CN111105075A - 一种基于案例推理的塔吊风险事故预测方法及系统 - Google Patents
一种基于案例推理的塔吊风险事故预测方法及系统 Download PDFInfo
- Publication number
- CN111105075A CN111105075A CN201911164458.XA CN201911164458A CN111105075A CN 111105075 A CN111105075 A CN 111105075A CN 201911164458 A CN201911164458 A CN 201911164458A CN 111105075 A CN111105075 A CN 111105075A
- Authority
- CN
- China
- Prior art keywords
- tower crane
- accident
- case
- similarity
- accident case
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000012163 sequencing technique Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims description 24
- 239000000126 substance Substances 0.000 claims description 6
- 230000009194 climbing Effects 0.000 description 9
- 238000009434 installation Methods 0.000 description 8
- 210000000078 claw Anatomy 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 5
- 208000025274 Lightning injury Diseases 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000009435 building construction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009970 fire resistant effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于案例推理的塔吊风险事故预测方法及系统。该方法包括：构建塔吊事故案例数据库；塔吊事故案例数据库由多个塔吊事故案例的事故信息构成；构建塔吊事故案例相似性指标体系；采用G1算法计算相似性指标体系中各指标的权重；确定塔吊事故案例相似性指标体系中不同类型的单个指标相似度的计算方法；依据权重，采用离散变量二级计分制方法或离散变量三级计分制方法计算，计算目标案例与塔吊事故案例数据库中每一个塔吊事故案例的相似度，并对所有的塔吊事故案例按照相似度由大到小排序；选取前N个塔吊事故案例构成相似事故案例序列；确定目标案例的风险事故预测类型。本发明能提高对单个目标案例可能发生的风险事故预测的准确性。
Description
技术领域
本发明涉及风险事故预测技术领域，特别是涉及一种基于案例推理的塔吊风险事故预测方法及系统。
背景技术
随着建筑业的不断发展，高层建筑施工越来越多，而高层建筑施工离不开塔吊的使用。近年来，塔吊安全事故频发不断，2017年7月22日，广州市珠海区发生建筑工地塔吊坍塌事故，造成7人死亡，2人重伤。塔吊事故会给整个社会带来较大的人员伤亡和巨大的财产损失，因此对塔吊风险事故进行预测，并采取有效的防控措施，成为建筑施工领域的关注重点。
现有的塔吊风险分析方法有：Lee，Shapira和Shin等专家分别对传统塔吊设备存在的作业安全风险问题、塔吊使用阶段的安全影响因素及其影响程度、塔吊安装拆卸阶段的安全影响因素进行了分析；赵挺生等从系统思考的角度出发，采用RASMUSSEN风险管理框架和Accimap建模技术，全面识别塔吊安全影响因素，为塔吊安全管理和事故预防提供系统基础。上述现有的方法均是对塔吊安全风险进行系统性的分析，未能对单个项目可能发生的风险事故进行预测，不能实现对单个目标案例可能发生的风险事故进行准确预测。
发明内容
基于此，有必要提供一种基于案例推理的塔吊风险事故预测方法及系统，以提高对单个目标案例可能发生的风险事故进行预测的准确性。
为实现上述目的，本发明提供了如下方案：
一种基于案例推理的塔吊风险事故预测方法，包括：
构建塔吊事故案例数据库；所述塔吊事故案例数据库由多个塔吊事故案例的事故信息构成；所述事故信息包括事故类型、事故名称、事故发生时间、事故发生地点、事故伤亡人数、事故发生原因、发生事故工程的项目信息和塔吊事故案例状况指标；所述塔吊事故案例状况指标包括塔吊中各结构状况指标、塔吊状态指标和塔吊所处环境指标；
构建塔吊事故案例相似性指标体系；所述塔吊事故案例相似性指标体系是由所述塔吊事故案例数据库中的所述塔吊事故案例状况指标组成的；
采用G1算法计算所述塔吊事故案例相似性指标体系中各指标的权重；
依据所述权重，采用离散变量二级计分制方法或离散变量三级计分制方法计算，计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度；
对所述塔吊事故案例数据库中所有的塔吊事故案例按照相似度由大到小进行排序；
选取前N个塔吊事故案例构成相似事故案例序列；所述相似事故案例序列中第N个塔吊事故案例的相似度大于设定值，且所述相似事故案例序列中任意两个相邻塔吊事故案例的相似度的差值小于平均相似度差；所述平均相似度差为所述相似事故案例序列中所有相邻塔吊事故案例的相似度的差值的平均值；
