張建榮, 張 偉, 薛楠楠, 趙挺生

(華中科技大學(xué)土木與水利工程學(xué)院，湖北 武漢 430074)

塔式起重機(jī)作為主要的建筑工程施工起重設(shè)備，對(duì)提高作業(yè)人員的勞動(dòng)效率、加快施工進(jìn)度具有不可替代的作用。但由于塔式起重機(jī)的安裝、使用和拆卸過(guò)程均存在較大的危險(xiǎn)性以及施工現(xiàn)場(chǎng)安全管理不到位等原因，近年來(lái)塔式起重機(jī)安全事故頻發(fā)，造成了較大的人員傷亡和財(cái)產(chǎn)損失。其主要原因:一方面是作業(yè)人員存在僥幸心理，認(rèn)為塔式起重機(jī)安全事故都是一般事故，較大事故發(fā)生的概率極低；另一方面是各單位對(duì)塔式起重機(jī)安全事故類型認(rèn)識(shí)不足，未制訂有針對(duì)性的應(yīng)急預(yù)案。因此，借鑒以往發(fā)生的塔式起重機(jī)安全事故報(bào)告和相關(guān)數(shù)據(jù)，采用可行的預(yù)測(cè)方法對(duì)塔式起重機(jī)安全事故等級(jí)和類型進(jìn)行預(yù)測(cè)，可為制定塔式起重機(jī)安全監(jiān)控監(jiān)測(cè)方案和隱患排查治理提供依據(jù)，將有助于降低塔式起重機(jī)安全事故發(fā)生的概率和危害后果。

塔式起重機(jī)安全事故預(yù)測(cè)的本質(zhì)是一個(gè)分類問(wèn)題,常用的分類模型有邏輯回歸(Logistics Regression,LR)、K近鄰(K-Nearest Neighbor,KNN)、決策樹(Decision Tree,DT)、多層感知器(Multilayer Perceptron,MLP)等模型，在面對(duì)高維特征的小數(shù)據(jù)集時(shí)，這些分類器訓(xùn)練得到的模型泛化能力有限。而集成學(xué)習(xí)(Ensemble Learning,EL)通過(guò)集成基分類器獲取更優(yōu)的預(yù)測(cè)結(jié)果，且對(duì)類別不平衡數(shù)據(jù)集的分類問(wèn)題預(yù)測(cè)更準(zhǔn)確。隨機(jī)森林(Random Forest,RF)算法是一種基于多棵決策樹和裝袋(Bootstrap Aggregating,Bagging)算法的集成學(xué)習(xí)模型，通過(guò)并行集成基學(xué)習(xí)器降低過(guò)擬合的風(fēng)險(xiǎn)，目前在很多領(lǐng)域得到了廣泛的應(yīng)用。如徐緒堪等構(gòu)建了洪澇災(zāi)害突發(fā)事件分類的隨機(jī)森林模型，以為全過(guò)程應(yīng)急管理提供支撐；劉睿等將隨機(jī)森林算法應(yīng)用于巫山縣滑坡易發(fā)性區(qū)劃，結(jié)果表明隨機(jī)森林算法具有較高的準(zhǔn)確性和穩(wěn)定性；李文娟等將隨機(jī)森林算法應(yīng)用于強(qiáng)對(duì)流潛勢(shì)預(yù)測(cè)和分類，結(jié)果發(fā)現(xiàn)該算法對(duì)大范圍強(qiáng)對(duì)流天氣進(jìn)行預(yù)測(cè)的準(zhǔn)確率高；周德紅等利用隨機(jī)森林算法來(lái)計(jì)算各指標(biāo)對(duì)分類效果的權(quán)重，并分析得出了液化天然氣儲(chǔ)運(yùn)企業(yè)泄漏事故的主要原因；盧彬等以空氣中污染物濃度數(shù)據(jù)和同期氣象數(shù)據(jù)構(gòu)建隨機(jī)森林模型用來(lái)預(yù)測(cè)銀川市空氣質(zhì)量，結(jié)果表明其預(yù)測(cè)精度達(dá)到了88.03%。

