考慮安全風險的建筑工人運動風格刻畫方法

段品生，周建亮，范麗萍

(中國礦業大學 力學與土木工程學院，江蘇 徐州 221116)

建筑工作環境由場地和資源(工人、材料和設備等)組成，由于不同環境之間存在大量動態相互作用，并由此導致了眾多與安全相關的未遂事件(如不安全行為等)[1]。這些事件背后的最主要原因是工人的冒險行為，減少這一事件發生的最有效方法之一是監測工人的運動[2]。由于工人的運動軌跡是其在現場規避危險位置的結果，而不同工人之間的差異會導致軌跡出現多樣化(如選擇繞路和不繞路等)。已有研究表明建筑工人個體對風險的態度對其在現場的運動軌跡有重要影響[3]。因此，關注工人獨特的運動狀態，對充分挖掘并記錄建筑工人現場未遂事件，從外部客觀條件下探究工人的安全風險偏好，促進工人的差異化、適應性安全矯正等具有重要意義。在考慮安全風險的情況下，基于工人的施工運動軌跡刻畫其個性化的運動風格。在本文中，運動風格指的是建筑工人與施工現場危險區域交互時所具有或傾向的獨特的運動方式。通過分析不同工人的個性化運動風格，挖掘不同工人的行為模式，有助于分清安全管理重點并更有效地分配安全資源[4-5]。之前的研究在基于建筑工人的軌跡特征進行安全管理等方面做了大量工作。YANG 等[6]通過研究發現，由于同行業工人所占據的工作區域相同，因此他們的運動特征存在相似性，并提出利用工人的歷史運動模式預測下一步運動的思路。在此基礎上，DONG 等[7]提出了融合運動模式的碰撞監測方法。而為了識別工人在危險區停留時的運動情況，ARSLAN 等[8]定義了4 種隱藏狀態：短步長少轉向，短步長多轉向，長步長少轉向，長步長多轉向，這為挖掘工人運行軌跡中的行為模式提供了重要參考。此外，方偉立等[9]提出了基于工人運動軌跡的工人不安全行為自動預測與跟蹤方法，有助于促進利用計算機視覺進行安全管理的實踐。然而，之前的研究對運動模式的研究局限于對個人在施工過程中方向變化等的基本統計分析，缺少從工人與風險區域之間的交互情況出發，進一步挖掘工人軌跡中隱含安全信息并刻畫獨特運動風格的研究。鑒于此，提出一種考慮安全風險的建筑工人運動風格刻畫方法。通過采集建筑工人在工程現場運動軌跡與危險區域之間的交互特征，搭建區間二型模糊系統利用規則刻畫差異化的運動風格，為豐富基于工人的適應性安全管理，促進工人差異化安全矯正提供理論與實踐參考。

1 研究框架

考慮安全風險的建筑工人運動風格刻畫方法研究主要分為包括數據采集和運動風格刻畫2個部分，基本框架如圖1所示。首先，采集多名建筑工人在施工現場工作時的行為軌跡，經過數據清洗(包括軌跡填充、軌跡去噪和軌跡分割)得到符合風格刻畫要求的軌跡數據。通過問卷調查的方式采集多專家的個人經驗用于規則庫的建立。其次，根據實際的施工場景識別施工現場多種類型的危險源，并通過工人個人軌跡與危險區域的交互方式獲得安全相關的軌跡特征(包括風險區接近速度，風險區停留時間和風險區接近距離)。之后，利用多屬性專家決策選擇較優的專家規則建立規則庫，并據此搭建區間二型模糊系統用于風格刻畫。導入特征參數獲得考慮安全風險的工人運動風格。最后，為驗證所提方法，在某實際施工現場采集原始數據并推測工人的運動風格。利用高斯混合模型對計算的特征數據進行聚類，通過對比推測結果與聚類結果驗證所提方法的合理性。

圖1 研究基本框架Fig.1 Basic research framework

2 建筑工人運動風格刻畫方法

2.1 軌跡數據采集

本研究采用廣泛使用的智能手機采集工人的軌跡數據。之前研究已經表明利用智能手機可以用于施工中工人行為軌跡數據的采集與分析[3]。然而，由于目前手機上廣泛采用的GPS 定位在遇到高樓、上方遮擋等情況下會出現記錄中斷等情況。因此，在利用采集到的數據進行計算之前，需要進行預處理，在本研究中主要包括軌跡填充，軌跡去噪及軌跡分割3個部分。

