基于Elman神经网络在塔式起重机中安全状态模式识别*

2013-08-02赵寅，林朋

机械研究与应用 2013年1期

赵寅，林朋

(1.西安思源学院，陕西西安 710038;2.咸阳供电局，陕西咸阳 712000)

1 引言

随着建筑业的发展，塔式起重机作为建筑施工的重要象征与主要运输机械，在建筑业得到了广泛应用。塔机根据建筑需要将物品在很大空间内升降和搬运，属危险作业。目前国内塔机安全评估方法报道较少，并且评估方法多用的是故障类型影响分析法、事故树分析法等传统方法。这些方法在统计上简单易行，但对事故分析过于简单。而利用模糊综合评判方法研究塔机整机安全状态，可实现对塔机安全状态综合评判。但采用该方法，每一组状态参数都要进行模糊变换才能得出结果，实时性较差［3］。

人工神经网络是由大量简单的神经元互联组成的大规模分布式并行信息处理系统，通过模拟人脑的神经组织结构，能对复杂问题进行有效求解。它具有极强的非线性动态处理、模糊推理、自学习、自组织、分布式知识存储和联想记忆等优点。笔者将训练速度快、学习记忆稳定、诊断结果可靠的反馈型Elman人工神经网络应用于塔机施工安全评估之中，能克服传统方法的一些缺陷，快速准确的得到较好安全评估结果［2］。

2 塔式起重机在建筑施工中安全状态

塔机作为建筑施工主要运输机械得到广泛运用。塔机能将物料准确调运到建筑楼层任意部位，在吊运方式和调运速度方面胜过任何其它起重机械。因此，它对减轻劳动强度，节省人力，降低建设成本，提高施工质量，实现工程施工机械化起着重要作用。

然而，在提高工作效率的同时。由于塔起重量大，运行速度快，频繁起制动等特点，使它蕴藏较大危险因素。为此，国内开始重视研究塔机安全技术，减少不安全因素，国家也出台了相应的操作规程，在一定程度上减少了机械伤害的危险。作者通过以下两个角度说明塔机施工作业的安全［1］。

2.1 塔机选型布置中影响安全因素

塔机在建筑施工布置根据建筑平面图、立面图，施工场地实际情况，塔机附着方式等因素，科学合理的确定塔机数量、型号、位置及安装次序、高度等。具体而言，塔机选型及布置主要考虑以下几个因素。

(1)尽可能对建筑物主体工程进行最大限度的塔机覆盖。

(2)根据建筑工程的实际施工进度，各楼建筑外形、高度及施工先后顺序，来决定各塔机的安装顺序及安装高度。

(3)任一塔机大臂回转范围内，与相邻塔机塔身和相邻建筑物不得发生干涉。

(4)塔机定位应本着便于安装、拆除原则。

(5)需要附着加高的塔机定位时要考虑便于安装附着。塔机离附着墙面水平距离一般不宜大于6m。

(6)从在建项目成品构件最大重量角度来考虑塔机的公称起重力矩和最大起重量。

2.2 塔机在施工作业中影响安全因素

(1)起重量:也称额定起升载荷，在规定幅度时的最大起升载荷。一般塔机上都装有起重量限制器，用来限制塔机最大起重量。

(2)起重幅度:小车变幅起重机必须安装幅度限位装置。限位装置应满足当小车变幅运动中将超出最大(或最小)幅度时，切断变幅电机向前(或向后)变幅的控制电路。

(3)起重力矩:按《塔式起重机安全规程》规定，必须装设安全保护装置，目前主要有起重量限制器和起重力矩限制器。

(4)起升高度:小车变幅起重机必须安装起升高度限位装置。高度限制器应满足调构架顶部至小车架下端距离，达到 GB9462中规定距离时(一般为800mm)，立即切断上升方向电源。