上述研究表明，隨機(jī)森林算法善于處理不同領(lǐng)域的分類問(wèn)題，但在建筑工程安全領(lǐng)域的研究與應(yīng)用還較少。為此，本文采用隨機(jī)森林算法構(gòu)建塔式起重機(jī)安全事故預(yù)測(cè)模型，對(duì)該事故等級(jí)和類型進(jìn)行預(yù)測(cè)，主要包括：①塔式起重機(jī)安全事故致因的系統(tǒng)分解；②構(gòu)建基于隨機(jī)森林算法的塔式起重機(jī)安全事故預(yù)測(cè)模型；③采用實(shí)際發(fā)生的塔式起重機(jī)安全事故數(shù)據(jù)，對(duì)塔式起重機(jī)安全事故等級(jí)和類型進(jìn)行模擬預(yù)測(cè)；④識(shí)別塔式起重機(jī)安全事故的關(guān)鍵致因。該研究結(jié)果可為塔式起重機(jī)安全隱患排查和應(yīng)急預(yù)案制定提供依據(jù)，以便預(yù)防塔式起重機(jī)安全事故的發(fā)生和提高塔式起重機(jī)作業(yè)安全水平。

1 塔式起重機(jī)安全事故致因的系統(tǒng)分解

塔式起重機(jī)安全的影響因素眾多，且一向是國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。如Shapira等采用專家訪談法對(duì)塔吊使用階段的安全影響因素及其影響程度進(jìn)行了研究；丁科等從項(xiàng)目條件、氣候環(huán)境、人為因素、安全管理和其他因素五個(gè)方面建立了塔式起重機(jī)安全事故風(fēng)險(xiǎn)因素清單，并結(jié)合案例分析了不同風(fēng)險(xiǎn)因素發(fā)生的概率；Tam等采用問(wèn)卷調(diào)查和結(jié)構(gòu)化訪談方法對(duì)塔式起重機(jī)安全事故進(jìn)行了研究，發(fā)現(xiàn)影響塔式起重機(jī)安全的主要因素是人的行為，包括從業(yè)者安全教育培訓(xùn)不足、工作疲勞和責(zé)任感等；Marquez等通過(guò)對(duì)兩起塔式起重機(jī)安全事故進(jìn)行深入分析，發(fā)現(xiàn)塔式起重機(jī)基礎(chǔ)不穩(wěn)固是導(dǎo)致其安全事故發(fā)生的主要原因之一；趙挺生等運(yùn)用系統(tǒng)思想研究了塔式起重機(jī)安全，提取了56項(xiàng)塔式起重機(jī)安全影響因素，并建立了廣義的塔式起重機(jī)安全AcciMap模型。

在上述研究基礎(chǔ)上，依據(jù)《塔式起重機(jī)安全規(guī)程》(GB 5144—2006)、《建筑起重機(jī)械安全監(jiān)督管理規(guī)定》(建設(shè)部令第166號(hào))、《建筑施工塔式起重機(jī)安裝、使用、拆卸安全技術(shù)規(guī)范》(JGJ 196—2010)和《建筑施工安全檢查標(biāo)準(zhǔn)》(JGJ 59—2011)以及塔式起重機(jī)安全管理相關(guān)的法律、安全技術(shù)標(biāo)準(zhǔn)和規(guī)范，參照Rasmussen的社會(huì)技術(shù)系統(tǒng)層次模型，將塔式起重機(jī)安全事故致因系統(tǒng)分解為項(xiàng)目安全管理(

P

)、現(xiàn)場(chǎng)人員管理(

H

)、塔吊設(shè)備管理(

M

)和環(huán)境管理(

E

)4個(gè)子系統(tǒng)和21個(gè)因素，如圖1所示。

圖1 塔式起重機(jī)安全事故致因系統(tǒng)Fig.1 Tower-crane safety accident cause system

該系統(tǒng)同時(shí)考慮事故致因之間的橫向和縱向影響關(guān)系，如人員安全意識(shí)淡薄(

H

)會(huì)導(dǎo)致同子系統(tǒng)的個(gè)人安全防護(hù)不足(

H

)，安全生產(chǎn)檢查不充分(

P

)會(huì)導(dǎo)致異子系統(tǒng)的工人違規(guī)作業(yè)(

H

)。這種子系統(tǒng)間以及因素間的關(guān)聯(lián)，是確保預(yù)測(cè)塔式起重機(jī)安全事故等級(jí)和類型準(zhǔn)確性的不可缺少的條件。

