基于KNN算法的船用克令吊仿真作業(yè)智能評估模型

時光志

(中海油能源發(fā)展采油服務(wù)公司 天津 300452)

克令吊是船舶重要的起重裝置，也是船員應(yīng)重點(diǎn)掌握的基本技能之一。目前，國內(nèi)針對船用克令吊的教學(xué)多數(shù)側(cè)重于理論知識，船員很少有機(jī)會上手操作。同時，由于船用克令吊造價昂貴、數(shù)量較少、維護(hù)保養(yǎng)也比較困難，因此，培訓(xùn)的總體效果不佳。

隨著虛擬現(xiàn)實(shí)技術(shù)的快速發(fā)展，一些航海仿真系統(tǒng)在職業(yè)教育教學(xué)和培訓(xùn)中得到了廣泛的應(yīng)用，其降低了培訓(xùn)成本，也提升了培訓(xùn)效率。因此，開發(fā)船用克令吊仿真訓(xùn)練系統(tǒng)就成為克令吊教學(xué)培訓(xùn)和實(shí)操訓(xùn)練的良好選擇[1]。就克令吊作業(yè)考核評估而言，目前主要是采用人工打分方式，科學(xué)性和客觀性難以保證，所以有必要開發(fā)克令吊智能評估系統(tǒng)。

目前，建立仿真操作評估系統(tǒng)的主要方法有分步評估法[2-3]、加權(quán)平均法[4-5]、層次分析法[6-7]、模糊綜合評價法[8-9]和智能評估方法等，涉及到的航海設(shè)備主要包括GMDSS模擬器、C站、多普勒計程儀、GPS設(shè)備和雷達(dá)設(shè)備等。模糊綜合評價法在最新的航海虛擬仿真設(shè)備評估系統(tǒng)[10-11]中應(yīng)用較為廣泛。近幾年，隨著機(jī)器學(xué)習(xí)和人工智能技術(shù)的發(fā)展，許多機(jī)器學(xué)習(xí)算法被逐漸引入到航海評估領(lǐng)域[12-13]。但是，這些算法更多地應(yīng)用于船舶通航安全評估中，在航海仿真設(shè)備操作評估方面鮮有應(yīng)用。王德龍[14]將DBSCAN聚類算法應(yīng)用于船舶操縱避碰的智能評估，這是機(jī)器學(xué)習(xí)算法在航海仿真設(shè)備實(shí)操評估中的最早應(yīng)用。

鄰近算法(K-Nearest Neighbor，KNN)是機(jī)器學(xué)習(xí)領(lǐng)域的經(jīng)典算法之一，目前已應(yīng)用于航運(yùn)文本分 類[14]、船期數(shù)據(jù)分析[15]和船舶監(jiān)控系統(tǒng)[16]等領(lǐng)域。

作者在國內(nèi)研究機(jī)構(gòu)前期開發(fā)的船用克令吊仿真訓(xùn)練系統(tǒng)的基礎(chǔ)上[17]基于KNN算法提出了一套相對完整的智能評估模型，統(tǒng)一了評估規(guī)則及標(biāo)準(zhǔn)，可以對克令吊作業(yè)人員的操作水平進(jìn)行科學(xué)且較為全面的評估。

1 KNN基本原理

克令吊仿真作業(yè)評估在機(jī)器學(xué)習(xí)領(lǐng)域是典型的多分類問題。KNN是應(yīng)用最為廣泛的機(jī)器學(xué)習(xí)算法之一，沒有顯式的訓(xùn)練過程，具有無數(shù)據(jù)輸入假定、易于工程實(shí)現(xiàn)、對異常值不敏感等一系列特性，非常適合解決多分類問題。因此，本文基于KNN算法對船用克令吊仿真訓(xùn)練智能評估模型進(jìn)行研究。

KNN的工作機(jī)制如下：假設(shè)存在一個具有數(shù)據(jù)標(biāo)簽的訓(xùn)練樣本集，給定測試樣本，分類器將測試樣本數(shù)據(jù)特征與訓(xùn)練集中對應(yīng)的數(shù)據(jù)特征進(jìn)行對比，根據(jù)特定的距離度量得到訓(xùn)練集合中最相近的k個訓(xùn)練樣本的分類標(biāo)簽，選擇k個樣本中出現(xiàn)最多的類別標(biāo)記作為測試樣本的分類，這種分類方式也被稱為“投票法”。以二分類問題為例，如圖1所示，方形為測試樣本，已標(biāo)記三角形和圓形的數(shù)據(jù)為訓(xùn)練數(shù)據(jù)集，當(dāng)k值取3時，近鄰樣本包含2個三角形和1個圓形，該測試樣本判別為三角形樣本；當(dāng)k值取5時，近鄰樣本包含2個三角形和3個圓形，該測試樣本判別為圓形樣本。由此，能看得出KNN算法中k的取值很重要。

