基于RF-PSO的塔吊事故可能发生阶段预测与分析（论文）

59 · · 基于RF-PSO的塔吊事故可能发生阶段预测与分析 * 刘冬华 赵星 赵江平 杨震 （西安建筑科技大学 资源工程学院，陕西 西安 710055） 摘 要 塔吊在高层建筑的施工现场较为常见，为了探索塔吊事故的影响因素，对塔吊事故可能发生阶 段进行预测，建立了塔吊事故的人为因素分析分类系统（ HFACS）模型框架，明确了塔吊事故的影响因素；利 用卡方检验对事故致因进行特征选择及量化分析，提出了一种基于粒子群优化算法优化随机森林预测模型 （RF-PSO）。结果表明： RF-PSO模型的预测是可靠的，训练后的 RF-PSO模型可以预测塔吊事故可能发生的 阶段，影响因素塔吊安装不符合设计要求、缺乏沟通和个人防护设备缺失发生的概率越大，塔吊事故分别在 安拆阶段、吊装阶段和攀爬阶段发生事故的可能性越大。研究结果可为塔吊施工现场管理提供理论依据。 关键词 塔吊事故 随机森林 粒子群优化算法 事故预测 Prediction and analysis of possible stages of tower crane accidents based on RF-PSO LIU Donghua ZHAO Xing ZHAO Jiangping YANG Zhen （School of Resource Engineering，Xi 'an University of Architecture and Technology，Xi'an Shaanxi 710055，China） AbstractTower cranes are common in the construction site of high-rise buildings. In order to explore the influencing factors of tower crane accidents and predict the possible stages of tower crane accidents，the human factor analysis and classification system（HFACS）model framework of tower crane accidents is established，and the influencing fac- tors of tower crane accidents are clarified. The chi-square test is used for feature selection and quantitative analysis of accident causes，and a stochastic forest prediction model based on particle swarm optimization algorithm（RF-PSO） is proposed. The results show that the prediction of RF-PSO model is reliable，and the trained RF-PSO model can pre- dict the possible stages of tower crane accidents. The greater the probability of tower crane installation not meeting the design requirements，lack of communication and lack of personal protective equipment，the greater the probability of tower crane accidents in the installation and disassembly stage，lifting stage and climbing stage. The research results can provide theoretical basis for tower crane construction site management. Key wordstower crane accident random forest particle swarm optimization（PSO）accident prediction 0引言 随着城市化的不断发展，塔式起重机（简称塔吊） 在高层建筑乃至超高层建筑的施工现场最为常见。 塔吊在施工现场经历不同的阶段，包括安装、使用、 攀爬和拆卸，在这些阶段的工作内容中，需要人、机、 物、管、环境等方面的配合，无论任何环节发生问题， 都可能引发事故 ［1］ 。因此，预测塔吊事故可能发生的 阶段对预防塔吊事故发生具有重要意义。 近年来，随着机器学习的兴起，相比于传统的事 故预测方法，机器学习算法在事故预测中表现的更 加简单、快捷，可以处理复杂的非线性关系，且具有 更高的预测精度。例如， LIN N ［2］ 基于神经网络模型， 考虑了人为因素、机械设备和环境因素 3个层面以 预测高层建筑的塔吊风险。况宇琦 ［3］ 基于支持向量 机建立了塔吊事故类型预测模型，同时比较了网格 搜索法、粒子群算法、遗传算法 3种参数优化的方法。 JIANG L等 ［4］ 利用MI改进RF模型，在塔吊事故数 据不完整的情况下预测