劉田剛 張大剛 陳銀州
(中交二公局鐵路建設(shè)有限公司 陜西西安 710000)
目前,地鐵建設(shè)規(guī)模逐年提升,施工風險管理工作的重要性日益凸顯[1],浮置板道床施工工序復(fù)雜,受到外界影響較大,物流組織安排困難[2]。文獻[3]通過計算機智能系統(tǒng)軟件設(shè)計,建立了地鐵工程施工安全風險動態(tài)管理系統(tǒng),能夠有效輔助管理人員決策,從而實現(xiàn)施工安全風險控制。文獻[4]依據(jù)城市軌道交通工程安全風險管理體系和管控技術(shù)標準研制了專業(yè)信息化管理平臺,對軌道交通工程建設(shè)的安全風險進行實時監(jiān)控。本文討論了運用傳感器技術(shù)、視頻技術(shù)、軟件技術(shù)等實現(xiàn)智能監(jiān)測和預(yù)警的方法,為未來橡膠彈簧浮置板軌道施工安全風險的智能管控提供參考。
橡膠彈簧浮置板軌道施工風險主要出現(xiàn)在鋼筋籠組裝運輸鋪設(shè)、混凝土澆筑和浮置板道床頂升過程中。
鋼筋籠組裝過程中,無關(guān)人員進入加工區(qū)域可能導(dǎo)致意外傷害,電氣線路布置不合理或施工后場地清理不當可能導(dǎo)致火災(zāi);鋼筋籠疊放超過規(guī)定層數(shù)可能造成人員砸傷;在機器設(shè)備使用方面,可能會因為施工人員操作不當導(dǎo)致身體受傷、機械打擊、引發(fā)火災(zāi)、人員灼傷甚至觸電。
人員操作、設(shè)備問題或外部環(huán)境的影響均會威脅鋼筋籠的運輸安全,運輸過程風險源主要有:人員進行吊裝警戒區(qū)、惡劣天氣違規(guī)操作、起吊超載、安全裝置失靈或制動裝置受損、軌排滑落、隧道內(nèi)照明不良等。
鋼筋籠鋪設(shè)過程中,工作人員可能會因為操作龍門吊不當導(dǎo)致受傷;軌排下放區(qū)域,可能會由于鋼絲繩、制動裝置受損、照明不良導(dǎo)致人員受傷,或鋼筋籠軌排吊點位置不合理導(dǎo)致軌排滑落造成人員砸傷。也可能因未正確佩戴防護用品導(dǎo)致手指、頭部受傷。在剪力鉸安裝過程中,因為安裝空間小,可能導(dǎo)致手指、腳部受傷。
在盾構(gòu)隧道中,現(xiàn)澆浮置板混凝土施工時,現(xiàn)場作業(yè)空間狹小,使用的機具主要有3臺10 t的鋪軌小吊、混凝土漏斗、插入式振動棒,配合施工的有軌道車,整個施工過程中存在的事故傷亡類別有:起重傷害、物體打擊、車輛傷害、觸電等。振搗混凝土過程中,還可能會因為振動棒漏電導(dǎo)致人員觸電。
在浮置板道床頂升過程中,會使用到液壓千斤頂,可能因為操作人員操作不當、機具性能不良、機具傾倒或突然回油、頂升過程照明不良導(dǎo)致人員受到擠傷或碰傷。
本文主要采用圖像處理法,將備選的記錄標記為“匹配”或不匹配,以規(guī)則的形式來表達風險特征,設(shè)計能衡量屬性值的相似度以及差異度的基本指標,然后在帶有真實標簽的記錄對集合上,以這些基本指標為輸入特征,通過生成單邊隨機森林來獲得具有可解釋性、高區(qū)分度和高覆蓋率的規(guī)則,得到的規(guī)則即風險特征。
本文對地鐵橡膠彈簧浮置板軌道施工過程中的風險進行歸納總結(jié),并對相應(yīng)的風險決策進行分類,在此基礎(chǔ)上建立地鐵橡膠彈簧浮置板軌道施工風險分析框架如圖1。
圖1 地鐵橡膠彈簧浮置板軌道施工風險分析框架
在實際應(yīng)用中,風險特征需要被歸類為匹配和不匹配,施工現(xiàn)場風險識別主要基于圖像識別技術(shù),采用較大粒度像素塊語義信息。施工風險識別時,對于每種風險特征,假定其發(fā)生概率服從某種分布的隨機變量,如果某次風險識別記錄包含N個風險特征,則匹配的期望為
其中——風險特征匹配的期望;
——風險特征βi分布期望。
對地鐵橡膠彈簧浮置板軌道施工過程中的風險特征進行概率分布表示,根據(jù)概率分布區(qū)間進行區(qū)分識別,進行風險特征匹配,針對歸類的每一種風險特征進行具體的量化分析,為人工智能最終決策提供有效支撐。
現(xiàn)澆浮置板軌道施工風險識別是一種多分類的問題,以期獲得不同風險源對應(yīng)的風險決策。為保證精度,需要讓模型在風險識別過程中實時調(diào)整相應(yīng)參數(shù)。風險模型的訓(xùn)練過程是有監(jiān)督學(xué)習,需要大量的標注數(shù)據(jù),在訓(xùn)練之前,將部分或全部數(shù)據(jù)標注相應(yīng)的標簽后,再開始模型的訓(xùn)練。一條有標簽的數(shù)據(jù)應(yīng)包含兩部分:施工現(xiàn)場風險的具體特征和決策分類。前者通過圖像識別技術(shù)來獲得,后者標簽信息需根據(jù)豐富的專家知識對現(xiàn)場施工風險源的不同決策分類來標注。
