基于機器學習的電梯安全事故致因分析

雷紫淇 王凡帆 於尚霏 申靜雯

（中國礦業(yè)大學（北京） 北京 100083）

電梯是人民群眾生產(chǎn)生活中的重要運輸工具，應(yīng)用范圍廣，使用頻率高。國家市場監(jiān)督管理總局發(fā)布的《2022 年全國特種設(shè)備安全狀況的通告》顯示，截至2022 年底，全國共發(fā)生特種設(shè)備事故和相關(guān)事故108 起，其中電梯事故22 起，占全年特種設(shè)備安全事故總數(shù)的20.37%，死亡17 人[1]。此外，根據(jù)國家市場監(jiān)督管理總局特種設(shè)備安全監(jiān)察局發(fā)布的全國特種設(shè)備安全狀況通報，近10 年全國電梯每年的增長率都在10%以上，2022 年的全國特種設(shè)備數(shù)量是2013 年的2.1 倍。巨大的保有量導致電梯事故時有發(fā)生，且具有一定的突發(fā)性、偶然性和隨機性，因此結(jié)合法律法規(guī)和電梯安全事故案例，進行總結(jié)分析，通過對事故原因和事故特征的提取，構(gòu)建致因預測模型，在事故發(fā)生后，能夠通過事故特征及時得到較為準確的事故發(fā)生直接原因、間接原因等相關(guān)信息，提高事故后的解決效率，是十分必要的。

1 國內(nèi)外電梯安全事故致因分析研究現(xiàn)狀

隨著實際安全管理問題和現(xiàn)處社會經(jīng)濟大環(huán)境復雜性不斷被人們所認識，關(guān)于科學的研究方法論體系也在不斷拓展。為預防和減少事故的發(fā)生，專家在多個領(lǐng)域?qū)κ鹿拾l(fā)生的各種影響因素進行了研究，構(gòu)建不同的事故致因模型，提出不同的事故致因理論，并借用Python 語言、C 語言、R 語言等對導致事故發(fā)生的各個因素之間的關(guān)聯(lián)進行了研究。將事故特征和事故致因間關(guān)聯(lián)關(guān)系也運用在化工、建筑、道路交通等領(lǐng)域，但該項研究在電梯安全領(lǐng)域運用較少。

海外的學者已進行過有關(guān)電梯安全事故的探討，并且以此研究的產(chǎn)出分別從人力、設(shè)備、資料、法律以及環(huán)境等多角度提供了優(yōu)化做法及建議。例如，國外Zarikas V 和Loupis M 通過分析希臘電梯安全事故，得出了與電梯安裝、服務(wù)和運行相關(guān)的各種統(tǒng)計推斷，結(jié)果顯示有65%的事故發(fā)生在電梯安裝和維護作業(yè)人員身上，并指出安全管理制度沒有落實好是電梯事故發(fā)生的主要原因[2]。國內(nèi)張武橋[3]用數(shù)理統(tǒng)計分析的方法，基于電梯運營安全事故樣本數(shù)據(jù)，通過事故發(fā)生的地點、形態(tài)、環(huán)節(jié)、原因等，歸納總結(jié)電梯運營事故發(fā)生的潛在規(guī)律和根本原因，最后從主成分角度和安全理論維度分析了電梯運營安全的影響因素。藍麒[4]從電梯安全脆弱性角度對電梯安全協(xié)同治理進行了深入分析，構(gòu)建了電梯安全協(xié)同治理體系框架。

然而，造成電梯事故的原因方面，多數(shù)研究者主要參照電梯安全管理實踐知識和統(tǒng)計分析來進行探討。在國內(nèi)，李玨等人[5]通過找出導致電梯事故的關(guān)鍵人為因素，并對其關(guān)聯(lián)性進行分析，使用人因分析與分類系統(tǒng)（HFACS）模型對電梯事故進行分類統(tǒng)計與研究。并利用卡方檢驗以及概率比分析HFACS 上層與下層人因之間的關(guān)聯(lián)性，最終提出針對預防電梯事故的實施方案。但目前關(guān)于電梯安全事故的研究主要側(cè)重于構(gòu)建電梯安全風險評價指標體系，或者是對于單個因素、單個事故表征的研究，將電梯安全事故表征與事故致因因素結(jié)合起來綜合分析，并建立高質(zhì)量致因預測模型的研究并不是很全面。

