基于Elman神經(jīng)網(wǎng)絡(luò)在塔式起重機(jī)中安全狀態(tài)模式識(shí)別*

趙 寅，林 朋

(1.西安思源學(xué)院，陜西西安 710038;2.咸陽(yáng)供電局，陜西 咸陽(yáng) 712000)

1 引言

隨著建筑業(yè)的發(fā)展，塔式起重機(jī)作為建筑施工的重要象征與主要運(yùn)輸機(jī)械，在建筑業(yè)得到了廣泛應(yīng)用。塔機(jī)根據(jù)建筑需要將物品在很大空間內(nèi)升降和搬運(yùn)，屬危險(xiǎn)作業(yè)。目前國(guó)內(nèi)塔機(jī)安全評(píng)估方法報(bào)道較少，并且評(píng)估方法多用的是故障類型影響分析法、事故樹分析法等傳統(tǒng)方法。這些方法在統(tǒng)計(jì)上簡(jiǎn)單易行，但對(duì)事故分析過(guò)于簡(jiǎn)單。而利用模糊綜合評(píng)判方法研究塔機(jī)整機(jī)安全狀態(tài)，可實(shí)現(xiàn)對(duì)塔機(jī)安全狀態(tài)綜合評(píng)判。但采用該方法，每一組狀態(tài)參數(shù)都要進(jìn)行模糊變換才能得出結(jié)果，實(shí)時(shí)性較差［3］。

人工神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單的神經(jīng)元互聯(lián)組成的大規(guī)模分布式并行信息處理系統(tǒng)，通過(guò)模擬人腦的神經(jīng)組織結(jié)構(gòu)，能對(duì)復(fù)雜問(wèn)題進(jìn)行有效求解。它具有極強(qiáng)的非線性動(dòng)態(tài)處理、模糊推理、自學(xué)習(xí)、自組織、分布式知識(shí)存儲(chǔ)和聯(lián)想記憶等優(yōu)點(diǎn)。筆者將訓(xùn)練速度快、學(xué)習(xí)記憶穩(wěn)定、診斷結(jié)果可靠的反饋型Elman人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于塔機(jī)施工安全評(píng)估之中，能克服傳統(tǒng)方法的一些缺陷，快速準(zhǔn)確的得到較好安全評(píng)估結(jié)果［2］。

2 塔式起重機(jī)在建筑施工中安全狀態(tài)

塔機(jī)作為建筑施工主要運(yùn)輸機(jī)械得到廣泛運(yùn)用。塔機(jī)能將物料準(zhǔn)確調(diào)運(yùn)到建筑樓層任意部位，在吊運(yùn)方式和調(diào)運(yùn)速度方面勝過(guò)任何其它起重機(jī)械。因此，它對(duì)減輕勞動(dòng)強(qiáng)度，節(jié)省人力，降低建設(shè)成本，提高施工質(zhì)量，實(shí)現(xiàn)工程施工機(jī)械化起著重要作用。

然而，在提高工作效率的同時(shí)。由于塔起重量大，運(yùn)行速度快，頻繁起制動(dòng)等特點(diǎn)，使它蘊(yùn)藏較大危險(xiǎn)因素。為此，國(guó)內(nèi)開(kāi)始重視研究塔機(jī)安全技術(shù)，減少不安全因素，國(guó)家也出臺(tái)了相應(yīng)的操作規(guī)程，在一定程度上減少了機(jī)械傷害的危險(xiǎn)。作者通過(guò)以下兩個(gè)角度說(shuō)明塔機(jī)施工作業(yè)的安全［1］。

2.1 塔機(jī)選型布置中影響安全因素

塔機(jī)在建筑施工布置根據(jù)建筑平面圖、立面圖，施工場(chǎng)地實(shí)際情況，塔機(jī)附著方式等因素，科學(xué)合理的確定塔機(jī)數(shù)量、型號(hào)、位置及安裝次序、高度等。具體而言，塔機(jī)選型及布置主要考慮以下幾個(gè)因素。

