一种公路施工重大风险源辨识方法技术

本发明专利技术公开了一种公路施工重大风险源辨识方法，包括以下步骤：利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，并采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型；对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别。本发明专利技术构建风险源辨识模型，实现对施工风险源的自动化识别，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别，以实现利用关联分析提高风险源辨识效率，无需对所有风险源进行一一判断，保障辨识实时性差。保障辨识实时性差。保障辨识实时性差。

【技术实现步骤摘要】
一种公路施工重大风险源辨识方法


[0001]本专利技术涉及公路施工
，具体涉及一种公路施工重大风险源辨识方法。

技术介绍

[0002]随着经济发展的步伐日益加快，各行各业都得到了突飞猛进的发展，为了更好地推进我国基础设施的建设力度，我国公路建设项目也较之前有了显著的增强，在公路施工建设的各个阶段中公路路基工程是其中最为重要的一项内容，它的好坏直接关系着公路质量的高低，为人们的安全出行提供最可靠的保障。
[0003]施工期安全风险以人身安全为中心，凡是对人身安全产生影响的均称为风险源，是造成安全事故的潜在因素，风险辨识是进行风险分析时要首先进行的重要工作，风险识别最少要能解决三个方面的问题，一是有哪些风险应当考虑，二是引起这些风险的主要因素是什么，三是这些风险所引起后果的严重程度是什么。
[0004]在公路施工过程中所出现的各大危险事件中风险源是诱发危险事件发生的主要渊源，这也是公路施工安全管理部门所关注的焦点话题，在进行系统分析中我们只有做好风险源的分类与处理工作，才能从根本上提高公路施工中的安全系数，最大限度地减少事故的发生频率，因此，现有对公路施工过程中风险源的辨识具有多种方式，但是这些方式需要对所有风险源进行一一判断，导致辨识实时性差，最终影响风险源辨识效果，提高施工风险。

