hù)是否布置到位利用壓力傳感器監(jiān)測；技術(shù)參數(shù)信息如腳手架穩(wěn)定性、基坑穩(wěn)定性等，利用振弦式傳感器監(jiān)測其應(yīng)力應(yīng)變狀況；環(huán)境參數(shù)如濕度、溫度、亮度等則使用光亮度傳感器及溫濕度傳感器監(jiān)測。將利用傳感器收集到的信息數(shù)據(jù)，通過BLEMesh網(wǎng)絡(luò)傳送并顯示在本地服務(wù)器中。本地服務(wù)器將收集到的各類信息轉(zhuǎn)化為數(shù)據(jù)類信息進(jìn)行存儲，便于下文實(shí)時(shí)安全預(yù)警模型建立。在集成系統(tǒng)結(jié)構(gòu)中，BLEMesh網(wǎng)絡(luò)層及服務(wù)器層間的連接遵守BLEMesh網(wǎng)絡(luò)協(xié)議。

3 基于GA-BP的實(shí)時(shí)安全預(yù)警模型

根據(jù)前文建立的實(shí)時(shí)預(yù)警安全信息需求指標(biāo)體系收集建筑工程事故及未遂事件樣本數(shù)據(jù)，通過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試樣本，將現(xiàn)場實(shí)時(shí)采集的安全信息導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練好的模型中，實(shí)現(xiàn)安全預(yù)警功能。

3.1 樣本安全信息數(shù)據(jù)化

將MPP及傳感器設(shè)備收集到的信息轉(zhuǎn)化為數(shù)據(jù)類信息，轉(zhuǎn)化標(biāo)準(zhǔn)如表1所示，數(shù)據(jù)化的信息可以直接輸入到GA-BP網(wǎng)絡(luò)中對網(wǎng)絡(luò)進(jìn)行訓(xùn)練及測試。

表1 建筑工程實(shí)時(shí)預(yù)警安全信息數(shù)據(jù)化

續(xù)表

3.2 實(shí)時(shí)安全預(yù)警模型

GA-BP建筑施工安全實(shí)時(shí)預(yù)警模型如圖3所示。第一，BP神經(jīng)網(wǎng)絡(luò)參數(shù)初始化，包括確定網(wǎng)絡(luò)輸入、輸出和隱含層節(jié)點(diǎn)數(shù)等；第二，設(shè)置種群數(shù)目和優(yōu)化目標(biāo)；第三，計(jì)算群適應(yīng)度；第四，遺傳操作，進(jìn)行選擇、交叉、變異操作；第五，獲得最佳神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值；第六，利用最佳權(quán)值和閾值參數(shù)訓(xùn)練及測試樣本；第七，運(yùn)用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測或評價(jià)。

圖3 GA-BP安全實(shí)時(shí)預(yù)警模型

4 應(yīng)用實(shí)例

由于施工現(xiàn)場信息設(shè)備普及程度較低，無法收集到建筑施工過程中安全預(yù)警所需的全部信息，所以選取建筑吊籃事故為例進(jìn)行分析，演示基于GA-BP的實(shí)時(shí)安全預(yù)警模型應(yīng)用過程。

4.1 確定訓(xùn)練樣本、測試樣本和網(wǎng)絡(luò)輸出

首先分析建筑吊籃事故案例，確定其五類實(shí)時(shí)安全預(yù)警信息需求，并進(jìn)行數(shù)據(jù)化處理如表2所示。通過收集住建部網(wǎng)站工程質(zhì)量安全監(jiān)管模塊吊籃事故快報(bào)以及實(shí)際工程中的未遂事故等具體數(shù)據(jù)，得到GA-BP網(wǎng)絡(luò)訓(xùn)練的60項(xiàng)樣本數(shù)據(jù)，其中51項(xiàng)為訓(xùn)練樣本，9項(xiàng)為測試樣本，如表3所示。結(jié)合實(shí)際案例結(jié)果給出理想輸出，對應(yīng)警情如表4所示。

表2 建筑吊籃事故信息需求

表3 神經(jīng)網(wǎng)絡(luò)輸入樣本數(shù)據(jù)

