CN106227185A - 一种电梯风险评估*** - Google Patents

Abstract

本发明公开了一种电梯风险评估***，包括电梯风险评估指标层次结构生成模块、信息采集模块、权重计算模块、评语自定义模块、隶属度矩阵构造模块、风险评估模块和风险分析模块。本发明通过模糊矩阵、人工神经网络以及层次分析法在电梯风险评估中的应用，可对风险评估过程中出现的各种不确定因素、指标进行分析，能够及时、灵敏、可靠地评估电梯运行状况，并迅速给出比较准确的电梯目标层的风险等级。

Description

一种电梯风险评估***

技术领域

本发明涉及电梯风险评估领域，具体涉及一种电梯风险评估***。

背景技术

相关技术中，关于电梯风险评估的***有很多，如基于模糊层次分析法与人工神经网络的电梯风险评估***、以多层综合评价数学模型统计的方法为准则实现电梯***的综合安全评估***。但相关技术中的***的权值多以专家经验为依据，致使评估结果的准确性以及应用的有效性存在不足。尽管电梯问题普遍存在却很难定性和评价，导致政府监管、维保单位维护和事故预防只能凭经验判断，出现目前监管不力、维保不及时、预防不到位的现状。因此，提供一种简单易行，可以灵敏、快速、可靠、实时地评价电梯的整体运行状况，为预防各种类型的电梯故障提供一种可靠实用的评估***显得尤为重要。

发明内容

针对上述问题，本发明提供一种电梯风险评估***。

本发明的目的采用以下技术方案来实现：

一种电梯风险评估***，包括：

(1)电梯风险评估指标层次结构生成模块，用于采用层次分析法对可能引起电梯故障的因素进行分析，并建立电梯风险评估指标层次结构；所述电梯风险评估指标层次结构由评价电梯故障的因素的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的危险源，所述准则层包括危险源发生危险的概率、危险源发生危险后的影响程度和不可控性三个母指标，所述指标层包括对应于母指标的各项子指标，其中考虑***所采取安全措施或策略对风险的消减和控制作用，定义不可控性为危险源发生危险后使策略失效的能力特性；

(2)信息采集模块，用于采集电梯风险评估指标层次结构中各子指标的实测参数值，并对各子指标的实测参数值做量化处理，设P、D、C分别表示特定威胁场景发生概率、特定威胁场景发生后的影响程度和不可控性,专家对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

${I_x^y}^{\′}=\frac{{\Σ}_i^n{I}_{xi}^y}{n},{I_x^y}^{\′}\∈\[0,1\]$

(3)权重计算模块，用于采用人工神经网络方法确定电梯风险评估层次结构中母指标和子指标的权重；

(4)评语自定义模块，用于定义对应于目标层的评语集{v_j,j＝1,2,…,5}，并对评语集{v_j,j＝1,2,…,5}进行等级定义和赋值；

(5)隶属度矩阵构造模块，用于构造三个母指标的隶属度矩阵；

(6)风险评估模块，用于根据隶属度矩阵和权重计算模块计算出的权重计算模糊综合评价集，并根据所述权重及模糊综合评价集计算目标层的风险度；

(7)风险分析模块，用于对风险评估模块输出的各目标层的风险度进行分析，并划分风险等级。

其中，所述危险源包括选定超载装置、超速保护装置、绳头组合、紧急电源装置、质量维保。

优选地，所述风险分析模块将风险分成5个等级，各等级目标层的风险度所属区间分别为(0，20％]、(20％，40％]、(40％，60％]、(60％，80％]、(80％，1]，分别表示电梯的目标层状况分别为非常好、较好、一般、不好、非常不好。