确定相似事故信息；所述相似事故信息为所述相似事故案例序列中塔吊事故案例的事故信息；
由所述相似事故信息确定所述目标案例的风险事故预测类型；所述风险事故预测类型为塔吊可能会发生的风险事故类型。
可选的，所述采用G1算法计算所述塔吊事故案例相似性指标体系中各指标的权重，具体包括：
获取塔吊事故案例相似性指标序列；所述塔吊事故案例相似性指标序列是将所述所述塔吊事故案例相似性指标体系中的指标按照重要程度由大到小排列得到的；所述塔吊事故案例相似性指标序列中包括m个塔吊事故案例相似性指标；
计算每份问卷中所述塔吊事故案例相似性指标体系中第m个塔吊事故案例相似性指标的权重值，其中，
XWm为第m个塔吊事故案例相似性指标的权重值，Rj为第j-1个塔吊事故案例相似性指标相比于第j个塔吊事故案例相似性指标的重要程度；
计算每份问卷中所述塔吊事故案例相似性指标体系中前m-1个塔吊事故案例相似性指标的权重值，其中，XWk＝Rk+1XWk+1，k＝m-1,m-2,…,1，XWk为第k个塔吊事故案例相似性指标的权重值，XWk+1为第k+1个塔吊事故案例相似性指标的权重值，Rk+1为第k个塔吊事故案例相似性指标相比于第k+1个塔吊事故案例相似性指标的重要程度；
计算第m个塔吊事故案例相似性指标的平均权重值，其中，
计算前m-1个塔吊事故案例相似性指标的平均权重值，其中，
为第k个塔吊事故案例相似性指标的平均权重值，XWi,k为第i份调查问卷中第k个塔吊事故案例相似性指标的权重值；
确定所述塔吊事故案例相似性指标体系中各指标的权重；所述权重包括所述第m个塔吊事故案例相似性指标的平均权重值和所述前m-1个塔吊事故案例相似性指标的平均权重值。
可选的，所述依据所述权重，采用离散变量二级计分制方法或离散变量三级计分制方法计算，计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度，具体包括：
采用离散变量二级计分制方法或离散变量三级计分制方法计算所述塔吊事故案例相似性指标体系中每个指标的相似度得分值；
依据所述相似度得分值计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度，
其中，CS为目标案例与塔吊事故案例数据库中某个塔吊事故案例的相似度，m为塔吊事故案例相似性指标体系中指标的总数量，XSk为第k个指标的相似度得分值，
为第k个指标的权重。
可选的，所述平均相似度差为：
其中，
为平均相似度差，p为相似事故案例序列中塔吊事故案例的总数，CSq为目标案例与相似事故案例序列中第q个塔吊事故案例的相似度，CSq+1为目标案例与相似事故案例序列中第q+1个塔吊事故案例的相似度。
本发明还提供了一种基于案例推理的塔吊风险事故预测系统，包括：
数据库构建模块，用于构建塔吊事故案例数据库；所述塔吊事故案例数据库由多个塔吊事故案例的事故信息构成；所述事故信息包括事故类型、事故名称、事故发生时间、事故发生地点、事故伤亡人数、事故发生原因、发生事故工程的项目信息和塔吊事故案例状况指标；所述塔吊事故案例状况指标包括塔吊中各结构状况指标、塔吊状态指标和塔吊所处环境指标；
相似性指标体系构建模块，用于构建塔吊事故案例相似性指标体系；所述塔吊事故案例相似性指标体系是由所述塔吊事故案例数据库中的所述塔吊事故案例状况指标组成的；
权重计算模块，用于采用G1算法计算所述塔吊事故案例相似性指标体系中各指标的权重；
相似度计算模块，用于依据所述权重，采用离散变量二级计分制方法或离散变量三级计分制方法计算，计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度；
排序模块，用于对所述塔吊事故案例数据库中所有的塔吊事故案例按照相似度由大到小进行排序；
选取模块，用于选取前N个塔吊事故案例构成相似事故案例序列；所述相似事故案例序列中第N个塔吊事故案例的相似度大于设定值，且所述相似事故案例序列中任意两个相邻塔吊事故案例的相似度的差值小于平均相似度差；所述平均相似度差为所述相似事故案例序列中所有相邻塔吊事故案例的相似度的差值的平均值；
相似度事故信息确定模块，用于确定相似事故信息；所述相似事故信息为所述相似事故案例序列中塔吊事故案例的事故信息；
风险事故类型预测模块，用于由所述相似事故信息确定所述目标案例的风险事故预测类型；所述风险事故预测类型为塔吊可能会发生的风险事故类型。
可选的，所述权重计算模块，具体包括：
获取单元，用于获取塔吊事故案例相似性指标序列；所述塔吊事故案例相似性指标序列是将所述所述塔吊事故案例相似性指标体系中的指标按照重要程度由大到小排列得到的；所述塔吊事故案例相似性指标序列中包括m个塔吊事故案例相似性指标；
第一计算单元，用于计算每份问卷中所述塔吊事故案例相似性指标体系中第m个塔吊事故案例相似性指标的权重值，其中，
XWm为第m个塔吊事故案例相似性指标的权重值，Rj为第j-1个塔吊事故案例相似性指标相比于第j个塔吊事故案例相似性指标的重要程度；
第二计算单元，用于计算每份问卷中所述塔吊事故案例相似性指标体系中前m-1个塔吊事故案例相似性指标的权重值，其中，XWk＝Rk+1XWk+1，k＝m-1,m-2,…,1，XWk为第k个塔吊事故案例相似性指标的权重值，XWk+1为第k+1个塔吊事故案例相似性指标的权重值，Rk+1为第k个塔吊事故案例相似性指标相比于第k+1个塔吊事故案例相似性指标的重要程度；
第三计算单元，用于计算第m个塔吊事故案例相似性指标的平均权重值，其中，
第四计算单元，用于计算前m-1个塔吊事故案例相似性指标的平均权重值，其中，
为第k个塔吊事故案例相似性指标的平均权重值，XWi,k为第i份调查问卷中第k个塔吊事故案例相似性指标的权重值；
权重确定单元，用于确定所述塔吊事故案例相似性指标体系中各指标的权重；所述权重包括所述第m个塔吊事故案例相似性指标的平均权重值和所述前m-1个塔吊事故案例相似性指标的平均权重值。
