建筑施工高處吊籃作業(yè)安全防護(hù)預(yù)警模型研究*

李 華，趙杰風(fēng)，2，王 藤

(1.西安建筑科技大學(xué) 資源工程學(xué)院，陜西 西安 710055；2.中建八局第一建設(shè)有限公司，山東 濟(jì)南 250100；3.中建鋼構(gòu)有限公司，廣東 深圳 154100)

0 引言

隨著我國建筑業(yè)迅猛發(fā)展以及高層建筑數(shù)量的快速增長，高處作業(yè)吊籃被廣泛應(yīng)用于高層建筑的涂裝、保溫、抹灰、貼面等工程的施工和樓廈的保養(yǎng)維護(hù)、清洗安裝等施工作業(yè)中。高處吊籃作業(yè)具有人數(shù)多，作業(yè)危險性大，事故死亡率高，易受環(huán)境因素干擾等特點。據(jù)統(tǒng)計，全國高處作業(yè)吊籃數(shù)量為60萬臺以上，每年仍以7～8萬臺的速度在增加，高處吊籃作業(yè)場所多為高層建筑，且我國市政工程生產(chǎn)安全事故中，每年發(fā)生的高處墜落、坍塌等事故的總數(shù)接近60%[1]。分析研究2015—2018年的120起高處吊籃作業(yè)事故案例發(fā)現(xiàn)，安全防護(hù)不到位以及安全防護(hù)的失效出現(xiàn)頻數(shù)為81，也是此類事故發(fā)生的主要原因，且目前國內(nèi)高處吊籃作業(yè)多為工程分包，難以對其施工過程形成有效監(jiān)管，因此建立可行的安全防護(hù)預(yù)警模型可為高處吊籃作業(yè)等特種作業(yè)提供有力的預(yù)警支持，對于提升高處吊籃作業(yè)風(fēng)險分級管控及隱患排查治理[2]水平，預(yù)防事故發(fā)生具有重要意義。

近年來，隨著人工智能(AI)、深度學(xué)習(xí)、數(shù)據(jù)挖掘等智能化技術(shù)的迅速發(fā)展，已被國內(nèi)外學(xué)者大量應(yīng)用于建筑施工實時安全預(yù)警研究[3-5]，這在一定程度上滿足了管理者對建筑施工過程實時安全監(jiān)管的需求，但同時也存在一些問題：①現(xiàn)有研究雖然在算法上進(jìn)行了大量創(chuàng)新，如貝葉斯網(wǎng)絡(luò)算法[6]、神經(jīng)網(wǎng)絡(luò)算法[7]、SVM[8]、PSO(粒子群算法)[9]、D-S證據(jù)理論[10]等，但對于安全預(yù)警的基礎(chǔ)理論還需要進(jìn)一步研究；②預(yù)警規(guī)則多以人員定位及人與危險區(qū)域的距離為主[11-12]，而作業(yè)審批、作業(yè)人員的心理生理以及作業(yè)環(huán)境條件對施工作業(yè)安全的影響也需考慮；③目前，預(yù)警指標(biāo)的建立多基于人、機(jī)、料、法、環(huán)進(jìn)行安全預(yù)警研究[13-14]，而安全審批對預(yù)警結(jié)果影響的研究仍然需要不斷深入。

綜合以上分析，本文擬針對高處吊籃作業(yè)中人與物的安全防護(hù)需求進(jìn)行調(diào)查研究，并運(yùn)用SVM對歷史數(shù)據(jù)進(jìn)行仿真模擬，建立高處吊籃作業(yè)安全防護(hù)預(yù)警模型，為把安全防護(hù)預(yù)警進(jìn)一步推廣到其他建筑施工領(lǐng)域提供理論基礎(chǔ)。

