基于GA-BP的建筑施工安全实时预警模型

刘 洋， 申 玲， 陈 东

(南京工业大学 土木工程学院， 江苏 南京 211816)

由于建筑业是劳动密集型产业，其具有施工周期长、劳动强度大、施工过程涉及众多参与方等特点，使其成为伤亡率仅次于煤矿业的高危行业，且受相关人员经验限制、项目现场环境动态变化等影响，传统预防手段效果有限。因此，建立一个更主动、更智能、更有效的建筑施工安全实时预警模型，是对现有研究的有力补充，具有很大的理论和现实意义。

目前，已有很多学者研究将统计方法运用于施工项目安全预警过程当中，比如D-S证据理论法[1]、模糊综合评价法[2]、灰色关联分析法[3]等，一定程度上提高了施工现场的安全管理水平，但以上研究大部分是从时间点的角度来评价分析项目整体施工安全状态，是静态的、偏整体角度的综合预警模式。这些方法缺乏自学习能力，难以进行实时安全状态分析。

与此同时，计算机模拟仿真、智能可视化技术等现代信息技术[4～7]已得到一定应用，如危险源识别[8]、自动化安全模拟[9]、利用BLE技术监控工人和施工设备位置[10]、AR和VR进行工人培训[11]等。目前主流的的短距离无线通讯技术包括UWB，ZigBee，BLEMesh等，其中BLE技术作为一种新兴的定位技术，它具有尺寸小、低能耗、低成本和耐久性、能够实时连接多个设备(例如，基于蓝牙技术的低功耗传感器、移动设备和计算机)等优势，基于此，本文采取BLEMesh网络作为实时安全预警信息获取方式。已有研究对通过信息通讯技术监控到的影响施工安全因素进行综合评判预警还有所欠缺，仍需安全管理人员或专家根据已有经验或是安全规范来判断施工现场是否安全，主观性强且耗时，不利于及时消除安全隐患。

为此，本文将遗传算法进行优化过的BP(Back Propagation)神经网络方法引入到施工安全预警模型中，通过拟合警兆指标和警情关系，构建基于GA-BP的建筑施工安全实时预警模型。以期实现安全预警的自主化、动态化、智能化。

1 GA-BP预警方法概述

BP神经网络具有自学习、并行分布式处理、非线性处理等特点[12]。BP神经网络模型将系统结构隐含于网络的权值和阈值当中，预警过程中，只需确定模型样本输入和理想输出，通过样本对模型进行训练和检验后，模型会根据选择的学习方式对待测样本进行预测。BP神经网络可以避免复杂的参数估计过程并降低主观因素的影响[13]。虽然BP神经网络有上述优点，适合用于建筑施工安全预警过程，但其本身也存在收敛速度慢、无法达到最优等缺点。遗传算法是一种基于基因遗传学原理的随机搜索最优解的方法，具有隐并行性、自适应性、优化搜索空间和全局寻优等特点，能够很快达到全局最优解[14]。

本文通过遗传算法(Genetic Algorithm，GA)优化BP神经网络，将优化过的阈值和权值作为BP神经网络的初始值，建立基于GA-BP的建筑施工安全实时预警模型，该模型与BP神经网络相比，具有收敛更快、精度更高等优点，使施工安全实时预警具有更高的预测精度及收敛速度。

2 实时预警安全信息需求分析

2.1 实时预警安全信息需求指标体系

本文搜集到2013—2017年间共发生房屋市政工程事故2706起，对其进行分析得知高处坠落事故占52.32%，物体打击事故占14.71%，坍塌事故占12.14%，起重伤害事故占9.44%，其他事故占11.39%。故将事故分为高处坠落、物体打击、坍塌、起重伤害四类。

选取德尔菲法确定实时预警安全信息需求指标体系，考虑专家的专业领域及从业经验等因素，邀请5位具有博士学历的高校教授以及5位具有多年工程项目工作经验的项目经理共10名专家作为匿名函询主体。针对四类事故发生的前馈信号问题向专家分别提出三轮问询，将他们列出的前馈信号进行整理、归纳，确定初选前馈信号，保证了指标的科学合理性。然后运用SPSS软件对初选前馈信号进行重要程度与离散程度分析，确定最终前馈信号，从前馈信号中可提取建筑施工过程中实时安全信息的需求。

最终建立人-机-管-技-环5项一级指标、24项二级指标的建筑施工实时预警安全信息需求指标体系，如图1所示。

图1 建筑施工实时预警安全信息需求指标体系

2.2 实时安全预警信息获取方式

由于BLEMesh网络具有低成本、超低功率、多信道、覆盖盲区少、传输速度快[15, 16]等优点，本文选用BLEMesh网络作为施工现场实时收集上述五类信息的方法[17, 18]。利用BLE设备收集人员、材料械具的属性和实时位置信息，采用传感器如压力传感器、位移传感器等收集管理、技术和环境参数信息，利用蓝牙Mesh作为物联网传输协议，建立基于BLEMesh技术的无线传感器网络，实时传输设备数据。通过BLEMesh、传感器的协同应用，实现安全信息的自动实时采集，为建筑施工安全实时预警提供数据来源。

图2 实时信息采集系统结构

如图2所示，实时信息采集系统分为客户端层、BLEMesh网络层及服务器层。BLEMesh网络是一种与传统无线网络完全不同的新型无线网络技术，由路由器和客户端组成，称为“多跳(multi-hop)”网络。只需要在路由器那里分出各种终端设备，然后通过这些设备与设备之间进行组网，实现互联[17]。其包括以下三种网络节点，分别是MPP、MP 和MAP 。其中MAP的主要任务是与施工人员、材料械具相连接。施工人员身体状况、工种信息、个人防护用品与工人位置匹配状况；材料使用年限、允许操作工种；机械维修次数、质量检查结果等信息事先存储在对应的MAP节点中。采用广播形式将收集到的信息传递给MP，MP之间进行信息交流并进一步传递给MPP路由器，通过计算机后台的相关位置算法可获得MAP的具体坐标。

