SVM在起重機(jī)起升機(jī)構(gòu)安全評(píng)價(jià)中的應(yīng)用

（陜西省特種設(shè)備檢驗(yàn)檢測(cè)研究院 西安 710048）

起重機(jī)的起升機(jī)構(gòu)主要是用來(lái)在垂直方向上提升貨物的，是起重機(jī)械不可或缺且最重要的基本組成部分，起升機(jī)構(gòu)能否安全運(yùn)行直接影響整機(jī)的工作性能和安全狀況。近年來(lái)，由于起升機(jī)構(gòu)中部件失效造成的重大安全事故屢見不鮮，所以，在起重機(jī)的檢驗(yàn)中，如何準(zhǔn)確的評(píng)價(jià)起升機(jī)構(gòu)的安全狀況具有重要的意義。起升機(jī)構(gòu)主要包括電動(dòng)機(jī)、制動(dòng)器、減速器、鋼絲繩、卷筒、滑輪、吊鉤等主要安全部件，評(píng)價(jià)指標(biāo)繁多，目前，起重機(jī)起升機(jī)構(gòu)評(píng)價(jià)方法主要有故障樹分析法、層次分析法以及PHA-FMEA（預(yù)先危險(xiǎn)性分析——故障類型和影響分析)等評(píng)價(jià)方法，這些傳統(tǒng)方法評(píng)價(jià)過(guò)程煩瑣且人為干涉因素大，存在資源浪費(fèi)以及安全隱患。

隨著科學(xué)技術(shù)的發(fā)展，人工智能機(jī)器學(xué)習(xí)方法在起重機(jī)安全評(píng)價(jià)中的應(yīng)用越來(lái)越多，例如神經(jīng)網(wǎng)絡(luò)和SVM（支持向量機(jī))。神經(jīng)網(wǎng)絡(luò)是利用大量神經(jīng)元之間的相互作用并以一定的學(xué)習(xí)準(zhǔn)則進(jìn)行學(xué)習(xí)來(lái)模擬人思維的一種智能機(jī)器學(xué)習(xí)方法，SVM是在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的基礎(chǔ)上并將最優(yōu)化理論應(yīng)用其中來(lái)解決問(wèn)題的一種智能機(jī)器學(xué)習(xí)方法，該方法相對(duì)于神經(jīng)網(wǎng)絡(luò)最大的優(yōu)點(diǎn)是在對(duì)小樣本數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)中能夠得到最優(yōu)解。本文利用SVM（支持向量機(jī)）算法理論并結(jié)合MATLAB編程工具首先對(duì)多年現(xiàn)場(chǎng)檢測(cè)并經(jīng)過(guò)量化后的起升機(jī)構(gòu)評(píng)價(jià)指標(biāo)中的樣本進(jìn)行訓(xùn)練得到映射模型后，然后對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，最終建立了起升機(jī)構(gòu)安全評(píng)價(jià)系統(tǒng)。

1 SVM理論介紹

SVM作為一種新的智能機(jī)器學(xué)習(xí)方法，主要是利用統(tǒng)計(jì)學(xué)習(xí)理論的原理和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，通過(guò)對(duì)小樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，建立空間映射模型后，對(duì)所需的樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到最優(yōu)解。SVM主要分為支持向量分類機(jī)和支持向量回歸機(jī)，二者主要不同在于支持向量分類機(jī)是尋找一個(gè)最優(yōu)分類面使得訓(xùn)練樣本類別分開，支持向量回歸機(jī)是尋找一個(gè)最優(yōu)分類面使得所有訓(xùn)練樣本到該平面的誤差最小。本文主要利用SVM的支持向量分類機(jī)原理將起升機(jī)構(gòu)七個(gè)評(píng)價(jià)指標(biāo)的評(píng)價(jià)結(jié)果分為四個(gè)等級(jí)，并將評(píng)價(jià)結(jié)果與評(píng)價(jià)等級(jí)分別作為樣本的輸入數(shù)據(jù)與輸出數(shù)據(jù)建立映射關(guān)系，通過(guò)機(jī)器學(xué)習(xí)，最終得到映射模型。

