KR102643654B1 - Construction site safety diaster predicting method and system based on artificial intelligence - Google Patents
Construction site safety diaster predicting method and system based on artificial intelligence Download PDFInfo
- Publication number
- KR102643654B1 KR102643654B1 KR1020210180521A KR20210180521A KR102643654B1 KR 102643654 B1 KR102643654 B1 KR 102643654B1 KR 1020210180521 A KR1020210180521 A KR 1020210180521A KR 20210180521 A KR20210180521 A KR 20210180521A KR 102643654 B1 KR102643654 B1 KR 102643654B1
- Authority
- KR
- South Korea
- Prior art keywords
- disaster
- data
- work
- report
- type
- Prior art date
Links
- 238000010276 construction Methods 0.000 title claims abstract description 73
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims description 21
- 238000007689 inspection Methods 0.000 claims abstract description 49
- 238000011835 investigation Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims description 31
- 230000002265 prevention Effects 0.000 claims description 30
- 238000009795 derivation Methods 0.000 claims description 27
- 238000013480 data collection Methods 0.000 claims description 18
- 230000007717 exclusion Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000004880 explosion Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000003442 weekly effect Effects 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 2
- 238000007726 management method Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 231100001261 hazardous Toxicity 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명에 따른 건설 현장 안전 재해 예측 시스템은, 현장 정보, 작업 허가서, 부적합 보고서, 안전점검 지적 정보, 실적 공정률, 사고 조사 보고서 및 아차사고 보고서를 포함하는 데이터를 이용하여 인공지능 모델을 학습시켜, 상기 인공지능 모델을 이용하여 건설 현장별, 일자별, 재해 유형별 재해 발생 확률을 미리 예측할 수 있으므로, 보다 신속하고 정확하게 재해 발생 확률을 예측하여, 재해 발생을 예방할 수 있는 이점이 있다. 또한, 재해 발생에 영향을 줄 수 있는 위험 요소를 미리 선정하고, 상기 위험 요소에 대한 사전 점검 체크 리스트를 제공함으로써, 재해 발생을 보다 효과적으로 방지할 수 있다. 또한, 상기 위험 요소에 대한 과거 유사 재해 정보를 제공함으로써, 재해 발생에 대한 인식율을 향상시킬 수 있다. The construction site safety disaster prediction system according to the present invention trains an artificial intelligence model using data including site information, work permits, nonconformity reports, safety inspection information, performance progress rates, accident investigation reports, and near-miss reports, Since the artificial intelligence model can be used to predict in advance the probability of disaster occurrence by construction site, date, and disaster type, there is an advantage in preventing disaster occurrence by predicting the probability of disaster occurrence more quickly and accurately. Additionally, by pre-selecting risk factors that may affect the occurrence of a disaster and providing a pre-inspection checklist for the risk factors, the occurrence of disasters can be more effectively prevented. Additionally, by providing past similar disaster information on the above risk factors, the awareness rate of disaster occurrence can be improved.
Description
본 발명은 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법 및 시스템에 관한 것으로서, 보다 상세하게는 인공지능 모델을 이용하여 재해 유형별 재해 발생 확률을 보다 정확하게 예측하여, 재해 발생을 미리 예측하여 방지할수 있는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법 및 시스템에 관한 것이다. The present invention relates to a method and system for predicting safety disasters at construction sites based on artificial intelligence. More specifically, it is possible to more accurately predict the probability of disaster occurrence by disaster type using an artificial intelligence model and prevent disaster occurrence by predicting it in advance. This is about a construction site safety disaster prediction method and system based on artificial intelligence.
일반적으로 건설 현장에서는 안전사고가 지속적으로 발생함에 따라 각 건설사에서는 현장의 안전관리 및 재해 예방에 많은 관심을 가지고 있다. 또한, 최근에는 정부 차원의 법적 규제가 강화되어, 안전관리 및 재해 예방의 중요성이 더욱 높아지고 있다. In general, as safety accidents continue to occur at construction sites, each construction company is very interested in on-site safety management and disaster prevention. In addition, as legal regulations at the government level have been strengthened recently, the importance of safety management and disaster prevention is increasing.
종래의 건설 현장에서는 센싱 데이터 분석, 이미지 또는 영상 분석 등을 포함한 빅데이터 기반 안전 관리 방법을 주로 실시하고 있으나, 이는 주로 단일 사고 유형을 대상으로 진행되었다. 따라서, 작업 특성, 장비, 협력 업체, 환경 요인 등 다양한 위험 요인이 복합적으로 내재된 건설 현장의 상황을 정확히 반영하기 어려운 문제점이 있다. At conventional construction sites, big data-based safety management methods, including sensing data analysis and image or video analysis, are mainly implemented, but these are mainly conducted for single accident types. Therefore, there is a problem in that it is difficult to accurately reflect the situation at the construction site, which is complex with various risk factors such as work characteristics, equipment, partners, and environmental factors.
본 발명의 목적은, 실제 건설 현장의 상황을 보다 정확히 반영하여 재해 발생 확률을 예측할 수 있는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법 및 시스템을 제공하는 데 있다. The purpose of the present invention is to provide a construction site safety disaster prediction method and system based on artificial intelligence that can predict the probability of disaster occurrence by more accurately reflecting the actual construction site situation.
본 발명에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법은, 다수의 건설 현장들의 현장 정보, 작업 허가서(PTW, Permit To Work), 부적합 보고서(NCR, Non Conformance Report), 안전점검 지적 정보, 실적 공정률, 사고 조사 보고서 및 아차사고(Near Miss) 보고서를 포함하는 데이터를 수집하는 데이터 수집단계와; 상기 데이터 수집단계에서 수집한 데이터 중에서 상기 작업 허가서, 상기 부적합 보고서, 상기 안전점검 지적 정보 및 상기 실적 공정률에 대한 데이터들을 재해 원인 데이터로 전처리하고, 상기 사고 조사 보고서 및 상기 아차사고 보고서에 대한 데이터를 재해 결과 데이터로 전처리하는 데이터 전처리단계와; 상기 재해 원인 데이터를 입력 변수로 사용하고, 상기 재해 결과 데이터를 종속 변수로 사용하여 기계학습하여, 상기 재해 원인 데이터에 포함된 변수들의 중요도와 재해 유형별 재해 발생 확률을 예측할 수 있는 인공지능 모델을 구축하는 학습단계와; 상기 인공지능 모델에 재해 발생 확률을 예측하여 관리하고자 하는 재해 관리 대상 현장에 대한 상기 재해 원인 데이터가 입력되면, 상기 인공지능 모델이 상기 작업 허가서에 포함된 변수들의 중요도와 재해 유형별 재해 발생 확률을 도출하는 재해 발생 확률 도출단계와; 상기 재해 발생 확률 도출단계에서 도출된 상기 변수들의 중요도와 상기 재해 유형별 재해 발생 확률에 따라 상기 재해 관리 대상 현장에서 사전 점검해야 할 사전점검 체크리스트와 과거 유사 재해 정보 중 적어도 하나를 포함하는 재해 예방책을 도출하는 재해 예방책 도출단계를 포함한다.The method for predicting safety disasters at construction sites based on artificial intelligence according to the present invention includes field information from multiple construction sites, Permit To Work (PTW), Non Conformance Report (NCR), and safety inspection information. , a data collection step to collect data including performance progress rates, accident investigation reports, and near miss reports; Among the data collected in the data collection step, the work permit, the nonconformity report, the safety inspection information, and the data on the performance progress rate are preprocessed into disaster cause data, and the data on the accident investigation report and the near miss report are A data preprocessing step of preprocessing disaster result data; Using the disaster cause data as an input variable and machine learning using the disaster result data as a dependent variable, an artificial intelligence model is built that can predict the importance of variables included in the disaster cause data and the probability of disaster occurrence by disaster type. A learning step and; When the disaster cause data for a disaster management site for which the probability of disaster occurrence is to be predicted and managed is input into the artificial intelligence model, the artificial intelligence model derives the importance of variables included in the work permit and the probability of disaster occurrence by disaster type. A step of deriving the probability of a disaster occurring; According to the importance of the variables derived in the disaster occurrence probability derivation step and the disaster occurrence probability for each disaster type, a disaster prevention plan including at least one of a pre-inspection checklist to be inspected in advance at the disaster management site and information on similar disasters in the past is established. It includes the step of deriving disaster prevention measures.
상기 작업 허가서에 대한 데이터는 장비, 기계 및 공종 중 적어도 일부의 작업 정보를 포함하고, 상기 데이터 전처리단계에서는 상기 작업 허가서에 대한 데이터를 미리 설정된 설정 기간 단위로 변환하고, 설정 기간별로 장비와 기계의 각 사용 비율, 공종의 작업 여부로 변수로 전처리한다.The data on the work permit includes work information on at least some of equipment, machines, and work types, and in the data preprocessing step, the data on the work permit is converted into preset period units, and the equipment and machines are stored for each set period. It is pre-processed as a variable based on the percentage of use and whether or not the work type is being worked.