传感器技术则可收集管理、技术和环境参数，管理参数如现场安全隔离防护是否布置到位利用压力传感器监测；技术参数信息如脚手架稳定性、基坑稳定性等，利用振弦式传感器监测其应力应变状况；环境参数如湿度、温度、亮度等则使用光亮度传感器及温湿度传感器监测。将利用传感器收集到的信息数据，通过BLEMesh网络传送并显示在本地服务器中。本地服务器将收集到的各类信息转化为数据类信息进行存储，便于下文实时安全预警模型建立。在集成系统结构中，BLEMesh网络层及服务器层间的连接遵守BLEMesh网络协议。

3 基于GA-BP的实时安全预警模型

根据前文建立的实时预警安全信息需求指标体系收集建筑工程事故及未遂事件样本数据，通过BP神经网络训练和测试样本，将现场实时采集的安全信息导入BP神经网络训练好的模型中，实现安全预警功能。

3.1 样本安全信息数据化

将MPP及传感器设备收集到的信息转化为数据类信息，转化标准如表1所示，数据化的信息可以直接输入到GA-BP网络中对网络进行训练及测试。

表1 建筑工程实时预警安全信息数据化

续表

3.2 实时安全预警模型

GA-BP建筑施工安全实时预警模型如图3所示。第一，BP神经网络参数初始化，包括确定网络输入、输出和隐含层节点数等；第二，设置种群数目和优化目标；第三，计算群适应度；第四，遗传操作，进行选择、交叉、变异操作；第五，获得最佳神经网络初始权值和阈值；第六，利用最佳权值和阈值参数训练及测试样本；第七，运用训练好的网络进行预测或评价。

图3 GA-BP安全实时预警模型

4 应用实例

由于施工现场信息设备普及程度较低，无法收集到建筑施工过程中安全预警所需的全部信息，所以选取建筑吊篮事故为例进行分析，演示基于GA-BP的实时安全预警模型应用过程。

4.1 确定训练样本、测试样本和网络输出

首先分析建筑吊篮事故案例，确定其五类实时安全预警信息需求，并进行数据化处理如表2所示。通过收集住建部网站工程质量安全监管模块吊篮事故快报以及实际工程中的未遂事故等具体数据，得到GA-BP网络训练的60项样本数据，其中51项为训练样本，9项为测试样本，如表3所示。结合实际案例结果给出理想输出，对应警情如表4所示。

表2 建筑吊篮事故信息需求

表3 神经网络输入样本数据

续表

表4 神经网络输出结果对应警情

4.2 GA-BP网络设计

采用单隐含层的GA-BP网络进行建筑吊篮事故预警。输入层取6个神经元，中间层取15个神经元，输出层取3个神经元，为6-15-3网络结构。中间层神经元传递函数为tansig，输出层神经元传递函数为logsig，学习率为0.05，学习误差为1×10-4。设置遗传代数为200，种群规模为150。调用Matlab中遗传算法Goat工具箱的GAbp.m、EVal.m及Code.m。分别使用BP网络及GA-BP网络对样本进行训练，其误差性能曲线如图4，5所示，由图可知，GA-BP网络比BP网络具有更快的收敛性。

图4 BP算法误差性能曲线

图5 GA-BP算法误差性能曲线

4.3 网络测试及误差分析

将检验样本数据输入训练好的网络，计算出BP神经网络和GA-BP神经网络的实际输出与理想输出间的绝对误差，结果如表5，6所示，通过对比绝对误差得知GA-BP预测精度明显高于BP神经网络，因此训练后的GA-BP神经网络可以作为建筑吊篮坠落事故预警模型。

表5 BP神经网络误差

表6 GA-BP神经网络误差

4.4 预警实践

某住宅项目三期工程由4栋32层及2栋34层的高层建筑组成。项目主体结构施工已经完成，目前正在进行外墙粉刷工程，采用吊篮进行外墙粉刷，吊篮额定载重量为800 kg(7.84 kN)，利用项目现场MPP及传感器设备收集到所需要的安全信息并进行数据转化得到输入向量为[67,0,0,6,0,0.64]，使用上文训练好的吊篮事故预警模型进行计算，输出结果如表7所示。

表7 吊篮坠落事故预警结果

由上表可知，根据最大隶属度原则，该吊篮属于“轻警状态”，应该通过BLEMesh网络传播警情给吊篮工作人员进行整改，达到“无警”状态再继续施工。

5 结 语

本文根据建筑施工事故致因机理的逻辑框架，在学者研究及历史数据的基础上，构建了安全信息需求指标体系。该体系包括5项一级指标，24项二级指标，全面的反映了施工实时预警安全信息需求。然后通过BLEMesh网络实时收集安全信息数据，利用样本数据训练GA-BP模型，最后将施工现场信息数据化后输入训练好的GA-BP模型，实现施工现场安全状态进行智能化、实时性、动态性的安全预警。本研究在总结国内外相关研究与实践成果的基础上，构建了基于GA-BP的建筑施工安全实时预警模型，并详细介绍其工作机制，是对现有研究的有力补充，对丰富我国建筑施工安全管理研究具有一定理论意义。打破了施工预警偏静态、受评价人员主观性影响、缺乏自学习能力等现状，对提升企业乃至整个行业的施工安全管理水平具有重要现实意义。