胡晓萍，李夏苗，黄音，齐杉，苟敏，赵杰群

(中南大学 交通运输工程学院，湖南 长沙 410075)



基于信息融合的地铁自动扶梯通道安全评价

胡晓萍，李夏苗，黄音，齐杉，苟敏，赵杰群

(中南大学 交通运输工程学院，湖南 长沙 410075)

为科学地评估地铁自动扶梯通道安全现状，根据地铁自动扶梯的独特属性，从“设备、乘客、使用环境、安全管理”4个方面建立安全综合评价指标体系。针对一般安全评价方法单一性及易受人为主观影响的问题，提出采取模糊综合评价和概率神经网络(PNN)进行安全状态的初级评价，得到隶属度函数和基本概率分配函数，并通过转换函数转化为安全状态等级的信度函数。由Dempster-Shafer(D-S)证据理论方法进行信度融合，最终获得不同方法综合后的评价结果。研究结果表明，该方法能有效地融合不同途径获得的评价信息，并提高了评价精度，可以作为地铁安全管理者宏观决策的工具。

自动扶梯；安全评价；模糊评价；概率神经网络；信息融合

自动扶梯是地铁车站必备的运输工具，使用范围广,涉及人员众多，一旦发生事故很有可能造成重大人身伤亡。近年来的不断出现的电梯安全事故引起了人们对地铁自动扶梯的安全性的关注，实际现象表明地铁系统与自动扶梯有关的客伤意外也有不少的事故案例，因此对地铁自动扶梯通道安全性评价显得尤为重要。目前国内、外关于电梯的研究已经取得了一些经验成果：从评价对象的角度来看，多针对电梯设备安全，或者功能安全的角度进行评价。庆光蔚等[1]使用模糊综合评价方法，从“人、机、环境、管理”综合角度建立电梯层次化安全评价指标体系，将具有随机性和模糊性的评价向量数据化，根据量化分形成评价结论；周赟等[2]基于功能安全评价的方法，通过风险图法对电梯制动系统进行功能安全完整等级的分配，并建立基于 FMEDA 的电梯制动系统功能安全评价体系。从评价的方法来看，多采用传统经验法，概率安全评定法,故障类型影响分析法,事故树分析法、层次分析法、模糊综合评判法等。陈国华等[3]在统计分析大样本检验数据库的基础上，根据在用电梯整机检验风险分布特性以及风险等级划分的最低合理可行(ALARP) 原则，研究电梯整机检验风险等级划分准则，建立电梯整机检验风险预评估模型；顾徐毅等[4]提出以数据库的方式集合电梯系统的参数和安全要求、整合风险降低措施，进行电梯系统的风险识别，同时以数学语言对安全概念和现象的模糊性进行描述和运算，完成风险评估和风险评定的过程。

然而，这些电梯的研究主要是针对轿厢式电梯，对于自动扶梯安全评价的研究为数不多。而自动扶梯作为重载型特种设备，其安全性能与电梯有所不同，且自动扶梯运输人员效率比电梯高很多，甚至部分自动扶梯安装在露天环境中，这些因素造成自动扶梯通道安全评价不能完全照搬对电梯安全评价的方法，而应该建立适合自动扶梯的安全评价体系。因此，本文针对地铁自动扶梯的独特性，建立符合实际特征的安全评价指标体系，并采取不同评价方法融合的评价模型进行安全状态评价，对于安全管理者宏观决策具有重要意义。

1 自动扶梯通道安全评价系统结构

1.1 评价指标

自动扶梯通道系统是一个多层次、模糊的复杂系统，要科学、合理地评价其安全性，首先必须确定能够反映影响系统安全状况的因素，建立全面的评价指标体系。综合考虑“人、机、环境、管理”因素，按照这4个方面分解出风险因素参数，将自动扶梯通道安全评价体系划分为设备风险、人员风险、使用环境风险、安全管理4个子系统，再对各子系统的建立评价指标。

表1 自动扶梯通道安全评估指标体系

在这些评价指标中，有些指标可以定量描述成具体的数值，如表1所示乘客安全指标可以通过建立数值区域划分安全等级，有些指标却只能定性地估计和判断，可以采取专家评价打分来处理。根据已有的城市轨道交通安全状态分级标准，将安全状态评价结果设为5种类型，分别是安全、较安全、基本安全、危险、非常危险(记为1,2,3,4,5 级)。

表2 乘客安全状态评价指标标准

1.2 评价方法模型

对于自动扶梯通道这样复杂的系统，单纯利用某一方法建立起评估模型在许多情况下还不能得到令人满意的结果，主要是因为：涉及的评价指标参数较多，结构过于庞大，使得计算时间长；且由于指标参数较多，出现矛盾的可能性增加，使网络的泛化能力下降，分类精度低，严重影响诊断的可靠性。

