综述：智能建筑安全管理中的知识图谱：一项系统评价

时间：2026年2月5日

来源：Safety Science

编辑推荐：

建筑行业面临复杂动态环境带来的安全挑战，知识图谱（KG）为智能安全管理（SCSM）提供结构化数据支撑，但现有研究在KG特定属性、方法及实施路径上存在不足。本文系统分析70篇文献，发现KG在事故分析、隐患识别等场景应用，整合BIM、数字孪生等技术，但存在自动化程度低、数据整合难等问题，未来需结合AI增强KG在动态风险推理和跨领域应用能力。

杨斌|胡金明|孟欣|王从军|王晓鹏

同济大学土木工程学院，上海200092，中国

摘要

建筑行业继续面临着由复杂和动态环境带来的安全挑战，这种环境产生了大量未被充分利用的异构数据。尽管知识图谱（KGs）为智能建筑安全管理（SCSM）中的结构化表示和推理提供了一种有前景的方法，但现有的综述在分析KG特定属性、方法论和面向未来的实施路径方面存在不足。为了解决这些差距，本研究采用混合方法系统地回顾了70篇文章，结合了文献计量分析和主题分析。主要发现包括：（1）SCSM特定的KGs在规模上仍然有限，主要是由于领域特定的限制；（2）它们主要依赖于安全法规、事故报告、项目数据和BIM；（3）KG构建仍然是半自动的，高级概念提取仍然依赖于专家输入。KGs被发现在四个主要应用中发挥作用：事故分析、危险识别、决策支持和安全知识管理。方法论上，KGs与BIM、数字孪生、自然语言处理和计算机视觉等技术相结合，以增强安全性能分析和决策制定。然而，在自动化、数据集成、动态风险推断和泛化方面仍然存在挑战。本综述综合分析了KG的特点及其与SCSM需求的契合度，指出了在可扩展性和技术集成方面的研究空白，并提出了结合先进AI和新型KG范式的未来方向。旨在为研究人员和实践者提供结构化的指导，以推进基于KG的安全管理。

引言

建筑行业被广泛认为是全球最危险的行业（Pan和Zhang，2021；Liu等人，2023），其特点是高事故率，原因包括职业危害、设备相关危险和动态环境（Chen等人，2023；Xiong等人，2019）。每年全球有超过60,000人在建筑项目中发生致命伤害（Zhang等人，2022）。例如，2019年美国报告了1,102人死亡和79,660人非致命伤害（Xu等人，2022）；而欧洲在2014年记录了782人死亡，事故率为每10万名工人中有13人（Pan和Zhang，2021）。在中国，2020年发生了689起建筑事故，导致794人死亡（中华人民共和国住房和城乡建设部，2022）。除了造成严重的人员伤亡外，建筑事故还导致了巨大的经济损失和社会损失（Zhang等人，2022；Bavaresco等人，2024）。有效的建筑安全管理对于减少事故、提高安全性能和确保项目成功交付至关重要（Liu等人，2023；Lyu等人，2022）。

建筑安全管理的挑战源于不可预测的工作环境和动态过程（Chi等人，2014；Johansen等人，2023）。此外，建筑行业严重依赖手动流程和专业知识，导致安全管理效率低下（Zhang等人，2024）。然而，数字和智能技术的进步，如建筑信息模型（BIM）、人工智能（AI）和数字孪生（DT），正在推动向数字化建筑系统的转型（Ahn等人，2023；Shen等人，2024）。这些技术实现了创新设计、改进的安全性和优化的能源使用（Baduge等人，2022）。越来越多的组织将智能技术整合到他们的安全实践中，标志着向智能安全管理（SSM）的转变（Lyu等人，2022）。

尽管没有普遍接受的SSM定义，但Lyu等人（Lyu等人，2022）将其描述为使用先进的信息技术实现数字化、基于网格的和智能的安全管理，从根本上改变了传统模式。同样，智能建筑（SC）可以描述为在建筑中集成自动化和信息技术，旨在实现自动化、数据驱动的技术、以人为中心的目标和可持续性（Zhang等人，2024；Ahn等人，2023）。基于这些概念，本文将智能建筑安全管理（SCSM）定义为一种综合方法，利用智能设备和AI技术实现整个建筑生命周期中的自动化实时监控、主动风险评估和智能决策，从而在企业、组织和项目层面提高安全性。

虽然智能和数字技术带来了好处，但也带来了数据生成、处理和利用的指数级增长（Shen等人，2024）。鉴于在各个阶段和多个利益相关者产生的大量异构数据，有效管理和利用这些数据仍然是实现数字化转型的重要挑战（Shen等人，2024）。知识图谱（KG）是一种重要的AI技术，它提供了一种结构化、语义丰富的表示方式，能够处理复杂数据、推理隐含关系并解决知识管理问题（Xu等人，2022）。