1) 軌跡填充。根據之前的研究，如果在采集的原始軌跡中相鄰數據點間隔小于10 s，則采用直線自動補償丟失部分，補償的數據點均勻分布在直線上[10]。若相鄰間隔大于10 s，則向建筑工人咨詢在缺失片段中的歷史施工軌跡信息或直接棄用該條軌跡。

2) 軌跡去噪。針對施工現場過多金屬材料導致信號干擾等情況，采用卡爾曼濾波算法過濾掉軌跡數據中偏離的GPS 數據點，并重新生成符合歷史軌跡特征的軌跡點。卡爾曼濾波算法的計算流程可以參考文獻[11]。

3) 軌跡分割。工人在施工之前開啟GPS 數據采集，在工作結束后關閉采集。這導致采集的軌跡數據中可能包括非工作時間數據而影響參數提取。因此數據分割的首先是劃分上班時間和非上班時間，從去噪之后的軌跡中提取處于工作時間的軌跡點。之后從中隨機分割出1 h 的數據用于特征參數的提取。

此外，還需要通過對專家進行調查獲取軌跡特征參數與運動風格之間的知識規則，該知識規則主要用于構建風格刻畫模型，將在后面的章節中闡述。

2.2 軌跡特征參數提取

分析建筑工人行為軌跡與危險區域的交互情況提取特征參數以刻畫其運動風格。根據現場實地調研并結合文獻[7,12]，施工現場危險區域可以劃分為2種類型：面危險區域與點危險區域，如圖2 所示。每個危險源的周圍會存在一定的風險區，距離危險源越近，則發生安全事故的可能性越高[13]。按照與危險源的接近程度，可以在危險源外圍劃分不同的風險區域，包括危險區與緩沖區。若存在2 個或2 個以上緩沖區、危險區疊加，或者危險區與風險區疊加的區域，將統一視為一個危險區，如圖2所示。疊加風險區域與工人的施工軌跡，可以計算出能反映工人軌跡安全情況的特征參數。

圖2 特征參數提取示意圖Fig.2 Diagram of feature parameter extraction

最終選擇的特征參數包括風險區接近速度[1,4,8,14]、風險區停留時間[8,12,14]、風險區接近距離[1,12,14-16]。從風險的角度出發，嚴重性、概率和暴露量綜合決定了工人安全風險大小[12]。風險區接近速度反映了工人在危險源附近發生事故的嚴重程度。工人在風險區的運動速度越快，自身動能越大，則發生碰撞，墜落等事故時，對工人自身的傷害就越大。風險區停留時間刻畫了工人暴露在安全風險下的可能性。其他條件相同的情況下，在風險區暴露時間越長，與風險要素發生接觸導致事故的可能性則越大。在本研究中，按照緩沖區邊界計算位于其中的軌跡點平均速度和平均時間得到上述2個特征參數值。風險區接近距離反映了工人安全風險的暴露程度。基于現有研究，隨著工人與危險源之間距離的減小，其危險暴露程度將呈指數級增加[1]。在本研究中，若工人同時鄰近多個危險源，以距離危險源的最小距離作為風險區接近距離，直接通過計算軌跡點與代表危險源的多邊形質心之間的距離獲得。

2.3 運動風格刻畫

通過建立基于專家規則的區間二型模糊系統刻畫建筑工人獨特的運動風格。ZEDEH[17]在1975年提出將傳統模糊集中的隸屬度函數拓展為一型模糊集(Type-1 Fuzzy Sets,T1 FSs)，并在此次基礎上提出了二型模糊集的概念。受到二型模糊集的高計算量的限制，區間二型模糊集(Interval Type-2 Fuzzy Sets,IT2 FSs)及由此行成的區間二型模糊系統在實際決策中的應用更加廣泛[18]。相比于其他的刻畫方法(如一型模糊系統和神經網絡模型等)，區間二型模糊系統更能恰當地處理語義表達的不確定性和個體間的不確定性，且該模型具有出色的逼近能力和可解釋性，有助于增加對客觀世界不確定性的處理和刻畫能力。

2.3.1 區間二型模糊集

定義1.1 在論域X內，二型模糊集可以表示為：

式中：x為主要變量，域為X。u為次要變量，域為Jx?[0,1]。其中Jx稱為第1 隸屬度，(x，u)為第2隸屬度。若(x，u)=1，則稱為區間二型模糊集。因此，可以將區間二型模糊集看作是二型模糊集的一個特例。

