一種SVM的建筑施工項目安全預警系統研究

趙瑩

(陜西財經職業技術學院 商學院, 陜西 咸陽 712000)

0 引言

作為國民經濟發展中的支柱型產業之一，建筑業得到了快速發展，同時在建筑施工過程中產生的安全事故越來越多，建筑業的安全管理問題一直是領域內的研究熱點，隨著現代建筑項目規模及作業范圍的不斷擴大，對建筑業的安全管理系統提出了更高的要求，這就需要建筑業不斷完善和優化安全管理系統，提高建筑施工安全管理及預警能力，確保施工過程的安全。目前構建有效的安全預警系統已成為改善建筑安全管理的重要手段。

1 現狀分析

建筑行業在提高國家綜合實力方面起到重要作用，隨著建筑項目的不斷增加，建筑施工過程中的安全事故日益突出，而建筑行業具有包括項目投入大、周期長、體量大、參與方較多和投入大等在內的特點，其事故發生得更加頻繁、涉及原因較多，并且建筑項目中的一些微小錯誤極有可能造成重大損失。目前國內建筑項目參與者對建筑安全管理的重視程度不斷提高，施工企業的安全意識逐漸提高，設立現場安全員監管施工過程，并根據發現的安全隱患采取及時的整改手段，一些進行第三方監督的管理機構不斷發展完善起來，相關法律法規對施工過程安全問題的規定越來越詳細。但由于尚未形成系統成熟的安全管理體系，且主要采用事后的原因追蹤方法，難以實現預防事故目的。改進建筑施工安全管理模式的重點在于運用現代化技術手段構建實用的安全管理系統，將事后應急和追責處理的傳統管理模式轉向事前的安全預警，實現事前管理，避免安全隱患及安全事故帶來的損失。本文設計了一種安全預警模型，通過使用定量方法實現對建筑施工安全的預警功能，提高預警的客觀性和科學性，降低安全事故的發生率[1]。

2 支持向量機的建筑施工安全預警模型

2.1 設計原理

針對當前建筑施工行業普遍存在的工作風險較高、事故多發等問題，為提升施工項目安全管理能力，國內外關于建筑施工項目安全預警模型方面的研究已取得一定的成果。例如，一種使用BIM技術構建的安全預警模型，對預警決策中動力學的優勢進行充分利用，使用BIM信息模型完成實測數據的獲取，據此實現施工安全預警功能。但BIM信息模型存在難以實時采集相關數據的弊端，導致預測誤差較大，限制了準確預警功能的實現；基于目標識別的安全預警模型，針對目標特征，結合運用Elman、SOM網絡完成對超聲信號時序相關特征的分析，在此基礎上完成模型的構建，降低了該模型實施安全預警的成本，但其響應時間仍有待提高。現有的這些預警模型大多基于動態層次分析法、神經網絡等構建，但是普遍存在適用范圍較小、客觀性不足等問題，導致預警響應速度及準確率較低。基于結構風險最小化的支持向量機SVM收斂速度快，且具有全局極小點等優勢，作為一種統計學理論，將其應用于安全預警模型中可有效提高模型的科學性和準確性。為有效解決模型響應時間較長、準確率不高的問題，本文在現有研究成果的基礎上設計了一種基于SVM的安全預警模型及安全預警體系[2]。

2.2 預警指標體系的構建

指標科學合理的篩選是構建安全預警模型的基礎和關鍵，本文遵循指標體系的構建原則，在對建筑施工相關的事件因素進行分析的基礎上，結合現有的相關先驗知識，將主要的相關預警指標從繁雜的影響因素中篩選出來，通過指標完成對施工現場安全問題科學有效、全面準確地反映，以確保所構建的預警指標體系同實際建筑項目施工情況最為符合，構建安全預警指標體系具體需滿足。

(1) 科學性。為使實際應用過程中易發生的各種沖突得以有效避免，基于指標的合理選擇構建科學的預警指標體系，并且能夠進行合理的數據分析。假設，事故發生頻率及相應的經濟損失情況分別由P和C表示，系統的危險程度由R表示，如式(1)。

R=P×C

(1)

(2) 完備性。分析建筑施工項目可知，施工安全影響因素較多，且不同項目通常對應著不同的影響因素，施工項目各個階段的危險度需能夠通過安全預警指標完整的反映出來，并及時給出準確的預警。假設，危險誘導因子權重及誘導算子分別由W和U表示，危險度評價值由D表示，針對危險度評價的計算[3],如式(2)。

