基于BP神經網絡的電梯安全綜合評價方法

劉佳璐 賈中輝

摘要：本文針對電梯安全評價方法發展的需求，基于大數據概念，結合電梯檢驗質量和風險預警分析，提出了電梯安全綜合評價模型，建立了項目檢查表，提出了風險評估方法和程序，系統的描述了危險情節，給出了風險評估和評定標準。結果表明，該方法減少了評價過程相關因素對評價結果的影響，增加了安全評價的準確性和實效性，為電梯安全評估提供了基礎性的評價方法。

Abstract： Aiming at the demand of the development of elevator safety evaluation method， based on the concept of big data， combined with the quality of elevator inspection and risk early warning analysis， this paper puts forward a comprehensive evaluation model of elevator safety， establishes a project checklist， puts forward a risk assessment method and procedure， describes the dangerous scenario systematically， and gives a risk assessment and evaluation standards. The results show that the method reduces the influence of subjective and artificial factors on the evaluation results， enhances the accuracy and credibility of safety evaluation， and provides a basic evaluation method for elevator safety evaluation.

關鍵詞：安全;電梯;神經網絡;數學模型;安全評價

Key words： safety;elevator;neural network;mathematic model;safety evaluation

中圖分類號：TU857;TP183? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2019）25-0034-02

0? 引言

隨時社會的進步和經濟的發展，電梯已經成為不可或缺的運輸工具。國家市場監管總局發布的《2018年全國特種設備安全狀況的通告》顯示，截止2018年底，我國的電梯保有量高達627.83萬臺。電梯的安全狀況直接關系人民群眾的生命安全，而且使用位置多集中于人員密集區域，一旦發生事故，在經濟、人員安全方面會面臨很大的損失，影響惡劣，加之我國相關安全評價體系仍然處于發展和完善階段，設計制造多沿用老產品經驗，監管部門對此類設備的監管也缺少理論依據。一些電梯運營單位在安全管理和服務中存在的管理不嚴、有章不循，規章制度、操作規程不健全，重產出，輕投入，設備隱患不能及時發現、整改，從業人員素質參差不齊，預警和救援機制不完善等。我國目前的電梯檢驗和安全監管，其技術路線是通過檢查和檢測的手段發現索道的缺陷，根據缺陷情況判定電梯是否合格。但電梯的安全運營受其設計、制造、安裝、環境等諸多因素的影響。同樣判定為合格的電梯，其安全運行狀況可能有較大的差別。所以，如何科學有效的對不同風險等級的電梯進行分類，是及其重要的，這是電梯的監督管理的重要依據。

在電梯安全評估的研究方面國外還是比較早的。美國和英國等國分別制定和頒發了《電梯安全標準》和《電梯條例1997》，為其國內電梯安全評價提供了通用的安全標準[1]。歐盟的《自動扶梯和自動人行道的制造與安裝安全規范》提出了最新的電梯安全理念，已經成為歐盟成員國廣泛采用的電梯安全評價依據。我國在電梯安全評價方法方面還不成熟，相關標準主要參考國外的標準。在電梯系統安全評價方法方面，主要的數學模型包括模糊神經網絡模型[2]、層次分析法[3]、風險模糊評價方法[4]等方法。這些研究為電梯安全評價體系的深入發展奠定了很好的基礎。

1? 電梯安全評價體系指標建立

電梯安全評價是保障電梯安全使用的基礎，其評價的好壞對電梯有著重要意義。

1.1 評價模型

目前，電梯安全評價是由八個子系統組成，各子系統都有各有不同性，其如圖1所示。

系統被分為八個子系統，增加了操作空間及防護，合并電力拖動系統和電氣控制系統為控制系統，合并懸掛和導向系統，合并轎廂與重量平衡系統為轎廂與對重，增加了試驗和測試子系統，此子系統并非實體的部件，而是針對電梯整體的試驗測試。

1.2 風險評估方法和程序

風險評估方法是對事故風險的定性與分析，通過對系統事故發生的可能性和程度的評估，避免發生事故的可能性，使電梯在使用過程中不會發生危險。

風險評估的一般流程如圖2所示。

1.3 風險評估

風險評估過程參照GB/T20900標準，但在嚴重程度的劃分中，增加了更多的說明內容，以進一步明確評估的尺度。風險要素是風險可能造成傷害的嚴重程度與傷害發生概率的函數，可表示為：

風險評定中需要特別注意的一點是，當選定要評定的風險時，風險評價組應選擇最高的風險等級，而不是最高的嚴重程度。例如：被評估為2C（風險類別為“I”）的情節比“1E”（風險類別為“II”）的風險高。即使被評估為1E的風險情節具有較高的嚴重程度，也應首先考慮2C風險的保護措施。但是，仍須予以關注1E風險。

2? 基于BP神經網絡的電梯安全評價模型建立

2.1 模型的建立

上文已經對電梯安全評價給出指標，并結合電梯安全評價指標，可以得出評價的模型與步驟。

本文所研究的電梯安全狀況與八大子系統直接相關，選擇A={A1，A2，A3，A4，A5，A6，A7，A8}作為BP網絡的輸入量，目標輸出樣本為對應輸入量的安全評價等級。根據全國各個省市電梯專家評分及相關電梯文獻得到電梯安全狀況500份數據的采集與歸一化處理，將其做為BP神經網絡訓練輸出的目標值。

2.2 神經網絡訓練與結果驗證

神經網絡工具箱集成了多種學習算法，其內置功能豐富的函數，即使是初學者，不了解算法的本質，也可以直接應用，最重要的是可以節約大量的編程時間。目前神經網絡工具箱中涉及的網絡模型：感知器、線性網絡、BP網絡、徑向基函數網絡、自組織映射網絡、反饋網絡等。因此，本課題直接使用MATLAB中的神經網絡工具箱對電梯風險評價模型進行訓練。

在MATLAB神經網絡工具箱中，綜合樣本特點考慮，本文使用Levenberg-Marquardt BP訓練函數來訓練網絡。

將BP神經網絡計算過程作為函數，保存為MATLAB的M文件，能在以后的計算中直接調用。BP神經網絡計算函數如下：

經過模擬分析，我們得到如圖3的圖樣，從圖樣中表明，其模擬誤差很小，其速度快，反應網絡的輸出與目標輸出之間的誤差很小，精確度也很高。

用100組檢測樣本，對訓練好的網絡模型進行測試，預測結果與實際電梯安全等級的誤差為1.0%，且誤差偏離較小。用改進BP算法Levenberg-Marquardt訓練的神經網絡所建立的模型，擬合不同條件下的電梯安全狀況很方便，能夠較為準確地預測電梯安全狀況，是一種可行的數據處理方法，具有一定的指導價值。

3? 結論

本文在之前學者的研究分析上，經過實踐，重新分析了一種新的電梯安全狀況綜合評價方法，并通過驗證分析，與傳統的電梯安全狀況評價方法相比，以增加安全評價的準確度和適用性，該方法針對電梯安全狀況綜合評價的研究提供了新的思路，有著較大的實用價值。

參考文獻：

[1]李向東，貢業軒，姜武.神經網絡在電梯功能安全評估中的應用[J].電氣與自動化，2019，1：214-219.

[2]王昌榮.基于層次分析法的老舊電梯安全評估方法[J].機械工程與自動化，2014（2）：119-120.

[3]施鴻均，黃文和.模糊理論在電梯風險評價中的應用[J].中國特種設備安全，2011（4）：60-64.