基于智能技術的現澆浮置板軌道施工風險識別方法

劉田剛 張大剛 陳銀州

（中交二公局鐵路建設有限公司 陜西西安 710000）

1 研究背景及意義

目前，地鐵建設規模逐年提升，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軟件設計，建立了地鐵工程施工安全風險動態管理系統，能夠有效輔助管理人員決策，從而實現施工安全風險控制。文獻[4]依據城市軌道交通工程安全風險管理體系和管控技術標準研制了專業信息化管理平臺，對軌道交通工程建設的安全風險進行實時監控。本文討論了運用傳感器技術、視頻技術、軟件技術等實現智能監測和預警的方法，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。

2 現澆浮置板軌道施工風險源分析

橡膠彈簧浮置板軌道施工風險主要出現在鋼筋籠組裝運輸鋪設、混凝土澆筑和浮置板道床頂升過程中。

2.1 鋼筋籠組裝過程

鋼筋籠組裝過程中,無關人員進入加工區域可能導致意外傷害，電氣線路布置不合理或施工后場地清理不當可能導致火災；鋼筋籠疊放超過規定層數可能造成人員砸傷；在機器設備使用方面，可能會因為施工人員操作不當導致身體受傷、機械打擊、引發火災、人員灼傷甚至觸電。

2.2 鋼筋籠運輸過程

人員操作、設備問題或外部環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、惡劣天氣違規操作、起吊超載、安全裝置失靈或制動裝置受損、軌排滑落、隧道內照明不良等。

2.3 鋼筋籠鋪設過程

鋼筋籠鋪設過程中，工作人員可能會因為操作龍門吊不當導致受傷；軌排下放區域，可能會由于鋼絲繩、制動裝置受損、照明不良導致人員受傷，或鋼筋籠軌排吊點位置不合理導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，可能導致手指、腳部受傷。

2.4 混凝土澆筑過程

在盾構隧道中，現澆浮置板混凝土施工時，現場作業空間狹小，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致人員觸電。

2.5 浮置板道床頂升過程

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致人員受到擠傷或碰傷。

3 現澆浮置板軌道施工風險模型的構建

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，以規則的形式來表達風險特征，設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、高區分度和高覆蓋率的規則，得到的規則即風險特征。

3.1 可量化、可學習的施工風險分析框架

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，并對相應的風險決策進行分類，在此基礎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

3.2 現澆浮置板軌道施工風險特征生成

在實際應用中，風險特征需要被歸類為匹配和不匹配，施工現場風險識別主要基于圖像識別技術，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。

3.3 施工風險模型的構建

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，根據概率分布區間進行區分識別，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。

4 現澆浮置板軌道施工風險模型的訓練和應用

4.1 施工風險模型的訓練

現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整相應參數。風險模型的訓練過程是有監督學習，需要大量的標注數據，在訓練之前，將部分或全部數據標注相應的標簽后，再開始模型的訓練。一條有標簽的數據應包含兩部分：施工現場風險的具體特征和決策分類。前者通過圖像識別技術來獲得，后者標簽信息需根據豐富的專家知識對現場施工風險源的不同決策分類來標注。

在現澆浮置板軌道施工的過程中，情況復雜多變，通過標注再進行訓練，模型的時效性較差，無法準確描述現澆浮置板的施工現狀?？刹捎弥鲃訉W習來減小系統的學習工作量，系統自動根據不同的風險特征的分布概率進行隨機組合，生成不確定數據樣本供系統進行訓練，系統框架如圖2。

圖2 風險分析系統訓練框架

通過圖像識別技術獲取施工現場不同風險數據后，通過機器學習的方法篩選出合適的施工風險候選集，對于機器學習難以分類的樣本數據，進行人工再次確認和審核，然后將這些人工標注的數據再次使用到有監督學習模型中進行訓練，以提升模型性能。

其中，主動學習分為兩個階段：

（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（監督者）進行標注，為訓練集建立初始模型；

（2）循環查詢階段。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據樣本進行風險決策分類標注，并計入到已標注的風險圖像（訓練樣本集）中，記錄高風險行為，重新訓練分類器，直至達到訓練標準為止。

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據劃分為訓練數據集（有標注的數據集），驗證數據集（有標注的數據集，但要與訓練數據集嚴格區分）和未標注數據集，其中訓練數據集初始可為空。②隨機初始化，如果訓練集不為空，則開始訓練模型；③使用當前模型對未標注的風險圖像進行預測，得到每個樣本的預測結果，通過標注查詢匹配的樣本；④專家對上述數據集進行標注，并更新到已標注風險圖像數據集合中；⑤基于已有的風險圖像訓練集，訓練更新風險模型；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果符合現場施工的風險識別要求時，停止迭代，否則循環執行步驟③～⑤直到模型滿足風險識別要求。

4.2 施工風險模型的應用

將現澆浮置板圖像數據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據樣本與其他數據樣本之間的疏離，篩選出分類錯誤的數據點，在特征選擇時，需要進一步過濾和現場風險不相關的特征。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，但當工作人員違規操作龍門吊這一特征也被納入該分類數據集時，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，在現澆浮置板模型中，利用該算法進行檢測，首先要根據不同風險特征，確定風險特征鄰域關系，根據不同風險源劃分的鄰域關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據的疏離情況。

5 結語

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分析，在此基礎上利用人工智能識別技術構建了風險識別模型，并對風險模型進行了訓練和應用，研究表明，人工智能識別技術能有效的識別橡膠彈簧浮置板軌道施工風險，結合傳感器技術可以有效的針對實時發生的風險進行預警，減少施工事故的發生。