基于信息融合的地鐵自動扶梯通道安全評價

胡曉萍，李夏苗，黃音，齊杉，茍敏，趙杰群

(中南大學 交通運輸工程學院，湖南 長沙 410075)

?

基于信息融合的地鐵自動扶梯通道安全評價

胡曉萍，李夏苗，黃音，齊杉，茍敏，趙杰群

(中南大學 交通運輸工程學院，湖南 長沙 410075)

為科學地評估地鐵自動扶梯通道安全現(xiàn)狀，根據(jù)地鐵自動扶梯的獨特屬性，從“設備、乘客、使用環(huán)境、安全管理”4個方面建立安全綜合評價指標體系。針對一般安全評價方法單一性及易受人為主觀影響的問題，提出采取模糊綜合評價和概率神經網絡(PNN)進行安全狀態(tài)的初級評價，得到隸屬度函數(shù)和基本概率分配函數(shù)，并通過轉換函數(shù)轉化為安全狀態(tài)等級的信度函數(shù)。由Dempster-Shafer(D-S)證據(jù)理論方法進行信度融合，最終獲得不同方法綜合后的評價結果。研究結果表明，該方法能有效地融合不同途徑獲得的評價信息，并提高了評價精度，可以作為地鐵安全管理者宏觀決策的工具。

自動扶梯；安全評價；模糊評價；概率神經網絡；信息融合

自動扶梯是地鐵車站必備的運輸工具，使用范圍廣,涉及人員眾多，一旦發(fā)生事故很有可能造成重大人身傷亡。近年來的不斷出現(xiàn)的電梯安全事故引起了人們對地鐵自動扶梯的安全性的關注，實際現(xiàn)象表明地鐵系統(tǒng)與自動扶梯有關的客傷意外也有不少的事故案例，因此對地鐵自動扶梯通道安全性評價顯得尤為重要。目前國內、外關于電梯的研究已經取得了一些經驗成果：從評價對象的角度來看，多針對電梯設備安全，或者功能安全的角度進行評價。慶光蔚等[1]使用模糊綜合評價方法，從“人、機、環(huán)境、管理”綜合角度建立電梯層次化安全評價指標體系，將具有隨機性和模糊性的評價向量數(shù)據(jù)化，根據(jù)量化分形成評價結論；周赟等[2]基于功能安全評價的方法，通過風險圖法對電梯制動系統(tǒng)進行功能安全完整等級的分配，并建立基于 FMEDA 的電梯制動系統(tǒng)功能安全評價體系。從評價的方法來看，多采用傳統(tǒng)經驗法，概率安全評定法,故障類型影響分析法,事故樹分析法、層次分析法、模糊綜合評判法等。陳國華等[3]在統(tǒng)計分析大樣本檢驗數(shù)據(jù)庫的基礎上，根據(jù)在用電梯整機檢驗風險分布特性以及風險等級劃分的最低合理可行(ALARP) 原則，研究電梯整機檢驗風險等級劃分準則，建立電梯整機檢驗風險預評估模型；顧徐毅等[4]提出以數(shù)據(jù)庫的方式集合電梯系統(tǒng)的參數(shù)和安全要求、整合風險降低措施，進行電梯系統(tǒng)的風險識別，同時以數(shù)學語言對安全概念和現(xiàn)象的模糊性進行描述和運算，完成風險評估和風險評定的過程。

然而，這些電梯的研究主要是針對轎廂式電梯，對于自動扶梯安全評價的研究為數(shù)不多。而自動扶梯作為重載型特種設備，其安全性能與電梯有所不同，且自動扶梯運輸人員效率比電梯高很多，甚至部分自動扶梯安裝在露天環(huán)境中，這些因素造成自動扶梯通道安全評價不能完全照搬對電梯安全評價的方法，而應該建立適合自動扶梯的安全評價體系。因此，本文針對地鐵自動扶梯的獨特性，建立符合實際特征的安全評價指標體系，并采取不同評價方法融合的評價模型進行安全狀態(tài)評價，對于安全管理者宏觀決策具有重要意義。

1 自動扶梯通道安全評價系統(tǒng)結構

1.1 評價指標

自動扶梯通道系統(tǒng)是一個多層次、模糊的復雜系統(tǒng)，要科學、合理地評價其安全性，首先必須確定能夠反映影響系統(tǒng)安全狀況的因素，建立全面的評價指標體系。綜合考慮“人、機、環(huán)境、管理”因素，按照這4個方面分解出風險因素參數(shù)，將自動扶梯通道安全評價體系劃分為設備風險、人員風險、使用環(huán)境風險、安全管理4個子系統(tǒng)，再對各子系統(tǒng)的建立評價指標。

