基于LMBP神經(jīng)網(wǎng)絡(luò)的起重機械安全評價方法分析

1、基于lm-bp神經(jīng)網(wǎng)絡(luò)的起重機械安全評價方法分析摘要：本文在總結(jié)與分析起重機械安全運行影響因素的基礎(chǔ)上，基于本質(zhì)安全理論與人-機-環(huán)境安全評價思想，構(gòu)建起重機械的本質(zhì)安全評價模型，設(shè)計了相對完善的起重機械安全評價指標(biāo)體系。并運用信息熵與模糊數(shù)學(xué)等理論，選擇bp神經(jīng)網(wǎng)絡(luò)，利用lm算法，開展起重機械安全評價方法的分析。測試結(jié)果表明，該方法誤差偏離較小，具有很高的識別準(zhǔn)確度。關(guān)鍵詞：起重機械 bp神經(jīng)網(wǎng)絡(luò) 安全評價起重機械屬于特種設(shè)備的范疇，廣泛地應(yīng)用在建筑、機電、煤礦、港口等生產(chǎn)行業(yè)。根據(jù)其中機械操作過程可以得出，起重機械因為其特殊的結(jié)構(gòu)形式、操作規(guī)程、作業(yè)環(huán)境以及搬運形式，存在很多的危險因素，再

2、加上人為的操作因素、系統(tǒng)安全體系的因素、管理層面的因素，各種潛在的危險因素交織一起，就容易導(dǎo)致事故的發(fā)生。據(jù)國家質(zhì)檢總局統(tǒng)計，2011年全國共發(fā)生特種設(shè)備安全事故有275起，其中起重機械方面的事故有50起，死亡51人，事故數(shù)量占特種設(shè)備安全事故總數(shù)的18%。而起重機械中，出現(xiàn)事故較多的主要有橋（門）式起重機、升降式起重機以及塔式起重機。起重機械一旦發(fā)生安全事故，就會產(chǎn)生較大的經(jīng)濟損失與人身傷亡。所以，對起重機械的安全要求就會非常嚴格。這就要求對起重機械進行更為科學(xué)、更為完善、更為嚴謹?shù)陌踩u價分析方法，從而降低甚至杜絕起重機械發(fā)生的概率，減少經(jīng)濟損失與人身傷亡。1 起重機械安全評價指標(biāo)體系1.

3、1 設(shè)計思路起重機械安全評價指標(biāo)體系的設(shè)計應(yīng)當(dāng)體現(xiàn)“人-機-環(huán)境-管理”這一系統(tǒng)的作用，從起重機械的出廠設(shè)計與制造、安裝與使用、改造與管理等環(huán)節(jié)全面評價。在設(shè)計起重機械安全評價指標(biāo)時，應(yīng)綜合考慮能夠引起起重機械工作狀態(tài)發(fā)生異常變化的各方面相互聯(lián)系的具體指標(biāo)。按照人的因素、物的因素、系統(tǒng)因素以及管理因素四個大的方面著手，按照各大因素的具體表現(xiàn)內(nèi)容以及特點，進行分類，確定危險因子，并對可能存在的問題進行詳細描述。同時，注意全面覆蓋各項指標(biāo)體系，突出風(fēng)險程度較大的評價指標(biāo)，按照權(quán)重進行評價指標(biāo)的量化評價與分析。從而，深層次地分析安全風(fēng)險產(chǎn)生的原因，有效地提出安全風(fēng)險的解決方案與預(yù)防性維護。1.2 安

4、全評價指標(biāo)體系的構(gòu)建采取層次分析法建立起重機械安全評價模型，對其進行逐層細化。按照本文劃分的起重機械四類危險源，從人機的角度進行層次分析。安全評價模型如圖1所示：圖1 起重機械安全評價模型危險源的識別需要對能夠引起起重機械發(fā)生安全事故各種因素的內(nèi)容、特點與分類進行分析，從而進一步明確事故發(fā)生的主要原因，尋找根源。本文劃分的四種類型危險源，具體如下：（1）起重機械自身危險源起重機械自身危險源涵蓋起重機械的出廠設(shè)計與制造、安裝與維修、改造與使用、設(shè)備結(jié)構(gòu)、安全保護裝置、設(shè)備參數(shù)、設(shè)備載荷試驗與設(shè)備運行情況。具體來說，起重機械的設(shè)計制造單位、安裝單位、改造單位是否具備相應(yīng)的所需資質(zhì)、監(jiān)督檢驗是否合格

