基于神经网络的起重设备安全评估研究

2016-08-01黄灵峰侯振宁刘剑锋田洪根

中国设备工程 2016年1期

关键词：安全评估评估指标

黄灵峰　侯振宁　刘剑锋　田洪根

（山东省特种设备检验研究院泰安分院，山东　泰安　271000）

基于神经网络的起重设备安全评估研究

黄灵峰侯振宁刘剑锋田洪根

（山东省特种设备检验研究院泰安分院，山东泰安271000）

摘要：分析了桥式起重设备在工程应用中的不安全因素，建立安全评价指标体系。依据Elm an神经网络的动态数据处理能力及对历史数据的敏感,建立基于Elm an神经网络的设备安全评估模型,应用于起重设备安全评估。

关键词：起重设备；安全评估；评估指标；Elm an神经网络

起重设备属于国家明确规定的涉及人身和财产安全，具有较大危险性的特种设备，国家对其有强制性的定期检验要求。近年来，随着工业生产规模的不断扩大，起重机的数量快速增长，同时安全事故也不断增加。目前，在役起重设备主要由特种设备检验检测机构采取定检（通常周期为1～2年）的方式来保障使用过程安全，定期检验自动化水平低，只能得出“合格”或“不合格”结论；单台设备检验时间有限，没有获得起重设备以往累积的应变、振动等运行状态数据，无法精确评估起重设备当前的安全等级、进行安全预警及设备的剩余疲劳寿命预测；而且起重设备始终处于动态使用过程，一次性人工检验难以从根本上发现安全隐患以及杜绝安全事故的发生。安全评估是对传感测量或人工记录的数据提取特征值，进行统计分析后，利用各种安全评估算法对起重机的健康状况进行安全评估。有效的安全评估可以准确了解当前设备的健康状态，对设备的健康状态做出正确的评级，为设备的维保提供技术支持和决策参考。T SGQ7015《起重机械定期检验规则》第十四条规定：“对于使用时间超过15年以上、处于严重腐蚀环境（如海边、潮湿地区等）或者强风区域、使用频率高的大型起重机械，应当根据具体情况有针对性地增加其他检验手段，必要时根据大型起重机械实际安全状况和使用单位安全管理水平能力，进行安全评估。”2014年1月1日起施行的《特种设备安全法》第四十八条规定：达到设计使用年限可以继续使用的，应当要求通过检验或安全评估。可见，对起重设备，尤其是服役周期长、负荷大、频率高、冶金等危险环境的起重设备进行安全评估具有十分重要的现实意义。

一、起重设备安全评估指标

安全评价指标的选择是起重设备安全评估的基础，直接影响计算过程的复杂程度和评估效果的好坏。根据起重设备的结构、故障率统计、故障对安全的影响程度，本文以桥式起重设备为例，依据安全评估指标体系建立的基本原则，建立安全评估指标体系，如图1所示。评价系统分为3个级别，第3级别为各子系统组成部分，该级每个故障建立输入特征向量。把得到的特征向量作为Elman网络的输入，特征向量的不同就反映了各种影响因素与结果之间的差异性。

图1　安全评估指标体系

二、基于Elman神经网络的安全评估模型

1.Elman神经网络评估模型

Elman神经网络模型与常见的BP神经网络不同，它是一种典型的局部回归网络，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，将隐含层前一时刻的输出反馈到当前时刻的输入，达到记忆的目的。这种反馈连接使Elman网络能够检测随时间变化的序列信息，从而使系统具有适应时变特性的能力，能直接反映动态过程系统的特性。此外，Elman网络还具有如下特点:能够以任意精度逼近任意非线性映射；不必考虑外部噪声对系统影响的具体形式。

它的主要结构是前馈连接，包括输入层、隐含层、输出层、关联层(或联系单元层)，如图2所示。输入层、隐含层、输出层连接为前馈网络，关联层从隐含层接收反馈信号，每一个隐含层节点都有一个与之对应的关联层节点连接。关联层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入。Elman神经网络的特点在于隐含层的输出经过关联层的存储和延时，自联到隐含层的输入，使得对历史数据有敏感性，反馈性能大大增强，提高处理动态信息的能力，实现动态建模。

图2　Elman神经网络模型

网络学习过程是一个不断调整权值的过程，Elman神经网络使用BP算法来修正权值，使用均方误差函数E(ω)作为其学习指标函数，通过学习和调整，使均方误差函数E(ω)达到最小。

2.结构参数

在模型中采用单隐层的Elman神经网络。Elman网络输入层神经元为输入的评估特征向量T=[T1，T2，……，Tn]。假设有4种评估结果，即Elman网络的期望输出Y=[Y1，Y2，Y3，Y4]，分别定义为优[1，0，0，0]、良[0，1，0，0]、中[0，0，1，0]、差[0，0，0，1]。

3.评估流程

评估流程如下：（1）随机选择一定数量的各种评估结果类型的训练样本；（2）由训练样本和待评估样本构造特征向量；（3）把训练样本的特征向量输入到Elman神经网络中，对Elman神经网络进行训练，指导达到目标误差的要求；（4）把待评估样本的特征向量输入到训练好的Elman网络中，进行安全评估；（5）将评估得到的输出向量与训练时的目标输出向量相比较，确定评估结果类型。

根据指标体系分类，构造各个特征向量，建立特征向量与评估结果类型之间的映射，采用起重设备实测数据作为学习样本，训练和确定评估模型。建立安全评估模型的流程如图3所示。

图3　安全评估流程图

三、Elman神经网络应用实例

采集向量数据200个，分为4类，分别为优50个、良50个、中50个、差50个。每一类别抽取10个共40个用于样本训练，每个类别内的其余40个共160个用于测试。输入特征向量=[T1，T2，……，Tn]，相应的Elman神经网络的输入层神经元定为7，网络的输入向量范围[0，1]，隐藏层神经元的传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig，这是由于输出模式为0—1，正好满足网络的输出要求。网络的训练函数采用traingdx，权值学习函数使用梯度下降动量学习函数learngdm，隐藏层神经元的个数定为7，网络的训练次数为500，训练目标为0.01。

为提高评估的可信度，规定输出向量中3个元素最大者的值超过0.7即被认为输出有效，否则认为输出不理想而不纳入评估正确的范畴；如果最大值超过0.7且其评估结论与原评估的结论不符，则被认为是误判。表1给出了待评估的部分测试样本及对应评估结果，表2为所有检验样本的测试结果，可以看出，该网络的测试样本总数为160，其中“优”评估结论中有2个结果不理想；“良”评估结论中有3个结果不理想；“中”评估结论中有2个结果不理想；“差”评估结论中有1个结果不理想，可以看出，总体的评估正确率达92.5%。