續(xù)表

表4 神經(jīng)網(wǎng)絡(luò)輸出結(jié)果對應(yīng)警情

4.2 GA-BP網(wǎng)絡(luò)設(shè)計(jì)

采用單隱含層的GA-BP網(wǎng)絡(luò)進(jìn)行建筑吊籃事故預(yù)警。輸入層取6個(gè)神經(jīng)元，中間層取15個(gè)神經(jīng)元，輸出層取3個(gè)神經(jīng)元，為6-15-3網(wǎng)絡(luò)結(jié)構(gòu)。中間層神經(jīng)元傳遞函數(shù)為tansig，輸出層神經(jīng)元傳遞函數(shù)為logsig，學(xué)習(xí)率為0.05，學(xué)習(xí)誤差為1×10-4。設(shè)置遺傳代數(shù)為200，種群規(guī)模為150。調(diào)用Matlab中遺傳算法Goat工具箱的GAbp.m、EVal.m及Code.m。分別使用BP網(wǎng)絡(luò)及GA-BP網(wǎng)絡(luò)對樣本進(jìn)行訓(xùn)練，其誤差性能曲線如圖4，5所示，由圖可知，GA-BP網(wǎng)絡(luò)比BP網(wǎng)絡(luò)具有更快的收斂性。

圖4 BP算法誤差性能曲線

圖5 GA-BP算法誤差性能曲線

4.3 網(wǎng)絡(luò)測試及誤差分析

將檢驗(yàn)樣本數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)，計(jì)算出BP神經(jīng)網(wǎng)絡(luò)和GA-BP神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出與理想輸出間的絕對誤差，結(jié)果如表5，6所示，通過對比絕對誤差得知GA-BP預(yù)測精度明顯高于BP神經(jīng)網(wǎng)絡(luò)，因此訓(xùn)練后的GA-BP神經(jīng)網(wǎng)絡(luò)可以作為建筑吊籃墜落事故預(yù)警模型。

表5 BP神經(jīng)網(wǎng)絡(luò)誤差

表6 GA-BP神經(jīng)網(wǎng)絡(luò)誤差

4.4 預(yù)警實(shí)踐

某住宅項(xiàng)目三期工程由4棟32層及2棟34層的高層建筑組成。項(xiàng)目主體結(jié)構(gòu)施工已經(jīng)完成，目前正在進(jìn)行外墻粉刷工程，采用吊籃進(jìn)行外墻粉刷，吊籃額定載重量為800 kg(7.84 kN)，利用項(xiàng)目現(xiàn)場MPP及傳感器設(shè)備收集到所需要的安全信息并進(jìn)行數(shù)據(jù)轉(zhuǎn)化得到輸入向量為[67,0,0,6,0,0.64]，使用上文訓(xùn)練好的吊籃事故預(yù)警模型進(jìn)行計(jì)算，輸出結(jié)果如表7所示。

表7 吊籃墜落事故預(yù)警結(jié)果

由上表可知，根據(jù)最大隸屬度原則，該吊籃屬于“輕警狀態(tài)”，應(yīng)該通過BLEMesh網(wǎng)絡(luò)傳播警情給吊籃工作人員進(jìn)行整改，達(dá)到“無警”狀態(tài)再繼續(xù)施工。

5 結(jié) 語

本文根據(jù)建筑施工事故致因機(jī)理的邏輯框架，在學(xué)者研究及歷史數(shù)據(jù)的基礎(chǔ)上，構(gòu)建了安全信息需求指標(biāo)體系。該體系包括5項(xiàng)一級指標(biāo)，24項(xiàng)二級指標(biāo)，全面的反映了施工實(shí)時(shí)預(yù)警安全信息需求。然后通過BLEMesh網(wǎng)絡(luò)實(shí)時(shí)收集安全信息數(shù)據(jù)，利用樣本數(shù)據(jù)訓(xùn)練GA-BP模型，最后將施工現(xiàn)場信息數(shù)據(jù)化后輸入訓(xùn)練好的GA-BP模型，實(shí)現(xiàn)施工現(xiàn)場安全狀態(tài)進(jìn)行智能化、實(shí)時(shí)性、動(dòng)態(tài)性的安全預(yù)警。本研究在總結(jié)國內(nèi)外相關(guān)研究與實(shí)踐成果的基礎(chǔ)上，構(gòu)建了基于GA-BP的建筑施工安全實(shí)時(shí)預(yù)警模型，并詳細(xì)介紹其工作機(jī)制，是對現(xiàn)有研究的有力補(bǔ)充，對豐富我國建筑施工安全管理研究具有一定理論意義。打破了施工預(yù)警偏靜態(tài)、受評價(jià)人員主觀性影響、缺乏自學(xué)習(xí)能力等現(xiàn)狀，對提升企業(yè)乃至整個(gè)行業(yè)的施工安全管理水平具有重要現(xiàn)實(shí)意義。