상기 부적합 보고서에 대한 데이터는 재해 유형, 재해 기인물 및 재해 기인 공종 중 적어도 일부를 포함하고, 상기 데이터 전처리단계에서는 상기 부적합 보고서에 대한 데이터를 미리 설정된 제1설정 기간 단위로 합산 후, 상기 제1설정 기간보다 짧은 제2설정 기간 단위로 변환하여, 상기 제2설정 기간별로 재해 유형의 비율, 재해 기인물의 비율, 재해 기인 공종의 비율을 변수로 전처리한다.The data for the nonconformity report includes at least some of the disaster type, disaster-caused article, and disaster-caused work type, and in the data preprocessing step, the data for the nonconformity report is summed in a preset first set period unit, and then the first preset period is used. It is converted into a second set period unit that is shorter than the set period, and the ratio of disaster types, the ratio of disaster-attributed items, and the ratio of disaster-attributed construction types for each second set period are preprocessed as variables.
상기 안전점검 지적 정보에 대한 데이터는, 경고, 교육, 작업 배제 중 적어도 일부 횟수를 포함하고, 상기 데이터 전처리단계에서는, 상기 안전점검 지적 정보에 대한 데이터를 미리 설정된 제1설정 기간 단위로 합산 후, 상기 제1설정 기간보다 짧은 제2설정 기간 단위로 변환하여, 상기 제2설정 기간 별로 경고 비율, 교육 비율, 작업 배제 비율을 변수로 전처리한다.The data on the safety inspection indication information includes at least some of the number of warnings, training, and work exclusions, and in the data preprocessing step, after summing the data on the safety inspection indication information by a preset first set period unit, The unit is converted into a second set period shorter than the first set period, and the warning rate, training rate, and work exclusion rate are preprocessed into variables for each second set period.
상기 사고 조사 보고서에 대한 데이터는 재해 유형과 재해 심각도를 포함하고, 상기 아차사고 보고서에 대한 데이터는 아차사고에 대한 재해 유형을 포함하고, 상기 데이터 전처리단계에서는, 상기 사고 조사 보고서에 대한 데이터와 상기 아차사고 보고서에 대한 데이터를 통합한 후, 재해 일자별 재해 유형과 재해 심각도를 포함한 상기 재해 결과 데이터의 변수로 전처리한다.The data for the accident investigation report includes the disaster type and disaster severity, the data for the near miss report includes the disaster type for the near miss, and in the data preprocessing step, the data for the accident investigation report and the After integrating data on near miss reports, it is preprocessed with variables from the above disaster outcome data, including disaster type and disaster severity by disaster date.
상기 재해 유형은, 추락, 낙하, 비래, 전도, 붕괴, 충돌, 협착, 화재, 폭발 중 적어도 일부를 포함하고, 상기 재해 발생 확률은, 상기 건설 현장마다 일자 별 재해 유형별 재해 발생 확률과 일자별 종합 재해 발생 확률을 포함한다.The disaster type includes at least some of fall, fall, flying, fall, collapse, collision, constriction, fire, and explosion, and the probability of occurrence of the disaster is the probability of occurrence of disaster by disaster type by date and comprehensive disaster by date for each construction site. Includes probability of occurrence.
상기 재해 예방책 도출단계에서는, 상기 중요도가 높게 도출된 설정 개수의 변수들을 위험요소로 선정하고, 상기 위험요소에 대한 점검 사항을 상기 사전점검 체크리스트에 포함한다.In the disaster prevention plan derivation step, a set number of variables with high importance are selected as risk factors, and inspection items for the risk factors are included in the pre-inspection checklist.
상기 재해 예방책 도출단계에서는, 상기 중요도가 높게 도출된 설정 개수의 변수들을 위험요소로 선정하고, 상기 위험요소와 상기 재해 유형별 재해 발생 확률과 유사한 사례의 과거 유사 재해 정보를 도출하고, 상기 과거 유사 재해 정보는, 재해 유형, 재해 심각도 및 재해 상세 내용 중 적어도 일부를 포함한다.In the disaster prevention plan derivation step, a set number of variables with high importance are selected as risk factors, the risk factors and the probability of disaster occurrence for each disaster type, and information on past similar disasters of similar cases are derived, and the past similar disasters are derived. The information includes at least some of the following: disaster type, disaster severity, and disaster details.
본 발명의 다른 측면에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법은, 다수의 건설 현장들의 현장 정보, 작업 허가서(PTW, Permit To Work), 부적합 보고서(NCR, Non Conformance Report), 안전점검 지적 정보, 실적 공정률, 사고 조사 보고서 및 아차사고(Near Miss) 보고서를 포함하는 데이터를 수집하는 데이터 수집단계와; 상기 데이터 수집단계에서 수집한 데이터 중에서 상기 작업 허가서, 상기 부적합 보고서, 상기 안전점검 지적 정보 및 상기 실적 공정률에 대한 데이터들을 재해 원인 데이터로 전처리하고, 상기 사고 조사 보고서 및 상기 아차사고 보고서에 대한 데이터를 재해 결과 데이터로 전처리하는 데이터 전처리단계와; 상기 재해 원인 데이터를 입력 변수로 사용하고, 상기 재해 결과 데이터를 종속 변수로 사용하여 기계학습하여, 상기 재해 원인 데이터에 포함된 변수들의 중요도와 재해 발생 확률을 예측할 수 있는 인공지능 모델을 구축하는 학습단계와; 상기 인공지능 모델에 재해 발생 확률을 예측하여 관리하고자 하는 재해 관리 대상 현장에 대한 상기 재해 원인 데이터가 입력되면, 상기 인공지능 모델이 상기 작업 허가서에 포함된 변수들의 중요도와 재해 유형별 재해 발생 확률을 도출하는 재해 발생 확률 도출단계와; 상기 재해 발생 확률 도출단계에서 도출된 상기 변수들의 중요도와 상기 재해 유형별 재해 발생 확률에 따라 상기 재해 관리 대상 현장에서 사전 점검해야 할 사전점검 체크리스트와 과거 유사 재해 정보 중 적어도 하나를 포함하는 재해 예방책을 도출하는 재해 예방책 도출단계를 포함하고, 상기 재해 유형은, 추락, 낙하, 비래, 전도, 붕괴, 충돌, 협착, 화재, 폭발 중 적어도 일부를 포함하고, 상기 재해 발생 확률은, 상기 건설 현장마다 일자 별 재해 유형별 재해 발생 확률과 일자별 종합 재해 발생 확률을 포함하고, 상기 재해 예방책 도출단계에서는, 상기 중요도가 높게 도출된 설정 개수의 변수들을 위험요소로 선정하고, 상기 위험요소에 대한 점검 사항을 상기 사전점검 체크리스트에 포함하고, 상기 위험요소와 상기 재해 유형별 재해 발생 확률과 유사한 사례의 과거 유사 재해 정보를 도출하고, 상기 과거 유사 재해 정보는, 재해 유형, 재해 심각도 및 재해 상세 내용 중 적어도 일부를 포함한다.The artificial intelligence-based construction site safety disaster prediction method according to another aspect of the present invention includes field information of multiple construction sites, Permit To Work (PTW), Non Conformance Report (NCR), and safety information. A data collection step of collecting data including inspection indication information, performance progress rate, accident investigation report, and near miss report; Among the data collected in the data collection step, the work permit, the nonconformity report, the safety inspection information, and the data on the performance progress rate are preprocessed into disaster cause data, and the data on the accident investigation report and the near miss report are A data preprocessing step of preprocessing disaster result data; Learning to build an artificial intelligence model that can predict the importance of variables included in the disaster cause data and the probability of disaster occurrence by using the disaster cause data as an input variable and machine learning using the disaster result data as a dependent variable. Steps and; When the disaster cause data for a disaster management site for which the probability of disaster occurrence is to be predicted and managed is input into the artificial intelligence model, the artificial intelligence model derives the importance of variables included in the work permit and the probability of disaster occurrence by disaster type. A step of deriving the probability of a disaster occurring; According to the importance of the variables derived in the disaster occurrence probability derivation step and the disaster occurrence probability for each disaster type, a disaster prevention plan including at least one of a pre-inspection checklist to be inspected in advance at the disaster management site and information on similar disasters in the past is established. It includes a step of deriving disaster prevention measures, wherein the disaster type includes at least some of fall, fall, flying, fall, collapse, collision, constriction, fire, and explosion, and the probability of occurrence of the disaster is the date for each construction site. It includes the probability of disaster occurrence by disaster type and the overall probability of disaster occurrence by date, and in the disaster prevention plan derivation step, the set number of variables with high importance is selected as risk factors, and inspection items for the risk factors are set in the dictionary. It is included in the inspection checklist, and past similar disaster information of similar cases is derived from the risk factors and the probability of disaster occurrence by disaster type, and the past similar disaster information includes at least some of disaster type, disaster severity, and disaster details. do.
