基于神經網絡的起重設備安全評估研究

黃靈峰　侯振寧　劉劍鋒　田洪根

（山東省特種設備檢驗研究院泰安分院，山東　泰安　271000）

基于神經網絡的起重設備安全評估研究

黃靈峰侯振寧劉劍鋒田洪根

（山東省特種設備檢驗研究院泰安分院，山東泰安271000）

摘要：分析了橋式起重設備在工程應用中的不安全因素，建立安全評價指標體系。依據Elm an神經網絡的動態數據處理能力及對歷史數據的敏感,建立基于Elm an神經網絡的設備安全評估模型,應用于起重設備安全評估。

關鍵詞：起重設備；安全評估；評估指標；Elm an神經網絡

起重設備屬于國家明確規定的涉及人身和財產安全，具有較大危險性的特種設備，國家對其有強制性的定期檢驗要求。近年來，隨著工業生產規模的不斷擴大，起重機的數量快速增長，同時安全事故也不斷增加。目前，在役起重設備主要由特種設備檢驗檢測機構采取定檢（通常周期為1～2年）的方式來保障使用過程安全，定期檢驗自動化水平低，只能得出“合格”或“不合格”結論；單臺設備檢驗時間有限，沒有獲得起重設備以往累積的應變、振動等運行狀態數據，無法精確評估起重設備當前的安全等級、進行安全預警及設備的剩余疲勞壽命預測；而且起重設備始終處于動態使用過程，一次性人工檢驗難以從根本上發現安全隱患以及杜絕安全事故的發生。安全評估是對傳感測量或人工記錄的數據提取特征值，進行統計分析后，利用各種安全評估算法對起重機的健康狀況進行安全評估。有效的安全評估可以準確了解當前設備的健康狀態，對設備的健康狀態做出正確的評級，為設備的維保提供技術支持和決策參考。T SGQ7015《起重機械定期檢驗規則》第十四條規定：“對于使用時間超過15年以上、處于嚴重腐蝕環境（如海邊、潮濕地區等）或者強風區域、使用頻率高的大型起重機械，應當根據具體情況有針對性地增加其他檢驗手段，必要時根據大型起重機械實際安全狀況和使用單位安全管理水平能力，進行安全評估。”2014年1月1日起施行的《特種設備安全法》第四十八條規定：達到設計使用年限可以繼續使用的，應當要求通過檢驗或安全評估。可見，對起重設備，尤其是服役周期長、負荷大、頻率高、冶金等危險環境的起重設備進行安全評估具有十分重要的現實意義。

一、起重設備安全評估指標

安全評價指標的選擇是起重設備安全評估的基礎，直接影響計算過程的復雜程度和評估效果的好壞。根據起重設備的結構、故障率統計、故障對安全的影響程度，本文以橋式起重設備為例，依據安全評估指標體系建立的基本原則，建立安全評估指標體系，如圖1所示。評價系統分為3個級別，第3級別為各子系統組成部分，該級每個故障建立輸入特征向量。把得到的特征向量作為Elman網絡的輸入，特征向量的不同就反映了各種影響因素與結果之間的差異性。

圖1　安全評估指標體系

二、基于Elman神經網絡的安全評估模型

1.Elman神經網絡評估模型

Elman神經網絡模型與常見的BP神經網絡不同，它是一種典型的局部回歸網絡，具有上下文層，即在前饋網絡的隱含層中增加一個承接層，作為一步延時算子，將隱含層前一時刻的輸出反饋到當前時刻的輸入，達到記憶的目的。這種反饋連接使Elman網絡能夠檢測隨時間變化的序列信息，從而使系統具有適應時變特性的能力，能直接反映動態過程系統的特性。此外，Elman網絡還具有如下特點:能夠以任意精度逼近任意非線性映射；不必考慮外部噪聲對系統影響的具體形式。

