KR20230091420A - 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
- KR20230091420A KR20230091420A KR1020210180521A KR20210180521A KR20230091420A KR 20230091420 A KR20230091420 A KR 20230091420A KR 1020210180521 A KR1020210180521 A KR 1020210180521A KR 20210180521 A KR20210180521 A KR 20210180521A KR 20230091420 A KR20230091420 A KR 20230091420A
- Authority
- KR
- South Korea
- Prior art keywords
- disaster
- data
- artificial intelligence
- report
- occurrence probability
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 73
- 238000010276 construction Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000007689 inspection Methods 0.000 claims abstract description 43
- 238000011835 investigation Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims description 33
- 230000002265 prevention Effects 0.000 claims description 33
- 238000009795 derivation Methods 0.000 claims description 25
- 238000007726 management method Methods 0.000 claims description 21
- 238000013480 data collection Methods 0.000 claims description 19
- 230000007717 exclusion Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000004880 explosion Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 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
- 239000012535 impurity Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007774 longterm Effects 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
- 230000003442 weekly 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
- 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
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. It is about a method and system for predicting safety accidents at construction sites 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 continuously occur at construction sites, each construction company has a lot of interest in site safety management and disaster prevention. In addition, in recent years, as government-level legal regulations have been strengthened, the importance of safety management and disaster prevention has been further increased.
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. Conventional construction sites mainly implement big data-based safety management methods including sensing data analysis, image or video analysis, etc., but these are mainly conducted for a single accident type. Therefore, there is a problem in that it is difficult to accurately reflect the situation of a construction site in which various risk factors such as work characteristics, equipment, partners, and environmental factors are complexly inherent.
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. An object of the present invention is to provide a construction site safety disaster prediction method and system based on artificial intelligence capable of predicting the probability of occurrence of a disaster 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.Construction site safety accident prediction method based on artificial intelligence according to the present invention, site information of multiple construction sites, work permit (PTW, Permit To Work), non-conformance report (NCR, Non Conformance Report), safety check intellectual information , a data collection step of collecting 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 non-conformance report, the safety inspection intellectual information, and the data on the actual process rate are preprocessed as disaster cause data, and the data on the accident investigation report and the near-miss accident report are a data pre-processing step of pre-processing disaster result data; Building an artificial intelligence model capable of predicting the importance of variables included in the disaster cause data and the probability of disaster occurrence by disaster type by machine learning using the disaster cause data as an input variable and the disaster result data as a dependent variable a learning step; When the artificial intelligence model predicts and manages the disaster occurrence probability and the disaster cause data for the disaster management target site is input, the artificial intelligence model derives the importance of the variables included in the work permit and the disaster occurrence probability for each disaster type. A disaster occurrence probability derivation step and; 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 target site and past similar disaster information 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 at least part of job information among equipment, machine, and type of work, and in the data preprocessing step, the data on the work permit is converted in units of a predetermined set period, and the data on the work permit is converted into units of equipment and machines for each set period. Each usage rate and work type are preprocessed as variables.
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 on the non-conformity report includes at least some of disaster types, disaster-causing materials, and disaster-causing work types, and in the data pre-processing step, after summing up the data on the non-conforming reports in units of a first set period, the first It is converted into units of a second set period shorter than the set period, and the ratio of the disaster type, the ratio of the disaster-attributable material, and the ratio of the work type caused by the disaster 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 check intellectual information includes at least some number of times among warning, education, and work exclusion, and in the data preprocessing step, after summing the data on the safety check intellectual information in units of a first set period, It is converted into units of a second set period shorter than the first set period, and the warning rate, training rate, and work exclusion rate for each second set period are preprocessed as variables.