圖1 KNN分類示意圖 Fig.1 KNN classification diagram

2 基于KNN的智能評估流程

在對克令吊的操作進(jìn)行評估時，用戶的操作熟練程度可以通過操作過程中發(fā)生錯誤的次數(shù)來表示，錯誤次數(shù)越少，表明用戶的熟練度越高；反之，如錯誤次數(shù)越多，則用戶的熟練度越低。采用仿真設(shè)備進(jìn)行訓(xùn)練的優(yōu)勢之一就是可以通過多次訓(xùn)練獲取充足的操作數(shù)據(jù)建立龐大的訓(xùn)練數(shù)據(jù)庫，提高測試樣本分類的精度。

基于以上分析，本文提出了基于KNN的克令 吊仿真訓(xùn)練智能評估模型，其具體實(shí)施流程如圖2 所示。

圖2 KNN模型流程 Fig.2 KNN model flow

2.1 建立樣本集

用戶操作克令吊時，系統(tǒng)將記錄操作的過程，統(tǒng)計發(fā)生的操作錯誤類別J和發(fā)生次數(shù)M，第i條樣本特 征 值 記 為： Xi={( M1, M2,… , Mj,… , MNJ), M ∈N, J ∈N}，其中NJ為錯誤類別數(shù)。然后根據(jù)專家判斷確定樣本Xi的標(biāo)簽Yi，即將專家評語劃分為10個等級，其中最好為10，最差為1。最終樣本集為：D = {( Xi,Yi),1≤i ≤ N}，N為樣本數(shù)。

2.2 數(shù)據(jù)集劃分

本文將樣本集D中的80%作為訓(xùn)練集T，將D中剩余的20%作為測試集Z。

2.3 分類器

基于測試集Z對KNN中的k值進(jìn)行調(diào)整，直至符合分類精度。具體流程見表1。

表1 KNN分類器建立流程 Tab.1 Establishment process of KNN classifier

表中第1行的K為k值嘗試的最大值。分別對比不同k值下的準(zhǔn)確率，選擇預(yù)測精度較高的k值，即可建立分類器。

2.4 智能評估

基于以上步驟所建立的分類器，將其讀入被評估用戶的操作數(shù)據(jù)，建立其樣本數(shù)據(jù)，根據(jù)分類器對其操作級別進(jìn)行分類，即可評估當(dāng)前用戶成績。

3 智能評估模型設(shè)計

圖3為國內(nèi)研究機(jī)構(gòu)前期參照巴拿馬型散貨船開發(fā)的船用克令吊仿真訓(xùn)練系統(tǒng)，整個系統(tǒng)由用戶 界面、設(shè)備模型、交互操作和報警等功能模塊組成，如圖3(a)所示；圖3(b)是克令吊所在的三維船舶場景，用戶可以在船舶場景中漫游和交互；圖3(c)是克令吊操作室的三維場景；圖3(d)是克令吊操作臺，用戶通過操作臺上的手柄、按鈕等來控制克令吊。

圖3 克令吊仿真訓(xùn)練系統(tǒng) Fig.3 Simulation training system of crane

為了實(shí)現(xiàn)對克令吊操作的智能評估，需要設(shè)置評估指標(biāo)、制定評估科目和設(shè)計評估流程。

3.1 設(shè)置評估指標(biāo)

根據(jù)克令吊設(shè)備的相關(guān)理論知識、設(shè)備的使用操作說明和注意事項，通過設(shè)備實(shí)際操作和咨詢相關(guān)專家等方法，本文設(shè)置了克令吊的評估指標(biāo)，主要包括以下4類：啟動/停止操作，主要包括準(zhǔn)備啟動燈的狀況、準(zhǔn)備運(yùn)行燈的狀況、設(shè)備照明燈的狀況、操作桿的檔位、克令吊的開關(guān)以及油溫情況等；吊臂離開/放置位置，主要包括吊臂與存放位置的間距和碰撞情況、操作桿的檔位情況等；吊作業(yè)操作，涉及克令吊的升降、旋轉(zhuǎn)、俯仰等操作，主要包括操作桿的檔位、吊貨索的角度、吊鉤的位置、回轉(zhuǎn)塔架的角度、吊臂起升的角度、吊臂存放位置的開關(guān)等；克令吊與抓斗互動作業(yè)，主要包括抓斗與吊鉤的掛接情況、抓斗的存放位置、抓斗遙控器的控制、抓斗的開合、抓斗的張角控制、抓斗的抓貨情況等。

