陳曉琳

（淄博市周村區(qū)應急救援指揮保障中心，山東淄博 255300）

0 引言

近年來，我國建筑行業(yè)得到快速發(fā)展，機械作業(yè)設備的作用越來越重要。在我國城市化建設工程中，時常面臨著施工條件復雜、施工環(huán)境惡劣等困難，推土機、挖掘機以及起重機等機械設備的應用，不僅能夠大幅減輕作業(yè)人員的勞動強度，而且能夠提高作業(yè)效率、保障作業(yè)質量。但是，機械作業(yè)本身是一件蘊含巨大安全風險的事件，受復雜施工工藝以及惡劣施工環(huán)境的影響，施工安全事故時有發(fā)生，給作業(yè)人員的生命安全以及工程效益均帶來了一定負面效益。施工安全是保障施工質量與效益的基礎，是推進我國城市化進程的關鍵因素，任何安全風險都會阻礙工程項目的建設。因此，在建筑工程領域開展機械作業(yè)安全風險識別技術的研究，對降低施工機械的作業(yè)風險、保障工程安全具有重要現實意義。

1 挖掘機械作業(yè)安全風險因素

對機械作業(yè)安全風險因素的挖掘[1]，是實現安全風險智能識別的關鍵，對風險因素的高效管理與利用，可以動態(tài)識別機械作業(yè)全過程安全風險。數據挖掘就是由大量機械作業(yè)安全風險信息的多結構數據源中，提取出有用且實用的風險因素，進而將這些風險因素應用于后續(xù)的智能識別中。機械作業(yè)安全風險因素的挖掘流程主要包括數據采集、數據預處理以及挖掘這3 個步驟。首先利用傳感器、監(jiān)測儀等設備全方位地采集機械作業(yè)安全風險信息結構數據[2]，并將其存儲至本次數據庫中。由于機械作業(yè)環(huán)境較為復雜，易受外界環(huán)境等因素的干擾，所采集的安全風險信息數據會存在一些不屬于安全法風險因素的無效數據，所以接下來需要對采集的數據進行清洗、轉化、去噪等預處理，將其轉變?yōu)榭梢陨钊胪诰虻闹黝}數據。最后通過數據挖掘技術，來獲得有意義的機械作業(yè)安全風險因素。由此可知，在挖掘機械作業(yè)安全風險因素時，關鍵在于所采用的數據挖掘技術。本文綜合機械作業(yè)實際情況，選用預測模式的數據挖掘方法，也就是通過對歷史機械作業(yè)安全風險信息多結構化數據的統計分析，來預測出安全風險因素的值[3]。

一般情況下，機械作業(yè)安全風險信息的結構化數據，大多數為非線性時間序列數據，所以對這類數據進行預測挖掘時，本文基于非線性自回歸神經網絡來實現結構化時間序列數據的預測挖掘。以機械作業(yè)環(huán)境地表沉降數據為例，如果出現這類安全風險，將會造成機械設備的傾覆，從而危及作業(yè)人員生命安全。那么機械作業(yè)地表沉降數據的本質就是非線性時間序列，在進行預測挖掘時首先需要對低維的序列進行重構，從而獲得多維的相位空間，表達式為：

式中 K（t）——機械作業(yè)安全風險因素時間序列的確定性相位空間

X（t）——機械作業(yè)安全風險因素的時間序列t=1，2，…，N

γ——延時數據

n——低維時間序列的嵌入維數

T——相位空間維度

在對機械作業(yè)安全風險因素的時間序列進行重構時，關鍵在于γ 與n 的選取，這兩個參數決定了空間重構的精度。然后將重構的機械作業(yè)安全風險因素輸入非線性自回歸神經網絡中，即可實現預測挖掘，表達式為：

式中 Y（t）——非線性自回歸神經網絡輸出結果，也就是機械作業(yè)安全風險因素的預測挖掘結果

F——映射函數

c——延遲長度，也就是影響網絡輸入歷史數據時間序列的長度

通過式（1）與式（2）即可實現全部機械作業(yè)安全風險因素的預測挖掘，并具有較高的挖掘精度，為后續(xù)智能識別模型的構建提供理論依據。

2 計算風險因素的風險度

機械作業(yè)安全風險因素的風險程度，就是該風險因素所造成的安全事故的危害程度，所以風險度的計算對安全風險智能識別有著一定指導意義，并且可以作為機械作業(yè)安全風險的觸發(fā)條件[4]。在計算機械作業(yè)安全風險因素的風險度時，首先需要根據工程實際情況，將風險程度劃分為3 個等級（表1）。