2 基于隨機(jī)森林算法的塔式起重機(jī)安全事故預(yù)測(cè)模型構(gòu)建

2.1 數(shù)據(jù)預(yù)處理

從國(guó)家應(yīng)急管理部、各地應(yīng)急管理局和相關(guān)網(wǎng)站，搜集得到我國(guó)2013—2019年間發(fā)生的194起塔式起重機(jī)安全事故的詳細(xì)事故調(diào)查報(bào)告，其中有111起安全事故發(fā)生在近三年內(nèi)，反映當(dāng)前我國(guó)塔式起重機(jī)安全管理形勢(shì)不容樂觀。依據(jù)《生產(chǎn)安全事故報(bào)告和調(diào)查處理?xiàng)l例》規(guī)定的生產(chǎn)安全事故等級(jí)劃分標(biāo)準(zhǔn)，194起塔式起重機(jī)安全事故均為一般安全事故或較大安全事故，其中一般安全事故占事故總數(shù)的比例為84.54%，較大安全事故占事故總數(shù)的比例僅為15.46%。根據(jù)塔式起重機(jī)安全事故的特點(diǎn)，將其進(jìn)一步歸納為坍塌、物體打擊、脫鉤、意外高墜、構(gòu)件墜落、碰撞和觸電7種事故類型，如圖2所示。其中，坍塌事故不僅發(fā)生頻率最高，而且在較大安全事故中的占比最高，因此其危害最大。

圖2 塔式起重機(jī)安全事故類型和等級(jí)數(shù)量分布Fig.2 Distribution of tower-crane safety accident types and levels

通過(guò)閱讀事故報(bào)告，將塔式起重機(jī)安全事故致因系統(tǒng)中各影響因素的發(fā)生情況、事故等級(jí)、事故類型作為樣本數(shù)據(jù)，并進(jìn)行數(shù)據(jù)化處理，見表1。塔式起重機(jī)安全事故致因系統(tǒng)的21項(xiàng)影響因素屬于無(wú)序分類變量，若某項(xiàng)因素發(fā)生，則將其量化值記為“1”，否則記為“0”；事故等級(jí)為無(wú)序分類變量，若該事故為一般安全事故，則記為“0”，若該事故為較大安全事故，則記為“1”；事故類型也為無(wú)序分類變量，記事故類型為坍塌和物體打擊的事故為“1”和“2”，因脫鉤、碰撞等事故類型數(shù)量較少，所以與意外高墜事故歸為一類，記為“3”。

表1 塔式起重機(jī)安全事故樣本數(shù)據(jù)的數(shù)據(jù)化處理Table 1 Data sample processing of tower-crane safety accidents

將194份塔式起重機(jī)安全事故調(diào)查報(bào)告中數(shù)據(jù)進(jìn)行數(shù)據(jù)化處理，轉(zhuǎn)化為194條數(shù)據(jù)記錄，再隨機(jī)劃分為訓(xùn)練集和測(cè)試集，并確保兩份數(shù)據(jù)集中3種不同事故類型均有分布。其中,訓(xùn)練集數(shù)據(jù)記錄為164條，包含24條較大安全事故和140條一般安全事故;測(cè)試集數(shù)據(jù)記錄為30條，包含6條較大安全事故和24條一般安全事故。為了提升最終預(yù)測(cè)結(jié)果的準(zhǔn)確性，通過(guò)SMOTE法來(lái)降低訓(xùn)練集中類別的不平衡性，即通過(guò)人工合成將較大安全事故數(shù)據(jù)記錄擴(kuò)充為140條，最終訓(xùn)練集包含280條事故數(shù)據(jù)記錄。

2.2 隨機(jī)森林算法

隨機(jī)森林(RF)算法由Breiman于2001年提出，是一種集成學(xué)習(xí)模型，它是在以分類與回歸樹(Classification and Regression Trees，CART)為基學(xué)習(xí)器、融合裝袋(Bagging)算法的基礎(chǔ)上，在樹的訓(xùn)練過(guò)程中引入隨機(jī)特征選擇，降低了樣本的相關(guān)性，從而解決了單棵決策樹模型的過(guò)擬合問(wèn)題，使得模型具有良好的噪聲容忍度。隨機(jī)森林算法即CART決策樹與Bagging算法相結(jié)合，其流程如圖3所示。