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 a disaster type and a disaster severity, the data for the near-miss accident report includes a disaster type for a near-miss accident, 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 of the disaster result 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, flight, overturn, collapse, collision, constriction, fire, and explosion, and the disaster occurrence probability is the disaster occurrence probability by disaster type by date and total disaster by date for each construction site. Include the 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 step of deriving disaster prevention measures, a set number of variables derived with high importance are selected as risk factors, and items to be checked 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 step of deriving disaster prevention measures, a set number of variables derived with high importance are selected as risk factors, past similar disaster information of cases similar to the risk factors and disaster occurrence probabilities for each disaster type is derived, and the past similar disasters The information includes at least some of 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.A construction site safety disaster prediction method based on artificial intelligence according to another aspect of the present invention includes site information of multiple construction sites, work permits (PTW, Permit To Work), non-conformity report (NCR, Non Conformance Report), safety a data collection step of collecting data including inspection intellectual information, performance progress rate, accident investigation report and near miss report; Among the data collected in the data collection step, the work permit, the non-conformance report, the safety inspection intellectual information, and the data on the actual process rate are preprocessed as disaster cause data, and the data on the accident investigation report and the near-miss accident report are a data pre-processing step of pre-processing disaster result data; Learning to construct an artificial intelligence model capable of predicting the importance of variables included in the disaster cause data and the probability of occurrence of a disaster by machine learning using the disaster cause data as an input variable and the disaster result data as a dependent variable step; When the artificial intelligence model predicts and manages the disaster occurrence probability and the disaster cause data for the disaster management target site is input, the artificial intelligence model derives the importance of the variables included in the work permit and the disaster occurrence probability for each disaster type. A disaster occurrence probability derivation step and; 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 target site and past similar disaster information and deriving a disaster prevention plan, wherein the disaster type includes at least some of a fall, fall, flight, overturn, collapse, collision, constriction, fire, and explosion, and the disaster occurrence probability is a date for each construction site. Including the probability of disaster occurrence for each disaster type and the total disaster occurrence probability for each day, in the disaster prevention plan derivation step, the set number of variables derived with high importance is selected as risk factors, and the items to be checked for the risk factors are selected in the dictionary. Include in the inspection checklist, derive similar past disaster information of cases similar to the risk factors and disaster occurrence probability by disaster type, and the past similar disaster information includes at least some of the 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. Construction site safety disaster prediction system based on artificial intelligence according to the present invention, site information of multiple construction sites, work permit (PTW, Permit To Work), non-conformity report (NCR, Non Conformance Report), safety check intellectual information , a data collection unit that collects data including performance progress rates, accident investigation reports, and near miss reports; Among the data collected by the data collection unit, data on the work permit, the non-conformity report, the safety inspection intellectual information, and the actual process rate are preprocessed as disaster cause data, and data on the accident investigation report and the near-miss accident report are a data pre-processing unit that pre-processes result data; a model learning unit that learns using the disaster cause data and the disaster result data as variables and builds an artificial intelligence model capable of predicting the importance of variables included in the disaster cause data and a disaster occurrence probability for each disaster type; When the disaster cause data for the disaster management target site to be managed by predicting the probability of disaster occurrence is input to the artificial intelligence model, the importance of 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 and; 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 target site and past similar disaster information Includes a disaster prevention plan derivation unit to derive.
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 learns an artificial intelligence model using data including site information, work permits, non-conformity reports, safety inspection intellectual information, performance progress rates, accident investigation reports, and near-accident reports, Since the probability of disaster occurrence by construction site, by date, and by disaster type can be predicted in advance using the artificial intelligence model, there is an advantage in that the occurrence of disaster can be prevented 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.In addition, it is possible to prevent the occurrence of a disaster more effectively by selecting risk factors that may affect occurrence of a disaster in advance and providing a checklist for pre-inspection of the risk factors.
또한, 상기 위험 요소에 대한 과거 유사 재해 정보를 제공함으로써, 재해 발생에 대한 인식율을 향상시킬 수 있다. In addition, by providing past similar disaster information on the risk factor, it is possible to improve the recognition rate of disaster occurrence.
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.1 is a block diagram schematically showing the configuration of a construction site safety accident prediction system based on artificial intelligence according to an embodiment of the present invention.
2 is a flowchart illustrating a construction site safety accident prediction method based on artificial intelligence according to an embodiment of the present invention.
3 shows an example of pre-processing data on a work permit in the construction site safety accident prediction method based on artificial intelligence according to an embodiment of the present invention.
4 shows an example of pre-processing data on non-conformity reports in the construction site safety accident prediction method based on artificial intelligence according to an embodiment of the present invention.
5 is an example of a disaster occurrence probability for each disaster type on the screen of a construction site safety disaster prediction system based on artificial intelligence according to an embodiment of the present invention.
