黃國忠, 謝佳穎, 謝志利, 王長林

(1.北京科技大學(xué)土木與資源工程學(xué)院， 北京 100083； 2.國家市場監(jiān)督管理總局缺陷產(chǎn)品管理中心， 北京 100101)

電子電器是一個復(fù)雜系統(tǒng)，由各種相互依存且相互作用的元器件共同組成，在其使用過程中可能由于一個或多個主要組件的失效引發(fā)電能的意外釋放，從而導(dǎo)致觸電等風(fēng)險的發(fā)生[1]。2008—2019年中國共計召回485次電子電器產(chǎn)品，共計25 000 094件，批次性的產(chǎn)品缺陷更易帶來嚴(yán)重后果。而針對批次性的電子電器觸電風(fēng)險缺乏統(tǒng)一的風(fēng)險評估方法，增加產(chǎn)品后市場監(jiān)管風(fēng)險，因此，對電子電器實現(xiàn)可量化的風(fēng)險分析及評估十分重要。

長期以來，對于電子電器安全風(fēng)險控制多集中于使用過程中電池、電芯等主要元器件失效產(chǎn)生的起火、爆炸等安全問題和故障模式研究[2-4]，以及產(chǎn)品本身鎘、鉻、鉛等限制危害物質(zhì)的檢測、評估[5]，這些研究多基于產(chǎn)品本身的不安全狀態(tài)。然而電子電器構(gòu)成具有復(fù)雜性，過程設(shè)備、控制過程及控制系統(tǒng)、環(huán)境原因或人機交互故障均可能導(dǎo)致火災(zāi)或觸電等風(fēng)險事故的發(fā)生[6-7]，很少有學(xué)者研究批次性情形下電子電器發(fā)生觸電風(fēng)險的危害程度。

風(fēng)險評估理論及方法發(fā)展較成熟，目前已應(yīng)用于城市及自然災(zāi)害風(fēng)險評估、輸電線路故障風(fēng)險識別、項目建設(shè)風(fēng)險評估等多方面[8-10]，然而缺乏適用于電子電器產(chǎn)品觸電風(fēng)險的評估體系?；诖?，結(jié)合能量意外釋放理論構(gòu)建評估指標(biāo)體系，利用熵權(quán)法、反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)建電子電器觸電風(fēng)險評估模型，以此評估不同因素對產(chǎn)品觸電風(fēng)險的具體影響，從而根據(jù)該結(jié)果對實際產(chǎn)品后市場監(jiān)管予以指導(dǎo)。

1 電子電器觸電風(fēng)險指標(biāo)體系

根據(jù)國家市場監(jiān)督管理總局缺陷產(chǎn)品管理中心(Defective Product Administration Center, DPAC)網(wǎng)站公開發(fā)布的電子電器產(chǎn)品召回數(shù)據(jù)[11]，自統(tǒng)計發(fā)現(xiàn)中外電子電器類消費品召回事件中，因缺陷導(dǎo)致的傷害類型中有59.6%為觸電傷害，24.1%為火災(zāi)、燒燙傷，具體分布情況如圖1所示。

電子電器觸電風(fēng)險與產(chǎn)品電能的意外釋放有關(guān)，能量意外釋放理論是一套成熟的系統(tǒng)分析理論方法，它從能量釋放和傳遞的角度探究事故發(fā)生的原因，適用于能量傷害模式及風(fēng)險發(fā)生機理的研究，有助于識別風(fēng)險影響因子[12]。結(jié)合該理論進一步分析電子電器觸電風(fēng)險傳遞路徑，如圖2所示，電子電器造成傷害的直接原因是觸電風(fēng)險，而電能的意外釋放是導(dǎo)致觸電風(fēng)險的直接誘因。當(dāng)人體與意外釋放的電能接觸時，由于接觸能量的方式不同、能量大小不同、接觸時間長短不同，所造成的風(fēng)險的嚴(yán)重程度也不同，如電能意外釋放可能造成消費者燒燙傷，也可能導(dǎo)致其觸電身亡。

圖1 中外召回電子電器危害類別Fig.1 Hazard categories of recalled electric appliances at home and abroad

圖2 電子電器觸電風(fēng)險傳遞路徑Fig.2 Electric shock risk transmission path ofelectric appliances

