[發(fā)明專利]一種電梯風險評估方法

在審

• 申請?zhí)枺?/td>: 201310564039.1
• 申請日: 2013-11-14
• 公開（公告）號: CN103678952A
• 公開（公告）日: 2014-03-26
• 發(fā)明（設計）人: 孫云波;王華;桑秀麗;蘇俞真;陶然;徐建新;李新仕;肖漢杰;胡建杭;魏永剛;梁波;郭澍
• 申請（專利權）人: 昆明理工大學;云南省特種設備安全檢測工程技術研究中心
• 主分類號: G06F19/24
• 分類號: G06F19/24;G06Q10/04;B66B5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種電梯風險評估方法，其特征在于：

（1）采用指標分析方法層次分析法對可能引起電梯故障的因素進行分析，并建立電梯風險評估指標層次結構；

（2）獲取電梯風險評估指標層次結構中各指標實測參數值，并對各指標的實測參數值做初始化處理；

（3）通過人工神經網絡確定電梯風險評估層次結構中指標的權重；

（4）通過帶時序學習算法的前饋神經網絡對電梯進行風險評估，并劃分電梯風險等級。

2.根據權利要求1所述的電梯風險評估方法，其特征在于：采用評價指標分析方法層次分析法對可能引起電梯風險的因素以層次的方式進行分析，選定超載裝置、超速保護裝置、繩頭組合、緊急電源裝置、質量維保、極限開關動作次數、安全鉗動作次數、部件更換、電梯使用年數、平均負荷情況作為電梯風險評估指標，并建立電梯風險評估指標層次結構。

3.根據權利要求1所述的電梯風險評估方法，其特征在于：在電梯風險評估指標層次結構的基礎上，選取20個樣本，通過分析獲取電梯風險層次結構中各指標實測參數值，通過評價指標隸屬度函數對樣本數據進行初始化處理。

4.根據權利要求1所述的電梯風險評估方法，其特征在于：將電梯風險評估指標歸為正指標、逆指標、適度指標三類，其中：

正指標有：超載裝置、超速保護裝置、繩頭組合、緊急電源裝置、質量維保；

逆指標有：極限開關動作次數、安全鉗動作次數；

適度指標：部件更換、電梯使用年數、平均負荷情況；

定義正指標、逆指標、適度指標的隸屬度函數如下：

（1）正指標

??

（2）逆指標

?

（3）適度指標

?

式中：指為指標的隸屬度函數；為指標的實際取值；為第個指標的最大值；為第個指標的最小值；為第個指標的適度值，其值為第個指標的適度值平均值。

5.根據權利要求1所述的電梯風險評估方法，其特征在于：所述人工神經網絡方法確定電梯風險評估層次結構中各指標的權重，包括三個階段：

第一階段是人工神經網絡模型的構建，建立一個10-6-1的3層神經網絡模型，其中10表示輸入層神經單元數，隱含層神經單元數可自行設定，但其應大于輸入層神經元和輸出層神經元數目和的一半，小于輸入層神經元和輸出層神經元數目的和；

第二階段是人工神經網絡模型的訓練，選取20個樣本對此神經網絡進行訓練，得到網絡穩(wěn)定時各神經元之間的權值系數；

第三階段是電梯風險評估層次結構中各指標權重的確定，對各神經元之間的權重加以分析處理，利用相關顯著性系數、相關指數以及絕對影響系數來描述輸入因素和輸出因素之間的關系，得到電梯風險評估層次結構中各指標權重。

6.根據權利要求1所述的電梯風險評估方法，其特征在于：利用相關顯著性系數、相關指數以及絕對影響系數來描述神經網絡輸入因素和輸出因素之間的關系，具體公式如下：

（1）相關顯著性系數

（2）相關指數

（3）絕對影響因素

式中：為神經網絡輸入單元，；為神經網絡輸出單元，；為神經網絡的隱含單元，；為輸入層神經元和隱含層神經元之間的權系數；為輸出層神經元和隱含層神經元之間的權系數，上面三個相關系數中絕對影響系數S即為所求權重。

7.根據權利要求1所述的電梯風險評估方法，其特征在于：采用帶時序學習算法的前饋神經網絡方法建立一個3層神經網絡模型，輸入層節(jié)點是電梯風險層次結構中的10個指標，隱含層節(jié)點數為6，輸出層節(jié)點數為1，學習算法是BP算法，20個電梯安全狀態(tài)的評估樣本被分為訓練樣本和評估樣本，前15個用于網絡訓練，后5個則用于測試網絡性能，電梯風險檢測結果由0-1的數值組成，并將電梯風險分成5個等級，各等級電梯風險檢測值所屬區(qū)間分別為（0，0.2]、（0.2，0.4]?、（04，0.6]?、（0.6，0.8]?、（0.8，1]，分別表示電梯狀況分別為非常不好、不好、一般、較好、非常好。