融合事故表征和CBR的特种设备事故预测研究

谷梦瑶，李光海，戴之希

1.中国计量大学质量与安全工程学院，杭州 310018

2.中国特种设备检测研究院，北京 100029

随着经济和社会的快速发展，我国特种设备总量基本保持平稳增长，比如2018年底，我国特种设备总量达1394.35万台，比2017年底上升7.02%，比2016年底上升14.15%。特种设备与人们的生产、生活息息相关，但其多是在高温、高压或高速下运行，且通常盛载易燃、易爆、有毒介质或大量人员，因此一旦发生事故极易造成群死群伤及重大经济损失。故而，对于特种设备，需做好事故预测预防工作，以保障人民的生命财产安全。

事故预测是指运用各种知识和科学技术，依据历史数据，推断和估计事故的发展趋势或后果。目前已有许多学者对特种设备事故预测进行研究，例如赵晓涛等[1]利用灰色理论来预测电梯设备的死亡人数和万台设备死亡人数；司明[2]提出了基于FES 和FTA 的锅炉隐患预警模型。事故预测结果是制定合理的事故预防措施的重要依据，为了得到更好的事故预测结果，有必要对事故形成全面的认识和了解。然而，目前针对特种设备事故的研究多数是零散、独立的，比如唐又红等[3]仅分析了起重机械立柱结构的失效机理。因此，为了更好地预测特种设备事故，有必要先研究通用型的特种设备事故表征技术。

根据科普百科，表征为能指代某种东西的符号或信号。“表征”常被用于心理学和化学等领域，较少被于事故领域，因此当前关于事故表征的文献比较有限。关文玲等[4]提出通过爆炸抛射物、爆炸容器等事故表征物，来分析火灾爆炸事故；洪源等[5]提出了混凝土质量事故的表征方式，比如其将混凝土出现孔洞与露筋表征为混凝土出现大面积蜂窝、麻面及表面局部缺浆粗糙的现象；彭钥[6]通过危险性指数来表征事故多发路段的危险性；孟祥坤等[7]引入风险熵来表征深水钻井井喷事故风险传递的随机性与模糊性。上述文献给出了多种不同的事故表征方式，比如文献[4]通过事故表征物，文献[5]通过事故的物理现象或表现形式，文献[6-7]通过若干定量型指标。这为事故表征技术研究提供了新思路，然而，上述文献仅注重事故某一方面的表征，且未针对特种设备事故。因此，需针对全类特种设备的事故，研究新的、恰当的、通用的事故表征方式，并将其应用于全类特种设备的事故预测中。

虽然事故表征技术有利于建立更规范的特种设备事故案例库，但如何基于事故案例库实现事故预测仍是一个难题。CBR 是一种利用相似历史案例求解新问题的方法，其基本原理是当遇到新问题时，系统会在历史案例库中，检索相似案例，找出与新问题相近的一个或若干案例，重用或修改这些案例以解决当前问题[8]。CBR 具有应用广泛、推理能力强和学习能力突出等优势，近年来已在计算机辅助设计[9]、疾病诊治[10]、故障诊断[11]、智能控制[12]、环境预测[13]、决策支持[14]等方面取得了丰硕的研究成果。显然，案例推理技术能很好的解决上述难题。

基于此，提出了融合事故表征和CBR 的特种设备事故预测研究，主要包括：（1）提出了面向全类特种设备的通用型事故表征技术，其由事故表征信息结构模型、规范化方法和编码规则三部分组成；（2）提出了融合事故表征和CBR 的特种设备事故预测新方法，该方法不但能预测特种设备事故发展趋势，还能提供事故发生概率以及应采取的预防措施；（3）通过上海某公司的汽车起重机案例验证了所提事故预测方法的有效性。

