董 良，曾 勃，曲寒冰，王加強(qiáng)，靳 薇

（1.北京市科學(xué)技術(shù)研究院，北京 100094；2.北京市新技術(shù)應(yīng)用研究所，北京 100094；3.北京城市副中心行政辦公區(qū)工程建設(shè)辦公室，北京 101117；4.北京市住房和城鄉(xiāng)建設(shè)委員會，北京 100037）

1 引 言

塔機(jī)是建筑施工領(lǐng)域常見的特種作業(yè)設(shè)備，具有容錯率低、事故風(fēng)險高、操作難度大的特點，相對于其他建筑施工設(shè)備更容易發(fā)生安全生產(chǎn)事故，往往會造成重大的人員傷亡，對施工人員及周圍設(shè)施造成重大危害。因此，對塔機(jī)安全操作的研究一直是國內(nèi)外建筑行業(yè)的研究重點。

目前，國內(nèi)關(guān)于塔機(jī)安全使用的研究大多集中在塔機(jī)防碰撞系統(tǒng)構(gòu)建和塔機(jī)受力分析方面。許景波等基于超聲波測距技術(shù)設(shè)計了一種用于障礙物檢測的防碰撞探測器，并在MATLAB中成功地進(jìn)行了仿真測試；黃建文等利用GPS/RFID組合定位技術(shù)，增強(qiáng)了防碰撞系統(tǒng)的可靠性；李志國在塔機(jī)受力方面利用有限元分析和ANSYS技術(shù)對快架塔塔身的幾種危險工況進(jìn)行分析，并從塔機(jī)機(jī)身設(shè)計的角度提出了塔機(jī)安全優(yōu)化方案。

文獻(xiàn)調(diào)研顯示，現(xiàn)有的研究還較少關(guān)注塔機(jī)駕駛員（以下簡稱塔司）的自身行為如何對塔機(jī)安全生產(chǎn)產(chǎn)生影響。事實上，經(jīng)過對塔機(jī)事故的統(tǒng)計發(fā)現(xiàn)，操作人員的素質(zhì)是造成塔機(jī)事故的重要因素之一。在國外關(guān)于塔機(jī)風(fēng)險因素的分析研究中，Raviv G.等將收集到的51起已發(fā)事故與161起未遂事故劃分成五類并使用層次分析法對造成事故的風(fēng)險因素進(jìn)行定量分析，最終得到所有潛在風(fēng)險事件的總風(fēng)險值并進(jìn)行比較。研究結(jié)果發(fā)現(xiàn)技術(shù)因素和人為因素是造成塔機(jī)事故的核心要素，塔機(jī)從業(yè)人員的專業(yè)知識和技能不足已經(jīng)成為塔機(jī)事故頻發(fā)的普遍誘因。因此，對塔司操作行為的個性化分析與定量化研究已顯得愈發(fā)重要。

在塔機(jī)黑匣子廣泛運(yùn)用的今天，傳感器記錄的塔機(jī)運(yùn)行數(shù)據(jù)可以有效地記錄按照《GB3811起重機(jī)設(shè)計規(guī)范》定義的完整吊裝過程。因此，塔機(jī)操作記錄可以看作是一種長度有限的周期信號。圖1給出了塔機(jī)回轉(zhuǎn)機(jī)構(gòu)傳感器所記錄的打回車、提前剎車和規(guī)范吊裝3種典型操作行為的時域波形及其頻譜。其中，打回車和提前剎車是塔司操作水平較低的體現(xiàn)，表現(xiàn)為時域波形抖動并有超調(diào)現(xiàn)象，而標(biāo)準(zhǔn)操作行為的曲線則比較平滑，沒有超調(diào)現(xiàn)象。

圖1 三種典型操作角度時頻圖

2 理論依據(jù)

2.1 快速傅里葉變換

快速傅里葉變換（Fast Fourier Transform,縮寫為FFT）是離散傅里葉變換的一種快速實現(xiàn)方法。對于N點時間序列信號x（n），若要求出N點x（k）需要運(yùn)算N2次復(fù)數(shù)乘法及N（n-1）次復(fù)數(shù)加法，當(dāng)N很大時，其計算量也較大。為了降低其運(yùn)算量，Cooley和Tukey于1956年提出了快速傅里葉變換算法，使N點DFT的復(fù)數(shù)乘法計算量N2由降低為次，可以大幅提升離散傅里葉變換的計算速度。

