本發(fā)明涉及工地安全管理，尤其涉及一種智慧工地安全管理平臺(tái)及其方法。

背景技術(shù)：

1、在當(dāng)前的建筑行業(yè)中，隨著工程項(xiàng)目的規(guī)模不斷擴(kuò)大和復(fù)雜度的增加，工地安全管理面臨著前所未有的挑戰(zhàn)。特別是在涉及船舶作業(yè)的水域工地，如港口建設(shè)、跨海大橋施工等，船舶的航行安全直接關(guān)系到整個(gè)工地的安全穩(wěn)定。

2、然而，傳統(tǒng)安全管理方式在船舶行為預(yù)測(cè)方面存在明顯不足。由于船舶航行受到多種因素的影響，如風(fēng)向、水流、潮汐以及船舶自身的性能狀態(tài)等，其航行軌跡和行為模式具有高度的復(fù)雜性和不確定性。傳統(tǒng)方法難以準(zhǔn)確捕捉這些動(dòng)態(tài)變化，導(dǎo)致對(duì)船舶行為的預(yù)測(cè)精度不高，無(wú)法為管理人員提供及時(shí)、有效的決策支持，從而無(wú)法有效降低安全風(fēng)險(xiǎn)。

技術(shù)實(shí)現(xiàn)思路

1、本部分的目的在于概述本發(fā)明的實(shí)施例的一些方面以及簡(jiǎn)要介紹一些較佳實(shí)施例。在本部分以及本技術(shù)的說(shuō)明書摘要和發(fā)明名稱中可能會(huì)做些簡(jiǎn)化或省略以避免使本部分、說(shuō)明書摘要和發(fā)明名稱的目的模糊，而這種簡(jiǎn)化或省略不能用于限制本發(fā)明的范圍。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：一種智慧工地安全管理平臺(tái)，主要包括：

3、數(shù)據(jù)采集模塊，所述數(shù)據(jù)采集模塊負(fù)責(zé)收集船舶的實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)、歷史航行數(shù)據(jù)、環(huán)境數(shù)據(jù)以及來(lái)自智能聲吶系統(tǒng)的實(shí)時(shí)聲波數(shù)據(jù)；

4、數(shù)據(jù)處理模塊，所述數(shù)據(jù)處理模塊用于對(duì)采集到的多源數(shù)據(jù)進(jìn)行預(yù)處理；

5、機(jī)器學(xué)習(xí)預(yù)測(cè)模塊，所述機(jī)器學(xué)習(xí)預(yù)測(cè)模塊用于對(duì)船舶的未來(lái)行為進(jìn)行預(yù)測(cè)；

6、智能聲吶分析模塊，所述智能聲吶分析模塊用于對(duì)水下聲波反射進(jìn)行分析，監(jiān)測(cè)船舶的精確位置；

7、預(yù)警模塊，所述預(yù)警模塊用于整合來(lái)自機(jī)器學(xué)習(xí)預(yù)測(cè)模塊和智能聲吶分析模塊的結(jié)果，根據(jù)預(yù)定的規(guī)則和算法，決定是否發(fā)出預(yù)警信息；

8、顯示與通知模塊，所述顯示與通知模塊用于將預(yù)警信息以可視化形式呈現(xiàn)在工地管理人員的監(jiān)控平臺(tái)上，并向相關(guān)人員發(fā)送警報(bào)通知；

9、反饋與學(xué)習(xí)模塊，所述反饋與學(xué)習(xí)模塊用于收集預(yù)警信息后的實(shí)際反饋，并將這些反饋數(shù)據(jù)用于優(yōu)化和更新機(jī)器學(xué)習(xí)模塊，提高未來(lái)的預(yù)測(cè)精度。

10、作為本發(fā)明所述智慧工地安全管理平臺(tái)的一種優(yōu)選方案，其中：所述機(jī)器學(xué)習(xí)預(yù)測(cè)模塊包括動(dòng)態(tài)特征選擇單元、多模型集成單元、情境感知推理單元、自學(xué)習(xí)與模型更新單元以及不確定性評(píng)估單元；

11、所述動(dòng)態(tài)特征選擇單元能夠在海量的輸入特征中自動(dòng)篩選出對(duì)船舶行為預(yù)測(cè)最為關(guān)鍵的特征，且能夠根據(jù)實(shí)時(shí)環(huán)境變化，動(dòng)態(tài)調(diào)整特征選擇策略；