(1)盡可能對(duì)建筑物主體工程進(jìn)行最大限度的塔機(jī)覆蓋。

(2)根據(jù)建筑工程的實(shí)際施工進(jìn)度，各樓建筑外形、高度及施工先后順序，來(lái)決定各塔機(jī)的安裝順序及安裝高度。

(3)任一塔機(jī)大臂回轉(zhuǎn)范圍內(nèi)，與相鄰塔機(jī)塔身和相鄰建筑物不得發(fā)生干涉。

(4)塔機(jī)定位應(yīng)本著便于安裝、拆除原則。

(5)需要附著加高的塔機(jī)定位時(shí)要考慮便于安裝附著。塔機(jī)離附著墻面水平距離一般不宜大于6m。

(6)從在建項(xiàng)目成品構(gòu)件最大重量角度來(lái)考慮塔機(jī)的公稱起重力矩和最大起重量。

2.2 塔機(jī)在施工作業(yè)中影響安全因素

(1)起重量:也稱額定起升載荷，在規(guī)定幅度時(shí)的最大起升載荷。一般塔機(jī)上都裝有起重量限制器，用來(lái)限制塔機(jī)最大起重量。

(2)起重幅度:小車變幅起重機(jī)必須安裝幅度限位裝置。限位裝置應(yīng)滿足當(dāng)小車變幅運(yùn)動(dòng)中將超出最大(或最小)幅度時(shí)，切斷變幅電機(jī)向前(或向后)變幅的控制電路。

(3)起重力矩:按《塔式起重機(jī)安全規(guī)程》規(guī)定，必須裝設(shè)安全保護(hù)裝置，目前主要有起重量限制器和起重力矩限制器。

(4)起升高度:小車變幅起重機(jī)必須安裝起升高度限位裝置。高度限制器應(yīng)滿足調(diào)構(gòu)架頂部至小車架下端距離，達(dá)到 GB9462中規(guī)定距離時(shí)(一般為800mm)，立即切斷上升方向電源。

(5)風(fēng)速:塔機(jī)是一種起重臂裝設(shè)于高處的全回轉(zhuǎn)起重機(jī)械，對(duì)風(fēng)速有一定要求。

(6)電機(jī)繞組溫度:由于塔機(jī)三大工作機(jī)構(gòu)，都有電機(jī)在運(yùn)作，電機(jī)繞組溫度也是安全的重要因素［4］。

3 建筑施工中安全狀態(tài)模糊分類

上述分類的塔機(jī)在建筑施工安全狀態(tài)的主要因素，對(duì)塔機(jī)安全狀態(tài)的影響程度也有差別。因此，采用模糊綜合評(píng)判方法對(duì)塔機(jī)安全狀態(tài)進(jìn)行評(píng)判是有實(shí)際意義的。求出在各影響因素作用下塔機(jī)安全狀態(tài)的模糊評(píng)判結(jié)果?，F(xiàn)設(shè)模糊評(píng)判結(jié)果為y，顯然0＜y≤1。考慮到實(shí)際應(yīng)用方便，本文將［0，1］劃分為5個(gè)子區(qū)間:0.85≤y≤1對(duì)應(yīng)塔機(jī)最安全狀態(tài);0.7≤y＜0.85對(duì)應(yīng)較安全狀態(tài);0.5≤y＜0.7 對(duì)應(yīng)由安全向危險(xiǎn)過(guò)渡狀態(tài);0.3≤y＜0.5 對(duì)應(yīng)較危險(xiǎn)狀態(tài);y＜0.3對(duì)應(yīng)危險(xiǎn)狀態(tài)。依據(jù)模糊綜合評(píng)判結(jié)果將塔機(jī)

安全狀態(tài)進(jìn)行模糊分類，表現(xiàn)為五種模式，且確定網(wǎng)絡(luò)識(shí)別模式，表示網(wǎng)絡(luò)輸出:

安全狀態(tài)a (1 0 0 0 0)

較為安全b (0 1 0 0 0)

過(guò)渡狀態(tài)c (0 0 1 0 0)

較為危險(xiǎn)d (0 0 0 1 0)

危險(xiǎn)狀態(tài)e (0 0 0 0 1)

4 Elman神經(jīng)網(wǎng)絡(luò)原理

4.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Elman型神經(jīng)元網(wǎng)絡(luò)一般分為四層:輸入層、隱含層、承接層和輸出層，如圖1所示。其輸入層、隱含層和輸出層的連接類似于前饋網(wǎng)絡(luò)，輸入層的單元僅起信號(hào)傳輸作用，隱含層單元的傳遞函數(shù)可采用線性或非線性函數(shù)。

