前言：尋找寫作靈感？中文期刊網用心挑選的AI主動學習構筑工業建筑安全生產新防線，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
摘要：人工智能具有從數據中學習、推演預測的能力以及自適應和延展的能力，且不會疲倦，也不會情緒化。人工智能參與工業安全生產治理，可以把人從繁雜、重復和需要每時每刻盯住的事情中解放出來，而且比人更精準、更高效。工業建筑企業的安全生產治理一直是企業、政府、社會共同關注的重大議題。由于環境、設備、管理的高度復雜性和不確定性，工業建筑行業往往難以單純依靠人力實現有效的安全治理。以人工智能（ai）為核心手段對工業建筑領域的人、設備、環境進行全域安全治理，加速安全生產從靜態分析向動態感知、事后應急向事前預防、單點防控向全域聯防的轉變，成為構筑工業安全生產新防線的關鍵途徑。
一、工業建筑領域的安全痛點
安全生產是實現工業建筑行業高質量發展的前提。近年來，我國安全生產形勢復雜嚴峻，安全生產總體仍處于爬坡過坎期，煤礦、建筑施工、危險化學品等所在的傳統高危行業風險還未得到全面有效防控，重特大事故時有發生。雖然各企業均基于“風險分級管控與隱患排查治理雙重預防性工作機制”制定了安全生產管理制度，但制度的具體實施仍主要靠人力巡檢，安全管理人員工作負荷大、效率低。以建筑工地、化工廠為例，即使這些企業制定較完整的安全生產流程，但流程的全方位落實往往難以依靠人力實現，以至于產生一系列安全生產隱患。24小時巡崗的安全員抓不住一個安全違規事件、幾十人在中控室看上千個攝像頭畫面等成為業內的普遍現象。作為 2020 年全國生產安全事故之一的重慶能投渝新能源有限公司松藻煤礦“9•27”重大火災事故造成 16 人死亡、42 人受傷，其原因就在于“小問題”日積月累，如運煤膠帶托輥損壞變形、膠帶磨損嚴重、膠帶阻燃性能不合格、應急救援設備老化等。應急管理部統計顯示，2020 年全國生產安全事故達 3.8 萬起、死亡人數達 2.74 萬人，其中，重特大事故 16 起、死亡人數 262 人。每一起事故的背后都有安全機制松懈和安全隱患積累的問題。2020 年 4 月，國務院安全生產委員會印發《全國安全生產專項整治三年行動計劃》，明確在全國部署開展安全生產專項整治三年行動，推進煤礦、建筑施工、危險化學品、道路交通等所在重點行業領域機械化、信息化、智能化建設，實現高危作業場所和環節的智能感知與風險預警，著力“從根本上消除事故隱患”。在國家政策的強力推動下，通過智慧手段和先進技術，構筑全方位的安全生產新防線，已經越來越成為行業共識。
二、AI 落地工業安全領域的難點
人工智能具有從數據中學習、推演預測的能力以及自適應和延展的能力，且不會疲倦，也不會情緒化。人工智能參與工業安全生產治理，可以把人從繁雜、重復和需要每時每刻盯住的事情中解放出來，而且比人更精準、更高效。然而，AI 技術在工業安全生產領域的落地推廣仍然面臨數據、算法、模式等 3 個層面的挑戰?；?a href="http://www.www-68455.com/gongchenglunwen/gongyejianzhulunwen/173687.html" target="_blank">主動學習的全域安全治理主動學習（Active Learning）技術為應對工業建筑領域這種復雜環境、復雜流程下的 AI 落地問題提供了技術路徑。作為機器學習的一個子領域，主動學習的典型特征是其迭代式的交互訓練流程，即通過特定篩選策略找到未標注樣本池中最有價值的數據，交由專家進行人工標注后，將標注數據集及其類別標簽納入訓練集中迭代優化目標模型，使迭代訓練得到符合預期的模型。在工業企業的安全生產治理以及全域聯防體系建設過程中，主動學習的 3個方面的特性得到充分體現：其一，基于主動學習，僅需少量的樣本數據，部署在工業現場環境中的 AI 可以主動找出未知的安全事故場景并自動進行樣本標注，自動訓練得到符合商用精度的算法模型，從而彌補工業安全生產場景異常和違規樣本數據不足的問題；其二，主動學習可以增強 AI 泛化能力以適應復雜多變的環境，如光線、天氣、周圍粉塵的變化，通過迭代式訓練自動提高模型精度；其三，主動學習可以降低 AI場景遷移的操作門檻，諸如攝像頭角度、布設等工作不需專業算法工程師介入即可由工廠或工地管理人員自行設置。在工業建筑領域中，人、設備、環境都是能夠產生安全事故的因素。人為因素主要包括注意力不集中、過度疲勞、冒險與僥幸心理以及安全意識淡薄、安全管理不善等。機械設備因素主要包括設備老化故障、人機協調設計缺陷、操作流程不規范等。工作環境因素主要包括溫度、照明、噪聲、粉塵等。主動學習能夠基于 AI 建立面向全域的聯防體系，可以有效應對上述各因素。一是數據層面。異常和違規樣本數據少，訓練出的模型精確度低。