1 特种设备事故表征技术

事故案例主要来源于《2005—2013特种设备事故案例集》、《浙江电梯事故案例集》和《2002—2017承压设备事故案例集》。

1.1 事故表征信息结构模型

根据文献[4-7]和预期目标，将面向全类特种设备的通用型事故表征定义为利用恰当的事故信息组合来表示全类特种设备的事故。综合多个特种设备事故领域专家建议，提出从设备基本信息、事故前兆信息、事故结果信息和事故预防措施四个方面来表征特种设备事故，具体的事故表征信息结构模型见图1。其中事故前兆信息是事故前被识别和管理的前馈指标和错误信息，包括环境的不安全条件、设备的不安全状态、人的不安全行为以及安全管理上的缺失。环境的不安全条件为作业环境的照明、温湿度等，介质和产生物的毒性、腐蚀性等，周围人员、车辆等的密度，自然环境中地壳活动度、土壤酸碱度等；人员的不安全行为为操作人员等的技能水平、精神状态等。设备的不安全状态为设备全生命周期各阶段的质量情况，如设计结构是否合理、有无焊接缺陷等。安全管理上的缺失为安全管理法规的完善度、执行度，应急预案完善度等。事故预防措施包括预防措施和评价等级，评价等级为专家对预防措施的评价结果，分为很好、好、一般、不好和很不好五个等级。

1.2 事故表征信息规范化方法

通过分析事故案例发现，在描述事故案例时图1中的各类表征信息存在大量的不标准、不规范之处，主要包括：（1）缺失关键信息。目前缺失较多的是设备基本信息中的注册代码、设计时间等；（2）用词不规范统一。例如对于叉车撞伤人，有的将其事故特征定为撞伤，有的为撞人，有的则为挤压；（3）事故原因模糊不清。多数事故是多原因综合作用的结果，然而很多案例未说明多个原因间的关系，以及导致这些原因的深层次原因，例如安全阀失效导致锅炉超压爆炸，但未说明安全阀失效原因。

上述问题归因于特种设备事故信息上报准确度太低。基于此，提出以下三个面向全类特种设备的通用型建议：

（1）将图1 中的事故表征信息设定为必填项，以避免信息缺失现象的存在。

图1 特种设备事故表征信息结构模型Fig.1 Information structure model of special equipment accident characterization

（2）对于投用时间、使用单位等针对性事故表征信息，规范其填写格式，比如对于投用时间，要求填写格式为某年某月某日。

（3）对于事故特征等通用性表征信息，若相关条例等已规定其标准选项，则根据这些条例设定其标准项，比如对于事故等级，参考《特种设备安全监察条例》，设定标准项为一般事故、较大事故、重大事故和特别重大事故。若未规定，则可根据大量的事故案例，归纳得标准项，比如对于事故原因和失效原因，归纳得标准项分别见表1和表2。

表1 特种设备标准事故原因Table 1 Standard accident causes of special equipment

表2 特种设备标准失效原因Table 2 Standard failure causes of special equipment

1.3 事故表征信息编码规则

研究事故表征信息编码规则是为了便于检索事故表征信息，并建立事故案例库。基于此，提出3 个事故表征信息编码原则：（1）简单明了。代码结构应尽量简单清晰，长度应尽量短；（2）易于扩充。代码应留有适当的后备容量；（3）代码唯一。

根据上述原则，提出如下面向全类特种设备的通用型编码规则：

（1）对于有标准项且标准项间为并列关系的事故表征信息，则根据标准项总数，设定适合的十进制位数作为其代码，比如对于事故等级，其标准项共4项，因此设定其编码样式为Z，以一位十进制数字表示，从1 开始，1-一般事故、2-较大事故、3-重大事故、4-特别重大事故。

（2）对于有标准项且标准项间为上下层级关系的事故表征信息，则需分层设定事故表征信息编码，比如对于表1中的标准事故原因，共4层，每层的并列标准项均少于10，因此设定其编码样式为ERFT，以四位十进制数字表示，具体代码见表3。

表3 8大类特种设备的事故原因代码Table 3 Accident cause code of 8 major special equipment

（3）对于无标准项且为时间型事故表征信息，则以统计得的特种设备事故表征信息为基础，针对年月日分别以四位、两位和两位十进制数字来表死后，编码样式为WQEZ HU LK，比如投用时间为2005 年6 月25 日，则其代码为20050625。

