基于KNN算法的船用克令吊仿真作业智能评估模型

时光志

(中海油能源发展采油服务公司 天津 300452)

克令吊是船舶重要的起重装置，也是船员应重点掌握的基本技能之一。目前，国内针对船用克令吊的教学多数侧重于理论知识，船员很少有机会上手操作。同时，由于船用克令吊造价昂贵、数量较少、维护保养也比较困难，因此，培训的总体效果不佳。

随着虚拟现实技术的快速发展，一些航海仿真系统在职业教育教学和培训中得到了广泛的应用，其降低了培训成本，也提升了培训效率。因此，开发船用克令吊仿真训练系统就成为克令吊教学培训和实操训练的良好选择[1]。就克令吊作业考核评估而言，目前主要是采用人工打分方式，科学性和客观性难以保证，所以有必要开发克令吊智能评估系统。

目前，建立仿真操作评估系统的主要方法有分步评估法[2-3]、加权平均法[4-5]、层次分析法[6-7]、模糊综合评价法[8-9]和智能评估方法等，涉及到的航海设备主要包括GMDSS模拟器、C站、多普勒计程仪、GPS设备和雷达设备等。模糊综合评价法在最新的航海虚拟仿真设备评估系统[10-11]中应用较为广泛。近几年，随着机器学习和人工智能技术的发展，许多机器学习算法被逐渐引入到航海评估领域[12-13]。但是，这些算法更多地应用于船舶通航安全评估中，在航海仿真设备操作评估方面鲜有应用。王德龙[14]将DBSCAN聚类算法应用于船舶操纵避碰的智能评估，这是机器学习算法在航海仿真设备实操评估中的最早应用。

邻近算法(K-Nearest Neighbor，KNN)是机器学习领域的经典算法之一，目前已应用于航运文本分 类[14]、船期数据分析[15]和船舶监控系统[16]等领域。

作者在国内研究机构前期开发的船用克令吊仿真训练系统的基础上[17]基于KNN算法提出了一套相对完整的智能评估模型，统一了评估规则及标准，可以对克令吊作业人员的操作水平进行科学且较为全面的评估。

1 KNN基本原理

克令吊仿真作业评估在机器学习领域是典型的多分类问题。KNN是应用最为广泛的机器学习算法之一，没有显式的训练过程，具有无数据输入假定、易于工程实现、对异常值不敏感等一系列特性，非常适合解决多分类问题。因此，本文基于KNN算法对船用克令吊仿真训练智能评估模型进行研究。

KNN的工作机制如下：假设存在一个具有数据标签的训练样本集，给定测试样本，分类器将测试样本数据特征与训练集中对应的数据特征进行对比，根据特定的距离度量得到训练集合中最相近的k个训练样本的分类标签，选择k个样本中出现最多的类别标记作为测试样本的分类，这种分类方式也被称为“投票法”。以二分类问题为例，如图1所示，方形为测试样本，已标记三角形和圆形的数据为训练数据集，当k值取3时，近邻样本包含2个三角形和1个圆形，该测试样本判别为三角形样本；当k值取5时，近邻样本包含2个三角形和3个圆形，该测试样本判别为圆形样本。由此，能看得出KNN算法中k的取值很重要。

图1 KNN分类示意图 Fig.1 KNN classification diagram

2 基于KNN的智能评估流程

在对克令吊的操作进行评估时，用户的操作熟练程度可以通过操作过程中发生错误的次数来表示，错误次数越少，表明用户的熟练度越高；反之，如错误次数越多，则用户的熟练度越低。采用仿真设备进行训练的优势之一就是可以通过多次训练获取充足的操作数据建立庞大的训练数据库，提高测试样本分类的精度。

