2. 清华大学 建设管理系, 北京 100084
2. Department of Construction Management, Tsinghua University, Beijing 100084, China
装配式建造(prefabricated construction, PC)是将建筑构件的一部分或全部转移到工厂进行预制并在现场组装的一种施工方法[1]。与传统的现浇施工方法不同，装配式建造增加了部品和构件的预制生产环节，在提高效率、提升质量、缩短工期、降低成本等方面具有优势[2]。中国已将发展装配式建筑作为推动建筑业转型升级的重要举措。然而，目前中国装配式建筑的发展仍面临诸多阻碍[3]。
现阶段大部分装配式建筑无法做到100%的预制装配，建筑中的重要位置和关键节点仍需要采用现浇方式施工，预制部品和构件在工厂内的生产和制作与现场施工同步进行，因此与全现浇建造体系相比，装配式建造体系的施工交叉面增多，工序数量增加，并行工作之间的相互影响关系更为复杂。精益管理思想对于装配式建造的预制和现浇两者之间的协同与精准控制有重要意义。李忠富等[4]认为精益思想有必要应用于装配式建造中，发挥计划协调和价值生产的支撑作用，从而减少浪费、最大化满足业主需求。Rauch等[5]在设计、生产和施工过程中应用精益管理来避免活动中产生的浪费。由于装配式建造的并行特征可能引起返工现象，从而带来成本和工期的浪费，精益管理思想指导的计算机方法可以预先识别潜在返工风险，从而减少返工引起的浪费，进一步提高建造效率。
返工是一项非增值活动，且需额外的努力来纠正错误[6]，严重影响项目目标的实现。返工风险是在建造过程中，由于自身或其他环节的管理、技术、信息等原因需要重新执行该环节所带来的影响的不确定性。返工是一个既定事实，返工风险与返工不同，它与不确定性密切相关。已有许多学者针对返工现象进行了研究，包括返工因素的挖掘[7-8]、返工影响的控减[9-10]等。目前关于返工风险管理方面的研究较少，且主要聚焦于基于专家经验和项目实践的被动性返工风险识别与管控[11-13]，如此形成的知识较为零散，且共享与交互方式落后，很难打破信息孤岛，难以在实践中获取、重用和增值。缺乏事前的风险识别与规避，会造成返工现象频繁发生，甚至影响后续的工序和阶段，返工所进行的被动弥补导致了大量的浪费与拖延。因此，非常有必要研究装配式建造过程中的返工风险识别(rework risk identification, RRI)方法，对项目实施全过程中的返工风险进行主动识别和预控，以减少返工，提高项目实施效率。
本文针对目前装配式建造返工风险管理中的问题，基于精益管理思想，构建面向装配式建造过程的集成知识管理框架，实现返工风险超前预控，以期在提高建造效率的同时有效控减非增值活动。精益管理是以价值流为中心，实现顾客价值最大化、浪费最小化的建筑生产管理模式[14]。本文提出了一个适用于装配式建造过程的返工风险转换-流动-价值(transformation-flow-value，TFV)理论模型。该模型关注包括设计、生产、装配3个阶段的整个建造过程的价值流动管理，识别可能发生的非增值活动(返工)，以提高建造效率和减少由返工引起的浪费，在满足业主需求的同时充分发挥装配式建造的优势。本体是对特定领域概念的正式和明确的描述[15]。现有的关于风险本体的研究主要集中于安全风险[16]、施工风险[17-18]、金融风险[19]、事故风险[20]等，鲜少有将本体论应用于返工风险管理的研究。本体允许参与者在不掌握特定领域深层知识的情况下进行有意义的搜索，实现轻松便捷的非结构化知识传输和共享。
1 精益管理下的返工风险智能识别总体设计 1.1 精益管理下的返工风险智能识别总体设计框架在装配式建造过程中，返工风险智能识别的总体设计框架基础，实质是领域知识的获取、处理、存储和重用。本文运用以本体论为代表的信息表达工具构建返工风险本体知识库，将装配式建造的返工风险知识建模为语义网，并与文本知识(相关规范条款和建造活动记录文件)以及建筑信息模型(building information modeling, BIM)表征的环境知识(预制构件信息和传感器数据)链接，编制语义规则算法通过推理引擎实现返工风险识别，最后基于语义化检索算法输出可视化识别结果与风险优化措施。由此，返工风险智能识别总体框架主要包括知识管理、信息处理和推理查询3个相互作用且彼此关联的模块，如图 1所示。
|
| 图 1 装配式建造的返工风险智能识别总体设计框架 |
知识管理模块的核心是RRI本体知识库。在工程实践中，风险相关知识大多存储在纸质或电子文档中，这些文档可以基于本体概念和属性进行语义分析。知识库涵盖已结构化处理的返工风险专业知识、装配式建造相关规范文件、建造活动记录文档，以及与BIM环境下的预制构件一对一匹配的物联网(Internet of things, IoT)设备及监测数据等。多源的本体知识库是灵活动态的。在专家和项目管理者的指导下，知识工程师可以持续地将专家经验和工程实践详情更新至知识库中，不断提高智能本体的风险识别性能及精确度与灵敏度，且可供后续查询及管理使用，以打破风险信息难以传递共享的困境。