优选地，所述权重计算模块采用人工神经网络方法确定电梯风险评估层次结构中各母指标和子指标的权重时，具体执行：构建人工神经网络模型，建立一个10-6-1的3层神经网络模型，其中10表示输入层神经单元数，隐含层神经单元数可自行设定，但其应大于输入层神经元和输出层神经元数目和的一半，小于输入层神经元和输出层神经元数目的和，训练人工神经网络模型，选取20个样本对此神经网络进行训练，得到网络稳定时各神经元之间的权值系数，对各神经元之间的权重加以分析处理，利用相关显著性系数、相关指数以及绝对影响系数来描述输入因素和输出因素之间的关系，得到电梯风险评估层次结构中各母指标和子指标的权重。

其中，所述隶属度矩阵构造模块构造隶属度矩阵时，定义用于描述母指标的影响程度对不同评语v_j的隶属度的隶属函数：

其中，ρ为由专家确定的母指标y的第x个子指标的最终量化值，为评语v_j对应的标准取值，μ为专家对所述最终量化值的确信度；

根据所述隶属函数，分别构造P，D，C三个母指标的隶属度矩阵R_P,R_D,R_C：

$R_P=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^P}^{\′}\right)& f_{v_2}\left({I_1^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^P}^{\′}\right)\\ f_{v_1}\left({I_2^P}^{\′}\right)& f_{v_2}\left({I_2^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^P}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_P}^P}^{\′}\right)& f_{v_2}\left({I_{N_P}^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_P}^P}^{\′}\right)\end{array}\right.$

$R_D=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^D}^{\′}\right)& f_{v_2}\left({I_1^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^D}^{\′}\right)\\ f_{v_1}\left({I_2^D}^{\′}\right)& f_{v_2}\left({I_2^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^D}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_D}^D}^{\′}\right)& f_{v_2}\left({I_{N_D}^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_D}^D}^{\′}\right)\end{array}\right.$

$R_C=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^C}^{\′}\right)& f_{v_2}\left({I_1^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^C}^{\′}\right)\\ f_{v_1}\left({I_2^C}^{\′}\right)& f_{v_2}\left({I_2^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^C}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_C}^C}^{\′}\right)& f_{v_2}\left({I_{N_C}^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_C}^C}^{\′}\right)\end{array}\right.$

其中，N_P表示母指标P包含的子指标个数，N_D表示母指标D包含的子指标个数，N_C表示母指标C包含的子指标个数。

其中，设根据权重计算模块得到的母指标P、D、C所对应的权重模糊子集为W＝{w_P,w_D,w_C}，根据权重计算模块计算得到的母指标P、D、C下的子指标集所对应的权重模糊子集分别为m_P、m_D、m_C，所述模糊综合评价集M的计算公式为：

$M=W*\left(\begin{array}{c}{m}_P*R_P\\ m_D*R_D\\ m_C*R_C\end{array}\right)=(L_1,L_2,...,L_5)$

其中，*表示广义模糊合成运算；

其中，设评语集{v_j,j＝1,2…,5}的等级赋值为{H_j,j＝1,2,..,5}，即等级v_j对应数值H_j，且等级v_j从低至高时所述H_j取值递增，所述风险度的计算公式为：

$FD=\frac{{\Σ}_{j=1}^5{H}_j\×L_j}{{\Σ}_{j=1}^5{L}_j}.$

本发明的有益效果为：

(1)通过模糊矩阵、人工神经网络以及层次分析法在电梯风险评估中的应用，可对风险评估过程中出现的各种不确定因素、指标进行分析，能够及时、灵敏、可靠地评估电梯运行状况，并迅速给出比较准确的电梯目标层的风险等级；

(2)定义了用于描述母指标的影响程度对等级模糊子集的隶属度的隶属函数，并利用所述隶属函数进行隶属度矩阵构造，计算出了隶属度服从正态分布，更加符合实际，避免了人为主观因素的影响，增强了评估结果的客观性；

(3)提出了模糊综合评价集和风险度的计算公式，该计算公式尽可能全面地考虑了影响风险的因素，强调了安全措施有效性对***风险度的影响，实现了对危险源的事后评估。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构连接示意图；