针对系统涉及多个方面的问题，可以对自动扶梯通道安全状态信息分别构建子系统评估模型，从而解决网络过于庞大的弊端。其次采取多种评价方法单独评价，并应用D-S证据理论的信息融合技术，融合来自不同评价方法得出的评价结果。本文采取模糊综合评价法和概率神经网络方法解决系统安全状态等级划分的问题。其中，模糊综合评价是根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素影响的对象做出一个总体的评价；概率神经网络是基于概率统计思想和Bayes分类规则构成的分类神经网络，与BP神经网络相比，PNN的学习过程简单，训练速度快，扩充性好，常用于模式分类，因此适合用于安全等级划分问题。

综上所述，可以得到概率神经网络与模糊综合评价相结合的综合评价模型如图1所示，该模型由信息提取、局部诊断和决策融合诊断三部分构成。

图1 评价模型结构Fig.1 Evaluation model structure

2 模糊评价

2.1 构造指标隶属度

(1)

其中，第i行第j列元素，表示系统安全状态从xj因素来看对wj等级的隶属度。本文邀请自动扶梯行业专家和安全技术人员根据定性指标评价等级标准，对自动扶梯通道系统的每个子系统的风险分值进行风险评估打分，求得各系统风险分值(即定性隶属度)，进而得到各系统定量指标隶属度模糊矩阵。

2.2 构造指标权重

1)建立层次结构模型

依据指标体系，结构模型分为三层，最上面为目标层，最下面为方案层，中间是准则层或指标层。

2)构造比较矩阵

(2)

3)计算单排序权向量并做一致性检验

求得成对比较矩阵的最大特征值为λmax=4.07，并由特征向量一致化处理得到权重向量w=(0.279,0.496,0.154,0.701)，利用一致性指标CI、随机一致性指标RI和一致性比率CR做一致性检验。若CR0.1，特征向量(归一化后)即为权向量；若不通过，需要重新构造成对比较矩阵。

(3)

4)计算总排序权向量并做一致性检验

计算最下层对最上层总排序的权向量。利用总排序一致性比率进行检验。CR总0.1，则可按照总排序权向量表示的结果进行决策，否则需要重新考虑模型或重新构造那些一致性比率CR较大的成对比较矩阵。

(4)

2.3 隶属度模糊合成

将指标权重U与子系统状态各等级的隶属度R进行合成，得到被评事物的模糊综合评价隶属矩阵H，即：

H=U·R=

(h1,h2,…,hn)

(5)

式中，hi表示系统从综合角度的对wj等级模糊子集的隶属程度。

2.4 对模糊综合评价结果分析

计算合成后的隶属矩阵为H=(0.355，0.507，0.066，0.012，0.000),根据最大隶属度原则，综合隶属度最大的hi对应的等级即为系统的综合评价等级，因此本例的系统安全等级为较安全。

3 概率神经网络

3.1 PNN网络结构

概率神经网络PNN是径向基网络的一个分支,是前馈网络的一种。它是一种有监督的网络的分类器，基于概率统计思想,由Bayes分类规则构成，采用Parzen窗函数密度估计方法估算条件概率，进行分类模式识别。由于其网络模式采用的是径向基的非线性映射,因此它的容错性好、收敛性也较好，模式分类强，故而受到青睐。

图2 概率神经网络结构Fig.2 Probabilistic neural network architecture

3.2 PNN的分类原理

在PNN的神经网络模型中，输入层中的神经元数目等于学习样本中输入向量的m，各神经元是简单的分布单元，直接将输入变量传递给样本层。

样本层的节点数由输入样本和待匹配类别的乘积决定，为m×l。样本层是将输入节点传来的输入进行加权求和，然后经过一个激活函数运算后，再传给求和层。这里激活函数采用高斯函数，则输出为：

θi=exp(-∑(||x-ci||2/2σi2))

(6)

式中：ci为径向基函数的中心；σi表示特性函数第i个分量对弈的开关参数。这些层中每个节点均为RBF的中心，采用的特性函数为径向基函数—高斯函数，计算未知模式与标准模式间相似度。

求和层各单元只与相应类别的模式单元相连，各单元依据Parzen方法求和估计各类概率密度函数，即其条件概率为：

(7)

式中：Ci为类别；X为识别样本；Xi为类别i的模式样本(在概率神经网络中作为权值)；m为向量维数；σ为平滑参数；n为类i的模式样本数量。先验概率记为P(X)。

决策层节点数等于待匹配类别数，为i。根据各类对输入向量概率的估计，采用Bayes分类规则，选择出具有最小“风险”的类别，即具有最大后验概率的类别，可用下式来表达其决策方法对所有i≠j,

P(X|Ci)P(Ci)>P(X/CjP(Cj))

(8)