可选的，所述相似度计算模块，具体包括：
单个指标相似度得分值计算单元，用于采用离散变量二级计分制方法或离散变量三级计分制方法计算所述塔吊事故案例相似性指标体系中每个指标的相似度得分值；
事故案例相似度计算单元，用于依据所述相似度得分值计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度，
其中，CS为目标案例与塔吊事故案例数据库中某个塔吊事故案例的相似度，m为塔吊事故案例相似性指标体系中指标的总数量，XSk为第k个指标的相似度得分值，
为第k个指标的权重。
可选的，所述选取模块中的所述平均相似度差为：
其中，
为平均相似度差，p为相似事故案例序列中塔吊事故案例的总数，CSq为目标案例与相似事故案例序列中第q个塔吊事故案例的相似度，CSq+1为目标案例与相似事故案例序列中第q+1个塔吊事故案例的相似度。
与现有技术相比，本发明的有益效果是：
本发明提出了一种基于案例推理的塔吊风险事故预测方法及系统，所述方法：构建塔吊事故案例数据库；塔吊事故案例数据库由多个塔吊事故案例的事故信息构成；构建塔吊事故案例相似性指标体系；采用G1(Garbage First，垃圾回收)算法计算相似性指标体系中各指标的权重；确定塔吊事故案例相似性指标体系中不同类型的单个指标相似度的计算方法；依据权重，采用离散变量二级计分制方法或离散变量三级计分制方法计算，计算目标案例与塔吊事故案例数据库中每一个塔吊事故案例的相似度，并对所有的塔吊事故案例按照相似度由大到小排序；选取前N个塔吊事故案例构成相似事故案例序列；确定目标案例的风险事故预测类型。本发明利用案例推理法，可较为快速、准确地识别与目标案例相似的事故案例，以该事故案例为基础，对目标案例可能发生的风险事故进行预测，实现了以已发生事故案例为基础、对单个目标案例可能发生的风险事故的合理预测，提高了对单个目标案例可能发生的风险事故进行预测的准确性，该风险预测方法更加具备科学性和合理性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于案例推理的塔吊风险事故预测方法的流程图；
图2为本发明实施例一种基于案例推理的塔吊风险事故预测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种基于案例推理的塔吊风险事故预测方法的流程图。
本实施例将采用案例推理法，通过收集以往发生的塔吊事故信息资料构建案例数据库，为目标案例筛选出相似案例，在此基础上对塔吊风险事故进行预测，并提出相应的预控措施。基于案例推理是新兴的一种推理方法，本实施例提出的运用案例推理对塔吊风险事故进行预测的方法，其主要过程包括：构建案例数据库、确定案例相似性指标体系、案例相似度计算和获取备选案例。选定备选案例后，通过目标案例与备选案例的对比分析，预测目标案例可能发生的风险事故类型和导致该类型事故发生的直接和间接原因；针对直接和间接原因的分析，提出相应的风险防控措施。
参见图1，本实施例的基于案例推理的塔吊风险事故预测方法，具体包括：
步骤S1：构建塔吊事故案例数据库。
塔吊事故案例数据库的构建过程为：1)确定案例数据来源。通过对塔吊安全事故进行整理补充归类，获得需要的塔吊安全事故案例库。2)确定案例选取标准。21)当前建筑施工中用到最多的是自升式塔吊，选定的事故案例也均为该类型塔吊。22)案例发生时间均为1995年以后，本实施例中对由于哪一部分结构故障引起的塔吊倒塌进行了详细的分析，这有助于后续相似性指标的选取。23)整理归纳的各项案例数据需准确、全面，信息不全面或无法确定其真实性的将不予采纳。本实施例通过上述标准共收集到30个塔吊风险事故案例，归纳到案例推理数据库中。
本实施例中，所述塔吊事故案例数据库由多个塔吊事故案例的事故信息构成；所述事故信息包括事故类型、事故名称、事故发生时间、事故发生地点、事故伤亡人数、事故发生原因、发生事故工程的项目信息和塔吊事故案例状况指标；所述塔吊事故案例状况指标包括塔吊中各结构状况指标、塔吊状态指标和塔吊所处环境指标。
所述事故发生原因包括人员方面的原因，如施工人员在不安全状态下持续工作、塔吊司机违规操作、信号工错误指挥、司索工违规操作、安拆工违规操作、维保工维保不力、管理人员监管不力、其他施工人员交叉作业等，机械方面的原因，如塔吊使用设计缺陷、塔吊产品质量缺陷、塔吊安装缺陷、塔吊安全装置缺陷、塔吊结构受力异常等，环境方面的原因，如强风、高温、环境能见度低、暴雨、施工空间狭窄、停电、电磁干扰、高噪音等。
所述项目信息包括项目地点、项目类型、建筑功能、建筑高度、建筑结构类型、参建单位、建筑施工形式、建筑抗震等级、建筑抗震设防烈度、建筑耐火等级、项目使用的机械设备、项目使用的构件材料等。
所述塔吊中各结构状况指标包括塔吊基础状况是否良好、底架和塔身状况是否良好、附墙杆状况是否良好、顶升套架和横梁状况是否良好、回转机构状况是否良好、平衡臂状况是否良好、吊臂状况是否良好、起升机构状况是否良好、塔帽状况是否良好和驾驶室状况是否良好。
本实施例中，所述风险事故类型包括塔吊倒塌、塔吊倾翻、塔吊上部结构坠落、塔臂折断、塔吊坠物和塔帽弯曲变形共6种。不同的风险事故类型往往是由塔吊不同结构部位的故障引起，因此，抽取塔吊不同结构部位的状况条件(包括该部位构件质量情况，施工质量情况，安装、拆卸过程中的施工人员操作情况等)、塔吊状态(安装、运行、拆卸)和环境条件作为塔吊相似性指标，如表1所示。
表1塔吊相似性指标
步骤S2：构建塔吊事故案例相似性指标体系。
所述塔吊事故案例相似性指标体系是由所述塔吊事故案例数据库中的所述塔吊事故案例状况指标组成的。
步骤S3：采用G1算法计算所述塔吊事故案例相似性指标体系中各指标的权重。
所述步骤S3，具体包括：
