基于多分类GA-SVM的装配式建筑吊装作业安全预警分析.pdf

2023年第49 卷第8 期August 2023工业安全与环保Industrial Safety and Environmental Protection35基于多分类GA-SVM的装配式建筑吊装作业安全预警分析黄莺1 杜树享郭俊浩焦熊文文3（1.西安建筑科技大学土木工程学院，陕西西安7 1 0 0 55；2.西安建筑科技大学资源工程学院，陕西西安7 1 0 0 55；3.上海建科工程咨询有限公司，上海2 0 0 0 32)摘要吊装作业是装配式建筑施工极为重要的一环，其在施工过程中的安全问题不容忽视。为了对装配式建筑吊装作业安全预警进行研究，以“4M理论为出发点，提出一种基于GA-SVM的吊装作业安全预警模型，将遗传算法与支持向量机融合，提升模型的分类准确率。将支持向量机的二分类问题拓展到四分类问题上，并以实际工程案例加以验证。结果表明：通过GA与SVM结合建立的模型精度较好，实验预测结果与实际结果较为吻合，可以为装配式建筑施工的安全管理提供可靠的决策支持。关键词支持向量机建筑施工安全预警装配式建筑多分类问题Safety warning analysis of prefabricated building hoisting operation based on multi-classificationGA-SVMHUANG YingDU ShuGUO JunhaoXIONG Wenwen?(1.School of Civil Engineering,Xi an University of Architecture and Technology,Xi an Shaanxi 710055,China)Abstract Lifting operation is a very important part of assembly building construction,its safety problem in the con-struction process can not be ignored.In order to study the safety early warning of assembly building lifting operation,this paper,taking 4M theory as the starting point,proposes a safety early warning model of lifting operation basedon GA-SVM,and integrates genetic algorithm and support vector machine to improve the classification accuracy ofthe model.The binary classification problem of support vector machine is extended to four classification problem andverified by a practical engineering case.The results show that the model established by combining GA and SVM hasgood accuracy,and the experimental prediction results are in good agreement with the actual results,which can providereliable decision support for the safety management of prefabricated building construction.Key words SVM building construction safety warning prefabricated building multiple classification0引言2022年2 月，国家住房和城乡建设部发布的“十四五”建筑业发展规划指出，我国要初步形成建筑业高质量发展体系框架，要大幅提升建筑工业化、数字化、智能化水平，确保建造方式绿色转型的成功。在这其中大力发展装配式建筑尤为重要。由于装配式建筑具有低能耗、低污染、高效率的特点，是符合我国“十四五 时期建筑业发展策略的重要战略举措。但是随着政策的推进，装配式建筑施工安全问题也逐渐显露。尤其在施工现场，由于预制构件装配往往需要并行施工，严重增加了起重伤害事故的发生概率。因此研究装配式建筑吊装作业安全预警问题，对提高装配式建筑施工的安全管理效率、促进装配*基金项目：陕西省自然科学基础研究基金（2 0 2 0 JM-494)。式建筑健康发展具有现实意义。近些年,BIM、物联网、人工智能等 1-3 多种智慧建造相关技术在装配式建筑安全施工方面受到了国内外学者广泛关注。另一方面随着深度学习、机器学习技术的快速发展，国内外学者已经将其大量用于建筑施工安全预警研究。