圖1 Elman網(wǎng)絡(luò)模型示意圖

Elman網(wǎng)絡(luò)是在BP網(wǎng)絡(luò)基礎(chǔ)上，加入反饋信號(hào)生成一種回歸神經(jīng)網(wǎng)絡(luò)。增加了網(wǎng)絡(luò)處理動(dòng)態(tài)信息能力。由于Elman神經(jīng)網(wǎng)絡(luò)具有上下文層，即在前饋網(wǎng)絡(luò)的隱含層中增加一個(gè)承接層，作為一步延時(shí)算子，將隱含層前一時(shí)刻輸出反饋到當(dāng)前時(shí)刻輸入，達(dá)到記憶目的。這種反饋連接使Elman網(wǎng)絡(luò)能夠檢測(cè)隨時(shí)間變化的序列信息，使系統(tǒng)具有適應(yīng)時(shí)變特性，能直接反映動(dòng)態(tài)過(guò)程特性，從而達(dá)到了動(dòng)態(tài)建模目的。此外，Elman網(wǎng)絡(luò)還具有:能夠以任意精度逼近任意非線性映射;不考慮外部噪聲對(duì)系統(tǒng)的影響［2］。

由圖1得Elman網(wǎng)絡(luò)的非線性狀態(tài)空間表達(dá)式:

式中:x，y，u，xc分別表示n維中間層節(jié)點(diǎn)單元向量、m維輸出節(jié)點(diǎn)向量、r維輸入節(jié)點(diǎn)向量和n維反饋狀態(tài)向量。w1，w2，w3分別表示承接層到隱含層、輸入層到隱含層、隱含層到輸出層的連接權(quán)值。g(·)為輸出神經(jīng)元的傳遞函數(shù)，f(·)是隱含層神經(jīng)元的傳遞函數(shù)，常采用S型函數(shù)。

4.2 Elman神經(jīng)網(wǎng)的訓(xùn)練

Elman網(wǎng)絡(luò)采用BP學(xué)習(xí)算法，隱含層一般采用S型傳遞函數(shù)f(x)=1/(1+e)。網(wǎng)絡(luò)輸出層可采用線性傳遞函數(shù)或?qū)?shù)S型函數(shù)。可通過(guò)采用結(jié)構(gòu)單元使系統(tǒng)的動(dòng)態(tài)特性由網(wǎng)絡(luò)內(nèi)部的連接提供，因此它無(wú)需直接使用狀態(tài)作為輸入或訓(xùn)練信號(hào)。

5 塔機(jī)應(yīng)用在建筑施工中實(shí)例

5.1 學(xué)習(xí)樣本選擇

神經(jīng)網(wǎng)絡(luò)對(duì)樣本選擇要遵循以下原則:樣本足夠多、樣本具有代表性、樣本均勻分布。為了使學(xué)習(xí)后得到的網(wǎng)絡(luò)具有較好性能，所搜集數(shù)據(jù)應(yīng)包括相應(yīng)問(wèn)題模式。在本網(wǎng)絡(luò)中，塔機(jī)不同工作狀態(tài)的參數(shù)即是輸入向量。由于塔機(jī)在各種影響因素作用下工作狀態(tài)評(píng)判至今還沒(méi)有相應(yīng)標(biāo)準(zhǔn)，因此本文采用基于模糊綜合評(píng)判結(jié)果的分類作為目標(biāo)輸出。影響塔機(jī)安全狀態(tài)因素選用:穩(wěn)定性系數(shù)、起重量、起重力矩、工作幅度、風(fēng)速、起升高度、電機(jī)溫度等7個(gè)指標(biāo)，不同因素對(duì)塔機(jī)安全狀態(tài)影響程度也有差別。在保證均勻覆蓋塔機(jī)實(shí)際安全狀態(tài)前提下，選擇15個(gè)樣本對(duì)，如表1所列。為防止輸入樣本數(shù)據(jù)偏差過(guò)大，要對(duì)數(shù)據(jù) 進(jìn)行歸一化處理。