此外，導(dǎo)致觸電風(fēng)險的間接原因主要包括使用者的不安全行為和產(chǎn)品的不安全狀態(tài)兩個方面，這是導(dǎo)致電能意外釋放的直接原因，使用者的不安全行為涉及其操作能力、安全意識與知識，或其他個人因素等。產(chǎn)品的不安全狀態(tài)包括設(shè)計缺陷、缺乏警示標(biāo)識、保護裝置失效等。

因此，從能量意外釋放導(dǎo)致風(fēng)險的直接原因和間接原因考慮，將可能性、嚴(yán)重性、脆弱性、惡劣性這4個指標(biāo)作為該評估指標(biāo)體系的一級指標(biāo)集{u1,u2,u3,u4}，由此構(gòu)成的電子電器觸電風(fēng)險指標(biāo)體系如表1所示，二級指標(biāo)集為{u11,u12,…,u42}。

表1 電子電器產(chǎn)品觸電風(fēng)險指標(biāo)體系表

2 熵權(quán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由指標(biāo)體系可以看出，電子電器風(fēng)險評估模型是一個包含多指標(biāo)輸入輸出的復(fù)雜評估模型，每個一級指標(biāo)下都對應(yīng)多個二級指標(biāo)，存在非線性映射關(guān)系，使用傳統(tǒng)風(fēng)險評估方法進行建模分析較為困難，但是人工神經(jīng)網(wǎng)絡(luò)中的BP神經(jīng)網(wǎng)絡(luò)算法具有高度非線性的功能映射功能[13-14]。并且無需事前揭示描述這種映射關(guān)系，只需通過輸入層輸入樣本，將刺激傳遞隱含層，隱含層通過神經(jīng)元之間聯(lián)系的強度(權(quán)重)和傳遞規(guī)則(激活函數(shù))將刺激傳到輸出層，輸出層整理刺激產(chǎn)生的最終結(jié)果，并同正確的結(jié)果進行比較，得到誤差。最終，逆推對神經(jīng)網(wǎng)中的連接權(quán)重進行反饋修正[15]。

而神經(jīng)網(wǎng)絡(luò)需要初始的學(xué)習(xí)規(guī)則，這需要得到客觀的指標(biāo)體系權(quán)重值，獲得初始的樣本學(xué)習(xí)數(shù)據(jù)，傳統(tǒng)的專家賦值具有不確定性，難以獲得客觀的指標(biāo)權(quán)重值，而熵權(quán)法可以根據(jù)評價過程中評價目標(biāo)的信息量，反應(yīng)單一指標(biāo)對整個評價系統(tǒng)的重要度[16]，實現(xiàn)客觀賦值，這種方法能在一定程度上減弱主觀因素對評估指標(biāo)體系重要度的影響。

因此，熵權(quán)法可以有效確定單一指標(biāo)對系統(tǒng)的重要度，賦予BP神經(jīng)網(wǎng)絡(luò)初始學(xué)習(xí)規(guī)則，而BP神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)和存貯大量的輸入—輸出模式映射關(guān)系，找到不同層次指標(biāo)間的線性關(guān)系，兩種方法結(jié)合實現(xiàn)電子電器風(fēng)險評估。其學(xué)習(xí)步驟如下。

(1)標(biāo)準(zhǔn)化評分矩陣。采用性能最優(yōu)的極值處理法[17]，利用式(1)處理越大越優(yōu)越型指標(biāo)(收益型指標(biāo))和利用式(2)處理越小越優(yōu)越型(成本型指標(biāo))。

(1)

(2)

式中：yij為第i級第j個標(biāo)準(zhǔn)化指標(biāo)；y′ij為第i個評分人對第j個評估指標(biāo)的評價。

(2)確定單一指標(biāo)的熵(H)。

(3)

式(3)中：Hj(0≤Hj≤1)為第j項指標(biāo)的熵。

(3)確定單一指標(biāo)權(quán)重。

(4)

(4)確定輸入模型訓(xùn)練樣本。利用熵權(quán)法得到指標(biāo)權(quán)重處理電子電器樣本數(shù)據(jù)，將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入序列(X,Y)。

(5)網(wǎng)絡(luò)初始化。根據(jù)訓(xùn)練樣本，輸入層、隱含層、輸出層節(jié)點數(shù)，學(xué)習(xí)速率和激發(fā)函數(shù)，隨機初始化所有連接權(quán)重及閾值。

