施工现场火灾风险等级的预测方法、装置和设备与流程

1.本公开涉及火灾风险评估技术领域，尤其涉及一种施工现场火灾风险等级的预测方法、装置和设备。


背景技术：

2.施工现场的易燃易爆物品较多，且施工现场存在明火作业等施工情况，一旦明火接触摆放的易燃物品，便会引起火灾，造成不可逆转的损失，因此，如何对施工现场的火灾风险等级进行准确的预测是本领域技术人员亟待解决的技术问题。


技术实现要素：

3.有鉴于此，本公开提出了一种施工现场火灾风险等级的预测方法、装置、设备和存储介质，可以准确地预测施工现场的火灾风险等级。
4.根据本公开的第一方面，提供了一种施工现场火灾风险等级的预测方法，包括：
5.获取施工现场的火灾风险指标的指标值；
6.根据所述指标值，采用预先构建的火灾风险程度预测模型，得到所述施工现场的火灾风险等级；所述火灾风险程度预测模型反映所述指标值与所述火灾风险等级之间的映射关系；
7.其中，所述火灾风险指标包括施工作业人员指标、施工状态指标和施工环境指标中的至少一种。
8.在一种可能的实现方式中，所述施工作业人员指标包括：专业程度、工作年限、违规操作次数、是否经过专业培训和作业人员数量中的至少一种；
9.所述施工状态指标包括：施工作业人员是否处于操作范围和设定物品是否符合摆放标准中的至少一种；
10.所述施工环境指标包括：作业时间、湿度、温度、风速和降水量中的至少一种。
11.在一种可能的实现方式中，在获取所述施工作业人员指标的指标值时，基于施工作业人员信息和预设的赋值信息实现；
12.在获取所述施工状态指标的指标值时，基于图像识别实现；
13.在获取所述施工环境指标的指标值时，基于环境监测设备实现。
14.在一种可能的实现方式中，所述火灾风险程度预测模型是基于多层前馈神经网络模型构建。
15.在一种可能的实现方式中，在构建所述火灾风险程度预测模型时，包括：
16.基于所述火灾风险指标的历史指标值和对应的火灾风险等级，构建训练数据；
17.配置基础多层前馈神经网络模型；
18.基于所述训练数据，对所述基础多层前馈神经网络模型进行训练，得到所述火灾风险程度预测模型。
19.在一种可能的实现方式中，所配置的所述基础多层前馈神经网络模型包括：输入
层、隐含层和输出层；其中，所述隐含层神经元的个数为5。
20.在一种可能的实现方式中，在获取施工现场的火灾风险指标的指标值之后，还包括对所述指标值进行归一化处理的操作。
21.根据本公开的第二方面，提供了一种施工现场火灾风险等级的预测装置，包括：
22.指标值获取模块，用于获取施工现场的火灾风险指标的指标值；
23.风险等级确定模块，用于根据所述指标值，采用预先构建的火灾风险程度预测模型，得到所述施工现场的火灾风险等级；所述火灾风险程度预测模型反映所述指标值与所述火灾风险等级之间的映射关系；
24.其中，所述火灾风险指标包括施工作业人员指标、施工状态指标和施工环境指标中的至少一种。
25.根据本公开的第三方面，提供了一种施工现场火灾风险等级的预测设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行本公开第一方面所述的方法。
26.根据本公开的第四方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现本公开第一方面所述的方法。
27.在本公开中，综合考虑施工作业人员指标、施工状态指标和施工环境指标等多种火灾风险指标，对施工现场的火灾风险等级进行预测，进而提高了火灾风险等级预测的准确性。
28.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
29.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
30.图1示出根据本公开一实施例的施工现场火灾风险等级的预测方法的示意性流程图；
31.图2示出根据本公开一实施例的施工现场火灾风险等级的预测装置的示意性框图；
32.图3示出根据本公开一实施例的施工现场火灾风险等级的预测设备的示意性框图。
具体实施方式
33.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
34.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
35.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。
本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
36.《方法实施例》
37.图1示出根据本公开一实施例的施工现场火灾风险等级的预测方法的示意性流程图。如图1所示，该方法包括步骤s1100-s1200。
38.s1100，获取施工现场的火灾风险指标的指标值。
39.火灾风险指标即可以影响火灾风险等级的可量化指标。其中，该火灾风险指标包括施工作业人员指标、施工状态指标和施工环境指标中的至少一种。