（4）对于无标准项且为非时间型事故表征信息，为满足易于扩展的原则，设定其编码样式为HEG，以三位十进制数字表示，从001开始。

2 基于事故表征和CBR的事故预测方法

2.1 案例库建立和案例描述

（1）事故案例库建立

首先，基于图1 中的事故表征信息结构模型，从收集的特种设备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节的事故表征信息规范化方法进行规范化处理；最后，基于1.3 节的事故表征信息编码规则，对规范后的事故表征信息进行编码，由此建立特种设备事故案例总库M，总库根据特种设备种类又分为锅炉案例库M1，起重机械案例库M2，电梯案例库M3，管道案例库M4，压力容器案例库M5，客运索道案例库M6，大型游乐设施案例库M7，以及场（厂）内机动车辆案例库M8。

（2）事故案例描述

2.2 相似案例检索

2.2.1 计算属性相似度

由图1知，特种设备事故案例的条件属性特征值包括两类：（1）确定符号型，如某锅炉为电站锅炉；（2）模糊文本型，如某锅炉的操作人员未持证上岗等。因此，需结合属性特征值特点，定义不同的相似度计算方法。

（1）确定符号型属性特征值

若属性Aj的特征值为确定符号型，则：

（2）模糊文本型属性

若条件属性Aj的特征值为模糊文本型，则：

2.2.2 计算属性权重

属性权重的合理性直接关系到案例检索的精度。由图1知，特种设备事故案例的条件属性多为模糊文本型，且为层级结构，较适合采用AHP 法。然而，该方法未考虑专家自身的研究领域、工作经验等对评价置信度的影响，而将不同专家的评价结果视为一致。但在实际评价中，不同专家的个人偏好、经验、知识结构等均不同，不同专家对同一指标的评价结果存在差异，同一专家对不同指标的评价结果也存在差异[16]，这使得不同专家评价结果的可信度存在差异。因此，为降低人为主观影响，提高AHP法评价结果的可信度，有必要考虑专家对评价结果的权威程度和一致性程度，计算专家置信度，并提出基于专家置信度的改进型AHP法。

2.2.2.1 专家置信度计算

（1）专家权威性系数

参考文献[17]，设置专家权威性指标及取值见表4。在实际应用中，企业可根据自身需求对表4 中的指标数量、类型以及取值等级等进行调整。表4 中的5 个指标涵盖了会影响到评价结果的主要专家特性，是结合专家意见，利用统计分析技术从大量如专家年龄、性格、社会背景等指标中筛选出来的。其中，教育背景代表专家的综合知识水平，工作年限代表其工作经验量，技术职务代表其专业技能水平，专业相关度代表其其对该评价内容的熟悉程度，专业自信度代表了其对评价结果的自信程度。令θc为专家Vc的权威性系数，则：

表4 专家权威性指标取值Table 4 Expert authority index value

式中qcl为专家Vc的第l个专家权威性指标值。

（2）专家一致性系数

①选取C个专家对条件属性重要度进行评价，利用AHP法计算属性权重，由此得基于专家Vc的属性Aj的初始权重φij，然后令专家Vc的初始权重为1C，则通过加权融合得属性Aj的权重期望值

②计算专家Vc对属性Aj的评价偏差量，并进行归一化处理，由此得评价偏离度Rcj为：

③评价偏离度Rcj表示专家Vc的评价结果距离群决策期望值的距离，Rcj越小则专家Vc的评价结果一致性越高。由此得评价一致性系数Ucj为：

（3）专家置信度

基于专家权威性系数θc和一致性系数Ucj，得专家Vc在评价属性Aj时的置信度ηcj为：

2.2.2.2 属性权重计算

假设经AHP法计算得的初始属性权重为φcj，则结合专家置信度ηcj，通过加权融合得属性Aj的最终权重为：

2.2.3 计算案例相似度

事故案例具有时效性，某历史案例与当前时间的时间间隔越大，则其对目标案例的参考价值就越低，即时间衰减效应。因为越接近当前时间，则某历史案例的设备技术情况、设备管理方式、人员管理方式等越接近当前社会盛行的类型。越远离当前时间，则其设备可能是目前已淘汰的设备型号、管理方式等，这时其采取的应对措施也就不再适用于当前的新型设备。因此，为使案例相似度的计算更符合实际情况，得到更为准确的案例相似度，有必要考虑时间衰减效应的影响。假设历史案例Zi的发生时间为Ti，当前时刻为T，则：