6 is a table showing the importance of variables in the construction site safety accident prediction method based on artificial intelligence according to an embodiment of the present invention.
7 is an example of a disaster risk index and a pre-inspection checklist on the screen of a construction site safety disaster prediction system based on artificial intelligence according to an embodiment of the present invention.
8 is an example of a disaster risk index and similar disaster information on a screen of a construction site safety disaster prediction system based on artificial intelligence according to an embodiment of the present invention.
9 is an example of an analysis result of a disaster risk index and a disaster type on a screen of a construction site safety disaster prediction system based on artificial intelligence according to an embodiment of the present invention.
10 shows an example of prediction result verification of an artificial intelligence model of a construction site safety accident prediction system based on artificial intelligence 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, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice with reference to the accompanying drawings. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. Throughout the specification, when a certain component is said to "include", it means that it may further include other components without excluding other components unless otherwise stated.
도 1은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 구성을 개략적으로 나타낸 블록도이다.1 is a block diagram schematically showing the configuration of a construction site safety accident 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 construction sites such as houses, buildings, roads, and bridges. However, it is not limited thereto, and the construction site can be applied to any site requiring disaster prediction 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 a site name and a 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 types of work scheduled in units of a preset period. The work permit is prepared to report scheduled work information before performing work at each site, so that work information 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 one time.
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 non-conformance report includes information on the site code and the type of disaster reported during the preset reporting period, the disaster-causing material, and the disaster-causing work species. The non-conformity report is data prepared to document and manage contents pointed out by safety personnel at each site in the process of site inspection and stored in the database. The risk factors are factors that can act as direct or indirect causes of future disasters, and are used to predict disasters.
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 indication information includes the site code and the number of warnings, training, and work exclusions indicated during a preset period. The safety information includes safety information pointed out by a safety officer at each site during a site inspection process, and is data stored in the database. As an example, the safety intellectual information will be described as using data accumulated on a monthly basis having the highest correlation with the occurrence of disasters.
상기 실적 공정률은, 상기 현장코드와 월간 실적 공정률을 포함한다.The actual progress rate includes the field code and the monthly actual 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 during a preset period. The disaster type will be described as including, for example, at least some of fall, fall, flight, overturn, collapse, collision, constriction, fire, and explosion. However, it is not limited thereto, and any type of disaster that may occur at the construction site is applicable. The severity of the disaster may be classified into death, injury, and the like.
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 accident report includes the site code and a disaster type for the near-miss accident during the set period. The near miss means a state 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.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. A construction site safety disaster prediction method based on artificial intelligence according to an 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. 2 is a flowchart illustrating a construction site safety accident 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 pre-processing 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 pre-processing step (S2), the data on the work permit, the nonconformity report, the safety inspection intellectual information, and the actual process rate are pre-processed as disaster cause data, and the data on the accident investigation report and the near-miss accident report are Pre-process with disaster result 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 in units of a preset period, and pre-processed into variables related to the use rate of equipment, the use rate of machines, and the type of work for each set period. Here, the setting period is described as an example of one day. The work permits are generally collected in units of weeks or months, and are converted into units of days. At this time, since a plurality of work reports are included in one date, all of the plurality of work reports including each equipment, machine, and type of work are checked in the corresponding site on the corresponding day, and data for each date is extracted therefrom.
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 use rate of the equipment by date is calculated as a ratio of the number of uses of the corresponding equipment to the total number of uses of the entire equipment on the corresponding day at the corresponding site. In addition, the machine use rate for each day may be calculated as a ratio of the number of machines used to the total number of machines used on the day in the corresponding 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 the type of disaster, the cause of the disaster, and the type of work caused by the disaster, and after summing them in units of a first preset period, the data is converted into units of a second set period shorter than the first set period. Here, the first set period is 1 month, and the second set period is 1 day. In other words, after accumulating and summing up in units of one month, it is converted again in units of days (DAY), and pre-processed with variables for the ratio of disaster type, disaster-caused product, and disaster-caused work type 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 FIG. 4, the ratio of the disaster type by date is the sum of the number of occurrences of the disaster type from the time of analysis to the previous month at the site, and then the corresponding disaster type for the total number of occurrences of all disaster types for one month. The number of occurrences was calculated as a percentage. Also, the method of calculating the ratio of the disaster-causing material and the ratio of the disaster-causing work type is 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 check intellectual information includes the number of warnings, training, and work exclusions indicated during a set period, and after summing them up in units of a first set period, and then in units of a second set period shorter than the first set period convert to Here, the first set period is 1 month, and the second set period is 1 day. That is, after accumulating and summing them in units of one month, they are converted back into units of days (DAY) and preprocessed as variables for warning rate, training 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 a disaster type and a disaster severity, and the near-miss accident report includes a disaster type for a near-miss accident.