信息处理模块的核心是返工风险识别本体模型。该模块将IoT设备的监测数据与BIM模型中的具体构件相对应，BIM信息被提取并转换为本体知识库中的数据格式存储。在对文档信息语义解析的基础上，建立RRI本体，以实现异质数据的互操作。
推理查询模块集成了返工风险规则算法、推理算法以及查询算法，通过内置算法将BIM模型信息与返工风险规则库中的规则进行逐条匹配，将识别出的不一致项反馈更新至本体知识库中。终端用户通过查询得到识别结果并输出识别报告。
1.2 精益管理下的返工风险智能识别工作流程RRI本体知识库是返工风险识别工作流程的中心枢纽，定义了返工风险所有相关信息类别间的关系。它不仅有助于参与方了解整个返工风险领域的知识，而且有助于他们在没有任何详细专业知识的情况下轻松捕获所需的信息。精益管理下的返工风险智能识别工作流程如图 2所示。
|
| 图 2 返工风险智能识别工作流程 |
推理算法编制是将现行装配式建造规范进行结构化处理的过程。由于暂无直接将BIM数据转换成网络本体语言(web ontology language, OWL)格式的插件，因此对经语义逻辑分析后的规范条款，利用语义网规则语言(semantic web rule language, SWRL)进行格式转换并植入本体模块。再利用Revit导出共享参数明细表的方式，将预制构件及相应的监测数据导出为EXCEL格式，并通过Protégé软件的Cellfie模块构建数据转换公理与RRI本体映射。这为建模软件与应用软件间的数据互操作提供了可能性。
本文的智能化本体是基于演化的装配式精益建造TFV理论模型和装配式建造信息流动模型提出的。Koskela[21]认为TFV理论中，转换观点是实现有效增值的活动，流动观点是减少非增值活动的份额，价值观点是保障客户需求，因此对于装配式建造过程返工风险控制具有一定的适用性。整个装配式建造过程可以划分为设计、生产、施工3个阶段，拥有RRI本体知识库情况下各阶段的参与方即可共享返工相关知识。TFV理论模型涵盖转换、流动和价值3个子模型。1) 在转换模型中，部分反馈信息流动至输出端并回收到输入端，与输入信息进行比较，从而发现与规范不匹配的潜在返工项，进而查明风险原因并采取措施加以纠正。反馈执行的是控制职能，目的是减少以返工为代表的计划外浪费，并控制建造工艺的准确执行。2) 在流动模型中，流动是原材料到最终装配式建筑产品的生产过程。流动过程可以用时间、成本和价值(即建造过程中对业主需求的满足)表征其特点，目的是使增加价值的活动更加高效，因此流动顺畅的关键在于预先识别返工风险，反馈风险信息，阻断风险倒流路径，减少非增值行为，最终满足业主需求，提高产出价值。3) 价值模型部分始于深化设计阶段，并随建造活动的进行不断迭代反馈，目的是将业主的需求和期望分别告知各阶段的参与方，并转换为相关的流动。
RRI本体知识库的丰富可以促使生产缺陷的减少，确保建造过程中的各个环节均能实现业主需求，保证返工问题没有在转换到设计、生产和装配施工的过程中被忽略和误解，最终推动装配式建筑产品能够实现价值最大化。
此外，信息流动模型是TFV理论模型的补充和扩展，它综合了设计标准、生产和装配的要求与限制，可以展示装配式建造过程中业主方的需求和期望如何在精益设计、精益生产和精益装配3个阶段流动，以及最终通过在知识库中查询并共享相关知识来推动项目进展。精益设计从设计方面综合考虑设计标准、生产和装配的要求和限制。精益生产和精益装配的知识迭代有助于生产装配计划和流程，以及生产和出货计划。
1.3 精益管理下的返工风险智能识别的实现基础美国斯坦福大学开发的Protégé 5.5.0作为本体基础开发工具，是一个开源平台，能够支持开发人员和最终客户构建与OWL语法兼容的本体知识库[22]，且依赖基于Java的应用程序接口(application programming interface，API)能够实现本研究总体框架的所有内容。通过定义命名空间前缀，OWL API可以访问返工风险的本体模型及其元素(类、属性、实例等)，Revit API可以输出Revit模型提供的建筑信息和监测数据，SWRL API可以支持统一数据口径的规则推理与检索，摆脱了底层繁琐的语义和逻辑数据操作。
2 基于精益管理的装配式建造返工风险智能识别本体的构建 2.1 RRI本体的概念体系返工风险智能识别的基础是构建一个能够清晰详尽地表征繁杂的返工风险专业知识的本体模型。风险识别是辨别从源头到风险事件的路径，而不是本体中的特定风险项。通过文献阅读和实际项目调研[6]，本文将风险因素根据其在风险路径中的位置分为前兆信息(26类)、返工风险(22类)以及优化措施(19类)。风险主体根据其在风险路径中的作用和影响分为设计-生产-装配3个阶段的35项装配式活动和24类装配式产品，以及物联网系统下的5类设备实体和9项属性信息。图 3显示了详细的返工风险相关主题分类。
