人工智能技術在施工升降機事故中的應用分析

周貴華

（廣州科技應用學院<原廣州大學松田學院> 廣東 廣州 511370）

1 引言

隨著人工智能技術的發展、應用，其已深入生活、工作的各個方面，本文分析了市級安全生產監督管理局通過相應的實時系統平臺，對城市高層建筑項目中施工升降機工作過程進行監管。監管的最終目的是減少施工升降機運行時造成的事故，并在真正有事故出現時能迅速反應，避免更多的傷亡。現在計劃在原有的監控系統平臺增加人工智能技術應用模塊，一是加強對施工升降機運行的監控；二是對監控獲取的實時數據的智能化分析、建模，并最終得出結論，使實時監控系統平臺響應更快、更加精確。加強監控主要是改進對升降機的攝像頭拍攝的視頻圖片的分析與處理，即用機器視覺的相關算法更快識別升降機在運行時的人數、材料等信息。對監控得到的實時數據進行處理，則是使用機器學習算法對實時數據進行分析、建模，這可以使我們能從海量的實時數據中更快、更精確地監控施工升降機運行時狀況。如果對現有升降機實時監控管理系統進行人工智能技術的改進，就可以更好地減少升降機事故的發生，在一定程度上還可以預防升降機事故發生。

根據以往的施工升降機在運行中的情況分析，升降機常見事故分別有吊籠墜落事故、吊籠沖頂或蹲底事故、高空墜落事故[1]。吊籠墜落事故：主要由于施工升降機與吊籠聯接裝置斷裂損壞、制動與鎖定裝置失效所引起的事故；主要體現是吊籠失重，吊籠下降速度出現超過標準速度最大值。吊籠沖頂或蹲底事故：主要是在施工升降機運作的過程中，升降機無法安全停止，這樣就導致了吊籠沖頂和蹲底事故的發生；主要體現是監控吊籠高度的傳感器高于或低于升降機最高和最低的標準值。高空墜落事故：主要由于施工升降機在運作過程前后門、樓層門沒有關緊，施工人員或原材料跌入升降機井道，造成傷亡的事故。

2 實時數據問題與分析

施工升降機實時數據是從監控管理系統平臺獲取的一手數據，但這些數據顯示在監控屏幕中有很大的問題：首先，全市有上萬臺施工升降機，監控屏幕無法將這些升降機的數據詳細的顯示在監控屏幕上。其次，這些施工升降機每秒產生的實時數據起碼有上萬條，哪些升降機有問題，發出警報信息，監控人員無法第一時間全部在監控屏幕中分辨出來，而且這些數據很快會被后面傳輸的正常數據覆蓋。如果要避免這些問題就需要運用人工智能技術，增加可以智能分析、建模的預測模塊，智能地分類判別有問題的實時數據的具體情況，簡化監控人員的工作。

使用人工智能技術進行分析、建模，就需要分析具體實時數據的情況。實時數據包括：升降機的工作平臺識別碼，所有監控傳感器的運行狀態數據，傳感器的具體監控數據，門控狀態數據；具體分平臺識別碼，人數、載重、速度、高度、樓層、傾角、風速數據，以及狀態報警、傳感器故障、門控當前狀態等數據。

施工升降機運行時會將這些數據整合，并分成注冊數據幀、狀態數據幀、實時數據幀，發送到監控管理系統平臺中，由系統平臺將這些數據實時顯示在屏幕中。對于升降機的狀態數據以及實時數據歸納分析，我們可以將這些數據分成3類：正常運行數據、安全隱患數據、事故數據。

第1種是正常的升降機運行數據，這種數據每天都會作為歷史數據批量整合保存在備份服務器中。

第2種是有安全隱患的數據。這種數據是表明升降機在運作過程中的預警信息，如果連續出現很有可能就是施工升降機在工作過程中出現事故前期信息，如果市監局頻繁監控到這種有安全隱患的數據，就會勒令該工地的負責人立即停止或者通過遠程控制停止該施工升降機的異常運作，等待維護人員來對升降機的檢查與維護，直到審查合格了才允許解開鎖定繼續運行。而這種安全隱患數據主要是指施工升降機在運行時出現報警信息，而對應的傳感器也發出故障信息的同時升降機還在運作。此時雖然沒有出現事故，但已經構成施工升降運行的安全隱患，安監局在監控到這種數據時就會立即存儲備份，以備將來查詢、統計。

