基于大数据技术的建筑安全事故风险预防及预警系统

技术领域

本发明涉及建筑安全事故预警技术领域，具体地说，涉及基于大数据技术的建筑安全事故风险预防及预警系统。

背景技术

建筑施工过程中的安全问题一直是广大工程师和建筑从业人员最为关注的问题，也是公众普遍关注的话题之一，当前虽然各类建筑安全事故的发生率已经有所下降，但是在建工程安全问题依旧是一个非常严重的社会问题，也是阻碍城市发展的重要因素之一，因此急需一种高效、准确的建筑安全预测及预警系统；由于传统的建筑安全管理方法大多以管理经验和规范为依据，例如通过智能监控对安全场所进行实时监控来掌握场所内的现状，以及根据现场已经存在的隐患进行风险分析和评估，从而对现有隐患做到预警和应急响应，但是对于建筑现场安全产生影响的因素有很多种，包括气候变化、物流管理、现场装备、人员行为、工艺和设备状态等诸多外在因素，这些因素都存在产生风险隐患的情况。

传统的方法主要针对各专业工程进行数据采集，如模板工程、基坑工程等，过于偏重专业，从而导致项目日趋复杂时，从业人员与管理人员的知识与经验的局限性被放大，无法针对检查得出的结果进行正确的认识与利用，尤其是在用博弈论、系统论与控制论思想指导项目建设的背景下，会使质量、安全、进度之间的博弈平衡点出现偏差，从而引发在建工程安全事故。

因此，本专利提供了一种基于大数据技术的建筑安全事故风险预防及预警系统方案，来解决上述技术存在的不足之处。

发明内容

本发明的目的在于提供基于大数据技术的建筑安全事故风险预防及预警系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供基于大数据技术的建筑安全事故风险预防及预警系统，包括大数据采集建筑事故风险单元、风险挖掘数据特征提取处理单元、事故风险评估预防单元、工程安全计算与预警单元和风险数据模型建立单元，所述大数据采集建筑事故风险单元用于对建筑安全信息的数据进行采集，并建立数据库，所述大数据采集建筑事故风险单元包括项目全境信息数据采集模块和AI隐患问题识别模块；

所述风险挖掘数据特征提取处理单元用于对大数据采集建筑事故风险单元采集的数据进行风险挖掘，所述风险挖掘数据特征提取处理单元包括数据预处理模块和特征提取模块；

所述事故风险评估预防单元用于对风险挖掘数据特征提取处理单元挖掘出的风险因素进行综合分析，得出在建工程安全风险评估数据，所述事故风险评估预防单元包括数据对比模块和风险预测模块；

所述工程安全计算与预警单元用于在在建工程安全风险达到预警阈值时进行提醒和预警，所述工程安全计算与预警单元包括预警阈值计算模块和预警提示模块；

所述风险数据模型建立单元用于对风险事件发生的历史进行追溯，所述风险数据模型建立单元包括时间序列模块，所述时间序列模块用于对历史风险数据进行分析和归类，并建立风险模型，预测未来在建工程安全风险。

作为本技术方案的进一步改进，所述项目全境信息数据采集模块通过项目全境信息采集技术对在建工程现场实境数据进行收集获取；

所述AI隐患问题识别模块用于对在建工程现场存在隐患问题的自动化辨识，从而对数据进行全面与精确获取。

作为本技术方案的进一步改进，所述项目全境信息数据采集模块包括项目全境信息采集数据获取模块和卫星数据接收模块；

所述项目全境信息采集数据获取模块用于实时采集在建工程项目全境，生成能反应真实情况的项目全境照片；所述卫星数据接收模块用于在野外通过卫星信号与互联网保持连接。

作为本技术方案的进一步改进，所述数据预处理模块用于去除异常数据和噪声，并对数据进行预处理和归一化工作；

所述特征提取模块用于提取各类型事故隐患的特征参数。

作为本技术方案的进一步改进，所述数据对比模块用于对采集的隐患数据和安全阈值进行综合评估，得出工程施工安全风险等级；所述风险预测模块用于通过数据对比模块得出的安全风险等级对在建工程项目进行安全风险预测。

作为本技术方案的进一步改进，所述风险预测模块采用多元线性回归模型，用于对在建工程安全风险的预测，表达式为：

Y＝β0+β1*X1+β2*X2+…+βn*Xn+ε

其中，安全度指标Y是因变量，X1、X2、…、Xn是自变量，β0、β1、β2、…、βn是模型的系数，ε是误差项；

建筑工程安全风险预测中，选取与建筑工程安全风险有关的隐患数量作为自变量输入，使用多元线性回归模型进行分析建模，得到在建工程安全风险的预测结果，预测结果包括以下状态：