SVM根據(jù)Largrange對(duì)偶理論以及通過(guò)引入核函數(shù)K（xi，xj)將原空間的樣本映射到高維特征空間，最終得到如式（1）所示：

式中：

αi，αj——Lagrange 乘子；

C——懲罰因子；

xi——支持向量；

xj——未知向量；

yi，yj——分別為其輸出值，K（xi，xj)=Φ（xi)Φ（xj)。

式中：

w*——最優(yōu)分類超平面的法向量。

最終得到最優(yōu)分類函數(shù)為：

式中：

b*——最優(yōu)分類超平面的平移量。

2 起重機(jī)起升機(jī)構(gòu)安全評(píng)價(jià)系統(tǒng)建立

本文利用MATLAB作為系統(tǒng)開發(fā)平臺(tái)，并利用LIBSVM工具箱中的源程序，根據(jù)實(shí)際情況通過(guò)對(duì)程序進(jìn)行修改、改進(jìn)，最終建立起升機(jī)構(gòu)的安全評(píng)價(jià)系統(tǒng)。利用LIBSVM建立起升機(jī)構(gòu)的安全評(píng)價(jià)系統(tǒng)的主要步驟為：1）分別獲取訓(xùn)練集的訓(xùn)練輸入與輸出樣本，并按照所要求的格式進(jìn)行儲(chǔ)存；2）對(duì)訓(xùn)練樣本進(jìn)行歸一化處理；3）合理選取核函數(shù)；4）采用交叉驗(yàn)證的方法尋找最佳參數(shù)懲罰因子c與核函數(shù)方差g；5）利用最佳參數(shù)對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，得到支持向量機(jī)的映射模型；6）對(duì)訓(xùn)練完成的映射模型進(jìn)行測(cè)試并預(yù)測(cè)。

2.1 訓(xùn)練樣本集的獲取

訓(xùn)練樣本集主要由訓(xùn)練輸入樣本與訓(xùn)練輸出樣本組成。針對(duì)起升機(jī)構(gòu)安全評(píng)價(jià)系統(tǒng)，該訓(xùn)練輸入樣本主要由電動(dòng)機(jī)、制動(dòng)器、減速器、鋼絲繩、卷筒、滑輪、吊鉤七個(gè)評(píng)價(jià)指標(biāo)值組成，每個(gè)評(píng)價(jià)指標(biāo)值可以用映射法以及專家經(jīng)驗(yàn)法兩種方法綜合并最終量化得到。映射法的步驟首先將評(píng)價(jià)指標(biāo)分為安全范圍區(qū)間段和非安全范圍區(qū)間段，安全范圍區(qū)間段用（60～100）進(jìn)行量化，非安全范圍區(qū)間段用（0～60）進(jìn)行量化，最小值為0。安全范圍區(qū)間的量化值用式（4）進(jìn)行計(jì)算：

式中：

y——量化值；

x——某一項(xiàng)的檢測(cè)測(cè)量值；

a、b——安全范圍值的上、下限，可以通過(guò)起重機(jī)安全規(guī)范查取。

非安全范圍區(qū)間的量化值用式（5）進(jìn)行計(jì)算：

以某起重機(jī)卷筒為例，在定期檢驗(yàn)中測(cè)量其磨損的筒壁厚度與原壁厚的比率為93%，根據(jù)GB 6067.1—2010《起重機(jī)械安全規(guī)程》可知卷筒報(bào)廢的標(biāo)準(zhǔn)之一為筒壁磨損達(dá)到原壁厚的20%，所以對(duì)于卷筒壁厚而言，其安全范圍值的上、下限分別為80%與100%，代入式（4）：

卷筒的另一個(gè)安全評(píng)價(jià)指標(biāo)是卷筒是否存在影響性能的表面缺陷，其可以通過(guò)專家經(jīng)驗(yàn)法進(jìn)行打分得到，最終與卷筒壁厚磨損量化值綜合得到最終的卷筒安全評(píng)價(jià)指標(biāo)值。起升機(jī)構(gòu)安全評(píng)價(jià)系統(tǒng)的其他指標(biāo)值同樣可以通過(guò)以上兩種方法得到。