|
| 图 3 RRI本体相关主题分类 |
2.2 RRI本体的结构搭建
明确的领域概念体系及准确的关系描述是拒绝扁平化而冗杂的本体的关键。在Protégé中，类的特征描述依赖于对象属性(Object property)和数据属性(Data property)，通过定义域(Domain)与值域(Range)来定义类与类之间的从属关系。表达RRI本体层次结构的OntoGraf视图如图 4所示。图中彩色箭头代表连接6大主题的对象属性。对象属性是返工风险非结构化知识语义表述的基础，能够支持领域主题串联成完整的风险路径。RRI本体主题对应的对象属性如图 5所示。
|
| 图 4 RRI本体的层级结构和可视化界面 |
|
| 图 5 RRI本体对象属性 |
2.3 RRI本体的功能实现 2.3.1 基于SWRL的规则推理
SWRL具有允许用户添加或修改规则约束的灵活性，因此选择SWRL作为本体推理规则语言，以赋予装配式建造相关条款语义化逻辑推理能力。
SWRL语言由推理条件(Body)和推理结果(Head)组成，在推理引擎Drools中运行可获得强大直观的推理能力。选取GB50010—2010《混凝土结构设计规范》条款9.5.2和GB50204—2015《混凝土结构工程施工质量验收规范》条款9.2.7对文本结构化处理过程进行阐释。
规则1 GB50010—2010：预制叠合板表面应做成凹凸差不小于4 mm的粗糙面。
Laminated_Floor_Slab(?l)^
hasRoughSurfaceUnevenness(?l, ?x)^
swrlb: lessThan(?x, 4)→hasRisk(?l, Weak_adhesion)^
hasSolution(?l, Adjust_ConcavoConvex)
规则2 GB50204—2015：预制构件进场质量验收，预留孔的中心线位置偏差不应大于5 mm。
Laminated_Floor_Slab(?l)^
hasCenterpointdeviation_Reservedhole(?l, ?x)^
swrlb: greaterThan(?x, 5)→hasRisk(?l, Hole_Deviation)^hasSolution(?l, Adjust_ReserveHole)
2.3.2 基于SQWRL和SPARQL的规则检索返工风险本体知识库蕴含丰富的专业知识和风险识别结果，针对本体实例(Individuals)的查询能够支持用户准确快速地捕获相关返工信息，并及时作出响应与反馈。SPARQL(simple protocol and RDF query language)是一种标准的RDF(resource description framework)查询语言，无法与推理规则相结合。由于其在表达“IF-THEN”规则方面的局限性，仅依赖OWL呈现知识的能力是有限的。SWRL可将OWL概念和关系与逻辑规则相结合，从而获得强大的知识表达能力。SQWRL(semantic query-enhanced web rlue language)是一种基于SWRL规则的查询语言，不仅与OWL本体规则兼容，而且可以执行指标检索。因此，SQWRL和SPARQL的结合可以帮助RRI本体知识库获得更强大的语义查询能力。以预制构件蒸汽养护为例，温度传感器监测构件内部温度，若恒温期间温度传感器读数超过60 ℃则被视为异常事件，于是有规则3和规则4。
规则3 SPARQL轻松获取传感器详细的温度监测值和时间。
PREFIX rdf: 〈 http://www.w3.org/1999/02/22-rdf-syntax-ns#〉
PREFIX owl: 〈 http:.//www.w3.org/2002/07/owl#〉
PREFIX rdfs:
〈 http://www.w3.org/2000/01/rdf-schema#〉
PREFIX xsd: 〈 http://www.w3.org/2001/XMLSchema#〉
PREFIX rri: 〈 http://www.semanticweb.org/administrator/ontologies/2022/3/untitled-ontology-32#〉
SELECT?sensor?value?time
WHERE
{?sensor rdf: type rri: Temperature_Sensor.
?sensor rri: ConstantTemperature_Internal?value.
?sensor rri: Date?time. }
规则4 SQWRL快速锁定监测到异常事件的温度传感器。
Temperature_Sensor(?l)^Constant Temperature_Internal(?l, ?e)^swrlb: greaterThan(?e, 60)→sqwrl: select(?l)
