周贵华
(广州科技应用学院<原广州大学松田学院> 广东 广州 511370)
随着人工智能技术的发展、应用,其已深入生活、工作的各个方面,本文分析了市级安全生产监督管理局通过相应的实时系统平台,对城市高层建筑项目中施工升降机工作过程进行监管。监管的最终目的是减少施工升降机运行时造成的事故,并在真正有事故出现时能迅速反应,避免更多的伤亡。现在计划在原有的监控系统平台增加人工智能技术应用模块,一是加强对施工升降机运行的监控;二是对监控获取的实时数据的智能化分析、建模,并最终得出结论,使实时监控系统平台响应更快、更加精确。加强监控主要是改进对升降机的摄像头拍摄的视频图片的分析与处理,即用机器视觉的相关算法更快识别升降机在运行时的人数、材料等信息。对监控得到的实时数据进行处理,则是使用机器学习算法对实时数据进行分析、建模,这可以使我们能从海量的实时数据中更快、更精确地监控施工升降机运行时状况。如果对现有升降机实时监控管理系统进行人工智能技术的改进,就可以更好地减少升降机事故的发生,在一定程度上还可以预防升降机事故发生。
根据以往的施工升降机在运行中的情况分析,升降机常见事故分别有吊笼坠落事故、吊笼冲顶或蹲底事故、高空坠落事故[1]。吊笼坠落事故:主要由于施工升降机与吊笼联接装置断裂损坏、制动与锁定装置失效所引起的事故;主要体现是吊笼失重,吊笼下降速度出现超过标准速度最大值。吊笼冲顶或蹲底事故:主要是在施工升降机运作的过程中,升降机无法安全停止,这样就导致了吊笼冲顶和蹲底事故的发生;主要体现是监控吊笼高度的传感器高于或低于升降机最高和最低的标准值。高空坠落事故:主要由于施工升降机在运作过程前后门、楼层门没有关紧,施工人员或原材料跌入升降机井道,造成伤亡的事故。
施工升降机实时数据是从监控管理系统平台获取的一手数据,但这些数据显示在监控屏幕中有很大的问题:首先,全市有上万台施工升降机,监控屏幕无法将这些升降机的数据详细的显示在监控屏幕上。其次,这些施工升降机每秒产生的实时数据起码有上万条,哪些升降机有问题,发出警报信息,监控人员无法第一时间全部在监控屏幕中分辨出来,而且这些数据很快会被后面传输的正常数据覆盖。如果要避免这些问题就需要运用人工智能技术,增加可以智能分析、建模的预测模块,智能地分类判别有问题的实时数据的具体情况,简化监控人员的工作。
使用人工智能技术进行分析、建模,就需要分析具体实时数据的情况。实时数据包括:升降机的工作平台识别码,所有监控传感器的运行状态数据,传感器的具体监控数据,门控状态数据;具体分平台识别码,人数、载重、速度、高度、楼层、倾角、风速数据,以及状态报警、传感器故障、门控当前状态等数据。
施工升降机运行时会将这些数据整合,并分成注册数据帧、状态数据帧、实时数据帧,发送到监控管理系统平台中,由系统平台将这些数据实时显示在屏幕中。对于升降机的状态数据以及实时数据归纳分析,我们可以将这些数据分成3类:正常运行数据、安全隐患数据、事故数据。
第1种是正常的升降机运行数据,这种数据每天都会作为历史数据批量整合保存在备份服务器中。
第2种是有安全隐患的数据。这种数据是表明升降机在运作过程中的预警信息,如果连续出现很有可能就是施工升降机在工作过程中出现事故前期信息,如果市监局频繁监控到这种有安全隐患的数据,就会勒令该工地的负责人立即停止或者通过远程控制停止该施工升降机的异常运作,等待维护人员来对升降机的检查与维护,直到审查合格了才允许解开锁定继续运行。而这种安全隐患数据主要是指施工升降机在运行时出现报警信息,而对应的传感器也发出故障信息的同时升降机还在运作。此时虽然没有出现事故,但已经构成施工升降运行的安全隐患,安监局在监控到这种数据时就会立即存储备份,以备将来查询、统计。