目前国内外学者在建筑施工吊装作业安全预警方面的研究主要集中在BP神经网络 4、支持向量机 5-6 、D-S证据理论 7 、贝叶斯网络8 、人员定位 、图像识别 1 0 等创新上，虽然此类方法在一定程度上满足了施工现场的安全监管要求，但仍存在一些问题，例如现有研究主要集中在分析识别吊装作业典型事故案例的安全风险因素，对装配式建筑吊装作业安全风险研究涉及较少。现有研36.究在预警分类上主要为二分类问题，即预警结果主要判断是否处于危险状态，少有文献将其拓展到多分类问题上。鉴于此，笔者拟运用GA-SVM的方法，构建多分类装配式建筑吊装作业安全预警模型，并以案例验证方法的可行性，以期为装配式建筑施工吊装作业安全管理工作提供一定参考。1基于GA-SVM的安全预警评估模型1.1 SVM 的基本理论支持向量机(SupportVectorMachine,SVM)，是最早由Vapnik等 提出的基于VC维理论与结构风险最小化原理的机器学习方法。SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。由于本研究属于分类问题，故从分类的角度对 SVM基本理论进行阐述。SVM核心的思想是将非线性关系的样本集映射到高维特征空间，通过核函数将其变换成线性关系，再以线性SVM的思路解决。通过找出支持向量确定最优超平面的位置，从而可使正反例的样本的分类间隔最大化。1)基本理论。假设平面H能对样本集进行正确划分，并且满足距离最近的不同类样本点之间的距离最大，则平面H就是最优超平面，记为wx+b=0。与平面H距离最小的样本点称为支持向量。其中支持向量到最优超平面的距离记为：I(wT:x)+b IwI从而可得分类间隔MarginTwIT。因此要对样本进行分类的目标，就转化为求2的最大值的凸优化问题，也就是求：W(min2(s.t.(w x+b)1,i=1,2,*,n对此引入Lagrange函数对其进行求解：L(w,b,a)=2-Il w l 2-Z.ly(w.)-1,i0(3)利用Lagrange函数的对偶性，可将原始问题转换为求解对偶问题，其内积形式方便数据被核函数替换，最终得到的最优超平面H的表达式为：f(x)=sgn(w-x)+b)=sgn(Zi y.(xi,x,)+b)(4)式中，w为最优分隔面的权重系数，、b 分别为对应的最优解。2）核函数。对上文所提的核函数，目前常用的主要有以下见表1。1.2GA优化SVM参数寻优及设计流程遗传算法（Genetic Algorithm，G A）源于对生物遗传和进化机制的计算机模拟研究。该算法自首次提出以来，逐步发展了复制、交又、变异、显性、倒位等遗传算子，参照自然界的“优胜劣汰、适者生存”的生物进化原理，对个体进行筛选，将适应度值好的个体保留，差的个体淘汰，从而找出最优解。本研究利用采集到的训练样本数据对SVM模型进行训练，将预测输出和期望输出之间的误差绝对值的倒数作为适应度函数，以轮盘赌法为遗传算法的选择操作，再通过交叉、变异操作不断对SVM的关键参数、g进行搜寻。构建基于通过遗传算法搜寻到的最优参数c、g 的GA-SVM吊装作业安全预警模型。GA-SVM模型的基本流程如图1 所示。表1 常用的核函数核函数名称表达式线性核函数K(x,y)=x:y多项式核函数K(x,y)=(xy+1),d-1,2,n径向基核函数K(x,y)=exp(-y ll x-y II 2)Sigmoid核函数K(x,y)=tanh(y(x:y)+0)适应度定标是否满足终止条件NI选择操作计算适应度函数交叉操作变异操作1(1)TwT2-minwwY产生初始种群确定最优解确定适应度函数解码(CV意义下的准确率）(2)二进制编码开始图1 GA-SVM算法流程2安全预警评估指标体系“4M理论将安全事故发生的致因要素分为：人的致因（Man）、物的致因（Machine）、环境致因（Me-dia）、管理致因（Management)4大类。结合“4M理论、塔式起重机安全规程（GB5144一2 0 0 6）、建筑施工安全检查标准（JGJ59一2 0 1 1）、建筑施工高处作业安全技术规范（JGJ80一2 0 1 6）、装配式建筑施工现场安全标准（征求意见稿）与相关塔吊事故案例，笔者构建了装配式建筑吊装作业安全预警指标输出最优解(bestc,bestg)结束37.体系如表2 所示。3.2村模型的训练表2 装配式建筑吊装作业安全预警指标体系本文借助MATLABR2018b软件平台，调用了一级指标二级指标人员配备情况Ci特种作业人员技能素质和经验C12人的因素塔吊作业人员劳保用品穿戴情况C13塔吊司机连续工作时间情况C14作业人员安全培训状况Ci5塔吊安全监护装置配备程度C21塔机和吊具吊钩的维修保养C22物的因素PC构件堆放区整洁程度C23C2PC构件标准化程度C24吊钩吊具与PC构件的匹配程度C2s塔机尾部与周围筑物及外围设施的距离C31相邻塔机的架设距离及垂直距离C32环境因素塔机与架空输电线的最小距离C33C作业时的能见度C34作业时的风速C35安全生产责任制和安全规章制度的健全度C41吊装作业专项方案可靠度C42管理因素安全与技术方案交底落实程度C43C4现场安全文明施工状况C44安全措施费的投入与使用情况C453安全预警模型训练与检验3.1样本的选择与划分本文在样本选择上匿名邀请了2 0 位具有多年工程项目工作经验的项目经理、安全主管，对所管理的不同装配式工地的塔吊施工状况按照构建的指标体系进行了研判，一共收集了2 6 0 份有效数据。