1 安全防護(hù)預(yù)警模型基本理論

1.1 安全防護(hù)基本理論

安全防護(hù)在建筑領(lǐng)域主要指對“三寶四口五臨邊”的安全防護(hù)，其在實踐中主要被分為安全防護(hù)標(biāo)識和安全防護(hù)設(shè)施2大類。而隨著建筑業(yè)的快速發(fā)展，施工企業(yè)對安全防護(hù)的要求也越來越高，傳統(tǒng)的安全防護(hù)已經(jīng)無法滿足日益增長的安全防護(hù)需求，對此本文通過調(diào)查研究提出新的安全防護(hù)概念和方法，即：安全防護(hù)是為使“人的行為”以及“物的狀態(tài)”的安全風(fēng)險降到人們可接受的水平而采取的一系列管理和技術(shù)措施，即安全防護(hù)是對被保護(hù)人員的身體與心理進(jìn)行健康維護(hù)和安全保障，以確保人的作業(yè)心理和身體處于良好的狀態(tài)，以及通過改善管理和技術(shù)等制度化的方式對物的不安全狀態(tài)的檢查維護(hù)保養(yǎng)的過程。根據(jù)本文提出的安全防護(hù)概念，安全防護(hù)分為：安全防護(hù)審批、個體防護(hù)用品、安全防護(hù)設(shè)施、安全防護(hù)標(biāo)識、心理生理防護(hù)及作業(yè)條件防護(hù)6類。

1.2 SVM基本理論

SVM在數(shù)學(xué)上的主要思想是建立一個超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化[15]，因此支持向量機(jī)具有較好的分類特性。SVM在處理復(fù)雜的多維非線性問題時，能通過選取最優(yōu)的懲罰因子和核函數(shù)的參數(shù)組合來降低運(yùn)算維數(shù)從而提高運(yùn)算的預(yù)測精度，使數(shù)據(jù)的結(jié)構(gòu)風(fēng)險最小化，因此SVM被廣泛應(yīng)用于處理具有多個非線性特征變量的復(fù)雜工程實踐問題中，通過對SVM的學(xué)習(xí)研究，建立SVM仿真模擬流程圖，如圖1所示。

圖1 SVM仿真模擬流程Fig.1 Flow chart of SVM simulation

2 安全防護(hù)預(yù)警模型的構(gòu)建

2.1 預(yù)警指標(biāo)選取

根據(jù)安全防護(hù)理論，針對JB/T 11699-2013《高處作業(yè)吊籃安裝、拆卸、使用技術(shù)規(guī)程》[16]、JGJ59-2011《建筑施工安全檢查標(biāo)準(zhǔn)》[17]以及JGJ180-2016《建筑施工高處作業(yè)安全技術(shù)規(guī)范》[18]中對于吊籃載人作業(yè)的規(guī)范和要求，構(gòu)建高處吊籃作業(yè)安全防護(hù)預(yù)警指標(biāo)框架，如圖2所示。

2.2 建立預(yù)警模型

人與物的運(yùn)動軌跡的交點就是事故發(fā)生的時間和空間。在高處吊籃作業(yè)中，最常發(fā)生的事故類型為高處墜落，而高處墜落的主體是“人的不安全行為”，客體是“物的不安全狀態(tài)”，如果在作業(yè)中，主體和客體的不安全因素被特定因素阻止，事故就不會發(fā)生。如果撤銷該因素的作用，事故就會沿著既定軌道發(fā)展。安全防護(hù)預(yù)警研究即是從事故的直接原因和間接原因入手，避免人和物的運(yùn)動軌跡交叉，即避免“人的不安全行為”和“物的不安全狀態(tài)”同一時間在同一空間出現(xiàn)，進(jìn)而來保障高處吊籃作業(yè)的安全。本文通過對高處吊籃作業(yè)的深入分析和研究，構(gòu)建高處吊籃作業(yè)安全防護(hù)預(yù)警模型，如圖3所示。

圖2 高處吊籃作業(yè)安全防護(hù)預(yù)警指標(biāo)框架Fig.2 Framework of indexes for early warning of safety protection for high-hanging basket operation