图2是本发明的原理示意图。

附图标记：

电梯风险评估指标层次结构生成模块 1、信息采集模块 2、权重计算模块 3、评语自定义模块 4、隶属度矩阵构造模块 5、风险评估模块 6、风险分析模块 7。

具体实施方式

结合以下实施例对本发明作进一步描述。

实施例1

参见图1、图2，本实施例的一种电梯风险评估***，包括：

(1)电梯风险评估指标层次结构生成模块1，用于采用层次分析法对可能引起电梯故障的因素进行分析，并建立电梯风险评估指标层次结构；所述电梯风险评估指标层次结构由评价电梯故障的因素的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的危险源，所述准则层包括危险源发生危险的概率、危险源发生危险后的影响程度和不可控性三个母指标，所述指标层包括对应于母指标的各项子指标，其中考虑***所采取安全措施或策略对风险的消减和控制作用，定义不可控性为危险源发生危险后使策略失效的能力特性；

(2)信息采集模块2，用于采集电梯风险评估指标层次结构中各子指标的实测参数值，并对各子指标的实测参数值做量化处理，设P、D、C分别表示特定威胁场景发生概率、特定威胁场景发生后的影响程度和不可控性,专家对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

${I_x^y}^{\′}=\frac{{\Σ}_i^n{I}_{xi}^y}{n},{I_x^y}^{\′}\∈\[0,1\]$

(3)权重计算模块3，用于采用人工神经网络方法确定电梯风险评估层次结构中母指标和子指标的权重；

(4)评语自定义模块4，用于定义对应于目标层的评语集{v_j,j＝1,2,…,5}，并对评语集{v_j,j＝1,2,…,5}进行等级定义和赋值；

(5)隶属度矩阵构造模块5，用于构造三个母指标的隶属度矩阵；

(6)风险评估模块6，用于根据隶属度矩阵和权重计算模块计算出的权重计算模糊综合评价集，并根据所述权重及模糊综合评价集计算目标层的风险度；

(7)风险分析模块7，用于对风险评估模块输出的各目标层的风险度进行分析，并划分风险等级。

其中，所述危险源包括选定超载装置、超速保护装置、绳头组合、紧急电源装置、质量维保。

本实施例通过模糊矩阵、人工神经网络以及层次分析法在电梯风险评估中的应用，可对风险评估过程中出现的各种不确定因素、指标进行分析，能够及时、灵敏、可靠地评估电梯运行状况。

实施例2

参见图1、图2，本实施例的一种电梯风险评估***，包括：

(1)电梯风险评估指标层次结构生成模块1，用于采用层次分析法对可能引起电梯故障的因素进行分析，并建立电梯风险评估指标层次结构；所述电梯风险评估指标层次结构由评价电梯故障的因素的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的危险源，所述准则层包括危险源发生危险的概率、危险源发生危险后的影响程度和不可控性三个母指标，所述指标层包括对应于母指标的各项子指标，其中考虑***所采取安全措施或策略对风险的消减和控制作用，定义不可控性为危险源发生危险后使策略失效的能力特性；

(2)信息采集模块2，用于采集电梯风险评估指标层次结构中各子指标的实测参数值，并对各子指标的实测参数值做量化处理，设P、D、C分别表示特定威胁场景发生概率、特定威胁场景发生后的影响程度和不可控性,专家对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