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 actual progress rate is a value obtained by calculating the progress of the construction as a percentile. In this embodiment, the actual process rate will be described as an example in which a monthly reference value is interpolated and used 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 pre-processing step (S2), after integrating the data on the accident investigation report and the data on the near-miss accident report, it is pre-processed into variables for the 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, disaster types and disaster severity by disaster date 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 capable of predicting 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. In addition, a 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, proportion, overturn, collapse, collision, constriction, fire, and explosion. It is not limited thereto, and disaster types may be added or excluded according to 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 disaster occurrence probability may include a disaster occurrence probability for each disaster type by date and a comprehensive disaster occurrence probability for each construction site.
이후, 실제 재해 관리 대상 현장에서 재해 발생 확률을 예측하고자 재해 발생 확률 도출단계(S4)를 수행한다.Thereafter, a disaster occurrence probability derivation step (S4) is performed to predict the disaster occurrence probability in the actual disaster management target 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 target site inputs a work permit and actual 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. 5 is an example of a disaster occurrence probability for each disaster type on the screen of a construction site safety disaster prediction system based on artificial intelligence 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 FIG. 5 , it can be seen that a site code, a site name, a disaster occurrence probability by disaster type by date, and a comprehensive disaster occurrence probability by day are displayed. In addition, disaster prediction trends for each site may also be displayed.
도 6은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법에서 변수의 중요도를 나타낸 표이다. 6 is a table showing the importance of variables in the construction site safety accident prediction method based on artificial intelligence 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. 6A shows the importance of each of the types of work (a to e) included in the work report as a numerical value. Figure 6b indicates whether or not work is planned at site A and site B for each type of work, and is indicated as 1 when work is scheduled and 0 when work is not scheduled. 6C shows a value obtained by multiplying an importance value and a work schedule value for each of a plurality of types of work.
상기와 같이 재해 발생 확률이 도출되면, 재해 예방책 도출 단계(S5)가 수행된다. When the disaster occurrence probability is derived as described above, a 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 derived with high importance in the disaster occurrence probability derivation step (S4) are selected as risk factors, and items to be checked for the risk factors are included in the pre-inspection checklist. do. Here, the set number is described as being the top 3 as an example.
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 FIG. 6 , among the five work types (a to e) at site A, the top three work types a, work type c, and work type e with high importance may be selected as risk factor work types. In addition, at site B, the top three work types a, work type b, and work type c with high importance among the five work types (a to e) may be selected as risk factor work types. In this embodiment, the selection of risk factors for work types has been described as an example, but it is not limited thereto, 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 the risk factors are selected according to the importance in the above manner, items to be checked for the risk factors are included in the pre-inspection checklist to be derived.
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 may be displayed on a screen of a terminal of a user such as a system manager or a site manager who manages the construction site safety and 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. 7 is an example of a disaster risk index and a pre-inspection checklist on the screen of a construction site safety disaster prediction system based on artificial intelligence 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 FIG. 7 , the disaster risk index is the overall disaster occurrence probability, and the disaster probability by type represents the disaster occurrence probability by disaster type. In addition, among the risk factors, the dangerous work represents the type of work selected as a risk factor, the dangerous equipment represents equipment selected as a risk factor, and the dangerous machine represents a machine selected as a risk factor. In addition, the preliminary inspection list specifically displays each inspection item and check item for the type of work, equipment, and machine selected as the risk factor.
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 plan derivation step (S5), past similar disaster information of a case similar to the risk factor and the disaster occurrence probability for each disaster type is 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 a part of disaster type, disaster severity, and disaster details. The past similar disaster information may be derived from past disaster information previously constructed 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 similar disaster information in the past can be displayed on the screen of a terminal possessed by a system manager or site manager, and can be sent to a person in charge at each site by e-mail or the like.