则输出y(X)=Ci。

与其它方法相比较，PNN不需进行多次充分的计算，就能稳定收敛于Bayes优化解。在训练模式样本一定的情况下，只需进行平滑因子的调节，网络收敛快。

3.3 PNN对各子系统的安全状态的评价

运用PNN网络进行安全评价,步骤如下:

1)选取训练样本。在进行诊断前，首先提取各子系统的指标的特征参数，作为训练样本。并对数据归一化处理，从而调节指标范围，避免数值取舍不当等情况出现，减少预测误差。

(9)

取50组数据作为输入样本，该训练样本由指标特征参数值和所属某类别的隶属程度组成的子集构成，每个子集构成关于待分安全等级隶属度的证据。以设备和乘客两个子系统为例，部分测试样本如表2所示。

表3 指标特征参数部分训练样本

2)用PNN网络对输入样本分类，即网络设计、网络测试及仿真实验。

图3 设备子系统评价PNN网络结构示意图Fig.3 Schematic diagram of PNN network structure

运用matlab神经网络工具箱中的中的概率神经网络设计函数newpnn创建训练网络，sim函数对概率神经网络进行仿真。其中，合理选择SPREAD拓展函数很重要，其默认值为1，SPREAD值越大，其输出结果越光滑，但太大会导致数值计算的困难。本次概率神经网络构建过程中，通过采用for循环语句，取不同的SPREAD值，实现机器确定最佳SPREAD值。

3)用30组数据验证网络的分类功能，即用这30组指标值进行评价，检验与实际的评

价值结果差距大小，部分测试样本如表2所示。测试结果表明通过概率神经网络的仿真效果与实际情况基本一致。

图4 测试结果与实际状态值误差对比图Fig.4 Comparison of test results with actual state values

评价系统安全指标部分测试样本编号12345678910子系统1A10.8910.7560.6550.1000.6470.9000.7230.7820.6640.605A20.8760.7000.5580.1000.5110.9000.6520.7940.5940.147A30.9000.6910.5750.1000.5170.8880.6440.7600.6100.158A40.9000.6770.4700.1000.3960.8400.6330.8250.4400.248A50.9000.7830.6390.3510.6930.9000.7470.8010.6210.100A60.9000.7920.6750.1000.6840.8910.7380.8100.6930.432A70.9000.6820.6030.1000.6130.8900.7020.8500.5930.465子系统2B10.9000.7600.6790.2200.6930.8720.7970.7970.4400.100B20.8810.6950.5250.1000.5170.8810.7790.8620.6210.127B30.8380.5760.4230.1000.3420.9000.7920.8070.6930.300子系统3┉┉┉┉┉┉┉┉┉┉┉子系统4┉┉┉┉┉┉┉┉┉┉┉实际安全类别1325413245测试安全类别1225413245

4 D-S方法的评价结果融合

D-S证据理论的实质是在同一识别框架下，将不同的证据体通过其证据组合规则合成为一个新证据体的过程。

(10)

在D-S数据合成之前首要需要不同证据对目标的支持度，即基本信度值。概率神经网络方法采用公式的P(X|Ci)值，得到各评价类别的概率分配。模糊评价的概率分配率由隶属函数H得到。通过式转化为包含不确定度的D-S证据信度函数：

(11)

取一个测试样本的评价结果，即由PNN得到的各状态等级的概率分配，以及由模糊评价得到的隶属度，运用式(11)转换为信度值，并运用式(10)计算组合后的信任函数。

由融合后数据可知，各等级的信度区分度得以增大，识别的不确定度降低。采用基于信任函数的决策方法，可以对自动扶梯通道安全状态综合评估。

表5 评价结果融合

5 结论

1)从“设备、乘客、使用环境、安全管理”4个方面建立自动扶梯通道安全综合评价指标体系，考虑到用单一方法评价的片面性，建立了多种评价方法结果相融合的评价模型。

2)采用模糊综合评价和概率神经网络方法分别进行初级安全评价，对模糊综合评价得到的总隶属度和概率神经网络方法得到的基本概率分配进行转化，成为D-S信息融合所需的对各安全等级的信度函数。

3)对转化后的信度函数进行D-S信息融合，得到各安全等级的信度。结果验证了D—S证据理论融合识别的有效性，该方法融合了不同方法的评价结果，可以提高安全评价的准确度。

[1] 庆光蔚,王会方,胡静波.电梯安全级别模糊综合评价方法及应用研究[J].中国安全生产科学技术,2013,9(4):129-134. QING Guangwei,WANG Huifang,HU Jingbo. Research on fuzzy comprehensive evaluation method and its application of elevator safety level [J]. Journal of Safety Science and Technology,2013,9(4):129-134.