在現(xiàn)澆浮置板軌道施工的過程中,情況復(fù)雜多變,通過標注再進行訓(xùn)練,模型的時效性較差,無法準確描述現(xiàn)澆浮置板的施工現(xiàn)狀??刹捎弥鲃訉W(xué)習來減小系統(tǒng)的學(xué)習工作量,系統(tǒng)自動根據(jù)不同的風險特征的分布概率進行隨機組合,生成不確定數(shù)據(jù)樣本供系統(tǒng)進行訓(xùn)練,系統(tǒng)框架如圖2。
圖2 風險分析系統(tǒng)訓(xùn)練框架
通過圖像識別技術(shù)獲取施工現(xiàn)場不同風險數(shù)據(jù)后,通過機器學(xué)習的方法篩選出合適的施工風險候選集,對于機器學(xué)習難以分類的樣本數(shù)據(jù),進行人工再次確認和審核,然后將這些人工標注的數(shù)據(jù)再次使用到有監(jiān)督學(xué)習模型中進行訓(xùn)練,以提升模型性能。
其中,主動學(xué)習分為兩個階段:
(1)初始化階段。隨機從原始風險圖像(未標注樣本)中選取小部分,專家(監(jiān)督者)進行標注,為訓(xùn)練集建立初始模型;
(2)循環(huán)查詢階段。專家從原始風險圖像中,按照某種風險決策分類決策(查詢標注),選取一定未標注的風險數(shù)據(jù)樣本進行風險決策分類標注,并計入到已標注的風險圖像(訓(xùn)練樣本集)中,記錄高風險行為,重新訓(xùn)練分類器,直至達到訓(xùn)練標準為止。
其基本流程為:
①選取合適的風險模型,主動選擇策略,將所有的風險圖像數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集(有標注的數(shù)據(jù)集),驗證數(shù)據(jù)集(有標注的數(shù)據(jù)集,但要與訓(xùn)練數(shù)據(jù)集嚴格區(qū)分)和未標注數(shù)據(jù)集,其中訓(xùn)練數(shù)據(jù)集初始可為空。②隨機初始化,如果訓(xùn)練集不為空,則開始訓(xùn)練模型;③使用當前模型對未標注的風險圖像進行預(yù)測,得到每個樣本的預(yù)測結(jié)果,通過標注查詢匹配的樣本;④專家對上述數(shù)據(jù)集進行標注,并更新到已標注風險圖像數(shù)據(jù)集合中;⑤基于已有的風險圖像訓(xùn)練集,訓(xùn)練更新風險模型;⑥將風險模型在驗證集上進行驗證,當輸出的風險決策分類結(jié)果符合現(xiàn)場施工的風險識別要求時,停止迭代,否則循環(huán)執(zhí)行步驟③~⑤直到模型滿足風險識別要求。
將現(xiàn)澆浮置板圖像數(shù)據(jù)的篩選描述為基于離群點檢測的問題,在人工智能風險識別系統(tǒng)中加入離群點檢測算法,具有代表性的是局部異常因子算法,利用一些列量化指標判斷數(shù)據(jù)樣本與其他數(shù)據(jù)樣本之間的疏離,篩選出分類錯誤的數(shù)據(jù)點,在特征選擇時,需要進一步過濾和現(xiàn)場風險不相關(guān)的特征。例如,在浮置板頂升過程中,風險特征往往是機具性能不良、機具傾倒或突然回油等風險,但當工作人員違規(guī)操作龍門吊這一特征也被納入該分類數(shù)據(jù)集時,就會對最后的風險決策分類準確性造成影響,通過局部異常因子算法(LOF),即可篩除這些離群點。
因此,在現(xiàn)澆浮置板模型中,利用該算法進行檢測,首先要根據(jù)不同風險特征,確定風險特征鄰域關(guān)系,根據(jù)不同風險源劃分的鄰域關(guān)系所包含的特征確定風險源之間的點樣本距離進而判斷數(shù)據(jù)的疏離情況。
本文首先針對橡膠彈簧浮置板軌道施工過程存在的風險進行了總結(jié)分析,在此基礎(chǔ)上利用人工智能識別技術(shù)構(gòu)建了風險識別模型,并對風險模型進行了訓(xùn)練和應(yīng)用,研究表明,人工智能識別技術(shù)能有效的識別橡膠彈簧浮置板軌道施工風險,結(jié)合傳感器技術(shù)可以有效的針對實時發(fā)生的風險進行預(yù)警,減少施工事故的發(fā)生。