2 基于Python 語言的文本挖掘

2.1 數(shù)據(jù)獲取及預處理

為獲得較為準確全面的語料庫，基于Python 語言，用爬蟲技術(shù)對電梯安全相關(guān)法律法規(guī)和電梯事故案例進行爬取。獲得《中華人民共和國特種設(shè)備安全法》《特種設(shè)備安全監(jiān)督檢查辦法》《特種設(shè)備事故報告和調(diào)查處理規(guī)定》《特種設(shè)備安全監(jiān)察條例》等相關(guān)法律法規(guī)以及近10 年來我國部分電梯安全事故案例。

分析所獲語料，發(fā)現(xiàn)有重復值、缺失值、異常數(shù)據(jù)等不利因素存在，為保證爬取所獲文本的質(zhì)量以及后續(xù)模型建造的質(zhì)量和準確性，借助Python 語言，再對其進行數(shù)據(jù)的預處理，包括清洗數(shù)據(jù)、分詞、過濾停用詞等，見圖1。

圖1 數(shù)據(jù)預處理

2.2 事故報告特征提取

針對預處理后的語料，提取電梯安全事故報告中的“直接原因”“間接原因”“事故特征”“事故發(fā)生前設(shè)備狀態(tài)”和“事故分類”等相關(guān)因素并總結(jié)，見圖2。

圖2 特征提取

將提取總結(jié)后的相關(guān)因素數(shù)據(jù)化處理，并將電梯安全事故的直接原因和間接原因整理為人的因素、管理因素、設(shè)備因素和環(huán)境因素4 個方面[6，7]，數(shù)據(jù)化處理結(jié)果見表1。

表1 電梯安全事故樣本數(shù)據(jù)的數(shù)據(jù)化處理

3 基于隨機森林構(gòu)造預測模型

3.1 基于網(wǎng)格搜索獲取隨機森林最佳參數(shù)

網(wǎng)格搜索算法是通過遍歷研究中所給定的數(shù)據(jù)參數(shù)組合，來完善所建模型。如果在遍歷過程中超參數(shù)的選擇不恰當，就會出現(xiàn)欠擬合或者過擬合的現(xiàn)象，導致最終預測結(jié)果不準確。網(wǎng)格搜索算法將在規(guī)定的參數(shù)范圍內(nèi)，按照步長依次調(diào)整規(guī)范參數(shù)，在一次次調(diào)整參數(shù)的過程中訓練學習器，最后在所有參數(shù)中找到檢驗集上精度最高的參數(shù)，為機器的深度學習提供幫助[8]。

使用網(wǎng)格搜索參數(shù)尋優(yōu)尋找隨機森林全局最優(yōu)參數(shù)組合，首先將數(shù)據(jù)集隨機劃分為k個驗證集，在k個子集中選取k-1 個子集作為訓練集，1 個子集作為測試集；利用k-1 個訓練子集訓練模型，并使用網(wǎng)格搜索設(shè)置需要調(diào)整的參數(shù)大致范圍及步長，計算每個參數(shù)下模型的評估能力；利用交叉驗證重復上述過程k次，計算k次模型評估能力的平均值，并獲取模型性能最優(yōu)情況下的參數(shù)取值。

經(jīng)網(wǎng)格搜索計算，最終得出參數(shù)的最優(yōu)組合，見表2。其中，max_depth 為樹的最大深度，min_samples_leaf 表示一個節(jié)點在分支后的每個子節(jié)點的樣本數(shù)量的最小值，random_state 為隨機種子數(shù)，用以復現(xiàn)模型，min_samples_split 是節(jié)點可分裂的最小值，n_estimators 為CART 樹個數(shù)[9]。

表2 網(wǎng)格搜索獲取隨機森林最佳參數(shù)

電梯事故往往會損害生命財產(chǎn)安全，因此在模型準確率方面具有較高的要求，而在該網(wǎng)格搜索得到的參數(shù)建模下，隨機森林模型的預測準確率可達0.972，將使該預測模型擁有較高的準確率，滿足實際應(yīng)用的需求。

3.2 隨機森林

隨機森林是一種機器學習算法，在眾多算法中，它使用頻率最高的就是集成學習。它的基本思想是將多個分類器組合在一起，從而使整體更完備和周密，達到一個預測效果更好的集成分類器。更具體一點，該算法會將決策樹作為一個基本單元，大量的決策樹一起勾勒了一個龐大的隨機森林，如圖3 所示。