도 8은 본 발명의 실시예에 따른 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템의 화면에서 재해위험지표와 유사 재해 정보를 나타낸 예이다. 8 is an example of a disaster risk index and similar disaster information on a screen of a construction site safety disaster prediction system based on artificial intelligence 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 described in which a disaster attributable material, a disaster type, a disaster severity, and an accident content for a type of work 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. 9 is an example of an analysis result of a disaster risk index and a disaster type on a screen of a construction site safety disaster prediction system based on artificial intelligence 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 the disaster type, the cause of the disaster, and the attributable to the disaster are displayed as a diagram 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.10 shows an example of prediction result verification of an artificial intelligence model of a construction site safety accident prediction system based on artificial intelligence 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 FIG. 10, it shows the result of predicting the probability of occurrence of a disaster by applying it to an actual site, and when the probability of occurrence of a disaster is 50% or more, 70% was predicted. The prediction rate will increase more when the standard of disaster occurrence probability is adjusted.
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 that more accurate prediction is possible and disasters can be prevented 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. In addition, by providing a pre-inspection checklist for risk factors, the occurrence of disasters can be effectively prevented. In addition, by providing similar disaster information in the past, it is possible to improve the recognition rate for disaster occurrence.
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.Although the present invention has been described with reference to the embodiments shown in the drawings, this is only exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true technical scope of 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 pre-processing unit
13: model learning unit 14: disaster occurrence probability prediction unit
15: Disaster Prevention Plan Derivation Department
Claims (13)
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 모델로부터 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 포함하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.Site information of multiple construction sites, Permit To Work (PTW), Non Conformance Report (NCR), safety inspection intellectual information, performance progress rate, accident investigation report, and near miss report a data collection step of collecting data;
Among the data collected in the data collection step, the work permit, the non-conformance report, the safety inspection intellectual information, and the data on the actual process rate are preprocessed as disaster cause data, and the data on the accident investigation report and the near-miss accident report are a data pre-processing step of pre-processing disaster result data;
Building an artificial intelligence model capable of predicting the importance of variables included in the disaster cause data and the probability of disaster occurrence by disaster type by machine learning using the disaster cause data as an input variable and the disaster result data as a dependent variable a learning step;
When the disaster cause data for the disaster management target site to predict and manage the disaster occurrence probability is input to the artificial intelligence model, the importance of variables included in the work permit and the disaster occurrence probability by disaster type are derived from the artificial intelligence model A disaster occurrence probability derivation step and;
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 target site and past similar disaster information A construction site safety disaster prediction method based on artificial intelligence including 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 전처리하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.The method of claim 1,
The data on the work permit includes work information on at least some of equipment, machinery, and work types,
In the data pre-processing step, construction site safety based on artificial intelligence converts the data on the work permit in units of a preset period and pre-processes each usage rate of equipment and machines for each set period, and whether the type of work is performed as variables. Disaster forecasting methods.
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 전처리하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.The method of claim 1,
The data for the non-conformity report includes at least some of the disaster type, disaster-attributable work, and disaster-causing work,
In the data pre-processing step, after summing the data on the nonconformity report in units of a first set period, converting the data into units of a second set period shorter than the first set period, the ratio of disaster types for each second set period, A construction site safety disaster prediction method based on artificial intelligence that preprocesses the ratio of disaster-causing materials and the ratio of work types caused by disasters 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 전처리하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.The method of claim 1,
The data on the safety check intellectual information includes at least some number of warnings, education, and work exclusion,
In the data pre-processing step, after summing up the data on the safety inspection intellectual information in units of a first set period, converting the data into units of a second set period shorter than the first set period, and then calculating the warning rate for each of the second set periods. A construction site safety accident prediction method based on artificial intelligence that preprocesses , education rate, and work exclusion rate as variables.
상기 사고 조사 보고서에 대한 데이터는 재해 유형과 재해 심각도를 포함하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.The method of claim 1,
The data for the above accident investigation report is a construction site safety disaster prediction method based on artificial intelligence including disaster type and disaster severity.
