电子电器触电风险评估模型

黄国忠, 谢佳颖, 谢志利, 王长林

(1.北京科技大学土木与资源工程学院， 北京 100083； 2.国家市场监督管理总局缺陷产品管理中心， 北京 100101)

电子电器是一个复杂系统，由各种相互依存且相互作用的元器件共同组成，在其使用过程中可能由于一个或多个主要组件的失效引发电能的意外释放，从而导致触电等风险的发生[1]。2008—2019年中国共计召回485次电子电器产品，共计25 000 094件，批次性的产品缺陷更易带来严重后果。而针对批次性的电子电器触电风险缺乏统一的风险评估方法，增加产品后市场监管风险，因此，对电子电器实现可量化的风险分析及评估十分重要。

长期以来，对于电子电器安全风险控制多集中于使用过程中电池、电芯等主要元器件失效产生的起火、爆炸等安全问题和故障模式研究[2-4]，以及产品本身镉、铬、铅等限制危害物质的检测、评估[5]，这些研究多基于产品本身的不安全状态。然而电子电器构成具有复杂性，过程设备、控制过程及控制系统、环境原因或人机交互故障均可能导致火灾或触电等风险事故的发生[6-7]，很少有学者研究批次性情形下电子电器发生触电风险的危害程度。

风险评估理论及方法发展较成熟，目前已应用于城市及自然灾害风险评估、输电线路故障风险识别、项目建设风险评估等多方面[8-10]，然而缺乏适用于电子电器产品触电风险的评估体系。基于此，结合能量意外释放理论构建评估指标体系，利用熵权法、反向传播(back propagation, BP)神经网络相结合构建电子电器触电风险评估模型，以此评估不同因素对产品触电风险的具体影响，从而根据该结果对实际产品后市场监管予以指导。

1 电子电器触电风险指标体系

根据国家市场监督管理总局缺陷产品管理中心(Defective Product Administration Center, DPAC)网站公开发布的电子电器产品召回数据[11]，自统计发现中外电子电器类消费品召回事件中，因缺陷导致的伤害类型中有59.6%为触电伤害，24.1%为火灾、烧烫伤，具体分布情况如图1所示。

电子电器触电风险与产品电能的意外释放有关，能量意外释放理论是一套成熟的系统分析理论方法，它从能量释放和传递的角度探究事故发生的原因，适用于能量伤害模式及风险发生机理的研究，有助于识别风险影响因子[12]。结合该理论进一步分析电子电器触电风险传递路径，如图2所示，电子电器造成伤害的直接原因是触电风险，而电能的意外释放是导致触电风险的直接诱因。当人体与意外释放的电能接触时，由于接触能量的方式不同、能量大小不同、接触时间长短不同，所造成的风险的严重程度也不同，如电能意外释放可能造成消费者烧烫伤，也可能导致其触电身亡。

图1 中外召回电子电器危害类别Fig.1 Hazard categories of recalled electric appliances at home and abroad

图2 电子电器触电风险传递路径Fig.2 Electric shock risk transmission path ofelectric appliances

此外，导致触电风险的间接原因主要包括使用者的不安全行为和产品的不安全状态两个方面，这是导致电能意外释放的直接原因，使用者的不安全行为涉及其操作能力、安全意识与知识，或其他个人因素等。产品的不安全状态包括设计缺陷、缺乏警示标识、保护装置失效等。

因此，从能量意外释放导致风险的直接原因和间接原因考虑，将可能性、严重性、脆弱性、恶劣性这4个指标作为该评估指标体系的一级指标集{u1,u2,u3,u4}，由此构成的电子电器触电风险指标体系如表1所示，二级指标集为{u11,u12,…,u42}。

