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

（中國礦業大學（北京） 北京 100083）

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

1 國內外電梯安全事故致因分析研究現狀

隨著實際安全管理問題和現處社會經濟大環境復雜性不斷被人們所認識，關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生，專家在多個領域對事故發生的各種影響因素進行了研究，構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生的各個因素之間的關聯進行了研究。將事故特征和事故致因間關聯關系也運用在化工、建筑、道路交通等領域，但該項研究在電梯安全領域運用較少。

海外的學者已進行過有關電梯安全事故的探討，并且以此研究的產出分別從人力、設備、資料、法律以及環境等多角度提供了優化做法及建議。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、服務和運行相關的各種統計推斷，結果顯示有65%的事故發生在電梯安裝和維護作業人員身上，并指出安全管理制度沒有落實好是電梯事故發生的主要原因[2]。國內張武橋[3]用數理統計分析的方法，基于電梯運營安全事故樣本數據，通過事故發生的地點、形態、環節、原因等，歸納總結電梯運營事故發生的潛在規律和根本原因，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同治理進行了深入分析，構建了電梯安全協同治理體系框架。

然而，造成電梯事故的原因方面，多數研究者主要參照電梯安全管理實踐知識和統計分析來進行探討。在國內，李玨等人[5]通過找出導致電梯事故的關鍵人為因素，并對其關聯性進行分析，使用人因分析與分類系統（HFACS）模型對電梯事故進行分類統計與研究。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聯性，最終提出針對預防電梯事故的實施方案。但目前關于電梯安全事故的研究主要側重于構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合起來綜合分析，并建立高質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 數據獲取及預處理

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

分析所獲語料，發現有重復值、缺失值、異常數據等不利因素存在，為保證爬取所獲文本的質量以及后續模型建造的質量和準確性，借助Python 語言，再對其進行數據的預處理，包括清洗數據、分詞、過濾停用詞等，見圖1。

圖1 數據預處理

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”“事故發生前設備狀態”和“事故分類”等相關因素并總結，見圖2。

圖2 特征提取

將提取總結后的相關因素數據化處理，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、設備因素和環境因素4 個方面[6，7]，數據化處理結果見表1。

表1 電梯安全事故樣本數據的數據化處理

3 基于隨機森林構造預測模型

3.1 基于網格搜索獲取隨機森林最佳參數

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

使用網格搜索參數尋優尋找隨機森林全局最優參數組合，首先將數據集隨機劃分為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，并使用網格搜索設置需要調整的參數大致范圍及步長，計算每個參數下模型的評估能力；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情況下的參數取值。

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

表2 網格搜索獲取隨機森林最佳參數

電梯事故往往會損害生命財產安全，因此在模型準確率方面具有較高的要求，而在該網格搜索得到的參數建模下，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點。同時，假設訓練集的特征個數是K，每次選擇k個構建決策樹。

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，決策樹的分支節點所包含的樣本最終會慢慢歸集到同一個屬性，使得節點的“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，其中擬合優度R2可以檢驗模型對樣本數據的擬合程度，取值在0 到1 之間，擬合優度越高，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，取值越低說明精度越高，但其大小受預測數值的大小影響。擬合優度R2和均方根誤差RMSE的計算公式如下[10]。

式中：

n——總樣本數；

i——小于n的變量；

Yi——真實值；

3.3 事故致因模型構建

在MATLAB 中，利用網格搜索所得隨機森林最優參數，用隨機森林模型來構建電梯事故致因預測模型。如圖4 所示，當決策樹設為100 時，誤差范圍基本保持在[0.015，0.02]區間內，錯誤基本穩定。

圖4 誤差曲線圖

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

圖5 訓練集預測結果對比

圖6 測試集預測結果對比

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“事故發生前設備狀態”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 模型應用

4.1 墜落事故實例

2021 年8 月16 日，新疆維吾爾自治區烏魯木齊市某區發生1 起電梯墜落事故，造成1 人死亡，經濟損失150 萬元。經調查分析，引發事故的直接原因是死者安全意識淡薄、違反安裝技術規程，間接原因是施工現場安全管理落實不到位[11]。將該事故報告中的事故特征數據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 項是違規作業（P3）和結構或零部件損壞（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)和維修保養不到位(P4)。

綜上根據相對多數投票法，模型對該案例事故的直接原因和間接原因的預測結果與實際調查結果基本一致，且從人為因素、管理因素、設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，北京市豐臺區某街道發生1起電梯擠壓事故，造成1 人死亡。經過調查分析，引發此次事故的直接原因是維保人員在完成電梯維修作業后，違反安全操作規章進入電梯底坑，導致其受到右側井道壁與轎廂側壁的持續擠壓，造成死亡。間接原因是相關公司對管理區域內電梯監督不到位以及電梯有限公司對員工的作業沒有行之有效的監管措施[12]。將該事故報告中的事故特征數據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 項是違規作業（P3）、維修保養不到位（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)和維修保養不到位(P4)。

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

5 結論與展望

5.1 結論

電梯安全事故的發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聯關系，無法直觀從眾多事故報告中找出關聯規則。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。再使用網格搜索獲得隨機森林最佳參數，接著用隨機森林算法構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)規范電梯的設計、建造和安裝。為確保電梯運行安全，在電梯最初設計時，就要將工作人員和使用人員的安全放在第一位。同時，確保在電梯基礎零件的建造上，謹慎選擇零件材料，提高電梯的自身質量，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、維修保養到事故后的救援，都存在由于部分相關人員專業性不足導致不可預估的后果。為此，必須保證各生產安裝電梯人員和區域電梯救援管理人員的專業性，以及電梯工作人員在工作時的專注性和嚴謹性。提高相關人員的專業性，不僅會減少工作人員的危險系數，同時也會降低電梯發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。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運行的狀態下，同時還有人為因素的影響，電梯零件極易損耗，進而增加電梯發生安全事故的概率。這就需要電梯檢查保養工作人員定期逐一排查電梯的安全隱患，按照規章制度進行電梯后續的維修保養工作。

4)注重宣傳電梯安全以及自救知識。電梯在現代化的生產生活中必不可少，但仍有相當比例的人不了解電梯的急救知識，導致在電梯發生事故時，不能做出正確反應。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)及時完善安全規章制度。在科技的快速發展下，規章制度也要與時俱進。管理部門應該根據實際情況，定期淘汰或修改無效的規章制度，及時建立適合的安全管理體系。