상기 아차사고 보고서에 대한 데이터는 아차사고에 대한 재해 유형을 포함하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.The method of claim 5,
The data on the near miss report is a construction site safety disaster prediction method based on artificial intelligence including the type of near miss accident.
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 전처리하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.The method of claim 6,
In the data pre-processing step, after integrating the data on the accident investigation report and the data on the near-miss accident report, preprocessing as variables of the disaster result data including the disaster type and disaster severity by disaster date Based on artificial intelligence Construction site safety disaster prediction method.
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.The method of claim 1,
The disaster type includes at least some of falls, falls, flying, overturning, collapse, collisions, constrictions, fires, and explosions,
The disaster occurrence probability is a construction site safety disaster prediction method based on artificial intelligence, including the disaster occurrence probability by disaster type by date and total disaster occurrence probability by date for each construction site.
상기 재해 예방책 도출단계에서는,
상기 중요도가 높게 도출된 설정 개수의 변수들을 위험요소로 선정하고,
상기 위험요소에 대한 점검 사항을 상기 사전점검 체크리스트에 포함하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.The method of claim 1,
In the step of deriving the disaster prevention plan,
Selecting the set number of variables derived with high importance as risk factors,
A construction site safety disaster prediction method based on artificial intelligence that includes the inspection items for the risk factors in the pre-inspection checklist.
상기 재해 예방책 도출단계에서는,
상기 중요도가 높게 도출된 설정 개수의 변수들을 위험요소로 선정하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.The method of claim 1,
In the step of deriving the disaster prevention plan,
A construction site safety disaster prediction method based on artificial intelligence that selects the set number of variables derived with high importance as risk factors.
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.The method of claim 10,
In the step of deriving the disaster prevention plan,
Derive past similar disaster information of cases similar to the risk factors and disaster occurrence probability by disaster type,
The past similar disaster information is an artificial intelligence-based construction site safety disaster prediction method including at least some of disaster type, disaster severity, and disaster details.
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 모델로부터 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 포함하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 방법.Site information of multiple construction sites, Permit To Work (PTW), Non Conformance Report (NCR), safety inspection intellectual information, performance progress rate, accident investigation report, and near miss report a data collection step of collecting data;
Among the data collected in the data collection step, the work permit, the non-conformance report, the safety inspection intellectual information, and the data on the actual process rate are preprocessed as disaster cause data, and the data on the accident investigation report and the near-miss accident report are a data pre-processing step of pre-processing disaster result data;
Learning to construct an artificial intelligence model capable of predicting the importance of variables included in the disaster cause data and the probability of occurrence of a disaster by machine learning using the disaster cause data as an input variable and the disaster result data as a dependent variable step;
When the disaster cause data for the disaster management target site to predict and manage the disaster occurrence probability is input to the artificial intelligence model, the importance of variables included in the work permit and the disaster occurrence probability by disaster type are derived from the artificial intelligence model A disaster occurrence probability derivation step and;
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 target site and past similar disaster information Including the step of deriving disaster prevention measures to derive,
The disaster type includes at least some of falls, falls, flying, overturning, collapse, collisions, constrictions, fires, and explosions,
The disaster occurrence probability includes a disaster occurrence probability by disaster type by date and a comprehensive disaster occurrence probability by date for each construction site,
In the step of deriving the disaster prevention plan,
A set number of variables derived from the high importance are selected as risk factors, and items to be checked for the risk factors are included in the pre-inspection checklist,
Derive past similar disaster information of cases similar to the risk factors and disaster occurrence probability for each disaster type, and the past similar disaster information includes at least some of the disaster type, disaster severity, and disaster details based on artificial intelligence. Construction site safety disaster prediction method.
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 포함하는 인공지능을 기반으로 한 건설 현장 안전 재해 예측 시스템.Site information of multiple construction sites, Permit To Work (PTW), Non Conformance Report (NCR), safety inspection intellectual information, performance progress rate, accident investigation report, and near miss report a data collection unit that collects data;
Among the data collected by the data collection unit, data on the work permit, the nonconformity report, the safety inspection intellectual information, and the performance process rate are preprocessed as disaster cause data, and data on the accident investigation report and the near-miss accident report are a data pre-processing unit that pre-processes result data;
a model learning unit that learns using the disaster cause data and the disaster result data as variables and builds an artificial intelligence model capable of predicting the importance of variables included in the disaster cause data and a disaster occurrence probability for each disaster type;
When the disaster cause data for the disaster management target site to predict and manage the disaster occurrence probability is input to the artificial intelligence model, the importance of variables included in the work permit and the disaster occurrence probability by disaster type are derived from the artificial intelligence model A disaster occurrence probability prediction unit and;
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 target site and past similar disaster information A construction site safety disaster prediction system based on artificial intelligence including a disaster prevention plan derivation unit.
