基于模糊神经网络的起重机安全评估方法研究

孟小胴，王卫辉，强宝民，曹 原

（第二炮兵工程大学 陕西 西安 710025）

随着工业生产规模的不断扩大，生产效率的日益提高，促使起重机的使用规模越来越大，同时起重机发生的故障和安全事故也不断增加，因此起重机的安全性评估研究逐渐引起国内外学者的关注。目前存在多种起重机安全评估方法，所采用的理论主要集中在可靠度理论，层次分析法，模糊理论，神经网络及专家系统等。文献[1]将Elman神经网络应用于起重机的安全评估；文献[2]利用模糊综合评判的方法研究了塔机整机安全状态，实现了对塔机整机安全状态的综合评判。采用模糊综合评价方法虽然可以对起重机的安全性进行定量化处理，并能评价出起重机的安全等级，但权重的确定需要专家的知识和经验，因此在进行综合评价时会损失很多信息，甚至得出不合理的评价结果。为了解决这些问题，需要采用合理的优化方法，确定合适的隶属度函数和评价因素的权重，而神经网络方法提供了可行的解决方案。将模糊理论与神经网络相结合应用于起重机的安全性评估，采用模糊神经网络方法来确定各评价因素指标的权重系数，使其更具有合理性，更符合客观实际且易于定量表示，从而提高了模糊综合评判结果的准确性。

1 安全性评估模型

1.1 评估指标体系的确定

一个复杂的系统，从不同的角度评估，有不同的评估指标，要确定其指标就需要进行整理、分类和综合[3－5]。通过咨询部分专家教授的意见、建议以及对起重机结构、常见故障的学习、研究和分析，依据安全评估指标体系建立的基本原则，提出反映起重机运行过程中与安全相关的指标因素，并在此基础上建立起相应的安全评估指标体系。

以变频桥式起重机为例，根据变频桥式起重机的技术、结构以及运行特点，它的评价结构划分为3个层次。第2层将影响系统安全状况的因素划分为5个子系统如图1所示。第3层为各子系统组成成分，主要包含对安全起主要作用的因素，次要的未包含其中如表1所示。根据各个评价指标对其安全影响程度的不同，对每个评价指标分别设置它在本层次中的评价权重。需要说明的是在起重机使用过程中，环境因素和人为因素也对起重机使用安全有影响，它们与起重机本机一起构成总的起重机安全使用安全评价因素体系，这里仅讨论起重机本机自身安全性，起重机使用安全评价再另文介绍。

表1 安全评估指标体系Tab.1 Safety evaluation index system

图1 安全评估指标体系Fig.1 Safety evaluation index system

评估指标有定性描述和定量描述两种。为了准确地评估起重机的安全性，所有评估指标均采用定量描述。各评估指标按满分100分评分，其得分即为该指标的分值。

1.2 模糊神经网络综合评价模型

根据起重机安全性评估的特点，在模糊综合评价的基础上构造如图2所示的模糊神经网络结构[6－8]。

在图2中，m、n分别为输入单元和隐层单元个数，x1，x2，…xm为m个评价指标的量化值，r1，r2，…rm为评价指标量化值经相应的隶属度函数量化后的评价向量（隶属度向量），文中采用的评价结果集为：

图2 模糊神经网络结构图Fig.2 Fuzzy neural network structure

V＝{安全，较安全，有隐患，较危险，危险}，则隶属度向量为5维形式，记作：rm＝（rm1，rm2，rm3，rm4，rm5）；ωij、ωjk分别为输入层到隐层、隐层到输出层的连接权值；y′为样本x1，x2，..xm的网络输出，经反模糊化后得到最终评价结果。

对输入的评估指标模糊化选用正态分布函数作为隶属度函数，其定义为：

式中：σia、k为调整参数，且k＞0、σi为隶属函数中心点。选择合适的k与a值非常重要，一般由专家经验确定，也可通过理论计算求得。σi的确定可采用K均值聚类算法确定。即将所有样本的各评估指标按照K均值聚类算法分为安全、较安全、有隐患、较危险、危险5等。该项评估指标分为安全的所有样本的均值即为该指标安全的σi取值。

在桥式起重机安全状态评估中，整机安全状况为主系统，下分5个子系统，即金属结构、起升机构、运行机构、电气系统、安全装置。各子系统与主系统均采用图2所示网络结构，各子系统的输出作为主系统的输入，主系统的输出对应起重机整机的安全状况。结合第一节中所述的评估指标体系确定各系统在网络结构模型中各层网络的节点数如表2所示。

表2 系统各层网络节点数Tab.2 Number of each layer network node of syetem

其中隐含层数目采用kolmogorov定理：BP神经网络构建中中间隐含层数目为n2，输入层数目为n1，则有：

由此可得各系统隐含层节点数。

2 学习算法

在安全评价的过程中，专家的意见也有着重要作用，特别是大的定性方面，专家的判断结果往往具有较高的精确性。因此，模型中采用专家评判和神经网络学习相结合的方法确定权重值。首先通过综合数位专家的意见，得到各评价因素的权重值。然后利用神经网络对各评价因素指标的权重系数进行优化修正，使其更有合理性，更符合客观实际并易于定量表示，从而提高模糊综合评判结果的准确性。神经网络的学习过程即根据样本确定网络的连接权值和误差反复修正的过程。

