基于LM神經網絡的起重機械本質評價方法研究

龔 楠 王金奇

（西安特種設備檢驗檢測院，陜西 西安710065）

0 引言

起重機械，是指用于垂直升降或者垂直升降并水平移動重物的機電設備，主要由工作機構（起升機構、運行機構、變幅機構和旋轉機構）、驅動裝置、取物裝置、金屬結構和操縱系統幾部分組成。起重機械作為特種設備，被廣泛應用在煤礦、港口、建筑等行業。起重機械種類非常多，結構比較復雜，應用廣泛，近些年來我國的起重機械行業發展的速度很快，但在產品的品種規格、質量穩定性、生產效率、安全裝置靈敏可靠程度、管理水平等方面與歐美發達國家仍存在較大的差距，而且存在很多方面的問題，一時適應不了起重機械發展的需要，故而在起重機械作業過程中發生了很多傷亡事故。根據國家質檢總局的統計數據，起重機械作業過程中發生的傷亡事故占各行業全部傷亡事故的20%～30%，其本質安全已嚴重影響到作業人員的生命和財產安全。因此，對于起重機械的安全要求是十分嚴格的。有了嚴謹、科學的起重機械本質安全評價方法，能及時準確地判斷出影響安全的因素，才能大大降低起重機械作業過程中發生安全事故的概率。

1 起重機械本質安全影響因素

為了更好地研究起重機械本質安全的評價方法，我們要對起重機械事故發生的原因進行深入分析。影響起重機械本質安全的因素很多，其中一些因素是偶然形成的?？偨Y起重機械事故發生的原因，主要包括以下幾個方面：

1.1 起重機械自身因素

起重機械設備本身存在由于設計制造欠佳、使用維護不當造成的缺陷，使其他因素在非常完好的狀態下也很有可能導致重大安全事故，造成人身傷亡和財產損失。機械設計上的缺陷包括材料選擇不當、強度計算不準、結構設計不合理、操縱機構設計不合理、外觀護罩不安全、無安全裝置等，制造方面的缺陷包括加工精度不夠、不按照工藝卡片要求裝配、零件表面質量存在問題等，安裝錯誤包括螺栓未達到規定扭矩、齒輪嚙合不好等。雖然近些年來由設計制造方面的原因造成的起重機械事故發生的幾率不大，但這仍然是值得重視的因素。

1.2 人員因素

起重機械作業人員的安全意識、操作水平、自我保護意識，都會影響到起重機械的運行安全。同時，其他與起重機械有關的作業人員，像起重機械作業范圍內的施工作業人員和起重機械作業空間范圍的其他專業作業人員，甚至是臨時進入這兩個范圍的人員的自我保護意識，都會影響到起重機械的本質安全。例如，經常出現的由無證上崗、違章作業、發生緊急情況后處理不當等造成的事故都屬于這一類。人員因素例如無證操作、自我保護能力和應對緊急狀況的能力差等造成的事故在起重機械事故中占很大比例。

1.3 管理因素

人員管理方面：勞動制度、福利薪酬制度不合理，勞動紀律執行力較差，制定的各項規章制度不去遵守，對工作現場檢查較少，不按照設備的操作說明操作，沒有安全操作規程或者安全規程不完善，對操作人員缺乏監督管理等。

起重機械設備管理方面：使用單位對設備的管理狀況不好，如對設備臺賬的管理、設備安全技術檢驗的管理、設備使用維護保養保修的管理、起重機械設備作業與其他設備作業的協調管理等，這些都會影響到起重機械的本質安全。管理混亂的企業起重機械設備發生事故的可能性自然會更大一些。

2 基于LM神經網絡的起重機械本質評價方法

起重機械的本質評價方法，應從起重機械的各個方面分層次地進行。為了盡量減少評價過程中人為因素對準確性的影響，我們引入了神經網絡，建立起重機械本質評價神經網絡模型，通過LM數學算法，對采集到的樣本數據進行數學計算處理，獲取各項評估規則的比重數字。通過實測數據驗證，這種評價方法更為準確、有效?；贚M神經網絡的起重機械本質評價方法，比應用傳統的加權平均統計方法評價起重機械的本質安全更客觀。

