基于LM神经网络的起重机械本质评价方法研究

龚 楠 王金奇

（西安特种设备检验检测院，陕西 西安710065）

0 引言

起重机械，是指用于垂直升降或者垂直升降并水平移动重物的机电设备，主要由工作机构（起升机构、运行机构、变幅机构和旋转机构）、驱动装置、取物装置、金属结构和操纵系统几部分组成。起重机械作为特种设备，被广泛应用在煤矿、港口、建筑等行业。起重机械种类非常多，结构比较复杂，应用广泛，近些年来我国的起重机械行业发展的速度很快，但在产品的品种规格、质量稳定性、生产效率、安全装置灵敏可靠程度、管理水平等方面与欧美发达国家仍存在较大的差距，而且存在很多方面的问题，一时适应不了起重机械发展的需要，故而在起重机械作业过程中发生了很多伤亡事故。根据国家质检总局的统计数据，起重机械作业过程中发生的伤亡事故占各行业全部伤亡事故的20%～30%，其本质安全已严重影响到作业人员的生命和财产安全。因此，对于起重机械的安全要求是十分严格的。有了严谨、科学的起重机械本质安全评价方法，能及时准确地判断出影响安全的因素，才能大大降低起重机械作业过程中发生安全事故的概率。

1 起重机械本质安全影响因素

为了更好地研究起重机械本质安全的评价方法，我们要对起重机械事故发生的原因进行深入分析。影响起重机械本质安全的因素很多，其中一些因素是偶然形成的。总结起重机械事故发生的原因，主要包括以下几个方面：

1.1 起重机械自身因素

起重机械设备本身存在由于设计制造欠佳、使用维护不当造成的缺陷，使其他因素在非常完好的状态下也很有可能导致重大安全事故，造成人身伤亡和财产损失。机械设计上的缺陷包括材料选择不当、强度计算不准、结构设计不合理、操纵机构设计不合理、外观护罩不安全、无安全装置等，制造方面的缺陷包括加工精度不够、不按照工艺卡片要求装配、零件表面质量存在问题等，安装错误包括螺栓未达到规定扭矩、齿轮啮合不好等。虽然近些年来由设计制造方面的原因造成的起重机械事故发生的几率不大，但这仍然是值得重视的因素。

1.2 人员因素

起重机械作业人员的安全意识、操作水平、自我保护意识，都会影响到起重机械的运行安全。同时，其他与起重机械有关的作业人员，像起重机械作业范围内的施工作业人员和起重机械作业空间范围的其他专业作业人员，甚至是临时进入这两个范围的人员的自我保护意识，都会影响到起重机械的本质安全。例如，经常出现的由无证上岗、违章作业、发生紧急情况后处理不当等造成的事故都属于这一类。人员因素例如无证操作、自我保护能力和应对紧急状况的能力差等造成的事故在起重机械事故中占很大比例。

1.3 管理因素

人员管理方面：劳动制度、福利薪酬制度不合理，劳动纪律执行力较差，制定的各项规章制度不去遵守，对工作现场检查较少，不按照设备的操作说明操作，没有安全操作规程或者安全规程不完善，对操作人员缺乏监督管理等。

起重机械设备管理方面：使用单位对设备的管理状况不好，如对设备台账的管理、设备安全技术检验的管理、设备使用维护保养保修的管理、起重机械设备作业与其他设备作业的协调管理等，这些都会影响到起重机械的本质安全。管理混乱的企业起重机械设备发生事故的可能性自然会更大一些。

2 基于LM神经网络的起重机械本质评价方法

起重机械的本质评价方法，应从起重机械的各个方面分层次地进行。为了尽量减少评价过程中人为因素对准确性的影响，我们引入了神经网络，建立起重机械本质评价神经网络模型，通过LM数学算法，对采集到的样本数据进行数学计算处理，获取各项评估规则的比重数字。通过实测数据验证，这种评价方法更为准确、有效。基于LM神经网络的起重机械本质评价方法，比应用传统的加权平均统计方法评价起重机械的本质安全更客观。

