基于神經(jīng)網(wǎng)絡(luò)的起重設(shè)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(shè)備檢驗研究院泰安分院，山東　泰安　271000）

基于神經(jīng)網(wǎng)絡(luò)的起重設(shè)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(shè)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(shè)備在工程應(yīng)用中的不安全因素，建立安全評價指標體系。依據(jù)Elm an神經(jīng)網(wǎng)絡(luò)的動態(tài)數(shù)據(jù)處理能力及對歷史數(shù)據(jù)的敏感,建立基于Elm an神經(jīng)網(wǎng)絡(luò)的設(shè)備安全評估模型,應(yīng)用于起重設(shè)備安全評估。

關(guān)鍵詞：起重設(shè)備；安全評估；評估指標；Elm an神經(jīng)網(wǎng)絡(luò)

起重設(shè)備屬于國家明確規(guī)定的涉及人身和財產(chǎn)安全，具有較大危險性的特種設(shè)備，國家對其有強制性的定期檢驗要求。近年來，隨著工業(yè)生產(chǎn)規(guī)模的不斷擴大，起重機的數(shù)量快速增長，同時安全事故也不斷增加。目前，在役起重設(shè)備主要由特種設(shè)備檢驗檢測機構(gòu)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(jié)論；單臺設(shè)備檢驗時間有限，沒有獲得起重設(shè)備以往累積的應(yīng)變、振動等運行狀態(tài)數(shù)據(jù)，無法精確評估起重設(shè)備當前的安全等級、進行安全預(yù)警及設(shè)備的剩余疲勞壽命預(yù)測；而且起重設(shè)備始終處于動態(tài)使用過程，一次性人工檢驗難以從根本上發(fā)現(xiàn)安全隱患以及杜絕安全事故的發(fā)生。安全評估是對傳感測量或人工記錄的數(shù)據(jù)提取特征值，進行統(tǒng)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(shè)備的健康狀態(tài)，對設(shè)備的健康狀態(tài)做出正確的評級，為設(shè)備的維保提供技術(shù)支持和決策參考。T SGQ7015《起重機械定期檢驗規(guī)則》第十四條規(guī)定：“對于使用時間超過15年以上、處于嚴重腐蝕環(huán)境（如海邊、潮濕地區(qū)等）或者強風區(qū)域、使用頻率高的大型起重機械，應(yīng)當根據(jù)具體情況有針對性地增加其他檢驗手段，必要時根據(jù)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?！?014年1月1日起施行的《特種設(shè)備安全法》第四十八條規(guī)定：達到設(shè)計使用年限可以繼續(xù)使用的，應(yīng)當要求通過檢驗或安全評估?？梢?，對起重設(shè)備，尤其是服役周期長、負荷大、頻率高、冶金等危險環(huán)境的起重設(shè)備進行安全評估具有十分重要的現(xiàn)實意義。

一、起重設(shè)備安全評估指標

安全評價指標的選擇是起重設(shè)備安全評估的基礎(chǔ)，直接影響計算過程的復(fù)雜程度和評估效果的好壞。根據(jù)起重設(shè)備的結(jié)構(gòu)、故障率統(tǒng)計、故障對安全的影響程度，本文以橋式起重設(shè)備為例，依據(jù)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(tǒng)分為3個級別，第3級別為各子系統(tǒng)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(wǎng)絡(luò)的輸入，特征向量的不同就反映了各種影響因素與結(jié)果之間的差異性。

圖1　安全評估指標體系

二、基于Elman神經(jīng)網(wǎng)絡(luò)的安全評估模型

1.Elman神經(jīng)網(wǎng)絡(luò)評估模型

Elman神經(jīng)網(wǎng)絡(luò)模型與常見的BP神經(jīng)網(wǎng)絡(luò)不同，它是一種典型的局部回歸網(wǎng)絡(luò)，具有上下文層，即在前饋網(wǎng)絡(luò)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(wǎng)絡(luò)能夠檢測隨時間變化的序列信息，從而使系統(tǒng)具有適應(yīng)時變特性的能力，能直接反映動態(tài)過程系統(tǒng)的特性。此外，Elman網(wǎng)絡(luò)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(tǒng)影響的具體形式。