(6)隱含層輸出計算。將輸入層的每一項輸入進神經(jīng)網(wǎng)絡(luò)中，歸一化后，通過初始化后的權(quán)值和閾值進行處理，將處理完成的數(shù)據(jù)用sigmoid函數(shù)進行下降，得到輸出后進入隱含層。

(5)

式(5)中：Pj表示第j項隱含層輸出值；ωij為輸入層和隱含層連接權(quán)重；xi為輸入值；aj為隱含層神經(jīng)元輸出閾值；f(·)為隱含層激勵函數(shù)sigmoid。

(6)

(7)輸出層輸出計算。

(7)

式(7)中：Y′k為輸出層實際輸出值；vij表示隱含層和輸出層連接權(quán)重；bk表示輸出層閾值。

(8)誤差計算。

Ek=Y′k-Yk

(8)

式(8)中：Ek為誤差；Yk為期望輸出值。

(9)誤差信號從后向前傳遞，逐層修改連接權(quán)值，利用式(9)更新權(quán)值，式(10)更新閾值，不斷將權(quán)值閾值逼近系統(tǒng)的最優(yōu)值。

(9)

(10)

式中：x(i)表示第i層隱含層的輸入值。

3 電子電器觸電風(fēng)險評估模型構(gòu)建

3.1 基于熵權(quán)法確定指標(biāo)權(quán)重

基于DPAC邀請9位電子電器領(lǐng)域相關(guān)專家依據(jù)表1中的各二級指標(biāo)進行百分制賦值，分值越高表明該指標(biāo)的重要程度越高，結(jié)合式(1)～式(4)得到電子電器觸電風(fēng)險評估指標(biāo)體系權(quán)重如表2所示。

表2 電子電器觸電風(fēng)險評估指標(biāo)權(quán)重表Table 2 Electric appliances risk assessment indicator weight table

3.2 輸入訓(xùn)練樣本

初始樣本數(shù)據(jù)來自168起存在觸電風(fēng)險的電子電器召回事件，源自DPAC的專家針對產(chǎn)品警示標(biāo)識、可靠性等12項指標(biāo)評定，取各二級指標(biāo)安全等級評價級為V={低風(fēng)險，中風(fēng)險，高風(fēng)險}，各等級對應(yīng)的評分區(qū)間為{0～40，40～70，70～100}。將評分結(jié)果結(jié)合表2中各二級指標(biāo)權(quán)重計算得到各一級指標(biāo)值作為模型輸入樣本，如表3所示。其中風(fēng)險等級表示每一次召回事件中電子電器導(dǎo)致觸電風(fēng)險的風(fēng)險水平等級，分為1為低風(fēng)險，2為中等風(fēng)險，3為高風(fēng)險。

表3 模型樣本訓(xùn)練基本數(shù)據(jù)

3.3 設(shè)定學(xué)習(xí)參數(shù)

基于BP神經(jīng)網(wǎng)絡(luò)對168個電子電器觸電風(fēng)險樣本數(shù)據(jù)進行模型訓(xùn)練和仿真，隨機選擇75%的數(shù)據(jù)用于樣本訓(xùn)練，剩余25%的數(shù)據(jù)用于結(jié)果仿真，訓(xùn)練參數(shù)設(shè)定為多次訓(xùn)練后的最優(yōu)參數(shù)，其設(shè)定如表4所示。并應(yīng)用MATLAB GUI平臺將電子電器觸電風(fēng)險評估仿真模型編制成軟件進行應(yīng)用，仿真界面圖如圖3所示。

BP網(wǎng)絡(luò)作為一種非線性建模和預(yù)測方法，其學(xué)習(xí)算法一般為梯度下降法[18]，神經(jīng)元采用的傳遞函數(shù)通常是Sigmoid型可微函數(shù)，所以可以實現(xiàn)輸入和輸出間的任意非線性映射[19]。由于BP算法中Sigmoid函數(shù)值在遠(yuǎn)離[-1,1]時，曲線比較平緩，變化速度緩慢，為加快網(wǎng)絡(luò)學(xué)習(xí)速度，需對輸入的樣本數(shù)據(jù)進行歸一化處理，使得數(shù)據(jù)落在[-1,1]，利于網(wǎng)絡(luò)學(xué)習(xí)[20]。