5、；型式試驗合格與否；安全保護裝置選型合理程度、齊全程度、完好程度、人員配置、管理結(jié)構(gòu)如何；結(jié)構(gòu)本體的金屬結(jié)構(gòu)是否存在安全隱患，如整體失穩(wěn)、塑性變形、裂紋、主梁副板局部平面度等異常；結(jié)構(gòu)本體的主要零部件是否存在異常，如吊鋼、鋼絲線、制動器、卷筒以及滑輪的異常。（2）組織保障危險源包括作業(yè)人員、崗位職責(zé)、機制保障、操作規(guī)程、日常檢查、定期檢驗與維護保養(yǎng)等方面。具體來說，作業(yè)人員配備數(shù)量是否充足，持證上崗情況，崗前培訓(xùn)、操作記錄情況、作業(yè)人員工作經(jīng)驗與責(zé)任心；安全組織機構(gòu)設(shè)立情況，崗位職責(zé)明確情況、人員配備合理與否；激勵/獎懲機制規(guī)范程度、人員準(zhǔn)入與培訓(xùn)機制；操作規(guī)程編制、放置、執(zhí)行情況；日常檢查頻

6、率、項目與結(jié)果；定期檢驗計劃和報檢、檢驗單位資質(zhì)、檢驗結(jié)果；維護保養(yǎng)單位資質(zhì)、保養(yǎng)項目、保養(yǎng)記錄與保養(yǎng)規(guī)程。（3）安全文化危險源安全管理制度、安全文化宣傳、安全監(jiān)察狀況、技術(shù)檔案與安全保衛(wèi)制度。具體來說，起重機械使用單位是否制定了以崗位責(zé)任制為核心的安全管理制度；是否定期進行本職安全文化宣傳和教育工作；起重機械使用單位是否能夠按照安全監(jiān)察意見對存在的問題或隱患進行改正或合理解釋；技術(shù)檔案內(nèi)容完整狀況；安全保衛(wèi)制度制定與執(zhí)行情況。（4）應(yīng)急故障處理危險源起重機械的緊急故障處理措施，在發(fā)生故障時，自動故障處理裝置是否能夠有效工作，人工操作故障處理裝置是否有效運行；應(yīng)急預(yù)案內(nèi)容完整性情況、應(yīng)急預(yù)案內(nèi)

7、容的檢查與修訂；應(yīng)急中心設(shè)置；應(yīng)急設(shè)備和工具情況；應(yīng)急預(yù)案演習(xí)。按照以上分析，以圖表的形式列出起重機械安全評價指標(biāo)體系，以設(shè)備本體危險源為例，安全評價指標(biāo)體系如圖2所示：圖2 起重機械安全評價指標(biāo)體系圖設(shè)備本體危險源層指標(biāo)2 基于神經(jīng)網(wǎng)絡(luò)的起重機械安全評價方法起重機械安全評價方法一般采取加權(quán)平均的統(tǒng)計方法來評價起重機械的安全狀況。此種方法有一定的局限性，如依賴專家經(jīng)驗，主觀性較強；評價手段未進行任何噪音消除處理，評價易失真。本文采用神經(jīng)網(wǎng)絡(luò)評估方，以起重機械的狀態(tài)參數(shù)作為訓(xùn)練樣本輸入，以起重機械的狀態(tài)作為樣本輸出, 以初始評估規(guī)則設(shè)計網(wǎng)絡(luò)結(jié)構(gòu), 建立起重機械安全評價神經(jīng)網(wǎng)絡(luò), 通過對樣本數(shù)據(jù)的