12、所述多模型集成單元集成了多個(gè)不同的預(yù)測(cè)模型，并根據(jù)輸入數(shù)據(jù)的特性自動(dòng)選擇或加權(quán)組合不同模型的預(yù)測(cè)結(jié)果，以提高預(yù)測(cè)的準(zhǔn)確性和魯棒性；

13、所述情境感知推理單元用于結(jié)合當(dāng)前的環(huán)境數(shù)據(jù)和船舶行為歷史，實(shí)時(shí)分析當(dāng)前的航行情景，并對(duì)船舶可能采取的動(dòng)作進(jìn)行情境感知推理；

14、所述自學(xué)習(xí)與模型更新單元通過(guò)持續(xù)監(jiān)測(cè)和分析系統(tǒng)反饋數(shù)據(jù)，不斷更新和優(yōu)化預(yù)測(cè)模型；

15、所述不確定性評(píng)估單元用于對(duì)每次預(yù)測(cè)結(jié)果進(jìn)行不確定評(píng)估，給出預(yù)測(cè)結(jié)果的置信區(qū)間。

16、作為本發(fā)明所述智慧工地安全管理平臺(tái)的一種優(yōu)選方案，其中：所述智能聲吶分析模塊包括多頻聲吶信號(hào)處理單元、環(huán)境感知與補(bǔ)償單元、目標(biāo)識(shí)別與分類單元、動(dòng)態(tài)信號(hào)增強(qiáng)與降噪單元、實(shí)時(shí)位置跟蹤與軌跡預(yù)測(cè)單元以及自學(xué)習(xí)與系統(tǒng)優(yōu)化單元；

17、所述多頻聲吶信號(hào)處理單元用于接收和處理來(lái)自多頻聲吶的信號(hào)，通過(guò)分離不同頻段的聲波反射信號(hào)，區(qū)分不同物體的聲學(xué)特征，特別是永遠(yuǎn)精確識(shí)別船舶的類型、大小和位置；

18、所述環(huán)境感知與補(bǔ)償單元用于實(shí)時(shí)感知水下環(huán)境條件，并對(duì)聲吶信號(hào)進(jìn)行相應(yīng)的補(bǔ)償和校正，確保聲吶數(shù)據(jù)在各種復(fù)雜環(huán)境下仍然具有高可靠性和準(zhǔn)確性；

19、所述目標(biāo)識(shí)別與分類單元基于處理后的聲吶信號(hào)，對(duì)探測(cè)到的目標(biāo)進(jìn)行識(shí)別與分類；如區(qū)分船舶、海洋生物、固定結(jié)構(gòu)物等；

20、所述動(dòng)態(tài)信號(hào)增強(qiáng)與降噪單元專注于增強(qiáng)有用的聲吶信號(hào)并抑制噪聲；

21、所述實(shí)時(shí)位置跟蹤與軌跡預(yù)測(cè)單元用于實(shí)時(shí)跟蹤船舶的當(dāng)前位置，并基于當(dāng)前和歷史數(shù)據(jù)預(yù)測(cè)船舶的未來(lái)軌跡；

22、所述自學(xué)習(xí)與系統(tǒng)優(yōu)化單元通過(guò)分析每次聲吶信號(hào)處理和目標(biāo)識(shí)別的結(jié)果，不斷更新和優(yōu)化聲吶分析算法，使系統(tǒng)能夠適應(yīng)不斷變化的環(huán)境和目標(biāo)特征。

23、作為本發(fā)明所述智慧工地安全管理平臺(tái)的一種優(yōu)選方案，其中：所述預(yù)警模塊使用預(yù)警決策算法來(lái)決定是否發(fā)出預(yù)警信息，所述預(yù)警決策算法的公式如下：

24、

25、其中：

26、rt為預(yù)警決策值，代表在時(shí)間段t0到t內(nèi)的綜合預(yù)警強(qiáng)度；

27、p(x)i為多模型集成后的行為預(yù)測(cè)函數(shù)，輸出船舶未來(lái)行為的預(yù)測(cè)值yt，表示第i個(gè)模型對(duì)特征向量x的預(yù)測(cè)值，這里x是由特征選擇函數(shù)f(dt,ht,et,st)提供的特征向量，這里dt為實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)的集合，包括船舶速度、方向，ht為歷史航行數(shù)據(jù)的集合，包括過(guò)去的航行路徑。船舶行為，et為環(huán)境數(shù)據(jù)的集合，包括風(fēng)速、潮汐、水流，st為智能聲吶系統(tǒng)的實(shí)時(shí)聲波數(shù)據(jù)，包括目標(biāo)的距離、方向、速度；