表1 自動扶梯通道安全評估指標體系

在這些評價指標中，有些指標可以定量描述成具體的數(shù)值，如表1所示乘客安全指標可以通過建立數(shù)值區(qū)域劃分安全等級，有些指標卻只能定性地估計和判斷，可以采取專家評價打分來處理。根據(jù)已有的城市軌道交通安全狀態(tài)分級標準，將安全狀態(tài)評價結果設為5種類型，分別是安全、較安全、基本安全、危險、非常危險(記為1,2,3,4,5 級)。

表2 乘客安全狀態(tài)評價指標標準

1.2 評價方法模型

對于自動扶梯通道這樣復雜的系統(tǒng)，單純利用某一方法建立起評估模型在許多情況下還不能得到令人滿意的結果，主要是因為：涉及的評價指標參數(shù)較多，結構過于龐大，使得計算時間長；且由于指標參數(shù)較多，出現(xiàn)矛盾的可能性增加，使網絡的泛化能力下降，分類精度低，嚴重影響診斷的可靠性。

針對系統(tǒng)涉及多個方面的問題，可以對自動扶梯通道安全狀態(tài)信息分別構建子系統(tǒng)評估模型，從而解決網絡過于龐大的弊端。其次采取多種評價方法單獨評價，并應用D-S證據(jù)理論的信息融合技術，融合來自不同評價方法得出的評價結果。本文采取模糊綜合評價法和概率神經網絡方法解決系統(tǒng)安全狀態(tài)等級劃分的問題。其中，模糊綜合評價是根據(jù)模糊數(shù)學的隸屬度理論把定性評價轉化為定量評價，即用模糊數(shù)學對受到多種因素影響的對象做出一個總體的評價；概率神經網絡是基于概率統(tǒng)計思想和Bayes分類規(guī)則構成的分類神經網絡，與BP神經網絡相比，PNN的學習過程簡單，訓練速度快，擴充性好，常用于模式分類，因此適合用于安全等級劃分問題。

綜上所述，可以得到概率神經網絡與模糊綜合評價相結合的綜合評價模型如圖1所示，該模型由信息提取、局部診斷和決策融合診斷三部分構成。

圖1 評價模型結構Fig.1 Evaluation model structure

2 模糊評價

2.1 構造指標隸屬度

(1)

其中，第i行第j列元素，表示系統(tǒng)安全狀態(tài)從xj因素來看對wj等級的隸屬度。本文邀請自動扶梯行業(yè)專家和安全技術人員根據(jù)定性指標評價等級標準，對自動扶梯通道系統(tǒng)的每個子系統(tǒng)的風險分值進行風險評估打分，求得各系統(tǒng)風險分值(即定性隸屬度)，進而得到各系統(tǒng)定量指標隸屬度模糊矩陣。

2.2 構造指標權重

1)建立層次結構模型

依據(jù)指標體系，結構模型分為三層，最上面為目標層，最下面為方案層，中間是準則層或指標層。

2)構造比較矩陣

(2)

3)計算單排序權向量并做一致性檢驗

求得成對比較矩陣的最大特征值為λmax=4.07，并由特征向量一致化處理得到權重向量w=(0.279,0.496,0.154,0.701)，利用一致性指標CI、隨機一致性指標RI和一致性比率CR做一致性檢驗。若CR0.1，特征向量(歸一化后)即為權向量；若不通過，需要重新構造成對比較矩陣。

(3)

4)計算總排序權向量并做一致性檢驗

計算最下層對最上層總排序的權向量。利用總排序一致性比率進行檢驗。CR總0.1，則可按照總排序權向量表示的結果進行決策，否則需要重新考慮模型或重新構造那些一致性比率CR較大的成對比較矩陣。

(4)

2.3 隸屬度模糊合成

將指標權重U與子系統(tǒng)狀態(tài)各等級的隸屬度R進行合成，得到被評事物的模糊綜合評價隸屬矩陣H，即：

H=U·R=

(h1,h2,…,hn)

(5)

式中，hi表示系統(tǒng)從綜合角度的對wj等級模糊子集的隸屬程度。

2.4 對模糊綜合評價結果分析

計算合成后的隸屬矩陣為H=(0.355，0.507，0.066，0.012，0.000),根據(jù)最大隸屬度原則，綜合隸屬度最大的hi對應的等級即為系統(tǒng)的綜合評價等級，因此本例的系統(tǒng)安全等級為較安全。

3 概率神經網絡

3.1 PNN網絡結構

概率神經網絡PNN是徑向基網絡的一個分支,是前饋網絡的一種。它是一種有監(jiān)督的網絡的分類器，基于概率統(tǒng)計思想,由Bayes分類規(guī)則構成，采用Parzen窗函數(shù)密度估計方法估算條件概率，進行分類模式識別。由于其網絡模式采用的是徑向基的非線性映射,因此它的容錯性好、收斂性也較好，模式分類強，故而受到青睞。

圖2 概率神經網絡結構Fig.2 Probabilistic neural network architecture

3.2 PNN的分類原理

在PNN的神經網絡模型中，輸入層中的神經元數(shù)目等于學習樣本中輸入向量的m，各神經元是簡單的分布單元，直接將輸入變量傳遞給樣本層。

樣本層的節(jié)點數(shù)由輸入樣本和待匹配類別的乘積決定，為m×l。樣本層是將輸入節(jié)點傳來的輸入進行加權求和，然后經過一個激活函數(shù)運算后，再傳給求和層。這里激活函數(shù)采用高斯函數(shù)，則輸出為：

θi=exp(-∑(||x-ci||2/2σi2))

(6)

式中：ci為徑向基函數(shù)的中心；σi表示特性函數(shù)第i個分量對弈的開關參數(shù)。這些層中每個節(jié)點均為RBF的中心，采用的特性函數(shù)為徑向基函數(shù)—高斯函數(shù)，計算未知模式與標準模式間相似度。

求和層各單元只與相應類別的模式單元相連，各單元依據(jù)Parzen方法求和估計各類概率密度函數(shù)，即其條件概率為：

(7)

式中：Ci為類別；X為識別樣本；Xi為類別i的模式樣本(在概率神經網絡中作為權值)；m為向量維數(shù)；σ為平滑參數(shù)；n為類i的模式樣本數(shù)量。先驗概率記為P(X)。

決策層節(jié)點數(shù)等于待匹配類別數(shù)，為i。根據(jù)各類對輸入向量概率的估計，采用Bayes分類規(guī)則，選擇出具有最小“風險”的類別，即具有最大后驗概率的類別，可用下式來表達其決策方法對所有i≠j,

P(X|Ci)P(Ci)>P(X/CjP(Cj))

(8)

則輸出y(X)=Ci。

與其它方法相比較，PNN不需進行多次充分的計算，就能穩(wěn)定收斂于Bayes優(yōu)化解。在訓練模式樣本一定的情況下，只需進行平滑因子的調節(jié)，網絡收斂快。

3.3 PNN對各子系統(tǒng)的安全狀態(tài)的評價

運用PNN網絡進行安全評價,步驟如下:

1)選取訓練樣本。在進行診斷前，首先提取各子系統(tǒng)的指標的特征參數(shù)，作為訓練樣本。并對數(shù)據(jù)歸一化處理，從而調節(jié)指標范圍，避免數(shù)值取舍不當?shù)惹闆r出現(xiàn)，減少預測誤差。

(9)

取50組數(shù)據(jù)作為輸入樣本，該訓練樣本由指標特征參數(shù)值和所屬某類別的隸屬程度組成的子集構成，每個子集構成關于待分安全等級隸屬度的證據(jù)。以設備和乘客兩個子系統(tǒng)為例，部分測試樣本如表2所示。

表3 指標特征參數(shù)部分訓練樣本

2)用PNN網絡對輸入樣本分類，即網絡設計、網絡測試及仿真實驗。

圖3 設備子系統(tǒng)評價PNN網絡結構示意圖Fig.3 Schematic diagram of PNN network structure

運用matlab神經網絡工具箱中的中的概率神經網絡設計函數(shù)newpnn創(chuàng)建訓練網絡，sim函數(shù)對概率神經網絡進行仿真。其中，合理選擇SPREAD拓展函數(shù)很重要，其默認值為1，SPREAD值越大，其輸出結果越光滑，但太大會導致數(shù)值計算的困難。本次概率神經網絡構建過程中，通過采用for循環(huán)語句，取不同的SPREAD值，實現(xiàn)機器確定最佳SPREAD值。

3)用30組數(shù)據(jù)驗證網絡的分類功能，即用這30組指標值進行評價，檢驗與實際的評

價值結果差距大小，部分測試樣本如表2所示。測試結果表明通過概率神經網絡的仿真效果與實際情況基本一致。

圖4 測試結果與實際狀態(tài)值誤差對比圖Fig.4 Comparison of test results with actual state values

評價系統(tǒng)安全指標部分測試樣本編號12345678910子系統(tǒng)1A10.8910.7560.6550.1000.6470.9000.7230.7820.6640.605A20.8760.7000.5580.1000.5110.9000.6520.7940.5940.147A30.9000.6910.5750.1000.5170.8880.6440.7600.6100.158A40.9000.6770.4700.1000.3960.8400.6330.8250.4400.248A50.9000.7830.6390.3510.6930.9000.7470.8010.6210.100A60.9000.7920.6750.1000.6840.8910.7380.8100.6930.432A70.9000.6820.6030.1000.6130.8900.7020.8500.5930.465子系統(tǒng)2B10.9000.7600.6790.2200.6930.8720.7970.7970.4400.100B20.8810.6950.5250.1000.5170.8810.7790.8620.6210.127B30.8380.5760.4230.1000.3420.9000.7920.8070.6930.300子系統(tǒng)3┉┉┉┉┉┉┉┉┉┉┉子系統(tǒng)4┉┉┉┉┉┉┉┉┉┉┉實際安全類別1325413245測試安全類別1225413245

4 D-S方法的評價結果融合

D-S證據(jù)理論的實質是在同一識別框架下，將不同的證據(jù)體通過其證據(jù)組合規(guī)則合成為一個新證據(jù)體的過程。

(10)

在D-S數(shù)據(jù)合成之前首要需要不同證據(jù)對目標的支持度，即基本信度值。概率神經網絡方法采用公式的P(X|Ci)值，得到各評價類別的概率分配。模糊評價的概率分配率由隸屬函數(shù)H得到。通過式轉化為包含不確定度的D-S證據(jù)信度函數(shù)：

(11)

取一個測試樣本的評價結果，即由PNN得到的各狀態(tài)等級的概率分配，以及由模糊評價得到的隸屬度，運用式(11)轉換為信度值，并運用式(10)計算組合后的信任函數(shù)。

由融合后數(shù)據(jù)可知，各等級的信度區(qū)分度得以增大，識別的不確定度降低。采用基于信任函數(shù)的決策方法，可以對自動扶梯通道安全狀態(tài)綜合評估。

表5 評價結果融合

5 結論

1)從“設備、乘客、使用環(huán)境、安全管理”4個方面建立自動扶梯通道安全綜合評價指標體系，考慮到用單一方法評價的片面性，建立了多種評價方法結果相融合的評價模型。

2)采用模糊綜合評價和概率神經網絡方法分別進行初級安全評價，對模糊綜合評價得到的總隸屬度和概率神經網絡方法得到的基本概率分配進行轉化，成為D-S信息融合所需的對各安全等級的信度函數(shù)。

3)對轉化后的信度函數(shù)進行D-S信息融合，得到各安全等級的信度。結果驗證了D—S證據(jù)理論融合識別的有效性，該方法融合了不同方法的評價結果，可以提高安全評價的準確度。

[1] 慶光蔚,王會方,胡靜波.電梯安全級別模糊綜合評價方法及應用研究[J].中國安全生產科學技術,2013,9(4):129-134. QING Guangwei,WANG Huifang,HU Jingbo. Research on fuzzy comprehensive evaluation method and its application of elevator safety level [J]. Journal of Safety Science and Technology,2013,9(4):129-134.

[2] 周赟.面向功能安全評估的電梯制動系統(tǒng)評價[D].廣州：華南理工大學,2014. ZHOU Yun. For functional safety assessment of the elevator brake system evaluation [D]. Guangzhou: South China University of Technology,2014.

[3] 陳國華,蔡文杰,王新華,等.基于大樣本檢驗數(shù)據(jù)的電梯風險預評估方法[J]. 中國安全科學學報,2015,25(5)：56-60. CHEN Guohua,CAI Wenjie,WANG Xinhua,et al. Elevator risk pre evaluation method based on large sample test data [J]. Chinese Journal of Safety Science,2015,25(5)：56-60.

[4] 顧徐毅,朱昌明,張鵬,等.電梯系統(tǒng)綜合安全評價方法的研究[J].中國安全科學學報，2008，18(6)：146-151. GU Xuyi,ZHU Changming,ZHANG Peng, et al. Research of comprehensive safety assessment method for elevator system[J].Chinese Journal of Safety Science,2008,18(6)：146-151.

[5] 李慧玲,劉冰.城市軌道交通安全管理[M].北京：人民交通出版社,2011. LI Huiling,LIU Bin. Safety management of urban rail transit[M].Beijing: People Traffic Press,2011.

[6] Klaus Steinweg. Future developments in elevator safety technology-the replacement of electro mechanical safety devices[J]. Elevator World India,2009，8(3):183-187.

[7] 張喜剛.AHP-模糊綜合評價法在電梯使用管理系統(tǒng)安全評價中的應用[J].安全與環(huán)境學報,2011,11(3):236-239. ZHANG Xigang. Application of AHP- fuzzy comprehensive evaluation method in the safety evaluation of elevator management system [J].Journal of Safety and Environment ,2011,11(3):236-239.

[8] Hauge. Reliability prediction method for safety instrumented systems. PDS method handbook[R].Norway: Sinter, 2006.

[9] 李俊輝,黎新華,謝小星.基于概率神經網絡的軌道交通車站客流安全狀態(tài)評價[J].都市快軌交通,2015,28(4)：65-69. LI Junhui,LI Xinhua,XIE Xiaoxing. Evaluation of safety state of passenger flow in rail transit station based on probabilistic neural network[J]. Urban Rail Transit, 2015,28(4)：65-69.

[10] 徐志勝,劉頂立,曹歡歡,等.基于AHP的古建筑火災風險評估方法研究[J].鐵道科學與工程學報,2015,12(3)：691-693. XU Zhisheng,LIU Dingli,CAO Huanhuan,et al.Study on fire risk assessment of historic buildings based on AHP[J]. Journal of Railway Science and Engineering,2015,12(3)：691-693.

[11] Nakahama S,Ebihara M, Sekizawa A,et al. An examination of feasibility of elevator assessment [J].Fire Safety Science,2005,9(8):611-622.

[12] 吳昊.系統(tǒng)安全評價方法對比研究[J].中國安全生產科學技術,2009,5(6):209-213. WU Hao. Comparative study on the method of system security evaluation [J]. Journal of Safety Science and Technology, 2009,5(6):209-213.

[13] Fateh Kaakai,Said Haya,Abdellah El Moudni. A hybrid Petri nets-based simulation model for evaluating the design of railway transit stations [J]. Accident Analysis & Prevention,2006,38(4)：662-670.

[14] Behrens K. Safety and reliability issues affecting escalators and moving walkways in railway stations [J].Fatigue in Railway Infrastructure, 2009:95-105.

Safety evaluation of metro escalator passageway based on information fusion

HU Xiaoping，LI Xiamiao，HUANG Yin， QI Shan， GOU Min， ZHAO Jiequn

(School of Traffic and Transportation Engineering, Central South University, Changsha 410075, China)

In order to scientifically evaluate the safety status of the metro escalator passageway and integrate the unique properties of the subway escalator, the paper proposed to establish a comprehensive evaluation index system from 4 aspects of “equipment, passengers, the use of the environment, and safety management”. For the general safety evaluation method and the problem of the subjective influence, fuzzy comprehensive evaluation and probabilistic neural network (PNN) were proposed to evaluate the security status of the primary evaluation. The membership function and the basic probability distribution function were obtained, and the reliability function of the security state level was obtained by transforming. The reliability fusion was then carried out by the Dempster - Shafer (D-S) evidence theory and the different method synthesis was obtained after the appraisal result. The results show that the method can effectively integrate the evaluation information obtained by different methods, and improve the accuracy of the evaluation. The method can be used as a macro decision tool for the safety management of the metro.Key words：escalator; safety evaluation; fuzzy evaluation; probabilistic neural network; information fusion

2016-01-09

國家自然科學基金資助項目(U1334207)

李夏苗(1963-)，男，湖南茶陵人，教授，博士，從事交通運輸系統(tǒng)分析、鐵路運輸管理等方面研究；Email：xmli@mail.csu.edu.cn

U12

A

1672-7029(2016)11-2249-07