3 基于精益管理的装配式建造返工风险智能识别本体的应用在实际项目中，控制和减少预制叠合板由于裂缝原因等导致的返工现象是设计、生产和施工方非常关心的问题，其关键在于预先的返工风险识别。本文以海南省某装配式高层住宅项目中一块编号为“Laminated_Floor_Slab11”的叠合板为例，从建造过程的设计、预制、施工验收3个阶段对本文提出的返工风险智能识别模型进行验证研究。
在设计阶段，装配式建造过程的建筑信息储存在BIM模型中。BIM模型的信息预处理并与本体实现对接，是知识管理的基础。通过在Revit中设置共享参数为预制叠合板所需的属性信息进行赋值，并由明细表功能输出设计阶段的BIM模型信息(如长宽厚、保护层厚度、粗糙面凹凸差、吊点设置等)。建筑信息的结构化转换依赖Protégé中的Cellfie模块实现。BIM模型信息的预处理过程如图 6所示。
|
| 图 6 BIM模型信息预处理 |
在生产和施工阶段，返工风险相关知识多以专家经验、工程实践、文档信息和文件记录的形式呈现或储存。文档信息主要是与装配式建造相关的各类规范条款，文件记录包括预制构件验收表、施工质量验收表、传感器监测数据、工人排班表等活动记录。与设计阶段的信息处理过程相同，生产和施工阶段的前兆信息(如叠合板混凝土抗压强度、内部养护温度、尺寸验收偏差等)需手动导入Cellfie模块实现语义表达。该叠合板的前兆信息语义化结果如图 7a所示。图 7b是RRI本体中物联网系统设备实体中的一个温度传感器实例，用来监测叠合板“Laminated_Floor_Slab11”，其读数可判定监测对象在蒸汽养护过程中是否存在异常事件。
|
| 图 7 RRI本体的实例的前兆信息 |
根据2.3.1节编辑的规则1和2利用SWRL Tab在Drools引擎中运行推理，将结果更新到叠合板实例并反馈回RRI本体知识库，如图 8a和8b所示。实例“Laminated_Floor_Slab11”在结果界面新增两条对象属性，清晰地显示了其潜在返工风险类型和优化措施。根据2.3.2节编辑的检索规则3和4利用SQWRL Tab和SPARQL Tab运行查询，结果如图 8c和8d所示。虽仅以一个传感器实例为检索对象，但该检索算法可以快速准确地在海量信息中捕获到产品缺陷，筛选出风险前兆信息。项目管理者由此可以摆脱繁琐的数据负担，确保各工序的返工风险没有被忽略或误解，促使业主需求得到最大化满足。
|
| 图 8 实例“Laminated_Floor_Slabll”的推理及检索结果 |
通过前兆信息的捕获与管理，基于RRI本体的返工风险识别能够确保潜在返工风险在价值转换过程没有被忽视，有助于阻断返工现象在工序间的流动，并作为反馈检验各工序的合规性，进而保证业主需求及产品价值的最大化，以控减非增值行为带来的浪费。不限于本章提到的实例，随着推理和检索规则的扩展，RRI本体在准确识别潜在返工的基础上能够适用于更多的返工风险类型。
4 结论与展望本文基于精益管理思想提出了装配式建造返工风险TFV理论模型和信息流动模型，进而构建了装配式建造过程返工风险智能识别本体模型。将精益管理思想引入装配式建造过程返工风险识别，为返工信息的集成、管理和运用提供了新的视角和方法。RRI本体将BIM与物联网系统监测数据和文本文件进行集成来获取风险前兆信息，有效促进了返工知识的传递与共享，缓解了目前实践中装配式建造返工风险管理的困境。
返工风险包含了丰富而繁杂的信息，这意味着定义了初始版本后必须通过不断地使用或与专家讨论来评估和调试RRI本体，因此对RRI本体进行迭代设计的修订过程可能伴随其整个生命周期。此外，目前模型中多源数据的转换仍需手动操作，难以应对越来越庞杂的数据群，因此将数据挖掘技术与异质数据集成技术结合以自动实现返工风险知识的结构化处理是今后亟待研究的问题。
| [1] |
ZHANG X L, SKITMORE M, PENG Y. Exploring the challenges to industrialized residential building in China[J]. Habitat International, 2014, 41: 176-184. DOI:10.1016/j.habitatint.2013.08.005 |
| [2] |
CAO X Y, LI X D, ZHU Y M, et al. A comparative study of environmental performance between prefabricated and traditional residential buildings in China[J]. Journal of Cleaner Production, 2015, 109: 131-143. DOI:10.1016/j.jclepro.2015.04.120 |
| [3] |