第3种是发生了事故的数据,即当监控平台监控出这种数据时,工地的施工升降机已经出事故了,此时需要通知各部门开展救援工作,这类数据也需要立即存储备份,以备以后分析、统计。而这种数据可以从施工升降机实时监控的数据情况进行初步判定:如吊笼坠落事故主要因为施工升降机的吊笼速度超过最大安全速度,升降机内部的重量传感器也已经处于失重状态;吊笼冲顶或蹲底事故要从楼层报警信息和速度信息中判定,即出现极限限位报警信息,同时升降机还有速度或者升降机高度传感器的值,已经高出最高楼层限位器或低于最低限位器的值,这就说明出现吊笼冲顶或蹲底事故;高空坠落事故产生的起因主要是门控对应的传感器出现故障或有门控的报警信息,而且升降机还有速度,即升降机门没关好,就开始运行,运行时出现物资或人员坠落事件;又或者门控对应的传感器出现故障或有门控的报警信息,并且出现楼层报警信息,即升降机门没关好,而且停止非楼层所在位置时物资或人员坠落事件。
施工升降机实时监控管理系统平台增加人工智能技术随机森林算法[2]模块,是为了提升判别异常的升降机数据的准确率;同时也会自动挑选升降机信息,显示在监控屏幕中。
随机森林算法是属于人工智能技术中机器学习的一种算法,它可以通过训练样本数据建立模型,并得出预测结果。以随机森林算法对所收集施工升降机实时监控管理系统平台中的前一天监控得到的数据进行建模,为系统增加一个集成随机森林的施工升降机事故预测模块。下面是以一个预测分析的例子讲解随机森林的预测的工作原理。
例:施工升降机事故预测的分析与研究使用的训练集有以下5个特征:第1个特征是速度,分别是有速度与无速度;第2个特征是传感器故障信息,有发送相应传感器故障信息和无故障信息;第3个特征是报警信息,分别为有传感器警报信息和无警报;第4个特征是门控当前状态信息,打开和关闭;第5个则是最终根据以上数据得到的施工升降机的状态分类,分别是安全隐患、事故、正常。
随机森林是利用某一条监控的实时数据,从速度、传感器故障信息、报警信息、门控当前状态信息共4个字段来预测升降机状态类型,即如下情况。
施工升降机状态类型:事故、安全隐患、正常。
随机森林中每一棵决策树[3]若将他们看作是一棵分类回归树,这里假设森林中有4棵分类回归树,总特征个数M=4,取m=1,见表1、表2、表3、表4。
表1 分类回归树1:速度 单位:%
如果要预测的新的一条监控的实时数据内容如下:(1)速度:9.4 m/min;(2)传感器故障信息:192;(3)报警信息:256;(4)门控当前状态信息:2。
根据这4棵分类回归树的分类结果,可以针对这条监控的实时数据建立升降机状态类型的分布情况,见表5。
表5 升降机状态类型的分布情况 单位:%
最后,得出结论这一条监控的实时数据特征17.5%是事故,大约49%为安全隐患,33.5%为正常,所以最终投票认定该升降机属于安全隐患状态类型。
增加了预测模块的实时监控系统平台,汇总分析前一天的施工升降机运行的实时数据,主要事故数据和安全隐患数据紧密关联的数据项:速度、报警信息、传感器故障信息、门控当前状态信息这几项有关的数据。用这几项数据,拟定为随机森林算法模块的训练样本,训练样本数据模板见表6。
表6 训练样本数据表
进行分析预测施工升降机的运行状态,每次构建的模型分类准确率达到95%以上,训练期与预测期得到的模拟值与实测值变化趋势一致,预测精度较高。增加这个功能模块的实时监控系统平台达到了预期的结果。
在本文施工升降机的实时监控系统平台中,加入了人工智能技术的应用,即随机森林模块对实时数据进行分析、建模输出结论,能帮助安全监管人员更好地处理升降机的情况。施工升降机在工作中出现事故的原因有很多种,针对实际不同的情况还需要收集更多不同类型的数据项,其中包含倾角、风速等信息,除此还可增加其他人工智能技术,用来分辨施工人员的行为习惯是否会出现安全隐患,这样监控系统平台才可以更全面、更有效地预警,最大可能避免安全事故的发生。最后,在施工升降机运行期间,还需要加强安全生产管理与教育,严格按照国家的标准对施工升降机进行安装、拆卸、维护保养,做好每一次安全防护检查。