基于BP神经网络的电梯剩余寿命预测

朱建国 任盘凤

（江苏海洋大学，江苏 连云港 222000）

0 引言

随着经济的发展，中国城镇化建设得到进一步完善，住宅小区日益增多。电梯在人们日常活动中扮演着不可或缺的重要角色，目前中国电梯正步入老龄化时代，电梯的安全问题将会集中出现。大多数旧电梯处于过度使用状态[1]，随之而来的是电梯的安全问题，它不仅仅涉及人身财产安全，而且与我国的政府安全管理水平息息相关[2]，因此对电梯剩余寿命预测变得尤为重要。

电梯市场信息管理不够完善、检修工人对相关安全知识掌握不到位和乘客的不规范使用，造成电梯事故频繁发生[3-4]。通过对电梯剩余使用寿命的预测，能够保证电梯可靠、健康运行，并且能够减少因电梯故障而造成的伤亡事故。蒋文博等人[5]基于比例风险模型与机器学习的混合方法，利用电梯历史故障与设备参数信息，预测电梯的剩余寿命。我国电梯维保制度要求维保部门应定期对在用电梯进行预防性维修，减少故障发生，改善电梯性能，以此来延长其使用寿命[6]。鉴于此，本文基于电梯的故障发生频率及严重程度，使用安全分值来衡量电梯的风险状况，进而获得设备剩余使用寿命。

1 系统风险概率分布

本文数据来源于连云港市承接查验备案表，收集了该市从2021年至2022年42个住宅小区的电梯故障数据，查验标准均按照《电梯监督检验和定期检验规则》（TSG T7001—2009/XG1—2013及XG2—2017）[7]和《电梯维护保养规则》（TSG T5002—2017）[8]的检验方法和要求执行。

从图1来看，该市电梯电气系统、供电系统、重量平衡系统这三个系统故障发生率较高，提醒维保人员在后续工作中应对这几个部分加强关注。

图1 电梯风险概率分系统占比

1.1 系统故障概率等级划分

本文在连云港市查验的770台电梯数据中整理出每台电梯发生的所有故障，由此计算出系统下各个零部件的故障发生率。依据电梯、自动扶梯和自动人行道风险评价和降低的方法[9]，按故障出现的频次，共划分了A、B、C、D、E、F六个等级，电梯故障概率等级对应概率占比如表1所示。

表1 概率等级划分

1.2 系统风险项目检测分析

在对该市电梯进行的48项风险项目检测中，参照表1，A等级有0项，B等级有0项，C等级有1项，D等级有1项，E等级有9项，F等级有37项。C等级五方对讲不通故障数288次，占37.40%；D等级机房走线混乱故障数118次，占15.32%。由此可见，该市应及时对住宅小区电梯五方对讲设备和机房线路进行检修和更换。

电梯由多个系统组合而成，其中每个系统下又包含若干个零部件，根据电梯、自动扶梯和自动人行道风险评价和降低的方法[9]，结合表1，将电梯的每一个故障项目划分等级，详细划分如表2所示。

表2 风险等级划分

1.3 系统风险等级评分标准

电梯不同系统故障所引发的事故程度均不相同，同理每个系统下零部件的损坏程度对系统威胁程度也不相同。根据系统零部件风险严重情况，赋予安全分值来表达它在系统中所占权重大小，安全分值越高风险等级越高，其对电梯使用寿命的影响就越大，如表3所示。

表3 风险等级与安全分值参照

2 使用寿命预测

2.1 构建BP神经网络模型

本文选用BP神经网络模型预测电梯使用寿命，实则是建立电梯可继续安全使用年限的预测模型，以此来反映电梯故障频率与使用年限之间的关系。建立预测模型的前提条件是合理设置网格结构，该网络模型选用了单一隐含层的三层BP神经网络对电梯使用寿命进行预测；输入层选取电梯各系统内零部件故障次数，输出层选取电梯已运行时间。该神经网络输入层节点数是根据对输出层结果产生影响的相关指数数量确定的，依据影响电梯使用寿命的指标为电梯系统故障情况，确定本次构建的BP神经网络模型输入层单元个数为8；输出层数据为电梯已运行时间预测值，利用电梯系统故障次数来判断电梯风险严重程度，输出数据的种类数量为1，确定神经网络输出层单元个数为1；隐含层单元数量的适量增加，可以在BP神经网络处理非线性映射问题时降低误差，但节点数过多很容易造成神经网络过拟合现象，隐含层节点数计算见公式（1）：