KGs使用基于图的范式表示知识，通常结构化为（主体、谓词、对象）三元组的形式，以机器可读的形式编码实体、概念及其关系（Wang等人，2017；Nguyen等人，2020）。这使得关系推理和语义查询超出了传统数据库的能力（Ehrlinger和Wöß，2016）。在建筑、工程和施工（AEC）领域，KGs与本体论密切相关，本体论提供了定义领域概念和关系的正式框架（Gruber，1993；Hitzler，2021）；以及语义网，其目标是实现全球链接的数据网络（Abanda等人，2013）。在实践中，工业KGs通常用具体数据实例化本体论框架（Pandithawatta等人，2024），作为策划的、特定领域的知识库，而不是开放式的语义网络（Hitzler，2021）。因此，本综述将SCSM中的KGs视为能够整合外部数据的动态系统。如果研究集中在本体论或语义网上，并且展示了类似KG的方法论，则将其包括在内。

在建筑行业中，KGs可以弥合知识共享的差距，解决经验知识的不足，并提高安全管理中的信息利用（Junwu等人，2024）。KGs在建筑安全管理中的应用已在工作危害分析（Pandithawatta等人，2024）、事故机制识别（Li等人，2024）和不安全行为检测（Fang等人，2020）等领域得到证明。尽管研究兴趣和实践应用不断增加，但现有文献中仍存在几个关键空白。首先，虽然之前的综述已经研究了建筑安全中的知识驱动方法或特定KG组件（Chen和Bria，2023；Kong和Ahn，2024；Zhang和Jiang，2024；Pandithawatta等人，2024），但没有一篇提供关于KG特定特征的系统性分析，例如KG规模、知识来源、数据集成和自动化程度，在SCSM背景下。其次，当前文献缺乏关于KG技术能力如何对应于特定安全管理场景和挑战的全面映射。第三，之前的研究没有明确未来的研究主题，将KG的进步与不断发展的安全管理需求和智能技术趋势相结合。

为了解决这些差距，本研究对70篇关于SCSM中KG应用的选定文章进行了系统回顾。旨在为研究人员和实践者提供更深入的KG特征、方法论和实际实施的见解，从而促进KG在建筑安全中的更广泛和更有效的应用。本研究由以下研究问题（RQs）指导：

RQ1：KGs在哪些场景中应用于SCSM，它们解决了哪些安全管理问题？KGs如何促进SCSM？

RQ2：SCSM中KGs的特点是什么？

RQ3：应用KGs时使用了哪些技术或方法？

RQ4：在SCSM中应用KGs存在哪些挑战，未来的发展方向是什么？

本文的组织结构如下：第1节提供了本文的引言。第2节提供了KGs的背景概述，包括其定义、构建、应用和相关综述。第3节阐明了本文采用的研究方法。第4节展示了文献分析的详细结果，包括定量文献计量分析和定性分析。第5节讨论并分析了KG应用中的关键问题并识别了挑战。第6节探讨了KG和AI在SCSM中整合的未来方向。第7节给出了本研究的结论。

部分摘录

方法论

本研究遵循系统评价和元分析的优先报告项（PRISMA）指南（Page等人，2021）对SCSM中的KGs进行了系统回顾。PRISMA为进行系统评价和元分析提供了广泛接受的框架，核心步骤包括相关研究的识别和筛选。本文采用的研究方法如图1所示。

出版物

本小节对回顾的文献进行了统计分析，重点关注出版年份和期刊。如图2所示，关于SCSM中KG的研究始于2009年，但直到2022年才有所增长。自那时起，相关研究的出版物数量显著增加。这一增长是由于Google在2012年的博客文章普及了这一概念（Ji等人，2022）。因此，在SCSM中，研究兴趣似乎落后于这一趋势，但

在SCSM中利用KG的好处

如4.4.1节所讨论的，KGs在SCSM中扮演了三个关键角色。通过这些机制，KGs在不同层次的安全管理中带来了显著的好处。在微观层面，KGs通过整合来自现场传感器和设备的实时数据，实现了直接监控和控制。这使得可以向一线工人提供个性化的安全警报和情境指导，显著提高了他们的情境意识，并能够立即识别危险

未来方向

基于对当前研究状态的分析，本文在图13中提出了一个未来研究路线图，结合了最新的AI技术进步，特别是与KG相关的技术，以及SCSM中的新兴趋势。

结论

这项系统回顾综合了SCSM中KGs不断发展的研究格局，揭示了它们作为推进建筑行业安全实践的基础技术的重要性。通过结合定量文献计量分析和定性主题研究，本研究确定了KGs提供了一个语义结构化的框架，能够将异构安全数据转化为可操作的智能

CRediT作者贡献声明

杨斌：撰写——审阅与编辑、验证、监督、资金获取、正式分析、概念化。胡金明：撰写——审阅与编辑、原始草稿撰写、方法论、调查、数据整理、概念化。孟欣：撰写——审阅与编辑、可视化、验证、调查。王从军：撰写——审阅与编辑、资源管理、项目行政。王晓鹏：撰写——审阅与编辑、验证、软件。