1、基于lm-bp神經網絡的起重機械安全評價方法分析摘要：本文在總結與分析起重機械安全運行影響因素的基礎上，基于本質安全理論與人-機-環境安全評價思想，構建起重機械的本質安全評價模型，設計了相對完善的起重機械安全評價指標體系。并運用信息熵與模糊數學等理論，選擇bp神經網絡，利用lm算法，開展起重機械安全評價方法的分析。測試結果表明，該方法誤差偏離較小，具有很高的識別準確度。關鍵詞：起重機械 bp神經網絡 安全評價起重機械屬于特種設備的范疇，廣泛地應用在建筑、機電、煤礦、港口等生產行業。根據其中機械操作過程可以得出，起重機械因為其特殊的結構形式、操作規程、作業環境以及搬運形式，存在很多的危險因素，再

2、加上人為的操作因素、系統安全體系的因素、管理層面的因素，各種潛在的危險因素交織一起，就容易導致事故的發生。據國家質檢總局統計，2011年全國共發生特種設備安全事故有275起，其中起重機械方面的事故有50起，死亡51人，事故數量占特種設備安全事故總數的18%。而起重機械中，出現事故較多的主要有橋（門）式起重機、升降式起重機以及塔式起重機。起重機械一旦發生安全事故，就會產生較大的經濟損失與人身傷亡。所以，對起重機械的安全要求就會非常嚴格。這就要求對起重機械進行更為科學、更為完善、更為嚴謹的安全評價分析方法，從而降低甚至杜絕起重機械發生的概率，減少經濟損失與人身傷亡。1 起重機械安全評價指標體系1.

3、1 設計思路起重機械安全評價指標體系的設計應當體現“人-機-環境-管理”這一系統的作用，從起重機械的出廠設計與制造、安裝與使用、改造與管理等環節全面評價。在設計起重機械安全評價指標時，應綜合考慮能夠引起起重機械工作狀態發生異常變化的各方面相互聯系的具體指標。按照人的因素、物的因素、系統因素以及管理因素四個大的方面著手，按照各大因素的具體表現內容以及特點，進行分類，確定危險因子，并對可能存在的問題進行詳細描述。同時，注意全面覆蓋各項指標體系，突出風險程度較大的評價指標，按照權重進行評價指標的量化評價與分析。從而，深層次地分析安全風險產生的原因，有效地提出安全風險的解決方案與預防性維護。1.2 安

4、全評價指標體系的構建采取層次分析法建立起重機械安全評價模型，對其進行逐層細化。按照本文劃分的起重機械四類危險源，從人機的角度進行層次分析。安全評價模型如圖1所示：圖1 起重機械安全評價模型危險源的識別需要對能夠引起起重機械發生安全事故各種因素的內容、特點與分類進行分析，從而進一步明確事故發生的主要原因，尋找根源。本文劃分的四種類型危險源，具體如下：（1）起重機械自身危險源起重機械自身危險源涵蓋起重機械的出廠設計與制造、安裝與維修、改造與使用、設備結構、安全保護裝置、設備參數、設備載荷試驗與設備運行情況。具體來說，起重機械的設計制造單位、安裝單位、改造單位是否具備相應的所需資質、監督檢驗是否合格

5、；型式試驗合格與否；安全保護裝置選型合理程度、齊全程度、完好程度、人員配置、管理結構如何；結構本體的金屬結構是否存在安全隱患，如整體失穩、塑性變形、裂紋、主梁副板局部平面度等異常；結構本體的主要零部件是否存在異常，如吊鋼、鋼絲線、制動器、卷筒以及滑輪的異常。（2）組織保障危險源包括作業人員、崗位職責、機制保障、操作規程、日常檢查、定期檢驗與維護保養等方面。具體來說，作業人員配備數量是否充足，持證上崗情況，崗前培訓、操作記錄情況、作業人員工作經驗與責任心；安全組織機構設立情況，崗位職責明確情況、人員配備合理與否；激勵/獎懲機制規范程度、人員準入與培訓機制；操作規程編制、放置、執行情況；日常檢查頻