圖3 隨機森林

形成隨機森林首先要構(gòu)建單棵決策樹，這棵決策樹會包括兩個部分：樣本和特征。而樹的構(gòu)建會包含特征選擇、樹的生成以及剪枝3 個部分，在一個訓練集合中含有N個樣本，有放回并且隨機地選擇n(n≤N）個樣本，隨后用這些選擇好的樣本來訓練一棵決策樹，且作為決策樹根處的節(jié)點。同時，假設(shè)訓練集的特征個數(shù)是K，每次選擇k個構(gòu)建決策樹。

需要指出的是，樹的生成是一個遞歸的過程。一般而言，隨著不斷的劃分，決策樹的分支節(jié)點所包含的樣本最終會慢慢歸集到同一個屬性，使得節(jié)點的“純度”越來越高。

驗證隨機森林模型需要通過合適的評價指標，其中擬合優(yōu)度R2可以檢驗?zāi)Ｐ蛯颖緮?shù)據(jù)的擬合程度，取值在0 到1 之間，擬合優(yōu)度越高，代表模型的可解釋程度越高。均方根誤差RMSE可以反映樣本的離散程度， 取值為大于0 的整數(shù)，取值越低說明精度越高，但其大小受預測數(shù)值的大小影響。擬合優(yōu)度R2和均方根誤差RMSE的計算公式如下[10]。

式中：

n——總樣本數(shù)；

i——小于n的變量；

Yi——真實值；

3.3 事故致因模型構(gòu)建

在MATLAB 中，利用網(wǎng)格搜索所得隨機森林最優(yōu)參數(shù)，用隨機森林模型來構(gòu)建電梯事故致因預測模型。如圖4 所示，當決策樹設(shè)為100 時，誤差范圍基本保持在[0.015，0.02]區(qū)間內(nèi)，錯誤基本穩(wěn)定。

圖4 誤差曲線圖

模型根據(jù)80%的訓練集和20%的測試集對真實值和預測值的結(jié)果進行對比，如圖5、圖6 所示。

圖5 訓練集預測結(jié)果對比

圖6 測試集預測結(jié)果對比

從圖7 中可以看出，“直接原因”項對“事故特征”項的影響最大，其次是“間接原因”項和“事故發(fā)生前設(shè)備狀態(tài)”項。

圖7 特征重要性柱狀圖

利用指標計算公式，驗證基于隨機森林算法的電梯安全事故致因預測模型的擬合優(yōu)度R2、均方根誤差RMSE。對于預測模型的評價指標見表3[10]。

表3 模型評價指標

4 模型應(yīng)用

4.1 墜落事故實例

2021 年8 月16 日，新疆維吾爾自治區(qū)烏魯木齊市某區(qū)發(fā)生1 起電梯墜落事故，造成1 人死亡，經(jīng)濟損失150 萬元。經(jīng)調(diào)查分析，引發(fā)事故的直接原因是死者安全意識淡薄、違反安裝技術(shù)規(guī)程，間接原因是施工現(xiàn)場安全管理落實不到位[11]。將該事故報告中的事故特征數(shù)據(jù)化處理后輸入電梯安全事故致因預測模型中，見表4、表5。

表4 墜落事故直接原因預測概率

表5 墜落事故間接原因預測概率

4.2 墜落事故預測結(jié)果分析

由表4 可知，基于隨機森林算法的電梯安全事故直接原因預測模型中共有176 棵決策樹，其中預測概率最高的2 項是違規(guī)作業(yè)（P3）和結(jié)構(gòu)或零部件損壞（M2）。由表5 可知，基于隨機森林算法的電梯安全事故間接原因預測模型中共有171 棵決策樹，其中預測概率最高的2 項是安全管理不到位(A1)和維修保養(yǎng)不到位(P4)。

綜上根據(jù)相對多數(shù)投票法，模型對該案例事故的直接原因和間接原因的預測結(jié)果與實際調(diào)查結(jié)果基本一致，且從人為因素、管理因素、設(shè)備因素等多個角度進行合理預測，驗證了所獲模型的有效性。