(5)风速:塔机是一种起重臂装设于高处的全回转起重机械，对风速有一定要求。

(6)电机绕组温度:由于塔机三大工作机构，都有电机在运作，电机绕组温度也是安全的重要因素［4］。

3 建筑施工中安全状态模糊分类

上述分类的塔机在建筑施工安全状态的主要因素，对塔机安全状态的影响程度也有差别。因此，采用模糊综合评判方法对塔机安全状态进行评判是有实际意义的。求出在各影响因素作用下塔机安全状态的模糊评判结果。现设模糊评判结果为y，显然0＜y≤1。考虑到实际应用方便，本文将［0，1］划分为5个子区间:0.85≤y≤1对应塔机最安全状态;0.7≤y＜0.85对应较安全状态;0.5≤y＜0.7 对应由安全向危险过渡状态;0.3≤y＜0.5 对应较危险状态;y＜0.3对应危险状态。依据模糊综合评判结果将塔机

安全状态进行模糊分类，表现为五种模式，且确定网络识别模式，表示网络输出:

安全状态a (1 0 0 0 0)

较为安全b (0 1 0 0 0)

过渡状态c (0 0 1 0 0)

较为危险d (0 0 0 1 0)

危险状态e (0 0 0 0 1)

4 Elman神经网络原理

4.1 Elman神经网络结构

Elman型神经元网络一般分为四层:输入层、隐含层、承接层和输出层，如图1所示。其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，隐含层单元的传递函数可采用线性或非线性函数。

图1 Elman网络模型示意图

Elman网络是在BP网络基础上，加入反馈信号生成一种回归神经网络。增加了网络处理动态信息能力。由于Elman神经网络具有上下文层，即在前馈网络的隐含层中增加一个承接层，作为一步延时算子，将隐含层前一时刻输出反馈到当前时刻输入，达到记忆目的。这种反馈连接使Elman网络能够检测随时间变化的序列信息，使系统具有适应时变特性，能直接反映动态过程特性，从而达到了动态建模目的。此外，Elman网络还具有:能够以任意精度逼近任意非线性映射;不考虑外部噪声对系统的影响［2］。

由图1得Elman网络的非线性状态空间表达式:

式中:x，y，u，xc分别表示n维中间层节点单元向量、m维输出节点向量、r维输入节点向量和n维反馈状态向量。w1，w2，w3分别表示承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值。g(·)为输出神经元的传递函数，f(·)是隐含层神经元的传递函数，常采用S型函数。

4.2 Elman神经网的训练

Elman网络采用BP学习算法，隐含层一般采用S型传递函数f(x)=1/(1+e)。网络输出层可采用线性传递函数或对数S型函数。可通过采用结构单元使系统的动态特性由网络内部的连接提供，因此它无需直接使用状态作为输入或训练信号。

5 塔机应用在建筑施工中实例

5.1 学习样本选择

神经网络对样本选择要遵循以下原则:样本足够多、样本具有代表性、样本均匀分布。为了使学习后得到的网络具有较好性能，所搜集数据应包括相应问题模式。在本网络中，塔机不同工作状态的参数即是输入向量。由于塔机在各种影响因素作用下工作状态评判至今还没有相应标准，因此本文采用基于模糊综合评判结果的分类作为目标输出。影响塔机安全状态因素选用:稳定性系数、起重量、起重力矩、工作幅度、风速、起升高度、电机温度等7个指标，不同因素对塔机安全状态影响程度也有差别。在保证均匀覆盖塔机实际安全状态前提下，选择15个样本对，如表1所列。为防止输入样本数据偏差过大，要对数据进行归一化处理。

表1 塔机工作状态参数及其模糊评判结果

5.2 Elman神经网络设计和训练

利用Matlab中的神经网络工具箱建立Elman网络。神经网络输入与输出层节点个数是由研究具体问题决定。塔式起重机安全状态模式识别是利用影响塔机安全状态的七个因素决定，故网络输入层节点个数为7个。而Elman网络输出由塔机安全状态模式 a，b，c，d，e 决定，则 Elman 网络输出层节点的个数为5个。Elman网络的隐含层与承接层个数相同。隐含层确定没有固定的公式可循，一般用试探方法确定。隐含层选择太少会使网络达不到应有精度，太多又会使网络训练速度变慢，泛化推广能力变差。根据所给的实际训练样本数目、经验公式和实际训练结果，最终确定隐含层的数目为10。因此，最终可得7-10-5的神经网络结构。其中，输入层到隐含层采用Tansig函数，隐含层到输出层采用Logsig函数，并采用Leven-berg-Marquardt(LM)算法训练网络。将网络训练误差设为0.001。最大训练次数设为500次，当训练达到最大训练次数时，网络停止训练。