${I_x^y}^{\′}=\frac{{\Σ}_i^n{I}_{xi}^y}{n},{I_x^y}^{\′}\∈\[0,1\]$

(3)权重计算模块3，用于采用人工神经网络方法确定电梯风险评估层次结构中母指标和子指标的权重；

(4)评语自定义模块4，用于定义对应于目标层的评语集{v_j,j＝1,2,…,5}，并对评语集{v_j,j＝1,2,…,5}进行等级定义和赋值；

(5)隶属度矩阵构造模块5，用于构造三个母指标的隶属度矩阵；

(6)风险评估模块6，用于根据隶属度矩阵和权重计算模块计算出的权重计算模糊综合评价集，并根据所述权重及模糊综合评价集计算目标层的风险度；

(7)风险分析模块7，用于对风险评估模块输出的各目标层的风险度进行分析，并划分风险等级。

其中，所述危险源包括选定超载装置、超速保护装置、绳头组合、紧急电源装置、质量维保。

其中，所述风险分析模块7将风险分成5个等级，各等级目标层的风险度所属区间分别为(0，20％]、(20％，40％]、(40％，60％]、(60％，80％]、(80％，1]，分别表示电梯的目标层状况分别为非常好、较好、一般、不好、非常不好。

本实施例给出了风险等级的划分模式，便于电梯风险评估。

实施例3

参见图1、图2，本实施例的一种电梯风险评估***，包括：

(1)电梯风险评估指标层次结构生成模块1，用于采用层次分析法对可能引起电梯故障的因素进行分析，并建立电梯风险评估指标层次结构；所述电梯风险评估指标层次结构由评价电梯故障的因素的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的危险源，所述准则层包括危险源发生危险的概率、危险源发生危险后的影响程度和不可控性三个母指标，所述指标层包括对应于母指标的各项子指标，其中考虑***所采取安全措施或策略对风险的消减和控制作用，定义不可控性为危险源发生危险后使策略失效的能力特性；

(2)信息采集模块2，用于采集电梯风险评估指标层次结构中各子指标的实测参数值，并对各子指标的实测参数值做量化处理，设P、D、C分别表示特定威胁场景发生概率、特定威胁场景发生后的影响程度和不可控性,专家对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

${I_x^y}^{\′}=\frac{{\Σ}_i^n{I}_{xi}^y}{n},{I_x^y}^{\′}\∈\[0,1\]$

(3)权重计算模块3，用于采用人工神经网络方法确定电梯风险评估层次结构中母指标和子指标的权重；

(4)评语自定义模块4，用于定义对应于目标层的评语集｛v_j,j＝1,2,…,5}，并对评语集{v_j,j＝1,2,…,5}进行等级定义和赋值；

(5)隶属度矩阵构造模块5，用于构造三个母指标的隶属度矩阵；

(6)风险评估模块6，用于根据隶属度矩阵和权重计算模块计算出的权重计算模糊综合评价集，并根据所述权重及模糊综合评价集计算目标层的风险度；

(7)风险分析模块7，用于对风险评估模块输出的各目标层的风险度进行分析，并划分风险等级。

其中，所述危险源包括选定超载装置、超速保护装置、绳头组合、紧急电源装置、质量维保。

其中，所述风险分析模块7将风险分成5个等级，各等级目标层的风险度所属区间分别为(0，20％]、(20％，40％]、(40％，60％]、(60％，80％]、(80％，1]，分别表示电梯的目标层状况分别为非常好、较好、一般、不好、非常不好。

其中，所述权重计算模块3采用人工神经网络方法确定电梯风险评估层次结构中各母指标和子指标的权重时，具体执行：构建人工神经网络模型，建立一个10-6-1的3层神经网络模型，其中10表示输入层神经单元数，隐含层神经单元数可自行设定，但其应大于输入层神经元和输出层神经元数目和的一半，小于输入层神经元和输出层神经元数目的和，训练人工神经网络模型，选取20个样本对此神经网络进行训练，得到网络稳定时各神经元之间的权值系数，对各神经元之间的权重加以分析处理，利用相关显著性系数、相关指数以及绝对影响系数来描述输入因素和输出因素之间的关系，得到电梯风险评估层次结构中各母指标和子指标的权重。