2.2.4 确定相似度阈值

假设SQ为相似度阈值，则：

2.3 事故预测

2.3.1 事故发展趋势预测

（1）根据目标案例的事故前兆信息，参考表2 中的标准失效原因，得该特种设备的四级标准失效原因（如设备有陈旧性损伤）和具体失效原因（如起重机钢丝绳有磨损或断股）。

（2）根据该特种设备的四级标准失效原因，对表2中的标准失效原因进行调整，例如根据事故前兆信息，无工艺人员技能水平低这个四级失效原因，则无生产工艺不合理这个三级失效原因。

（3）假设集合SC共有K个相似案例，则统计分析这K个案例的具体失效原因和具体事故原因。

（4）结合步骤（3）的统计结果、步骤（2）调整后的标准失效原因，以及表1 的标准事故原因，建立该特种设备的事故原因故障树，以了解该特种设备可能的事故发展趋势。

2.3.2 事故发生概率预测

2.3.3 事故预防措施预测

根据Likert 5 级计分制对相似案例的预防措施评价等级进行赋值，表5为Likert 5级量表。

表5 Likert 5级量表Table 5 Likert 5 scale

假设经赋值后，相似案例Zγ的预防措施评价等级B11的特征值为bγ,11，则相似案例Zγ的预防措施B11的推荐系数为：

根据各相似案例的预防措施推荐系数，按从大到小的顺序进行排序，由此得各相似案例预防措施的推荐排名。

3 算例及结果比较

上海某公司计划租1 台汽车起重机拆卸门式起重机的钢结构，该汽车起重机额定起重量为25 t，被拆卸门式起重机自重为17.8 t。在拆卸前，通过管理和检查，得其设备基本信息和事故前兆信息见表6。

表6 目标案例Z*和历史案例Z1 的属性相似度计算结果Table 6 Results of attribute similarity calculation between target case Z*and historical case Z1

3.1 相似案例检索

利用该汽车起重机的设备基本信息和事故前兆信息，在M2 库中检索相似案例，具体过程如下：

（1）计算目标案例Z*和历史案例Z1的属性相似度

①计算确定符号型属性的相似度：

同理可得，目标案例Z*和历史案例Z1的其他属性相似度计算结果见表6。

（2）计算属性权重

首先，选取5 个专家组成评价小组，其权威性状况见表7，并根据表4和7，利用公式（3）计算5个专家的权威性系数，结果见表8；其次，由专家对表6 中的属性重要度进行评价，并根据评价结果，利用AHP法计算属性权重，结果见表9；再次，根据属性权重，利用公式（4）～（7）计算专家一致性系数，同时，根据专家一致性系数和权威性系数，利用公式（8）计算专家置信度，结果见表10；最后，根据属性权重和专家置信度，利用公式（9）计算属性最终权重，结果见表11。

表7 5个评价专家的权威性状况Table 7 Authority of five evaluation experts

表8 5个评价专家的权威性系数Table 8 Authoritative index values of five evaluation experts

表9 条件属性权重Table 9 Condition attribute weight

表10 5位评价专家的专家置信度Table 10 Expert confidence of 5 evaluation experts

表11 条件属性的最终权重Table 11 Final weight of condition attributes

（3）计算案例相似度

首先，根据属性最终权重和相似度，利用公式（9）得目标案例Z*和历史案例Z1的相似度为0.162；然后，已知历史案例Z1的发生时间为2015 年5 月，当前时间为2020年7月，则历史案例Z1距今的时间间隔为62个月，根据公式（10）得时间衰退因子TD(T1)=1.212；最后，根据案例相似度和时间衰退因子，利用公式（8）得经时间衰减修正后的案例相似度为0.197。同理可得，目标案例Z*与M2 库中其余35 个历史案例的案例相似度见表12。

（4）确定相似度阈值

首先，根据专家经验，设定G=0.8。同时，由表12知，历史案例与目标案例Z*间的最大相似度为0.406；然后，根据最大相似度，通过公式（11）得相似度阈值SQ=0.325；最后，根据相似度阈值SQ，得相似案例集合SC={Z9,Z12,Z19,Z20,Z27,Z30,Z33} 。