表1 电子电器产品触电风险指标体系表

2 熵权神经网络结构

由指标体系可以看出，电子电器风险评估模型是一个包含多指标输入输出的复杂评估模型，每个一级指标下都对应多个二级指标，存在非线性映射关系，使用传统风险评估方法进行建模分析较为困难，但是人工神经网络中的BP神经网络算法具有高度非线性的功能映射功能[13-14]。并且无需事前揭示描述这种映射关系，只需通过输入层输入样本，将刺激传递隐含层，隐含层通过神经元之间联系的强度(权重)和传递规则(激活函数)将刺激传到输出层，输出层整理刺激产生的最终结果，并同正确的结果进行比较，得到误差。最终，逆推对神经网中的连接权重进行反馈修正[15]。

而神经网络需要初始的学习规则，这需要得到客观的指标体系权重值，获得初始的样本学习数据，传统的专家赋值具有不确定性，难以获得客观的指标权重值，而熵权法可以根据评价过程中评价目标的信息量，反应单一指标对整个评价系统的重要度[16]，实现客观赋值，这种方法能在一定程度上减弱主观因素对评估指标体系重要度的影响。

因此，熵权法可以有效确定单一指标对系统的重要度，赋予BP神经网络初始学习规则，而BP神经网络通过学习和存贮大量的输入—输出模式映射关系，找到不同层次指标间的线性关系，两种方法结合实现电子电器风险评估。其学习步骤如下。

(1)标准化评分矩阵。采用性能最优的极值处理法[17]，利用式(1)处理越大越优越型指标(收益型指标)和利用式(2)处理越小越优越型(成本型指标)。

(1)

(2)

式中：yij为第i级第j个标准化指标；y′ij为第i个评分人对第j个评估指标的评价。

(2)确定单一指标的熵(H)。

(3)

式(3)中：Hj(0≤Hj≤1)为第j项指标的熵。

(3)确定单一指标权重。

(4)

(4)确定输入模型训练样本。利用熵权法得到指标权重处理电子电器样本数据，将其作为BP神经网络的输入序列(X,Y)。

(5)网络初始化。根据训练样本，输入层、隐含层、输出层节点数，学习速率和激发函数，随机初始化所有连接权重及阈值。

(6)隐含层输出计算。将输入层的每一项输入进神经网络中，归一化后，通过初始化后的权值和阈值进行处理，将处理完成的数据用sigmoid函数进行下降，得到输出后进入隐含层。

(5)

式(5)中：Pj表示第j项隐含层输出值；ωij为输入层和隐含层连接权重；xi为输入值；aj为隐含层神经元输出阈值；f(·)为隐含层激励函数sigmoid。

(6)

(7)输出层输出计算。

(7)

式(7)中：Y′k为输出层实际输出值；vij表示隐含层和输出层连接权重；bk表示输出层阈值。

(8)误差计算。

Ek=Y′k-Yk

(8)

式(8)中：Ek为误差；Yk为期望输出值。

(9)误差信号从后向前传递，逐层修改连接权值，利用式(9)更新权值，式(10)更新阈值，不断将权值阈值逼近系统的最优值。

(9)

(10)

式中：x(i)表示第i层隐含层的输入值。

3 电子电器触电风险评估模型构建

3.1 基于熵权法确定指标权重

基于DPAC邀请9位电子电器领域相关专家依据表1中的各二级指标进行百分制赋值，分值越高表明该指标的重要程度越高，结合式(1)～式(4)得到电子电器触电风险评估指标体系权重如表2所示。

表2 电子电器触电风险评估指标权重表Table 2 Electric appliances risk assessment indicator weight table

3.2 输入训练样本

初始样本数据来自168起存在触电风险的电子电器召回事件，源自DPAC的专家针对产品警示标识、可靠性等12项指标评定，取各二级指标安全等级评价级为V={低风险，中风险，高风险}，各等级对应的评分区间为{0～40，40～70，70～100}。将评分结果结合表2中各二级指标权重计算得到各一级指标值作为模型输入样本，如表3所示。其中风险等级表示每一次召回事件中电子电器导致触电风险的风险水平等级，分为1为低风险，2为中等风险，3为高风险。