表1 機械作業(yè)安全風險的危害程度劃分表

在表1 數據的基礎上，根據式（3）計算出各風險因素的風險度值[5]：

式中 δi——機械作業(yè)安全風險因素i 的風險度值

Pi——因素i 造成作業(yè)安全事故的可能性

Di——因素i 造成作業(yè)安全事故的危險程度

計算出實際機械作業(yè)中全部安全風險因素的風險度值后，可以得出4 個主要的安全風險因素，分別為機械作業(yè)環(huán)境惡劣、機械設備自身缺陷、機械設備操作人員水平有限、機械作業(yè)防護不足。由此可知，不同的安全風險因素造成的施工事故并不一致，所帶來的危害程度也各不相同，有的僅僅會導致機械設備的損壞，而有的可能會造成人員傷亡等狀況，所以如何根據風險因素的危害程度來計算其風險度值，是機械作業(yè)安全風險智能識別的關鍵環(huán)節(jié)，對于安全風險智能識別有著重要作用。

3 建立智能識別模型

現代免疫學指出，人體內的免疫系統有著自身獨特的運行機制，能夠和其他系統之間協同維持機體生理平衡，具有魯棒性、自平衡性等特征，所以本文引入免疫網絡來建立機械作業(yè)安全風險智能識別模型[6]。自1996 年的“人工免疫系統”概念誕生至今，其應用領域逐漸擴展到故障診斷、安全識別等，所以免疫網絡的引入可以有效保障本文設計機械作業(yè)安全風險智能識別技術的識別效果。首先將機械作業(yè)安全風險智能識別模型看成免疫系統中的形態(tài)空間，其中風險因素為抗原，安全因素為抗體，在這樣一個形態(tài)空間內，為抗體與抗原賦予相應的交叉反應閾值，通過交叉匹配即可實現抗體風險因素的識別[7]。從數學角度出發(fā)，智能免疫識別模型的形態(tài)空間中，無論是抗原還是抗體分子都可以用屬性串來描述，如實數、二進制等，識別中具體采用哪種類型的屬性串由機械作業(yè)安全風險因素的數值類型所決定。那么假設免疫識別模型中抗體機械作業(yè)風險因素為α=（α1，α2，…，αn），抗原機械作業(yè)安全因素為β=（β1，β2，…，βn），二者之間的匹配識別可以通過距離來衡量：

其中，Q1表示當機械作業(yè)安全風險因素為實數屬性串時，抗體與抗原之間的距離，Q2表示當機械作業(yè)安全風險因素為二進制屬性串時，抗體與抗原之間的距離，αi表示第i 個抗體，βi表示第i 個抗原。

如果求得的抗體與抗原之間距離未超過交叉反應閾值，表明該機械作業(yè)因素為安全因素，反之則表明其為風險因素。由于在免疫智能識別模型中，抗體與抗原之間會相互作用，所以根據交叉反應閾值即可確定機械作業(yè)安全風險因素的識別區(qū)域，在該區(qū)域中就可以實現免疫系統提呈分子形態(tài)的精準識別。

4 案例分析

為了驗證本文所設計的機械作業(yè)安全風險智能識別技術的可行性，選取某軌道交通工程施工風險數據進行分析。該工程為某城市地下雙層車站項目，主體工程面積為4 890.5 m2，主要采用明挖法進行施工，作業(yè)過程中用到的機械設備如表2 所示。

表2 主要機械設備

本次軌道交通工程中主要使用了挖掘機、裝載機、起重機以及攪拌樁機這4 種大型機械設備，首先利用文中所設計識別技術對這幾項機械設備作業(yè)中的安全風險進行智能識別，并對各安全風險的嚴重程度、暴露頻率進行評分，單項滿分為10 分，然后根據分值來劃分風險的等級（表3）。

表3 機械作業(yè)安全風險識別結果

由表3 的識別結果可知，利用本文設計智能識別技術對該工程中的4 項機械設備作業(yè)安全風險進行跟蹤檢查時，一共識別出12 項安全風險，其中風險等級為Ⅰ級的有6 項，可以認為本次軌道交通工程中存在較大機械作業(yè)安全風險，為確保作業(yè)安全，需要及時采取相應措施進行處理。這也說明，本文所設計智能識別技術可以有效識別出機械作業(yè)中的安全風險。

為進一步判斷本文設計識別技術的識別性能，引入基于知識集成的安全風險識別技術、基于深度學習的安全風險識別技術作為對照組，并以識別準確率為判斷指標。

其中，P 表示機械作業(yè)安全風險識別準確率，TP、FP 分別表示安全風險被正確識別、被錯誤識別的數量。

采用3 種方法的識別結果如圖1 所示，可以看出本文技術的平均準確率為97.38%，較對照組技術提升了5.69%、11.02%，也就是說本文技術具有更高的安全風險識別精度。因此，該識別技術具有可行性與可靠性，對實際的建筑工程施工具有指導作用。

圖1 機械作業(yè)安全風險識別精度對比

5 結束語

本文從數據挖掘的角度出發(fā)，設計了一種機械作業(yè)安全風險智能識別技術，并通過案例分析驗證技術的有效性，對促進機械作業(yè)安全風險更加系統的辨識具有重要意義。雖然本研究已經取得一定成果，但是僅為我國城市化建設項目中安全風險管理的一小部分，仍有更多有價值的課題需要進一步深入研究，如機械作業(yè)安全風險的智能預警與管控技術等，這將對城市化工程建設安全風險防控決策具有重要意義。