訓(xùn)練樣本集的輸出樣本是指起重機(jī)起升機(jī)構(gòu)的安全評(píng)價(jià)等級(jí)。根據(jù)起升機(jī)構(gòu)安全評(píng)價(jià)指標(biāo)值的不同，本文將其安全評(píng)價(jià)等級(jí)分為四個(gè)等級(jí)，并分別用數(shù)字表示。安全評(píng)價(jià)等級(jí)說(shuō)明，見表1。

表1 起升機(jī)構(gòu)安全評(píng)價(jià)等級(jí)說(shuō)明

以某10t起重機(jī)起升機(jī)構(gòu)為例，通過(guò)檢驗(yàn)人員現(xiàn)場(chǎng)檢驗(yàn)并對(duì)起升機(jī)構(gòu)安全指標(biāo)量化處理后，得到一組訓(xùn)練樣本，見表2。

表2 訓(xùn)練樣本示例

2.2 安全評(píng)價(jià)系統(tǒng)映射模型的建立

本文收集了檢驗(yàn)人員對(duì)起重機(jī)起升機(jī)構(gòu)7個(gè)安全評(píng)價(jià)指標(biāo)現(xiàn)場(chǎng)檢驗(yàn)得到的數(shù)據(jù)，然后通過(guò)映射法和專家經(jīng)驗(yàn)法對(duì)其進(jìn)行量化，最終整理得到了65組訓(xùn)練樣本數(shù)據(jù)，其中包含不同類型起重機(jī)、不同安全評(píng)價(jià)等級(jí)的樣本數(shù)據(jù)。訓(xùn)練樣本按照所要求的格式進(jìn)行儲(chǔ)存后，首先要經(jīng)過(guò)歸一化處理，本文利用MATLAB自帶的mapminmax函數(shù)實(shí)現(xiàn)訓(xùn)練樣本的歸一化。其次，考慮到核函數(shù)的選取對(duì)模型性能的影響，本文以樣本分類的準(zhǔn)確率為目標(biāo)，通過(guò)對(duì)常用的四種核函數(shù)進(jìn)行對(duì)比，最終采用徑向基核函數(shù)作為模型訓(xùn)練的核函數(shù)，然后，利用交叉驗(yàn)證的方法尋找最佳的懲罰因子和核函數(shù)方差。

本文將65組訓(xùn)練樣本數(shù)據(jù)分為兩部分，其中50組樣本作為訓(xùn)練集，15組樣本作為測(cè)試集，其主要目的是利用15組測(cè)試集樣本對(duì)訓(xùn)練完成的映射模型的性能進(jìn)行驗(yàn)證。

利用改進(jìn)的LIBSVM工具箱對(duì)50組訓(xùn)練樣本進(jìn)行訓(xùn)練并建立映射模型后，便可以通過(guò)輸入矩陣函數(shù)對(duì)15組測(cè)試樣本的安全評(píng)價(jià)等級(jí)進(jìn)行預(yù)測(cè)。

2.3 預(yù)測(cè)結(jié)果與真實(shí)結(jié)果的誤差分析

15組測(cè)試樣本作為65組訓(xùn)練樣本數(shù)據(jù)的一部分，其安全評(píng)價(jià)等級(jí)的真實(shí)結(jié)果可以通過(guò)MATLAB函數(shù)從65組訓(xùn)練樣本數(shù)據(jù)中提取出來(lái)，見表3。

表3 測(cè)試樣本安全評(píng)價(jià)等級(jí)真實(shí)結(jié)果

為了更加直觀的觀察、分析真實(shí)結(jié)果與預(yù)測(cè)結(jié)果，這里以圖形的形式給出兩種結(jié)果的對(duì)比，如圖1所示。

圖1 測(cè)試集預(yù)測(cè)結(jié)果對(duì)比

從圖1可以看出，在對(duì)15組測(cè)試樣本進(jìn)行的安全評(píng)價(jià)等級(jí)預(yù)測(cè)結(jié)果中有14組預(yù)測(cè)結(jié)果與真實(shí)結(jié)果完全吻合，其預(yù)測(cè)正確率為93.3%，說(shuō)明利用SVM算法建立的該起升機(jī)構(gòu)安全評(píng)價(jià)系統(tǒng)映射模型具有良好的泛化能力，同時(shí)也說(shuō)明了支持向量機(jī)對(duì)小樣本訓(xùn)練數(shù)據(jù)的優(yōu)越性。