表12 目标案例Z*与历史案例的案例相似度Table 12 Case similarity between target case Z*and historical case

3.2 事故预测

（1）事故发生趋势预测

首先，根据表6中的事故前兆信息，对表2中的标准失效原因进行调整；然后，根据集合SC中的相似案例，分析得与目标案例相关的失效原因包括“未采取钢丝绳保护措施，如未采用保护垫片、包角等”、“钢丝绳捆扎方式错误”等，事故原因包括“使用单位无防坠落措施”等；最后，结合表1中的标准事故原因以及统计得的相关事故原因和失效原因，得到该汽车起重机的事故发展趋势故障树如图2所示。

（2）事故发生概率预测

表13 给出了集合SC中相似案例的各事故后果信息，及其特征值全集。然后，结合表12 中的案例相似度，利用公式（12）和（13）得目标案例各事故后果信息的发生概率见表14。

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

表14 目标案例各事故后果信息的发生概率Table 14 Occurrence probability of accident consequence information of target cases

（3）事故预防措施预测

表15给出了集合SC中相似案例的事故预防措施；然后，根据表5，对各预防措施的评价等级进行赋值，并结合案例相似度，利用公式（14）计算各相似案例预防措施的推荐系数，结果见表15；最后，根据推荐系数，得各相似案例预防措施的推荐排名。

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

3.3 结果分析

（1）预测结果分析

由图2可知，目标案例的汽车起重机可能由于钢丝绳陈旧性损伤、捆扎方式错误等失效原因导致钢丝绳整体断裂，再加上未设置防坠落措施和安全管理人员等，最终会发生吊具、吊臂或配重块的坠落或倾覆事故。同时，由表14 可知，该汽车起重机最可能在使用环节，由于索具钢丝绳断裂发生一般等级的吊具坠落事故，最终造成1人死亡。显然，最应该针对钢丝绳断裂导致的坠落事故开展预防工作。而由以上数据可知，最应该采取的预防措施包括加强对吊具、钢丝绳等的检查，及时更换有损伤的钢丝绳、吊具等，在起吊物尖锐边缘添加木质垫块、包角等，以及设置防坠落等安全保护措施。

图2 汽车起重机的事故发展趋势故障树Fig.2 Fault tree of accident development trend of truck crane

（2）预测结果与实际结果的对比分析

表16 和图3 分别给出了目标案例汽车起重机的实际事故结果和事故原因故障树。由表14 和16 可知，除了事故后果，其余6项事故结果信息的预测结果和实际结果均相同，由此说明事故发生概率预测结果是合理的、有效的。由图2和图3可知，两个故障树具有较高的一致性，由此说明事故发展趋势预测的合理性。而由表15 和16 可知，事故预测措施的推荐结果包含了实际结果，且推荐措施更全面、具体，由此说明事故预防措施预测的合理性和有效性。

图3 目标案例中汽车起重机的事故原因故障树Fig.3 Fault tree of truck crane accident cause in target cases

表16 目标案例中汽车起重机的实际事故结果Table 16 Actual accident results of truck crane in target cases

4 结论

为了更好地掌握特种设备事故发展趋势、发生概率和预防措施，本文开展的工作包括：（1）提出了面向全类特种设备的通用型事故表征技术，主要内容包括事故表征信息的结构模型、规范化方法和编码规则。（2）提出了融合事故表征和案例推理的特种设备事故预测方法，其中为了更精准地检索相似案例，提出了针对不同属性类型的属性相似度计算方法、基于专家置信度和AHP 法的属性权重计算方法、考虑时间衰减效应的案例相似度计算方法以及相似度阈值确定函数。（3）通过上海某公司的汽车起重机案例验证了所提事故预测方法，结果表明其不但能给出特种设备的事故原因故障树，以了解事故发展趋势，还能提供如事故特征等的发生概率，以及应采取的预防措施。

本文中专家权威性指标的数量设置、类型选择等更多是依据专家意见，具有一定的主观性。未来，将针对此问题，利用最小二乘法、相关分析、文献穷举法等进行深入研究，提出更具客观性、更系统的专家权威性指标确定方法。