본 발명에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템은, 다수의 건설 현장들의 현장 정보, 작업 허가서(PTW, Permit To Work), 부적합 보고서(NCR, Non Conformance Report), 안전점검 지적 정보, 실적 공정률, 사고 조사 보고서 및 아차사고(Near Miss) 보고서를 포함하는 데이터를 수집하는 데이터 수집부와; 상기 데이터 수집부가 수집한 데이터 중에서 상기 작업 허가서, 상기 부적합 보고서, 상기 안전점검 지적 정보 및 상기 실적 공정률에 대한 데이터들을 재해 원인 데이터로 전처리하고, 상기 사고 조사 보고서 및 상기 아차사고 보고서에 대한 데이터를 재해 결과 데이터로 전처리하는 데이터 전처리부와; 상기 재해 원인 데이터와 상기 재해 결과 데이터를 변수로 사용하여 학습하여, 상기 재해 원인 데이터에 포함된 변수들의 중요도와 재해 유형별 재해 발생 확률을 예측할 수 있는 인공지능 모델을 구축하는 모델 학습부와; 상기 인공지능 모델에 재해 발생 확률을 예측하여 관리하고자 하는 재해 관리 대상 현장에 대한 상기 재해 원인 데이터가 입력되면, 상기 인공지능 모델로부터 상기 작업 허가서에 포함된 변수들의 중요도와 재해 유형별 재해 발생 확률을 도출하는 재해 발생 확률 예측부와; 상기 재해 발생 확률 도출단계에서 도출된 상기 변수들의 중요도와 상기 재해 유형별 재해 발생 확률에 따라 상기 재해 관리 대상 현장에서 사전 점검해야 할 사전점검 체크리스트와 과거 유사 재해 정보 중 적어도 하나를 포함하는 재해 예방책을 도출하는 재해 예방책 도출부를 포함한다. The artificial intelligence-based construction site safety disaster prediction system according to the present invention includes field information of multiple construction sites, work permits (PTW, Permit To Work), nonconformance reports (NCR), and safety inspection information. , a data collection department that collects data including performance progress ratios, accident investigation reports, and near miss reports; Among the data collected by the data collection unit, the work permit, the nonconformity report, the safety inspection indication information, and the data on the performance progress rate are preprocessed into disaster cause data, and the data on the accident investigation report and the near miss report are preprocessed into disaster cause data. a data preprocessing unit that preprocesses the resulting data; a model learning unit that learns using the disaster cause data and the disaster result data as variables to build an artificial intelligence model that can predict the importance of variables included in the disaster cause data and the probability of disaster occurrence by disaster type; When the disaster cause data for a disaster management site for which the probability of disaster occurrence is to be predicted and managed is input into the artificial intelligence model, the importance of the variables included in the work permit and the probability of disaster occurrence by disaster type are derived from the artificial intelligence model. a disaster occurrence probability prediction unit; According to the importance of the variables derived in the disaster occurrence probability derivation step and the disaster occurrence probability for each disaster type, a disaster prevention plan including at least one of a pre-inspection checklist to be inspected in advance at the disaster management site and information on similar disasters in the past is established. Includes a disaster prevention plan derivation section.
본 발명에 따른 건설 현장 안전 재해 예측 시스템은, 현장 정보, 작업 허가서, 부적합 보고서, 안전점검 지적 정보, 실적 공정률, 사고 조사 보고서 및 아차사고 보고서를 포함하는 데이터를 이용하여 인공지능 모델을 학습시켜, 상기 인공지능 모델을 이용하여 건설 현장별, 일자별, 재해 유형별 재해 발생 확률을 미리 예측할 수 있으므로, 보다 신속하고 정확하게 재해 발생 확률을 예측하여, 재해 발생을 예방할 수 있는 이점이 있다. The construction site safety disaster prediction system according to the present invention trains an artificial intelligence model using data including site information, work permits, nonconformity reports, safety inspection information, performance progress rates, accident investigation reports, and near-miss reports, Since the artificial intelligence model can be used to predict in advance the probability of disaster occurrence by construction site, date, and disaster type, there is an advantage in preventing disaster occurrence by predicting the probability of disaster occurrence more quickly and accurately.
또한, 재해 발생에 영향을 줄 수 있는 위험 요소를 미리 선정하고, 상기 위험 요소에 대한 사전 점검 체크 리스트를 제공함으로써, 재해 발생을 보다 효과적으로 방지할 수 있다.Additionally, by pre-selecting risk factors that may affect the occurrence of a disaster and providing a pre-inspection checklist for the risk factors, the occurrence of disasters can be more effectively prevented.
또한, 상기 위험 요소에 대한 과거 유사 재해 정보를 제공함으로써, 재해 발생에 대한 인식율을 향상시킬 수 있다. Additionally, by providing past similar disaster information on the above risk factors, the awareness rate of disaster occurrence can be improved.
도 1은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 구성을 개략적으로 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법을 나타낸 순서도이다.
도 3은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법에서 작업 허가서에 대한 데이터를 전처리하는 예를 나타낸다.
도 4는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법에서 부적합 보고서에 대한 데이터를 전처리하는 예를 나타낸다.
도 5는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 화면에서 재해 유형별 재해 발생확률을 나타낸 예이다.
도 6은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법에서 변수의 중요도를 나타낸 표이다.
도 7은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 화면에서 재해위험지표와 사전점검 체크 리스트를 나타낸 예이다.
도 8은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 화면에서 재해위험지표와 유사 재해 정보를 나타낸 예이다.
도 9는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 화면에서 재해위험지표와 재해 유형 분석 결과를 나타낸 예이다.
도 10은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 인공지능 모델의 예측 결과 검증 예를 나타낸다.Figure 1 is a block diagram schematically showing the configuration of a construction site safety disaster prediction system based on artificial intelligence according to an embodiment of the present invention.
Figure 2 is a flowchart showing a construction site safety disaster prediction method based on artificial intelligence according to an embodiment of the present invention.
Figure 3 shows an example of preprocessing data on work permits in the artificial intelligence-based construction site safety disaster prediction method according to an embodiment of the present invention.
Figure 4 shows an example of preprocessing data for nonconformity reports in the artificial intelligence-based construction site safety disaster prediction method according to an embodiment of the present invention.
Figure 5 is an example showing the probability of disaster occurrence by disaster type on the screen of the artificial intelligence-based construction site safety disaster prediction system according to an embodiment of the present invention.
Figure 6 is a table showing the importance of variables in the artificial intelligence-based construction site safety disaster prediction method according to an embodiment of the present invention.
Figure 7 is an example showing a disaster risk index and a preliminary inspection checklist on the screen of an artificial intelligence-based construction site safety disaster prediction system according to an embodiment of the present invention.
Figure 8 is an example showing disaster risk indicators and similar disaster information on the screen of the artificial intelligence-based construction site safety disaster prediction system according to an embodiment of the present invention.
Figure 9 is an example showing the disaster risk index and disaster type analysis results on the screen of the artificial intelligence-based construction site safety disaster prediction system according to an embodiment of the present invention.
Figure 10 shows an example of verification of the prediction results of the artificial intelligence model of the artificial intelligence-based construction site safety disaster prediction system according to an embodiment of the present invention.
이하, 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Hereinafter, with reference to the attached drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily implement the present invention. However, the present invention may be implemented in many different forms and is not limited to the embodiments described herein. Throughout the specification, when a part is said to “include” a certain element, this means that it may further include other elements rather than excluding other elements, unless specifically stated to the contrary.
도 1은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 구성을 개략적으로 나타낸 블록도이다.Figure 1 is a block diagram schematically showing the configuration of a construction site safety disaster prediction system based on artificial intelligence according to an embodiment of the present invention.
상기 건설 현장은, 주택, 빌딩, 도로, 교량 등을 건설하는 현장을 모두 포함한다. 다만, 이에 한정되지 않고, 상기 건설 현장은, 재해 예측 관리가 필요한 현장이라면 적용 가능하다. The construction site includes all sites where houses, buildings, roads, bridges, etc. are constructed. However, it is not limited to this, and the above construction site can be applied to any site that requires disaster prediction and management.
상기 건설 현장 안전 재해 예측 시스템(10)은, 데이터 수집부(11), 데이터 전처리부(12), 모델 학습부(13), 재해발생 확률 예측부(14), 재해 예방책 도출부(15)를 포함한다.The construction site safety
상기 데이터 수집부(11)는, 다수의 기 건설 현장들의 현장 정보, 작업 허가서(PTW, Permit To Work), 부적합 보고서(NCR, Non Conformance Report), 안전점검 지적 정보, 실적 공정률, 사고 조사 보고서 및 아차사고(Near Miss) 보고서를 포함하는 로우 데이터(raw data)를 수집한다. 상기 로우 데이터는 미리 구축된 데이터베이스에 저장된 것으로 예를 들어 설명하나, 이에 한 장되지 않고 별도의 서버로부터 제공받는 것도 물론 가능하다.The
상기 현장 정보는, 현장명과 현장 코드 등을 포함한다.The site information includes site name and site code.
상기 작업 허가서는, 상기 현장코드와, 미리 설정된 설정 기간 단위로 예정된 장비, 기계 및 공종에 대한 정보를 포함한다. 상기 작업 허가서는, 각 현장에서 작업을 수행하기 전 예정된 작업 정보를 보고하기 위해 작성되어, 향후 현장에서 수행될 작업 정보를 미리 알 수 있는 것이며, 상기 데이터베이스에 저장된 데이터이다. 상기 작업 허가서는, 주 또는 월 단위의 중장기 작업 정보를 한번에 기재하여 작성된다. The work permit includes the site code and information on equipment, machines, and work types scheduled for a preset period. The work permit is written to report information on scheduled work before performing work at each site, so that information on work to be performed at the site in the future can be known in advance, and is data stored in the database. The work permit is prepared by listing mid- to long-term work information on a weekly or monthly basis at once.