另外，通過(guò)圖1也可以看出，測(cè)試樣本集6號(hào)真實(shí)安全評(píng)價(jià)等級(jí)為4級(jí)，而預(yù)測(cè)安全評(píng)價(jià)等級(jí)為3級(jí)，二者并不吻合，這是由于SVM算法針對(duì)多分類問(wèn)題時(shí)在構(gòu)造多個(gè)分類器組合的過(guò)程中勢(shì)必會(huì)對(duì)分類的精度造成一定的誤差，另外核函數(shù)的選擇以及樣本數(shù)據(jù)的歸一化也會(huì)對(duì)映射模型性能帶來(lái)一定影響，從而導(dǎo)致預(yù)測(cè)結(jié)果與真實(shí)結(jié)果并不完全吻合。但是由表1可知，兩個(gè)等級(jí)都表明起升機(jī)構(gòu)處于極不安全狀態(tài)，都應(yīng)立即采取措施消除其所帶來(lái)的風(fēng)險(xiǎn)，若從定性的角度分析，其預(yù)測(cè)結(jié)果與真實(shí)結(jié)果相近，從另一個(gè)角度體現(xiàn)了按SVM算法理論進(jìn)行起升機(jī)構(gòu)安全評(píng)價(jià)的等級(jí)誤差不大。

3 結(jié)論

本文利用SVM算法理論并結(jié)合MATLAB編程工具，通過(guò)對(duì)LIBSVM工具箱中的源程序進(jìn)行改進(jìn)，最終建立了起重機(jī)起升機(jī)構(gòu)安全評(píng)價(jià)系統(tǒng)，通過(guò)對(duì)測(cè)試集樣本中起升機(jī)構(gòu)安全等級(jí)的預(yù)測(cè)，然后與真實(shí)安全等級(jí)進(jìn)行比對(duì)，得到其正確率為93.3%。該結(jié)果表明了起重機(jī)起升機(jī)構(gòu)安全評(píng)價(jià)系統(tǒng)具有良好的性能，驗(yàn)證了SVM針對(duì)起重機(jī)起升機(jī)構(gòu)安全評(píng)價(jià)中小樣本、非線性的特征具有很高的可靠性，為起重機(jī)起升機(jī)構(gòu)安全評(píng)價(jià)提供了新的思路，在工程中具有一定的指導(dǎo)意義。

利用SVM進(jìn)行樣本訓(xùn)練并建立映射模型時(shí)，核函數(shù)的選擇對(duì)模型性能有著重要的影響，如果選擇不當(dāng)，將會(huì)造成映射模型性能不理想，預(yù)測(cè)正確率較低；另外樣本數(shù)據(jù)的歸一化也會(huì)給模型性能帶來(lái)很大的影響，特別是樣本數(shù)據(jù)的取值不屬于同一個(gè)數(shù)量級(jí)，輸入變量差異較大，但歸一化并非不可或缺，針對(duì)具體問(wèn)題應(yīng)具體分析。

SVM算法理論不僅可以應(yīng)用于起重機(jī)起升機(jī)構(gòu)安全評(píng)價(jià)系統(tǒng)的建立，對(duì)于其他三大機(jī)構(gòu)的安全評(píng)價(jià)，該方法同樣適用。另外，SVM與神經(jīng)網(wǎng)絡(luò)作為兩種不同的人工智能機(jī)器學(xué)習(xí)方法，建議在以后的研究中對(duì)兩種方法構(gòu)建的模型性能進(jìn)行對(duì)比，驗(yàn)證兩種方法的優(yōu)缺點(diǎn)。