圖3 隨機(jī)森林算法流程圖Fig.3 Flow chart of random forest algorithm

Bagging算法以降低結(jié)果的方差來(lái)避免過(guò)擬合的發(fā)生，它通過(guò)有放回的抽樣方法在原始數(shù)據(jù)集進(jìn)行

m

輪抽樣，得到新數(shù)據(jù)集

Q

(

i

=1,2,…,

m

)，新數(shù)據(jù)集中存在重復(fù)的數(shù)據(jù)。對(duì)于某條數(shù)據(jù)，每輪被采集到的概率為1

/m

，如公式(1)所示，每輪隨機(jī)采樣，訓(xùn)練集大約有36.8%的數(shù)據(jù)未被采集，這些數(shù)據(jù)未參加訓(xùn)練集模型的擬合，稱為“袋外數(shù)據(jù)”，可作為驗(yàn)證集測(cè)試模型的泛化能力。

(1)

決策樹學(xué)習(xí)采用自頂向下的遞歸方法，其基本思想是以信息熵為度量構(gòu)造一個(gè)熵值下降最快的樹，分類與回歸樹以基尼系數(shù)作為特征分裂依據(jù)，在分類問(wèn)題中，假設(shè)有

K

個(gè)類別，第

k

個(gè)類別的概率為

p

，則概率分布的基尼系數(shù)為

(2)

對(duì)于給定的樣本集合

Q

，其基尼系數(shù)為

(3)

式中:

C

為樣本集合

Q

中屬于第

k

類的樣本子集；

K

為類別的數(shù)量。樣本集合

Q

可根據(jù)特征

A

是否取某一可能值

a

被分割成

Q

和

Q

兩部分，即

Q

={(

x

,

y

)∈

Q

|

A

(

x

)=

a

}

(4)

Q

=

Q

-

Q

(5)

式中：(

x

,

y

)表示樣本集合

Q

中的一個(gè)樣本，其中

x

表示樣本的特征值，

y

表示樣本的標(biāo)簽。則在特征

A

的條件下，樣本集合

Q

的基尼系數(shù)定義為

(6)

基尼系數(shù)Gini(

Q

)表示樣本集合

Q

的不確定性，基尼系數(shù)Gini(

Q

,

A

)表示在條件

A

=

a

分割后樣本集合

Q

的不確定性，且基尼系數(shù)越小，模型不純度越低。

基于隨機(jī)森林算法的塔式起重機(jī)安全事故預(yù)測(cè)模型構(gòu)建過(guò)程如下：

(1) 從280條塔式起重機(jī)安全事故數(shù)據(jù)記錄中隨機(jī)有放回地抽取樣本，得到?jīng)Q策樹

S

(

i

=1,2,…,

m

)。(2) 從決策樹

S

隨機(jī)選取21項(xiàng)特征中的部分特征，以基尼系數(shù)最小化準(zhǔn)則進(jìn)行最優(yōu)分割點(diǎn)篩選，直到滿足停止分裂條件。(3) 每一棵樹都能進(jìn)行一次預(yù)測(cè)，最終的分類結(jié)果取

m

棵決策樹輸出結(jié)果的眾數(shù)。

2.3 模型準(zhǔn)確度評(píng)價(jià)

混淆矩陣(Confusion matrix)可被用來(lái)描繪塔式起重機(jī)安全事故的真實(shí)屬性與預(yù)測(cè)結(jié)果之間的關(guān)系，是評(píng)價(jià)分類器性能的一種常用方法。對(duì)于事故的分類預(yù)測(cè)，訓(xùn)練集中每類事故等級(jí)或事故類型分別含有

D

個(gè)數(shù)據(jù)(

i

=1,2,…,

N

)，采用隨機(jī)森林算法構(gòu)造分類器，可得到

N

×

N

維混淆矩陣：

(7)

式中：

cm

表示第

i

類被分類器判斷成第

j

類的概率。

然后引入準(zhǔn)確率Accuracy、精準(zhǔn)率Precision、召回率Recall和F1-score作為評(píng)價(jià)指標(biāo)，對(duì)模型預(yù)測(cè)的準(zhǔn)確度進(jìn)行評(píng)價(jià)，具體評(píng)價(jià)指標(biāo)的計(jì)算公式如下:

準(zhǔn)確率Accuracy的計(jì)算公式為

(8)

類別

i

的精準(zhǔn)率Precision的計(jì)算公式為

(9)

類別

i

的召回率Recall的計(jì)算公式為

(10)