31)获取塔吊事故案例相似性指标序列；所述塔吊事故案例相似性指标序列是将所述所述塔吊事故案例相似性指标体系中的指标按照重要程度由大到小排列得到的；所述塔吊事故案例相似性指标序列中包括m个塔吊事故案例相似性指标。
具体的，设调差问卷序号为i(共N份)，每份问卷有m个塔吊事故案例相似性指标Xi1，Xi2，…，Xim，根据调研对各指标的重要性程度进行排序(若Xi1的重要性大于Xi2，则表示为Xi1＞Xi2)，得到
Xi1＞Xi2＞…＞Xim，i＝1，2，…，N；
前一指标相对后一指标的重要性程度比为
式中，XWk为第k个塔吊事故案例相似性指标Xk的权重值，Rk为第k-1个塔吊事故案例相似性指标Xk-1与第k个塔吊事故案例相似性指标Xk的重要性程度比。Rk的赋值如表2所示。
表2Rk的赋值表
| X<sub>k-1</sub>与X<sub>k</sub>相比 | 同等重要 | 稍微重要 | 明显重要 | 强烈重要 | 极端重要 |
| R<sub>k</sub> | 1.0 | 1.2 | 1.4 | 1.6 | 1.8 |
32)计算每份问卷中所述塔吊事故案例相似性指标体系中第m个塔吊事故案例相似性指标的权重值，其中，
XWm为第m个塔吊事故案例相似性指标的权重值，Rj为第j-1个塔吊事故案例相似性指标相比于第j个塔吊事故案例相似性指标的重要程度。
33)计算每份问卷中所述塔吊事故案例相似性指标体系中前m-1个塔吊事故案例相似性指标的权重值，其中，XWk＝Rk+1XWk+1，k＝m-1,m-2,…,1，XWk为第k个塔吊事故案例相似性指标的权重值，XWk+1为第k+1个塔吊事故案例相似性指标的权重值，Rk+1为第k个塔吊事故案例相似性指标相比于第k+1个塔吊事故案例相似性指标的重要程度。
34)计算第m个塔吊相似性指标的平均权重值，其中，
35)计算前m-1个塔吊事故案例相似性指标的平均权重值，其中，
为第k个塔吊事故案例相似性指标的平均权重值，XWi,k为第i份调查问卷中第k个塔吊事故案例相似性指标的权重值。
36)确定所述塔吊事故案例相似性指标体系中各指标的权重；所述权重包括所述第m个塔吊事故案例相似性指标的平均权重值和所述前m-1个塔吊事故案例相似性指标的平均权重值。
步骤S4：依据所述权重，采用离散变量二级计分制方法或离散变量三级计分制方法计算，计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度。
所述步骤S4，具体包括：
41)采用离散变量二级计分制方法或离散变量三级计分制方法计算所述塔吊事故案例相似性指标体系中每个指标的相似度得分值。
离散变量二级计分制计算方法为：
式中，XVtest,e为目标案例的第e个塔吊相似性指标，XVcase,e为塔吊事故案例数据库中第e个事故案例的相似性指标值，XSe为塔吊相似性指标Xe的相似度得分。本实施例中，e＝1,2,…,11，采用离散变量二级计分制计算方法可以得到上述表1中X1～X11的相似度得分。目标案例的塔吊相似性指标与案例库中的案例相同时，得分为100，否则得分为0，其他情况则得分为0。XVtest,e和XVcase,e可能为文本值，也可能为数值，如指标X1～X10为两个值，分别为“是”和“否”；指标X11有三个值，分别为“安装”、“运行”和“拆卸”，以此类推。
离散变量三级计分制计算方法为：
该式表示当目标案例相似性指标值与案例库中的案例相同时，得分为100；两者相差一个等级时，得分为50；其他情况则得分为0。本实施例中，f＝12，采用离散变量三级计分制计算方法可以得到上述表1中X12的相似度得分。指标X12有六个值，“雷雨大风”、“大风”、“降雨”、“雷击”、“周边基坑施工”、“无环境影响”；其中“雷雨大风”表示的环境恶劣程度大“大风”、“降雨”、“雷击”、“周边基坑施工”一个等级；“大风”、“降雨”、“雷击”、“周边基坑施工”表示的环境恶劣程度大“无环境影响”一个等级；“大风”、“降雨”、“雷击”、“周边基坑施工”表示的环境恶劣程度相同。以此类推。
42)依据所述相似度得分值计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度，
其中，CS为目标案例与塔吊事故案例数据库中某个塔吊事故案例的相似度，m为塔吊事故案例相似性指标体系中指标的总数量，XSk为第k个指标的相似度得分值，
为第k个指标的权重。本实施例中，m＝12。
步骤S5：对所述塔吊事故案例数据库中所有的塔吊事故案例按照相似度由大到小进行排序。
步骤S6：选取前N个塔吊事故案例构成相似事故案例序列。
所述相似事故案例序列中第N个塔吊事故案例的相似度大于设定值，且所述相似事故案例序列中任意两个相邻塔吊事故案例的相似度的差值小于平均相似度差；所述平均相似度差为所述相似事故案例序列中所有相邻塔吊事故案例的相似度的差值的平均值。
本实施例中，相似事故案例序列满足的条件为：
CSq＞60
其中，
步骤S7：确定相似事故信息；所述相似事故信息为所述相似事故案例序列中塔吊事故案例的事故信息。
相似事故信息包括：①风险事故类型；②风险事故名称；③风险事故发生时间；④风险发生地点；⑤伤亡人数；⑤事故发生直接原因；⑥事故发生间接原因。
步骤S8：由所述相似事故信息确定所述目标案例的风险事故预测类型；所述风险事故预测类型为塔吊可能会发生的风险事故类型。
进一步的，根据会发生风险的风险事故类型确定会发生风险的风险事故的直接原因和间接原因，为目标案例制定风险防控措施提出意见和建议。
本实施例为了验证基于案例推理法获取相似事故案例序列(备选案例)的有效性，还逐一抽取案例库中的案例作为测试案例，将剩余案例成立新的案例库，再利用上述方法计算相似度，最后输出满足条件的参考案例。通过多次目标案例抽取和结果双向比对，来验证方法有效性。
下面以广东省深圳市宝安区某二期工程塔吊倒塌事故为例，来说明该方法的验证过程。