28、g(st,et)i為智能聲吶分析函數(shù)，輸出船舶當(dāng)前軌跡及預(yù)測(cè)軌跡zt，結(jié)合u(yt,zt)評(píng)估不確定性σt；

29、為指數(shù)衰減因子，其中σt是不確定性評(píng)估值，表示預(yù)測(cè)結(jié)果的不確定性，這個(gè)因子用于調(diào)整預(yù)測(cè)結(jié)果的影響力，基于高斯分布的概率密度函數(shù)；

30、為高斯分布中的歸一化因子，確保概率密度函數(shù)的積分值為1，用于調(diào)整使其符合標(biāo)準(zhǔn)正太分布的形式；

31、w(λt)為預(yù)警決策權(quán)重函數(shù)，用于根據(jù)決策影響因子λt賦予預(yù)警結(jié)果的權(quán)重，λt是通過(guò)情境感知與推理函數(shù)i(yt,zt,σt)生成的，基于當(dāng)前情境推理船舶未來(lái)可能采取的動(dòng)作，并結(jié)合不確定性評(píng)估值，輸出決策影響因子λt；

32、λt為決策影響因子，綜合考慮未來(lái)行為預(yù)測(cè)值yt、軌跡預(yù)測(cè)值z(mì)t和不確定性評(píng)估值σt后生成的值，它反映了當(dāng)前情境對(duì)預(yù)警的影響；

33、值域含義：

34、公式的輸出rt代表在時(shí)間段t0到t內(nèi)的預(yù)警強(qiáng)度，值越大，意味著預(yù)警的緊迫性和必要性越高，當(dāng)rt超過(guò)預(yù)設(shè)的閾值θ，則系統(tǒng)會(huì)觸發(fā)預(yù)警通知。

35、作為本發(fā)明所述智慧工地安全管理平臺(tái)的一種優(yōu)選方案，其中：所述預(yù)警決策模塊發(fā)出預(yù)警信息的具體情況如下：

36、當(dāng)不確定性評(píng)估值σt小于某個(gè)臨界值σc時(shí)，預(yù)警決策值rt大于閾值θ，系統(tǒng)會(huì)立即發(fā)出預(yù)警；

37、當(dāng)不確定性評(píng)估值σt等于或大于某個(gè)臨界值σc時(shí)，rt的增長(zhǎng)速度減緩，預(yù)警被推遲或不發(fā)出；

38、當(dāng)決策影響因子λt大于某個(gè)閾值λc時(shí)，預(yù)警權(quán)重w(λt)會(huì)迅速增加，使預(yù)警決策值rt顯著高于閾值θ；

39、當(dāng)決策影響因子λt小于或等于某個(gè)閾值λc時(shí)，預(yù)警權(quán)重w(λt)會(huì)減少，使預(yù)警決策值rt的增長(zhǎng)速度減緩或停止；

40、當(dāng)船舶行為預(yù)測(cè)值yt等于軌跡預(yù)測(cè)值z(mì)t時(shí)，預(yù)警決策值rt的增長(zhǎng)速率達(dá)到最高，預(yù)警信號(hào)立刻發(fā)出；

41、當(dāng)船舶行為預(yù)測(cè)值yt和軌跡預(yù)測(cè)值z(mì)t不相等時(shí)，系統(tǒng)會(huì)對(duì)yt進(jìn)行重新評(píng)估，不確定σt增加，從而延緩預(yù)警的發(fā)出。

42、作為本發(fā)明所述智慧工地安全管理平臺(tái)的一種優(yōu)選方案，其中：所述動(dòng)態(tài)特征選擇單元包括一種基于模糊邏輯的特征篩選機(jī)制，用于在實(shí)時(shí)環(huán)境變化中，通過(guò)模糊隸屬度函數(shù)動(dòng)態(tài)調(diào)整特征選擇的優(yōu)先級(jí)。從而提高在多變環(huán)境下的預(yù)測(cè)準(zhǔn)確性。

43、作為本發(fā)明所述智慧工地安全管理平臺(tái)的一種優(yōu)選方案，其中：所述預(yù)警信息包括視覺(jué)警示、聲音警報(bào)以及向相關(guān)人員的通知。