技术实现思路

[0005]本专利技术的目的在于提供一种公路施工重大风险源辨识方法，以解决现有技术中需要对所有风险源进行一一判断，导致辨识实时性差的技术问题。
[0006]为解决上述技术问题，本专利技术具体提供下述技术方案：
[0007]一种公路施工重大风险源辨识方法，包括以下步骤：
[0008]步骤S1、利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，并采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型；
[0009]步骤S2、对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别；
[0010]步骤S3、实时监测目标公路的施工数据，并将施工数据进行主成分分析得到实时主辨识数据，将实时主辨识数据输入至风险源辨识模型得到目标公路的实时主风险源类别，再将实时主风险源类别和实时主风险源类别的关联风险源类别作为目标公路的实时风险源类别，以实现利用关联分析提高风险源辨识效率。
[0011]作为本专利技术的一种优选方案，所述利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，包括：
[0012]在公路施工工程抢修日志中提取出抢修时序处的风险源类别，以及抢修时序处的
用于风险源辨识的施工数据，并将风险源类别和施工数据依据抢修时序整理为辨识样本；
[0013]所述辨识样本的表达式为：{(Y
i
,X
i
)|i∈[1,N]}，式中，Y
i
表征为第i个风险源类别，X
i
表征为辨识第i个风险源类别的施工数据，N为风险源类别总数，i为计量常数。
[0014]作为本专利技术的一种优选方案，所述采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型，包括：
[0015]将辨识样本中所述施工数据作为CNN神经网络的输入项，将辨识样本中所述风险源类别作为CNN神经网络的输出项，采用CNN神经网络模型基于所述输入项和所述输出项进行卷积训练得到所述风险源辨识模型；
[0016]所述风险源辨识模型的模型表达式为：
[0017]Y＝CNN(X)；
[0018]式中，Y为风险源类别的模型标识符，X为施工数据的模型标识符，CNN为CNN神经网络模型的模型标识符。
[0019]作为本专利技术的一种优选方案，所述对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，包括：
[0020]依次将每个风险源类别的辨识样本中施工数据获取时序由抢修时序前置预设时长得到预设时序，在预设时序至抢修时序间获取每个风险源类别的施工数据序列；
[0021]在所述施工数据序列中依次对每项施工数据分量进行数据变化率特征、数据变化趋势特征的提取得到所述风险源关联特征，所述数据变化率特征和数据变化趋势特征通过将施工数据分量以时序绘制为二维曲线进行分析得到。
[0022]作为本专利技术的一种优选方案，所述利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别，包括：
[0023]依次以每个风险源类别作为聚类中心，并利用聚类算法基于所述风险源关联特征对各个风险源类别进行聚类得到每个风险源类别的类别集合；
[0024]在每个风险源类别的类别集合中依次计算每个非聚类中心的风险源类别与聚类中心的集合内距离，并将所述类别集合内的集合内距离小于预设距离的非聚类中心的风险源类别作为类别集合内风险源类别的关联风险源类别，以得到包含各个风险源类别和风险源类别的关联风险源类别的关联查询表。
[0025]作为本专利技术的一种优选方案，所述将施工数据进行主成分分析得到实时主辨识数据，包括：
[0026]将目标公路的施工数据的获取时序由实时时序前置预设时长得到分析时序，在分析时序至实时时序间获取目标公路的施工数据序列；
[0027]将目标公路的施工数据序列进行主成分分析得到施工数据中每项施工数据分量的数据贡献值，并将数据贡献值高于数据贡献预设阈值的施工数据分量作为主辨识数据分量，将主辨识数据分量在实时时序处的数据值组合为实时主辨识数据。
[0028]作为本专利技术的一种优选方案，所述将实时主辨识数据输入至风险源辨识模型得到目标公路的实时主风险源类别，包括：
[0029]将实时主辨识数据输入至风险源辨识模型，由风险源辨识模型输出目标公路的实时主风险源类别。
[0030]作为本专利技术的一种优选方案，所述实时主风险源类别的关联风险源类别由所述关
联查询表查询得到。
[0031]作为本专利技术的一种优选方案，所述施工数据在获取后进行归一化处理，并经过归一化处理后进行数据计算。
[0032]作为本专利技术的一种优选方案，所述集合内距离的计算公式为：
[0033][0034]式中，D
k
为类别集合内第k个风险源类别的集合内距离，X
k
为类别集合内非聚类中心处的第k个风险源类别的风险源关联特征，X
center
为类别集合内聚类中心处的风险源类别的风险源关联特征，k为计量常数。
[0035]本专利技术与现有技术相比较具有如下有益效果：
[0036]本专利技术构建风险源辨识模型，实现对施工风险源的自动化识别，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别，以实现利用关联分析提高风险源辨识效率，无需对所有风险源进行一一判断，保障辨识实时性差。
附图说明
[0037]为了更清楚地说明本专利技术的实施方式或现有技术中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种公路施工重大风险源辨识方法，其特征在于，包括以下步骤：步骤S1、利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，并采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型；步骤S2、对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，利用聚类算法基于风险源关联特征对各个风险源类别进行关联分析得到每个风险源类别的关联风险源类别；步骤S3、实时监测目标公路的施工数据，并将施工数据进行主成分分析得到实时主辨识数据，将实时主辨识数据输入至风险源辨识模型得到目标公路的实时主风险源类别，再将实时主风险源类别和实时主风险源类别的关联风险源类别作为目标公路的实时风险源类别，以实现利用关联分析提高风险源辨识效率。2.根据权利要求1所述的一种公路施工重大风险源辨识方法，其特征在于：所述利用公路施工工程抢修日志构建用于风险源辨识的辨识样本，包括：在公路施工工程抢修日志中提取出抢修时序处的风险源类别，以及抢修时序处的用于风险源辨识的施工数据，并将风险源类别和施工数据依据抢修时序整理为辨识样本；所述辨识样本的表达式为：{(Y
i
,X
i
)|i∈[1,N]}，式中，Y
i
表征为第i个风险源类别，X
i
表征为辨识第i个风险源类别的施工数据，N为风险源类别总数，i为计量常数。3.根据权利要求2所述的一种公路施工重大风险源辨识方法，其特征在于：所述采用CNN神经网络模型基于辨识样本进行卷积训练得到风险源辨识模型，包括：将辨识样本中所述施工数据作为CNN神经网络的输入项，将辨识样本中所述风险源类别作为CNN神经网络的输出项，采用CNN神经网络模型基于所述输入项和所述输出项进行卷积训练得到所述风险源辨识模型；所述风险源辨识模型的模型表达式为：Y＝CNN(X)；式中，Y为风险源类别的模型标识符，X为施工数据的模型标识符，CNN为CNN神经网络模型的模型标识符。4.根据权利要求3所述的一种公路施工重大风险源辨识方法，其特征在于：所述对每个风险源类别的辨识样本进行特征提取得到风险源关联特征，包括：依次将每个风险源类别的辨识样本中施工数据获取时序由抢修时序前置预设时长得到预设时序，在预设时序至抢修时序间获取每个风险源类别的施工数据序列；在所述施工数据序列中依次对每项施工数据分量进行数据变化率特征、数据变化趋势...

【专利技术属性】
技术研发人员：林俊，
申请(专利权)人：中国路桥工程有限责任公司，
类型：发明
国别省市：