2.1 评价因子构造

根据前面介绍的起重机械本质安全的影响因素，构建起重机械本质评价体系，如图1所示。

图1 起重机械本质评价体系

然后，我们进一步构造评价属性集、条件集与结果集。

（1）属性集：

P1（起重机械自身因素）＝｛P11（设计不当），P12（制造方面），…，P15（安装方面）｝；

P2（人员因素）＝｛P21（安全意识），P22（操作水平），…，P25（应变能力）｝；

P3（管理因素）＝｛P31（劳动纪律），P32（操作规程），P33（设备检查），…，P35（监督检查）｝。

（2）条件集：

U＝｛U1（是），U2（否）｝ F＝｛Fi（额定权值）｝ i＝0，1，2，…，n；

U＝｛U1（特定条件）｝ F＝｛Fi（特定权值）｝ i＝0，1，2，…，n。

（3）结果集：

R＝｛R1（低），R2（中），R3（高），R4（极高）｝。

2.2 处理样本数据

应用基于LM神经网络的起重机械本质评价方法，需要有大量的评价指标数据。起重机械本质评价指标数据的获取有两种方法：第一种是专家对各项影响起重机械本质安全的因素进行评分，第二种是采用数据采集装置收集数据，其中第二种方法更为客观。根据香农信息论对某一起重机械设备不同评价数据进行处理，结合起重机械本质评价指标体系将指标划分为4级。以起重机械自身因素为例，Di表示所选取的起重机械设备样本，P1j表示设备本体危险源的评价指标，G表示危险等级，0、1、2、3分别代表低、中、高、极高4个级别。

2.3 神经网络设计

2.3.1 LM－BP神经网络

2.3.1.1 BP神经网络工作原理

BP神经网络就是模拟人的思维的一种方式，它是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。BP神经网络首先要以一定的学习准则进行学习，然后才能工作。网络学习准则如下：如果网络作出错误的判决，则通过网络学习，应使得网络减少下次犯同样错误的可能性。网络将输入模式加权求和、与门限比较，再进行非线性运算，得到网络的输出。如果网络对若干模式的学习获得了成功，便将这若干模式分布记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，便能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

基于LM神经网络的起重机械本质评价方法，是先在神经网络中输入需要学习的样本，利用设置好的BP神经网络结构及之前一次迭代的权值与阈值，从BP神经网络的首层依次向后输出计算。同时修改权值以及阈值，从末层向前计算每个权值以及阈值对误差的影响大小，并根据此要求修正各个神经元的权值与阈值。两个运算同时交错进行，互相修正。

2.3.1.2 LM 算 法

设W（k）表示k次迭代的网络权值向量，维数为M，新的权值向量W（k＋1）可以根据下面的公式求得：

设误差指标函数为：

式中，li－oi为期望输出与实际输出的误差；N 为输出向量维数。

设e（W）＝［e1（W），e2（W），…，eN1（W）］T，那么：

式中，△E（W）为梯度；△2E（W）为误差指标函数E（W）的 Hessian矩阵；J（W）为Jacobian矩阵。

对于牛顿法，有：

当接近一个解时，通常有S（W）≈0，这时得到高斯—牛顿法的计算法则为：

式中，比例系数μ为常数，μ＞0；I为单位矩阵。

运用该种算法进行迭代时，迭代成功则减小μ；当误差性能增加时，则增加μ，从而使得算法的每一步迭代误差性能保持减小状态。

2.3.2 神经网络的运算

基于LM神经网络的起重机械本质评价方法，可以把采集到的样本数据及测试数据一起导入神经网络系统，在迭代过程中不断调整比例系数μ的大小，最终得到较为准确的评价指标所占的权重。

3 结语

基于LM神经网络的起重机械本质评价方法，评价结果准确、客观，避免了人为评价时主观因素对评价结果的影响。该评价方法可作为起重机械设备本质安全评定的可靠方法，用于起重机械本质安全的评定。

［1］何宇东.基于神经网络的起重机械安全评价方法研究［D］.南昌：南昌大学，2012.

［2］王光研，许宝杰.基于LM神经网络的旋转机械故障诊断［J］.机械制造与自动化，2007（6）.

［3］崔光学，王京波.基于LM－BP神经网络的起重机械安全评价方法分析［J］.特种设备安全技术，2013（2）.