基于改進LVQ算法的塔式起重機運行狀態檢驗*

周慶輝,劉浩世,劉耀飛,3,李 欣,謝貽東

(1.北京建筑大學 機電與車輛工程學院,北京 100044;2.北京市建筑安全監測工程技術研究中心,北京 100044;3.中鐵建設集團有限公司,北京 100040)

0 引 言

塔式起重機是建筑工地上最常用的一種垂直運輸起重設備,屬于特種設備,因此,有必要對其進行安裝檢驗工作。對塔式起重機進行檢驗關系到其后續的安全運行,因此,需要嚴格按照相應的法律法規、標準規范進行檢驗[1-3],以確保設備的安全運行。

隨著人工智能的發展,無人機安全巡檢、吊鉤可視化系統、智能監控系統等技術運用到了塔式起重機檢驗檢測環節當中。

安建民等人[4]使用無人機對塔式起重機進行了檢驗,利用圖像和視頻模式實時傳輸檢驗結果,現場判斷分析。周前飛等人[5]使用無人機對大型起重機的金屬結構進行了智能視覺檢測,利用數字圖像處理技術,進行了其缺陷特征的提取與識別。張彥慶等人[6]研究設計了鐵路集裝箱正面起重機的安全監控系統,實現了其數據監控、設備管理維護和運行軌跡回放等功能。張充等人[7]將塔式起重機使用過程中的結構安全監測內容分為靜力監測內容和動力監測內容,利用理論分析的方式,并結合實際的經驗,確定了關鍵參數測點的位置,對塔式起重機進行了結構安全檢測。

上述這些方法或系統可以完成對塔式起重機的偵查、拍照、監控等工作,進行圖像的識別和處理,及時排查起重機的安全隱患,避免事故的發生,提高了塔式起重機檢驗、檢測工作效率和質量。但是,目前的檢驗、檢測系統還不能完全代替人工檢測,因為存在誤判的可能,會給安全帶來隱患。因此,如何提高和改進診斷方法的準確率[8],提高其故障分類的效率,降低誤判的機率,成為塔式起重機檢測研究方面的重點。

筆者在學習矢量量化(LVQ)人工神經網絡算法基礎上,通過改進檢驗評價模型,運用優化的特征數據訓練出LVQ分類器,提高起重機檢驗結果的準確性,避免誤判,為塔式起重機的健康評價提供理論指導。

1 LVQ人工神經網絡

機器學習是利用數據訓練出模型,然后使用模型進行預測的一種方法。基于實例的算法常根據決策問題建立模型,先選取一批樣本數據,再根據某些近似性把新數據與樣本數據進行比較,尋找最佳匹配。

常見的機器學習算法包括:k-近鄰算法(k-nearest neighbor, KNN)、學習矢量量化(LVQ)、以及自組織映射算法(self-organizing map,SOM)[9-11]。

1.1 LVQ網絡結構

LVQ神經網絡由3層神經元組成,即輸入層、競爭層和線性輸出層。

輸入層與競爭層之間采用全連接的方式,競爭層與線性輸出層之間采用部分連接的方式。競爭層神經元個數總是大于線性輸出層神經元個數,每個競爭層神經元只與一個線性輸出層神經元相連接且連接權值恒為1。但是,每個線性輸出層神經元可以與多個競爭層神經元相連接。競爭層神經元與線性輸出層神經元的值只能是1或0。當某個輸入模式被送至網絡時,與輸入模式距離最近的競爭層神經元被激活,神經元的狀態為“1”,而其他競爭層神經元的狀態均為“0”。因此,與被激活神經元相連接的線性輸出層神經元狀態也為“1”,而其他線性輸出層神經元的狀態均為“0”[12]。

LVQ神經網絡結構如圖1所示。

圖1 LVQ神經網絡結構

1.2 LVQ網絡原理與算法

設輸入訓練樣本為N維向量X=(x1,x2,…,xN)T,可視為在N維空間的樣本點,而同一個類別的樣本點可能散布成數群,各有各的形心[13]。

LVQ神經網絡通過樣本點來估計各個群體的形心位置,并正確地對應到所屬的類別中;訓練完成后的應用階段,即可利用各自群體的形心位置,做出正確的分類判斷。

LVQ網絡的第2層是非監督的競爭層,每個神經元為一個獨立的子類別。當樣本點輸入競爭層中,計算樣本點與各子類別間的歐式距離,尋找出最合適的子類別歸屬,即:

