施工作業現場信息化數據采集,監控及分析

王軍燕， 蒯宏偉， 王道靜

(1.國網安徽省電力有限公司，安徽,合肥 230001；2.安徽送變電工程公司，安徽，合肥 230001)

0 引言

施工安全管理一直是施工作業管理中最重要的部分，把控施工風險，降低風險隱患對每一個施工單位來說都需放在第一位。常規的工作方法中，通常采用經驗方法實現施工作業風險評估，這種方式比較傳統，技術落后，隨著人工智能技術的發展，相關學者進行了技術研究，文獻[1]通過對施工風險劃分等級，將事故按原因、類型、等級實現不同類型的分類，利用風險的嚴重程度將其劃分為5個等級，雖然在一定程度上實現了風險等級劃分，但是數據采集能力差，無法實現施工工程全方位數據信息采集，準確度欠佳。文獻[2]利用模型搭建的方法實現施工作業的智能化分析，該方法應用了關聯集分解的思想，將風險按照類型劃分到不同的模型中，雖然應用了關聯理論，但是在分析、應用過程中仍舊未考慮到精度計算，對迭代計算的要求并未提及，施工作業的評估精度仍未提及，導致對風險檢測與評估方面效果不理想。

基于以上問題，本研究進行以下技術研究。

1 施工作業監控系統整體架構設計

針對上述技術的不足，本研究通過在施工現場設置多種數據傳感器，實現反映施工現場數據信息的采集，通過控制器控制不同的傳感器，并通過數據通信模塊實現多數據信息的傳遞，在數據計算模塊對采集到的多種數據信息進行數據計算，最終輸出施工作業信息的分析與評估，實現施工作業現場的遠程監控。施工作業風險評估如圖1所示。

圖1 施工作業監控系統示意圖

施工作業監控系統在硬件結構上包括數據采集層、數據控制層、數據傳遞層、數據計算層和數據應用層。其中數據采集層包括多種數據傳感器，比如溫度傳感器、CO傳感器、NO傳感器、火焰傳感器、數據采集模塊和圖像采集模塊等，這些多數據傳感模塊能夠實現數據施工現場數據信息的采集和計算。控制器采用的是TI公司生產的雙核DSP芯片，芯片型號為TMS32F28377D[3-4]，控制器還與上位機進行數據通信，數據通信模塊為NXP公司生產的LPC4357芯片，該芯片為本研究中施工作業監控系統實現上位機的通信模塊。在其他實例中，該通信模塊采用的ARM芯片為基于Cortex-M4內核的芯片，在相同實例的通信案例中，還采用USART模塊、SPI模塊、SSP模塊、CAN通信模塊以及ENTHERNET等通信模塊，進而實現施工作業監控系統的多種形式的數據交互。

由于施工作業現場作業包含了很多數據意外事故數據，比如自然災害、突發事故、火災、用電事故、氣候因素等不同的數據信息，通過感測這些數據信息后，這些數據信息將被傳遞到上層數據管理中心，通過數據融合算法將上述數據信息匯集，再將上述宏觀數據信息歸一化處理、數據化處理，實現不同數據的融合，便于用戶從諸多影響施工作業數據信息中獲取不同的信息，進行數據分析。

在進行數據分析時，啟動改進型BP神經網絡模型，實現施工作業數據信息的故障評估，以提高施工作業風險評估的精度。將計算后的數據信息通過交換機傳遞信息執行層，該數據層通過主機和虛擬服務器實現數據的應用和計算。下面對改進型BP神經網絡算法模型實現施工作業風險的評估。

2 關鍵技術設計

2.1 數據采集系統設計

在硬件結構設計中，采用數據采集的處理器為DSP芯片，其型號為TMS32F28377D，其中數據采集系統通過ARM技術[6]，基于外部的以太網物理層芯片DP83848芯片，實現與上位機進行數據交互。其硬件結構如圖2所示。

圖2 數據采集系統硬件結構設計

通過不同數據信息的采集，能夠檢測到的數據參數示例如表1所示。

表1 相關檢測參數范圍

在對上述測試信息進行采集的過程中，采用的傳感器有DTH11傳感器、MQ-7傳感器、CCS811傳感器以及SDS011傳感器。進行數據采集時，數據傳遞通過發送存儲在ARM硬件模塊中的控制參數，然后讀寫到ARM模塊中的EEROM中，更新后的數據信息通過DSP處理單元進行數據處理和計算，最終經過ARM模塊傳遞到上位機中[7-8]。這需要底層軟件的支持，流程示意圖如圖3所示。