圖3 安全防護(hù)預(yù)警模型Fig.3 Early warning model of safety protection

2.3 安全防護(hù)預(yù)警原理

在高處吊籃作業(yè)的主安裝、使用、拆卸施工過程中，安全防護(hù)審批、安全防護(hù)標(biāo)識、安全防護(hù)設(shè)施、個體防護(hù)用品、心理生理防護(hù)、作業(yè)條件防護(hù)在每個時刻都會以某種狀態(tài)呈現(xiàn)。首先將某個時刻采集的高處吊籃作業(yè)狀態(tài)參數(shù)定義為狀態(tài)參數(shù)集合；然后將狀態(tài)參數(shù)集合經(jīng)過數(shù)據(jù)化處理后以向量的形式記錄下來；最后通過分析歷史數(shù)據(jù)樣本構(gòu)建數(shù)學(xué)模型對某個時刻的安全狀態(tài)進(jìn)行識別判斷，得出此刻的作業(yè)狀態(tài)安全類別。因此在對高處吊籃作業(yè)的作業(yè)狀態(tài)識別預(yù)警時，應(yīng)先將歷史數(shù)據(jù)進(jìn)行分類并建立狀態(tài)參數(shù)特征向量。本文在對高處吊籃作業(yè)安全狀態(tài)預(yù)警時，將安全與環(huán)境防護(hù)的狀態(tài)參數(shù)組成的矩陣作為支持向量機(jī)的樣本，運(yùn)用SVM對特征數(shù)據(jù)進(jìn)行訓(xùn)練測試以獲取最佳的SVM安全防護(hù)預(yù)警模型。

高處吊籃作業(yè)安全防護(hù)預(yù)警分為2步，第1步是對物的不安全狀態(tài)預(yù)警。在吊籃安裝及拆卸前后要對安全防護(hù)審批的指標(biāo)參數(shù)進(jìn)行識別預(yù)警，以及對安全防護(hù)設(shè)施、安全防護(hù)標(biāo)識、個體防護(hù)用品及作業(yè)條件防護(hù)指標(biāo)進(jìn)行監(jiān)測預(yù)警。第2步是對吊籃作業(yè)人員的不安全行為進(jìn)行預(yù)警。在作業(yè)人員進(jìn)入施工區(qū)域前，核對施工人員的性別、年齡、工種信息、崗位證書情況，并對人員的生理及心理狀況進(jìn)行識別及指標(biāo)判定。

本文將安全防護(hù)預(yù)警級別分為綠色警報、黃色警報、紅色警報3個等級。綠色警報表示預(yù)警結(jié)果為安全狀態(tài)，此時應(yīng)告知作業(yè)人員周邊區(qū)域的危險信息；黃色警報表示預(yù)警結(jié)果為輕度危險狀態(tài)，輕度危險表示某個指標(biāo)出現(xiàn)問題，但是能在短時間內(nèi)，通過作業(yè)人員暫停作業(yè)并對危險狀態(tài)或部位進(jìn)行整改合格后繼續(xù)作業(yè)，如果整改后驗收不合格，則需要繼續(xù)整改直到合格才可繼續(xù)進(jìn)行作業(yè)；紅色警報表示處于危險狀態(tài)，危險因素難以立即排除，須禁止吊籃作業(yè)，作業(yè)人員須立即停止作業(yè)并撤離作業(yè)現(xiàn)場，遠(yuǎn)離危險作業(yè)區(qū)域。本文根據(jù)高處吊籃作業(yè)特點，制定高處吊籃作業(yè)安全防護(hù)預(yù)警指標(biāo)體系，如表1所示。

3 仿真模擬

3.1 數(shù)據(jù)采集與處理

通過搜集數(shù)據(jù)建立高處吊籃作業(yè)安全風(fēng)險特征數(shù)據(jù)矩陣，數(shù)據(jù)來源一部分是通過國內(nèi)某建筑集團(tuán)近10 a的安全監(jiān)測數(shù)據(jù)，另一部分是通過對國內(nèi)歷史案例調(diào)查報告進(jìn)行分析獲取。預(yù)警特征矩陣選取指標(biāo)為：環(huán)境溫度、作業(yè)高度、風(fēng)力(級別)、天氣狀況(指雨雪大霧天氣的情況)。通過調(diào)查分析選取150項數(shù)據(jù)，其中50項為安全狀態(tài)下的數(shù)據(jù)，定義其標(biāo)簽變量為1；50項為危險狀態(tài)下的數(shù)據(jù)，定義其標(biāo)簽變量為2；另外50項數(shù)據(jù)為事故狀態(tài)下的數(shù)據(jù)，定義其標(biāo)簽變量為3，然后分別選取35組安全、危險和事故3種狀態(tài)下的樣本數(shù)據(jù)作為訓(xùn)練集，再分別選取15組樣本數(shù)據(jù)作為測試集，通過訓(xùn)練來得到模型。

表1 高處吊籃作業(yè)安全防護(hù)預(yù)警指標(biāo)體系Table 1 Index system for early warning of safety protection for high-hanging basket operation