表1 塔機(jī)工作狀態(tài)參數(shù)及其模糊評(píng)判結(jié)果

5.2 Elman神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和訓(xùn)練

利用Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱建立Elman網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)輸入與輸出層節(jié)點(diǎn)個(gè)數(shù)是由研究具體問(wèn)題決定。塔式起重機(jī)安全狀態(tài)模式識(shí)別是利用影響塔機(jī)安全狀態(tài)的七個(gè)因素決定，故網(wǎng)絡(luò)輸入層節(jié)點(diǎn)個(gè)數(shù)為7個(gè)。而Elman網(wǎng)絡(luò)輸出由塔機(jī)安全狀態(tài)模式 a，b，c，d，e 決定，則 Elman 網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的個(gè)數(shù)為5個(gè)。Elman網(wǎng)絡(luò)的隱含層與承接層個(gè)數(shù)相同。隱含層確定沒(méi)有固定的公式可循，一般用試探方法確定。隱含層選擇太少會(huì)使網(wǎng)絡(luò)達(dá)不到應(yīng)有精度，太多又會(huì)使網(wǎng)絡(luò)訓(xùn)練速度變慢，泛化推廣能力變差。根據(jù)所給的實(shí)際訓(xùn)練樣本數(shù)目、經(jīng)驗(yàn)公式和實(shí)際訓(xùn)練結(jié)果，最終確定隱含層的數(shù)目為10。因此，最終可得7-10-5的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。其中，輸入層到隱含層采用Tansig函數(shù)，隱含層到輸出層采用Logsig函數(shù)，并采用Leven-berg-Marquardt(LM)算法訓(xùn)練網(wǎng)絡(luò)。將網(wǎng)絡(luò)訓(xùn)練誤差設(shè)為0.001。最大訓(xùn)練次數(shù)設(shè)為500次，當(dāng)訓(xùn)練達(dá)到最大訓(xùn)練次數(shù)時(shí)，網(wǎng)絡(luò)停止訓(xùn)練。

5.3 Elman網(wǎng)絡(luò)驗(yàn)證及實(shí)例分析

圖2為訓(xùn)練函數(shù)隨訓(xùn)練次數(shù)的變化曲線。由圖中可見(jiàn):網(wǎng)絡(luò)訓(xùn)練收斂極快，僅34次訓(xùn)練即降低到期望誤差以下。實(shí)際上網(wǎng)絡(luò)的訓(xùn)練即是網(wǎng)絡(luò)自學(xué)習(xí)過(guò)程，網(wǎng)絡(luò)對(duì)照目標(biāo)樣本反復(fù)調(diào)整各神經(jīng)元權(quán)值、閾值，訓(xùn)練完成后網(wǎng)絡(luò)調(diào)整到最佳狀態(tài)，即可進(jìn)行模糊綜合評(píng)判。

圖2 訓(xùn)練函數(shù)隨訓(xùn)練次數(shù)收斂曲線

表2為2組實(shí)例分析，根據(jù)已訓(xùn)練好的網(wǎng)絡(luò)，運(yùn)用Matlab預(yù)測(cè)評(píng)判下表中數(shù)據(jù)所得的模糊評(píng)判結(jié)果和對(duì)應(yīng)分類。

表2 二組實(shí)例分析論證

Matlab對(duì)其輸出結(jié)果為:

由上述2組實(shí)例分析可知:網(wǎng)絡(luò)訓(xùn)練誤差很小，對(duì)應(yīng)安全狀態(tài)分別為:較為安全(0 1 0 0 0)和過(guò)渡狀態(tài)(0 0 1 0 0 0)。Elman神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果與模糊分類結(jié)果吻合較好，誤差較小，可以滿足實(shí)際起重機(jī)安全評(píng)估的需要。

6 結(jié)論

神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)能力，用于評(píng)價(jià)信息殘缺的系統(tǒng)更具優(yōu)勢(shì)。另外，神經(jīng)網(wǎng)絡(luò)可以再現(xiàn)評(píng)估專家的經(jīng)驗(yàn)、知識(shí)和直覺(jué)思維，較好地保證了評(píng)估結(jié)果的客觀性。應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行起重機(jī)在建筑施工中的安全狀態(tài)評(píng)估，在理論上和應(yīng)用上都是可行的，與傳統(tǒng)方法相比更具有快速、簡(jiǎn)便等優(yōu)點(diǎn)。

［1］ 范俊祥.塔式起重機(jī)［M］.北京:中國(guó)建材工業(yè)出版社，2004.

［2］ 李 斌.塔式起重機(jī)安全狀態(tài)的模糊識(shí)別理論及在線監(jiān)測(cè)方法研究［J］.沈陽(yáng)建筑工程學(xué)院學(xué)報(bào)，2000(8):192-195.

［3］ 王麗珍.神經(jīng)網(wǎng)絡(luò)自組織模糊控制算法及其應(yīng)用［J］.機(jī)械研究與應(yīng)用，2011(6):10-12.

［4］ 潘鳳鳴，林 梅，馮永華.塔式起重機(jī)工作狀態(tài)穩(wěn)定性判定及影響因素分析［J］.機(jī)械研究與應(yīng)用，2009(2):35-36.