表3 模型样本训练基本数据

3.3 设定学习参数

基于BP神经网络对168个电子电器触电风险样本数据进行模型训练和仿真，随机选择75%的数据用于样本训练，剩余25%的数据用于结果仿真，训练参数设定为多次训练后的最优参数，其设定如表4所示。并应用MATLAB GUI平台将电子电器触电风险评估仿真模型编制成软件进行应用，仿真界面图如图3所示。

BP网络作为一种非线性建模和预测方法，其学习算法一般为梯度下降法[18]，神经元采用的传递函数通常是Sigmoid型可微函数，所以可以实现输入和输出间的任意非线性映射[19]。由于BP算法中Sigmoid函数值在远离[-1,1]时，曲线比较平缓，变化速度缓慢，为加快网络学习速度，需对输入的样本数据进行归一化处理，使得数据落在[-1,1]，利于网络学习[20]。

图3 电子电器触电风险评估仿真界面图Fig.3 Electric appliances shock risk assessment simulation interface diagram

表4 模型训练参数

4 模型训练及仿真过程

4.1 模型训练

在训练过程中，模型将自动调整其权值和阈值等参数，直至达到所期望的误差为止。电子电器触电风险评估模型的BP神经网络训练误差下降曲线如图4所示，从图4中可以看出，迭代40次后， BP神经网络就达到了期望的误差水平(<0.01)，最终迭代的误差水平为0.004 7，收敛速度较快，拟合精度好。

图4 BP神经网络训练误差下降曲线Fig.4 BP neural network training error decreasing curve

在样本训练过程中，训练网络将自动调整并记录满足条件的数值，从而实现样本反复训练和调整，利用测试中模型保留的权值和阈值，输入测试样本，通过此权值阈值，模型会自动研判测试样本分到每一类风险等级中的最高值，并选取数值最大的那一类等级作为该样本的风险等级，如表5所示。

表5 风险等级研判依据Table 5 Discrimination basis for risk level assessment

进行100次上述仿真训练，将检验样本的实际输出和期望输出进行对比，各等级模型训练分组正确率如图5所示，可以看出实际输出和期望输出曲线基本吻合。模型各等级风险评估正确率分别为97.20%、95.03%和96.94%，相对误差百分比依次为2.8%、4.97%、3.06%。仿真训练结果说明基于熵权神经网络构建的电子电器触电风险评估模型，能够比较良好的诠释输入-输出变量间的相互关系，准确评估电子电器触电风险水平。

图5 模型训练风险等级评估正确率Fig.5 Model training risk level assessment accuracy rate

4.2 对比结果分析

任选8组样本数据，将熵权神经网络模型风险评估结果同传统熵权法评估结果进行比对，其评估结果如表6所示。熵权法评估结果正确率仅为62.5%，而熵权神经网络模型具备自我学习和误差调整能力，其评估结果与期望输出一致，正确率远高于熵权法。说明该模型学习能力强，评估误差小，精准度较传统熵权法有所提高。

5 结论

(1)以电能意外释放理论为基础，分析了电子电器触电风险传递路径，构建以可能性、严重性、脆弱性、恶劣性为一级指标，包含12个二级指标在内的电子电器触电风险评估指标体系。

表6 不同方法评估结果对比Table 6 Comparison of evaluation results of different methods

(2)对168个样本数据进行模型训练和仿真，随机选择75%的数据用于样本训练，剩余25%的数据用于结果仿真，在迭代40次后，误差水平便达到期望误差水平，最终迭代的误差水平为0.004 7。通过100次仿真训练，模型对各等级风险评估正确率分别为97.20%、95.03%和96.94%。

(3)与传统熵权法评估相比，熵权神经网络模型精确度提高了，评估输出结果与期望输出结果具有更高的匹配性。