本文使用廣泛采用的梯形區間二型模糊集進行系統建模，該類型模糊數定義如下。

所提運動風格刻畫方法有3個輸入特征，分別揭示了建筑工人的在工作狀態下的風險偏好。輸出的參數為建筑工人的3種運動風格，為合理區分不同類別的工人運動狀況，選擇劃分為謹慎型，正常型和冒險型3種風格。通過對原始數據的描述性統計分析(考慮分位數，最大值，最小值，平均數及標準差)，參考文獻[8]或者取均勻分布參數，可以確定各輸入特征的梯形區間二型模糊集參數，見表1。其中，對于風險區接近速度，參考建筑工人施工時的平均最大行走速度為1.5～1.6 m/s 確定參數；停留時間及接近距離基于現場預實驗中的數據分布模式確定參數。

表1 輸入特征的梯形區間模糊集參數Table 1 Trapezoidal interval fuzzy set parameters of input features

2.3.2 區間二型模糊系統

只要一個模糊系統中使用了至少一個區間二型模糊集,那么該模糊系統就稱為區間二型模糊系統(Interval Type-2 Fuzzy Logic System,IT2FLS)，其基本結構如圖3 所示[19]。首先計算輸入特征參數的隸屬度區間，即區間二型模糊集，在此基礎上進行模糊推理。經過降階器轉化為一型模糊集(T1 FSs)，去模糊化之后得的相應的運動風格，其具體流程可參考文獻[19-20]。

圖3 區間二型模糊系統Fig.3 Interval type-2 fuzzy logic system

在該系統中，一個合適的規則庫對提高模糊推理效果至關重要。本研究中采用專家經驗方法推斷建筑工人的運動風格。考慮建立的一個具有N條規則的規則庫中，該規則庫中的每條規則都具有如下形式。

Rn：如果x1為X1n，并且…并且Xi為Xin，那么y為Yn,n=1,2,3,…,N。

其中：Xin(i=1,2,3)為區間二型模糊集，是計算處理得到的運動風格特征參數；Yn是一個常數，即由參數特征所決定的運動風格，該風格由專家基于自身工程經驗判斷。本研究中，所有參數組合形成的規則共包括N=5×3×3=45 條。為提高專家判斷的效率和準確性，采用語言的方式建立專家規則，專家直接描述出在某參數特征組合下的建筑工人的運動風格，該風格為語言變量。

2.3.3 多屬性決策

基于多屬性決策理論，利用專家經驗綜合多個屬性(即因子指標)刻畫建筑工人的運動風格。該決策的目的是擇優建立運動風格刻畫規則庫，每位專家均需要針對自己的工程經驗建立規則集，通過多屬性決策從多位專家的決策結果中選擇最優決策設定規則。由于用于衡量建筑工人安全運動風格的不同屬性之間存在一定的相關性，即工人在危險區行走速度、停留時間、接近度可能相互影響。因此，參考之前的相關研究[21]，本文選用語言Heronian 平均算子選擇最優決策。該算子的基本定義如下所示。

定義1.3 若ai(i=1,2,3,…,n)是一組語言術語，ω=(ω1，ω2，…，ωn)為ai的權重向量，滿足ωi,p,q,r≥ 0，，若滿足：

3 實證及結果

3.1 數據采集

為提高軌跡定位的準確性，本研究選擇在某處于地基基礎施工階段的項目工地采集建筑工人的軌跡數據，施工現場如圖4(a)所示。經過測試篩選，篩除軌跡過短的片段后，最終選擇采集到的12 段現場工人的軌跡數據進行驗證，這12 位工人均為男性，所屬工種包括木工、外架工、鋼筋工和雜工4 種，每個工種3 人。首先進行軌跡數據預處理，其中工人的工作時間為13:00—19:00。得到的最終的軌跡數據基本信息見表2。此外，對相關工程安全管理人員進行訪談，收集他們對于運動風格的建議。所涉及專家均為具有豐富現場安全經驗的管理人員，平均年齡為46.20 歲，平均工作年限為21.40 a，最長工作時間為34 a。最終共采集到5份結果用于構建規則庫，每位專家針對每條規則以語義形式給出自己的判斷意見。

表2 基本軌跡信息統計Table 2 Basic track information statistics

圖4 施工現場場地布局Fig.4 Site layout of a construction site

結合前文所提的施工現場危險區域確定方法，根據該現場的主要危險源劃分危險區域。基于實際調研情況，該施工現場存在的主要危險源主要包括中央基坑，四周的在建建筑以及分布的4個塔吊。其中，基坑和4個在建建筑可看作為面危險區域，而4 個塔吊可視為點危險區域。參考文獻[12-13,22]及施工管理人員意見，選擇面危險源邊緣向外0.5 m，塔吊實際工作半徑作為危險區；面危險源邊緣向外3 m，塔吊實際工作半徑向外6 m作為緩沖區，如圖4(b)和圖4(c)所示。