2006年11月3日下午，深圳市宝安区某二期工程发生塔吊倒塌事故。事发时，几名施工人员正在进行事故塔吊的拆除工作。套架(爬升架)下降过程中，千斤顶横梁两侧爬爪必须要放进塔身踏步卡槽中方能进行下降；而操作油泵的施工人员，在套架(爬升架)下降前未看清爬爪位置，造成套架的一个爬爪处于非正常位置，其前端恰好挤压在塔身踏步的上部，形成一组不稳定支撑；由此导致套架下降过程中爬爪滑移，引发外套架以上的塔身瞬间倒塌事故，造成3人死亡，7人受伤。
1、相似性指标权重计算
目标案例按照步骤S1-S2，筛选相似性指标并确定塔吊相似性指标，再按照步骤S3，通过计算得到塔吊事故案例相似性指标体系中各指标的权重，相似性指标以及对应的权重如表3所示。
表3塔吊风险事故案例相似性指标的权重
2、确定相似性指标计分制
按照步骤S4，确定每个相似性指标的相似度的计算方法，如表4所示。
表4广东省深圳市宝安区某二期工程塔吊倒塌事故相似性指标计分制
3、相似度计算
按照步骤S3进行相似度计算，得到目标案例与新建案例库案例(共29例)的相似度如表5所示(按相似度得分降序排列)。
表5塔吊风险事故案例相似度排序
按照步骤S5所示案例选取规则，此次计算输出2个备选案例：①上海汽车工业康定路基地工程塔吊上部坠落事故；②河南省郑州市淮河路省电业局52号高层住宅楼塔吊上部坠落事故。
4、测试案例反向对比
为了检验上述案例获取结果的准确性，分别将上海汽车工业康定路基地工程塔吊上部坠落事故、河南省郑州市淮河路省电业局52号高层住宅楼塔吊上部坠落事故作为测试案例，重复进行上述案例获取过程。最终，针对上海汽车工业康定路基地工程塔吊上部坠落事故输出的案例为：①广东省深圳市宝安区某二期工程塔吊倒塌事故；②河南省郑州市淮河路省电业局52号高层住宅楼塔吊上部坠落事故。对河南省郑州市淮河路省电业局52号高层住宅楼塔吊上部坠落事故输出的案例为：①广东省深圳市宝安区某二期工程塔吊倒塌事故；②上海汽车工业康定路基地工程塔吊上部坠落事故。
两次测试案例反向对比结果表明本次案例推理法结论的准确性。
5、获取案例的有效性分析
在获取备选案例的同时，对两个案例进行事故原因和相关防控措施方面的分析，验证获取案例的有效性。
(1)直接原因
上海汽车工业康定路基地工程塔吊上部坠落事故和河南省郑州市淮河路省电业局52号高层住宅楼塔吊上部坠落两起事故的直接原因极为相似，主要是按照塔吊拆除程序，一个标准节拆除后准备拆除下一标准节时，需把油缸活塞杆收缩40mm，将顶升横梁的爬爪退出，然后再伸出活塞杆，将爬爪放到下一个标准节的踏步上。但这两起事故由于施工人员错误操作，活塞杆未收缩至规定长度，反而伸长将近800mm，致使套架上部导轮离开塔身；由于这类塔吊的顶升油缸固定在配重一侧的回转下支承上，套架向配重臂方向倾斜时产生倾覆力矩，踏步被顶升横梁蹩弯变形，顶升横梁与活塞杆联结块断裂，造成了吊臂后仰倾翻。
由上述原因分析可以看出，该两个案例的塔吊故障均在顶升套架和横梁结构处，与广东省深圳市宝安区某二期工程塔吊故障部位相同，且塔吊运行状态(拆卸)、塔吊所处环境(无环境影响)均相同。
(2)间接原因
广东省深圳市宝安区某二期工程塔吊倒塌事故间接原因为操作人员不负责任，未能熟练掌握本工种的技术要领，操作前未认真检查。
上海汽车工业康定路基地工程塔吊上部坠落事故间接原因为塔吊拆卸未派专业人员参与，未编制施工方案或技术措施，未对拆卸人员进行培训教育和安全交底。
河南省郑州市淮河路省电业局52号高层住宅楼塔吊上部坠落事故间接原因为未制定拆除方案和安全技术措施，未向工人进行安全技术交底，塔吊使用、拆装没有任何管理制度。
由此可见，三起事故的间接原因均在施工人员的错误操作，而导致错误操作的原因可能是施工人员专业技术不熟练、施工单位未向工人进行安全技术交底，甚至是非专业人员进行安装或拆卸施工等。上述原因也间接反应出相关单位的管理不到位，而在上海、河南两起事故报告中，也提到了施工单位的情况[5]：企业管理混乱，管理人员素质低，缺乏必要的安全规章制度；专业技术人员不足，很多分部分项工程未编制施工方案和技术措施；现场缺少安全防护措施，安全监管和隐患整改不到位等等。
通过以上分析，可以看出三起事故的直接原因和间接原因基本相同，事故发生情况也较为接近，这也再次表明本次案例推理获取备选案例的准确性和有效性。
(3)预控措施
分析总结三起事故发生的直接和间接原因后，便可对应的采取预控措施。针对三起事故操作人员能力不足、未向工人进行培训和交底、未编制施工方案和施工技术措施、企业管理混乱等现象，施工单位应做好以下几方面的工作：①加强企业管理，建立健全各种管理制度；②强化塔吊租赁、安装、使用、维修保养、拆卸等各方的安全生产责任；③依照规范要求编制有针对性、可操作性强的施工方案和技术措施；④强化教育培训和安全技术交底，完善各种验收记录；⑤加强对塔吊租赁、安装单位和相关技术人员资质的审核。做到以上几点，发生类似塔吊事故的概率将大大降低。
本实施例中的基于案例推理的塔吊风险事故预测方法，利用案例推理法，可较为快速、准确地识别与目标案例相似的事故案例，以该事故案例为基础，对目标案例可能发生的风险事故进行预测，实现了以已发生事故案例为基础，对单个目标案例可能发生的风险事故的合理预测，提高了对单个目标案例可能发生的风险事故预测的准确性，该风险预测方法更加具备科学性和合理性。
本发明还提供了一种基于案例推理的塔吊风险事故预测系统，图2为本发明实施例一种基于案例推理的塔吊风险事故预测系统的结构示意图。
参见图2，实施例的基于案例推理的塔吊风险事故预测系统包括：
数据库构建模块201，用于构建塔吊事故案例数据库；所述塔吊事故案例数据库由多个塔吊事故案例的事故信息构成；所述事故信息包括事故类型、事故名称、事故发生时间、事故发生地点、事故伤亡人数、事故发生原因、发生事故工程的项目信息和塔吊事故案例状况指标；所述塔吊事故案例状况指标包括塔吊中各结构状况指标、塔吊状态指标和塔吊所处环境指标.