状态一：当安全度量的数值低于风险控制值S

状态二：当安全度量的数值低于风险控制值S

状态三：当安全度量的数值低于风险控制值S

状态四：当安全度量的数值低于风险控制值S

上述各值的关系为：S

作为本技术方案的进一步改进，所述预警阈值计算模块用于计算在建工程安全风险的预警阈值；所述预警提示模块用于向用户发送风险预警信息。

作为本技术方案的进一步改进，所述预警阈值计算模块采用如下公式进行预警阈值计算：

预警阈值＝a×R+b×S+c×T

其中，R、S、T分别表示项目事故隐患平衡点特征值、隐患整改的难易程度和现场管理团队的能力评价指标等，a、b、c为各项因素的系数。

与现有技术相比，本发明的有益效果：

该基于大数据技术的建筑安全事故风险预防及预警系统中，通过对过往十数年对在建工程安全与风险检查中、事故统计分析等积累的海量数据，用大数据算法拟合出多元线性回归模型；通过大数据采集建筑事故风险单元获取现场全境实况信息，不放过死角，将当前智慧工地视频监控技术的应用水平又提高了一步，而且费用增加不多，并用采集单位中的AI模块对安全事故隐患进行自动辨识，通过事故风险评估预防单元的多元线性回归模型对数据进行分析对比，做出风险预测，结合基于FTA方法得出的隐患问题、影响因子、占比、后果严重程度等建立起数学模型，系统自动划分安全事故隐患等级，系统又自动将安全事故隐患，按不同的事故类型进行归约，使建筑现场风险事故的管理人员可以了解风险信息及可能发生的各种事故的危险度，从而引导项目参建各方采取差异化重点风险管控，对较大及以上事故进行规避，既减少风险事故带来的损失，又协助项目在博弈论、控制论与信息论等思想的引领下，找到合理的博弈平衡点，做到避免盲目冒进时合理管控在建工程安全风险。

附图说明

图1为本发明实施例1的整体结构原理框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1示出本发明的第一实施例，本实施例提供基于大数据技术的建筑安全事故风险预防及预警系统，包括大数据采集建筑事故风险单元、风险挖掘数据特征提取处理单元、事故风险评估预防单元、工程安全计算与预警单元以及风险数据模型建立单元；

大数据采集建筑事故风险单元用于对建筑安全信息的数据进行采集，并建立数据库；

大数据采集建筑事故风险单元包括全境信息数据采集模块和建筑物数据采集模块；

全境信息数据采集模块通过项目全境信息采集技术对在建工程现场实境数据进行收集获取，全境信息采集除包括现阶段智慧工地建设的成果，如各种类型的传感器等外，还包括流动式全境信息获取设备，以解决取样死角的问题；AI隐患问题识别模块用于对在建工程现场存在隐患问题的自动化辨识，从而对数据进行全面与精确获取，避免有主观偏见的取样。

全境信息采集模块包括全境信息采集数据获取模块和卫星数据接收模块；

全境信息采集数据获取模块用于利用现场已有的智慧工地设备与传感器，和流动式数据采集系统，进行现场信息与数据无死角采集；卫星数据接收模块用于通过卫星进行数据通信；风险挖掘数据特征提取处理单元用于对大数据采集建筑事故风险单元采集的数据进行风险挖掘；

风险挖掘数据特征提取处理单元包括数据预处理模块和特征提取模块；

数据预处理模块用于去除异常数据和噪声，并对数据进行预处理和归一化工作；特征提取模块用于提取建筑安全的特征参数；

其中，数据预处理模块通过聚类的算法，可以将样本点分为核心点、边界点和噪声点，在聚类过程中自动过滤掉数据中的噪声点和异常数据，而聚类算法的原理是：随机选取k个对象,实例距离哪个点近就更可能是哪一类,将每个类的中心点作为新的对象,不断迭代,直到分类完成；

而特征提取模块提取隐患特征参数时，可以根据周边环境条件、涉及作业人员多寡、是否为危大或超危大工程、隐患所属的事故类型(如触电事故、火灾/爆炸事故、高处坠落/物体打击事故、机械伤害事故、坍塌事故、起重伤害事故、其他事故)等参数特征进行提取，从而可以使施工现场相关信息更加完善的出现在数据库中，方便后续与现场采集的数据进行综合对比，更加精确的得出风险预测报告，也为后续的在建工程安全风险预测和识别提供有力的支持。

事故风险评估预防单元用于对风险挖掘数据特征提取处理单元挖掘出的风险因素进行综合分析，得出在建工程安全风险评估数据；

事故风险评估预防单元包括数据对比模块和风险预测模块；

数据对比模块用于对采集的现场数据和项目及分项工程特征进行综合评估，得出在建工程安全风险等级；风险预测模块通过数据对比模块得出的安全风险等级对建筑物进行安全风险预测。

其中，数据对比模块将采集到的现场数据和项目及分项工程特征进行综合评估，例如，现场人的不安全行为、物的不安全状态、环境中的不安全因素等直接原因，以及管理上的缺陷等间接原因，得出一个安全指数，可以采用机器学习算法，将现场各种传感器获取的、并经过清洗的数据输入模型，使得模型能够自动输出在建工程的安全风险等级，根据得到的安全风险等级，对建在建项目在技术管理、物资采购、专项检查与验收、资金使用、动力设备管理、教育与培训等方面针对性地进行调整和改进，例如，对于高风险在建项目，可以停工(局部)整改、调整项目领导团队、通报主管部门并提交处罚建议。

