基于貝葉斯網絡的機器全生命周期安全性評估模型

涂俊翔

TU Jun-xiang1,2

（1.福州大學 機械工程及自動化學院，福州 350108；2.福建海源自動化機械股份有限公司，閩侯 350100）

0 引言

隨著現代工業的發展，機器的復雜程度越來越高，機器的安全問題越來越受到人們重視[1]。在企業生產中，機器安全問題非常突出。據統計，全世界機械事故約占事故總數的1/3左右[2]。從統計的重傷和死亡事故傷害類型來看，機器傷害是制造企業中最主要的傷害類型，占傷害事件總數45%，其他事故如車間交通事故和起重傷害事故等分別占傷害事件總數18%和11%[3]。機器傷害與機器的安全性密切相關，對機器進行安全性評估對于防止以上事故的發生有著重要意義。對機器的設計而言，機器的安全性評估對所設計機器可能造成的危險進行風險評估，方便對消除或減少危險的措施進行探討，保障設計出安全性高的機器；對機器的使用而言，機器安全性評估模型用于評價機器的安全狀態，便于企業管理部門采取相應的防護措施保障工人生產的安全。

目前有許多學者針對機器安全性評估提出了各種方法，其中比較典型的有故障類型與影響分析模型（ FMEA ）[4]和故障樹分析 （ FTA ）[5]方法，這些方法從可靠性分析技術衍生而來，以定量分析為主，適合對機械部件故障所導致的事故進行分析。與可靠性分析不同，一些學者依據安全評估的特點提出更有針對性的安全檢查表[6]、風險矩陣[7]和等風險圖法[8]等評估模型，這些模型則以定性分析為主，適合對機器特定類別的安全事故風險做出評估。目前在這些方法的應用中，主要關注機器使用時的安全性，而鮮有考慮機器在運輸、安裝和維護等生命周期中的機器安全性因素。由于機器在各生命周期都可能產生不同類別的事故，因此有必要構建面向機器完整生命周期的安全性評估模型，以對機器的整體安全性做出更科學的評價。本文基于貝葉斯網絡推理技術構建一種新的評估模型，對機器完整生命周期的安全性進行評估。

貝葉斯網絡能很好地表示隨機變量的不確定性和相關性，并在不確定性推理方面有很好的優勢[9]，將貝葉斯網絡應用于機器的安全性評估中，能很好地刻畫不同安全風險因素關聯關系中的不確定性。本文以復合材料液壓機為例，對機器在各生命周期階段的安全風險因素進行跟蹤和分類，利用貝葉斯網絡刻畫各種風險因素間的復雜依賴關系，構建定性分析和定量計算結合的安全性評估模型，為機器的安全設計、操作和維護等整個生命周期的安全性能改進提供方向和建議。

1 貝葉斯網絡

貝葉斯網絡理論將先驗知識與樣本信息相結合、變量依賴關系與概率表示相結合，是不確定知識表示和推理的理想模型。貝葉斯網絡是一系列變量的聯合概率分布的圖形表示，它包含兩個部分。一部分是由節點、有向弧所組成的有向無環圖（Directed Acyclic Graph , DAG），網絡中每一節點代表研究領域中的變量，節點之間的連接關系代表變量間的條件獨立語義；另一部分是節點和節點之間的條件概率表（Conditional Probability Table, CPT），它量化了各變量間的相互依賴關系。假設貝葉斯網中任意節點xi的直接雙親節點集為Pai，xi的條件概率為 P( xi|Pai)。對于頂點集合 X =(x1, x2,...,xn)的聯合概率分布可由下式計算：

2 面向生命周期的機器安全性評估模型

2.1 安全性評估的建模過程

面向機器生命周期的安全性評估模型的建模主要包括機器各生命周期的任務分析及其安全風險因素識別、貝葉斯網絡推理模型構建和貝葉斯網絡的推理等部分組成，詳細如圖1所示。

圖1 面向機器生命周期的安全性評估模型的建模

2.2 機器生命周期中的安全影響因素

美國國家標準學會（American National Standards Institute, ANSI）在ANSI B11.TR3中對涉及機器整個生命周期各階段的安全風險評估和措施提供了指南，認為安全風險評估模型包括四個階段，分別為：1）確定機器的詳細參數；2）確定機器生命周期的相關任務；3）識別任務相關的安全影響因素；4）評估風險。為識別機器的任務及其相關安全風險，本文將機器生命周期劃分為運輸、安裝、操作、維護和拆解等階段。機器在生命周期的不同階段，具有不同的典型任務，例如在運輸階段主要有包裝、裝卸和途中運輸等任務；在機器操作中主要包括啟動機器、工件裝卸、機器調整、加工操作、測量、配套操作等任務。依據任務的不同，對可能影響機器安全的風險因素進行識別。以一款大噸位的三梁四柱式大型復合材料壓機為例，機器在不同生命周期不同任務中的典型安全風險如表1所示。