6、率、項目與結果；定期檢驗計劃和報檢、檢驗單位資質、檢驗結果；維護保養單位資質、保養項目、保養記錄與保養規程。（3）安全文化危險源安全管理制度、安全文化宣傳、安全監察狀況、技術檔案與安全保衛制度。具體來說，起重機械使用單位是否制定了以崗位責任制為核心的安全管理制度；是否定期進行本職安全文化宣傳和教育工作；起重機械使用單位是否能夠按照安全監察意見對存在的問題或隱患進行改正或合理解釋；技術檔案內容完整狀況；安全保衛制度制定與執行情況。（4）應急故障處理危險源起重機械的緊急故障處理措施，在發生故障時，自動故障處理裝置是否能夠有效工作，人工操作故障處理裝置是否有效運行；應急預案內容完整性情況、應急預案內

7、容的檢查與修訂；應急中心設置；應急設備和工具情況；應急預案演習。按照以上分析，以圖表的形式列出起重機械安全評價指標體系，以設備本體危險源為例，安全評價指標體系如圖2所示：圖2 起重機械安全評價指標體系圖設備本體危險源層指標2 基于神經網絡的起重機械安全評價方法起重機械安全評價方法一般采取加權平均的統計方法來評價起重機械的安全狀況。此種方法有一定的局限性，如依賴專家經驗，主觀性較強；評價手段未進行任何噪音消除處理，評價易失真。本文采用神經網絡評估方，以起重機械的狀態參數作為訓練樣本輸入，以起重機械的狀態作為樣本輸出, 以初始評估規則設計網絡結構, 建立起重機械安全評價神經網絡, 通過對樣本數據的

8、訓練獲得各項評估規則權重系數，從而構造有效的起重機械安全評價體系。2.1 構造評價因子根據上節中設計的評價指標體系，進一步構造評價屬性集、條件集與結果集。（1）屬性集起重機械安全評價指標體系屬性集如下：p1（設備本體危險源）= p11（型式試驗），p12（制造單位資質），p13（制造監督檢驗），p122（監控措施）；p2（組織保障危險源）= p21（激勵獎懲措施），p22（人員準入與培訓機制），p23（操作規程），p223（檢驗結果）；p3（安全文化危險源）= p31（安全管理規章制度），p32（安全文化教育人），p33（安全監察工作），p34（技術檔案狀況），p35（安全保衛規章制度）；p4

9、（應急故障處理）= p41（緊急事故應對措施），p42（應急預案內容），p43（應急預案內容的檢查與修訂），p44（事故應急中心），p45（安全應急設備與工具），p46（應急預案的演習）；（2）條件集u = u1(是)，u2(否) f=fi(額定權值) i=0,1,2n；u = u1(特定條件) f=fi(特定權值) i=0,1,2n；（3）結果集r = r1（低），r2（中），r3（高），r4（極高）；2.2 樣本數據的離散處理對于起重機械安全評價指標的數據，可以通過兩種方式獲取，一是利用數據采集裝置，如采集起重機械的塑性變形、裂紋、上拱度等；二是專家評測，如對組織保障、安全文化、應急故障處

10、理進行評測。前者相對客觀準確，后則比較主觀，對于同等情況，不同專家評測結果也有差異。因此，本文對樣本數據進行離散化處理，將連續性的分值模糊處理，對應到四個安全級別低、中、高、極高，從而一定程度上降低樣本數據中的噪音影響。本文基于香農信息論進行某一設備不同評價數據的處理工作，對第i個特征屬性的輸出熵計算公式為： （1）pij為第i特征屬性的第j安全等級的概率。對于第i個特征屬性的熵權取值，用下列公式計算： （2）利用熵權取值代替均權，再加權平均，從而得出起重機械的安全分值。隨后通過模糊數學的三角隸屬度函數處理分值，即 （3）對于本文起重機械安全評價指標體系，定義四級指標為（-，0.2,0.4）；