상기 부적합 보고서는, 상기 현장코드와, 미리 설정된 보고 기간 동안 보고된 재해 유형, 재해 기인물 및 재해 기인 공종에 대한 정보를 포함한다. 상기 부적합 보고서는, 각 현장의 안전 담당자가 현장 점검 과정에서 발견된 위험요소를 지적한 내용을 문서화하여 관리하기 위하여 작성되어, 상기 데이터베이스에 저장된 데이터이다. 상기 위험요소는 향후 재해발생의 직, 간접적인 원인으로 작용할 수 있는 요소들이며, 재해발생 예측을 위해 활용된다. The nonconformity report includes the site code, information on the type of disaster reported during a preset reporting period, the article attributable to the disaster, and the type of work attributable to the disaster. The nonconformity report is data prepared and stored in the database to document and manage the contents pointed out by safety personnel at each site on risk factors found during the site inspection. The above risk factors are factors that can act as direct or indirect causes of future disasters, and are used to predict disaster occurrence.
상기 안전 지적 정보는, 상기 현장코드와, 미리 설정된 설정 기간 동안 지적된 경고, 교육 및 작업 배제의 횟수를 포함한다. 상기 안전 지적 정보는 각 현장의 안전 담당자가 현장 점검 과정에서 지적한 안전지적사항을 포함하며, 상기 데이터베이스에 저장된 데이터이다. 상기 안전 지적 정보는, 재해발생과의 상관관계가 가장 높은 1달 단위로 누적된 데이터를 사용하는 것으로 예를 들어 설명한다.The safety notice information includes the site code and the number of warnings, training, and work exclusions noted during a preset set period. The safety indication information includes safety indications pointed out by safety personnel at each site during the on-site inspection process, and is data stored in the database. The above safety indication information is explained as an example using data accumulated on a monthly basis, which has the highest correlation with the occurrence of disasters.
상기 실적 공정률은, 상기 현장코드와 월간 실적 공정률을 포함한다.The performance progress rate includes the field code and the monthly performance progress rate.
상기 사고 조사 보고서는, 상기 현장코드와, 미리 설정된 설정 기간 동안 재해 유형과 재해 심각도에 대한 정보를 포함한다. 상기 재해 유형은, 추락, 낙하, 비래, 전도, 붕괴, 충돌, 협착, 화재, 폭발 중 적어도 일부를 포함하는 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 건설 현장에서 발생할 수 있는 재해 유형이라면 어느 것이나 적용 가능하다. 상기 재해 심각도는, 사망, 부상 정도 등으로 분류될 수 있다.The accident investigation report includes the site code and information on the disaster type and disaster severity for a preset period of time. The disaster type is exemplified as including at least some of a fall, a fall, a flying fall, a fall, a collapse, a collision, a narrowing, a fire, and an explosion. However, it is not limited to this and can be applied to any type of disaster that may occur at the above construction site. The severity of the disaster can be classified into degrees of death, injury, etc.
상기 아차사고 보고서는, 상기 현장코드와, 상기 설정 기간 동안 상기 아차사고에 대한 재해유형을 포함한다. 상기 아차사고(Near Miss)는, 하마터면 안전사고가 일어날 뻔했으나 다행히 실제 사고로 이어지지 않은 상태를 의미한다.The near miss report includes the site code and a disaster type for the near miss during the set period. The near miss refers to a situation in which a safety accident almost occurred, but fortunately did not lead to an actual accident.
상기 데이터 전처리부(12)는, 상기 데이터 수집부(11)가 수집한 로우 데이터로부터 상기 작업 허가서, 상기 부적합 보고서, 상기 안전점검 지적 정보 및 상기 실적 공정률에 대한 데이터들은 재해 원인 데이터로 전처리하고, 상기 사고 조사 보고서 및 상기 아차사고 보고서에 대한 데이터들은 재해 결과 데이터로 전처리한다. 즉, 상기 데이터 전처리부(12)는 상기 데이터 수집부(11)가 수집한 데이터들을 상기 인공지능 모델에 학습시키기 위한 변수들로 전처리하는 바, 상기 데이터 전처리부(12)가 데이터를 전처리하는 내용은 뒤에서 상세히 설명하기로 한다.The
상기 모델 학습부(13)는, 상기 재해 원인 데이터를 입력 변수로 하고, 상기 재해 결과 데이터를 종속 변수로 사용하여 기계 학습하여, 현장별 입력 변수의 중요도와 재해 발생 확률을 예측할 수 있는 인공지능 모델을 구축한다. The
상기 재해 발생 확률 예측부(14)는, 상기 인공지능 모델에 재해 관리 대상 현장에 대한 작업 허가서와 실적 공정률이 입력되면, 상기 인공지능 모델로부터 상기 작업 허가서에 포함된 변수들의 중요도와 재해 유형별 재해 발생 확률을 도출한다. 여기서, 상기 변수의 중요도는, 상기 인공지능 모델에 입력된 복수의 입력 변수들이 각각 재해 발생 확률에 기여하는 정도를 수치로 산출한 것이다. 상기 변수의 중요도는, 지니 불순도(Gini impurity)를 이용하여 산출가능하다.When the work permit and performance progress rate for a site subject to disaster management are input into the artificial intelligence model, the disaster occurrence
상기 재해 예방책 도출부(15)는, 상기 재해 발생 확률 예측부(14)에서 도출된 결과에 따라 재해 예방책을 도출한다. 상기 재해 예방책 도출부(15)는, 상기 변수의 중요도와 상기 재해 유형별 재해 발생 확률에 따라 상기 재해 관리 대상 현장에서 사전 점검해야 할 사전점검 체크리스트와 과거 유사 재해 정보 중 적어도 하나를 포함하는 재해 예방책을 도출한다.The disaster prevention
상기와 같이 구성된 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법을 설명하면, 다음과 같다. The artificial intelligence-based construction site safety disaster prediction method according to the embodiment of the present invention configured as described above will be described as follows.
도 2는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법을 나타낸 순서도이다. Figure 2 is a flowchart showing a construction site safety disaster prediction method based on artificial intelligence according to an embodiment of the present invention.
도 2를 참조하면, 먼저, 데이터 수집단계에서는 상기 데이터 수집부(11)가 상기 현장 정보, 작업 허가서(PTW, Permit To Work), 부적합 보고서(NCR, Non Conformance Report), 안전점검 지적 정보, 실적 공정률, 사고 조사 보고서 및 아차사고(Near Miss) 보고서를 포함하는 데이터를 수집한다.(S1)Referring to FIG. 2, first, in the data collection step, the
다음으로 데이터 전처리단계에서는 상기 데이터 전처리부(12)가 상기 데이터를 전처리한다.(S2)Next, in the data preprocessing step, the
상기 데이터 전처리단계(S2)에서는, 상기 작업 허가서, 상기 부적합 보고서, 상기 안전점검 지적 정보 및 상기 실적 공정률에 대한 데이터들을 재해 원인 데이터로 전처리하고, 상기 사고 조사 보고서 및 상기 아차사고 보고서에 대한 데이터는 재해 결과 데이터로 전처리한다. In the data preprocessing step (S2), the work permit, the nonconformity report, the safety inspection indication information, and the data on the performance progress rate are preprocessed into disaster cause data, and the data on the accident investigation report and the near miss report are Preprocess with disaster outcome data.
상기 작업 허가서에 대한 데이터는 미리 설정된 설정 기간 단위로 변환하고, 상기 설정 기간 별로 장비의 사용 비율, 기계의 사용 비율 및 공종의 작업 여부에 대한 변수들로 전처리한다. 여기서, 상기 설정 기간은 1일인 것으로 예를 들어 설명한다. 상기 작업 허가서는 일반적으로 주 또는 월 단위로 취합된 상태이며, 이들을 일자(day) 단위로 변환한다. 이 때, 하나의 일자에 복수의 작업 보고서들이 포함되므로, 해당 현장에서 해당 일자에 각각의 장비, 기계 및 공종이 포함된 복수의 작업 보고서들을 모두 확인하고, 이로부터 일자 별 데이터를 추출한다. The data on the work permit is converted into a preset period unit and preprocessed with variables for the equipment use rate, machine use rate, and whether or not the type of work is being worked for each set period. Here, the setting period is explained as an example of 1 day. The work permits are generally collected on a weekly or monthly basis and converted to days. At this time, since multiple work reports are included in one date, all multiple work reports containing each equipment, machine, and work type for the relevant date at the relevant site are checked, and data by date is extracted from these.
도 3을 참조하면, 상기 일자별 장비의 사용 비율은, 해당 현장에서 해당 일자에 전체 장비의 총 사용 개수에 대한 해당 장비의 사용 개수를 비율로 계산한 것이다. 또한, 상기 일자 별 기계의 사용 비율은, 해당 현장에서 해당 일자에 전체 기계의 총 사용 개수에 대한 해당 기계의 사용 개수를 비율로 계산할 수 있다. Referring to FIG. 3, the daily equipment usage ratio is calculated as the ratio of the number of devices used to the total number of devices used on that day at the site. In addition, the usage rate of the machine for each day can be calculated as the ratio of the number of machines used to the total number of machines used on that day at the site.
상기 부적합 보고서에 대한 데이터는, 재해 유형, 재해 기인물, 재해 기인 공종을 포함하고, 이들을 미리 설정된 제1설정 기간 단위로 합산 후, 상기 제1설정 기간보다 짧은 제2설정 기간 단위로 변환한다. 여기서, 상기 제1설정 기간은 1달이고, 상기 제2설정 기간은 1일인 것으로 예를 들어 설명한다. 즉, 1달 단위로 누적하여 합산한 후, 일자(DAY) 단위로 다시 변환하고, 일자 별로 재해 유형의 비율, 재해 기인물의 비율, 재해 기인 공종의 비율에 대한 변수들로 전처리한다. The data for the nonconformity report includes disaster type, disaster-caused product, and disaster-caused work type, and these are summed into a preset first set period unit and converted into a second set period unit shorter than the first set period. Here, the first set period is one month, and the second set period is one day. In other words, after accumulating and adding up on a monthly basis, it is converted back into days (DAY) and preprocessed with variables for the proportion of disaster types, proportion of disaster-related items, and proportion of disaster-related construction types for each day.