圖3 電子電器觸電風(fēng)險評估仿真界面圖Fig.3 Electric appliances shock risk assessment simulation interface diagram

表4 模型訓(xùn)練參數(shù)

4 模型訓(xùn)練及仿真過程

4.1 模型訓(xùn)練

在訓(xùn)練過程中，模型將自動調(diào)整其權(quán)值和閾值等參數(shù)，直至達到所期望的誤差為止。電子電器觸電風(fēng)險評估模型的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差下降曲線如圖4所示，從圖4中可以看出，迭代40次后， BP神經(jīng)網(wǎng)絡(luò)就達到了期望的誤差水平(<0.01)，最終迭代的誤差水平為0.004 7，收斂速度較快，擬合精度好。

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差下降曲線Fig.4 BP neural network training error decreasing curve

在樣本訓(xùn)練過程中，訓(xùn)練網(wǎng)絡(luò)將自動調(diào)整并記錄滿足條件的數(shù)值，從而實現(xiàn)樣本反復(fù)訓(xùn)練和調(diào)整，利用測試中模型保留的權(quán)值和閾值，輸入測試樣本，通過此權(quán)值閾值，模型會自動研判測試樣本分到每一類風(fēng)險等級中的最高值，并選取數(shù)值最大的那一類等級作為該樣本的風(fēng)險等級，如表5所示。

表5 風(fēng)險等級研判依據(jù)Table 5 Discrimination basis for risk level assessment

進行100次上述仿真訓(xùn)練，將檢驗樣本的實際輸出和期望輸出進行對比，各等級模型訓(xùn)練分組正確率如圖5所示，可以看出實際輸出和期望輸出曲線基本吻合。模型各等級風(fēng)險評估正確率分別為97.20%、95.03%和96.94%，相對誤差百分比依次為2.8%、4.97%、3.06%。仿真訓(xùn)練結(jié)果說明基于熵權(quán)神經(jīng)網(wǎng)絡(luò)構(gòu)建的電子電器觸電風(fēng)險評估模型，能夠比較良好的詮釋輸入-輸出變量間的相互關(guān)系，準(zhǔn)確評估電子電器觸電風(fēng)險水平。

圖5 模型訓(xùn)練風(fēng)險等級評估正確率Fig.5 Model training risk level assessment accuracy rate

4.2 對比結(jié)果分析

任選8組樣本數(shù)據(jù)，將熵權(quán)神經(jīng)網(wǎng)絡(luò)模型風(fēng)險評估結(jié)果同傳統(tǒng)熵權(quán)法評估結(jié)果進行比對，其評估結(jié)果如表6所示。熵權(quán)法評估結(jié)果正確率僅為62.5%，而熵權(quán)神經(jīng)網(wǎng)絡(luò)模型具備自我學(xué)習(xí)和誤差調(diào)整能力，其評估結(jié)果與期望輸出一致，正確率遠(yuǎn)高于熵權(quán)法。說明該模型學(xué)習(xí)能力強，評估誤差小，精準(zhǔn)度較傳統(tǒng)熵權(quán)法有所提高。

5 結(jié)論

(1)以電能意外釋放理論為基礎(chǔ)，分析了電子電器觸電風(fēng)險傳遞路徑，構(gòu)建以可能性、嚴(yán)重性、脆弱性、惡劣性為一級指標(biāo)，包含12個二級指標(biāo)在內(nèi)的電子電器觸電風(fēng)險評估指標(biāo)體系。

表6 不同方法評估結(jié)果對比Table 6 Comparison of evaluation results of different methods

(2)對168個樣本數(shù)據(jù)進行模型訓(xùn)練和仿真，隨機選擇75%的數(shù)據(jù)用于樣本訓(xùn)練，剩余25%的數(shù)據(jù)用于結(jié)果仿真，在迭代40次后，誤差水平便達到期望誤差水平，最終迭代的誤差水平為0.004 7。通過100次仿真訓(xùn)練，模型對各等級風(fēng)險評估正確率分別為97.20%、95.03%和96.94%。

(3)與傳統(tǒng)熵權(quán)法評估相比，熵權(quán)神經(jīng)網(wǎng)絡(luò)模型精確度提高了，評估輸出結(jié)果與期望輸出結(jié)果具有更高的匹配性。