D=W×U

(2)

(3) 穩定性。一個建筑項目的施工工地通常包括較多的子項目，不同項目間通常具有一定的差異性，以其特點為依據劃分為一次性活動。假設，在k時間段內，(y，f)表示判別函數，第L個項目的安全情況由Lk表示，用于對整個項目安全狀況進行安全反映的計算過程,如式(3)。

P*=Lk(y，f)

(3)

(4) 動態性與發展性。建筑項目伴隨著持續進行的施工過程，會呈現出動態發展變化的特點，項目任意時刻的實時安全狀態也需通過指標體系進行有效的反映，這就要求指標體系具有一定的動態性，在此基礎上實現對整個施工過程的安全狀態變化過程的充分反映。隨著包括互聯網在內的現代技術的迅速進步，促使建筑行業的相關安全管理理論隨之不斷發展和完善，在確保指標體系適用性有效性的同時，要求所構建的指標自身具有一定的發展性，并且施工安全預警指標體系能夠有針對性地進行完善，具有一定的預見性及包容性，不斷更新完善，以具備不可替代的發展優勢。

針對實際建筑施工中的事故，在安全預警模型中通過引用4M理論完成對原因的分析過程，并借鑒專家經驗和相關文獻研究成果，在此基礎上完成預警指標體系的構建，本文篩選出了32個主要指標，由C={C1，C2，…，C32}表示，不同類指標的相關定義[4]如下。

(1) 人為因素。為實現對施工現場的監管力度的有效強化，人為方面的研究主要選取了三個不同因素，包括現場安全監管、不安全行為和其對應的前提條件，人為因素指標的具體分類矩陣,如式(4)。

(4)

(2) 物理因素。可細分為材料因素和機械因素，主要面向建筑不安全狀態，對造成其原因進行分析和總結，以進一步明確具體影響因素，并據此進行有針對性的預警。

(3) 管理因素。先驗知識表明，在所發生的建筑施工安全事故中，由管理因素造成的影響較為明顯，管理因素可分為管理資源、過程管理和安全文化，具體的指標分類矩陣,如式(5)。

(5)

(4) 環境因素。在對建筑安全事故的原因進行分析時，需對環境因素進行充分考慮，主要可分為施工周圍及施工現場環境、自然及社會環境，社會因素與宏觀因素相關(以安全文化和工作人員的安全意識作為主要影響因素)，本文所設計模型主要采用了施工現場與周圍環境、自然環境，可根據實際需要進行拓展。

2.3 建筑施工安全預警模型的建立

本文在構建預警模型時的具體目標主要包括:(1)安全檢查表方法是現階段國內較為常用的方法，該方法需通過專家審核完成，缺少量化處理導致結果的客觀性不足，本文模型意在降低對專家的過度依賴，進一步提高指標的客觀性，結合運用量化計算方法，使模型對專家的依賴程度得到有效降低。(2)完善和優化指標的選擇，在建筑項目眾多的影響因素中，如上文所述從中選取了32個評價指標，考慮到過多的指標會增加計算負擔，采用相關方法預處理這些指標，在確保指標客觀性的同時，有效簡化了指標的條件性，使模型整個算法的計算量得以有效控制。根據RS理論，對于現實或者抽象的目標，知識具有對其進行分類的能力，對于包含多個研究對象的某一知識系統，假設，知識表達系統由S表示，F表示信息函數，系統中的論域和屬性集分別由U和A表示，α表示屬性，α的值域由Vα表示，研究對象的屬性及屬性值的制定[5]可按照如下表達式完成,如式(6)。

S=(U,V,A,F)

(6)

對決策表使用RS理論調整時，決策表中的值通過離散化數據表示，模型對定量指標中的連續數據通過使用C-均值聚類方法完成離散化處理過程，并對處理后的數據從大到小排序。傳統的風險經驗最小化原則采用SVM(基于結構風險最小化原則)進行優化后，能夠表現出較佳的泛化能力。假設，i表示具體的學習樣本，i的輸入值由xi表示，其所對應的目標值由yi表示，給定訓練數據,如式(7)。

(xi，yi)，i=1，2，…，n

(7)

