基于BP神經網絡的電梯剩余壽命預測

朱建國 任盤鳳

（江蘇海洋大學，江蘇 連云港 222000）

0 引言

隨著經濟的發展，中國城鎮化建設得到進一步完善，住宅小區日益增多。電梯在人們日常活動中扮演著不可或缺的重要角色，目前中國電梯正步入老齡化時代，電梯的安全問題將會集中出現。大多數舊電梯處于過度使用狀態[1]，隨之而來的是電梯的安全問題，它不僅僅涉及人身財產安全，而且與我國的政府安全管理水平息息相關[2]，因此對電梯剩余壽命預測變得尤為重要。

電梯市場信息管理不夠完善、檢修工人對相關安全知識掌握不到位和乘客的不規范使用，造成電梯事故頻繁發生[3-4]。通過對電梯剩余使用壽命的預測，能夠保證電梯可靠、健康運行，并且能夠減少因電梯故障而造成的傷亡事故。蔣文博等人[5]基于比例風險模型與機器學習的混合方法，利用電梯歷史故障與設備參數信息，預測電梯的剩余壽命。我國電梯維保制度要求維保部門應定期對在用電梯進行預防性維修，減少故障發生，改善電梯性能，以此來延長其使用壽命[6]。鑒于此，本文基于電梯的故障發生頻率及嚴重程度，使用安全分值來衡量電梯的風險狀況，進而獲得設備剩余使用壽命。

1 系統風險概率分布

本文數據來源于連云港市承接查驗備案表，收集了該市從2021年至2022年42個住宅小區的電梯故障數據，查驗標準均按照《電梯監督檢驗和定期檢驗規則》（TSG T7001—2009/XG1—2013及XG2—2017）[7]和《電梯維護保養規則》（TSG T5002—2017）[8]的檢驗方法和要求執行。

從圖1來看，該市電梯電氣系統、供電系統、重量平衡系統這三個系統故障發生率較高，提醒維保人員在后續工作中應對這幾個部分加強關注。

圖1 電梯風險概率分系統占比

1.1 系統故障概率等級劃分

本文在連云港市查驗的770臺電梯數據中整理出每臺電梯發生的所有故障，由此計算出系統下各個零部件的故障發生率。依據電梯、自動扶梯和自動人行道風險評價和降低的方法[9]，按故障出現的頻次，共劃分了A、B、C、D、E、F六個等級，電梯故障概率等級對應概率占比如表1所示。

表1 概率等級劃分

1.2 系統風險項目檢測分析

在對該市電梯進行的48項風險項目檢測中，參照表1，A等級有0項，B等級有0項，C等級有1項，D等級有1項，E等級有9項，F等級有37項。C等級五方對講不通故障數288次，占37.40%；D等級機房走線混亂故障數118次，占15.32%。由此可見，該市應及時對住宅小區電梯五方對講設備和機房線路進行檢修和更換。

電梯由多個系統組合而成，其中每個系統下又包含若干個零部件，根據電梯、自動扶梯和自動人行道風險評價和降低的方法[9]，結合表1，將電梯的每一個故障項目劃分等級，詳細劃分如表2所示。

表2 風險等級劃分

1.3 系統風險等級評分標準

電梯不同系統故障所引發的事故程度均不相同，同理每個系統下零部件的損壞程度對系統威脅程度也不相同。根據系統零部件風險嚴重情況，賦予安全分值來表達它在系統中所占權重大小，安全分值越高風險等級越高，其對電梯使用壽命的影響就越大，如表3所示。

表3 風險等級與安全分值參照

2 使用壽命預測

2.1 構建BP神經網絡模型

本文選用BP神經網絡模型預測電梯使用壽命，實則是建立電梯可繼續安全使用年限的預測模型，以此來反映電梯故障頻率與使用年限之間的關系。建立預測模型的前提條件是合理設置網格結構，該網絡模型選用了單一隱含層的三層BP神經網絡對電梯使用壽命進行預測；輸入層選取電梯各系統內零部件故障次數，輸出層選取電梯已運行時間。該神經網絡輸入層節點數是根據對輸出層結果產生影響的相關指數數量確定的，依據影響電梯使用壽命的指標為電梯系統故障情況，確定本次構建的BP神經網絡模型輸入層單元個數為8；輸出層數據為電梯已運行時間預測值，利用電梯系統故障次數來判斷電梯風險嚴重程度，輸出數據的種類數量為1，確定神經網絡輸出層單元個數為1；隱含層單元數量的適量增加，可以在BP神經網絡處理非線性映射問題時降低誤差，但節點數過多很容易造成神經網絡過擬合現象，隱含層節點數計算見公式（1）：