本实施例采用人工神经网络方法确定电梯风险评估层次结构中各母指标和子指标的权重，准确性高，且相对提高了计算的效率。

实施例4

参见图1、图2，本实施例的一种电梯风险评估***，包括：

(1)电梯风险评估指标层次结构生成模块1，用于采用层次分析法对可能引起电梯故障的因素进行分析，并建立电梯风险评估指标层次结构；所述电梯风险评估指标层次结构由评价电梯故障的因素的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的危险源，所述准则层包括危险源发生危险的概率、危险源发生危险后的影响程度和不可控性三个母指标，所述指标层包括对应于母指标的各项子指标，其中考虑***所采取安全措施或策略对风险的消减和控制作用，定义不可控性为危险源发生危险后使策略失效的能力特性；

(2)信息采集模块2，用于采集电梯风险评估指标层次结构中各子指标的实测参数值，并对各子指标的实测参数值做量化处理，设P、D、C分别表示特定威胁场景发生概率、特定威胁场景发生后的影响程度和不可控性,专家对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

${I_x^y}^{\′}=\frac{{\Σ}_i^n{I}_{xi}^y}{n},{I_x^y}^{\′}\∈\[0,1\]$

(3)权重计算模块3，用于采用人工神经网络方法确定电梯风险评估层次结构中母指标和子指标的权重；

(4)评语自定义模块4，用于定义对应于目标层的评语集{v_j,j＝1,2,…,5}，并对评语集{v_j,j＝1,2,…,5}进行等级定义和赋值；

(5)隶属度矩阵构造模块5，用于构造三个母指标的隶属度矩阵；

(6)风险评估模块6，用于根据隶属度矩阵和权重计算模块计算出的权重计算模糊综合评价集，并根据所述权重及模糊综合评价集计算目标层的风险度；

(7)风险分析模块7，用于对风险评估模块输出的各目标层的风险度进行分析，并划分风险等级。

其中，所述危险源包括选定超载装置、超速保护装置、绳头组合、紧急电源装置、质量维保。

其中，所述风险分析模块7将风险分成5个等级，各等级目标层的风险度所属区间分别为(0，20％]、(20％，40％]、(40％，60％]、(60％，80％]、(80％，1]，分别表示电梯的目标层状况分别为非常好、较好、一般、不好、非常不好。

其中，所述隶属度矩阵构造模块5构造隶属度矩阵时，定义用于描述母指标的影响程度对不同评语v_j的隶属度的隶属函数：

其中，ρ为由专家确定的母指标y的第x个子指标的最终量化值，为评语v_j对应的标准取值，μ为专家对所述最终量化值的确信度；

根据所述隶属函数，分别构造P，D，C三个母指标的隶属度矩阵R_P,R_D,R_C：

$R_P=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^P}^{\′}\right)& f_{v_2}\left({I_1^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^P}^{\′}\right)\\ f_{v_1}\left({I_2^P}^{\′}\right)& f_{v_2}\left({I_2^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^P}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_P}^P}^{\′}\right)& f_{v_2}\left({I_{N_P}^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_P}^P}^{\′}\right)\end{array}\right.$

$R_D=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^D}^{\′}\right)& f_{v_2}\left({I_1^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^D}^{\′}\right)\\ f_{v_1}\left({I_2^D}^{\′}\right)& f_{v_2}\left({I_2^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^D}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_D}^D}^{\′}\right)& f_{v_2}\left({I_{N_D}^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_D}^D}^{\′}\right)\end{array}\right.$

$R_C=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^C}^{\′}\right)& f_{v_2}\left({I_1^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^C}^{\′}\right)\\ f_{v_1}\left({I_2^C}^{\′}\right)& f_{v_2}\left({I_2^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^C}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_C}^C}^{\′}\right)& f_{v_2}\left({I_{N_C}^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_C}^C}^{\′}\right)\end{array}\right.$