數(shù)據(jù)化處理指標(biāo)信息時，對于只有滿足或不滿足作業(yè)要求的指標(biāo)信息，用0表示滿足作業(yè)要求，1表示不滿足作業(yè)要求；而對于作業(yè)高度、溫度等自身具備量化的指標(biāo)信息，使用其自身量化值作為預(yù)警數(shù)據(jù)。

3.2 建立SVM模型

本文運(yùn)用中國臺灣大學(xué)林智仁實驗室創(chuàng)建的LibSVM工具箱進(jìn)行仿真模擬[18]。在訓(xùn)練中，因為樣本懲罰因子c以及核函數(shù)參數(shù)g的選取對模型的精度影響較大，需要通過循環(huán)算法進(jìn)行參數(shù)尋優(yōu)得到滿足精度要求的最佳參數(shù)組合，即最佳的c,g組合，代入模型中進(jìn)行仿真訓(xùn)練。為使數(shù)據(jù)的結(jié)構(gòu)風(fēng)險最小化，本文選用k層交叉驗證方法來對模型數(shù)據(jù)進(jìn)行訓(xùn)練模擬，進(jìn)而得到使準(zhǔn)確率最高的模型c，g組合。

仿真模擬設(shè)定c,g的取值范圍為(2-15，215)，通過Matlab模擬繪得交叉驗證參數(shù)c,g及準(zhǔn)確率等高線，如圖4所示。從圖4中可知，最佳的c,g組合為：c=256，g=0.031 25，準(zhǔn)確率cvaccuracy=90.476 2%。將交叉驗證得到的c=256,g=0.031 25自動代入svmtrain()函數(shù)得到訓(xùn)練模型，訓(xùn)練分析結(jié)果對比如圖5所示；然后將訓(xùn)練得到的訓(xùn)練集和測試集的標(biāo)簽、樣本數(shù)據(jù)作為svmpredict()函數(shù)的特征參數(shù)，將參數(shù)訓(xùn)練的結(jié)果與預(yù)測函數(shù)得到的標(biāo)簽數(shù)進(jìn)行對比得出精確度率91.428 6%，誤差為8.523 8%，如圖5所示；最后對預(yù)測集進(jìn)行仿真預(yù)測得到的結(jié)果與訓(xùn)練集仿真模型預(yù)測進(jìn)行對比，準(zhǔn)確率為91.111 1%，誤差為8.899 9%，如圖6所示。結(jié)果表明：通過SVM建立的安全防護(hù)預(yù)警模型的仿真模擬結(jié)果具有較高的精確度，具有較好的適用性和可行性；結(jié)果不足之處是，在數(shù)據(jù)模擬中，對應(yīng)參數(shù)函數(shù)的選取對于預(yù)警結(jié)果的影響較大，因此模型的精度仍然需要通過優(yōu)化算法來不斷提升。

圖4 交叉驗證參數(shù)c,g及準(zhǔn)確率等高線Fig.4 Cross validation parameters c,g and accuracy contour

圖5 SVM模型預(yù)測結(jié)果對比Fig.5 Comparison of prediction results by SVM model

圖6 測試集預(yù)測結(jié)果對比Fig.6 Comparison of prediction results by testing set

4 結(jié)論

1)在事故案例、國家標(biāo)準(zhǔn)以及行業(yè)規(guī)范基礎(chǔ)上，結(jié)合安全防護(hù)理論，綜合考慮安全防護(hù)審批、個體防護(hù)用品、安全防護(hù)設(shè)施、安全防護(hù)標(biāo)識、心理生理防護(hù)及作業(yè)條件防護(hù)對高處吊籃作業(yè)的影響，建立高處吊籃作業(yè)安全防護(hù)預(yù)警指標(biāo)體系。

2)構(gòu)建基于SVM的安全防護(hù)預(yù)警模型，以國內(nèi)建筑施工企業(yè)的150組高處吊籃作業(yè)案例數(shù)據(jù)為例進(jìn)行仿真模擬，結(jié)果表明該模型對于高處吊籃作業(yè)安全防護(hù)預(yù)警具有較好的可行性和適用性。

3)安全防護(hù)預(yù)警模型作為建筑企業(yè)安全管理系統(tǒng)中的預(yù)警模塊，可以為高處吊籃作業(yè)提供預(yù)警支持，并可通過選取針對性的安全防護(hù)預(yù)警指標(biāo)，推廣至其他建筑工程的特種作業(yè)領(lǐng)域。