式中：m為隱含層節點數；n、l分別為輸入層和輸出層節點數；α為1～10之間的常數。

隱含層節點數的設定從1個節點開始，再分別增加至13個節點。通過不同節點數訓練，最后選擇最優數量4作為最佳節點數。圖2是基于BP神經網絡的電梯使用壽命預測模型訓練集，預測結果相關程度R=0.950 68，說明使用該模型能夠很好地體現電梯使用壽命與電梯系統故障次數之間的非線性映射關系。

圖2 預測結果相關度

測試集樣本數據的測試完成時模型解釋度如圖3所示，預測結果相關程度R=0.921 39，說明測試集數據電梯使用壽命的預測結果與實際值相關度較高，驗證了該神經網絡模型訓練準確。

圖3 測試完成時模型解釋度

2.2 預測結果分析

本次BP神經網絡模型根據BP算法得到電梯系統故障次數與使用年限之間的關系，基于此算法輸出查驗的770臺在用電梯使用壽命年限預測值。從電梯使用年限來看（圖4），5年以下的有664臺，占比86.23%；5～10年有93臺，占比12.08%；10～15年有12臺，占比1.56%；15年以上有1臺，占比0.13%。

圖4 連云港市住宅小區在用電梯使用年限預測分布圖

圖4數據顯示，連云港市住宅小區電梯使用年限10年以內占比達98.31%，可見該地區住宅小區電梯整體安全性能良好，但值得關注的是該市在數年后老舊電梯數量將急劇增加。

為了驗證樣本的預測結果，選用了SPSS軟件的多元線性回歸分析方法，驗證樣本預測結果對比如表4所示。結果表明使用BP神經網絡對電梯使用壽命建立的預測模型誤差率為1.772%，而多元線性回歸分析模型預測誤差率為18.12%，進一步證實了BP神經網絡模型更具準確性，精確度更高。

表4 驗證樣本預測結果對比

3 剩余使用壽命評估

本文電梯八大系統風險項目共有48個項目，依據表1、表2、表3安全評估辦法可得，1分風險項目38個，3分風險項目9個，5分風險項目1個，總分共計70分。每一部電梯評分越高，說明存在故障項目越多或者是存在風險數值較大的項目，那么該電梯風險系數越高。電梯無故障定為0分，總分值越高越危險，越低越安全，電梯剩余使用壽命年限Y與評分HI之間的關系見公式（2）[10]：

式中：C為常數（由電梯安全分值與故障狀態劃分設置）；HI為電梯安全評分總分值；B為電梯老化系數（電梯已運行時間/設計使用年限）。

綜上所述，結合圖4制定了在用電梯剩余使用壽命評估表，如表5所示。

表5 在用電梯剩余使用壽命評估

4 改進建議

電梯使用壽命是一個復雜且長期的問題，涉及多個因素，如技術指標、使用環境、運行維護等，其中使用者行為習慣等因素，使電梯使用壽命難以準確預測和評估。對于以上問題，筆者給出以下建議：1）可以利用無損檢測技術，探測電梯零部件損壞程度或缺失情況，使檢修工作人員提前找到存在安全隱患部位，做好維修和更換工作，以此來減少事故的發生；2）對于風險等級達到一級的電梯，檢修人員應每隔2周進行一次風險評估，每隔2個月對老舊部件進行維修或更換。

5 結束語

本文首先基于電梯發生故障的頻次，運用BP神經網絡模型預測設備使用年限，接下來與多元線性回歸預測模型得出的結果進行比較分析，證實了BP神經網絡模型更精確；最后分析電梯故障嚴重程度與使用年限之間的關系，制定安全評分標準；在安全評分的基礎上，通過剩余使用壽命公式，計算出電梯剩余使用壽命，為電梯能夠可靠、健康運行提供了參考。