2.2 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，縮寫為SVM）是Corinna Cortes和Vapnik等于1995年首先提出的一種有監(jiān)督的機(jī)器學(xué)習(xí)方法。SVM通過學(xué)習(xí)一部分“優(yōu)劣”已知樣本的特征，最終達(dá)到對“優(yōu)劣”未知樣本分類的目的。在本文中，“優(yōu)劣”即為塔司的每個操作行為所屬的類別，即打回車、提前剎車和規(guī)范操作，樣本的特征即為回轉(zhuǎn)機(jī)構(gòu)傳感器所記錄的塔司一個循環(huán)內(nèi)操作信號的頻譜特征。

假設(shè)存在樣本數(shù)據(jù)集其中x是樣本特征向量，y是類別標(biāo)簽，滿足yi∈Y={+1,-1}（二分類情況）。根據(jù)支持向量機(jī)理論，在線性可分情況下，則至少存在一個超平面

使得樣本集中的正、負(fù)樣本集各自處于超平面H0兩側(cè)，且H0距離兩類樣本距離之和最遠(yuǎn)。

3 數(shù)據(jù)采集及預(yù)處理

本文所采用的實驗數(shù)據(jù)來源于北京某大型工地，塔機(jī)傳感器數(shù)據(jù)平臺記錄了98位塔司在2016年11月到2017年1月間，36臺塔機(jī)生成的約548萬條塔機(jī)運(yùn)行監(jiān)控數(shù)據(jù)，記錄了塔機(jī)吊鉤起升高度、小車變化幅度、吊臂回轉(zhuǎn)角度、起吊吊重和生成時間等數(shù)據(jù)，每條記錄間隔10s，這些數(shù)據(jù)為典型的時間序列數(shù)據(jù)，如表1。本文遵循GB 3811《起重機(jī)設(shè)計規(guī)范》中對循環(huán)的定義：“從起吊一個物品起，到能開始起吊下一個物品時止，包括起重機(jī)運(yùn)行及正常的停歇在內(nèi)的一個完整的過程”，綜合利用多路傳感器信號從數(shù)據(jù)集中分解出每個吊裝過程。

表1 實驗數(shù)據(jù)樣例

為了驗證提出方法的可行性，通過以下步驟人工篩選出276個循環(huán)作為實驗數(shù)據(jù)：①對運(yùn)行記錄添加循環(huán)標(biāo)志位，分解出每個吊裝過程；②去除原始數(shù)據(jù)集中無載重的循環(huán)；③通過可視化手段，標(biāo)注打回車、提前剎車及規(guī)范操作3類操作行為，如圖2所示。最后，標(biāo)注了276個循環(huán)數(shù)據(jù)作為實驗樣本，其中，打回車82例，提前剎車104例，規(guī)范操作90例。

由圖2可知，每個循環(huán)內(nèi)回轉(zhuǎn)角度變化的長度、角度值均不相同，沒有統(tǒng)一的特征空間，所以我們通過對操作信號的補(bǔ)齊和歸一化來去除信號長度和操作角度值對于頻譜分析的影響。對276個樣本數(shù)據(jù)進(jìn)行如下預(yù)處理：①補(bǔ)齊數(shù)據(jù)，統(tǒng)一時域信號長度。為了統(tǒng)一原始信號的FFT頻率分量的度量空間，將波形統(tǒng)一補(bǔ)齊至128個數(shù)據(jù)，長度不足128的使用首、末尾數(shù)值進(jìn)行填補(bǔ)。②角度值歸一化，消除FFT模值量綱影響。首先，將時域波形減去最小值使其向上平移，然后，除以最大值將角度幅值歸一化至同一量綱[0,1]內(nèi)。圖3給出了數(shù)據(jù)預(yù)處理的完整過程。