F1-score綜合了精準(zhǔn)率和召回率的產(chǎn)出結(jié)果，其值越高代表模型的輸出結(jié)果越好，其計(jì)算公式為

(11)

上式中：

TP

表示被正確預(yù)測(cè)為第

i

類的數(shù)量；

TN

表示被正確預(yù)測(cè)不為第

i

類的數(shù)量；

FP

表示被錯(cuò)誤預(yù)測(cè)為第

i

類的數(shù)量；

FN

表示被錯(cuò)誤預(yù)測(cè)不為第

i

類的數(shù)量。

3 實(shí)證分析

本文以Jupyter Notebook為實(shí)現(xiàn)平臺(tái)，利用Python的Scikit-learn開源機(jī)器學(xué)習(xí)模型庫(kù)建立基于隨機(jī)森林算法的塔式起重安全事故預(yù)測(cè)模型，通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理并對(duì)模型參數(shù)進(jìn)行調(diào)整，對(duì)模型預(yù)測(cè)結(jié)果的準(zhǔn)確率進(jìn)行評(píng)價(jià)，并與MLP、KNN、DT分類算法進(jìn)行對(duì)比發(fā)現(xiàn)，隨機(jī)森林算法在處理塔式起重機(jī)安全事故等級(jí)預(yù)測(cè)的二分類問(wèn)題上的準(zhǔn)確率較高(見表2)?？紤]到較大事故的高危害性，除準(zhǔn)確率外，其余3項(xiàng)指標(biāo)的計(jì)算均以較大事故的預(yù)測(cè)結(jié)果為依據(jù)進(jìn)行計(jì)算。采用隨機(jī)森林算法可進(jìn)一步預(yù)測(cè)塔式起重機(jī)安全事故類型，得到各因素影響權(quán)重，通過(guò)混淆矩陣對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)。

表2 不同分類算法對(duì)塔式起重機(jī)安全事故等級(jí)預(yù)測(cè)的準(zhǔn)確率Table 2 Accuracy of tower-crane safety accidents’ level prediction based on different classification algorithms

3.1 塔式起重機(jī)安全事故等級(jí)預(yù)測(cè)

隨機(jī)森林算法是基于Bagging框架的決策樹模型，因此隨機(jī)森林的參數(shù)擇優(yōu)包括RF框架參數(shù)擇優(yōu)和決策樹參數(shù)擇優(yōu)，本文利用網(wǎng)格搜索法對(duì)塔式起重機(jī)安全事故等級(jí)預(yù)測(cè)時(shí)的最佳參數(shù)進(jìn)行調(diào)優(yōu)，見圖4。

圖4 網(wǎng)格搜索三維可視化圖Fig.4 Three-dimensional visualization of grid search

由圖4可見，當(dāng)基于隨機(jī)森林算法的塔式起重機(jī)安全事故等級(jí)預(yù)測(cè)模型的決策樹數(shù)量為26個(gè)、最大深度為4、節(jié)點(diǎn)可分最小樣本數(shù)為34個(gè)時(shí)，模型袋外準(zhǔn)確率得分最高，訓(xùn)練模型達(dá)到最優(yōu)。

為了驗(yàn)證隨機(jī)森林算法分類模型的優(yōu)越性，調(diào)用30份塔式起重機(jī)安全事故數(shù)據(jù)記錄作為測(cè)試集，其中較大安全事故6份、一般安全事故24份，再分別利用DT、MLP、KNN、RF算法進(jìn)行分類預(yù)測(cè)，并比較其預(yù)測(cè)結(jié)果，各分類算法的分類預(yù)測(cè)結(jié)果用混淆矩陣表示，見圖5。由于較大塔式起重機(jī)安全事故往往會(huì)造成更多的人員傷亡和財(cái)產(chǎn)損失，所以較大事故預(yù)測(cè)的準(zhǔn)確度越高越好。

圖5 不同分類算法對(duì)塔式起重機(jī)安全事故等級(jí)預(yù)測(cè)的混淆矩陣Fig.5 Confusion matrix of tower-crane safety accident level prediction based on different classification algorithms

由圖5可見：隨機(jī)森林算法表現(xiàn)最優(yōu)，24份一般安全事故中有23份預(yù)測(cè)正確，6份較大安全事故中有4份預(yù)測(cè)正確；其他分類器雖然預(yù)測(cè)一般安全事故較為準(zhǔn)確，但預(yù)測(cè)較大安全事故的錯(cuò)誤率高，因此整體準(zhǔn)確率不如隨機(jī)森林算法。

3.2 塔式起重機(jī)安全事故類型預(yù)測(cè)

隨機(jī)森林算法在分類問(wèn)題上具有較高的準(zhǔn)確性和穩(wěn)定性，因此本文采用與第3.1節(jié)相同的測(cè)試集在訓(xùn)練好的隨機(jī)森林模型上進(jìn)行測(cè)試，此時(shí)基于隨機(jī)森林算法的塔式起重機(jī)安全事故類型預(yù)測(cè)模型的決策樹數(shù)量為61個(gè)?；陔S機(jī)森林算法的塔式起重機(jī)安全事故類型預(yù)測(cè)的混淆矩陣，見圖6。

圖6 基于隨機(jī)森林算法的塔式起重機(jī)安全事故類型預(yù)測(cè)的混淆矩陣Fig.6 Confusion matrix of tower-crane safety accident type prediction based on Random Forest (RF)

由圖6可見：14份坍塌事故中有13份預(yù)測(cè)正確，1份誤預(yù)測(cè)為意外高墜及其他事故；10份物體打擊事故中有5份預(yù)測(cè)正確，2份誤預(yù)測(cè)為坍塌事故，3份誤預(yù)測(cè)為意外高墜及其他事故；6份意外高墜及其他事故全部預(yù)測(cè)正確。

采用公式(8)～(11)計(jì)算各個(gè)事故類型的準(zhǔn)確率、精準(zhǔn)率、召回率和F1-score，其結(jié)果見表3。

由表3可知，隨機(jī)森林算法模型在預(yù)測(cè)坍塌事故和意外高墜及其他事故時(shí)表現(xiàn)較好，召回率分別為0.93和1，所有事故類型預(yù)測(cè)的準(zhǔn)確率為0.8，總體上達(dá)到較高水平。

表3 基于隨機(jī)森林算法的塔式起重機(jī)安全事故類型預(yù)測(cè)的準(zhǔn)確率Table 3 Accuracy of tower-crane safety accidents’ type prediction based on Random Forest (RF)

3.3 塔式起重機(jī)安全事故致因影響權(quán)重計(jì)算

塔式起重機(jī)安全事故致因影響權(quán)重計(jì)算是對(duì)事故后果的反演，通過(guò)對(duì)導(dǎo)致事故發(fā)生的各影響因素的分析，推演事故發(fā)生過(guò)程和解析事故的因果關(guān)系，以建立事故預(yù)警機(jī)制，進(jìn)行安全防范。采用隨機(jī)森林算法算法對(duì)導(dǎo)致塔式起重機(jī)安全事故因素的影響權(quán)重進(jìn)行計(jì)算的流程如下：

(1) 對(duì)于基于隨機(jī)森林算法的塔式起重機(jī)安全事故預(yù)測(cè)模型中的決策樹

S

，使用相應(yīng)的袋外數(shù)據(jù)計(jì)算其袋外數(shù)據(jù)誤差，記為

E

1。(2) 隨機(jī)對(duì)袋外樣本中某一特定塔式起重機(jī)安全事故影響因素

X

加入噪聲干擾，再次計(jì)算其袋外數(shù)據(jù)誤差，記為

E

2。(3) 假設(shè)隨機(jī)森林中有

m

棵樹，記因素

X

的影響權(quán)重為

I

,其計(jì)算公式為

(12)

采用公式(12)分別計(jì)算影響事故等級(jí)和事故類型的各因素的權(quán)重并降序排列，其結(jié)果見表4。

表4 塔式起重機(jī)安全事故致因影響權(quán)重Table 4 Weight of influence of tower-crane safety accident causes

由表4可知：對(duì)塔式起重機(jī)安全事故等級(jí)影響權(quán)重最大的3個(gè)因素分別為專項(xiàng)施工方案不完備(

P

)、人員安全意識(shí)淡薄(

H

)、安全技術(shù)交底不充分(

P

)；對(duì)塔式起重機(jī)安全事故類型影響權(quán)重最大的3個(gè)因素分別為安全生產(chǎn)檢查不充分(

P

)、工人無(wú)證上崗(

H

)、人員安全意識(shí)淡薄(

H

)。除去重復(fù)的影響因素，共得到5個(gè)關(guān)鍵因素。

3.4 案例分析

2018年5月17日海南省五指山市某工地在塔式起重機(jī)拆卸時(shí)發(fā)生坍塌較大事故，造成4人死亡，直接經(jīng)濟(jì)損失達(dá)663萬(wàn)元。經(jīng)調(diào)查分析，引發(fā)事故的原因有專項(xiàng)施工方案不完備(