2.3 貝葉斯網絡結構

貝葉斯網絡能對機器的安全風險因素及其相互關系進行直觀描述。本文把機器可能帶來的傷害事故如銳邊尖角傷害、墜落等稱之為安全風險因素。影響機器安全性的眾多安全風險因素與機器的不同生命周期互相關聯，形成風險評估周期要素，如運輸、安裝、操作等。把安全風險因素、周期要素及其相互關系以貝葉斯網絡結構的形式表達出來就形成了機器安全性評估的全生命周期模型（如圖1所示）。該結構包含若干個典型周期要素如T（運輸）、I（安裝）、O（操作）、M（維護）、D（拆解）等，這些周期要素可以是獨立的，也可以相互關聯，它們共同決定了機器全生命周期的安全性能，安全性能通過貝葉斯網絡的ME_Risk節點的狀態來表達。網絡中的安全風險因素AF（銳邊尖角傷害）、SF（壓傷）、IF（壓力液體噴射）、CF（運動件碰撞）等直接與周期要素連接，表明周期要素與安全風險因素之間存在關聯關系。每個周期要素可以與多個安全風險因素連接，而每個安全風險因素又可以與多個周期要素相連。對于具有n個節點的貝葉斯網絡而言， 有n(n-1)/2個存在相互關系的節點對。為簡化網絡的復雜度，可基于安全風險因素的特征及其相互因果關系，做出以下一些假設：

表1 壓機在各生命周期不同任務中的典型安全風險

假設1 機器生命周期的不同階段（T、I、O、M、D）的安全事故具有相互獨立的關系。

假設2 機器生命周期中不同安全風險因素具有相互獨立關系。

依據上述的假設和表1的數據，最終構建的貝葉斯網絡結構如圖2所示。

圖2 貝葉斯網絡安全性評估模型

2.4 貝葉斯網絡的參數模型

在確定貝葉斯網絡結構后，需確定網絡中各節點狀態事件發生的概率，即構造出貝葉斯網絡的參數模型。在識別網絡節點事件的基礎上，對各節點的狀態進行分級處理，即對節點取值進行離散化處理。在有大規模的樣本數據情況下，這一過程可以通過數據訓練并利用有效的離散化方法實現。在數據無積累或數據不充分的情形時，可通過領域專家的經驗來確定。針對機器的安全風險因素，可按風險程度劃分為高（H）、中（M）、低（L）三種狀態，類似的，對周期要素也可作同樣的劃分。這樣，對每一個安全風險因素及周期要素都有具體的狀態劃分及其描述。如果節點狀態多，可依據領域專家的意見并采用兩兩比較的方式建立比較矩陣（pair-wise comparison matrix），然后通過計算來確定節點的概率。由于貝葉斯網絡模型包含機器安全性評價中的諸多不確定性，機器的安全狀態并不是一個具體的數值，而是一個概率事件，概率值的大小反映了機器處于該安全狀態的可能性程度。

2.5 推理過程

在貝葉斯網絡模型中，機器安全性（ME_Risk）作為概率事件，它的各個狀態取值以離散化形式存在，對其進行評估即是在給定證據節點（Evidence）條件下（如安全風險因素根節點的先驗概率和以根節點為父節點的周期要素條件概率等），計算ME_Risk各種狀態發生的概率。如果機器具有多種設計，這時可依據模型的評估結果優先選擇具有較低安全風險的設計方案。另一方面，若已知機器處于某種安全狀態，可依據貝葉斯網絡的拓撲結構進行反向推理，找出影響機器安全的關鍵要素，形成相應的診斷結果，為機器設計的安全優化提供指導。

3 應用實例

液壓機屬于一種壓制成型設備，在國防、采礦、冶金、航空航天、建材生產等行業有著廣泛的應用。隨著液壓機向大噸位，長行程、寬臺面方向發展，機器的安全性日益受到人們重視。某壓機企業是一家上市公司，目前正研制節能型復合材料壓機，為保障設備的安全性，需對設計方案進行安全性評估。

