基于模糊神經網絡的起重機安全評估方法研究

孟小胴，王衛輝，強寶民，曹 原

（第二炮兵工程大學 陜西 西安 710025）

隨著工業生產規模的不斷擴大，生產效率的日益提高，促使起重機的使用規模越來越大，同時起重機發生的故障和安全事故也不斷增加，因此起重機的安全性評估研究逐漸引起國內外學者的關注。目前存在多種起重機安全評估方法，所采用的理論主要集中在可靠度理論，層次分析法，模糊理論，神經網絡及專家系統等。文獻[1]將Elman神經網絡應用于起重機的安全評估；文獻[2]利用模糊綜合評判的方法研究了塔機整機安全狀態，實現了對塔機整機安全狀態的綜合評判。采用模糊綜合評價方法雖然可以對起重機的安全性進行定量化處理，并能評價出起重機的安全等級，但權重的確定需要專家的知識和經驗，因此在進行綜合評價時會損失很多信息，甚至得出不合理的評價結果。為了解決這些問題，需要采用合理的優化方法，確定合適的隸屬度函數和評價因素的權重，而神經網絡方法提供了可行的解決方案。將模糊理論與神經網絡相結合應用于起重機的安全性評估，采用模糊神經網絡方法來確定各評價因素指標的權重系數，使其更具有合理性，更符合客觀實際且易于定量表示，從而提高了模糊綜合評判結果的準確性。

1 安全性評估模型

1.1 評估指標體系的確定

一個復雜的系統，從不同的角度評估，有不同的評估指標，要確定其指標就需要進行整理、分類和綜合[3－5]。通過咨詢部分專家教授的意見、建議以及對起重機結構、常見故障的學習、研究和分析，依據安全評估指標體系建立的基本原則，提出反映起重機運行過程中與安全相關的指標因素，并在此基礎上建立起相應的安全評估指標體系。

以變頻橋式起重機為例，根據變頻橋式起重機的技術、結構以及運行特點，它的評價結構劃分為3個層次。第2層將影響系統安全狀況的因素劃分為5個子系統如圖1所示。第3層為各子系統組成成分，主要包含對安全起主要作用的因素，次要的未包含其中如表1所示。根據各個評價指標對其安全影響程度的不同，對每個評價指標分別設置它在本層次中的評價權重。需要說明的是在起重機使用過程中，環境因素和人為因素也對起重機使用安全有影響，它們與起重機本機一起構成總的起重機安全使用安全評價因素體系，這里僅討論起重機本機自身安全性，起重機使用安全評價再另文介紹。

表1 安全評估指標體系Tab.1 Safety evaluation index system

圖1 安全評估指標體系Fig.1 Safety evaluation index system

評估指標有定性描述和定量描述兩種。為了準確地評估起重機的安全性，所有評估指標均采用定量描述。各評估指標按滿分100分評分，其得分即為該指標的分值。

1.2 模糊神經網絡綜合評價模型

根據起重機安全性評估的特點，在模糊綜合評價的基礎上構造如圖2所示的模糊神經網絡結構[6－8]。

在圖2中，m、n分別為輸入單元和隱層單元個數，x1，x2，…xm為m個評價指標的量化值，r1，r2，…rm為評價指標量化值經相應的隸屬度函數量化后的評價向量（隸屬度向量），文中采用的評價結果集為：

圖2 模糊神經網絡結構圖Fig.2 Fuzzy neural network structure

V＝{安全，較安全，有隱患，較危險，危險}，則隸屬度向量為5維形式，記作：rm＝（rm1，rm2，rm3，rm4，rm5）；ωij、ωjk分別為輸入層到隱層、隱層到輸出層的連接權值；y′為樣本x1，x2，..xm的網絡輸出，經反模糊化后得到最終評價結果。

對輸入的評估指標模糊化選用正態分布函數作為隸屬度函數，其定義為：

式中：σia、k為調整參數，且k＞0、σi為隸屬函數中心點。選擇合適的k與a值非常重要，一般由專家經驗確定，也可通過理論計算求得。σi的確定可采用K均值聚類算法確定。即將所有樣本的各評估指標按照K均值聚類算法分為安全、較安全、有隱患、較危險、危險5等。該項評估指標分為安全的所有樣本的均值即為該指標安全的σi取值。

在橋式起重機安全狀態評估中，整機安全狀況為主系統，下分5個子系統，即金屬結構、起升機構、運行機構、電氣系統、安全裝置。各子系統與主系統均采用圖2所示網絡結構，各子系統的輸出作為主系統的輸入，主系統的輸出對應起重機整機的安全狀況。結合第一節中所述的評估指標體系確定各系統在網絡結構模型中各層網絡的節點數如表2所示。

表2 系統各層網絡節點數Tab.2 Number of each layer network node of syetem

其中隱含層數目采用kolmogorov定理：BP神經網絡構建中中間隱含層數目為n2，輸入層數目為n1，則有：

由此可得各系統隱含層節點數。

2 學習算法

在安全評價的過程中，專家的意見也有著重要作用，特別是大的定性方面，專家的判斷結果往往具有較高的精確性。因此，模型中采用專家評判和神經網絡學習相結合的方法確定權重值。首先通過綜合數位專家的意見，得到各評價因素的權重值。然后利用神經網絡對各評價因素指標的權重系數進行優化修正，使其更有合理性，更符合客觀實際并易于定量表示，從而提高模糊綜合評判結果的準確性。神經網絡的學習過程即根據樣本確定網絡的連接權值和誤差反復修正的過程。