SHEN K C, CHENG C, LI X D, et al. Environmental cost-benefit analysis of prefabricated public housing in Beijing[J]. Sustainability, 2019, 11(1): 207. DOI:10.3390/su11010207 |
| [4] |
李忠富, 李晓丹. 建筑工业化与精益建造的支撑和协同关系研究[J]. 建筑经济, 2016, 37(11): 92-97. LI Z F, LI X D. Research on the support and synergy of lean construction and industrialized construction[J]. Construction Economy, 2016, 37(11): 92-97. (in Chinese) |
| [5] |
RAUCH E, DALLASEGA P, MATT D T. Synchronization of engineering, manufacturing and on-site installation in lean ETO-enterprises[J]. Procedia CIRP, 2015, 37: 128-133. DOI:10.1016/j.procir.2015.08.047 |
| [6] |
LOVE P E D, MANDAL P, LI H. Determining the causal structure of rework influences in construction[J]. Construction Management and Economics, 1999, 17(4): 505-517. DOI:10.1080/014461999371420 |
| [7] |
LOVE P E D, IRANI Z, EDWARDS D J. A rework reduction model for construction projects[J]. IEEE Transactions on Engineering Management, 2004, 51(4): 426-440. DOI:10.1109/TEM.2004.835092 |
| [8] |
沈楷程. 装配式建造过程返工风险研究[D]. 北京: 清华大学, 2020. SHEN K C. Research on rework risk of prefabricated construction process[D]. Beijing: Tsinghua University, 2020. (in Chinese) |
| [9] |
杨青, 吕杰峰. 基于DSM返工风险评价矩阵的项目优化与仿真[J]. 系统工程理论与实践, 2010, 30(9): 1665-1671. YANG Q, LÜ J F. Project optimization and simulation based on DSM rework risk evaluation matrix[J]. Systems Engineering: Theory & Practice, 2010, 30(9): 1665-1671. (in Chinese) |
| [10] |
JOSEPHSON P E, LARSSON B, LI H. Illustrative benchmarking rework and rework costs in Swedish construction industry[J]. Journal of Management in Engineering, 2002, 18(2): 76-83. DOI:10.1061/(ASCE)0742-597X(2002)18:2(76) |
| [11] |
沈楷程, 李小冬, 曹新颖, 等. 装配式建造过程返工风险管理体系研究[J]. 工程管理学报, 2020, 34(6): 101-106. SHEN K C, LI X D, CAO X Y, et al. Research on a management system for rework risk in prefabricated construction process[J]. Journal of Engineering Management, 2020, 34(6): 101-106. (in Chinese) |
| [12] |
SHEN K C, LI X D, CAO X Y, et al. Prefabricated construction process optimization based on rework risk[J]. Journal of Construction Engineering and Management, 2022, 148(6): 04022031. DOI:10.1061/(ASCE)CO.1943-7862.0002277 |