도 4를 참조하면, 상기 일자별 재해 유형의 비율은, 해당 현장에서 분석 시점부터 1달 전까지의 재해 유형의 발생 건수를 누적 합산 후, 1달 동안 전체 재해 유형의 총 발생 건수에 대한 해당 재해 유형의 발생 건수를 비율로 계산한 것이다. 또한, 상기 재해 기인물의 비율과 상기 재해 기인 공종의 비율을 계산하는 방법도 동일하다. Referring to Figure 4, the ratio of disaster types by date is the cumulative sum of the number of occurrences of the disaster type from the time of analysis to one month before at the site, and then calculated as the ratio of the number of occurrences of the disaster type to the total number of occurrences of all disaster types during one month. The number of occurrences is calculated as a ratio. In addition, the method of calculating the ratio of the disaster-attributable material and the ratio of the disaster-attributable construction type is also the same.
상기 안전점검 지적 정보에 대한 데이터는 설정 기간 동안 지적된 경고, 교육, 작업 배제의 횟수를 포함하고, 이들을 미리 설정된 제1설정 기간 단위로 합산 후, 상기 제1설정 기간보다 짧은 제2설정 기간 단위로 변환한다. 여기서, 상기 제1설정 기간은 1달이고, 상기 제2설정 기간은 1일인 것으로 예를 들어 설명한다. 즉, 이들을 1달 단위로 누적하여 합산한 후, 일자(DAY) 단위로 다시 변환하여, 일자 별로 경고 비율, 교육 비율, 작업 배제 비율에 대한 변수들로 전처리한다. The data on the safety inspection information includes the number of warnings, training, and work exclusions pointed out during a set period, and these are added up to a preset first set period unit, and then set to a second set period unit shorter than the first set period. Convert to Here, the first set period is one month, and the second set period is one day. That is, these are accumulated and added on a monthly basis, then converted back to DAY units, and preprocessed with variables for warning rate, education rate, and work exclusion rate for each day.
상기 사고 조사 보고서에 대한 데이터는 재해 유형과 재해 심각도를 포함하고, 상기 아차사고 보고서는 아차사고에 대한 재해 유형을 포함한다. The data for the accident investigation report includes the disaster type and disaster severity, and the near miss report includes the disaster type for the near miss.
상기 실적 공정률에 대한 데이터는, 공사가 진행된 정도를 백분위수로 산출한 값이다. 본 실시예에서는, 상기 실적 공정률은 1달 기준값을 일단위로 보간하여 사용하는 것으로 예를 들어 설명한다. The data on the performance progress rate is a value calculated by percentile of the progress of construction. In this embodiment, the performance progress rate is explained as an example in which the one-month standard value is interpolated on a daily basis.
상기 데이터 전처리 단계(S2)에서는, 상기 사고 조사 보고서에 대한 데이터와 상기 아차사고 보고서에 대한 데이터를 통합한 후, 재해 일자별 재해 유형과 재해 심각도에 대한 변수들로 전처리한다. 즉, 상기 사고 조사 보고서와 상기 아차사고 보고서에 대한 데이터로부터 재해가 발생한 재해 일자 목록과, 재해 일자별 재해 유형 및 재해 심각도 등을 상기 재해 결과 데이터의 변수로 도출된다. In the data preprocessing step (S2), the data for the accident investigation report and the data for the near miss report are integrated and then preprocessed with variables for disaster type and disaster severity by disaster date. That is, from the data on the accident investigation report and the near miss report, a list of disaster dates on which disasters occurred, disaster types and disaster severity by disaster date, etc. are derived as variables of the disaster result data.
상기 데이터 전처리 단계(S2)에서 기계 학습을 위한 데이터가 전처리되고 나면, 상기 데이터 전처리 단계(S2)에서 전처리된 상기 재해 원인 데이터를 학습을 위한 입력 변수로 사용하고, 상기 재해 결과 데이터를 학습을 위한 종속 변수로 사용하여, 인공지능 모델을 학습시키는 학습단계를 수행한다.(S3)After the data for machine learning is preprocessed in the data preprocessing step (S2), the disaster cause data preprocessed in the data preprocessing step (S2) is used as an input variable for learning, and the disaster result data is used for learning. Using it as a dependent variable, a learning step is performed to train the artificial intelligence model. (S3)
상기 학습단계(S3)에서는, 상기 입력 변수에 따라 현장별 입력 변수의 중요도와 재해 유형별 재해 발생 확률을 예측할 수 있는 상기 인공지능 모델이 학습되어 생성된다. 상기 학습단계(S3)에서는 데이터에 대한 과적합(Overfitting)을 회피하기 위하여 앙상블 모델을 활용하였다. 또한, 랜덤 포레스트(Random Forest)를 분석 알고리즘으로 사용하였다. In the learning step (S3), the artificial intelligence model that can predict the importance of input variables for each site and the probability of disaster occurrence for each disaster type is learned and generated according to the input variables. In the learning step (S3), an ensemble model was used to avoid overfitting the data. Additionally, Random Forest was used as an analysis algorithm.
상기 재해 유형은, 추락, 낙하, 비례, 전도, 붕괴, 충돌, 협착, 화재, 폭발 중 적어도 일부를 포함한다. 이에 한정되지 않고, 상기 건설 현장에 따라 재해 유형이 추가되거나 제외될 수 있다.The disaster type includes at least some of fall, fall, fall, fall, collapse, collision, collision, fire, and explosion. Without being limited to this, disaster types may be added or excluded depending on the construction site.
상기 재해 발생 확률은, 상기 건설 현장마다 일자 별 재해 유형별 재해 발생 확률과 종합 재해 발생 확률을 포함할 수 있다. The probability of disaster occurrence may include a probability of disaster occurrence by disaster type by date and a comprehensive probability of disaster occurrence for each construction site.
이후, 실제 재해 관리 대상 현장에서 재해 발생 확률을 예측하고자 재해 발생 확률 도출단계(S4)를 수행한다.Afterwards, the disaster occurrence probability derivation step (S4) is performed to predict the probability of disaster occurrence at the actual disaster management site.
상기 재해 발생 확률 도출단계(S4)에서는, 상기 재해 관리 대상 현장의 관리자 등 사용자가 해당 현장에 대한 작업 허가서와 실적 공정률을 상기 인공지능 모델에 입력하면, 상기 재해 발생 확률 예측부(14)가 상기 인공지능 모델로부터 상기 작업 허가서에 포함된 변수들의 중요도, 재해 유형별 재해 발생 확률을 도출한다.In the disaster occurrence probability derivation step (S4), when a user such as a manager of the disaster management site inputs the work permit and performance progress rate for the site into the artificial intelligence model, the disaster occurrence
도 5는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 화면에서 재해 유형별 재해 발생확률을 나타낸 예이다. Figure 5 is an example showing the probability of disaster occurrence by disaster type on the screen of the artificial intelligence-based construction site safety disaster prediction system according to an embodiment of the present invention.
도 5를 참조하면, 현장 코드, 현장명, 일자별 재해 유형별 재해 발생 확률, 일자별 종합 재해 발생 확률이 표시된 것을 알 수 있다. 또한, 현장별 재해예측 추이도 표시될 수 있다. Referring to Figure 5, it can be seen that the site code, site name, disaster occurrence probability by disaster type by date, and overall disaster occurrence probability by date are displayed. In addition, disaster prediction trends by site can also be displayed.
도 6은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법에서 변수의 중요도를 나타낸 표이다. Figure 6 is a table showing the importance of variables in the artificial intelligence-based construction site safety disaster prediction method according to an embodiment of the present invention.
도 6a는 작업 보고서에 포함된 공종들(a~e)에 대한 각각의 중요도를 수치로 나타낸다. 도 6b는 각 공종들마다 현장 A와 현장 B에서 작업 예정 여부를 수치로 나타내며, 작업 예정인 경우 1이고, 작업 예정이 아닌 경우 0으로 표시하였다. 도 6c는 복수의 공종들에 대해 각각 중요도 수치와 작업 예정 여부 수치를 곱한 값을 나타낸다. Figure 6a shows numerically the importance of each work type (a to e) included in the work report. Figure 6b shows numerically whether work is scheduled at site A and site B for each work type, with 1 indicating that work is scheduled, and 0 if work is not scheduled. Figure 6c shows the value obtained by multiplying the importance value and the work schedule value for each of the plurality of work types.
상기와 같이 재해 발생 확률이 도출되면, 재해 예방책 도출 단계(S5)가 수행된다. Once the probability of occurrence of a disaster is derived as described above, the disaster prevention plan derivation step (S5) is performed.