深度學習訓練模型需要大量的樣本數據。目前，一般的深度學習模型需要相對均衡的正樣本和負樣本才能訓練出具備實用性的模型。在工廠、工地這類環境中，雖然安全事故頻率相對較高，但一個場所一年的安全事故數量可能就一兩次。因此，產生的違規樣本數據非常少，無法滿足算法模型需要十萬級甚至百萬級的樣本數據量。由此訓練出的模型精確度不夠，無法達到預期。二是算法層面。算法泛化能力弱，場景遷移門檻高。AI 落地工業安全領域最大的難點在于其在應變方面的“笨拙”。對不少 AI 企業而言，傳統工業場景的不確定性和需求的碎片化是一項嚴苛的技術與應用挑戰。缺乏更具針對性的模型，以及缺乏應對不確定性場景的強容錯能力，是以往 AI 難以深度介入工業建筑領域的原因?？傮w而言，主要體現在傳統 AI 所提供的安全服務誤報率居高不下，無法應用到實際生產。在場景容錯方面，常見的微小事件都會導致系統失靈，如攝像頭被人碰歪了一個角度就無法正確識別等。顯然，保證場景安全的系統本身的魯棒性和穩定性是保證工地、工廠安全的先決條件。然而，對傳統 AI 技術與傳統 AI 服務企業來說，這是一項巨大的挑戰。在傳統模式中，每次場景的遷移和調整都需要專門的 AI 算法工程師對業務相關的算法進行訓練和調優，這導致的居高不下的 AI 實施與維護成本以及不同工程師與現場的磨合風險都將使 AI“下基層”成為難以完成的任務。三是模式層面。在信息傳遞相對閉塞的工業建筑行業中，基于AI 技術構建的全域安全聯防體系在國內成熟的先例并不多，個別案例的宣傳交流也遠未充分。因此，行業內的大部分企業都處于“摸著石頭過河”的階段。企業往往存在路徑依賴，期待通過嚴格管理實現安全設備與安全流程的有效應用。事實上，AI 賦能的全域聯防體系帶來的并不僅僅是一種安全手段，更是安全治理模式的變革。例如，在過往單點防控階段的工業安全生產管理中，針對吸煙等違規行為的安防監控系統需專人 24 小時值守觀察。依靠人力的視頻監控手段往往只能用于事后追責，難以實現實時監管，對主動防微杜漸的效力極為有限。此外，獨立安裝的自動化系統如分布式控制系統（DCS）和各傳統安全監測控制系統如消防雨淋、有毒有害氣體檢測等互相獨立形成數據孤島，導致安全信息不能融合共享，難以實現及時的全域聯動應急響應。人工智能技術如機器視覺融合北斗定位、物聯網、5G 等，增強工業安全生產的感知、監測、預警、處置和評估能力，能夠使安全生產實現從靜態分析向動態感知、事后應急向事前預防、單點防控向全域聯防的轉變。這種全面的數字化管理變革，需要 AI 技術陪伴企業主共同耐心、細致探索，而這也往往是以技術導向的 AI 企業難以勝任的工作。
●對人的安全管理保障體系
國內外的相關調查研究顯示，工業安全生產事故中約 80% 都是人為因素造成的，即人因失誤。減少人因失誤，確保對人進行全方位的安全監管，可以有效減少事故發生。面向人的管理內容主要包含 3 個部分。第一，身份認證，例如 ：他是誰？該不該來？是不是靠近了危險區域？是不是操作了他不該操作的設備？第二，安全設備檢查，如安全帽、高溫防護服、絕緣鞋等。第三，安全操作流程監測，如是不是在專用車輛的路上行駛（部分專用車輛駕駛員盲區較大）。對上述情況主動學習的 AI 技術能夠實現管理方法的完善，例如：通過攝像頭或門禁系統進行身份識別；通過多維識別以及規則匹配精確定位，監測限行區域和特種設備的人員，確保無證人員不能上塔吊；結合場所處置機制形成安全預警閉環，防止事故發生，如果有違規行為，將聯動處置機制如遠程喇叭對其警 告， 若 未 能 制 止，將聯動進一步的處置機制如關閘、停車、切斷電源等。
●對設備的聯動安全保障體系
工地、工廠均有一定的安全規范和標準流程，一旦 AI 賦能的安全聯防體系發現有危險的行為，就能通過控制設備實現減速或者停止以避免安全事故的發生。像這類人與設備的聯動以及設備狀態的持續識別，是全域安全體系建設的關鍵所在。對比以往遠程監控對設備進行的數據采集，這種 AI 提供的聯動安全保障時效性更強，手段也更加直接，甚至能夠采取預防性措施，聯動設備來避免安全生產事故。例如，煤礦、工地動火作業很多，在現場冒煙或出現小火星的時候，AI 能及時檢測，預警告知并直接聯動滅火系統。又如，廠區內幾十噸的重型卡車超速是非常危險的，以前不僅沒有處罰依據，而且監控室的安全員也看不出車速有多快，AI 安全系統不需要激光或者雷達測速儀，依靠普通攝像頭就能精確測速，發現違規超速行為。
●對環境的泛化適應保障體系
因為工廠、工地或礦井里的環境非常復雜，粉塵干擾多，光線多變，所以靠一般的 AI 算法做不到全天候的安全治理?；谥鲃訉W習的 AI 能夠結合可見光、不可見光、激光、微波、紅外線等傳感器，可適應任何氣象條件和環境，對設備狀態進行監測，對維修流程進行管控，形成保證全天候實時運行的安全治理系統。
作者： 魏宏峰 單位：中科智云科技有限公司