摘要：人工智能具有从数据中学习、推演预测的能力以及自适应和延展的能力，且不会疲倦，也不会情绪化。人工智能参与工业安全生产治理，可以把人从繁杂、重复和需要每时每刻盯住的事情中解放出来，而且比人更精准、更高效。工业建筑企业的安全生产治理一直是企业、政府、社会共同关注的重大议题。由于环境、设备、管理的高度复杂性和不确定性，工业建筑行业往往难以单纯依靠人力实现有效的安全治理。以人工智能（AI）为核心手段对工业建筑领域的人、设备、环境进行全域安全治理，加速安全生产从静态分析向动态感知、事后应急向事前预防、单点防控向全域联防的转变，成为构筑工业安全生产新防线的关键途径。
一、工业建筑领域的安全痛点
安全生产是实现工业建筑行业高质量发展的前提。近年来，我国安全生产形势复杂严峻，安全生产总体仍处于爬坡过坎期，煤矿、建筑施工、危险化学品等所在的传统高危行业风险还未得到全面有效防控，重特大事故时有发生。虽然各企业均基于“风险分级管控与隐患排查治理双重预防性工作机制”制定了安全生产管理制度，但制度的具体实施仍主要靠人力巡检，安全管理人员工作负荷大、效率低。以建筑工地、化工厂为例，即使这些企业制定较完整的安全生产流程，但流程的全方位落实往往难以依靠人力实现，以至于产生一系列安全生产隐患。24小时巡岗的安全员抓不住一个安全违规事件、几十人在中控室看上千个摄像头画面等成为业内的普遍现象。作为 2020 年全国生产安全事故之一的重庆能投渝新能源有限公司松藻煤矿“9•27”重大火灾事故造成 16 人死亡、42 人受伤，其原因就在于“小问题”日积月累，如运煤胶带托辊损坏变形、胶带磨损严重、胶带阻燃性能不合格、应急救援设备老化等。应急管理部统计显示，2020 年全国生产安全事故达 3.8 万起、死亡人数达 2.74 万人，其中，重特大事故 16 起、死亡人数 262 人。每一起事故的背后都有安全机制松懈和安全隐患积累的问题。2020 年 4 月，国务院安全生产委员会印发《全国安全生产专项整治三年行动计划》，明确在全国部署开展安全生产专项整治三年行动，推进煤矿、建筑施工、危险化学品、道路交通等所在重点行业领域机械化、信息化、智能化建设，实现高危作业场所和环节的智能感知与风险预警，着力“从根本上消除事故隐患”。在国家政策的强力推动下，通过智慧手段和先进技术，构筑全方位的安全生产新防线，已经越来越成为行业共识。
二、AI 落地工业安全领域的难点
人工智能具有从数据中学习、推演预测的能力以及自适应和延展的能力，且不会疲倦，也不会情绪化。人工智能参与工业安全生产治理，可以把人从繁杂、重复和需要每时每刻盯住的事情中解放出来，而且比人更精准、更高效。然而，AI 技术在工业安全生产领域的落地推广仍然面临数据、算法、模式等 3 个层面的挑战。基于主动学习的全域安全治理主动学习（Active Learning）技术为应对工业建筑领域这种复杂环境、复杂流程下的 AI 落地问题提供了技术路径。作为机器学习的一个子领域，主动学习的典型特征是其迭代式的交互训练流程，即通过特定筛选策略找到未标注样本池中最有价值的数据，交由专家进行人工标注后，将标注数据集及其类别标签纳入训练集中迭代优化目标模型，使迭代训练得到符合预期的模型。在工业企业的安全生产治理以及全域联防体系建设过程中，主动学习的 3个方面的特性得到充分体现：其一，基于主动学习，仅需少量的样本数据，部署在工业现场环境中的 AI 可以主动找出未知的安全事故场景并自动进行样本标注，自动训练得到符合商用精度的算法模型，从而弥补工业安全生产场景异常和违规样本数据不足的问题；其二，主动学习可以增强 AI 泛化能力以适应复杂多变的环境，如光线、天气、周围粉尘的变化，通过迭代式训练自动提高模型精度；其三，主动学习可以降低 AI场景迁移的操作门槛，诸如摄像头角度、布设等工作不需专业算法工程师介入即可由工厂或工地管理人员自行设置。在工业建筑领域中，人、设备、环境都是能够产生安全事故的因素。人为因素主要包括注意力不集中、过度疲劳、冒险与侥幸心理以及安全意识淡薄、安全管理不善等。机械设备因素主要包括设备老化故障、人机协调设计缺陷、操作流程不规范等。工作环境因素主要包括温度、照明、噪声、粉尘等。主动学习能够基于 AI 建立面向全域的联防体系，可以有效应对上述各因素。一是数据层面。异常和违规样本数据少，训练出的模型精确度低。深度学习训练模型需要大量的样本数据。目前，一般的深度学习模型需要相对均衡的正样本和负样本才能训练出具备实用性的模型。在工厂、工地这类环境中，虽然安全事故频率相对较高，但一个场所一年的安全事故数量可能就一两次。