11、（0.2,0.4,0.6）；（0.4,0.6,0.8），（0.6,0.8,+）。以設備本體危險源為例，進行模糊離散化的樣本數據如表1所示：表1 設備樣本數據dgpd1d2d3d4d5d6d7d8d9d10d11d12d13d14d15p11010000000010110p12000000020101021p13100000000001100p14100010110010010p15000000010002010p16000001000010001p17001010000000100p18100010020000000p19000020000100011p110000101000211110p1

12、11100010002200000p112001011110100011p113000000100100100p114000000000201010p115000000000000001p116210000010010000p117000000101110000p118101011010000121p119010100101000100p120000000001100000p121010100201000000p122000100000100010在表1中，di表示為所選取的起重機械設備樣本，p1j表示為設備本體危險源的評價指標，g表示為危險等級，0、1、2、3分別代表從低、中、高、極高四個級

13、別的危險等級。2.3 神經網絡設計2.3.1 lm-bp神經網絡（1）bp網絡bp網絡的學習過程如下：首先輸入需要學習的樣本，利用已經設置的網絡結構以及之前一次迭代的權值與閾值，從bp網絡的首層向后計算每個神經元的輸出。其次修改權值以及閾值，從末層向前計算每個權值以及閾值對誤差的影響梯度，并且按此要求對各個神經元的權值與閾值進行修改。循環交替進行以上兩個步驟，直到收斂。（2）lm算法該算法是適應于中等大小的前饋神經網絡的算法，也是最快速的算法。如下列公式： x(k+1) = x(k) jtj + ui-1jte （4）該算法根據以上公式對近似海瑟矩陣進行修正，當進行迭代時，迭代成功則減小；當誤

14、差性能增加時，則增加，從而使得算法的每一步的迭代誤差性能保持減小狀態。2.3.2 神經網絡的設計與訓練本文利用lm算法進行神經網絡訓練算法，在將已經整理的大量的樣本數據以及測試數據進行歸一化處理之后，直接導入神經網絡進行訓練，得出誤差范圍能夠允許的網絡，再利用閾值矩陣進行轉換，從而得到合適的評價因子權值。（1）網絡層數本文選取兩層bp神經網絡，這是因為兩層的bp神經網洛能夠進行非線性映射。（2）輸入層節點數本文以設備本體方面的危險源為例，如2.1節所述，該層輸入節點數為22。（3）輸出層節點數輸出層與結果集相對應，因此輸出層節點數即為1。（4）隱層節點數根據公式 n = + a 。在該公式中，

15、是隱層節點數，、分別為輸入、輸出節點數，為1至10之內的自然數。在本例中，輸入節點數為22，輸出節點數為1。根據以上公式，結合多次測試研究，本例隱層節點數選取12。另外，選取s型函數logsig 作為傳輸函數?？梢赃x擇一組起重機械安全檢測數據進行神經網絡的訓練，分別對設備本體危險源、組織保障危險源、安全文化危險源、應急故障處理危險源等四方面進行訓練，從而確定起重機械安全評價指標的權值。3 評價結果分析本文選取的15例起重機械設備本體危險源檢測數據作為測試數據進行擬合，效果如圖3所示：圖3 測試效果圖lm-bp神經網絡共計進行21次迭代，用時1.150s，正確率為33/34=97.06%，數據擬合誤差低于0.1。測試樣本的輸出結果與測試目標也較好的契合，仿真效果較好。與其它方法如基于概率神經網絡、徑向基函數神經網絡等相比，lm-bp神經網絡的學習時間上較長，但是其識別準確率卻遠遠高于二者。4 結論與傳統的人為評價方法相比，基于神經網絡的方法