相似性指标体系构建模块202，用于构建塔吊事故案例相似性指标体系；所述塔吊事故案例相似性指标体系是由所述塔吊事故案例数据库中的所述塔吊事故案例状况指标组成的。
权重计算模块203，用于采用G1算法计算所述塔吊事故案例相似性指标体系中各指标的权重。
相似度计算模块204，用于依据所述权重，采用离散变量二级计分制方法或离散变量三级计分制方法计算，计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度。
排序模块205，用于对所述塔吊事故案例数据库中所有的塔吊事故案例按照相似度由大到小进行排序。
选取模块206，用于选取前N个塔吊事故案例构成相似事故案例序列；所述相似事故案例序列中第N个塔吊事故案例的相似度大于设定值，且所述相似事故案例序列中任意两个相邻塔吊事故案例的相似度的差值小于平均相似度差；所述平均相似度差为所述相似事故案例序列中所有相邻塔吊事故案例的相似度的差值的平均值。
相似度事故信息确定模块207，用于确定相似事故信息；所述相似事故信息为所述相似事故案例序列中塔吊事故案例的事故信息。
风险事故类型预测模块208，用于由所述相似事故信息确定所述目标案例的风险事故预测类型；所述风险事故预测类型为塔吊可能会发生的风险事故类型。
作为一种可选的实施方式，所述权重计算模块203，具体包括：
获取单元，用于获取塔吊事故案例相似性指标序列；所述塔吊事故案例相似性指标序列是将所述所述塔吊事故案例相似性指标体系中的指标按照重要程度由大到小排列得到的；所述塔吊事故案例相似性指标序列中包括m个塔吊事故案例相似性指标。
第一计算单元，用于计算每份问卷中所述塔吊事故案例相似性指标体系中第m个塔吊事故案例相似性指标的权重值，其中，
XWm为第m个塔吊事故案例相似性指标的权重值，Rj为第j-1个塔吊事故案例相似性指标相比于第j个塔吊事故案例相似性指标的重要程度。
第二计算单元，用于计算每份问卷中所述塔吊事故案例相似性指标体系中前m-1个塔吊事故案例相似性指标的权重值，其中，XWk＝Rk+1XWk+1，k＝m-1,m-2,…,1，XWk为第k个塔吊事故案例相似性指标的权重值，XWk+1为第k+1个塔吊事故案例相似性指标的权重值，Rk+1为第k个塔吊事故案例相似性指标相比于第k+1个塔吊事故案例相似性指标的重要程度。
第三计算单元，用于计算第m个塔吊事故案例相似性指标的平均权重值，其中，
第四计算单元，用于计算前m-1个塔吊事故案例相似性指标的平均权重值，其中，
为第k个塔吊事故案例相似性指标的平均权重值，XWi,k为第i份调查问卷中第k个塔吊事故案例相似性指标的权重值。
权重确定单元，用于确定所述塔吊事故案例相似性指标体系中各指标的权重；所述权重包括所述第m个塔吊事故案例相似性指标的平均权重值和所述前m-1个塔吊事故案例相似性指标的平均权重值。
作为一种可选的实施方式，所述相似度计算模块204，具体包括：
单个指标相似度得分值计算单元，用于采用离散变量二级计分制方法或离散变量三级计分制方法计算所述塔吊事故案例相似性指标体系中每个指标的相似度得分值。
事故案例相似度计算单元，用于依据所述相似度得分值计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度，
其中，CS为目标案例与塔吊事故案例数据库中某个塔吊事故案例的相似度，m为塔吊事故案例相似性指标体系中指标的总数量，XSk为第k个指标的相似度得分值，
为第k个指标的权重。
作为一种可选的实施方式，所述选取模块206中的所述平均相似度差为：
其中，
为平均相似度差，p为相似事故案例序列中塔吊事故案例的总数，CSq为目标案例与相似事故案例序列中第q个塔吊事故案例的相似度，CSq+1为目标案例与相似事故案例序列中第q+1个塔吊事故案例的相似度。
本实施例中的基于案例推理的塔吊风险事故预测系统，利用案例推理法，可较为快速、准确地识别与目标案例相似的事故案例，以该事故案例为基础，对目标案例可能发生的风险事故进行预测，实现了以已发生事故案例为基础，对单个目标案例可能发生的风险事故的合理预测，提高了对单个目标案例可能发生的风险事故预测的准确性，该风险预测方法更加具备科学性和合理性。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于案例推理的塔吊风险事故预测方法，其特征在于，包括：
构建塔吊事故案例数据库；所述塔吊事故案例数据库由多个塔吊事故案例的事故信息构成；所述事故信息包括事故类型、事故名称、事故发生时间、事故发生地点、事故伤亡人数、事故发生原因、发生事故工程的项目信息和塔吊事故案例状况指标；所述塔吊事故案例状况指标包括塔吊中各结构状况指标、塔吊状态指标和塔吊所处环境指标；
构建塔吊事故案例相似性指标体系；所述塔吊事故案例相似性指标体系是由所述塔吊事故案例数据库中的所述塔吊事故案例状况指标组成的；
采用G1算法计算所述塔吊事故案例相似性指标体系中各指标的权重；
依据所述权重，采用离散变量二级计分制方法或离散变量三级计分制方法计算，计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度；
对所述塔吊事故案例数据库中所有的塔吊事故案例按照相似度由大到小进行排序；
选取前N个塔吊事故案例构成相似事故案例序列；所述相似事故案例序列中第N个塔吊事故案例的相似度大于设定值，且所述相似事故案例序列中任意两个相邻塔吊事故案例的相似度的差值小于平均相似度差；所述平均相似度差为所述相似事故案例序列中所有相邻塔吊事故案例的相似度的差值的平均值；
确定相似事故信息；所述相似事故信息为所述相似事故案例序列中塔吊事故案例的事故信息；
由所述相似事故信息确定所述目标案例的风险事故预测类型；所述风险事故预测类型为塔吊可能会发生的风险事故类型。
2.根据权利要求1所述的一种基于案例推理的塔吊风险事故预测方法，其特征在于，所述采用G1算法计算所述塔吊事故案例相似性指标体系中各指标的权重，具体包括：
获取塔吊事故案例相似性指标序列；所述塔吊事故案例相似性指标序列是将所述所述塔吊事故案例相似性指标体系中的指标按照重要程度由大到小排列得到的；所述塔吊事故案例相似性指标序列中包括m个塔吊事故案例相似性指标；
计算每份问卷中所述塔吊事故案例相似性指标体系中第m个塔吊事故案例相似性指标的权重值，其中，
XWm为第m个塔吊事故案例相似性指标的权重值，Rj为第j-1个塔吊事故案例相似性指标相比于第j个塔吊事故案例相似性指标的重要程度；
计算每份问卷中所述塔吊事故案例相似性指标体系中前m-1个塔吊事故案例相似性指标的权重值，其中，XWk＝Rk+1XWk+1，k＝m-1,m-2,…,1，XWk为第k个塔吊事故案例相似性指标的权重值，XWk+1为第k+1个塔吊事故案例相似性指标的权重值，Rk+1为第k个塔吊事故案例相似性指标相比于第k+1个塔吊事故案例相似性指标的重要程度；
计算第m个塔吊事故案例相似性指标的平均权重值，其中，
计算前m-1个塔吊事故案例相似性指标的平均权重值，其中，
为第k个塔吊事故案例相似性指标的平均权重值，XWi,k为第i份调查问卷中第k个塔吊事故案例相似性指标的权重值；