40.在确定该火灾风险指标时，可以通过对施工现场设定时间范围内发生的火灾案例进行事故分析来实现。其中，该火灾案例可以是设定时间范围内发生的所有火灾案例，也可以是在所有火灾案例中选取的典型火灾案例，在此不作具体限定。
41.例如，施工现场在2017年-2021年共计发生了50起火灾案例，可以从50起火灾案例中选取出30起典型火灾案例进行事故分析，进而确定该施工现场的火灾风险指标。
42.在一种可能的实现方式中，在对施工现场设定时间范围内发生的火灾案例进行事故分析来，确定该火灾风险指标时，可以包括以下步骤：
43.第一，对每起火灾案例的起火原因进行分析。
44.在对每起火灾案例的起火原因进行分析后，可以按照表1的方式记录分析结果。
45.表1
[0046][0047]
第二，对所有的起火原因进行致因分析，得到引起施工现场火灾的不安全因素以及不安全因素的起因。
[0048]
例如，对表1中的起火原因进行致因分析可知，这些火灾案例基本上是由施工作业人员违规操作引燃可燃物引起的，因此，可以将施工作业人员的不安全行为作为一种引起施工现场火灾的不安全因素。经过进一步分析可知，不安全行为的发生主要是由于施工作业人员年龄偏大(一般在30-50岁间)、文化水平低、安全知识薄弱、安全风险保护意识差以及对一些安全隐患视而不见引起的。
[0049]
在另外一些实施例中，在对起火原因进行致因分析后可知，不安全地施工状态以
及不安全的施工环境也是引起施工现场火灾的不安全因素。其中，不安全地施工状态由施工作业人员未在标准的操作范围内操作和可燃易燃性施工物品的堆放不合标准而引起的。不安全的施工环境是由作业时间、湿度、温度、风速和降水量引起的。
[0050]
第三，根据不安全因素的起因确定可量化指标，并将可量化指标作为对应的火灾风险指标。
[0051]
例如，针对施工作业人员的不安全行为的起因，可以选取专业程度、工作年限、违规操作次数、是否经过专业培训和作业人员数量中的至少一种可量化指标作为施工作业人员指标。
[0052]
又如，针对不安全地施工状态的起因，可以选取施工作业人员是否处于操作范围和设定物品是否符合摆放标准中的至少一种可量化指标作为施工状态指标。其中，操作范围和摆放标准可以根据具体应用场景进行设定。设定物品为可燃易燃性的施工物品，例如，可以是装修建筑用的油漆、油毡、木材以及其它建筑装饰用品，还可以是具有一定木质可燃性的脚手架，在此不作具体限定。
[0053]
再如，针对不安全的施工环境的起因，可以选取作业时间、湿度、温度、风速和降水量中的至少一种可量化指标作为施工环境指标。
[0054]
在进行施工之前，先对参与施工作业的人员信息进行统计，得到施工作业人员信息，并将该施工作业人员信息存储到员工数据库中。其中，施工作业人员信息可以包括每个施工作业人员的姓名、专业程度评价、工作年限、违规操作次数、是否经过专业培训等个人信息以及作业人员数量。
[0055]
在一种可能的实现方式中，施工作业人员的专业程度评价是通过专业测试得到的。例如，施工作业人员的专业测试成绩为85分，则该施工作业人员的专业程度评价为85。
[0056]
作业人员数量大于2个实施例中，在获取专业程度指标的指标值时包括：获取每个施工作业人员的姓名；根据姓名获取每个施工作业人员的专业程度评价；根据所有专业程度评价，计算专业程度指标的指标值。例如，可以将所有专业程度评价的平均值作为专业程度指标的指标值。参照专业程度指标的指标值获取方法可以获取到工作年限、违规操作次数指标的指标值，在此不再赘述。
[0057]
在施工作业人员信息中是否经过专业培训的记录信息为是或者否，为了获取是否经过专业培训指标的指标值，还预先设置了与该指标匹配的第一赋值信息，该第一赋值信息可以如表2所示。这样，在获取经过专业培训指标的指标值时，可以：获取每个施工作业人员的姓名；根据姓名获取每个施工作业人员是否经过专业培训的记录信息；根据每个施工作业人员是否经过专业培训的记录信息和表2，确定每个施工作业人员是否经过专业培训的指标分值；根据得到的所有指标分值计算是否经过专业培训指标的指标值。例如，可以将所有指标分值的平均值作为是否经过专业培训指标的指标值，也可以将所有指标分值的和作为是否经过专业培训指标的指标值，在此不作具体限定。
[0058]
表2
[0059][0060]
在一种可能的实现方式中，施工作业人员的专业程度评价的记录信息为无经验、
有一定经验和经验丰富中的任意一种，此时，为了获取专业程度指标的指标值，还预先设置了与该指标匹配的第二赋值信息，该第二赋值信息可以如表3所示。这样，就可参照是否经过专业培训指标的指标值获取方法获取专业程度指标的指标值。
[0061]
表3
[0062][0063]
在一种可能的实现方式中，还预先设置了与作业人员数量指标匹配的第三赋值信息，其中，该第三赋值信息可以如表4所示，这样，在获取作业人员数量指标的指标值时，可以根据作业人员数量和表4获取作业人员数量指标的指标值。例如，作业人员数量为2人，则可以将指标分值1作为作业人员数量指标的指标值。