式中：m为隐含层节点数；n、l分别为输入层和输出层节点数；α为1～10之间的常数。

隐含层节点数的设定从1个节点开始，再分别增加至13个节点。通过不同节点数训练，最后选择最优数量4作为最佳节点数。图2是基于BP神经网络的电梯使用寿命预测模型训练集，预测结果相关程度R=0.950 68，说明使用该模型能够很好地体现电梯使用寿命与电梯系统故障次数之间的非线性映射关系。

图2 预测结果相关度

测试集样本数据的测试完成时模型解释度如图3所示，预测结果相关程度R=0.921 39，说明测试集数据电梯使用寿命的预测结果与实际值相关度较高，验证了该神经网络模型训练准确。

图3 测试完成时模型解释度

2.2 预测结果分析

本次BP神经网络模型根据BP算法得到电梯系统故障次数与使用年限之间的关系，基于此算法输出查验的770台在用电梯使用寿命年限预测值。从电梯使用年限来看（图4），5年以下的有664台，占比86.23%；5～10年有93台，占比12.08%；10～15年有12台，占比1.56%；15年以上有1台，占比0.13%。

图4 连云港市住宅小区在用电梯使用年限预测分布图

图4数据显示，连云港市住宅小区电梯使用年限10年以内占比达98.31%，可见该地区住宅小区电梯整体安全性能良好，但值得关注的是该市在数年后老旧电梯数量将急剧增加。

为了验证样本的预测结果，选用了SPSS软件的多元线性回归分析方法，验证样本预测结果对比如表4所示。结果表明使用BP神经网络对电梯使用寿命建立的预测模型误差率为1.772%，而多元线性回归分析模型预测误差率为18.12%，进一步证实了BP神经网络模型更具准确性，精确度更高。

表4 验证样本预测结果对比

3 剩余使用寿命评估

本文电梯八大系统风险项目共有48个项目，依据表1、表2、表3安全评估办法可得，1分风险项目38个，3分风险项目9个，5分风险项目1个，总分共计70分。每一部电梯评分越高，说明存在故障项目越多或者是存在风险数值较大的项目，那么该电梯风险系数越高。电梯无故障定为0分，总分值越高越危险，越低越安全，电梯剩余使用寿命年限Y与评分HI之间的关系见公式（2）[10]：

式中：C为常数（由电梯安全分值与故障状态划分设置）；HI为电梯安全评分总分值；B为电梯老化系数（电梯已运行时间/设计使用年限）。

综上所述，结合图4制定了在用电梯剩余使用寿命评估表，如表5所示。

表5 在用电梯剩余使用寿命评估

4 改进建议

电梯使用寿命是一个复杂且长期的问题，涉及多个因素，如技术指标、使用环境、运行维护等，其中使用者行为习惯等因素，使电梯使用寿命难以准确预测和评估。对于以上问题，笔者给出以下建议：1）可以利用无损检测技术，探测电梯零部件损坏程度或缺失情况，使检修工作人员提前找到存在安全隐患部位，做好维修和更换工作，以此来减少事故的发生；2）对于风险等级达到一级的电梯，检修人员应每隔2周进行一次风险评估，每隔2个月对老旧部件进行维修或更换。

5 结束语

本文首先基于电梯发生故障的频次，运用BP神经网络模型预测设备使用年限，接下来与多元线性回归预测模型得出的结果进行比较分析，证实了BP神经网络模型更精确；最后分析电梯故障严重程度与使用年限之间的关系，制定安全评分标准；在安全评分的基础上，通过剩余使用寿命公式，计算出电梯剩余使用寿命，为电梯能够可靠、健康运行提供了参考。