針對BP算法收斂速度慢的缺點，可能會使權值收斂于局部最小值等缺點。該網絡的訓練中采用改進梯度下降動量BP算法[9]，網絡誤差函數Ep為：

式中：T為訓練樣本個數；Y為理想輸出；y為實際輸出；M為網絡層數（不包括輸入層）。

為修正權值，增加動量項，加權調節公式為：

式中：η為學習速率，α為動量系數，若j為輸出節點，則

若j為隱節點，則

3 評價實例

3.1 學習樣本

為使樣本較全面地覆蓋各種評估情況，在各評估指標向量范圍內均勻取值，由計算機自動賦值生成25組標準理論樣本。將其中20組樣本作為學習樣本輸入網絡進行訓練。學習樣本的評價結果采用專家評分確定，即由多位專家給出各評估指標的權值，然后將各指標折算成百分制分數再與權值相乘，將得出的分數分為安全、較安全、有隱患、較危險、危險5等，分別用A、B、C、D、E表示。即得出專家的評估結果。樣本輸入、輸出如表3所示。其中：由多位專家采用專家評分法給出的主系統各評估指標的權值向量為：

表3 網絡樣本訓練數據Tab.3 Network sample training data

3.2 網絡訓練

利用Matlab中的神經網絡工具箱建立模糊神經網絡[10]，將20組學習樣本輸入網絡進行訓練以后，設定網絡誤差E＜0.001，經過241次學習，確定了網絡各層參數值，從而完成了橋式起重機安全性評估的模糊神經網絡。而采用普通的BP算法進行訓練時，經過463次學習才能使得網絡誤差E＜0.001；由此可見采用梯度下降動量BP算法訓練時速度優于普通的BP算法。網絡訓練誤差圖如圖3所示。圖中橫坐標為訓練次數，縱坐標為網絡誤差值。

圖3 網絡訓練誤差Fig.3 Network training error

為驗證該網絡，另取由計算機隨機賦值的5組驗證樣本輸入網絡，網絡輸出結果與專家打分結果比較如表4所示。

表4 校驗樣本評估結果Tab.4 Check sample evaluation results

根據最大隸屬度原理，可以看出，5個驗證樣本專家評價結果與訓練好網絡輸出評價結果是一致的。由此可知，訓練好的模糊神經網絡很好的獲得并儲存了評價專家的知識、經驗和判斷，可將網絡應用于橋式起重機安全性評估中。

4 結 論

文中通過對橋式起重機結構及使用特點的研究分析，建立了安全評估指標體系，提出了一種基于模糊神經網絡的起重機安全評估方法。根據BP神經網絡建立的起重機模糊神經網絡模型，能夠對模糊綜合評價因素權重進行學習優化，使評價因素權重具有更廣的普適性和合理性，使評估結果更加準確。實例驗證結果表明，此方法是可行的。文中雖然針對橋式起重機進行研究，但模型和方法同樣適用于其他類型的起重機，具有較好的可移植性和普適性。

[1]董國金，巫世晶.Elman神經網絡在起重機安全狀態評估中的應用[J].裝備制造技術2007（4）：64－66.DONG Guo-jin，WU Shi-jing.Application of elman neural network to safety assessment of crane[J].Equipment Manufactring Technology，2007（4）：64－66.

[2]李斌，鄭夕健.塔式起重機安全狀態識別理論及監測系統的研究與實驗報告[J].沈陽建筑工程學院學報，2000.LI Bin，ZHENG Xi-jian.Research and test report of tower crane safety state recognition theory and monitoring[J].Constuction Engineering Journal of Shen Yang，2000.

[3]蔡峰，林梅.橋式起重機常見故障分析及對策[J].機械研究與應用，2011（6）：137－139.CAI Feng，LIN Mei.Common fault analysis and countermeasure for bridge crane[J].Machinery Research and Application，2011（6）：137－139.

[4]趙國君，吳錫忠.通用橋式門式起重機[M].北京：機械工業出版社，1989.

[5]田金金，陳志平.橋式起重機安全檢測法綜述及展望[J].機電工程，2009（3）：1－5.TIAN Jin-jin，CHEN Zhi-ping.Safety test review and prospect of bridge crane[J].Mechanical and Electrical Engineering，2009（3）：1－5.

[6]杜義賢，田啟華.基于神經網絡的模糊綜合評價方法[J].系統工程與電子技術，2005，27（9）：1583－1586.DU Yi-xian，TIAN Qi-hua.Fuzzy comprehensive evaluation method based on neural network[J].Systems Engineering and Electronic Technology，2005，27（9）：1583－1586.

[7]沈勇，肖原.特種設備模糊神經網絡安全評價研究[J].工業安全與環保，2011，37（11）：5－6.SHEN Yong，XIAO Yuan.Study on safety evaluation for special equipment based on fuzzy neural network[J].Industrial Safety and Environmental Protection，2011，37（11）：5－6.

[8]·Xiangnan Zhou，Hanbin.Research on testing for security evaluation for port crane [C]//Internationl Conference on computer， Mechatronics， Control and Electronic Engineering（CMCE），2010.

[9]趙振宇，徐用懋.模糊理論和神經網絡的基礎與應用[M].北京：清華大學出版社，1996.

[10]張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2009.