3.2 特征數據計算

疊加工人的行走軌跡與施工現場的風險區域分布，計算每條輸入軌跡的特征參數，如圖5 所示。從表2中可以看出預處理后的軌跡時長存在差異，為合理衡量工人的參數方便比較，首先利用預處理后的軌跡數據計算出對應的特征參數，之后以1 h 為基準修正為1 h 內的特征參數數據。其中，速度及接近距離參數直接采用預處理計算的特征結果，需要修正的參數為風險區域內停留時間，計算并修正出的最終特征參數見表3。

表3 軌跡特征參數及運動風格Table 3 Feature parameters and movement style of trajectories

圖5 所有工人軌跡與風險區域疊加圖Fig.5 Superposition diagram of all workers’ tracks and risk area

3.3 運動風格刻畫

分析采集到訪談意見并構建區間二型模糊系統規則庫。基于多屬性決策理論利用語言Heronian平均算子選擇最優決策。其中算子參數p，q，r不妨取值為1，各專家之間相互獨立，取為等權重，均為1/5。經過對比評優，最終選擇第4 位專家的意見建立相應的規則庫。之后，將規則庫導入區間二型模糊系統，結合已構建的梯形區間模糊集參數體系，刻畫工人的運動風格，得到的最終運動風格刻畫結果見表3。此外，為驗證該結果的合理性，同時采用高斯混合模型(Gaussian mixture model，GMM)聚類方法結合人工判斷，獲得每組軌跡的風格類別，并與IT2FLS 的計算結果進行對比，結果見圖6 和表3 最后一列。對比兩者的計算結果，12位工人的風格刻畫結果基本相同，僅在6號工人的風格判斷上存在不一致。因此，從數據層面上看，所提的基于專家知識所刻畫的建筑工人運動模式是合理的。進一步地，分析工人的特征參數，可以看出不同工人和工種之間的特征參數存在差異，相較于其他風格的工人，具有冒險型運動風格的工人在危險區內停留時間較長，且距離危險源較近。在考慮工種的情況下，從特征參數的分布上看，同一工種下部分工人的運動風格也存在一定差異，如木工1，2 和3 之間等。此外，不同工種的工人個體之間的運動風格存在一定的差異性，并不完全一致。但相對而言，受工作環境等因素的影響，與其他工種相比，同一工種下工人的風格特征參數更加接近。

圖6 基于高斯混合模型的點聚類Fig.6 Point clustering based on GMM

結合不同的運動風格，可以從3個層次干預工人行為并制定差異化矯正策略。首先，以全體建筑工人為對象，對工人的日常施工行為進行傳統干預，如定期組織安全教育等。其次，針對不同運動風格的工人分組執行行為干預，如提高培訓次數，安排專人監管等。基于刻畫結果，具有冒險型運動風格的工人將是分組行為干預的重點。最后，還需要對冒險型工人中顯著的高風險工人作重點控制，如工人2 和3 在風險區的暴露時間接近于3 600 s，聚集于聚類圖的左下角。因此，這兩位工人需要在后面的施工中調整其在施工現場的運動狀態。若受客觀工作任務限制而難以實現，則需要對其行為作個性化重點監控。

4 結論

1) 考慮工人軌跡與風險區域的交互情況，建立了包括風險區接近速度、風險區停留時間、風險區接近距離3種建筑工人運動風格刻畫的特征參數，為豐富基于軌跡的建筑工人行為矯正體系提供了參考。

2) 利用專家意見及多屬性決策搭建規則庫，基于區間二型模糊系統建立考慮安全風險的建筑工人運動風格刻畫方法，并通過現場實驗驗證了所提方法的合理性和可行性。所提方法有助于篩選建筑工程(如房建、地鐵、隧道等)施工中的安全管理重點對象，合理分配安全資源，實現差異化、適應性安全管理。

3) 在多屬性專家決策時未考慮不同專家背景經驗的差異，未來的研究可以建立更加完善的規則庫以提高風格刻畫的合理性。此外，從研究結果上看，不同的場地危險源分布特征，同一工種下不同工人存在較大的差異特征，這些方面值得未來的進一步研究。