机器学习算法是指通过对数据进行学习和分析，自动从数据中发现规律、统计关系，并生成预测模型或决策模型的算法。

工程安全计算与预警单元用于在在建工程安全风险达到预警阈值时进行提醒和预警；

工程安全计算与预警单元包括预警阈值计算模块和预警提示模块；

预警阈值计算模块用于计算在建工程安全风险的预警阈值；预警提示模块用于向用户发送风险预警信息。

其中，预警阈值计算模块采用如下公式进行预警阈值计算：

预警阈值＝a×R+b×S+c×T

其中，R、S、T分别表示项目事故隐患平衡点特征值、隐患整改的难易程度和现场管理团队的能力评价指标等，a、b、c为各项因素的系数。

如果预警阈值超过了设定的预警阈值，那么预警提示模块将会自动发出警报。

例如，我们可以设置重大风险的隐患平衡点特征值为常数60，a＝1，b＝1.5，c＝-1，现在在某一具体的项目假设采集到了以下数据：某项目数据采集与辨识后，经过特征提取确定存在重大事故隐患，且整改难易程度为9，在建工程现场管控能力评价值为4。那么，根据上述参数，我们可以计算出预警阈值：预警阈值＝1x60+1.5x9+(-1)x5＝68.5，如果回归模型得出的安全度指标分值没有超过该值，系统会发出预警，同时系统采用的模糊数学中模糊聚类的方法，不会仅以某一分数为界限不会发出警报，还将会综合考虑总承包单位资质、是否异地施工、地域情况、隐患涉及当前监管重点的情况等，应用模糊逻辑与模糊聚类等方法综合判定，即使安全指标高于阈值，仍有可能发出预警，并提出对策建议等。

风险数据模型建立单元用于对风险事件发生的历史进行追溯；

风险数据模型建立单元包括时间序列模块；

时间序列模块用于对历史风险数据进行分析和归类，并建立风险模型，预测未来在建工程安全风险，例如，在建筑工地处于建设阶段时间轴上不同时点时，可以通过大数据技术收集和分析类似项目的历史数据，以判断在这个时间段内可能出现的事故类型并排序，从而提前部署相应安全措施和设备，强化某一方面的管理工作等。

综上，本发明通过大数据采集建筑事故风险单元对在建工程安全事故隐患信息的收集获取，并将数据统一上传至数据库内，为以后的风险数据模型建立单元做好风险溯源数据的存储，由于大数据采集建筑事故风险单元采集的数据较多，为了筛选出有用的数据信息，需要通过风险挖掘数据特征提取处理单元对数据库的数据进行分析与归类，挖掘出具有潜在风险的事故隐患，由于不明确什么情况下的事故隐患会对在建工程安全产生影响，因此需要通过数据对比模块进行分析和统计，得出在建工程实时安全风险等级，此时可通过风险预测模块对风险进行预测；

具体的，风险预测模块采用多元线性回归模型，用于对在建工程安全风险的预测，表达式为：

Y＝β0+β1*X1+β2*X2+…+βn*Xn+ε

其中，Y是因变量，X1、X2、…、Xn是自变量，β0、β1、β2、…、βn是模型的系数，ε是误差项；

在在建工程安全风险预测中，可以选取与在建工程安全风险有关的自变量作为输入，例如各种等级事故隐患的数量等，使用多元线性回归模型进行分析建模，从而得到在建工程安全风险的预测结果。

例如，我们可以收集到一系列已经发生过事故的建筑，记录每个在建工程属性及其对应的事故数据，例如事故类型、直接原因、间接原因、人员伤亡、财产损失等，由大数据推荐算法等确定各种事故类型中隐患的等级等后，建立多元线性回归模型，各种不同等级的隐患数量作为自变量X1、X2…、Xn，具有统计规律性的在建工程安全风险作为因变量Y，其中，β0、β1、β2、β3、…、βn分别是截距和四个自变量的系数，误差项ε是由于其他未考虑的因素导致的不可避免的随机误差；

我们可以使用历史数据训练该模型，并得到如下的系数值：β0＝81.28，β1＝-2.66，β2＝-0.71，β3＝-0.364，β4＝-0.006；现场识别并通过特征模块确定后，各级事故隐患的数量分别为X

预测结果包括以下状态：

状态一：当安全度量的数值低于风险控制值S1时，此时在建项目现场存在重大风险，在建工程应立即采取全面停工进行整改，消除重大事故隐患以降低在建工程安全风险；

状态二：当安全度量的数值低于风险控制值S2时，此时在建项目现场存在较大风险，在建工程应立即采取局部停工进行整改，消除或减弱重大事故隐患以降低在建工程安全风险；

状态三：当安全度量的数值低于风险控制值S3时，此时在建项目现场存在一般风险，在建工程应采取限期整改措施；

状态四：当安全度量的数值低于风险控制值S4时，此时在建项目现场存在轻微风险，在建工程应继续保持。

上述各值的关系为：S1

并通过工程安全计算与预警单元将风险信息发送给建筑现场的风险事故负责人，使其对风险事故进行预防，减少风险事故的发生。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。