상기 재해 예방책 도출 단계(S5)에서는, 상기 재해 예방책 도출부(15)가 상기 재해 관리 대상 현장에서 사전 점검해야 할 사전점검 체크리스트와 과거 유사 재해 정보 중 적어도 하나를 포함하는 재해 예방책을 도출한다.(S5)In the disaster prevention plan derivation step (S5), the disaster prevention
상기 재해 예방책 도출 단계(S5)에서는 상기 재해 발생 확률 도출 단계(S4)에서 중요도가 높게 도출된 설정 개수의 변수들을 위험 요소로 선정하고, 상기 위험 요소에 대한 점검 사항을 상기 사전점검 체크리스트에 포함한다. 여기서, 상기 설정 개수는 상위 3개인 것으로 예를 들어 설명한다. In the disaster prevention plan derivation step (S5), a set number of variables with high importance derived in the disaster occurrence probability derivation step (S4) are selected as risk factors, and inspection items for the risk factors are included in the pre-inspection checklist. do. Here, the number of settings is explained as an example of the top three.
예를 들어, 도 6을 참조하면, 현장 A에서 5개의 공종들(a~e) 중에서 중요도가 높은 상위 3개의 공종 a, 공종 c, 공종 e를 위험 요소 공종으로 선정할 수 있다. 또한, 현장 B에서는 5개의 공종들(a~e) 중에서 중요도가 높은 상위 3개의 공종 a, 공종 b, 공종 c를 위험 요소 공종으로 선정할 수 있다. 본 실시예에서는, 공종에 대한 위험 요소를 선정하는 것을 예를 들어 설명하였으나, 이에 한정되지 않고 상기 작업 보고서에 포함된 장비나 기계에 대한 위험 요소 장비, 위험 요소 공종도 같은 방식으로 선정 가능하다. For example, referring to Figure 6, among the five construction types (a to e) at site A, the top three construction types a, construction c, and construction e with high importance can be selected as risk factor construction types. In addition, at site B, among the five construction types (a to e), the top three highly important construction types a, construction type B, and construction type c can be selected as risk factor construction types. In this embodiment, selection of risk factors for a work type is explained as an example, but the work is not limited to this, and risk factor equipment and risk factor work types for equipment or machines included in the work report can also be selected in the same way.
상기와 같은 방법으로 상기 중요도에 따라 위험 요소가 선정되면, 상기 위험요소에 대한 점검 사항을 상기 사전점검 체크리스트에 포함시켜 도출한다.When risk factors are selected according to the above-mentioned importance in the same manner as above, the inspection items for the risk factors are derived by including them in the pre-inspection checklist.
상기 사전점검 체크리스트는, 상기 건설 현장 안전 재해 예측 시스템을 관리하는 시스템 관리자나 현장 관리자 등 사용자의 단말기의 화면에 표시할 수 있다. The pre-inspection checklist can be displayed on the screen of the terminal of a user such as a system manager or site manager who manages the construction site safety disaster prediction system.
도 7은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 화면에서 재해위험지표와 사전점검 체크 리스트를 나타낸 예이다. Figure 7 is an example showing a disaster risk index and a preliminary inspection checklist on the screen of an artificial intelligence-based construction site safety disaster prediction system according to an embodiment of the present invention.
도 7에서 재해위험지표는 상기 종합 재해 발생 확률이고, 재해 유형별 확률은 상기 재해 유형별 재해 발생 확률을 나타낸다. 또한, 위험 요소 중 위험 작업은 위험 요소로 선정된 공종, 위험 장비는 위험 요소로 선정된 장비, 위험 기계는 위험 요소로 선정된 기계를 나타낸다. 또한, 사전점검 리스트는, 상기 위험 요소로 선정된 공종, 장비 및 기계에 대한 각각의 점검 사항과 체크 사항을 구체적으로 표시하고 있다.In Figure 7, the disaster risk indicator is the overall probability of disaster occurrence, and the probability by disaster type represents the probability of disaster occurrence by disaster type. In addition, among the risk factors, dangerous work refers to the type of work selected as a risk factor, hazardous equipment refers to equipment selected as a risk factor, and hazardous machinery refers to machinery selected as a risk factor. In addition, the pre-inspection list specifically displays inspection items and check items for each type of work, equipment, and machine selected as the risk factors above.
또한, 상기 재해 예방책 도출 단계(S5)에서는 상기 위험 요소와 상기 재해 유형별 재해 발생 확률과 유사한 사례의 과거 유사 재해 정보를 도출한다. In addition, in the disaster prevention measure derivation step (S5), the risk factors, the probability of disaster occurrence for each disaster type, and information on past similar disasters of similar cases are derived.
상기 과거 유사 재해 정보는, 재해 유형, 재해 심각도 및 재해 상세 내용 중 적어도 일부를 포함할 수 있다. 상기 과거 유사 재해 정보는 상기 데이터베이스에 미리 구축된 과거 재해 정보 또는 별도의 서버로부터 제공받는 과거 재해 정보로부터 도출할 수 있다. The past similar disaster information may include at least some of disaster type, disaster severity, and disaster details. The past similar disaster information can be derived from past disaster information pre-established in the database or past disaster information provided from a separate server.
상기 사전점검 체크리스트와 상기 과거 유사 재해 정보는, 시스템 관리자 또는 현장 관리자가 소지한 단말기의 화면에 표시하는 것도 가능하고, 각 현장의 담당자에게 메일 등으로 발송하는 것도 물론 가능하다. The pre-inspection checklist and the past similar disaster information can be displayed on the screen of a terminal held by the system administrator or site manager, and of course can also be sent by email to the person in charge at each site.
도 8은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 화면에서 재해위험지표와 유사 재해 정보를 나타낸 예이다. Figure 8 is an example showing disaster risk indicators and similar disaster information on the screen of the artificial intelligence-based construction site safety disaster prediction system according to an embodiment of the present invention.
도 8을 참조하면, 상기 위험 요소로 선정된 공종에 대한 재해 기인물, 재해 유형, 재해 심각도, 사고 내용을 상기 화면에 표시하는 것으로 예를 들어 설명한다. Referring to FIG. 8, an example will be given in which the disaster-causing material, disaster type, disaster severity, and accident details for the type of construction selected as the risk factor are displayed on the screen.
상기 재해 발생 확률 예측부(14)는, 재해 유형을 분석하여 재해 유형들의 비율, 재해 원인, 재해 기인물 등도 도출할 수 있다. The disaster occurrence
도 9는 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 화면에서 재해위험지표와 재해 유형 분석 결과를 나타낸 예이다. Figure 9 is an example showing the disaster risk index and disaster type analysis results on the screen of the artificial intelligence-based construction site safety disaster prediction system according to an embodiment of the present invention.
도 9를 참조하면, 재해 유형의 비율, 재해 원인 및 재해 기인물을 상기 화면에 도표로 표시한 것으로 예를 들어 설명한다. Referring to FIG. 9, the ratio of disaster types, causes of disasters, and causes of disasters are illustrated as a diagram displayed on the screen as an example.
도 10은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 인공지능 모델의 예측 결과 검증 예를 나타낸다.Figure 10 shows an example of verification of the prediction results of the artificial intelligence model of the artificial intelligence-based construction site safety disaster prediction system according to an embodiment of the present invention.
도 10을 참조하면, 실제 현장에 적용하여 재해 발생 확률을 예측한 결과를 나타내며, 재해 발생 확률이 50%이상인 경우 70%를 예측하였다. 재해 발생 확률의 기준을 조정시 예측률은 보다 상승할 것이다.Referring to Figure 10, the results of predicting the probability of disaster occurrence when applied to an actual field are shown. If the probability of disaster occurrence is more than 50%, 70% was predicted. When adjusting the standard for the probability of disaster occurrence, the prediction rate will increase further.
상기와 같은 본 발명에 따른 건설 현장 안전 재해 예측 시스템은, 데이터와 인공지능 기반으로 재해 유형별 재해 발생 확률을 예측하여 관리할 수 있으므로, 보다 정확한 예측이 가능하여 재해를 미리 예방할 수 있는 이점이 있다.The construction site safety disaster prediction system according to the present invention as described above can predict and manage the probability of disaster occurrence for each disaster type based on data and artificial intelligence, so it has the advantage of enabling more accurate prediction and preventing disasters in advance.
또한, 위험 요소에 대한 사전 점검 체크 리스트를 제공함으로써, 재해 발생을 효과적으로 방지할 수 있다. 또한, 과거 유사 재해 정보를 제공함으로써, 재해 발생에 대한 인식율을 향상시킬 수 있다. Additionally, by providing a pre-inspection checklist for risk factors, disaster occurrence can be effectively prevented. Additionally, by providing information on past similar disasters, the awareness rate of disaster occurrence can be improved.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.The present invention has been described with reference to the embodiments shown in the drawings, but these are merely exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true scope of technical protection of the present invention should be determined by the technical spirit of the appended claims.