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 true KR20230091420A (en) | 2023-06-23 |
| KR102643654B1 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 (5)
| 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 |
| KR20210009269A (en) * | 2019-07-16 | 2021-01-26 | 주식회사 지에스아이엘 | Multi-Dimensional Risk Matrix |
| KR20210073895A (en) * | 2019-12-11 | 2021-06-21 | 인하대학교 산학협력단 | System for predicting risk of worker reflecting field conditions and previous accident cases and method thereof |
| KR102291193B1 (en) * | 2020-10-08 | 2021-08-20 | 주식회사 에코시안 | Automatic device and method for recommending risk and safety information based on artificial intelligence |
| KR20210125702A (en) * | 2020-04-09 | 2021-10-19 | 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 (5)
| 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 |
| KR20210009269A (en) * | 2019-07-16 | 2021-01-26 | 주식회사 지에스아이엘 | Multi-Dimensional Risk Matrix |
| KR20210073895A (en) * | 2019-12-11 | 2021-06-21 | 인하대학교 산학협력단 | System for predicting risk of worker reflecting field conditions and previous accident cases and method thereof |
| KR20210125702A (en) * | 2020-04-09 | 2021-10-19 | 가톨릭대학교 산학협력단 | Disaster prediction system and method using major keyword analysis technology of artificial intelligence |
| 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 |
|---|---|
| KR102643654B1 (en) | 2024-03-04 |
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 | |
| Li et al. | Safety management systems: A broad overview of the literature | |
| Verma et al. | Safety of workers in Indian mines: study, analysis, and prediction | |
| 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 | |
| Hoyos et al. | Occupational safety and accident prevention: behavioral strategies and methods | |
| 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 | |
| Lehto et al. | Models of accident causation and their application: Review and reappraisal | |
| Singh et al. | Chain of events model for safety management: data analytics approach | |
| US20100153156A1 (en) | Critically/vulnerability/risk logic analysis methodology for business enterprise and cyber security | |
| Rashid et al. | Eradicating root causes of aviation maintenance errors: introducing the AMMP | |
| CN116151626B (en) | Risk management and control capability evaluating method, system, electronic equipment and storage medium | |
| KR102363619B1 (en) | Method of measuring construction site safety danger and server performing thereof | |
| US20170357923A1 (en) | Construction analytics to improve safety, quality and productivity | |
| US20220148114A1 (en) | Methods and systems for implementing and monitoring process safety management | |
| CN117236688A (en) | Building safety accident risk prevention and early warning system based on big data technology | |
| CN114862289A (en) | Construction parameter-based safety state confirmation method and device | |
| Zheng et al. | A hybrid approach for evaluating faulty behavior risk of high‐risk operations using ANP and evidence theory | |
| KR20230091420A (en) | Construction site safety diaster predicting method and system based on artificial intelligence | |
| Reitšpís et al. | Selection and application of appropriate analytical methods needed to assess the risks reducing the security of the protected system | |
| US20210241919A1 (en) | System for an epidemiological approach to musculoskeletal risk determination and prediction of ergonomic risks, physical demand performance levels, occupational health monitoring and environmental, health, safety & sustainability modeling | |
| Ghousi | Applying a decision support system for accident analysis by using data mining approach: A case study on one of the Iranian manufactures | |
| Widiastuti et al. | Identification of safety risk in construction project: A systematic literature review | |
| Singh et al. | A data-driven penalty-reward methodology for performance assessment of risk control systems | |
| Hosseinpouri et al. | Methodology for quantitatively monitoring the basic risk factors of accidents: A case study on manufacturing companies | |
| CA3133390A1 (en) | Methods and systems for implementing and monitoring process safety management |
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 |