针对BP算法收敛速度慢的缺点，可能会使权值收敛于局部最小值等缺点。该网络的训练中采用改进梯度下降动量BP算法[9]，网络误差函数Ep为：

式中：T为训练样本个数；Y为理想输出；y为实际输出；M为网络层数（不包括输入层）。

为修正权值，增加动量项，加权调节公式为：

式中：η为学习速率，α为动量系数，若j为输出节点，则

若j为隐节点，则

3 评价实例

3.1 学习样本

为使样本较全面地覆盖各种评估情况，在各评估指标向量范围内均匀取值，由计算机自动赋值生成25组标准理论样本。将其中20组样本作为学习样本输入网络进行训练。学习样本的评价结果采用专家评分确定，即由多位专家给出各评估指标的权值，然后将各指标折算成百分制分数再与权值相乘，将得出的分数分为安全、较安全、有隐患、较危险、危险5等，分别用A、B、C、D、E表示。即得出专家的评估结果。样本输入、输出如表3所示。其中：由多位专家采用专家评分法给出的主系统各评估指标的权值向量为：

表3 网络样本训练数据Tab.3 Network sample training data

3.2 网络训练

利用Matlab中的神经网络工具箱建立模糊神经网络[10]，将20组学习样本输入网络进行训练以后，设定网络误差E＜0.001，经过241次学习，确定了网络各层参数值，从而完成了桥式起重机安全性评估的模糊神经网络。而采用普通的BP算法进行训练时，经过463次学习才能使得网络误差E＜0.001；由此可见采用梯度下降动量BP算法训练时速度优于普通的BP算法。网络训练误差图如图3所示。图中横坐标为训练次数，纵坐标为网络误差值。

图3 网络训练误差Fig.3 Network training error

为验证该网络，另取由计算机随机赋值的5组验证样本输入网络，网络输出结果与专家打分结果比较如表4所示。

表4 校验样本评估结果Tab.4 Check sample evaluation results

根据最大隶属度原理，可以看出，5个验证样本专家评价结果与训练好网络输出评价结果是一致的。由此可知，训练好的模糊神经网络很好的获得并储存了评价专家的知识、经验和判断，可将网络应用于桥式起重机安全性评估中。

4 结 论

文中通过对桥式起重机结构及使用特点的研究分析，建立了安全评估指标体系，提出了一种基于模糊神经网络的起重机安全评估方法。根据BP神经网络建立的起重机模糊神经网络模型，能够对模糊综合评价因素权重进行学习优化，使评价因素权重具有更广的普适性和合理性，使评估结果更加准确。实例验证结果表明，此方法是可行的。文中虽然针对桥式起重机进行研究，但模型和方法同样适用于其他类型的起重机，具有较好的可移植性和普适性。

[1]董国金，巫世晶.Elman神经网络在起重机安全状态评估中的应用[J].装备制造技术2007（4）：64－66.DONG Guo-jin，WU Shi-jing.Application of elman neural network to safety assessment of crane[J].Equipment Manufactring Technology，2007（4）：64－66.

[2]李斌，郑夕健.塔式起重机安全状态识别理论及监测系统的研究与实验报告[J].沈阳建筑工程学院学报，2000.LI Bin，ZHENG Xi-jian.Research and test report of tower crane safety state recognition theory and monitoring[J].Constuction Engineering Journal of Shen Yang，2000.

[3]蔡峰，林梅.桥式起重机常见故障分析及对策[J].机械研究与应用，2011（6）：137－139.CAI Feng，LIN Mei.Common fault analysis and countermeasure for bridge crane[J].Machinery Research and Application，2011（6）：137－139.

[4]赵国君，吴锡忠.通用桥式门式起重机[M].北京：机械工业出版社，1989.

[5]田金金，陈志平.桥式起重机安全检测法综述及展望[J].机电工程，2009（3）：1－5.TIAN Jin-jin，CHEN Zhi-ping.Safety test review and prospect of bridge crane[J].Mechanical and Electrical Engineering，2009（3）：1－5.

[6]杜义贤，田启华.基于神经网络的模糊综合评价方法[J].系统工程与电子技术，2005，27（9）：1583－1586.DU Yi-xian，TIAN Qi-hua.Fuzzy comprehensive evaluation method based on neural network[J].Systems Engineering and Electronic Technology，2005，27（9）：1583－1586.

[7]沈勇，肖原.特种设备模糊神经网络安全评价研究[J].工业安全与环保，2011，37（11）：5－6.SHEN Yong，XIAO Yuan.Study on safety evaluation for special equipment based on fuzzy neural network[J].Industrial Safety and Environmental Protection，2011，37（11）：5－6.

[8]·Xiangnan Zhou，Hanbin.Research on testing for security evaluation for port crane [C]//Internationl Conference on computer， Mechatronics， Control and Electronic Engineering（CMCE），2010.

[9]赵振宇，徐用懋.模糊理论和神经网络的基础与应用[M].北京：清华大学出版社，1996.

[10]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.