11: 데이터 수집부 12: 데이터 전처리부
13: 모델 학습부 14: 재해 발생 확률 예측부
15: 재해 예방책 도출부11: data collection unit 12: data preprocessing unit
13: Model learning unit 14: Disaster probability prediction unit
15: Disaster prevention plan derivation section
Claims (13)
데이터 전처리부가 상기 데이터 수집단계에서 수집한 데이터 중에서 상기 작업 허가서, 상기 부적합 보고서, 상기 안전점검 지적 정보 및 상기 실적 공정률에 대한 데이터들을 재해 원인 데이터로 전처리하고, 상기 사고 조사 보고서 및 상기 아차사고 보고서에 대한 데이터를 재해 결과 데이터로 전처리하는 데이터 전처리단계와;
모델 학습부가 상기 재해 원인 데이터를 입력 변수로 사용하고, 상기 재해 결과 데이터를 종속 변수로 사용하여 기계학습하여, 상기 재해 원인 데이터에 포함된 변수들의 중요도와 재해 유형별 재해 발생 확률을 예측할 수 있는 인공지능 모델을 구축하는 학습단계와;
재해 발생 확률 예측부는, 재해 발생 확률을 예측하여 관리하고자 하는 실제 재해 관리 대상 현장에 대한 작업 허가서와 실적 공정률이 상기 인공지능 모델에 입력되면, 상기 인공지능 모델로부터 상기 작업 허가서에 포함된 변수들의 중요도와 재해 유형별 재해 발생 확률을 도출하는 재해 발생 확률 도출단계와;
재해 예방책 도출부는, 상기 재해 발생 확률 도출단계에서 도출된 상기 변수들의 중요도와 상기 재해 유형별 재해 발생 확률에 따라 상기 재해 관리 대상 현장에서 사전 점검해야 할 사전점검 체크리스트와 과거 유사 재해 정보 중 적어도 하나를 포함하는 재해 예방책을 도출하는 재해 예방책 도출단계를 포함하고,
상기 작업 허가서는, 각 현장에서 작업을 수행하기 전 작업이 예정된 작업 정보를 보고하기 위해 작성된 것이며,
상기 작업 허가서에 대한 데이터는, 주 또는 월 단위의 중장기로 작업이 예정된 장비, 기계 및 공종에 대한 작업 정보를 포함하고,
상기 부적합 보고서에 대한 데이터는, 재해 유형, 재해 기인물 및 재해 기인 공종 중 적어도 일부를 포함하고,
상기 사고 조사 보고서에 대한 데이터는, 재해 유형과 재해 심각도를 포함하고,
상기 아차사고 보고서에 대한 데이터는, 아차사고에 대한 재해 유형을 포함하고,
상기 데이터 전처리단계에서는,
상기 작업 허가서에 대한 데이터를 일자(day) 단위로 변환하여, 일자별 장비와 기계의 사용 비율, 공종의 작업 여부를 변수로 전처리하고,
상기 부적합 보고서에 대한 데이터를 미리 설정된 제1설정 기간 단위로 합산 후, 상기 제1설정 기간보다 짧은 일자(day) 단위로 변환하여, 일자 별로 재해 유형의 비율, 재해 기인물의 비율, 재해 기인 공종의 비율을 변수로 전처리하고,
상기 사고 조사 보고서에 대한 데이터와 상기 아차사고 보고서에 대한 데이터를 통합한 후, 재해 일자별 재해 유형과 재해 심각도를 포함한 상기 재해 결과 데이터의 변수로 전처리하고,
상기 변수들의 중요도는, 상기 변수들이 각각 재해 발생 확률에 기여하는 정도를 수치로 산출한 것이고, 지니 불순도(Gini impurity)를 이용하여 산출되고,
상기 재해 예방책 도출 단계에서는,
상기 재해 관리 대상 현장의 상기 작업 허가서에 포함된 변수들 중에서 상기 중요도가 높게 도출된 설정 개수의 변수들을 위험 요소로 선정하고, 상기 위험 요소에 대한 점검 사항과 체크 사항을 상기 사전 점검 체크 리스트에 포함하는,
인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.The data collection department collects on-site information from multiple construction sites, Permit To Work (PTW), Non Conformance Report (NCR), safety inspection information, performance progress rate, accident investigation report, and near miss report. A data collection step of collecting data including;
The data preprocessing unit preprocesses the work permit, the nonconformity report, the safety inspection indication information, and the data on the performance progress rate among the data collected in the data collection step into disaster cause data, and reports them to the accident investigation report and the near miss report. A data preprocessing step of preprocessing the data about the disaster into disaster result data;
The model learning unit uses the disaster cause data as an input variable and uses the disaster result data as a dependent variable to perform machine learning to predict the importance of variables included in the disaster cause data and the probability of disaster occurrence by disaster type. A learning step to build a model;
The disaster occurrence probability prediction unit determines the importance of the variables included in the work permit from the artificial intelligence model when the work permit and performance progress rate for the actual disaster management target site for which the disaster occurrence probability is to be predicted and managed are input into the artificial intelligence model. and a disaster occurrence probability derivation step of deriving the probability of disaster occurrence by disaster type;
The disaster prevention plan derivation unit generates at least one of a pre-inspection checklist and past similar disaster information to be checked in advance at the disaster management site according to the importance of the variables derived in the disaster occurrence probability derivation step and the disaster occurrence probability for each disaster type. Includes a disaster prevention plan derivation step of deriving a disaster prevention plan that includes,
The above work permit is prepared to report work information scheduled before work is performed at each site,
The data on the work permit includes work information on equipment, machines, and work types scheduled to be worked on in the medium to long term on a weekly or monthly basis,
The data for the nonconformity report includes at least some of the disaster type, disaster-attributable product, and disaster-attributable work type,
The data for the accident investigation report includes disaster type and disaster severity,
The data for the near miss report includes the disaster type for the near miss,
In the data preprocessing step,
Convert the data on the work permit into days and preprocess the use ratio of equipment and machines by day and whether or not the type of work is done as variables,
The data for the nonconformity report is summed in units of a preset first set period, then converted into units of days shorter than the first set period, and the ratio of disaster types by date, the ratio of disaster-caused items, and the type of work caused by disasters are converted into units of days shorter than the first set period. Preprocess the ratio as a variable,
After integrating the data for the accident investigation report and the data for the near miss report, preprocessing with variables of the disaster outcome data including disaster type and disaster severity by disaster date,
The importance of the variables is a numerical calculation of the degree to which each of the variables contributes to the probability of disaster occurrence, and is calculated using Gini impurity,
In the disaster prevention plan derivation step,
Among the variables included in the work permit at the site subject to disaster management, a set number of variables with a high level of importance are selected as risk factors, and inspection items and check items for the risk factors are included in the pre-inspection checklist. doing,
Construction site safety disaster prediction method based on artificial intelligence.
상기 안전점검 지적 정보에 대한 데이터는, 경고, 교육, 작업 배제 중 적어도 일부 횟수를 포함하고,
상기 데이터 전처리단계에서는, 상기 안전점검 지적 정보에 대한 데이터를 미리 설정된 제1설정 기간 단위로 합산 후, 상기 제1설정 기간보다 짧은 제2설정 기간 단위로 변환하여, 상기 제2설정 기간 별로 경고 비율, 교육 비율, 작업 배제 비율을 변수로 전처리하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.In claim 1,
The data on the safety inspection information includes at least some of the number of warnings, training, and work exclusions,
In the data preprocessing step, the data for the safety inspection indication information is summed in units of a preset first set period, then converted to a unit of a second set period shorter than the first set period, and the warning rate is set for each second set period. , Construction site safety disaster prediction method based on artificial intelligence that preprocesses education rate and work exclusion rate as variables.
상기 재해 유형은, 추락, 낙하, 비래, 전도, 붕괴, 충돌, 협착, 화재, 폭발 중 적어도 일부를 포함하고,
상기 재해 발생 확률은, 상기 건설 현장마다 일자 별 재해 유형별 재해 발생 확률과 일자별 종합 재해 발생 확률을 포함하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.In claim 1,
The disaster type includes at least some of fall, fall, flying, fall, collapse, collision, collapse, fire, and explosion,
The disaster occurrence probability is a construction site safety disaster prediction method based on artificial intelligence that includes the disaster occurrence probability by disaster type by date and the overall disaster occurrence probability by date for each construction site.
상기 재해 예방책 도출단계에서는,
상기 위험요소와 상기 재해 유형별 재해 발생 확률과 유사한 사례의 과거 유사 재해 정보를 도출하고,
상기 과거 유사 재해 정보는, 재해 유형, 재해 심각도 및 재해 상세 내용 중 적어도 일부를 포함하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.In claim 1,
In the disaster prevention plan derivation step,
Derive information on past similar disasters of similar cases and the probability of disaster occurrence for each of the above risk factors and disaster types,
The past similar disaster information is a construction site safety disaster prediction method based on artificial intelligence that includes at least some of the disaster type, disaster severity, and disaster details.