[0064]
表4
[0065][0066]
在一种可能的实现方式中，为了获取施工状态指标的指标值，先根据预先设定的施工标准在施工现场设置标准操作范围警戒线和设定物品标准摆放警戒线。再通过安装在施工现场的摄像装置获取反映施工状态的图像。最后基于图像识别技术获取施工状态指标的指标值。
[0067]
例如，在获取施工作业人员是否处于操作范围指标的指标值时，包括：获取反映施工状态的图像，基于图像识别技术判断图像中的施工作业人员是否处于标准操作范围警戒线内：在处于标准操作范围警戒线内时，可以将设定的第一数值，例如，1，作为施工作业人员是否处于操作范围指标的指标值；在未处于标准操作范围警戒线时，可以将设定的第二数值，例如，2，作为施工作业人员是否处于操作范围指标的指标值。
[0068]
又如，在获取设定物品是否符合摆放标准指标的指标值时，包括：获取反映施工状态的图像，基于图像识别技术判断图像中的设定物品是否处于设定物品标准摆放警戒线内：在处于设定物品标准摆放警戒线内时，可以将设定的第三数值，作为设定物品是否符合摆放标准指标的指标值；在未处于设定物品标准摆放警戒线时，可以将设定的第四数值，作为设定物品是否符合摆放标准指标的指标值。其中，设定的第三数值可以与设定的第一数值相同，也可以不同，在此不作具体限定。设定的第四数值可以与设定的第二数值相同，也可以不同，在此不作具体限定。
[0069]
在一种可能的实现方式中，为了获取施工环境指标的指标值，在施工现场的设定位置处还安装了环境监测设备，以通过环境监测设备获取施工环境指标的指标值。该环境监测设备可以包括碳湿敏元件、光纤温度传感器、风速仪、降水量传感器等，这样，就可以通过碳湿敏元件获取湿度指标的指标值。通过光纤温度传感器获取温度指标的指标值。通过风速仪获取风速指标的指标值。以及通过降水量传感器获取降水量指标的指标值。作业时间指标的指标值可以基于任一环境监测设备记录的施工月份得到。例如，风速仪记录的月份为2月，则可以将2作为作业时间指标的指标值。
[0070]
s1200，根据指标值，采用预先构建的火灾风险程度预测模型，得到施工现场的火
灾风险等级；火灾风险程度预测模型反映指标值与火灾风险等级之间的映射关系。
[0071]
在一种可能的实现方式中，火灾风险程度预测模型是基于多层前馈神经网络模型构建。在构建该火灾风险程度预测模型时，可以包括以下步骤。
[0072]
第一，基于火灾风险指标的历史指标值和对应的火灾风险等级，构建训练数据。
[0073]
第二，配置基础多层前馈神经网络模型。
[0074]
在一种可能的实现方式中，所配置的基础多层前馈神经网络模型包括：输入层、隐含层和输出层三层。
[0075]
在该可实现方式中，在配置基础多层前馈神经网络模型时，包括：
[0076]
配置输入层、隐含层和输出层的神经元节点数量。其中，输入层神经元节点数量可以根据输入的指标值数量确定。输出层的神经元节点数量可以根据输出的指标值数量确定。隐含层神经元节点数量可以根据(1)-(3)中任意一个计算式确定。
[0077][0078]
m＝log2n.......................................................(2)
[0079][0080]
式中，m为隐含层神经元节点个数，n为输入层神经元节点个数，l为输出层神经元节点个数。其中，a为[1,10]之间的一个常数，即a的取值可以在1到10之间进行尝试，从而选择使训练误差最小的值。
[0081]
在一种可能的实现方式中，配置的输入层的神经元节点数量为12，隐含层的神经元节点数量为5，输出层的神经元节点数量为1。
[0082]
配置训练函数、隐含层激活函数、输出层激活函数以及误差分析函数。在一种可能的实现方式中，配置的训练函数为trainlm，隐含层激活函数为tansig，输出层激活函数为purelin，误差分析函数为均方误差mse。
[0083]
配置网络参数。其中，配置的网络参数可以包括训练目标最小误差、训练次数、动量因子和学习速率中的至少一种。
[0084]
在一种可能的实现方式中，配置训练目标最小误差为0.001，训练次数为100，动量因子为0.8，学习速率为0.1。
[0085]
第三，基于训练数据，对基础多层前馈神经网络模型进行训练，得到火灾风险程度预测模型。
[0086]
在基于训练数据对基础多层前馈神经网络模型进行训练时，可以根据预先配置的训练样本、测试样本与验证样本的比例，将训练数据划分为训练样本、测试样本和验证样本，这样，就可以基于三种样本对该基础多层前馈神经网络模型进行反复训练，以得到网络误差最优的火灾风险程度预测模型，提高预测结果的准确性。
[0087]
在一种可能的实现方式中，火灾风险程度预测模型输出的是反映火灾风险等级的指标分值，进而可以通过指标分值的大小确定火灾的风险等级。例如，在火灾的风险等级包括安全、警告和严重警告中的至少一种的实施例中，指标分值的大小与火灾风险等级的映射关系表可以如表5所示。