圖2 打回車、提前剎車和規(guī)范操作時域波形變化圖

圖3 數(shù)據(jù)預(yù)處理過程

4 實驗分析

4.1 頻譜變換

根據(jù)2.1節(jié)知識，對預(yù)處理后的276個樣本數(shù)據(jù)進(jìn)行FFT變換，得到各樣本數(shù)據(jù)的頻域波形圖。圖4給出了3類操作在區(qū)間n∈[2，64]的頻譜系數(shù)振幅分布情況。

圖4 三種操作疊加12個樣本的時域圖與FFT振幅值譜圖

通過觀察3類操作FFT變換后的頻域振幅的分布情況可以發(fā)現(xiàn)，3種操作在各個頻率分量的振幅相差明顯，其中打回車與提前剎車在大于0.02Hz的頻段有明顯的頻率分量，而規(guī)范操作的頻率分量則主要在集中在小于0.02Hz的頻段。此外，規(guī)范操作的低頻分量波形相對光滑，而打回車與提前剎車操作的低頻分量波動明顯。因此，我們可以將3類操作的63維頻率分量的振幅作為SVM分類器的備選特征。

4.2 特征選擇

4.2.1 特征篩選

首先，使用Pearson相關(guān)系數(shù)法對63維特征進(jìn)行相關(guān)性分析。相關(guān)系數(shù)高于0.8的特征如表2所示。

表2 強(qiáng)相關(guān)性特征

由于高相關(guān)性特征可以互相代替，表2中4組特征中去除任一特征，都不會對分類器性能產(chǎn)生較大影響，因此，去除表2中第二列特征，得到59維特征。

其次，利用隨機(jī)森林模型確定最佳特征及其個數(shù)。去除相關(guān)特征后的59維特征輸入隨機(jī)森林模型，可以得到特征維數(shù)與模型袋外（Out of Bag,縮寫為OOB）樣本精度的關(guān)系曲線，如圖5所示。其中，橫軸代表輸入特征的個數(shù)，縱軸代表模型的袋外樣本識別精確度。當(dāng)特征數(shù)目為9維時，模型的OOB精確度最高,為87.2%。此外，隨機(jī)森林模型使用Mean Decrease Accuracy度量特征的重要程度，如表3所示。

圖5 利用隨機(jī)森林模型確定最佳特征數(shù)

表3 特征選擇結(jié)果

4.2.2 降維可視化

利用線性判別分析（Linear Discriminant Analysis,縮寫為LDA）降維對隨機(jī)森林方法篩選出的9維特征降低至2維進(jìn)行可視化，276個樣本在2維空間中分布的情況如圖6所示，3類違章操作被較好地區(qū)分，這些特征可以作為特征輸入分類器。

圖6 LDA降維可視化圖

4.3 分類器設(shè)計

本文使用SVM作為分類器，對塔司每個循環(huán)的操作行為進(jìn)行識別。采用LIBSVM工具箱實現(xiàn)SVM，選用線性核函數(shù)。首先，使用276個數(shù)據(jù)對支持向量機(jī)分類器進(jìn)行訓(xùn)練，整體考察SVM分類器對塔司單次循環(huán)的操作類型分類效果。圖7給出276個樣本以及SVM支持向量機(jī)在二維空間的分布情況。

圖7 支持向量機(jī)分類結(jié)果

表4給出了本次分類的混淆矩陣，可以看出SVM分類器在對打回車操作的識別精度為92.5%，對提前剎車操作的識別精度為84.7%，對規(guī)范操作的識別精度為91.7%。

表4 SVM分類器混淆矩陣

為了考察SVM分類模型的泛化能力，本文以7∶3的比例將276個實驗數(shù)據(jù)分為訓(xùn)練集與測試集，即193個數(shù)據(jù)用于訓(xùn)練分類器，83個數(shù)據(jù)用于測試分類器的精度。通過200次的重復(fù)實驗，我們可以得到SVM分類的訓(xùn)練誤差和測試誤差的分布情況（圖8），以及訓(xùn)練誤差和測試誤差的平均誤差水平（表5）。