将收集到的2 6 0 份数据按照3：1 的比例随机分割为训练集（trainset)和测试集（validationset），即训练集包含1 9 5组数据，测试集包含6 5组数据。其中数据内容为指标体系每项二级指标按照优、良、差3级的得分，数据标签按照预警等级从1 到4编码，具体如下表3所示。表3数据标签与预警等级对照数据标签预警等级预警响应1无警安全状态。不响应临界状态。加大监测跟踪观察，并及2轻警时排除风险隐患危险状态。立即通知相关人员采取必3中警要措施排除风险隐患严重危险状态。生产紧急停止，并立即通知相关人员采取必要措施排除风4重警险隐患；待隐患排除后，需经安全部门联席会议商讨批准后方可恢复生产台湾大学林智仁教授 1 2 1 LIBSVM-3.24工具箱以达成实验目的。在创建SVM模型时，应考虑核函数及相关参数对模型性能的影响。本文选择RBF核函数构造SVM分类模型。选择RBF核函数构造SVM,需要确定2 个参数c(惩罚因子)和g(RBF核参数中的方差）的值。关于SVM参数的优化选取，没有公认统一的范式。本文在CV（Cr o s s V a l i d a t i o n）的意义下，选用遗传算法（GeneticAlgorithm，G A），分别按照人、物、环境、管理4个方面构建4个GA-SVM模型。遗传算法的初始参数设定为：最大进化代数ma-xgen为1 0 0，种群最大数量sizepop为2 0，参数c、g的变化范围为 0,1 0 0 ,交叉验证参数v为3,其余参数设定都为默认值。SVM底层逻辑是个二分类问题，但是也可以扩展到多分类问题。一般常用的SVM多分类方法主要有“一对多(one vs rest)”“一对一(one vs one)等。其中“一对多”指，建立类别个数的二项分类器进行分类，选择概率最大的一个结果。“一对一”指设有n个类别，则建立k=n*（n-1)/2 个分类器。对新数据进行分类时，依次使用这k个分类器进行分类，每次分类相当于一次投票，选择得票最多的那个类作为最终分类结果。本文构建了4个预警等级，所以是一个四分类问题，且采用“一对一”的分类策略。通过GA算法寻优，最终得到人因素SVM模型c值为8.0 2 9 9，g值为0.50 1 8；物因素SVM模型c值为6.51 56，g值为0.31 53；环境因素SVM模型c值为1 2.1 2 6，g值为0.436 6 9；管理因素SVM模型c值为9.459 9，g值为0.39 7 0 1。具体最佳适应度如表4所示。表4SVM模型参数寻优结果SVM模型人8.0299/6.515 6/参数clg0.501 8最佳适应度9 1.2 8 2 1%990.794 9%91.794 9%959085微8 07065605501020304050遗传代数图2人因素GA-SVM模型参数寻优最佳适应度物12.126/0.31530.436 6989.743 6%-平均适应度最佳适应度人因素适应度曲线（终止代数1 0 0，种群数量2 0）bestc=8.0299,bestg-0.50182,CVAccuracy-91.2821%60708090100环境9.459 9/0.397 01管理3895908580757065物因素适应度曲线（终止代数1 0 0，种群数量2 0）60bestc=6.5156,bestg=0.31538,CVAccuracy=90.7949%555001020304050 607080 90100遗传代数图3物因素GA-SVM模型参数寻优最佳适应度959085807570656055505102030405060708090100遗传代数图4环境因素GA-SVM模型参数寻优最佳适应度3.3模型的检测经过上述的遗传算法寻优得到的最优c、g 值训练SVM,经过测试集数据检验得到测试集分类准确率见表5,可以从表5看出，构建的GA-SVM模型分算法3SVM64.615 4%GA-SVM87.692.3%根据结果可以看出，经过参数优化的GA-SVM模型，在预测精度上比人为设置参数的SVM模型提升约2 6%，并且可以排除人为影响，实现对数据进行更好的分类。4.03.53.02.52.01.51.00图6 人因素GA-SVM模型测试集验证4案例分析某住宅项目一期工程由4栋2 6 层、4栋1 0 层的高层建筑组成。目前项目正在进行主体结构施工，现场配置了6 台T7020-10塔吊。根据现场走访，所收集到的案例信息如下表7。类准确率基本稳定在9 1%左右，这表明构建的模型具有良好的稳定性。9085-平均适应度80一最佳适应度757065605550010203040506070 8090100遗传代数图5管理因素GA-SVM模型参数寻优最佳适应度表5SVM模型分类准确率SVM模型人平均适应度一最佳适应度环境因素适应度曲线（终止代数1 0 0，种群数量2 0）bestc=12.126,bestg-0.43669,CVAccuracy-91.7949%表6 GA-SVM模型与单一SVM模型分类准确率对比1270.769 2%92.307 7%。