[0088]
表5
[0089][0090]
对于不同的火灾风险指标，具有不同的物理意义和不同的量纲，为了避免指标值绝对数值的差异引起的神经元的输出达到饱和，使得网络模型中权值的调整停留在误差曲面的平坦范围内，为了加快网络的训练速度，增强指标之间的可比性，在对基础多层前馈神经网络模型进行训练前，还包括对获取的训练数据进行预处理的步骤。
[0091]
在一种可能的实现方式中，该预处理可以是归一化处理。其中，该归一化处理可以将各训练数据限制在[0,1]区间，也可以限制在[-1,1]区间，在此不作具体限定。
[0092]
在采用该可实现方式训练得到的火灾风险程度预测模型进行火灾风险等级预测时，在获取施工现场的火灾风险指标的指标值之后，还包括对指标值进行归一化处理的操作，这样，将归一化处理后的各指标的指标值输入至火灾风险程度预测模型，才能实现对施工现场火灾风险等级的准确预测。
[0093]
在本公开中，综合考虑施工作业人员指标、施工状态指标和施工环境指标等多种火灾风险指标，对施工现场的火灾风险等级进行预测，进而提高了火灾风险等级预测的准确性。
[0094]
《装置实施例》
[0095]
图2示出根据本公开一实施例的施工现场火灾风险等级的预测装置的示意性框图。如图2所示，该施工现场火灾风险等级的预测装置100包括：
[0096]
指标值获取模块110，用于获取施工现场的火灾风险指标的指标值；
[0097]
风险等级确定模块120，用于根据指标值，采用预先构建的火灾风险程度预测模型，得到施工现场的火灾风险等级；火灾风险程度预测模型反映指标值与火灾风险等级之间的映射关系；
[0098]
其中，火灾风险指标包括施工作业人员指标、施工状态指标和施工环境指标中的至少一种。
[0099]
在一种可能的实现方式中，施工作业人员指标包括：专业程度、工作年限、违规操作次数、是否经过专业培训和作业人员数量中的至少一种。
[0100]
施工状态指标包括：施工作业人员是否处于操作范围和设定物品是否符合摆放标准中的至少一种。
[0101]
施工环境指标包括：作业时间、湿度、温度、风速和降水量中的至少一种。
[0102]
在一种可能的实现方式中，指标值获取模块110在获取施工作业人员指标时，基于施工作业人员信息和预设的赋值信息实现。
[0103]
在获取施工状态指标时，基于图像识别实现。
[0104]
在获取施工环境指标时，基于环境监测设备实现。
[0105]
在一种可能的实现方式中，火灾风险程度预测模型是基于多层前馈神经网络模型构建。
[0106]
在一种可能的实现方式中，该施工现场火灾风险等级的预测装置100还包括模型构建模块，该模型构建模块在构建火灾风险程度预测模型时，具体用于：基于火灾风险指标的历史指标值和对应的火灾风险等级，构建训练数据；配置基础多层前馈神经网络模型；基
于训练数据，对基础多层前馈神经网络模型进行训练，得到火灾风险程度预测模型。
[0107]
在一种可能的实现方式中，所配置的基础多层前馈神经网络模型包括：输入层、隐含层和输出层；其中，隐含层神经元的个数为5。
[0108]
在一种可能的实现方式中，指标值获取模块120在获取施工现场的火灾风险指标的指标值时，还具体用于对指标值进行归一化处理的操作。
[0109]
《设备实施例》
[0110]
图3示出根据本公开一实施例的施工现场火灾风险等级的预测设备的示意性框图。如图3所示，该施工现场火灾风险等级的预测设备200包括处理器210以及用于存储处理器210可执行指令的存储器220。其中，处理器210被配置为执行可执行指令时实现前面任一的施工现场火灾风险等级的预测方法。
[0111]
此处，应当指出的是，处理器210的个数可以为一个或多个。同时，在本公开实施例的施工现场火灾风险等级的预测设备200中，还可以包括输入装置230和输出装置240。其中，处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
[0112]
存储器220作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的施工现场火灾风险等级的预测方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块，从而执行施工现场火灾风险等级的预测设备200的各种功能应用及数据处理。
[0113]
输入装置230可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
[0114]
《存储介质实施例》
[0115]
根据本公开的第四方面，还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令被处理器210执行时实现前面任一的施工现场火灾风险等级的预测方法。
[0116]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。