44、作為本發(fā)明所述智慧工地安全管理平臺(tái)的一種優(yōu)選方案，其中：所述預(yù)警模塊包括多層次決策單元，所述多層次決策單元通過(guò)計(jì)算決策影響因子λt的變化趨勢(shì)，實(shí)時(shí)調(diào)整預(yù)警決策值rt的增速，使得在高風(fēng)險(xiǎn)環(huán)境下，預(yù)警模塊能夠根據(jù)船舶行為預(yù)測(cè)和聲吶分析的結(jié)果，更加迅速地發(fā)出預(yù)警信號(hào)。

45、作為本發(fā)明所述智慧工地安全管理平臺(tái)的一種優(yōu)選方案，其中：所述預(yù)警模塊還包括協(xié)同評(píng)估單元，所述協(xié)同評(píng)估單元通過(guò)比較船舶行為預(yù)測(cè)值yt與軌跡預(yù)測(cè)值z(mì)t的一致性，當(dāng)yt和zt相等且不確定性σt較小時(shí)，預(yù)警模塊會(huì)立即觸發(fā)預(yù)警信號(hào)；若二者不一致，預(yù)警模塊將延遲預(yù)警，直至重新評(píng)估得到更高置信度的結(jié)果為止。

46、使用如上一種智慧工地安全管理平臺(tái)的管理方法，包括以下步驟：

47、步驟1：?jiǎn)?dòng)數(shù)據(jù)采集模塊，配置數(shù)據(jù)采集設(shè)備以接收來(lái)自船舶的實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)、歷史航行數(shù)據(jù)、環(huán)境數(shù)據(jù)以及智能聲吶系統(tǒng)的實(shí)時(shí)聲波數(shù)據(jù)；定期或按需從各種數(shù)據(jù)源獲取數(shù)據(jù)，并確保數(shù)據(jù)的完整性和準(zhǔn)確性；將收集到的原始數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)存儲(chǔ)系統(tǒng)中，以備后續(xù)處理和分析使用；

48、步驟2：?jiǎn)?dòng)數(shù)據(jù)處理模塊，對(duì)采集到的多源數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、去噪聲、歸一化和格式轉(zhuǎn)換；整合來(lái)自不同數(shù)據(jù)源的信息，將其轉(zhuǎn)化為適用于機(jī)器學(xué)習(xí)和智能聲吶分析模塊的格式；

49、步驟3：?jiǎn)?dòng)機(jī)器學(xué)習(xí)預(yù)測(cè)模塊，并進(jìn)行動(dòng)態(tài)特征選擇，從中篩選出對(duì)船舶行為預(yù)測(cè)最為關(guān)鍵的特征；使用多模型集成單元，根據(jù)輸入數(shù)據(jù)的特性選擇或加權(quán)組合不同預(yù)測(cè)模型的結(jié)果；進(jìn)行情境感知推理，結(jié)合當(dāng)前環(huán)境數(shù)據(jù)和歷史行為，對(duì)船舶的未來(lái)行為進(jìn)行預(yù)測(cè)；啟動(dòng)自學(xué)習(xí)與模型更新單元，基于系統(tǒng)反饋不斷更新和優(yōu)化預(yù)測(cè)模型；通過(guò)不確定性評(píng)估單元，評(píng)估預(yù)測(cè)結(jié)果的不確定性，并確定預(yù)測(cè)結(jié)果的置信區(qū)間；

50、步驟4：?jiǎn)?dòng)智能聲吶分析模塊，處理多頻聲吶信號(hào)，分離并分析不同頻段的聲波反射信號(hào)；使用環(huán)境感知與補(bǔ)償單元，對(duì)聲吶信號(hào)進(jìn)行補(bǔ)償和校正，確保數(shù)據(jù)準(zhǔn)確；通過(guò)目標(biāo)識(shí)別與分類單元，識(shí)別和分類水下目標(biāo)，包括船舶、海洋生物和固定結(jié)構(gòu)物；動(dòng)態(tài)信號(hào)增強(qiáng)與降噪單元增強(qiáng)有用信號(hào)并抑制噪聲，提升信號(hào)質(zhì)量；使用實(shí)時(shí)位置跟蹤與軌跡預(yù)測(cè)單元跟蹤船舶的當(dāng)前位置，并預(yù)測(cè)其未來(lái)軌跡；啟動(dòng)自學(xué)習(xí)與系統(tǒng)優(yōu)化單元，不斷更新聲吶分析算法，提升系統(tǒng)適應(yīng)性和準(zhǔn)確性；