8、訓(xùn)練獲得各項評估規(guī)則權(quán)重系數(shù)，從而構(gòu)造有效的起重機械安全評價體系。2.1 構(gòu)造評價因子根據(jù)上節(jié)中設(shè)計的評價指標(biāo)體系，進一步構(gòu)造評價屬性集、條件集與結(jié)果集。（1）屬性集起重機械安全評價指標(biāo)體系屬性集如下：p1（設(shè)備本體危險源）= p11（型式試驗），p12（制造單位資質(zhì)），p13（制造監(jiān)督檢驗），p122（監(jiān)控措施）；p2（組織保障危險源）= p21（激勵獎懲措施），p22（人員準(zhǔn)入與培訓(xùn)機制），p23（操作規(guī)程），p223（檢驗結(jié)果）；p3（安全文化危險源）= p31（安全管理規(guī)章制度），p32（安全文化教育人），p33（安全監(jiān)察工作），p34（技術(shù)檔案狀況），p35（安全保衛(wèi)規(guī)章制度）；p4

9、（應(yīng)急故障處理）= p41（緊急事故應(yīng)對措施），p42（應(yīng)急預(yù)案內(nèi)容），p43（應(yīng)急預(yù)案內(nèi)容的檢查與修訂），p44（事故應(yīng)急中心），p45（安全應(yīng)急設(shè)備與工具），p46（應(yīng)急預(yù)案的演習(xí)）；（2）條件集u = u1(是)，u2(否) f=fi(額定權(quán)值) i=0,1,2n；u = u1(特定條件) f=fi(特定權(quán)值) i=0,1,2n；（3）結(jié)果集r = r1（低），r2（中），r3（高），r4（極高）；2.2 樣本數(shù)據(jù)的離散處理對于起重機械安全評價指標(biāo)的數(shù)據(jù)，可以通過兩種方式獲取，一是利用數(shù)據(jù)采集裝置，如采集起重機械的塑性變形、裂紋、上拱度等；二是專家評測，如對組織保障、安全文化、應(yīng)急故障處

10、理進行評測。前者相對客觀準(zhǔn)確，后則比較主觀，對于同等情況，不同專家評測結(jié)果也有差異。因此，本文對樣本數(shù)據(jù)進行離散化處理，將連續(xù)性的分值模糊處理，對應(yīng)到四個安全級別低、中、高、極高，從而一定程度上降低樣本數(shù)據(jù)中的噪音影響。本文基于香農(nóng)信息論進行某一設(shè)備不同評價數(shù)據(jù)的處理工作，對第i個特征屬性的輸出熵計算公式為： （1）pij為第i特征屬性的第j安全等級的概率。對于第i個特征屬性的熵權(quán)取值，用下列公式計算： （2）利用熵權(quán)取值代替均權(quán)，再加權(quán)平均，從而得出起重機械的安全分值。隨后通過模糊數(shù)學(xué)的三角隸屬度函數(shù)處理分值，即 （3）對于本文起重機械安全評價指標(biāo)體系，定義四級指標(biāo)為（-，0.2,0.4）；

11、（0.2,0.4,0.6）；（0.4,0.6,0.8），（0.6,0.8,+）。以設(shè)備本體危險源為例，進行模糊離散化的樣本數(shù)據(jù)如表1所示：表1 設(shè)備樣本數(shù)據(jù)dgpd1d2d3d4d5d6d7d8d9d10d11d12d13d14d15p11010000000010110p12000000020101021p13100000000001100p14100010110010010p15000000010002010p16000001000010001p17001010000000100p18100010020000000p19000020000100011p110000101000211110p1

12、11100010002200000p112001011110100011p113000000100100100p114000000000201010p115000000000000001p116210000010010000p117000000101110000p118101011010000121p119010100101000100p120000000001100000p121010100201000000p122000100000100010在表1中，di表示為所選取的起重機械設(shè)備樣本，p1j表示為設(shè)備本體危險源的評價指標(biāo)，g表示為危險等級，0、1、2、3分別代表從低、中、高、極高四個級