(1)

式中:i—樣本點;X—輸入樣本向量;W—網絡初始形心位置向量,即輸入樣本點i與子類別間的歐式距離;Wc—競爭勝出后的子類別。

當i=c時,即分類結果正確,可得到公式為:

Wc(n+1)=Wc(n)+η(n)[X(n)-Wc(n)]

(2)

式中:η—學習率,數值介于0～1之間,具有抑制網絡權值趨近無限大的作用。

當i≠c時,即分類結果錯誤,可得到公式:

Wc(n+1)=Wc(n)-η(n)[X(n)-Wc(n)]

(3)

2 塔式起重機檢驗主要內容

依照GB/T 6067.1—2010《起重機械安全規程.第1部分:總則》、GB/T 5031—2019《塔式起重機》、TSG Q7016—2016《起重機械安裝改造重大修理監督檢驗規則》、TSG Q7015—2016《起重機械定期檢驗規則》、JGJ 305—2013《建筑施工升降設備設施檢驗標準》、DB11/611—2008《施工現場塔式起重機檢驗規則》以及塔式起重機安全管理相關安全技術標準和規范,筆者整理歸納出了塔式起重機檢驗主要內容,如圖2所示。

圖2 塔式起重機檢驗主要內容

該處筆者以2018年某市檢驗了的290臺塔式起重機為例,統計了不合格項目,其中,前10項如表1所示。

表1 不合格項目表

從表1可以看出:金屬結構的連接、作業環境以及主要零部件與機構是主要問題項,出現的頻次較高。

3 LVQ網絡在檢驗中的應用

3.1 樣本集的構建

樣本集構建是LVQ神經網絡在塔式起重機檢驗中的重點內容。樣本集中的特征選取要科學、合理,滿足實際需要。

樣本集如表2所示。

表2 樣本數據集

在表2中,筆者選取了最常見、最主要的15個因素為主要檢測對象,根據塔式起重機的實際運行狀態,構成了樣本空間。

單項檢測結果主要分為合格與不合格,合格用1表示,不合格則用0表示。在表2中的“整機檢驗”一列中,1表示整機合格,2表示整機不合格。

從2018—2020年北京市建筑工地塔式起重機的檢驗樣本中,筆者隨機抽取了350個原始數據,構建了樣本數據集,其中,檢驗結論合格的226臺,不合格的124臺。

在350個樣本數據集中,筆者隨機抽取300個作為訓練集,剩余50個作為測試集,具體構成如表3所示。

表3 樣本數據分配表

3.2 樣本訓練參數的選擇

神經網絡的學習過程是離線進行的,識別系統只需要得到自動更新學習之后的權值數量和輸出神經元的數量。筆者使用多維特征信號對神經網絡進行訓練。

由于輸入層為15組不同的特征信號,識別目標為2種不同的檢驗類別;所以筆者確定LVQ神經網絡結構為15-10-2型,輸入層神經元數為15,競爭層神經元數為10,輸出層神經元數為2。具體參數初始設置為:學習率0.1,窗口參數0.25,顯示頻率設置為10,訓練目標最小精度設為0.1,迭代次數選擇為1 000。以上參數是在經驗基礎上反復測試得來的。

3.3 網絡測試仿真

在測試神經網絡時,可以利用仿真的方式,對輸出的數值進行處理。MATLAB的LVQ神經網絡仿真,可以通過函數曲線,分析實際輸出值和預期輸出值之間的誤差。如果誤差較小,可以證明塔式起重機的檢測結果與目標輸出幾乎是一樣的,從而準確地反映出塔式起重機的檢驗情況。