圖3 底層軟件工作流程示意圖

DSP技術計算模塊工作時需要進行實時數據傳遞，數據傳遞過程中，時序通過時間分片的方式，在不斷時序設置時，通過主程序不斷循環，將輸入的最新數據信息擠壓到SPI內，然后再發到FIFO中，主程序會通知ARM數據的更新情況，通過ARM模塊輸出的時鐘數據信息回應接收到的數據信息，然后在啟動的主循環中，啟動其他程序[9]。ARM模塊在工作過程中，一邊與上位機進行數據交互，一邊接收上位機傳遞的指令信息，能夠提高DSP信號反應的及時性，在不斷的數據更新中，能夠實現IP層數據包的完整性，以確定是否存在數據丟失。然后咨詢上位機是否有指令發出[10]，比如數據幀丟失，進而實現DSP輸出數據信息的讀取和應用。

2.2 改進型關聯Apriori算法模型的構建

本研究的改進點在于在關聯Apriori算法模型中加入BP神經網絡模型模型以及工作分解WBS模型和風險分解RBS模型[11-14]，以提高施工作業故障信息，供工作人員進行人工干預。如圖4所示。

圖4 改進型關聯集分解算法模型示意圖

工作時，通過數據集合表示采集到施工作業不同的數據信息，則有：

{W1,W2,W3,W4,W5,W6,…,Wi,Wi+1}

(1)

然后構建風險分解RBS模型，將設計風險、材料風險、環境風險、地質風險、管理風險、設施風險、用電風險和火災風險等不同的數據信息記作數據集合：

{R1,R2,R3,R4,R5,R6,R7,R8}

(2)

通過數據集合構建，將采集到的數據信息構成風險矩陣[13-14]，則如式(3)：

(3)

式中，i代表RBS模型中風險因子，j代表WBS模型中的施工作業中的數據信息。然后對風險數據信息進行評估，風險度公式為

D=P風險×H

(4)

其中,D為風險度，P風險為風險發生的概率，H為風險等級。再將風險等級細分，常用的是將風險等級劃分為5個單位，即：1.稍有風險；2.一般風險；3.顯著風險；4.高度風險；5.極其危險[15]。通過上述風險描述，實現風險等級劃分，如表2所示。

表2 風險等級劃分表

然后構建關聯Apriori算法，將風險預測與評估進行改良，假設施工作業風險記作數據集C。風險記作e，則有e∈C(e)。然后創建頻繁項集，以使多個施工作業風險都能夠計算得到。該頻繁項集評估標準有支持度、提升度及置信度等3種。每個數據的支持度為

(5)

其中，e1、e2為兩個施工作業相關聯的風險數據，置信度為

(6)

提升度為

(7)

如果兩種風險相互獨立，則有：

P(e1/e2)=P(e1)

(8)

關聯Apriori算法模型的迭代運算如圖5所示。

圖5 迭代運算示意圖

如圖5所示，將最小支持度設置為50%，若風險關聯集分解的最小支持度MinSupport為20%，需要迭代1次，通過多次迭代，則可輸出滿意的結果。啟動BP神經網絡模型，對關聯計算后的結果進行故障診斷，通過這種方法大大提高了施工作業的評估能力。下面對其評估效果進行驗證。

3 實驗結果與分析

在實驗時，采用的硬件計算機操作系統為Microsoft Windows 2015，64位，主要開發工具為Visual Studio 2015，OpenCV 3.0。運行環境硬件參數為CPU：Inter(R)Core(TM)i7；主頻為2.59 GHz；內存16G。施工項目選擇某電力公司100 MW風電場110 kV升壓站工程作為實驗數據對結果進行分析。施工作業信息數據表如表3所示。

表3 施工作業信息數據表

試驗過程中，僅僅挑選設計風險、材料風險、環境風險、地質風險、管理風險、設施風險、用電風險和火災風險等因素分解因子，支持度介于20%～35%，風險因子根據施工過程中管理經驗而設定。通過50次的迭代計算，輸出如表4所示的數據。

表4 數據采集信息表

通過上述試驗，本研究的檢測率大于文獻[3]和文獻[4]。為了形象地表示本研究的誤差計算率，通過曲線圖的形式進行表示,如圖6所示。

圖6 準確率分析折線圖

文獻[3]基于數據統計所設計的技術方案在100分鐘的測試后準確率僅有61.5%，且隨后準確率逐漸減少；文獻[4]所設計的采用傳統Apriori算法對風險的關聯集進行整理與估算的技術方案在100 min測試后準確率達70.7%;本研究方法準確率最高。

4 總結

針對施工作業風險評估，本研究構建一套施工作業監控系統，通過嵌入式技術提高了施工作業項目的故障數據采集能力，構建了改進型關聯集分解算法模型，實現了施工作業信息分析，通過BP神經網絡模型，提高了評估診斷能力。本研究方案對現代施工作業管理方法與施工過程中風險估算、風險預測和風險處理決策等方面提供堅實的理論依據。