确定所述塔吊事故案例相似性指标体系中各指标的权重；所述权重包括所述第m个塔吊事故案例相似性指标的平均权重值和所述前m-1个塔吊事故案例相似性指标的平均权重值。
3.根据权利要求1所述的一种基于案例推理的塔吊风险事故预测方法，其特征在于，所述依据所述权重，采用离散变量二级计分制方法或离散变量三级计分制方法计算，计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度，具体包括：
采用离散变量二级计分制方法或离散变量三级计分制方法计算所述塔吊事故案例相似性指标体系中每个指标的相似度得分值；
依据所述相似度得分值计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度，
其中，CS为目标案例与塔吊事故案例数据库中某个塔吊事故案例的相似度，m为塔吊事故案例相似性指标体系中指标的总数量，XSk为第k个指标的相似度得分值，
为第k个指标的权重。
4.根据权利要求1所述的一种基于案例推理的塔吊风险事故预测方法，其特征在于，所述平均相似度差为：
其中，
为平均相似度差，p为相似事故案例序列中塔吊事故案例的总数，CSq为目标案例与相似事故案例序列中第q个塔吊事故案例的相似度，CSq+1为目标案例与相似事故案例序列中第q+1个塔吊事故案例的相似度。
5.一种基于案例推理的塔吊风险事故预测系统，其特征在于，包括：
数据库构建模块，用于构建塔吊事故案例数据库；所述塔吊事故案例数据库由多个塔吊事故案例的事故信息构成；所述事故信息包括事故类型、事故名称、事故发生时间、事故发生地点、事故伤亡人数、事故发生原因、发生事故工程的项目信息和塔吊事故案例状况指标；所述塔吊事故案例状况指标包括塔吊中各结构状况指标、塔吊状态指标和塔吊所处环境指标；
相似性指标体系构建模块，用于构建塔吊事故案例相似性指标体系；所述塔吊事故案例相似性指标体系是由所述塔吊事故案例数据库中的所述塔吊事故案例状况指标组成的；
权重计算模块，用于采用G1算法计算所述塔吊事故案例相似性指标体系中各指标的权重；
相似度计算模块，用于依据所述权重，采用离散变量二级计分制方法或离散变量三级计分制方法计算，计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度；
排序模块，用于对所述塔吊事故案例数据库中所有的塔吊事故案例按照相似度由大到小进行排序；
选取模块，用于选取前N个塔吊事故案例构成相似事故案例序列；所述相似事故案例序列中第N个塔吊事故案例的相似度大于设定值，且所述相似事故案例序列中任意两个相邻塔吊事故案例的相似度的差值小于平均相似度差；所述平均相似度差为所述相似事故案例序列中所有相邻塔吊事故案例的相似度的差值的平均值；
相似度事故信息确定模块，用于确定相似事故信息；所述相似事故信息为所述相似事故案例序列中塔吊事故案例的事故信息；
风险事故类型预测模块，用于由所述相似事故信息确定所述目标案例的风险事故预测类型；所述风险事故预测类型为塔吊可能会发生的风险事故类型。
6.根据权利要求5所述的一种基于案例推理的塔吊风险事故预测系统，其特征在于，所述权重计算模块，具体包括：
获取单元，用于获取塔吊事故案例相似性指标序列；所述塔吊事故案例相似性指标序列是将所述所述塔吊事故案例相似性指标体系中的指标按照重要程度由大到小排列得到的；所述塔吊事故案例相似性指标序列中包括m个塔吊事故案例相似性指标；
第一计算单元，用于计算每份问卷中所述塔吊事故案例相似性指标体系中第m个塔吊事故案例相似性指标的权重值，其中，
XWm为第m个塔吊事故案例相似性指标的权重值，Rj为第j-1个塔吊事故案例相似性指标相比于第j个塔吊事故案例相似性指标的重要程度；
第二计算单元，用于计算每份问卷中所述塔吊事故案例相似性指标体系中前m-1个塔吊事故案例相似性指标的权重值，其中，XWk＝Rk+1XWk+1，k＝m-1,m-2,…,1，XWk为第k个塔吊事故案例相似性指标的权重值，XWk+1为第k+1个塔吊事故案例相似性指标的权重值，Rk+1为第k个塔吊事故案例相似性指标相比于第k+1个塔吊事故案例相似性指标的重要程度；
第三计算单元，用于计算第m个塔吊事故案例相似性指标的平均权重值，其中，
第四计算单元，用于计算前m-1个塔吊事故案例相似性指标的平均权重值，其中，
为第k个塔吊事故案例相似性指标的平均权重值，XWi,k为第i份调查问卷中第k个塔吊事故案例相似性指标的权重值；
权重确定单元，用于确定所述塔吊事故案例相似性指标体系中各指标的权重；所述权重包括所述第m个塔吊事故案例相似性指标的平均权重值和所述前m-1个塔吊事故案例相似性指标的平均权重值。
7.根据权利要求5所述的一种基于案例推理的塔吊风险事故预测系统，其特征在于，所述相似度计算模块，具体包括：
单个指标相似度得分值计算单元，用于采用离散变量二级计分制方法或离散变量三级计分制方法计算所述塔吊事故案例相似性指标体系中每个指标的相似度得分值；
事故案例相似度计算单元，用于依据所述相似度得分值计算目标案例与所述塔吊事故案例数据库中每一个塔吊事故案例的相似度，
其中，CS为目标案例与塔吊事故案例数据库中某个塔吊事故案例的相似度，m为塔吊事故案例相似性指标体系中指标的总数量，XSk为第k个指标的相似度得分值，
为第k个指标的权重。
8.根据权利要求5所述的一种基于案例推理的塔吊风险事故预测系统，其特征在于，所述选取模块中的所述平均相似度差为：
其中，
为平均相似度差，p为相似事故案例序列中塔吊事故案例的总数，CSq为目标案例与相似事故案例序列中第q个塔吊事故案例的相似度，CSq+1为目标案例与相似事故案例序列中第q+1个塔吊事故案例的相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911164458.XA CN111105075A (zh) | 2019-11-25 | 2019-11-25 | 一种基于案例推理的塔吊风险事故预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911164458.XA CN111105075A (zh) | 2019-11-25 | 2019-11-25 | 一种基于案例推理的塔吊风险事故预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111105075A true CN111105075A (zh) | 2020-05-05 |
Family
ID=70420681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911164458.XA Pending CN111105075A (zh) | 2019-11-25 | 2019-11-25 | 一种基于案例推理的塔吊风险事故预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111105075A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837536A (zh) * | 2021-08-18 | 2021-12-24 | 宁波北仑涌和集装箱码头有限公司 | 一种桥吊、龙门吊司机实时智能评价方法及其系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102540879A (zh) * | 2011-12-28 | 2012-07-04 | 北京工业大学 | 基于群决策检索策略的多目标评价优化方法 |