51、步驟5：?jiǎn)?dòng)預(yù)警模塊，計(jì)算預(yù)警決策值，根據(jù)機(jī)器學(xué)習(xí)預(yù)測(cè)模塊和智能聲吶分析模塊的結(jié)果，應(yīng)用預(yù)警決策算法公式；根據(jù)計(jì)算出的預(yù)警決策值，評(píng)估是否超過(guò)預(yù)設(shè)的閾值；如果預(yù)警決策值超過(guò)閾值，觸發(fā)預(yù)警信號(hào)，包括視覺(jué)警示、聲音警報(bào)以及向相關(guān)人員的通知；根據(jù)預(yù)警信息的具體情況，調(diào)整預(yù)警決策，考慮不確定性評(píng)估值和決策影響因子的變化趨勢(shì)；

52、步驟6：?jiǎn)?dòng)顯示與通知模塊，將預(yù)警信息以可視化形式呈現(xiàn)在工地管理人員的監(jiān)控平臺(tái)上；發(fā)送警報(bào)通知到相關(guān)人員，確保他們及時(shí)接收到預(yù)警信息并采取相應(yīng)措施；提供可視化儀表盤，顯示當(dāng)前的船舶位置、預(yù)測(cè)軌跡、預(yù)警狀態(tài)和歷史預(yù)警記錄；

53、步驟7：?jiǎn)?dòng)反饋與學(xué)習(xí)模塊，收集實(shí)際預(yù)警后的反饋信息，包括預(yù)警的準(zhǔn)確性和系統(tǒng)響應(yīng)情況；對(duì)反饋數(shù)據(jù)進(jìn)行分析，并將這些數(shù)據(jù)用于優(yōu)化和更新機(jī)器學(xué)習(xí)預(yù)測(cè)模塊；根據(jù)反饋信息調(diào)整和優(yōu)化預(yù)測(cè)模型，提高未來(lái)預(yù)測(cè)的精度和系統(tǒng)的整體性能。

54、本發(fā)明的有益效果：

55、1、本發(fā)明的智慧工地安全管理平臺(tái)通過(guò)集成動(dòng)態(tài)特征選擇、機(jī)器學(xué)習(xí)預(yù)測(cè)、多模型集成和智能聲吶分析等技術(shù)，實(shí)現(xiàn)了對(duì)船舶行為的高精度預(yù)測(cè)和實(shí)時(shí)監(jiān)測(cè)，特別是預(yù)警模塊的多層次決策單元和協(xié)同評(píng)估單元，使得平臺(tái)能夠在高風(fēng)險(xiǎn)環(huán)境下迅速、準(zhǔn)確地發(fā)出預(yù)警信號(hào)，另外，通過(guò)將預(yù)測(cè)值和聲吶分析結(jié)果綜合考慮，系統(tǒng)能夠?qū)崟r(shí)調(diào)整預(yù)警決策值，快速響應(yīng)潛在的危險(xiǎn)情況，能夠有效降低工地上的安全風(fēng)險(xiǎn)。

56、2、本發(fā)明通過(guò)引入基于模糊邏輯的特征篩選機(jī)制和智能聲吶的多頻信號(hào)處理功能，能夠提升平臺(tái)在復(fù)雜和多變環(huán)境中的適應(yīng)能力。動(dòng)態(tài)特征選擇單元能夠根據(jù)實(shí)時(shí)環(huán)境變化自動(dòng)調(diào)整特征選擇策略，從而提高預(yù)測(cè)的準(zhǔn)確性。而智能聲吶分析模塊則通過(guò)實(shí)時(shí)感知水下環(huán)境條件并對(duì)聲吶信號(hào)進(jìn)行補(bǔ)償和校正，確保在各種環(huán)境下的高可靠性和準(zhǔn)確性。這些技術(shù)的應(yīng)用使得系統(tǒng)能夠智能地適應(yīng)環(huán)境變化，并根據(jù)新的數(shù)據(jù)持續(xù)優(yōu)化自身，進(jìn)而提供更精準(zhǔn)的預(yù)警服務(wù)，增強(qiáng)了平臺(tái)的智能化水平和應(yīng)用范圍。