圖8 交叉確認(rèn)誤差分布直方圖

表5 交叉確認(rèn)誤差平均值

計算發(fā)現(xiàn)，SVM對訓(xùn)練集的分類準(zhǔn)確率約為87.3%，對測試集分類準(zhǔn)確率約為86.9%。從分類結(jié)果可以看出，我們提出的基于塔司操作特性曲線頻域特征的SVM分類器可以很好地對3類操作行為進(jìn)行分類。基于本文提出的方法，對實驗中涉及的8位塔司的所有21917個循環(huán)操作曲線進(jìn)行整體分類識別，如表6所示，操作最好的塔司為張某晶，其規(guī)范操作占比約28%，最差的陳某華規(guī)范操作占比約為25%。

5 結(jié) 論

本文提出了一種在機(jī)器學(xué)習(xí)框架下，基于頻譜特征對塔司3種典型操作行為—打回車、提前剎車與規(guī)范操作進(jìn)行行為識別的SVM分類器的設(shè)計與實現(xiàn)。該方法中涉及的主要分析流程為特征提取、特征選擇與分類器設(shè)計3大模塊，采用的技術(shù)主要包括快速傅里葉變換、隨機(jī)森林與支持向量機(jī)。通過對采集數(shù)據(jù)的分析，本方法對3類操作行為實現(xiàn)了約87%的識別精度，能夠可靠地識別出塔司的3類操作行為，從而實現(xiàn)對塔司操作行為的定量評價。

該方法不但有助于管理人員規(guī)范工人操作行為，還有助于安全部門更加精準(zhǔn)地評價塔司的操作水平。通過對每個塔機(jī)傳感器實時上傳數(shù)據(jù)的分析，可以及時地發(fā)現(xiàn)塔司的不良操作，為避免塔機(jī)安全事故提供了理論指導(dǎo)和技術(shù)支撐，對智慧工地精準(zhǔn)化管理進(jìn)行了有益的探索。

致謝：感謝中國建筑科學(xué)研究院建筑機(jī)械化研究分院的李守林研究員、羅文龍研究員以及姚金柯研究員，各位專家為本課題研究提出的寶貴的指導(dǎo)意見并為本課題研究提供了塔機(jī)傳感器數(shù)據(jù)及相關(guān)資料。

[參考文獻(xiàn)]

[1]許景波，趙 宇，沈永濱,等．基于超聲波測距的塔機(jī)防碰撞探測器設(shè)計[J]．傳感器與微系統(tǒng)，2016，35（3）：127-129.

[2]黃建文，祝建軍，張 婷．基于GPS/RFID組合定位的纜機(jī)塔機(jī)防碰撞系統(tǒng)研究[J]．中國安全生產(chǎn)科學(xué)技術(shù)，2015，11（10）：90-95.

[3]李志國，鮑會麗，田春偉．基于ANSYS的快架塔塔身靜力學(xué)分析[J]．建筑機(jī)械化，2017，38（1）：29-31.

[4]余群舟，孫博文，駱漢賓,等．塔機(jī)事故統(tǒng)計分析[J]．建筑安全，2015，30（11）：10-13.

[5]Raviv G，Shapira A，F(xiàn)ishbain B．AHP-based analysis of the risk potential of safety incidents： Case study of cranes in the construction industry[J]．Safety Science，2017，91（c）：298-309.

[6]Raviv G，F(xiàn)ishbain B，Shapira A．Analyzing risk factors in crane-related near-miss and accident reports[J]．Safety Science，2017，91（c）：192-205.

[7]全國起重機(jī)標(biāo)準(zhǔn)化技術(shù)委員會組織編寫．GB/T 3811-2008《起重機(jī)設(shè)計規(guī)范》釋義與應(yīng)用[M]．北京：中國標(biāo)準(zhǔn)出版社，2008.

[8]Cooley J W，Tukey J W．An Algorithm for the Machine Calculation of Complex Fourier Series[C]// Math．Comp．1965.

[9]Vapnik，Vladimir N．The nature of statistical learning theory[J]．Technometrics，1997，（6）：15-64.

[10]Breiman L．Random Forests[J]．Machine Learning，2001，45（1）：5-32.

[11]靳 薇，曾 勃，董 良，等．面向智慧工地的塔機(jī)安全管理大數(shù)據(jù)分析初探[J]．建筑機(jī)械化，2018，（3）：22-27.