| WO2015055373A2 (en) * | 2013-10-17 | 2015-04-23 | Verdande Technology As | Case-based reasoning |
| CN106779341A (zh) * | 2016-11-30 | 2017-05-31 | 广东工业大学 | 一种电力用户用电状况效能评估的方法及系统 |
| CN108257673A (zh) * | 2018-01-12 | 2018-07-06 | 南通大学 | 患病风险值预测方法及电子设备 |
| CN108734402A (zh) * | 2018-05-23 | 2018-11-02 | 华中科技大学 | 基于虚拟案例的非常规突发事件应急管理决策方法及系统 |
| CN109947806A (zh) * | 2019-03-27 | 2019-06-28 | 江苏扬建集团有限公司 | 一种基于案例推理的超高层施工安全事故应急辅助决策方法 |
| CN110135314A (zh) * | 2019-05-07 | 2019-08-16 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
-
2019
- 2019-11-25 CN CN201911164458.XA patent/CN111105075A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102540879A (zh) * | 2011-12-28 | 2012-07-04 | 北京工业大学 | 基于群决策检索策略的多目标评价优化方法 |
| WO2015055373A2 (en) * | 2013-10-17 | 2015-04-23 | Verdande Technology As | Case-based reasoning |
| CN106779341A (zh) * | 2016-11-30 | 2017-05-31 | 广东工业大学 | 一种电力用户用电状况效能评估的方法及系统 |
| CN108257673A (zh) * | 2018-01-12 | 2018-07-06 | 南通大学 | 患病风险值预测方法及电子设备 |
| CN108734402A (zh) * | 2018-05-23 | 2018-11-02 | 华中科技大学 | 基于虚拟案例的非常规突发事件应急管理决策方法及系统 |
| CN109947806A (zh) * | 2019-03-27 | 2019-06-28 | 江苏扬建集团有限公司 | 一种基于案例推理的超高层施工安全事故应急辅助决策方法 |
| CN110135314A (zh) * | 2019-05-07 | 2019-08-16 | 电子科技大学 | 一种基于深度轨迹预测的多目标跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 白居，李永奎，卢昱杰，乐云.: ""基于改进ＣＢＲ的重大基础设施工程高层管理团队构建方法及验证"", 《系统管理学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837536A (zh) * | 2021-08-18 | 2021-12-24 | 宁波北仑涌和集装箱码头有限公司 | 一种桥吊、龙门吊司机实时智能评价方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ellingwood | Probability-based codified design: past accomplishments and future challenges | |
| CN111582718B (zh) | 基于网络层次分析法的电缆通道火灾风险评估方法及装置 | |
| CN102384856B (zh) | 基于概率有限元法的钢桥疲劳可靠度评估方法 | |
| CN112365100B (zh) | 基于灾害风险综合评估的电网灾害预警及应对方法 | |
| CN109919479A (zh) | 一种工程项目的安全施工评估系统及其评估方法 | |
| CN103678952A (zh) | 一种电梯风险评估方法 | |
| Anwar et al. | Seismic resilience of retrofitted RC buildings | |
| CN103049480A (zh) | 城市重大交通基础设施集群监测及成套管养系统 | |
| CN115239135A (zh) | 一种施工风险识别管控系统及方法 | |
| CN111507603A (zh) | 一种在产企业环境风险现状评估方法和系统 | |
| CN111105075A (zh) | 一种基于案例推理的塔吊风险事故预测方法及系统 | |
| CN105574299A (zh) | 一种轨道交通信号系统的安全预评估方法 | |
| CN115171337A (zh) | 一种用于高大模板安全施工的实时智能监测方法及系统 | |
| CN110675013A (zh) | 建设工程项目施工安全性的评价方法 | |
| CN110414800B (zh) | 超高层建筑施工事故风险源评估方法及装置 | |
| CN109523422A (zh) | 一种配电网故障影响因素的挖掘方法 | |
| Jung | An approach to automated detection of failure in temporary structures using image processing | |
| CN101131752A (zh) | 设备报废判断方法 | |
| Kassem et al. | Development of seismic resilience index methodology for RC structures via functionality curve | |
| CN115496314A (zh) | 一种装配式建筑施工安全风险评估方法 | |
| CN114358539A (zh) | 一种基于风险的铁路运营安全判识方法 | |
| CN113642162B (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
| CN114970273A (zh) | 一种基于arima-lstm组合模型的输电杆塔应变时间序列预测与失稳预警方法 | |
| CN113569908A (zh) | 基于深度学习的桥梁技术状况及病害预测反推演算方法 | |
| CN113191685A (zh) | 施工现场安全综合评测系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |