劉田剛 張大剛 陳銀州

（中交二公局鐵路建設(shè)有限公司 陜西西安 710000）

1 研究背景及意義

目前，地鐵建設(shè)規(guī)模逐年提升，施工風(fēng)險管理工作的重要性日益凸顯[1]，浮置板道床施工工序復(fù)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(tǒng)軟件設(shè)計，建立了地鐵工程施工安全風(fēng)險動態(tài)管理系統(tǒng)，能夠有效輔助管理人員決策，從而實現(xiàn)施工安全風(fēng)險控制。文獻[4]依據(jù)城市軌道交通工程安全風(fēng)險管理體系和管控技術(shù)標準研制了專業(yè)信息化管理平臺，對軌道交通工程建設(shè)的安全風(fēng)險進行實時監(jiān)控。本文討論了運用傳感器技術(shù)、視頻技術(shù)、軟件技術(shù)等實現(xiàn)智能監(jiān)測和預(yù)警的方法，為未來橡膠彈簧浮置板軌道施工安全風(fēng)險的智能管控提供參考。

2 現(xiàn)澆浮置板軌道施工風(fēng)險源分析

橡膠彈簧浮置板軌道施工風(fēng)險主要出現(xiàn)在鋼筋籠組裝運輸鋪設(shè)、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(guān)人員進入加工區(qū)域可能導(dǎo)致意外傷害，電氣線路布置不合理或施工后場地清理不當(dāng)可能導(dǎo)致火災(zāi)；鋼筋籠疊放超過規(guī)定層數(shù)可能造成人員砸傷；在機器設(shè)備使用方面，可能會因為施工人員操作不當(dāng)導(dǎo)致身體受傷、機械打擊、引發(fā)火災(zāi)、人員灼傷甚至觸電。

2.2 鋼筋籠運輸過程

人員操作、設(shè)備問題或外部環(huán)境的影響均會威脅鋼筋籠的運輸安全，運輸過程風(fēng)險源主要有：人員進行吊裝警戒區(qū)、惡劣天氣違規(guī)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(nèi)照明不良等。

2.3 鋼筋籠鋪設(shè)過程

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

2.4 混凝土澆筑過程

在盾構(gòu)隧道中，現(xiàn)澆浮置板混凝土施工時，現(xiàn)場作業(yè)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(dǎo)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(dāng)、機具性能不良、機具傾倒或突然回油、頂升過程照明不良導(dǎo)致人員受到擠傷或碰傷。

3 現(xiàn)澆浮置板軌道施工風(fēng)險模型的構(gòu)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(guī)則的形式來表達風(fēng)險特征，設(shè)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(qū)分度和高覆蓋率的規(guī)則，得到的規(guī)則即風(fēng)險特征。

3.1 可量化、可學(xué)習(xí)的施工風(fēng)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(fēng)險進行歸納總結(jié)，并對相應(yīng)的風(fēng)險決策進行分類，在此基礎(chǔ)上建立地鐵橡膠彈簧浮置板軌道施工風(fēng)險分析框架如圖1。

圖1 地鐵橡膠彈簧浮置板軌道施工風(fēng)險分析框架

3.2 現(xiàn)澆浮置板軌道施工風(fēng)險特征生成

在實際應(yīng)用中，風(fēng)險特征需要被歸類為匹配和不匹配，施工現(xiàn)場風(fēng)險識別主要基于圖像識別技術(shù)，采用較大粒度像素塊語義信息。施工風(fēng)險識別時，對于每種風(fēng)險特征，假定其發(fā)生概率服從某種分布的隨機變量，如果某次風(fēng)險識別記錄包含N個風(fēng)險特征，則匹配的期望為

其中——風(fēng)險特征匹配的期望；

——風(fēng)險特征βi分布期望。

3.3 施工風(fēng)險模型的構(gòu)建

對地鐵橡膠彈簧浮置板軌道施工過程中的風(fēng)險特征進行概率分布表示，根據(jù)概率分布區(qū)間進行區(qū)分識別，進行風(fēng)險特征匹配，針對歸類的每一種風(fēng)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(xiàn)澆浮置板軌道施工風(fēng)險模型的訓(xùn)練和應(yīng)用

4.1 施工風(fēng)險模型的訓(xùn)練

現(xiàn)澆浮置板軌道施工風(fēng)險識別是一種多分類的問題，以期獲得不同風(fēng)險源對應(yīng)的風(fēng)險決策。為保證精度，需要讓模型在風(fēng)險識別過程中實時調(diào)整相應(yīng)參數(shù)。風(fēng)險模型的訓(xùn)練過程是有監(jiān)督學(xué)習(xí)，需要大量的標注數(shù)據(jù)，在訓(xùn)練之前，將部分或全部數(shù)據(jù)標注相應(yīng)的標簽后，再開始模型的訓(xùn)練。一條有標簽的數(shù)據(jù)應(yīng)包含兩部分：施工現(xiàn)場風(fēng)險的具體特征和決策分類。前者通過圖像識別技術(shù)來獲得，后者標簽信息需根據(jù)豐富的專家知識對現(xiàn)場施工風(fēng)險源的不同決策分類來標注。

在現(xiàn)澆浮置板軌道施工的過程中，情況復(fù)雜多變，通過標注再進行訓(xùn)練，模型的時效性較差，無法準確描述現(xiàn)澆浮置板的施工現(xiàn)狀?？刹捎弥鲃訉W(xué)習(xí)來減小系統(tǒng)的學(xué)習(xí)工作量，系統(tǒng)自動根據(jù)不同的風(fēng)險特征的分布概率進行隨機組合，生成不確定數(shù)據(jù)樣本供系統(tǒng)進行訓(xùn)練，系統(tǒng)框架如圖2。

圖2 風(fēng)險分析系統(tǒng)訓(xùn)練框架

通過圖像識別技術(shù)獲取施工現(xiàn)場不同風(fēng)險數(shù)據(jù)后，通過機器學(xué)習(xí)的方法篩選出合適的施工風(fēng)險候選集，對于機器學(xué)習(xí)難以分類的樣本數(shù)據(jù)，進行人工再次確認和審核，然后將這些人工標注的數(shù)據(jù)再次使用到有監(jiān)督學(xué)習(xí)模型中進行訓(xùn)練，以提升模型性能。

其中，主動學(xué)習(xí)分為兩個階段：

（1）初始化階段。隨機從原始風(fēng)險圖像（未標注樣本）中選取小部分，專家（監(jiān)督者）進行標注，為訓(xùn)練集建立初始模型；

（2）循環(huán)查詢階段。專家從原始風(fēng)險圖像中，按照某種風(fēng)險決策分類決策（查詢標注），選取一定未標注的風(fēng)險數(shù)據(jù)樣本進行風(fēng)險決策分類標注，并計入到已標注的風(fēng)險圖像（訓(xùn)練樣本集）中，記錄高風(fēng)險行為，重新訓(xùn)練分類器，直至達到訓(xùn)練標準為止。

其基本流程為：

①選取合適的風(fēng)險模型，主動選擇策略，將所有的風(fēng)險圖像數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集（有標注的數(shù)據(jù)集），驗證數(shù)據(jù)集（有標注的數(shù)據(jù)集，但要與訓(xùn)練數(shù)據(jù)集嚴格區(qū)分）和未標注數(shù)據(jù)集，其中訓(xùn)練數(shù)據(jù)集初始可為空。②隨機初始化，如果訓(xùn)練集不為空，則開始訓(xùn)練模型；③使用當(dāng)前模型對未標注的風(fēng)險圖像進行預(yù)測，得到每個樣本的預(yù)測結(jié)果，通過標注查詢匹配的樣本；④專家對上述數(shù)據(jù)集進行標注，并更新到已標注風(fēng)險圖像數(shù)據(jù)集合中；⑤基于已有的風(fēng)險圖像訓(xùn)練集，訓(xùn)練更新風(fēng)險模型；⑥將風(fēng)險模型在驗證集上進行驗證，當(dāng)輸出的風(fēng)險決策分類結(jié)果符合現(xiàn)場施工的風(fēng)險識別要求時，停止迭代，否則循環(huán)執(zhí)行步驟③～⑤直到模型滿足風(fēng)險識別要求。

4.2 施工風(fēng)險模型的應(yīng)用

將現(xiàn)澆浮置板圖像數(shù)據(jù)的篩選描述為基于離群點檢測的問題，在人工智能風(fēng)險識別系統(tǒng)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(shù)據(jù)樣本與其他數(shù)據(jù)樣本之間的疏離，篩選出分類錯誤的數(shù)據(jù)點，在特征選擇時，需要進一步過濾和現(xiàn)場風(fēng)險不相關(guān)的特征。例如，在浮置板頂升過程中，風(fēng)險特征往往是機具性能不良、機具傾倒或突然回油等風(fēng)險，但當(dāng)工作人員違規(guī)操作龍門吊這一特征也被納入該分類數(shù)據(jù)集時，就會對最后的風(fēng)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(xiàn)澆浮置板模型中，利用該算法進行檢測，首先要根據(jù)不同風(fēng)險特征，確定風(fēng)險特征鄰域關(guān)系，根據(jù)不同風(fēng)險源劃分的鄰域關(guān)系所包含的特征確定風(fēng)險源之間的點樣本距離進而判斷數(shù)據(jù)的疏離情況。

5 結(jié)語

本文首先針對橡膠彈簧浮置板軌道施工過程存在的風(fēng)險進行了總結(jié)分析，在此基礎(chǔ)上利用人工智能識別技術(shù)構(gòu)建了風(fēng)險識別模型，并對風(fēng)險模型進行了訓(xùn)練和應(yīng)用，研究表明，人工智能識別技術(shù)能有效的識別橡膠彈簧浮置板軌道施工風(fēng)險，結(jié)合傳感器技術(shù)可以有效的針對實時發(fā)生的風(fēng)險進行預(yù)警，減少施工事故的發(fā)生。