基于以上分析，本文提出了基于KNN的克令 吊仿真训练智能评估模型，其具体实施流程如图2 所示。

图2 KNN模型流程 Fig.2 KNN model flow

2.1 建立样本集

用户操作克令吊时，系统将记录操作的过程，统计发生的操作错误类别J和发生次数M，第i条样本特 征 值 记 为： Xi={( M1, M2,… , Mj,… , MNJ), M ∈N, J ∈N}，其中NJ为错误类别数。然后根据专家判断确定样本Xi的标签Yi，即将专家评语划分为10个等级，其中最好为10，最差为1。最终样本集为：D = {( Xi,Yi),1≤i ≤ N}，N为样本数。

2.2 数据集划分

本文将样本集D中的80%作为训练集T，将D中剩余的20%作为测试集Z。

2.3 分类器

基于测试集Z对KNN中的k值进行调整，直至符合分类精度。具体流程见表1。

表1 KNN分类器建立流程 Tab.1 Establishment process of KNN classifier

表中第1行的K为k值尝试的最大值。分别对比不同k值下的准确率，选择预测精度较高的k值，即可建立分类器。

2.4 智能评估

基于以上步骤所建立的分类器，将其读入被评估用户的操作数据，建立其样本数据，根据分类器对其操作级别进行分类，即可评估当前用户成绩。

3 智能评估模型设计

图3为国内研究机构前期参照巴拿马型散货船开发的船用克令吊仿真训练系统，整个系统由用户 界面、设备模型、交互操作和报警等功能模块组成，如图3(a)所示；图3(b)是克令吊所在的三维船舶场景，用户可以在船舶场景中漫游和交互；图3(c)是克令吊操作室的三维场景；图3(d)是克令吊操作台，用户通过操作台上的手柄、按钮等来控制克令吊。

图3 克令吊仿真训练系统 Fig.3 Simulation training system of crane

为了实现对克令吊操作的智能评估，需要设置评估指标、制定评估科目和设计评估流程。

3.1 设置评估指标

根据克令吊设备的相关理论知识、设备的使用操作说明和注意事项，通过设备实际操作和咨询相关专家等方法，本文设置了克令吊的评估指标，主要包括以下4类：启动/停止操作，主要包括准备启动灯的状况、准备运行灯的状况、设备照明灯的状况、操作杆的档位、克令吊的开关以及油温情况等；吊臂离开/放置位置，主要包括吊臂与存放位置的间距和碰撞情况、操作杆的档位情况等；吊作业操作，涉及克令吊的升降、旋转、俯仰等操作，主要包括操作杆的档位、吊货索的角度、吊钩的位置、回转塔架的角度、吊臂起升的角度、吊臂存放位置的开关等；克令吊与抓斗互动作业，主要包括抓斗与吊钩的挂接情况、抓斗的存放位置、抓斗遥控器的控制、抓斗的开合、抓斗的张角控制、抓斗的抓货情况等。

3.2 制定评估科目

根据克令吊的评估指标，本文设计了克令吊的实操评估科目。每个评估科目都需要设置初始参数和评估参数。初始参量用来确定设备的初始状态，通常要根据不同科目的要求来设置初始参数，一旦初始参数设置完成，克令吊的初始状态就是设置好了；评估参数对应着操作过程和操作状态，通过设置评估参数来决定该科目需要考核的内容。在操作克令吊过程中，系统会实时监测设备的状态、记录用户的操作过程、实时监测评估参数的变化、判断操作过程是否符合操作要求、是否有误操作或者漏操作等，以便后续对用户的操作进行评估。船用克令吊评估涉及的主要科目如表2所示。

表2 实操评估科目 Tab.2 Practical assessment subjects

3.3 设计评估流程

下面以“克令吊启动操作”科目为例介绍智能评估系统中该实操评估科目的整个过程。依据克令吊启动操作的评估指标启动操作评估的要求如图4 所示。

图4 克令吊启动操作评估要求 Fig.4 Requirements for operational evaluation of crane start-up

根据图4的要求，本文为克令吊启动操作评估科目设计了8个评估参数，如表3所示。这8个评估参数分别对应8个错误类别，即样本数据中的8个特征，每1种错误类别发生的次数Mi为样本中该特征的取值。