3.4 改進LVQ神經網絡分類器

3.4.1 熵值法計算權值,優化特征信號

塔式起重機檢驗是屬于兩類模式(合格、不合格)分類問題。輸入是一個N維向量下X=(x1,x2,…,xN)T,其中,每一個分量都對應一個權值ωi,隱含層的輸出疊加為一個標量值v:

(4)

式中:v—標量值;xi—輸入分量;ωi—權值。

隨后,在二值閾值元件中得到的標量值ν進行判斷,產生二值輸出:

(5)

式中:y—輸出值。

LVQ神經網絡分類器可以將輸入數據分為兩類:合格或不合格。當y=1時,認為輸入X屬于合格類;當y=2時,認為輸入X屬于不合格類。

根據式(4)可知:權值的大小,影響分類的正確與否。同時,塔式起重機權值還與故障率、事故等級、事故類型有關。通過對故障和事故發生的各影響因素的分析,推演故障和事故發生過程,解析因果關系[14],找出主次要因素,進一步調整設置權值。

權值ωi的確定可以根據表2中樣本故障數據,采用熵值法進行計算,得到的15個因素的權值。

權值的設置如圖3所示。

圖3 權值的設置

此外,輸入向量X,群體的形心位置W對輸出結果也有影響。

筆者將輸入向量X=(x1,x2,…,xN)T送入到輸入層,并計算競爭層神經元與輸入向量的歐式距離di:

(6)

式中:di—歐式距離;xj—第j列輸入分量;wij—第i行,j列的形心位置。

歐氏距離di對LVQ分類具有重要的影響。對于樣本點,如果計算出的歐式距離不符合實際情況,就不能得到正確的分類[15]。因此,在塔式起重機檢驗工程實踐中,優化輸入向量X的特征信號,得到正確的樣本點分布,對于分類結果的準確性也是至關重要的。

3.4.2 學習率的調整

LVQ算法中,學習率是個很重要的參數,會影響分類結果。當學習率取大值時,就趨向于判斷為合格。當學習率取小值時,就會趨向于判斷為不合格。在定義學習率時,要考慮收斂的速度和算法的穩定性。

最大學習率滿足下式[16]:

(7)

式中:λmax—輸入向量X組成的自相關矩陣R的最大特征值,λmax一般不可知,通常使用自相關矩陣R的跡來代替。

按定義,矩陣的跡tr(R)是矩陣主對角線元素之和:

tr(R)=∑R(i,i)

(8)

式中:tr(R)—矩陣的跡;R—自相關矩陣。

3.4.3 隱含層節點數的調整

隱含層節點數對人工神經網絡預測精度也有很大的影響:節點數太少,網絡不能很好地學習,需要增加訓練次數,訓練的精度也受影響;節點數太多,訓練時間增加,網絡容易過擬合。

隱含層節點數滿足下列經驗公式[17]:

(9)

式中:l—隱含層節點數;m—輸出層節點數;n—輸入層節點數;a—0～10之間的常數。

最佳的隱含層節點數選擇,首先要用式(9)確定節點數的大致范圍,然后用試湊法確定最佳的節點數。

對于塔式起重機檢驗問題而言,當隱含層節點數減小時,合格率誤差會升高,不合格率會降低;當隱含層節點數增加時,合格率誤差會降低,不合格率會升高;當隱含層節點數為7時,合格率和不合格率的誤差值均為最小,可以達到0。

3.4.4 改進LVQ算法流程

塔式起重機檢驗存在數據量大、重復率高的問題,若直接用于目標識別,不僅增大計算量,還會造成識別準確率降低。為了實現零誤判,運用優化的特征數據訓練LVQ分類器,改進設計訓練集。

改進LVQ算法檢驗分類流程如圖4所示。

圖4 改進LVQ算法流程

根據檢驗工程情況,首先,筆者在300個訓練集中優選出特征數據,找出典型樣本作為訓練集,避免出現重復交叉,如“塔身垂直度”問題或“安全距離”問題,單獨出現在訓練樣本里,而不是兩個問題同時存在樣本里;

其次,按照特征數據,簡化維度,把15個檢驗項目,按照DB11/611—2008《施工現場塔式起重機檢驗規則》中所規定的關鍵項和一般項進行分類,分為兩個維度;