其中，N_P表示母指标P包含的子指标个数，N_D表示母指标D包含的子指标个数，N_C表示母指标C包含的子指标个数。

本实施例定义了用于描述母指标的影响程度对等级模糊子集的隶属度的隶属函数，并利用所述隶属函数进行隶属度矩阵构造，计算出了隶属度服从正态分布，更加符合实际，避免了人为主观因素的影响，增强了评估结果的客观性。

实施例5

参见图1、图2，本实施例的一种电梯风险评估***，包括：

(1)电梯风险评估指标层次结构生成模块1，用于采用层次分析法对可能引起电梯故障的因素进行分析，并建立电梯风险评估指标层次结构；所述电梯风险评估指标层次结构由评价电梯故障的因素的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的危险源，所述准则层包括危险源发生危险的概率、危险源发生危险后的影响程度和不可控性三个母指标，所述指标层包括对应于母指标的各项子指标，其中考虑***所采取安全措施或策略对风险的消减和控制作用，定义不可控性为危险源发生危险后使策略失效的能力特性；

(2)信息采集模块2，用于采集电梯风险评估指标层次结构中各子指标的实测参数值，并对各子指标的实测参数值做量化处理，设P、D、C分别表示特定威胁场景发生概率、特定威胁场景发生后的影响程度和不可控性,专家对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

${I_x^y}^{\′}=\frac{{\Σ}_i^n{I}_{xi}^y}{n},{I_x^y}^{\′}\∈\[0,1\]$

(3)权重计算模块3，用于采用人工神经网络方法确定电梯风险评估层次结构中母指标和子指标的权重；

(4)评语自定义模块4，用于定义对应于目标层的评语集{v_j,j＝1,2,…,5}，并对评语集{v_j,j＝1,2,…,5}进行等级定义和赋值；

(5)隶属度矩阵构造模块5，用于构造三个母指标的隶属度矩阵；

(6)风险评估模块6，用于根据隶属度矩阵和权重计算模块计算出的权重计算模糊综合评价集，并根据所述权重及模糊综合评价集计算目标层的风险度；

(7)风险分析模块7，用于对风险评估模块输出的各目标层的风险度进行分析，并划分风险等级。

其中，所述危险源包括选定超载装置、超速保护装置、绳头组合、紧急电源装置、质量维保。

其中，所述风险分析模块7将风险分成5个等级，各等级目标层的风险度所属区间分别为(0，20％]、(20％，40％]、(40％，60％]、(60％，80％]、(80％，1]，分别表示电梯的目标层状况分别为非常好、较好、一般、不好、非常不好。

其中，设根据权重计算模块得到的母指标P、D、C所对应的权重模糊子集为W＝{w_P,w_D,w_C}，根据权重计算模块计算得到的母指标P、D、C下的子指标集所对应的权重模糊子集分别为m_P、m_D、m_C，所述模糊综合评价集M的计算公式为：

$M=W*\left(\begin{array}{c}{m}_P*R_P\\ m_D*R_D\\ m_C*R_C\end{array}\right)=(L_1,L_2,...,L_5)$

其中，*表示广义模糊合成运算；

其中，设评语集{v_j,j＝1,2…,5}的等级赋值为{H_j,j＝1,2,..,5}，即等级v_j对应数值H_j，且等级v_j从低至高时所述H_j取值递增，所述风险度的计算公式为：

$FD=\frac{{\Σ}_{j=1}^5{H}_j\×L_j}{{\Σ}_{j=1}^5{L}_j}.$

本实施例提出了模糊综合评价集和风险度的计算公式，该计算公式尽可能全面地考虑了影响风险的因素，强调了安全措施有效性对***风险度的影响，实现了对危险源的事后评估。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.一种电梯风险评估***，其特征在于，包括：

(1)电梯风险评估指标层次结构生成模块，用于采用层次分析法对可能引起电梯故障的因素进行分析，并建立电梯风险评估指标层次结构；所述电梯风险评估指标层次结构由评价电梯故障的因素的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的危险源，所述准则层包括危险源发生危险的概率、危险源发生危险后的影响程度和不可控性三个母指标，所述指标层包括对应于母指标的各项子指标，其中考虑***所采取安全措施或策略对风险的消减和控制作用，定义不可控性为危险源发生危险后使策略失效的能力特性；