現基于前述的貝葉斯網絡安全性評估模型，對該壓機設計方案進行安全性評價。網絡拓撲結構如圖1所示，設網絡中各節點按風險程度劃分為高（H）、中（M）、低（L）三種狀態，用2，1，0表示。接下來需確定各節點參數，它包括以下兩個步驟：第一，確定非根節點的條件概率。這些概率反映了對設備特定生命周期要素的安全風險，各安全風險因素的比重及其影響程度等，這里采用比較矩陣的方法確定。表2中列出了網絡節點T的條件概率分布；第二，確定根節點的先驗概率。這些概率與機器的設計參數密切相關。對于不同的設計，概率的取值會有很大變化。表3中列出了依據領域專家經驗所確定的根節點先驗概率分布。

表2 貝葉斯網絡中T節點的條件概率

表3 貝葉斯網絡中根節點的先驗概率

對設計方案的安全性評價過程即是計算ME_Risk節點概率值的過程，即在給定的各生命周期安全風險因素狀態及其概率取值的條件下，求該機器機械安全風險（ME_Risk）各狀態的發生概率。結合前面確定的根節點先驗概率和非根節點的條件概率，通過Hugin軟件進行推理，結果如表4所示。

表4 安全性評估結果

從這里可以看到，貝葉斯網絡安全性評估模型返回的不是安全性評價的一個特定值，而是ME_Risk節點每個狀態的概率。把后驗概率最高的狀態作為對機器安全性評估的類別。從結果可以看出，P(ME_Risk =1)=0.69，為最高的后驗概率，因此機器的安全性為M。由于已生產的某型普通復合材料壓機的安全性評估結果為L（基于同樣的模型進行評估），可知該節能型壓機安全風險偏高。這時，可依據貝葉斯網絡的拓撲結構進行反向診斷推理，以判斷ME_Risk節點安全風險偏高的癥結所在。對于節能型復合材料壓機，依據其安全性為M，即ME_Risk=1，并假設已知IF、EF和DF的狀態，即證據節點變量IF=0、EF=0、DF=0，通過貝葉斯網絡的反向推理，計算可得表5的診斷結果。

由表5可知，在已知壓力液體噴射（IF）、觸電（EF）、墜落（DF）等處于低風險狀態的不完備信息下，節能型復合材料壓機的安全性風險偏高的癥結在于壓傷（SF）、運動件碰撞（CF）處于高風險狀態，這是由于節能裝置中新增的曲肘機構引起，因此應針對曲肘機構設計適當的安全設施和可靠的自鎖裝置以降低壓傷（SF）、運動件碰撞（CF）風險，從而提高該設備的安全性。

4 結論

本文將貝葉斯網絡的不確定性推理技術引入到機器的安全性評估模型中，能實現面向機器完整生命周期的安全性評價，并能夠對評價結果進行反向的診斷推理，找到影響安全性的主要安全風險因素，為優化新機器的安全性設計提供決策依據。對機器使用而言，使用該模型能有效評價機器的安全狀態，方便企業對機器實現全生命周期的安全管理。

表5 基于貝葉斯網絡的反向推理結果

[1]盛曉敏,黃紅武,劉健寧,等.機械安全設計方法的研究[J].中國機械工程,2001,12(12)：1354-1357.

[2]羅一新.我國機械安全的現狀及其對策[J].中國安全科學學報,2004,14(5)：92-94.

[3]儲勝利,裴玉起,周石燕,等.機械制造企業安全事故統計分析與對策研究[J].中國安全生產科學技術,2010,6(1)：185-188.

[4]馬成正,王洪德.基于FMEA與RBF神經網絡的LPG汽車罐車儲罐系統故障診斷[J].中國安全科學學報,2011,21(1)：99-104.

[5]金曉志,洪榮晶.FTA在液壓故障診斷系統中的應用[J].機械設計與制造,2011,(11)：59-61.

[6]王長申,孫亞軍,杭遠.安全檢查表法評價中小煤礦潛在突水危險性[J].采礦與安全工程學報,2009,26(3)：297-303.

[7]黃晨,劉旭峰,李靜,等.石化裝置綜合風險分析方法研究[J].中國安全科學學報,2009,21(11)：109-114.

[8]徐陽,李偉清,董月琴,等.等風險圖法在工程項目風險評價中的應用[J].西南大學學報(自然科學版),2007,29(1)：119-121.

[9]Cheng J,Bell D, Liu W R,Learning Bayesian networks from data：an efficient approach based on information theory[J].Arti fi cial Intelligence.2002,137(1-2)：43-90.