因此，产生的违规样本数据非常少，无法满足算法模型需要十万级甚至百万级的样本数据量。由此训练出的模型精确度不够，无法达到预期。二是算法层面。算法泛化能力弱，场景迁移门槛高。AI 落地工业安全领域最大的难点在于其在应变方面的“笨拙”。对不少 AI 企业而言，传统工业场景的不确定性和需求的碎片化是一项严苛的技术与应用挑战。缺乏更具针对性的模型，以及缺乏应对不确定性场景的强容错能力，是以往 AI 难以深度介入工业建筑领域的原因。总体而言，主要体现在传统 AI 所提供的安全服务误报率居高不下，无法应用到实际生产。在场景容错方面，常见的微小事件都会导致系统失灵，如摄像头被人碰歪了一个角度就无法正确识别等。显然，保证场景安全的系统本身的鲁棒性和稳定性是保证工地、工厂安全的先决条件。然而，对传统 AI 技术与传统 AI 服务企业来说，这是一项巨大的挑战。在传统模式中，每次场景的迁移和调整都需要专门的 AI 算法工程师对业务相关的算法进行训练和调优，这导致的居高不下的 AI 实施与维护成本以及不同工程师与现场的磨合风险都将使 AI“下基层”成为难以完成的任务。三是模式层面。在信息传递相对闭塞的工业建筑行业中，基于AI 技术构建的全域安全联防体系在国内成熟的先例并不多，个别案例的宣传交流也远未充分。因此，行业内的大部分企业都处于“摸着石头过河”的阶段。企业往往存在路径依赖，期待通过严格管理实现安全设备与安全流程的有效应用。事实上，AI 赋能的全域联防体系带来的并不仅仅是一种安全手段，更是安全治理模式的变革。例如，在过往单点防控阶段的工业安全生产管理中，针对吸烟等违规行为的安防监控系统需专人 24 小时值守观察。依靠人力的视频监控手段往往只能用于事后追责，难以实现实时监管，对主动防微杜渐的效力极为有限。此外，独立安装的自动化系统如分布式控制系统（DCS）和各传统安全监测控制系统如消防雨淋、有毒有害气体检测等互相独立形成数据孤岛，导致安全信息不能融合共享，难以实现及时的全域联动应急响应。人工智能技术如机器视觉融合北斗定位、物联网、5G 等，增强工业安全生产的感知、监测、预警、处置和评估能力，能够使安全生产实现从静态分析向动态感知、事后应急向事前预防、单点防控向全域联防的转变。这种全面的数字化管理变革，需要 AI 技术陪伴企业主共同耐心、细致探索，而这也往往是以技术导向的 AI 企业难以胜任的工作。
●对人的安全管理保障体系
国内外的相关调查研究显示，工业安全生产事故中约 80% 都是人为因素造成的，即人因失误。减少人因失误，确保对人进行全方位的安全监管，可以有效减少事故发生。面向人的管理内容主要包含 3 个部分。第一，身份认证，例如 ：他是谁？该不该来？是不是靠近了危险区域？是不是操作了他不该操作的设备？第二，安全设备检查，如安全帽、高温防护服、绝缘鞋等。第三，安全操作流程监测，如是不是在专用车辆的路上行驶（部分专用车辆驾驶员盲区较大）。对上述情况主动学习的 AI 技术能够实现管理方法的完善，例如：通过摄像头或门禁系统进行身份识别；通过多维识别以及规则匹配精确定位，监测限行区域和特种设备的人员，确保无证人员不能上塔吊；结合场所处置机制形成安全预警闭环，防止事故发生，如果有违规行为，将联动处置机制如远程喇叭对其警 告， 若 未 能 制 止，将联动进一步的处置机制如关闸、停车、切断电源等。
●对设备的联动安全保障体系
工地、工厂均有一定的安全规范和标准流程，一旦 AI 赋能的安全联防体系发现有危险的行为，就能通过控制设备实现减速或者停止以避免安全事故的发生。像这类人与设备的联动以及设备状态的持续识别，是全域安全体系建设的关键所在。对比以往远程监控对设备进行的数据采集，这种 AI 提供的联动安全保障时效性更强，手段也更加直接，甚至能够采取预防性措施，联动设备来避免安全生产事故。例如，煤矿、工地动火作业很多，在现场冒烟或出现小火星的时候，AI 能及时检测，预警告知并直接联动灭火系统。又如，厂区内几十吨的重型卡车超速是非常危险的，以前不仅没有处罚依据，而且监控室的安全员也看不出车速有多快，AI 安全系统不需要激光或者雷达测速仪，依靠普通摄像头就能精确测速，发现违规超速行为。
●对环境的泛化适应保障体系
因为工厂、工地或矿井里的环境非常复杂，粉尘干扰多，光线多变，所以靠一般的 AI 算法做不到全天候的安全治理。基于主动学习的 AI 能够结合可见光、不可见光、激光、微波、红外线等传感器，可适应任何气象条件和环境，对设备状态进行监测，对维修流程进行管控，形成保证全天候实时运行的安全治理系统。
作者： 魏宏峰 单位：中科智云科技有限公司