(2)信息采集模块，用于采集电梯风险评估指标层次结构中各子指标的实测参数值，并对各子指标的实测参数值做量化处理，设P、D、C分别表示特定威胁场景发生概率、特定威胁场景发生后的影响程度和不可控性,专家对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

(3)权重计算模块，用于采用人工神经网络方法确定电梯风险评估层次结构中母指标和子指标的权重；

(4)评语自定义模块，用于定义对应于目标层的评语集{v_j,j＝1,2,…,5}，并对评语集{v_j,j＝1,2,…,5}进行等级定义和赋值；

(5)隶属度矩阵构造模块，用于构造三个母指标的隶属度矩阵；

(6)风险评估模块，用于根据隶属度矩阵和权重计算模块计算出的权重计算模糊综合评价集，并根据所述权重及模糊综合评价集计算目标层的风险度；

(7)风险分析模块，用于对风险评估模块输出的各目标层的风险度进行分析，并划分风险等级。

2.根据权利要求1所述的一种电梯风险评估***，其特征在于，所述危险源包括选定超载装置、超速保护装置、绳头组合、紧急电源装置、质量维保。

3.根据权利要求1所述的一种电梯风险评估***，其特征在于，所述风险分析模块将风险分成5个等级，各等级目标层的风险度所属区间分别为(0，20％]、(20％，40％]、(40％，60％]、(60％，80％]、(80％，1]，分别表示电梯的目标层状况分别为非常好、较好、一般、不好、非常不好。

4.根据权利要求1所述的一种电梯风险评估***，其特征在于，所述权重计算模块采用人工神经网络方法确定电梯风险评估层次结构中各母指标和子指标的权重时，具体执行：构建人工神经网络模型，建立一个10-6-1的3层神经网络模型，其中10表示输入层神经单元数，隐含层神经单元数可自行设定，但其应大于输入层神经元和输出层神经元数目和的一半，小于输入层神经元和输出层神经元数目的和，训练人工神经网络模型，选取20个样本对此神经网络进行训练，得到网络稳定时各神经元之间的权值系数，对各神经元之间的权重加以分析处理，利用相关显著性系数、相关指数以及绝对影响系数来描述输入因素和输出因素之间的关系，得到电梯风险评估层次结构中各母指标和子指标的权重。

5.根据权利要求1所述的一种电梯风险评估***，其特征在于，所述隶属度矩阵构造模块构造隶属度矩阵时，定义用于描述母指标的影响程度对不同评语v_j的隶属度的隶属函数：

其中，ρ为由专家确定的母指标y的第x个子指标的最终量化值，为评语v_j对应的标准取值，μ为专家对所述最终量化值的确信度；

根据所述隶属函数，分别构造P，D，C三个母指标的隶属度矩阵R_P,R_D,R_C：

其中，N_P表示母指标P包含的子指标个数，N_D表示母指标D包含的子指标个数，N_C表示母指标C包含的子指标个数。

6.根据权利要求1所述的一种电梯风险评估***，其特征在于，设根据权重计算模块得到的母指标P、D、C所对应的权重模糊子集为W＝{W_P,W_D,W_C}，根据权重计算模块计算得到 的母指标P、D、C下的子指标集所对应的权重模糊子集分别为m_P、m_D、m_C，所述模糊综合评价集M的计算公式为：

其中，*表示广义模糊合成运算。

7.根据权利要求1所述的一种电梯风险评估***，其特征在于，设评语集{v_j,j＝1,2…,5}的等级赋值为{H_j,j＝1,2,..,5}，即等级v_j对应数值H_j，且等级v_j从低至高时所述H_j取值递增，所述风险度的计算公式为：