最后,運用優化的特征數據訓練LVQ分類器,得到最佳神經元數目和學習率,即提高了人工神經網絡訓練速度,節省了計算時間,又提高了學習效果,保證了檢驗的準確率。

4 實驗結果與分析

筆者將測試集的50個樣本數據輸入訓練好的LVQ網絡,利用通過訓練得到的分類特征權值對50個測試樣本進行識別分類。

LVQ改進前后樣本測試圖對比如圖5所示。

LVQ改進前后誤差比較對比如圖6所示。

圖6 LVQ改進前后誤差比較

由圖5(a)、圖6(a)可知:測試集中第10、27、30這3個樣本是不合格設備,但是被誤判為了合格設備。在實際設備檢驗中,該情況會是不允許發生的,因為它降低了檢驗的安全性,存在安全隱患。

而改進后的LVQ算法中,運用了優化的特征數據訓練LVQ分類器,通過優化設計樣本訓練集,優化學習率和神經元數目,對整機檢驗的合格率和不合格率均能達到100%,避免了誤判,提高了檢驗效果。

特征優化前后LVQ檢驗情況對比如表4所示。

表4 特征優化前后LVQ檢驗情況對比

在特征優化前的LVQ算法中,對合格設備檢測,其合格率達100%;對不合格設備檢測,其不合格率達78.57%,存在“將不合格的設備誤判為合格”的問題。

通過優化特征,改進LVQ神經網絡分類器,向量維度分為關鍵項和一般項兩個,檢驗結果完全滿足實際需要。對合格設備而言,其檢驗合格率達到了100%;對不合格設備而言,其檢驗不合格率也達到了100%,避免了誤判。

利用3種不同的方法檢驗塔式起重機所得結果如表5所示。

表5 3種檢驗方法對比表

從表5中可以看出:在塔式起重機檢驗中,與改進前的LVQ相比,改進后的LVQ和人工檢驗都不會存在誤判,但人工檢測需要長時間的檢驗識別(很可能由于疲勞等主觀因素造成失誤),而用機器學習代替人工檢驗,可以解決人為因素所帶來的諸多影響,很好地實現智能檢測。

5 結束語

為了提高起重機運行安全檢驗結果的準確性和智能化水平,筆者提出了一種基于改進的學習矢量量化(LVQ)人工神經網絡模型,實現了對塔式起重機運行安全狀態的智能檢驗。

首先,筆者根據近年來建筑工地塔式起重機的檢驗數據,建立了其樣本集,利用熵值法計算了其權值,優化了特征信號,調整了學習率,調整了隱含層節點數,得到了改進的LVQ神經網絡分類器;建立了改進的LVQ人工神經網絡模型,在樣本集中進行了人工神經網絡訓練,實現了對塔式起重機運行安全狀態的智能檢驗。

研究結果表明:

(1)根據近年塔式起重機檢驗數據統計,檢驗項目中金屬結構的連接、作業環境、主要零部件與機構出現不合格的頻次較高;

(2)通過優化特征信號,調整學習率,調整隱含層節點數改進了LVQ算法,利用熵值法計算權值,優化輸入向量X的特征信號,得到了塔式起重機檢驗正確的樣本點分布;按照輸入向量自相關矩陣R的最大特征值計算出最大學習率;調整隱含層節點數,得到最佳值,當隱含層節點數為7時,合格率和不合格率的誤差值均為最小;

(3)在整機檢驗中改進LVQ算法,避免了誤判,實現了塔式起重機機器學習的智能檢驗;雖然優化前的LVQ算法對合格設備檢驗能達到100%,但對不合格設備的判斷率僅達78.57%,依然存在誤判,存在安全隱患;改進LVQ算法對合格設備檢驗的合格率可達100%,對不合格設備檢驗的不合格率也可達100%。

塔式起重機智能化檢驗是未來的發展方向,人工神經網絡算法也將得到進一步發展。因此,在后續的研究中,筆者將會對這些算法的準確度和計算效率進行比較,以找到其中最優的算法。