將數據樣本通過非線性映射方法的運用完成從原始空間到高維空間(K維)的映射，在此基礎上進行線性回歸，b表示置頂項系數，回歸函數[6],如式(8)。

(8)

使用拉格朗日變換，支持向量機的數量由N表示，得到的對偶形式,如式(9)。

(9)

得到偏置系數

式中，Nsv表示支持向量數量。

通過訓練和學習得到回歸預測函數，如式(10)。

(10)

為確保所構建模型的預測精度，引用相應誤差函數對該模型進行檢驗，具體采用相對誤差函數對模型測試不同樣本時的測試效果進行評價，采用均方根誤差函數完成對模型整體效果的預測，假設，n表示具體的測試樣本，n的實際值和預測值分別由x(n，ture)和x(n，pred)表示，如式(11)。

(11)

該安全預警模型的工作流程為：先完成訓練樣本集的選擇與構建，接下來對樣本通過使用C-均值方法完成離散處理過程，使用RS完成樣本的簡化處理，保證數據的完整性，進而得到最優屬性集；然后采用交叉驗證方法完成核函數與懲罰參數的選取，在對模型參數通過MATLAB編程完成相應的求解過程；在此基礎上完成基于SVM的安全預警模型的構建[7]，如式(12)。

(12)

3 實驗測試及結果分析

以本文建筑施工安全預警模型、基于目標識別的預警模型和基于BIM的預警模型作為實驗測試對象，設計對比實驗對所構建的建筑施工安全預警模型的有效性進行驗證，實驗環境采用RAM為1 GB的Windows操作系統、Intel Pentium4，并在Matlab仿真環境下完成相應實驗[8]。

3.1 預警模型的響應時間

通過實驗對比不同模型的響應時間，仿真結果,如圖1—圖3所示。

圖1 本文模型的預警響應時間

圖2 基于BIM的預警模型響應時間

圖3 基于目標識別的模型響應時間

不同模型的預警響應時間變化情況,隨著項目數量的持續增加表現出一定的差異，本文預警模型的響應時間基本能控制在20 min之內，且項目數量的持續增加可保持在一個較為穩定的狀態下，相比其他兩種模型整體預警響應時間最短；項目數量的增加使基于BIM信息的模型的預警響應呈現出大幅度上升的趨勢，基于目標識別的模型的預警響應時間呈現出不穩定的動態變化狀態。說明本文模型可有效縮短預警響應時間，主要原因在于為本文模型通過支持向量機的引用，實現了對模型中參數的優化以及算法計算能力的顯著提升，進而使響應時間得以有效降低，確保能夠在建筑施工過程中發生危險時做出及時的預警提示[9]。

3.2 預警模型的相對誤差

接下來對三類模型在預警相對誤差方面的性能進行實驗對比分析，實驗訓練樣本采用了4個施工項目，在此基礎上通過反復訓練，具體的對比結果,如表1所示。

本文建筑施工安全預警模型、基于BIM的預警模型和基于目標識別的預警模型分別由A、B和C表示。實驗結果表明對于同一個工程項目樣本，本文預警模型的相對誤差明顯低于其他兩種預警模型，說明該模型的預警準確性較高，原因在于該模型基于結構風險最小化通過SVM技術的引用，實現了對有效樣本信息模型的充分利用，據此能夠對建筑施工危險進行及時預警，并且在均方根誤差為0.005時得到的實驗結果最佳，驗證了本文模型的有效性及優越性。

4 總結

傳統的建筑施工安全預警模型已經難以滿足日益復雜的建設項目的安全管理需求，為有效提高建筑施工安全預警系統的響應速度及準確率，針對傳統安全預警模型存在的不足，構建了一種施工安全預警模型的設計方案，并設計了新的預警指標體系，將經過預處理指標體系中的安全因素作為支持向量機的輸入，基于支持向量機進行建筑施工安全預測，在此基礎上實現了有效的預警功能，實驗結果表明該模型達到了預期的預警效果，能夠在有效縮短預警時間的同時，提高預警的準確率，驗證了該安全預警模型的優越性能。接下來將結合最新的預警理論，嘗試融合現代先進的信息及人工智能系統等技術，構建建筑施工遠程安全監測系統和施工安全數據庫，使系統能夠自動給出有效的安全防護及應急措施。