基于KanBIM和物聯網的電力工程現場安全行為識別方法分析

國網江蘇省電力有限公司徐州供電分公司 魏 東

1 引言

隨著社會的不斷發(fā)展和進步，電力工程在我國的經濟建設和社會生活中扮演著重要角色。由于電力工程現場的復雜性和危險性，安全管理一直是一個極為嚴峻的問題，為了提高電力工程現場的安全性和管理效率，采用先進的技術手段進行管理和監(jiān)控已成為必然的趨勢。

2 KanBIM 與物聯網技術

為了保障電力設備的安全和穩(wěn)定運行，需要運用多種技術手段對電力工程進行管理和優(yōu)化。本文提出的基于KanBIM 和物聯網的電力工程現場安全行為識別方法，涉及了多種技術和方法，將分別介紹KanBIM 技術、物聯網技術和電力工程現場安全行為識別方法的基本原理和應用場景。

2.1 KanBIM 技術及其應用

KanBIM 技術是一種基于建筑信息模型（BIM）的協作平臺，可以實現多方之間的協同設計和數據共享[1]。在電力工程中，KanBIM 技術可以用于電力設備的三維建模和協同設計，實現對電力設備的管理和維護。KanBIM 技術可以將電力設備的三維模型與相關的數據進行整合，實現對電力設備的維護和管理。同時，KanBIM 技術還可以與其他技術相結合，如人工智能、大數據等，實現對電力設備的自動化管理和優(yōu)化[2]。

2.2 物聯網技術及其應用

物聯網技術是一種將物理設備和網絡連接起來，實現設備之間互相通信和協作的技術。在電力工程中，物聯網技術可以用于電力設備的實時監(jiān)測和遠程控制，實現對電力設備的智能化管理和優(yōu)化。通過將感知設備和傳感器與互聯網相連接，可以實現數據的實時收集和傳輸，對電力設備的狀態(tài)進行實時監(jiān)測。物聯網技術還可以與其他技術相結合，如云計算、區(qū)塊鏈等，實現對電力設備的更加高效和安全的管理。

2.3 電力工程現場安全行為識別方法

電力工程現場安全行為識別方法是指通過技術手段，對電力工程現場施工人員的行為進行實時監(jiān)測和識別，以保障施工人員的安全。目前，常用的電力工程現場安全行為識別方法有基于視頻圖像處理技術、基于傳感器技術和基于機器學習技術等。基于視頻圖像處理技術的電力工程現場安全行為識別方法，通過對現場施工人員的視頻圖像進行分析和處理，實現對施工人員的行為進行監(jiān)測和識別。基于傳感器技術的電力工程現場安全行為識別方法，通過在電力工程現場布置傳感器，實現對施工人員的行為進行監(jiān)測和識別。基于機器學習技術的電力工程現場安全行為識別方法，通過對現場施工人員的數據進行特征提取和模型訓練，實現對施工人員的行為進行監(jiān)測和識別。本文提出的基于KanBIM 和物聯網的電力工程現場安全行為識別方法，通過結合KanBIM 技術和物聯網技術，實現了對電力工程現場施工人員的行為進行實時監(jiān)測和識別，具有較高的實用價值[3]。

3 基于KanBIM 和物聯網的電力工程現場安全行為識別方法設計

本文所提出的基于KanBIM 和物聯網的電力工程現場安全行為識別方法，采用了分布式系統架構，包括安全監(jiān)測子系統、數據采集子系統、數據傳輸子系統、數據處理子系統和行為識別子系統等5個子系統。通過物聯網技術，采集電力工程現場的傳感器數據，包括高清攝像頭數據、聲音數據、溫度數據、濕度數據等。數據傳輸子系統負責將采集到的數據傳輸至數據處理子系統。利用機器學習和數據挖掘技術，對傳感器數據進行預處理、特征提取和行為識別，實現對施工人員的行為進行實時監(jiān)測和識別，最后將識別結果反饋至安全監(jiān)測子系統，通過KanBIM技術實現對施工人員的實時監(jiān)測和管理。

3.1 設計思路

所提出的基于KanBIM 和物聯網的電力工程現場安全行為識別方法結合了建筑信息模型管理技術、物聯網數據采集技術和數據處理算法。通過Kan-BIM 技術實現對建筑信息模型的在線協同管理和任務分配，物聯網設備可以采集電力工程現場人員、設備、環(huán)境等信息，數據處理算法可以對這些數據進行分析和判斷，以實現對電力工程現場安全行為的識別和管理[4]。

3.2 系統模塊設計

3.2.1 建筑信息模型管理模塊

建筑信息模型管理模塊（Building Information Model，BIM）是整個系統的核心模塊，負責對電力工程現場的建筑信息模型進行管理和維護。該模塊采用BIM 技術，可以實現對建筑信息模型的可視化管理和協同編輯，方便多人協同作業(yè)。BIM是一種基于Web 的建筑信息模型管理系統，可以實現建筑信息模型的可視化管理和協同編輯，并且可以在不同的設備和平臺上進行訪問和編輯。該模塊還可以實現對建筑信息模型的數據分析和可視化展示，如可以用來記錄建筑物各個細節(jié)，像墻壁、屋頂、樓梯等，同時還可以將電力設備與建筑物對應起來，從而方便跟蹤監(jiān)測。該模塊可以通過軟件平臺實現，如Autodesk BIM 360等。BIM 可以實現對電力工程現場的建筑信息進行實時監(jiān)測和管理，提高電力工程現場的安全性和效率。