它的主要結(jié)構(gòu)是前饋連接，包括輸入層、隱含層、輸出層、關(guān)聯(lián)層(或聯(lián)系單元層)，如圖2所示。輸入層、隱含層、輸出層連接為前饋網(wǎng)絡(luò)，關(guān)聯(lián)層從隱含層接收反饋信號，每一個隱含層節(jié)點都有一個與之對應(yīng)的關(guān)聯(lián)層節(jié)點連接。關(guān)聯(lián)層的作用是通過聯(lián)接記憶將上一個時刻的隱層狀態(tài)連同當前時刻的網(wǎng)絡(luò)輸入一起作為隱層的輸入。Elman神經(jīng)網(wǎng)絡(luò)的特點在于隱含層的輸出經(jīng)過關(guān)聯(lián)層的存儲和延時，自聯(lián)到隱含層的輸入，使得對歷史數(shù)據(jù)有敏感性，反饋性能大大增強，提高處理動態(tài)信息的能力，實現(xiàn)動態(tài)建模。

圖2　Elman神經(jīng)網(wǎng)絡(luò)模型

網(wǎng)絡(luò)學(xué)習過程是一個不斷調(diào)整權(quán)值的過程，Elman神經(jīng)網(wǎng)絡(luò)使用BP算法來修正權(quán)值，使用均方誤差函數(shù)E(ω)作為其學(xué)習指標函數(shù)，通過學(xué)習和調(diào)整，使均方誤差函數(shù)E(ω)達到最小。

2.結(jié)構(gòu)參數(shù)

在模型中采用單隱層的Elman神經(jīng)網(wǎng)絡(luò)。Elman網(wǎng)絡(luò)輸入層神經(jīng)元為輸入的評估特征向量T=[T1，T2，……，Tn]。假設(shè)有4種評估結(jié)果，即Elman網(wǎng)絡(luò)的期望輸出Y=[Y1，Y2，Y3，Y4]，分別定義為優(yōu)[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(shù)量的各種評估結(jié)果類型的訓(xùn)練樣本；（2）由訓(xùn)練樣本和待評估樣本構(gòu)造特征向量；（3）把訓(xùn)練樣本的特征向量輸入到Elman神經(jīng)網(wǎng)絡(luò)中，對Elman神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，指導(dǎo)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(xùn)練好的Elman網(wǎng)絡(luò)中，進行安全評估；（5）將評估得到的輸出向量與訓(xùn)練時的目標輸出向量相比較，確定評估結(jié)果類型。

根據(jù)指標體系分類，構(gòu)造各個特征向量，建立特征向量與評估結(jié)果類型之間的映射，采用起重設(shè)備實測數(shù)據(jù)作為學(xué)習樣本，訓(xùn)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(jīng)網(wǎng)絡(luò)應(yīng)用實例

采集向量數(shù)據(jù)200個，分為4類，分別為優(yōu)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(xùn)練，每個類別內(nèi)的其余40個共160個用于測試。輸入特征向量=[T1，T2，……，Tn]，相應(yīng)的Elman神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元定為7，網(wǎng)絡(luò)的輸入向量范圍[0，1]，隱藏層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig，這是由于輸出模式為0—1，正好滿足網(wǎng)絡(luò)的輸出要求。網(wǎng)絡(luò)的訓(xùn)練函數(shù)采用traingdx，權(quán)值學(xué)習函數(shù)使用梯度下降動量學(xué)習函數(shù)learngdm，隱藏層神經(jīng)元的個數(shù)定為7，網(wǎng)絡(luò)的訓(xùn)練次數(shù)為500，訓(xùn)練目標為0.01。

為提高評估的可信度，規(guī)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(jié)論與原評估的結(jié)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(yīng)評估結(jié)果，表2為所有檢驗樣本的測試結(jié)果，可以看出，該網(wǎng)絡(luò)的測試樣本總數(shù)為160，其中“優(yōu)”評估結(jié)論中有2個結(jié)果不理想；“良”評估結(jié)論中有3個結(jié)果不理想；“中”評估結(jié)論中有2個結(jié)果不理想；“差”評估結(jié)論中有1個結(jié)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(jié)果

表2　檢驗樣本的評估結(jié)果

四、結(jié)語

本文建立了起重設(shè)備的安全評估指標體系，提出基于Elman神經(jīng)網(wǎng)絡(luò)的安全評估方法，具有較強的學(xué)習、自適應(yīng)能力，可以再現(xiàn)評估專家的經(jīng)驗、知識和直覺思維，較好地保證評價結(jié)果的客觀性。

參考文獻：

[1]王還枝.起重機安全技術(shù)[M].北京：化學(xué)工業(yè)出版社，2004.

[2]侯振寧，武軍.橋式起重機金屬結(jié)構(gòu)健康狀態(tài)監(jiān)測研究[J].中國儀器儀表，2015(6):47-49.

[3]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)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）