P

)、安全技術(shù)交底不充分(

P

)、安全生產(chǎn)檢查不充分(

P

)、項(xiàng)目領(lǐng)導(dǎo)層忽視安全(

H

)、安全管理人員履職不充分(

H

)、工人無(wú)證上崗(

H

)、結(jié)構(gòu)構(gòu)件破壞或連接不可靠(

M

)。將該事故報(bào)告經(jīng)數(shù)據(jù)化處理后輸入基于隨機(jī)森林算法的塔式起重機(jī)安全事故預(yù)測(cè)模型中，經(jīng)由決策樹根節(jié)點(diǎn)逐層判斷至葉節(jié)點(diǎn)可得到預(yù)測(cè)結(jié)果，見表5。

表5 基于隨機(jī)森林算法的塔式起重機(jī)安全事故案例預(yù)測(cè)結(jié)果Table 5 Prediction results of a tower-crane safety accident case based on Random Forest (RF)

由表5可知：基于隨機(jī)森林算法的塔式起重機(jī)安全事故等級(jí)預(yù)測(cè)模型中共有26棵決策樹，其中10棵預(yù)測(cè)為一般安全事故，16棵預(yù)測(cè)為較大安全事故；基于隨機(jī)森林算法的塔式起重機(jī)安全事故類型預(yù)測(cè)模型中共有61棵決策樹，其中44棵預(yù)測(cè)為坍塌事故，2棵預(yù)測(cè)為物體打擊事故，15棵預(yù)測(cè)為意外高墜及其他事故。根據(jù)相對(duì)多數(shù)投票法，模型對(duì)該起案例的事故等級(jí)和類型的預(yù)測(cè)結(jié)果與實(shí)際情況基本一致，從而驗(yàn)證了模型的有效性和實(shí)用性。

4 結(jié)論與建議

(1) 基于系統(tǒng)思維和Rasmussen管理框架，將塔式起重機(jī)安全事故致因系統(tǒng)分解為項(xiàng)目安全管理、現(xiàn)場(chǎng)人員管理、塔吊設(shè)備管理和環(huán)境管理4個(gè)子系統(tǒng)和21個(gè)因素。

(2) 以194份塔式起重機(jī)安全事故報(bào)告為數(shù)據(jù)樣本，構(gòu)建了基于隨機(jī)森林算法的塔式起重機(jī)安全事故預(yù)測(cè)模型，經(jīng)計(jì)算得到隨機(jī)森林算法對(duì)塔式起重機(jī)安全事故等級(jí)和類型預(yù)測(cè)的準(zhǔn)確率分別為0.9和0.8，高于MLP、KNN、DT等單一分類器。

(3) 采用隨機(jī)森林算法對(duì)導(dǎo)致塔式起重機(jī)安全事故因素的影響權(quán)重進(jìn)行計(jì)算，得到5個(gè)關(guān)鍵因素為專項(xiàng)施工方案不完備(

P

)、安全技術(shù)交底不充分(

P

)、安全生產(chǎn)檢查不充分(

P

)、人員安全意識(shí)淡薄(

H

)和工人無(wú)證上崗(

H

)。

(4) 以某塔式起重機(jī)較大坍塌事故為例對(duì)模型進(jìn)行驗(yàn)證，發(fā)現(xiàn)模型對(duì)該案例事故等級(jí)和類型的預(yù)測(cè)均正確，且5個(gè)關(guān)鍵因素中有4個(gè)因素在本案例事故中出現(xiàn)，與因素影響權(quán)重的計(jì)算結(jié)果高度吻合。

(5) 在今后的研究中需細(xì)分塔式起重機(jī)安全事故21個(gè)致因因素，加大對(duì)塔式起重機(jī)安全事故致因的研究深度，進(jìn)一步擴(kuò)大研究樣本，并建立具備實(shí)時(shí)存儲(chǔ)、編輯等功能的塔式起重機(jī)安全事故數(shù)據(jù)庫(kù)，以提高事故等級(jí)和類型預(yù)測(cè)結(jié)果的準(zhǔn)確性。