4.3 擠壓事故實例

2022 年8 月18 日，北京市豐臺區(qū)某街道發(fā)生1起電梯擠壓事故，造成1 人死亡。經(jīng)過調(diào)查分析，引發(fā)此次事故的直接原因是維保人員在完成電梯維修作業(yè)后，違反安全操作規(guī)章進入電梯底坑，導致其受到右側(cè)井道壁與轎廂側(cè)壁的持續(xù)擠壓，造成死亡。間接原因是相關(guān)公司對管理區(qū)域內(nèi)電梯監(jiān)督不到位以及電梯有限公司對員工的作業(yè)沒有行之有效的監(jiān)管措施[12]。將該事故報告中的事故特征數(shù)據(jù)化處理后輸入電梯安全事故致因預測模型中，見表6、表7。

表6 擠壓事故直接原因預測概率

表7 擠壓事故間接原因預測概率

4.4 擠壓事故預測結(jié)果分析

由表6 可知，基于隨機森林算法的電梯安全事故直接原因預測模型中共有175 棵決策樹，其中預測概率最高的3 項是違規(guī)作業(yè)（P3）、維修保養(yǎng)不到位（P4）和無證上崗（A3）。由表7 可知，基于隨機森林算法的電梯安全事故間接原因預測模型中共有175 棵決策樹，其中預測概率最高的2 項是安全管理不到位(A1)和維修保養(yǎng)不到位(P4)。

綜上根據(jù)相對多數(shù)投票法，模型對該案例事故的直接原因和間接原因的預測結(jié)果與實際調(diào)查結(jié)果基本一致，再次驗證所獲模型的有效性。

5 結(jié)論與展望

5.1 結(jié)論

電梯安全事故的發(fā)生不是僅受某個單因素的影響，而是多個因素共同造成的。在日常電梯的使用過程中存在諸多安全因素，且這些因素并非完全獨立，各因素間有錯綜復雜的關(guān)聯(lián)關(guān)系，無法直觀從眾多事故報告中找出關(guān)聯(lián)規(guī)則。基于上述原因，本文利用Python語言，對所需文本進行爬取和預處理，分析整理電梯安全事故影響因素。再使用網(wǎng)格搜索獲得隨機森林最佳參數(shù)，接著用隨機森林算法構(gòu)建基于機器學習的電梯安全事故致因分析模型，獲得預測較為準確的致因分析模型，最后通過2 個實例對模型進行準確性和實用性檢驗。所建模型能夠幫助事故后的快速歸因，提高事故解決效率。

5.2 建議

1)規(guī)范電梯的設(shè)計、建造和安裝。為確保電梯運行安全，在電梯最初設(shè)計時，就要將工作人員和使用人員的安全放在第一位。同時，確保在電梯基礎(chǔ)零件的建造上，謹慎選擇零件材料，提高電梯的自身質(zhì)量，將非人為因素對電梯安全事故的影響降到最低。

2)完善相關(guān)人員的培訓制度。在眾多的事故報告中可見，從電梯安裝、維修保養(yǎng)到事故后的救援，都存在由于部分相關(guān)人員專業(yè)性不足導致不可預估的后果。為此，必須保證各生產(chǎn)安裝電梯人員和區(qū)域電梯救援管理人員的專業(yè)性，以及電梯工作人員在工作時的專注性和嚴謹性。提高相關(guān)人員的專業(yè)性，不僅會減少工作人員的危險系數(shù)，同時也會降低電梯發(fā)生事故的概率以及增加事故后救援的成功率。

3)重視日常安全檢查和定期保養(yǎng)。電梯作為日常生活中使用頻率高的運輸工具，大多電梯都處于持續(xù)運行的狀態(tài)下，同時還有人為因素的影響，電梯零件極易損耗，進而增加電梯發(fā)生安全事故的概率。這就需要電梯檢查保養(yǎng)工作人員定期逐一排查電梯的安全隱患，按照規(guī)章制度進行電梯后續(xù)的維修保養(yǎng)工作。

4)注重宣傳電梯安全以及自救知識。電梯在現(xiàn)代化的生產(chǎn)生活中必不可少，但仍有相當比例的人不了解電梯的急救知識，導致在電梯發(fā)生事故時，不能做出正確反應(yīng)。這就需要社會增強電梯安全以及電梯自救知識宣傳力度，讓公眾掌握理論知識，才能在發(fā)生電梯事故時，盡可能減輕電梯事故對自身的傷害。

5)及時完善安全規(guī)章制度。在科技的快速發(fā)展下，規(guī)章制度也要與時俱進。管理部門應(yīng)該根據(jù)實際情況，定期淘汰或修改無效的規(guī)章制度，及時建立適合的安全管理體系。