实际测试集分类预测测试集分类人因素GA-SVM模型测试集的实际分类和预测分类图分类准确率Accuracy=90.7692%（59/6 5）1020测试集样本-平均适应度一最佳适应度管理因素适应度曲线（终止代数1 0 0，种群数量2 0）bestc=9.4599,bestg-0.39701,CVAccuracy=89.7436%物管理分类90.769%准确率(59/65)3.4GA-SVM算法与SVM算法的比较为了易于对比,本文以人因GA-SVM模型为例，分别采用相同训练集和测试集对该算法和未进行参数优化的支持向量机算法进行比较，运行5次，其平均结果如表6 所示。478.461 5%52.307 7%90.307 7%89.290 8%表7案例信息指标因素Cx人(X-1)5物(X-2)5环境(X=3)5管理(X=4)34.03.53040环境89.230%92.307%(58/65)(60/65)5平均精度52.307 7%63.692 3%92.307 7%90.381 2%Cx2CCx453335535506092.307%(60/65)Cxs1355333500000000703.02.5米2.01.51.0L0图7物因素GA-SVM模型测试集验证00000000。实际测试集分类预测测试集分类物因素GA-SVM模型测试集的实际分类和预测分类图分类准确率Accuracy=89.2308%（58/6 5）1020测试集样本304050607039。实际测试集分类结果精度较高，精度普遍提升约2 6%。本文还探索一预测测试集分类环境因素GA-SVM模型测试集的实际分类和预测分类图分类准确率Accuracy=92.3077%（6 0/6 5）4.03.52.01.51.0LLooode0图8 环境因素GA-SVM模型测试集验证4.0r9000000000000000003.53.0F32.52.0管理因素GA-SVM模型测试集的实际分类和预测分类图分类准确率Accuracy=92.3077%（6 0/6 5）1.51.0LLoedee0图9 管理因素GA-SVM模型测试集验证使用上文训练好的GA-SVM吊装作业安全预警模型进行计算，输出结果如表8 所示。可以看出该项目塔吊作业，管理因素的安全状态处于“轻警状态”，人因素的安全状态处于“中警状态”，项目部应该加强吊装作业人员的安全管理工作，全面排查隐患，使其早日成为“无警状态”。表8 预警结果SVM模型输出结果人3物1环境1管理25结论本文首先在广泛调查吊装作业事故案例与相关文献的基础上结合“4M理论构建了装配式建筑吊装作业安全预警指标体系，并将遗传算法与支持向量机结合，构建了适用于装配式建筑吊装作业安全预警模型。经过遗传算法优化的支持向量机对比单一人为设参的支持性向量机，训练速度快，得到的预测了GA-SVM模型在四分类问题下，对实际工程案例进行安全预警分析，实验结果对我国装配式建筑施工安全管理研究具有一定理论意义。参考文献1张子龙.基于BIM的高层建筑施工安全风险管控关键技术研究.工业安全与环保，2 0 2 1,47（1 2)：6 1-6 4.2刘诗楠，刘占省，赵玉红，等.NB-IoT技术在装配式建筑施工管理中的应用方案 J.土木工程与管理学报,2 0 1 9，36(4):178-184.50601020测试集样本。实际测试集分类一预测测试集分类10200304050测试集样本预警等级中警无警无警轻警70一30403闫帅平，张杰.基于ICUOWGA-RBF神经网络的装配式建筑施工安全评价 J.安全与环境工程，2 0 1 9，2 6（3)：121-126.4牛发阳，段美栋，王建波，等.基于PCA-FPP-BP神经网络的高层建筑火灾安全评价 J.工业安全与环保，2 0 1 6,42(7):26-29.5陈丽芳，杨丽敏，于健.SVM在网络安全预警中的应用J.华北理工大学学报（自然科学版），2 0 2 1，43（2)：132-140.十6李华，赵杰风，王藤.建筑施工高处吊篮作业安全防护预6070警模型研究 .中国安全生产科学技术，2 0 1 9，1 5（1 0)：146-151.7赵平，裴晓丽，薛剑.基于信息融合的建筑施工安全预警管理研究 J.中国安全科学学报，2 0 0 9,1 9（1 0)：1 0 6-1 1 0.8薛楠楠，张建荣，张伟，等.基于贝叶斯网络的建筑施工安全事故致因研究 J.土木工程与管理学报，2 0 2 1,38(4)：176-182.9李英攀，史明亮，刘名强，等.基于Cloud-BIM和UWB的施工现场智能安全系统研究.中国安全生产科学技术，2018,14(9):151-157.1oFANG W,DING L,LOVE P E D,et al.Computer visionapplications in construction safety assuranceJ.Au-toma-tion in Construction,2020,110:103013.11张学工.关于统计学习理论与支持向量机 .自动化学报,2 0 0 0(1):36-46.12JCHANG C C,LIN C J.LIBSVM:A library for supportvector machinesJ.ACM Transactions on Intelligent Sys-tems and Technology,2011,2(3):1-27.作者简介黄莺，女，博士，副教授，主要研究方向为建筑施工安全与应急管理、土木工程建造与管理。通信作者杜树，男，硕士，主要研究方向为建筑施工安全与应急管理。(收稿日期：2 0 2 2-0 6-1 5)