3.2.2 物聯網數據采集模塊

物聯網數據采集模塊（Internet of Things Data Collection Module，ITM）主要負責采集電力工程現場的傳感器數據，包括高清攝像頭數據、聲音數據、溫度數據、濕度數據等。ITM 采用物聯網技術，將各種傳感器和設備通過互聯網進行連接和管理，實現對物理世界的實時監(jiān)測和控制。ITM可以將采集到的傳感器數據上傳到云端或本地服務器，以供后續(xù)的數據處理和分析。同時，該模塊還可以對采集到的數據進行預處理和存儲，以便后續(xù)的數據分析和處理。ITM 可以實現對電力工程現場的實時監(jiān)測和控制，從而提高電力工程現場的安全性和效率。在電力工程現場中，可以使用各種傳感器來監(jiān)測環(huán)境、設備運行狀態(tài)和人員行為等信息。如溫度傳感器可以監(jiān)測電力設備的溫度情況，煙霧傳感器可以監(jiān)測電力設備周圍的煙霧情況，視頻監(jiān)控攝像頭可以監(jiān)測工作人員的行為等。

3.2.3 數據處理和算法模塊

數據處理和算法模塊（Data Processing And Algorithm Module，DAM）是整個系統的核心模塊之一，主要負責對采集到的傳感器數據進行預處理、特征提取和行為識別，實現對施工人員的行為進行實時監(jiān)測和識別。具體需要對采集到的圖像和視頻數據進行預處理和特征提取，然后利用分類算法對工作人員的安全行為進行分類和識別。

在預處理方面，可以進行圖像去噪、圖像增強、灰度處理等操作，以便提高圖像質量和提取更有用的特征。在特征提取方面，可以使用常見的圖像特征提取算法，如Haar 特征、HOG 特征、LBP特征等。在分類算法方面，可以使用各種機器學習和深度學習算法來實現電力工程現場的安全行為識別。如可以使用支持向量機（Support Vector Machine，SVM）、隨機森林（Random Forest）、卷積神經網絡（Convolutional Neural Network，CNN）等算法來實現分類和識別。通過該模塊能夠實現對電力工程現場的自動化監(jiān)測和管理，從而提高安全性和穩(wěn)定性。

3.3 系統實現流程

安全識別系統結構如圖1所示。

圖1 安全識別系統結構

在任務管理階段，首先由管理員通過KanBIM系統發(fā)布任務并將任務分配給相應的人員。經過任務的確認和接受，相關人員開始在電力工程現場進行工作。同時，由物聯網設備定期采集數據并將其上傳至云端或本地服務器。經過數據預處理和特征提取，對數據進行分類、聚類和預測等操作，識別出電力工程現場的安全行為。

4 試驗與結果分析

4.1 試驗環(huán)境和數據

本文在試驗中采用了基于KanBIM 和物聯網的電力工程現場安全行為識別方法。試驗環(huán)境為某電力工程現場，使用了多種傳感器和監(jiān)控設備進行數據采集。采集到的數據包括環(huán)境數據、設備運行狀態(tài)數據和人員行為數據等。采集到的數據被上傳至云端服務器進行處理和分析。

4.2 安全行為識別試驗結果分析

采用支持向量機（SVM）、隨機森林（Random Forest）和卷積神經網絡（CNN）三種分類算法對電力工程現場的安全行為進行分類和識別。在試驗過程中，針對電力工程現場涉及的7種安全行為進行了分類和識別，包括佩戴安全帽、穿著安全鞋、佩戴防護手套、使用安全帶、使用絕緣工具、使用梯子和使用防護眼鏡。試驗數據共涉及20個場景，每個場景持續(xù)時間10min。采用K 折交叉驗證的方法，將20個場景隨機分成了10份，其中9份用于訓練，1份用于測試，這一過程重復了10次。

使用三種分類算法SVM、Random Forest 和CNN 進行比對，并使用LBP、Haar 和HOG 三種特征提取算法進行了試驗。具體試驗結果詳見表1。

表1 特征提取算法進行了試驗結果

從表中可以看出，卷積神經網絡結合LBP 特征提取算法的效果最優(yōu)，準確率達到了91.2%，隨機森林和SVM 的效果稍差。同時，在特征提取算法方面，LBP 的效果最佳，其次是Haar 和HOG。還對不同場景下的分類效果進行了分析。試驗結果表明，各種算法的分類效果存在差異，但總體上均能夠達到較高的準確率，說明所提出的方法在電力工程現場的安全行為識別方面具有良好的適應性和可行性。

基于KanBIM 和物聯網的電力工程現場安全行為識別方法能夠有效地對電力工程現場的安全行為進行分類和識別，具備較高的準確性和穩(wěn)定性。該方法還具有較強的適應性和擴展性，可為電力工程現場等復雜環(huán)境下的安全監(jiān)管提供重要參考。

4.3 系統性能評估

基于KanBIM 和物聯網的電力工程現場安全行為識別方法的系統性能進行了評估。試驗結果表明，該方法能夠對電力工程現場的安全行為進行高效準確的識別，其準確率達到了90.3%。

5 結語

本文提出了一種基于KanBIM 和物聯網的電力工程現場安全行為識別方法，該方法實現了對電力工程現場施工人員的行為進行實時監(jiān)測和識別。通過試驗驗證，該方法可以準確地對電力工程現場施工人員的安全行為進行識別，具有一定的實用價值。未來，可以進一步完善該方法的算法和工程實現，提高其識別精度和實用性，推廣應用到更多的電力工程現場中，為保障施工人員的安全提供更加有效的技術手段。