| [13] |
SHEN K C, LI X D, CAO X Y, et al. Research on the rework risk core tasks in prefabricated construction in China[J]. Engineering, Construction and Architectural Management, 2021, 28(10): 3299-3321. DOI:10.1108/ECAM-07-2020-0521 |
| [14] |
冯仕章, 刘伊生. 精益建造的理论体系研究[J]. 项目管理技术, 2008(3): 18-23. FENG S Z, LIU Y S. Research on the lean construction theoretical system[J]. Project Management Technology, 2008(3): 18-23. (in Chinese) |
| [15] |
GRUBER T R. Toward principles for the design of ontologies used for knowledge sharing?[J]. International Journal of Human-Computer Studies, 1995, 43(5-6): 907-928. DOI:10.1006/ijhc.1995.1081 |
| [16] |
SHEN Q Y, WU S F, DENG Y C, et al. BIM-based dynamic construction safety rule checking using ontology and natural language processing[J]. Buildings, 2022, 12(5): 564. |
| [17] |
DING L Y, ZHONG B T, WU S, et al. Construction risk knowledge management in BIM using ontology and semantic web technology[J]. Safety Science, 2016, 87: 202-213. |
| [18] |
谭文博, 郭海湘, 宫培松, 等. 基于本体和案例推理的深基坑施工安全风险评估[J]. 工程管理学报, 2020, 34(2): 147-152. TAN W B, GUO H X, GONG P S, et al. Safety risk assessment of deep foundation pit construction based on ontology and case-based reasoning[J]. Journal of Engineering Management, 2020, 34(2): 147-152. (in Chinese) |
| [19] |
黄文路. 基于本体和NLP的建设工程施工合同风险条款智能识别研究[D]. 厦门: 厦门大学, 2020. HUANG W L. Research on intelligent identification of risk clauses in construction contracts based on ontology and NLP[D]. Xiamen: Xiamen University, 2020. (in Chinese) |
| [20] |
黄锐玲. 基于本体模型的海上碰撞事故风险研究[D]. 上海: 上海海事大学, 2021. HUANG R L. Research on risk of maritime collision accident based on ontology model[D]. Shanghai: Shanghai Maritime University, 2021. (in Chinese) |
| [21] |
KOSKELA L J. An exploration toward a production theory application to construction.[M]. Espoo, Finland: VTT Publications, 2000.
|
| [22] |
Protégé. A free, open-source ontology editor and framework for building intelligent systems[EB/OL]. [2022-07-05]. Stanford, USA: Stanford University, 2013. https://protege.stanford.edu/.
|