상기 데이터 수집부가 수집한 데이터 중에서 상기 작업 허가서, 상기 부적합 보고서, 상기 안전점검 지적 정보 및 상기 실적 공정률에 대한 데이터들을 재해 원인 데이터로 전처리하고, 상기 사고 조사 보고서 및 상기 아차사고 보고서에 대한 데이터를 재해 결과 데이터로 전처리하는 데이터 전처리부와;
상기 재해 원인 데이터와 상기 재해 결과 데이터를 변수로 사용하여 학습하여, 상기 재해 원인 데이터에 포함된 변수들의 중요도와 재해 유형별 재해 발생 확률을 예측할 수 있는 인공지능 모델을 구축하는 모델 학습부와;
상기 인공지능 모델에 재해 발생 확률을 예측하여 관리하고자 하는 재해 관리 대상 현장에 대한 작업 허가서와 실적 공정률이 입력되면, 상기 인공지능 모델로부터 상기 작업 허가서에 포함된 변수들의 중요도와 재해 유형별 재해 발생 확률을 도출하는 재해 발생 확률 예측부와;
상기 재해 발생 확률부가 도출한 상기 변수들의 중요도와 상기 재해 유형별 재해 발생 확률에 따라 상기 재해 관리 대상 현장에서 사전 점검해야 할 사전점검 체크리스트와 과거 유사 재해 정보 중 적어도 하나를 포함하는 재해 예방책을 도출하는 재해 예방책 도출부를 포함하고,
상기 작업 허가서는, 각 현장에서 작업을 수행하기 전 작업이 예정된 작업 정보를 보고하기 위해 작성된 것이며,
상기 작업 허가서에 대한 데이터는, 주 또는 월 단위의 중장기로 작업이 예정된 장비, 기계 및 공종에 대한 작업 정보를 포함하고,
상기 부적합 보고서에 대한 데이터는, 재해 유형, 재해 기인물 및 재해 기인 공종 중 적어도 일부를 포함하고,
상기 사고 조사 보고서에 대한 데이터는, 재해 유형과 재해 심각도를 포함하고,
상기 아차사고 보고서에 대한 데이터는, 아차사고에 대한 재해 유형을 포함하고,
상기 데이터 전처리부는,
상기 작업 허가서에 대한 데이터를 일자(day) 단위로 변환하여, 일자별 장비와 기계의 사용 비율, 공종의 작업 여부를 변수로 전처리하고,
상기 부적합 보고서에 대한 데이터를 미리 설정된 제1설정 기간 단위로 합산 후, 상기 제1설정 기간보다 짧은 일자(day) 단위로 변환하여, 일자 별로 재해 유형의 비율, 재해 기인물의 비율, 재해 기인 공종의 비율을 변수로 전처리하고,
상기 사고 조사 보고서에 대한 데이터와 상기 아차사고 보고서에 대한 데이터를 통합한 후, 재해 일자별 재해 유형과 재해 심각도를 포함한 상기 재해 결과 데이터의 변수로 전처리하고,
상기 변수들의 중요도는, 상기 변수들이 각각 재해 발생 확률에 기여하는 정도를 수치로 산출한 것이고, 지니 불순도(Gini impurity)를 이용하여 산출되고,
상기 재해 예방책 도출부는,
상기 재해 관리 대상 현장의 상기 작업 허가서에 포함된 변수들 중에서 상기 중요도가 높게 도출된 설정 개수의 변수들을 위험 요소로 선정하고, 상기 위험 요소에 대한 점검 사항과 체크 사항을 상기 사전 점검 체크 리스트에 표시하는,
인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템.Includes on-site information from multiple construction sites, Permit To Work (PTW), Non Conformance Report (NCR), safety inspection information, performance progress rate, accident investigation report, and near miss report. a data collection department that collects data;
Among the data collected by the data collection unit, the work permit, the nonconformity report, the safety inspection indication information, and the data on the performance progress rate are preprocessed into disaster cause data, and the data on the accident investigation report and the near miss report are preprocessed into disaster cause data. a data preprocessing unit that preprocesses the resulting data;
a model learning unit that learns using the disaster cause data and the disaster result data as variables to build an artificial intelligence model that can predict the importance of variables included in the disaster cause data and the probability of disaster occurrence by disaster type;
When the work permit and performance progress rate for a disaster management site for which the disaster occurrence probability is to be predicted and managed are input into the artificial intelligence model, the importance of the variables included in the work permit and the probability of disaster occurrence by disaster type are calculated from the artificial intelligence model. A disaster occurrence probability prediction unit derived;
Deriving a disaster prevention plan that includes at least one of a pre-check checklist to be checked in advance at the disaster management site and past similar disaster information according to the importance of the variables derived from the disaster probability department and the probability of disaster occurrence for each disaster type. Includes a disaster prevention plan derivation section,
The above work permit is prepared to report work information scheduled before work is performed at each site,
The data on the work permit includes work information on equipment, machines, and work types scheduled to be worked on in the medium to long term on a weekly or monthly basis,
The data for the nonconformity report includes at least some of the disaster type, disaster-attributable product, and disaster-attributable work type,
The data for the accident investigation report includes disaster type and disaster severity,
The data for the near miss report includes the disaster type for the near miss,
The data preprocessing unit,
Convert the data on the work permit into days and preprocess the use ratio of equipment and machines by day and whether the type of work is done as variables,
The data for the nonconformity report is summed in units of a preset first set period, then converted into units of days shorter than the first set period, and the ratio of disaster types, ratio of disaster-caused items, and disaster-caused construction types are calculated by date. Preprocess the ratio as a variable,
After integrating the data for the accident investigation report and the data for the near miss report, preprocessing with variables of the disaster outcome data including disaster type and disaster severity by disaster date,
The importance of the variables is a numerical calculation of the degree to which each of the variables contributes to the probability of disaster occurrence, and is calculated using Gini impurity,
The disaster prevention measure derivation department,
Among the variables included in the work permit at the site subject to disaster management, a set number of variables with high importance are selected as risk factors, and inspection items and check items for the risk factors are indicated in the pre-inspection checklist. doing,
Construction site safety disaster prediction system based on artificial intelligence.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210180521A KR102643654B1 (en) | 2021-12-16 | 2021-12-16 | Construction site safety diaster predicting method and system based on artificial intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210180521A KR102643654B1 (en) | 2021-12-16 | 2021-12-16 | Construction site safety diaster predicting method and system based on artificial intelligence |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230091420A KR20230091420A (en) | 2023-06-23 |
| KR102643654B1 true KR102643654B1 (en) | 2024-03-04 |
Family
ID=86993542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210180521A KR102643654B1 (en) | 2021-12-16 | 2021-12-16 | Construction site safety diaster predicting method and system based on artificial intelligence |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102643654B1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102291193B1 (en) * | 2020-10-08 | 2021-08-20 | 주식회사 에코시안 | Automatic device and method for recommending risk and safety information based on artificial intelligence |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101916411B1 (en) | 2017-10-30 | 2019-01-30 | 한림대학교 산학협력단 | Industrial iot based accident prediction system and method for construction site safety |
| KR102268294B1 (en) * | 2019-07-16 | 2021-06-23 | 주식회사 지에스아이엘 | Digital Processing Means for generating Multi-Dimensional Risk Matrix |
| KR102327385B1 (en) * | 2019-12-11 | 2021-11-17 | 인하대학교 산학협력단 | System for predicting risk of worker reflecting field conditions and previous accident cases and method thereof |
| KR102350534B1 (en) * | 2020-04-09 | 2022-01-13 | 가톨릭대학교 산학협력단 | Disaster prediction system and method using major keyword analysis technology of artificial intelligence |
-
2021
- 2021-12-16 KR KR1020210180521A patent/KR102643654B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102291193B1 (en) * | 2020-10-08 | 2021-08-20 | 주식회사 에코시안 | Automatic device and method for recommending risk and safety information based on artificial intelligence |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230091420A (en) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Koulinas et al. | Risk analysis and assessment in the worksites using the fuzzy-analytical hierarchy process and a quantitative technique–A case study for the Greek construction sector | |
| Marhavilas et al. | Risk analysis and assessment methodologies in the work sites: On a review, classification and comparative study of the scientific literature of the period 2000–2009 | |
| Janackovic et al. | Selection and ranking of occupational safety indicators based on fuzzy AHP: A case study in road construction companies: Case study | |
| Feng et al. | Exploring the interactive effects of safety investments, safety culture and project hazard on safety performance: An empirical analysis | |
| Petit et al. | Resilience measurement index: An indicator of critical infrastructure resilience | |
| Verma et al. | Highlights from the literature on risk assessment techniques adopted in the mining industry: a review of past contributions, recent developments and future scope | |
| US20100153156A1 (en) | Critically/vulnerability/risk logic analysis methodology for business enterprise and cyber security | |
| Ebrahimi et al. | Analysis of train derailments and collisions to identify leading causes of loss incidents in rail transport of dangerous goods in Canada | |
| Myers | Layer of Protection Analysis–Quantifying human performance in initiating events and independent protection layers | |
| CN114091940B (en) | Logistics park safety risk early warning method, system, equipment and storage medium | |
| Zheng et al. | A hybrid approach for evaluating faulty behavior risk of high‐risk operations using ANP and evidence theory | |
| KR102643654B1 (en) | Construction site safety diaster predicting method and system based on artificial intelligence | |
| Ahn et al. | Graded approach to determine the frequency and difficulty of safety culture attributes: The FD matrix | |
| Pilanawithana et al. | Framework for measuring resilience of safety management systems in Australian building repair and maintenance companies | |
| Widiastuti et al. | Identification of safety risk in construction project: A systematic literature review | |
| Hosseinpouri et al. | Methodology for quantitatively monitoring the basic risk factors of accidents: A case study on manufacturing companies | |
| Nugraha et al. | Statistical process control implementation as early warning signal for safety intervention improvement at mining operation | |
| Zare Mehrjerdi et al. | A hybrid FMEA-SD approach for behavioral analysis of factors affecting safety management and incidents in the pelletizing industry | |
| Cheung et al. | 15 Learning from failures (LFF) | |
| Feng | Key Risk Analysis of Fall from Height Accidents in Engineering Construction Based on SEM. | |
| Mathew et al. | Ranking of Factors Influencing Safey Performance in Construction | |
| Hejazi et al. | Project portfolio selection to improve safety in the construction industry under fuzzy environments | |
| Restrepo | Development and Application of a Risk-Based Online Body-of-Knowledge for the US Underground Coal Mining Industry: RISKGATE-US COAL | |
| Nugraheni | The use of construction images in a safety assessment system | |
| KR20240065975A (en) | Process Safety Management and Compliance Management System based on AI |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |