融合事故表征和CBR的特種設備事故預測研究

谷夢瑤，李光海，戴之希

1.中國計量大學質量與安全工程學院，杭州 310018

2.中國特種設備檢測研究院，北京 100029

隨著經濟和社會的快速發展，我國特種設備總量基本保持平穩增長，比如2018年底，我國特種設備總量達1394.35萬臺，比2017年底上升7.02%，比2016年底上升14.15%。特種設備與人們的生產、生活息息相關，但其多是在高溫、高壓或高速下運行，且通常盛載易燃、易爆、有毒介質或大量人員，因此一旦發生事故極易造成群死群傷及重大經濟損失。故而，對于特種設備，需做好事故預測預防工作，以保障人民的生命財產安全。

事故預測是指運用各種知識和科學技術，依據歷史數據，推斷和估計事故的發展趨勢或后果。目前已有許多學者對特種設備事故預測進行研究，例如趙曉濤等[1]利用灰色理論來預測電梯設備的死亡人數和萬臺設備死亡人數；司明[2]提出了基于FES 和FTA 的鍋爐隱患預警模型。事故預測結果是制定合理的事故預防措施的重要依據，為了得到更好的事故預測結果，有必要對事故形成全面的認識和了解。然而，目前針對特種設備事故的研究多數是零散、獨立的，比如唐又紅等[3]僅分析了起重機械立柱結構的失效機理。因此，為了更好地預測特種設備事故，有必要先研究通用型的特種設備事故表征技術。

根據科普百科，表征為能指代某種東西的符號或信號。“表征”常被用于心理學和化學等領域，較少被于事故領域，因此當前關于事故表征的文獻比較有限。關文玲等[4]提出通過爆炸拋射物、爆炸容器等事故表征物，來分析火災爆炸事故；洪源等[5]提出了混凝土質量事故的表征方式，比如其將混凝土出現孔洞與露筋表征為混凝土出現大面積蜂窩、麻面及表面局部缺漿粗糙的現象；彭鑰[6]通過危險性指數來表征事故多發路段的危險性；孟祥坤等[7]引入風險熵來表征深水鉆井井噴事故風險傳遞的隨機性與模糊性。上述文獻給出了多種不同的事故表征方式，比如文獻[4]通過事故表征物，文獻[5]通過事故的物理現象或表現形式，文獻[6-7]通過若干定量型指標。這為事故表征技術研究提供了新思路，然而，上述文獻僅注重事故某一方面的表征，且未針對特種設備事故。因此，需針對全類特種設備的事故，研究新的、恰當的、通用的事故表征方式，并將其應用于全類特種設備的事故預測中。

雖然事故表征技術有利于建立更規范的特種設備事故案例庫，但如何基于事故案例庫實現事故預測仍是一個難題。CBR 是一種利用相似歷史案例求解新問題的方法，其基本原理是當遇到新問題時，系統會在歷史案例庫中，檢索相似案例，找出與新問題相近的一個或若干案例，重用或修改這些案例以解決當前問題[8]。CBR 具有應用廣泛、推理能力強和學習能力突出等優勢，近年來已在計算機輔助設計[9]、疾病診治[10]、故障診斷[11]、智能控制[12]、環境預測[13]、決策支持[14]等方面取得了豐碩的研究成果。顯然，案例推理技術能很好的解決上述難題。

基于此，提出了融合事故表征和CBR 的特種設備事故預測研究，主要包括：（1）提出了面向全類特種設備的通用型事故表征技術，其由事故表征信息結構模型、規范化方法和編碼規則三部分組成；（2）提出了融合事故表征和CBR 的特種設備事故預測新方法，該方法不但能預測特種設備事故發展趨勢，還能提供事故發生概率以及應采取的預防措施；（3）通過上海某公司的汽車起重機案例驗證了所提事故預測方法的有效性。

1 特種設備事故表征技術

事故案例主要來源于《2005—2013特種設備事故案例集》、《浙江電梯事故案例集》和《2002—2017承壓設備事故案例集》。

1.1 事故表征信息結構模型

根據文獻[4-7]和預期目標，將面向全類特種設備的通用型事故表征定義為利用恰當的事故信息組合來表示全類特種設備的事故。綜合多個特種設備事故領域專家建議，提出從設備基本信息、事故前兆信息、事故結果信息和事故預防措施四個方面來表征特種設備事故，具體的事故表征信息結構模型見圖1。其中事故前兆信息是事故前被識別和管理的前饋指標和錯誤信息，包括環境的不安全條件、設備的不安全狀態、人的不安全行為以及安全管理上的缺失。環境的不安全條件為作業環境的照明、溫濕度等，介質和產生物的毒性、腐蝕性等，周圍人員、車輛等的密度，自然環境中地殼活動度、土壤酸堿度等；人員的不安全行為為操作人員等的技能水平、精神狀態等。設備的不安全狀態為設備全生命周期各階段的質量情況，如設計結構是否合理、有無焊接缺陷等。安全管理上的缺失為安全管理法規的完善度、執行度，應急預案完善度等。事故預防措施包括預防措施和評價等級，評價等級為專家對預防措施的評價結果，分為很好、好、一般、不好和很不好五個等級。

1.2 事故表征信息規范化方法

通過分析事故案例發現，在描述事故案例時圖1中的各類表征信息存在大量的不標準、不規范之處，主要包括：（1）缺失關鍵信息。目前缺失較多的是設備基本信息中的注冊代碼、設計時間等；（2）用詞不規范統一。例如對于叉車撞傷人，有的將其事故特征定為撞傷，有的為撞人，有的則為擠壓；（3）事故原因模糊不清。多數事故是多原因綜合作用的結果，然而很多案例未說明多個原因間的關系，以及導致這些原因的深層次原因，例如安全閥失效導致鍋爐超壓爆炸，但未說明安全閥失效原因。

上述問題歸因于特種設備事故信息上報準確度太低。基于此，提出以下三個面向全類特種設備的通用型建議：

（1）將圖1 中的事故表征信息設定為必填項，以避免信息缺失現象的存在。

圖1 特種設備事故表征信息結構模型Fig.1 Information structure model of special equipment accident characterization

（2）對于投用時間、使用單位等針對性事故表征信息，規范其填寫格式，比如對于投用時間，要求填寫格式為某年某月某日。

（3）對于事故特征等通用性表征信息，若相關條例等已規定其標準選項，則根據這些條例設定其標準項，比如對于事故等級，參考《特種設備安全監察條例》，設定標準項為一般事故、較大事故、重大事故和特別重大事故。若未規定，則可根據大量的事故案例，歸納得標準項，比如對于事故原因和失效原因，歸納得標準項分別見表1和表2。

表1 特種設備標準事故原因Table 1 Standard accident causes of special equipment

表2 特種設備標準失效原因Table 2 Standard failure causes of special equipment

1.3 事故表征信息編碼規則

研究事故表征信息編碼規則是為了便于檢索事故表征信息，并建立事故案例庫。基于此，提出3 個事故表征信息編碼原則：（1）簡單明了。代碼結構應盡量簡單清晰，長度應盡量短；（2）易于擴充。代碼應留有適當的后備容量；（3）代碼唯一。

根據上述原則，提出如下面向全類特種設備的通用型編碼規則：

（1）對于有標準項且標準項間為并列關系的事故表征信息，則根據標準項總數，設定適合的十進制位數作為其代碼，比如對于事故等級，其標準項共4項，因此設定其編碼樣式為Z，以一位十進制數字表示，從1 開始，1-一般事故、2-較大事故、3-重大事故、4-特別重大事故。

（2）對于有標準項且標準項間為上下層級關系的事故表征信息，則需分層設定事故表征信息編碼，比如對于表1中的標準事故原因，共4層，每層的并列標準項均少于10，因此設定其編碼樣式為ERFT，以四位十進制數字表示，具體代碼見表3。

表3 8大類特種設備的事故原因代碼Table 3 Accident cause code of 8 major special equipment

（3）對于無標準項且為時間型事故表征信息，則以統計得的特種設備事故表征信息為基礎，針對年月日分別以四位、兩位和兩位十進制數字來表死后，編碼樣式為WQEZ HU LK，比如投用時間為2005 年6 月25 日，則其代碼為20050625。

（4）對于無標準項且為非時間型事故表征信息，為滿足易于擴展的原則，設定其編碼樣式為HEG，以三位十進制數字表示，從001開始。

2 基于事故表征和CBR的事故預測方法

2.1 案例庫建立和案例描述

（1）事故案例庫建立

首先，基于圖1 中的事故表征信息結構模型，從收集的特種設備事故案例中提取各事故案例的事故表征信息；然后，利用1.2節的事故表征信息規范化方法進行規范化處理；最后，基于1.3 節的事故表征信息編碼規則，對規范后的事故表征信息進行編碼，由此建立特種設備事故案例總庫M，總庫根據特種設備種類又分為鍋爐案例庫M1，起重機械案例庫M2，電梯案例庫M3，管道案例庫M4，壓力容器案例庫M5，客運索道案例庫M6，大型游樂設施案例庫M7，以及場（廠）內機動車輛案例庫M8。

（2）事故案例描述

2.2 相似案例檢索

2.2.1 計算屬性相似度

由圖1知，特種設備事故案例的條件屬性特征值包括兩類：（1）確定符號型，如某鍋爐為電站鍋爐；（2）模糊文本型，如某鍋爐的操作人員未持證上崗等。因此，需結合屬性特征值特點，定義不同的相似度計算方法。

（1）確定符號型屬性特征值

若屬性Aj的特征值為確定符號型，則：

（2）模糊文本型屬性

若條件屬性Aj的特征值為模糊文本型，則：

2.2.2 計算屬性權重

屬性權重的合理性直接關系到案例檢索的精度。由圖1知，特種設備事故案例的條件屬性多為模糊文本型，且為層級結構，較適合采用AHP 法。然而，該方法未考慮專家自身的研究領域、工作經驗等對評價置信度的影響，而將不同專家的評價結果視為一致。但在實際評價中，不同專家的個人偏好、經驗、知識結構等均不同，不同專家對同一指標的評價結果存在差異，同一專家對不同指標的評價結果也存在差異[16]，這使得不同專家評價結果的可信度存在差異。因此，為降低人為主觀影響，提高AHP法評價結果的可信度，有必要考慮專家對評價結果的權威程度和一致性程度，計算專家置信度，并提出基于專家置信度的改進型AHP法。

2.2.2.1 專家置信度計算

（1）專家權威性系數

參考文獻[17]，設置專家權威性指標及取值見表4。在實際應用中，企業可根據自身需求對表4 中的指標數量、類型以及取值等級等進行調整。表4 中的5 個指標涵蓋了會影響到評價結果的主要專家特性，是結合專家意見，利用統計分析技術從大量如專家年齡、性格、社會背景等指標中篩選出來的。其中，教育背景代表專家的綜合知識水平，工作年限代表其工作經驗量，技術職務代表其專業技能水平，專業相關度代表其其對該評價內容的熟悉程度，專業自信度代表了其對評價結果的自信程度。令θc為專家Vc的權威性系數，則：

表4 專家權威性指標取值Table 4 Expert authority index value

式中qcl為專家Vc的第l個專家權威性指標值。

（2）專家一致性系數

①選取C個專家對條件屬性重要度進行評價，利用AHP法計算屬性權重，由此得基于專家Vc的屬性Aj的初始權重φij，然后令專家Vc的初始權重為1C，則通過加權融合得屬性Aj的權重期望值

②計算專家Vc對屬性Aj的評價偏差量，并進行歸一化處理，由此得評價偏離度Rcj為：

③評價偏離度Rcj表示專家Vc的評價結果距離群決策期望值的距離，Rcj越小則專家Vc的評價結果一致性越高。由此得評價一致性系數Ucj為：

（3）專家置信度

基于專家權威性系數θc和一致性系數Ucj，得專家Vc在評價屬性Aj時的置信度ηcj為：

2.2.2.2 屬性權重計算

假設經AHP法計算得的初始屬性權重為φcj，則結合專家置信度ηcj，通過加權融合得屬性Aj的最終權重為：

2.2.3 計算案例相似度

事故案例具有時效性，某歷史案例與當前時間的時間間隔越大，則其對目標案例的參考價值就越低，即時間衰減效應。因為越接近當前時間，則某歷史案例的設備技術情況、設備管理方式、人員管理方式等越接近當前社會盛行的類型。越遠離當前時間，則其設備可能是目前已淘汰的設備型號、管理方式等，這時其采取的應對措施也就不再適用于當前的新型設備。因此，為使案例相似度的計算更符合實際情況，得到更為準確的案例相似度，有必要考慮時間衰減效應的影響。假設歷史案例Zi的發生時間為Ti，當前時刻為T，則：

2.2.4 確定相似度閾值

假設SQ為相似度閾值，則：

2.3 事故預測

2.3.1 事故發展趨勢預測

（1）根據目標案例的事故前兆信息，參考表2 中的標準失效原因，得該特種設備的四級標準失效原因（如設備有陳舊性損傷）和具體失效原因（如起重機鋼絲繩有磨損或斷股）。

（2）根據該特種設備的四級標準失效原因，對表2中的標準失效原因進行調整，例如根據事故前兆信息，無工藝人員技能水平低這個四級失效原因，則無生產工藝不合理這個三級失效原因。

（3）假設集合SC共有K個相似案例，則統計分析這K個案例的具體失效原因和具體事故原因。

（4）結合步驟（3）的統計結果、步驟（2）調整后的標準失效原因，以及表1 的標準事故原因，建立該特種設備的事故原因故障樹，以了解該特種設備可能的事故發展趨勢。

2.3.2 事故發生概率預測

2.3.3 事故預防措施預測

根據Likert 5 級計分制對相似案例的預防措施評價等級進行賦值，表5為Likert 5級量表。

表5 Likert 5級量表Table 5 Likert 5 scale

假設經賦值后，相似案例Zγ的預防措施評價等級B11的特征值為bγ,11，則相似案例Zγ的預防措施B11的推薦系數為：

根據各相似案例的預防措施推薦系數，按從大到小的順序進行排序，由此得各相似案例預防措施的推薦排名。

3 算例及結果比較

上海某公司計劃租1 臺汽車起重機拆卸門式起重機的鋼結構，該汽車起重機額定起重量為25 t，被拆卸門式起重機自重為17.8 t。在拆卸前，通過管理和檢查，得其設備基本信息和事故前兆信息見表6。

表6 目標案例Z*和歷史案例Z1 的屬性相似度計算結果Table 6 Results of attribute similarity calculation between target case Z*and historical case Z1

3.1 相似案例檢索

利用該汽車起重機的設備基本信息和事故前兆信息，在M2 庫中檢索相似案例，具體過程如下：

（1）計算目標案例Z*和歷史案例Z1的屬性相似度

①計算確定符號型屬性的相似度：

同理可得，目標案例Z*和歷史案例Z1的其他屬性相似度計算結果見表6。

（2）計算屬性權重

首先，選取5 個專家組成評價小組，其權威性狀況見表7，并根據表4和7，利用公式（3）計算5個專家的權威性系數，結果見表8；其次，由專家對表6 中的屬性重要度進行評價，并根據評價結果，利用AHP法計算屬性權重，結果見表9；再次，根據屬性權重，利用公式（4）～（7）計算專家一致性系數，同時，根據專家一致性系數和權威性系數，利用公式（8）計算專家置信度，結果見表10；最后，根據屬性權重和專家置信度，利用公式（9）計算屬性最終權重，結果見表11。

表7 5個評價專家的權威性狀況Table 7 Authority of five evaluation experts

表8 5個評價專家的權威性系數Table 8 Authoritative index values of five evaluation experts

表9 條件屬性權重Table 9 Condition attribute weight

表10 5位評價專家的專家置信度Table 10 Expert confidence of 5 evaluation experts

表11 條件屬性的最終權重Table 11 Final weight of condition attributes

（3）計算案例相似度

首先，根據屬性最終權重和相似度，利用公式（9）得目標案例Z*和歷史案例Z1的相似度為0.162；然后，已知歷史案例Z1的發生時間為2015 年5 月，當前時間為2020年7月，則歷史案例Z1距今的時間間隔為62個月，根據公式（10）得時間衰退因子TD(T1)=1.212；最后，根據案例相似度和時間衰退因子，利用公式（8）得經時間衰減修正后的案例相似度為0.197。同理可得，目標案例Z*與M2 庫中其余35 個歷史案例的案例相似度見表12。

（4）確定相似度閾值

首先，根據專家經驗，設定G=0.8。同時，由表12知，歷史案例與目標案例Z*間的最大相似度為0.406；然后，根據最大相似度，通過公式（11）得相似度閾值SQ=0.325；最后，根據相似度閾值SQ，得相似案例集合SC={Z9,Z12,Z19,Z20,Z27,Z30,Z33} 。

表12 目標案例Z*與歷史案例的案例相似度Table 12 Case similarity between target case Z*and historical case

3.2 事故預測

（1）事故發生趨勢預測

首先，根據表6中的事故前兆信息，對表2中的標準失效原因進行調整；然后，根據集合SC中的相似案例，分析得與目標案例相關的失效原因包括“未采取鋼絲繩保護措施，如未采用保護墊片、包角等”、“鋼絲繩捆扎方式錯誤”等，事故原因包括“使用單位無防墜落措施”等；最后，結合表1中的標準事故原因以及統計得的相關事故原因和失效原因，得到該汽車起重機的事故發展趨勢故障樹如圖2所示。

（2）事故發生概率預測

表13 給出了集合SC中相似案例的各事故后果信息，及其特征值全集。然后，結合表12 中的案例相似度，利用公式（12）和（13）得目標案例各事故后果信息的發生概率見表14。

表13 相似案例的事故后果信息Table 13 Accident consequence information of similar cases

表14 目標案例各事故后果信息的發生概率Table 14 Occurrence probability of accident consequence information of target cases

（3）事故預防措施預測

表15給出了集合SC中相似案例的事故預防措施；然后，根據表5，對各預防措施的評價等級進行賦值，并結合案例相似度，利用公式（14）計算各相似案例預防措施的推薦系數，結果見表15；最后，根據推薦系數，得各相似案例預防措施的推薦排名。

表15 相似案例的事故預防措施Table 15 Accident prevention measures of similar cases

3.3 結果分析

（1）預測結果分析

由圖2可知，目標案例的汽車起重機可能由于鋼絲繩陳舊性損傷、捆扎方式錯誤等失效原因導致鋼絲繩整體斷裂，再加上未設置防墜落措施和安全管理人員等，最終會發生吊具、吊臂或配重塊的墜落或傾覆事故。同時，由表14 可知，該汽車起重機最可能在使用環節，由于索具鋼絲繩斷裂發生一般等級的吊具墜落事故，最終造成1人死亡。顯然，最應該針對鋼絲繩斷裂導致的墜落事故開展預防工作。而由以上數據可知，最應該采取的預防措施包括加強對吊具、鋼絲繩等的檢查，及時更換有損傷的鋼絲繩、吊具等，在起吊物尖銳邊緣添加木質墊塊、包角等，以及設置防墜落等安全保護措施。

圖2 汽車起重機的事故發展趨勢故障樹Fig.2 Fault tree of accident development trend of truck crane

（2）預測結果與實際結果的對比分析

表16 和圖3 分別給出了目標案例汽車起重機的實際事故結果和事故原因故障樹。由表14 和16 可知，除了事故后果，其余6項事故結果信息的預測結果和實際結果均相同，由此說明事故發生概率預測結果是合理的、有效的。由圖2和圖3可知，兩個故障樹具有較高的一致性，由此說明事故發展趨勢預測的合理性。而由表15 和16 可知，事故預測措施的推薦結果包含了實際結果，且推薦措施更全面、具體，由此說明事故預防措施預測的合理性和有效性。

圖3 目標案例中汽車起重機的事故原因故障樹Fig.3 Fault tree of truck crane accident cause in target cases

表16 目標案例中汽車起重機的實際事故結果Table 16 Actual accident results of truck crane in target cases

4 結論

為了更好地掌握特種設備事故發展趨勢、發生概率和預防措施，本文開展的工作包括：（1）提出了面向全類特種設備的通用型事故表征技術，主要內容包括事故表征信息的結構模型、規范化方法和編碼規則。（2）提出了融合事故表征和案例推理的特種設備事故預測方法，其中為了更精準地檢索相似案例，提出了針對不同屬性類型的屬性相似度計算方法、基于專家置信度和AHP 法的屬性權重計算方法、考慮時間衰減效應的案例相似度計算方法以及相似度閾值確定函數。（3）通過上海某公司的汽車起重機案例驗證了所提事故預測方法，結果表明其不但能給出特種設備的事故原因故障樹，以了解事故發展趨勢，還能提供如事故特征等的發生概率，以及應采取的預防措施。

本文中專家權威性指標的數量設置、類型選擇等更多是依據專家意見，具有一定的主觀性。未來，將針對此問題，利用最小二乘法、相關分析、文獻窮舉法等進行深入研究，提出更具客觀性、更系統的專家權威性指標確定方法。