[2] 周赟.面向功能安全评估的电梯制动系统评价[D].广州：华南理工大学,2014. ZHOU Yun. For functional safety assessment of the elevator brake system evaluation [D]. Guangzhou: South China University of Technology,2014.

[3] 陈国华,蔡文杰,王新华,等.基于大样本检验数据的电梯风险预评估方法[J]. 中国安全科学学报,2015,25(5)：56-60. CHEN Guohua,CAI Wenjie,WANG Xinhua,et al. Elevator risk pre evaluation method based on large sample test data [J]. Chinese Journal of Safety Science,2015,25(5)：56-60.

[4] 顾徐毅,朱昌明,张鹏,等.电梯系统综合安全评价方法的研究[J].中国安全科学学报，2008，18(6)：146-151. GU Xuyi,ZHU Changming,ZHANG Peng, et al. Research of comprehensive safety assessment method for elevator system[J].Chinese Journal of Safety Science,2008,18(6)：146-151.

[5] 李慧玲,刘冰.城市轨道交通安全管理[M].北京：人民交通出版社,2011. LI Huiling,LIU Bin. Safety management of urban rail transit[M].Beijing: People Traffic Press,2011.

[6] Klaus Steinweg. Future developments in elevator safety technology-the replacement of electro mechanical safety devices[J]. Elevator World India,2009，8(3):183-187.

[7] 张喜刚.AHP-模糊综合评价法在电梯使用管理系统安全评价中的应用[J].安全与环境学报,2011,11(3):236-239. ZHANG Xigang. Application of AHP- fuzzy comprehensive evaluation method in the safety evaluation of elevator management system [J].Journal of Safety and Environment ,2011,11(3):236-239.

[8] Hauge. Reliability prediction method for safety instrumented systems. PDS method handbook[R].Norway: Sinter, 2006.

[9] 李俊辉,黎新华,谢小星.基于概率神经网络的轨道交通车站客流安全状态评价[J].都市快轨交通,2015,28(4)：65-69. LI Junhui,LI Xinhua,XIE Xiaoxing. Evaluation of safety state of passenger flow in rail transit station based on probabilistic neural network[J]. Urban Rail Transit, 2015,28(4)：65-69.

[10] 徐志胜,刘顶立,曹欢欢,等.基于AHP的古建筑火灾风险评估方法研究[J].铁道科学与工程学报,2015,12(3)：691-693. XU Zhisheng,LIU Dingli,CAO Huanhuan,et al.Study on fire risk assessment of historic buildings based on AHP[J]. Journal of Railway Science and Engineering,2015,12(3)：691-693.

[11] Nakahama S,Ebihara M, Sekizawa A,et al. An examination of feasibility of elevator assessment [J].Fire Safety Science,2005,9(8):611-622.

[12] 吴昊.系统安全评价方法对比研究[J].中国安全生产科学技术,2009,5(6):209-213. WU Hao. Comparative study on the method of system security evaluation [J]. Journal of Safety Science and Technology, 2009,5(6):209-213.

[13] Fateh Kaakai,Said Haya,Abdellah El Moudni. A hybrid Petri nets-based simulation model for evaluating the design of railway transit stations [J]. Accident Analysis & Prevention,2006,38(4)：662-670.

[14] Behrens K. Safety and reliability issues affecting escalators and moving walkways in railway stations [J].Fatigue in Railway Infrastructure, 2009:95-105.

Safety evaluation of metro escalator passageway based on information fusion

HU Xiaoping，LI Xiamiao，HUANG Yin， QI Shan， GOU Min， ZHAO Jiequn

(School of Traffic and Transportation Engineering, Central South University, Changsha 410075, China)

In order to scientifically evaluate the safety status of the metro escalator passageway and integrate the unique properties of the subway escalator, the paper proposed to establish a comprehensive evaluation index system from 4 aspects of “equipment, passengers, the use of the environment, and safety management”. For the general safety evaluation method and the problem of the subjective influence, fuzzy comprehensive evaluation and probabilistic neural network (PNN) were proposed to evaluate the security status of the primary evaluation. The membership function and the basic probability distribution function were obtained, and the reliability function of the security state level was obtained by transforming. The reliability fusion was then carried out by the Dempster - Shafer (D-S) evidence theory and the different method synthesis was obtained after the appraisal result. The results show that the method can effectively integrate the evaluation information obtained by different methods, and improve the accuracy of the evaluation. The method can be used as a macro decision tool for the safety management of the metro.Key words：escalator; safety evaluation; fuzzy evaluation; probabilistic neural network; information fusion

2016-01-09

国家自然科学基金资助项目(U1334207)

李夏苗(1963-)，男，湖南茶陵人，教授，博士，从事交通运输系统分析、铁路运输管理等方面研究；Email：xmli@mail.csu.edu.cn

U12

A

1672-7029(2016)11-2249-07