表3 克令吊启动操作评估科目的错误类别 Tab.3 Error types of operation evaluation of crane start-up

在正式开始评估之前需先建立样本集。通过收集不同用户的操作数据，再根据专家意见给出每个样本对应的级别标签，建立针对克令吊启动操作评估项目的标准样本集，见表4。本文共记录了1500条样本，在此基础上划分1200条样本为训练集，其余300条样本为测试集。

表4 样本集部分样本示例 Tab.4 Partial sample of sample set

在表1所示的算法流程基础上基于训练集和测试集确定准确率最佳的k值。经测试，k的取值与分类器的分类精度的关系如图5所示，横坐标为k的取值，纵坐标为准确率。准确率的整体趋势随着k值的增大而下降；当k值为4或6时准确率最大，此时准确率为92.6%，符合评估要求。k的取值也影响样本类别分类器的效率，分类器的效率与k值成反比。因此，将克令吊启动科目评估分类器的k值取为4。

图5 k的取值与分类准确度的关系曲线 Fig.5 Relation curve between k value and classification accuracy

确定k值后即可建立基于当前k值的KNN分类器。当该分类器用于克令吊启动操作科目实操评估时，依据用户的操作情况可获得当前用户操作的样本数据，代入分类器可获得用户此次操作的成绩级别分类，具体流程如图6所示。

图6 启动操作评估流程 Fig.6 Evaluation process of start operation

4 评估系统实现

如图7所示，本文开发了船用克令吊智能评估系统，包括试题设计模块和操作评估模块。试题设计模块采用开放式结构设计，考官通过设置克令吊科目初始参数和评估参数来完成评估试题的设置。开始训练时，克令吊仿真训练系统收到评估试题，根据初始参数进行设备状态初始化设置，即可开始克令吊的操作，系统将实时采集用户的操作过程和操作状态并根据评估参数对用户的操作进行评估。

图7 船用克令吊智能评估系统 Fig.7 Intelligent assessment system for ship crane

图8为用户进行“克令吊启动操作”科目训练的几个截图。图8(a)为用户点击“油温观察”，确认油温是否为5℃；图8(b)为点击功率问询按钮；图8(c) 为吊车按钮；图8(d)为其信号灯状态，准备运行时灯常亮，准备启动时灯闪烁直至不亮。

图8 克令吊启动操作科目训练 Fig.8 Subject training for crane operation

图9为某用户完成训练后得到的评估结果。从图中可以看出，错误次数为M＝(0，1，0，0，0，2，1，0)。该用户共计发生3类操作错误：油温5℃以下确认克令吊操作发生了1次；启动后推2次左操作杆；准备启动灯重闪后，操作右操作杆1次。经克令吊启动操作智能评估分类器解算，该受训用户的操作评估成绩为“中等”。

图9 “启动操作训练”实例评估结果 Fig.9 Evaluation results for “Start Operation Training”

5 结 论

本文对船用克令吊仿真训练系统作业的自动评估进行了深入研究，在设置评估指标、制定评估项目和设计评估流程的基础上，基于KNN算法建立了智能评估模型、统一了评估规则和标准，可以对克令吊作业人员的操作水平进行科学且较为全面的评估。与传统的评估算法相比，该模型更可靠、更易于工程实现、更方便集成至其他航海仿真训练系统中。因此，本文提出的智能评估模型具有较强的扩展性和良好的使用价值。

随着数据规模的扩大，KNN算法的效率会逐渐降低，这将影响评估效率。因此，在后续的研究中，作者拟基于树形搜索算法对KNN的搜索效率进行改进，以进一步提升评估效率。此外，可尝试使用深度学习算法，如深度神经网络，对智能评估进行扩展。■