2.1 評價因子構造

根據前面介紹的起重機械本質安全的影響因素，構建起重機械本質評價體系，如圖1所示。

圖1 起重機械本質評價體系

然后，我們進一步構造評價屬性集、條件集與結果集。

（1）屬性集：

P1（起重機械自身因素）＝｛P11（設計不當），P12（制造方面），…，P15（安裝方面）｝；

P2（人員因素）＝｛P21（安全意識），P22（操作水平），…，P25（應變能力）｝；

P3（管理因素）＝｛P31（勞動紀律），P32（操作規程），P33（設備檢查），…，P35（監督檢查）｝。

（2）條件集：

U＝｛U1（是），U2（否）｝ F＝｛Fi（額定權值）｝ i＝0，1，2，…，n；

U＝｛U1（特定條件）｝ F＝｛Fi（特定權值）｝ i＝0，1，2，…，n。

（3）結果集：

R＝｛R1（低），R2（中），R3（高），R4（極高）｝。

2.2 處理樣本數據

應用基于LM神經網絡的起重機械本質評價方法，需要有大量的評價指標數據。起重機械本質評價指標數據的獲取有兩種方法：第一種是專家對各項影響起重機械本質安全的因素進行評分，第二種是采用數據采集裝置收集數據，其中第二種方法更為客觀。根據香農信息論對某一起重機械設備不同評價數據進行處理，結合起重機械本質評價指標體系將指標劃分為4級。以起重機械自身因素為例，Di表示所選取的起重機械設備樣本，P1j表示設備本體危險源的評價指標，G表示危險等級，0、1、2、3分別代表低、中、高、極高4個級別。

2.3 神經網絡設計

2.3.1 LM－BP神經網絡

2.3.1.1 BP神經網絡工作原理

BP神經網絡就是模擬人的思維的一種方式，它是一個非線性動力學系統，其特色在于信息的分布式存儲和并行協同處理。BP神經網絡首先要以一定的學習準則進行學習，然后才能工作。網絡學習準則如下：如果網絡作出錯誤的判決，則通過網絡學習，應使得網絡減少下次犯同樣錯誤的可能性。網絡將輸入模式加權求和、與門限比較，再進行非線性運算，得到網絡的輸出。如果網絡對若干模式的學習獲得了成功，便將這若干模式分布記憶在網絡的各個連接權值上。當網絡再次遇到其中任何一個模式時，便能夠作出迅速、準確的判斷和識別。一般說來，網絡中所含的神經元個數越多，則它能記憶、識別的模式也就越多。

基于LM神經網絡的起重機械本質評價方法，是先在神經網絡中輸入需要學習的樣本，利用設置好的BP神經網絡結構及之前一次迭代的權值與閾值，從BP神經網絡的首層依次向后輸出計算。同時修改權值以及閾值，從末層向前計算每個權值以及閾值對誤差的影響大小，并根據此要求修正各個神經元的權值與閾值。兩個運算同時交錯進行，互相修正。

2.3.1.2 LM 算 法

設W（k）表示k次迭代的網絡權值向量，維數為M，新的權值向量W（k＋1）可以根據下面的公式求得：

設誤差指標函數為：

式中，li－oi為期望輸出與實際輸出的誤差；N 為輸出向量維數。

設e（W）＝［e1（W），e2（W），…，eN1（W）］T，那么：

式中，△E（W）為梯度；△2E（W）為誤差指標函數E（W）的 Hessian矩陣；J（W）為Jacobian矩陣。

對于牛頓法，有：

當接近一個解時，通常有S（W）≈0，這時得到高斯—牛頓法的計算法則為：

式中，比例系數μ為常數，μ＞0；I為單位矩陣。

運用該種算法進行迭代時，迭代成功則減小μ；當誤差性能增加時，則增加μ，從而使得算法的每一步迭代誤差性能保持減小狀態。

2.3.2 神經網絡的運算

基于LM神經網絡的起重機械本質評價方法，可以把采集到的樣本數據及測試數據一起導入神經網絡系統，在迭代過程中不斷調整比例系數μ的大小，最終得到較為準確的評價指標所占的權重。

3 結語

基于LM神經網絡的起重機械本質評價方法，評價結果準確、客觀，避免了人為評價時主觀因素對評價結果的影響。該評價方法可作為起重機械設備本質安全評定的可靠方法，用于起重機械本質安全的評定。

［1］何宇東.基于神經網絡的起重機械安全評價方法研究［D］.南昌：南昌大學，2012.

［2］王光研，許寶杰.基于LM神經網絡的旋轉機械故障診斷［J］.機械制造與自動化，2007（6）.

［3］崔光學，王京波.基于LM－BP神經網絡的起重機械安全評價方法分析［J］.特種設備安全技術，2013（2）.