它的主要結構是前饋連接，包括輸入層、隱含層、輸出層、關聯層(或聯系單元層)，如圖2所示。輸入層、隱含層、輸出層連接為前饋網絡，關聯層從隱含層接收反饋信號，每一個隱含層節點都有一個與之對應的關聯層節點連接。關聯層的作用是通過聯接記憶將上一個時刻的隱層狀態連同當前時刻的網絡輸入一起作為隱層的輸入。Elman神經網絡的特點在于隱含層的輸出經過關聯層的存儲和延時，自聯到隱含層的輸入，使得對歷史數據有敏感性，反饋性能大大增強，提高處理動態信息的能力，實現動態建模。

圖2　Elman神經網絡模型

網絡學習過程是一個不斷調整權值的過程，Elman神經網絡使用BP算法來修正權值，使用均方誤差函數E(ω)作為其學習指標函數，通過學習和調整，使均方誤差函數E(ω)達到最小。

2.結構參數

在模型中采用單隱層的Elman神經網絡。Elman網絡輸入層神經元為輸入的評估特征向量T=[T1，T2，……，Tn]。假設有4種評估結果，即Elman網絡的期望輸出Y=[Y1，Y2，Y3，Y4]，分別定義為優[1，0，0，0]、良[0，1，0，0]、中[0，0，1，0]、差[0，0，0，1]。

3.評估流程

評估流程如下：（1）隨機選擇一定數量的各種評估結果類型的訓練樣本；（2）由訓練樣本和待評估樣本構造特征向量；（3）把訓練樣本的特征向量輸入到Elman神經網絡中，對Elman神經網絡進行訓練，指導達到目標誤差的要求；（4）把待評估樣本的特征向量輸入到訓練好的Elman網絡中，進行安全評估；（5）將評估得到的輸出向量與訓練時的目標輸出向量相比較，確定評估結果類型。

根據指標體系分類，構造各個特征向量，建立特征向量與評估結果類型之間的映射，采用起重設備實測數據作為學習樣本，訓練和確定評估模型。建立安全評估模型的流程如圖3所示。

圖3　安全評估流程圖

三、Elman神經網絡應用實例

采集向量數據200個，分為4類，分別為優50個、良50個、中50個、差50個。每一類別抽取10個共40個用于樣本訓練，每個類別內的其余40個共160個用于測試。輸入特征向量=[T1，T2，……，Tn]，相應的Elman神經網絡的輸入層神經元定為7，網絡的輸入向量范圍[0，1]，隱藏層神經元的傳遞函數采用S型正切函數tansig，輸出層神經元傳遞函數采用S型對數函數logsig，這是由于輸出模式為0—1，正好滿足網絡的輸出要求。網絡的訓練函數采用traingdx，權值學習函數使用梯度下降動量學習函數learngdm，隱藏層神經元的個數定為7，網絡的訓練次數為500，訓練目標為0.01。

為提高評估的可信度，規定輸出向量中3個元素最大者的值超過0.7即被認為輸出有效，否則認為輸出不理想而不納入評估正確的范疇；如果最大值超過0.7且其評估結論與原評估的結論不符，則被認為是誤判。表1給出了待評估的部分測試樣本及對應評估結果，表2為所有檢驗樣本的測試結果，可以看出，該網絡的測試樣本總數為160，其中“優”評估結論中有2個結果不理想；“良”評估結論中有3個結果不理想；“中”評估結論中有2個結果不理想；“差”評估結論中有1個結果不理想，可以看出，總體的評估正確率達92.5%。

表1　部分測試樣本的評估結果

表2　檢驗樣本的評估結果

四、結語

本文建立了起重設備的安全評估指標體系，提出基于Elman神經網絡的安全評估方法，具有較強的學習、自適應能力，可以再現評估專家的經驗、知識和直覺思維，較好地保證評價結果的客觀性。

參考文獻：

[1]王還枝.起重機安全技術[M].北京：化學工業出版社，2004.

[2]侯振寧，武軍.橋式起重機金屬結構健康狀態監測研究[J].中國儀器儀表，2015(6):47-49.

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

中圖分類號：X943

文獻標識碼：B

文章編號：1671-0711（2016）01-0050-03

收稿日期：（2014-12-16）