13、別的危險等級。2.3 神經(jīng)網(wǎng)絡(luò)設(shè)計2.3.1 lm-bp神經(jīng)網(wǎng)絡(luò)（1）bp網(wǎng)絡(luò)bp網(wǎng)絡(luò)的學(xué)習(xí)過程如下：首先輸入需要學(xué)習(xí)的樣本，利用已經(jīng)設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)以及之前一次迭代的權(quán)值與閾值，從bp網(wǎng)絡(luò)的首層向后計算每個神經(jīng)元的輸出。其次修改權(quán)值以及閾值，從末層向前計算每個權(quán)值以及閾值對誤差的影響梯度，并且按此要求對各個神經(jīng)元的權(quán)值與閾值進行修改。循環(huán)交替進行以上兩個步驟，直到收斂。（2）lm算法該算法是適應(yīng)于中等大小的前饋神經(jīng)網(wǎng)絡(luò)的算法，也是最快速的算法。如下列公式： x(k+1) = x(k) jtj + ui-1jte （4）該算法根據(jù)以上公式對近似海瑟矩陣進行修正，當(dāng)進行迭代時，迭代成功則減??；當(dāng)誤

14、差性能增加時，則增加，從而使得算法的每一步的迭代誤差性能保持減小狀態(tài)。2.3.2 神經(jīng)網(wǎng)絡(luò)的設(shè)計與訓(xùn)練本文利用lm算法進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，在將已經(jīng)整理的大量的樣本數(shù)據(jù)以及測試數(shù)據(jù)進行歸一化處理之后，直接導(dǎo)入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得出誤差范圍能夠允許的網(wǎng)絡(luò)，再利用閾值矩陣進行轉(zhuǎn)換，從而得到合適的評價因子權(quán)值。（1）網(wǎng)絡(luò)層數(shù)本文選取兩層bp神經(jīng)網(wǎng)絡(luò)，這是因為兩層的bp神經(jīng)網(wǎng)洛能夠進行非線性映射。（2）輸入層節(jié)點數(shù)本文以設(shè)備本體方面的危險源為例，如2.1節(jié)所述，該層輸入節(jié)點數(shù)為22。（3）輸出層節(jié)點數(shù)輸出層與結(jié)果集相對應(yīng)，因此輸出層節(jié)點數(shù)即為1。（4）隱層節(jié)點數(shù)根據(jù)公式 n = + a 。在該公式中，

15、是隱層節(jié)點數(shù)，、分別為輸入、輸出節(jié)點數(shù)，為1至10之內(nèi)的自然數(shù)。在本例中，輸入節(jié)點數(shù)為22，輸出節(jié)點數(shù)為1。根據(jù)以上公式，結(jié)合多次測試研究，本例隱層節(jié)點數(shù)選取12。另外，選取s型函數(shù)logsig 作為傳輸函數(shù)?？梢赃x擇一組起重機械安全檢測數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，分別對設(shè)備本體危險源、組織保障危險源、安全文化危險源、應(yīng)急故障處理危險源等四方面進行訓(xùn)練，從而確定起重機械安全評價指標(biāo)的權(quán)值。3 評價結(jié)果分析本文選取的15例起重機械設(shè)備本體危險源檢測數(shù)據(jù)作為測試數(shù)據(jù)進行擬合，效果如圖3所示：圖3 測試效果圖lm-bp神經(jīng)網(wǎng)絡(luò)共計進行21次迭代，用時1.150s，正確率為33/34=97.06%，數(shù)據(jù)擬合誤差低于0.1。測試樣本的輸出結(jié)果與測試目標(biāo)也較好的契合，仿真效果較好。與其它方法如基于概率神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)等相比，lm-bp神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時間上較長，但是其識別準(zhǔn)確率卻遠遠高于二者。4 結(jié)論與傳統(tǒng)的人為評價方法相比，基于神經(jīng)網(wǎng)絡(luò)的方法