第3種是發生了事故的數據，即當監控平臺監控出這種數據時，工地的施工升降機已經出事故了，此時需要通知各部門開展救援工作，這類數據也需要立即存儲備份，以備以后分析、統計。而這種數據可以從施工升降機實時監控的數據情況進行初步判定：如吊籠墜落事故主要因為施工升降機的吊籠速度超過最大安全速度，升降機內部的重量傳感器也已經處于失重狀態；吊籠沖頂或蹲底事故要從樓層報警信息和速度信息中判定，即出現極限限位報警信息，同時升降機還有速度或者升降機高度傳感器的值，已經高出最高樓層限位器或低于最低限位器的值，這就說明出現吊籠沖頂或蹲底事故；高空墜落事故產生的起因主要是門控對應的傳感器出現故障或有門控的報警信息，而且升降機還有速度，即升降機門沒關好，就開始運行，運行時出現物資或人員墜落事件；又或者門控對應的傳感器出現故障或有門控的報警信息，并且出現樓層報警信息，即升降機門沒關好，而且停止非樓層所在位置時物資或人員墜落事件。

3 人工智能技術模塊的工作原理與效果

施工升降機實時監控管理系統平臺增加人工智能技術隨機森林算法[2]模塊，是為了提升判別異常的升降機數據的準確率；同時也會自動挑選升降機信息，顯示在監控屏幕中。

隨機森林算法是屬于人工智能技術中機器學習的一種算法，它可以通過訓練樣本數據建立模型，并得出預測結果。以隨機森林算法對所收集施工升降機實時監控管理系統平臺中的前一天監控得到的數據進行建模，為系統增加一個集成隨機森林的施工升降機事故預測模塊。下面是以一個預測分析的例子講解隨機森林的預測的工作原理。

例：施工升降機事故預測的分析與研究使用的訓練集有以下5個特征：第1個特征是速度，分別是有速度與無速度；第2個特征是傳感器故障信息，有發送相應傳感器故障信息和無故障信息；第3個特征是報警信息，分別為有傳感器警報信息和無警報；第4個特征是門控當前狀態信息，打開和關閉；第5個則是最終根據以上數據得到的施工升降機的狀態分類，分別是安全隱患、事故、正常。

隨機森林是利用某一條監控的實時數據，從速度、傳感器故障信息、報警信息、門控當前狀態信息共4個字段來預測升降機狀態類型，即如下情況。

施工升降機狀態類型：事故、安全隱患、正常。

隨機森林中每一棵決策樹[3]若將他們看作是一棵分類回歸樹，這里假設森林中有4棵分類回歸樹，總特征個數M=4，取m=1，見表1、表2、表3、表4。

表1 分類回歸樹1：速度 單位：%

如果要預測的新的一條監控的實時數據內容如下：（1）速度：9.4 m/min；（2）傳感器故障信息：192；（3）報警信息：256；（4）門控當前狀態信息：2。

根據這4棵分類回歸樹的分類結果，可以針對這條監控的實時數據建立升降機狀態類型的分布情況，見表5。

表5 升降機狀態類型的分布情況 單位：%

最后，得出結論這一條監控的實時數據特征17.5%是事故，大約49%為安全隱患，33.5%為正常，所以最終投票認定該升降機屬于安全隱患狀態類型。

增加了預測模塊的實時監控系統平臺，匯總分析前一天的施工升降機運行的實時數據，主要事故數據和安全隱患數據緊密關聯的數據項：速度、報警信息、傳感器故障信息、門控當前狀態信息這幾項有關的數據。用這幾項數據，擬定為隨機森林算法模塊的訓練樣本，訓練樣本數據模板見表6。

表6 訓練樣本數據表

進行分析預測施工升降機的運行狀態，每次構建的模型分類準確率達到95%以上，訓練期與預測期得到的模擬值與實測值變化趨勢一致，預測精度較高。增加這個功能模塊的實時監控系統平臺達到了預期的結果。

4 結語

在本文施工升降機的實時監控系統平臺中，加入了人工智能技術的應用，即隨機森林模塊對實時數據進行分析、建模輸出結論，能幫助安全監管人員更好地處理升降機的情況。施工升降機在工作中出現事故的原因有很多種，針對實際不同的情況還需要收集更多不同類型的數據項，其中包含傾角、風速等信息，除此還可增加其他人工智能技術，用來分辨施工人員的行為習慣是否會出現安全隱患，這樣監控系統平臺才可以更全面、更有效地預警，最大可能避免安全事故的發生。最后，在施工升降機運行期間，還需要加強安全生產管理與教育，嚴格按照國家的標準對施工升降機進行安裝、拆卸、維護保養，做好每一次安全防護檢查。