3.2 制定評估科目

根據(jù)克令吊的評估指標(biāo)，本文設(shè)計了克令吊的實(shí)操評估科目。每個評估科目都需要設(shè)置初始參數(shù)和評估參數(shù)。初始參量用來確定設(shè)備的初始狀態(tài)，通常要根據(jù)不同科目的要求來設(shè)置初始參數(shù)，一旦初始參數(shù)設(shè)置完成，克令吊的初始狀態(tài)就是設(shè)置好了；評估參數(shù)對應(yīng)著操作過程和操作狀態(tài)，通過設(shè)置評估參數(shù)來決定該科目需要考核的內(nèi)容。在操作克令吊過程中，系統(tǒng)會實(shí)時監(jiān)測設(shè)備的狀態(tài)、記錄用戶的操作過程、實(shí)時監(jiān)測評估參數(shù)的變化、判斷操作過程是否符合操作要求、是否有誤操作或者漏操作等，以便后續(xù)對用戶的操作進(jìn)行評估。船用克令吊評估涉及的主要科目如表2所示。

表2 實(shí)操評估科目 Tab.2 Practical assessment subjects

3.3 設(shè)計評估流程

下面以“克令吊啟動操作”科目為例介紹智能評估系統(tǒng)中該實(shí)操評估科目的整個過程。依據(jù)克令吊啟動操作的評估指標(biāo)啟動操作評估的要求如圖4 所示。

圖4 克令吊啟動操作評估要求 Fig.4 Requirements for operational evaluation of crane start-up

根據(jù)圖4的要求，本文為克令吊啟動操作評估科目設(shè)計了8個評估參數(shù)，如表3所示。這8個評估參數(shù)分別對應(yīng)8個錯誤類別，即樣本數(shù)據(jù)中的8個特征，每1種錯誤類別發(fā)生的次數(shù)Mi為樣本中該特征的取值。

表3 克令吊啟動操作評估科目的錯誤類別 Tab.3 Error types of operation evaluation of crane start-up

在正式開始評估之前需先建立樣本集。通過收集不同用戶的操作數(shù)據(jù)，再根據(jù)專家意見給出每個樣本對應(yīng)的級別標(biāo)簽，建立針對克令吊啟動操作評估項目的標(biāo)準(zhǔn)樣本集，見表4。本文共記錄了1500條樣本，在此基礎(chǔ)上劃分1200條樣本為訓(xùn)練集，其余300條樣本為測試集。

表4 樣本集部分樣本示例 Tab.4 Partial sample of sample set

在表1所示的算法流程基礎(chǔ)上基于訓(xùn)練集和測試集確定準(zhǔn)確率最佳的k值。經(jīng)測試，k的取值與分類器的分類精度的關(guān)系如圖5所示，橫坐標(biāo)為k的取值，縱坐標(biāo)為準(zhǔn)確率。準(zhǔn)確率的整體趨勢隨著k值的增大而下降；當(dāng)k值為4或6時準(zhǔn)確率最大，此時準(zhǔn)確率為92.6%，符合評估要求。k的取值也影響樣本類別分類器的效率，分類器的效率與k值成反比。因此，將克令吊啟動科目評估分類器的k值取為4。

圖5 k的取值與分類準(zhǔn)確度的關(guān)系曲線 Fig.5 Relation curve between k value and classification accuracy

確定k值后即可建立基于當(dāng)前k值的KNN分類器。當(dāng)該分類器用于克令吊啟動操作科目實(shí)操評估時，依據(jù)用戶的操作情況可獲得當(dāng)前用戶操作的樣本數(shù)據(jù)，代入分類器可獲得用戶此次操作的成績級別分類，具體流程如圖6所示。

圖6 啟動操作評估流程 Fig.6 Evaluation process of start operation

4 評估系統(tǒng)實(shí)現(xiàn)

如圖7所示，本文開發(fā)了船用克令吊智能評估系統(tǒng)，包括試題設(shè)計模塊和操作評估模塊。試題設(shè)計模塊采用開放式結(jié)構(gòu)設(shè)計，考官通過設(shè)置克令吊科目初始參數(shù)和評估參數(shù)來完成評估試題的設(shè)置。開始訓(xùn)練時，克令吊仿真訓(xùn)練系統(tǒng)收到評估試題，根據(jù)初始參數(shù)進(jìn)行設(shè)備狀態(tài)初始化設(shè)置，即可開始克令吊的操作，系統(tǒng)將實(shí)時采集用戶的操作過程和操作狀態(tài)并根據(jù)評估參數(shù)對用戶的操作進(jìn)行評估。

圖7 船用克令吊智能評估系統(tǒng) Fig.7 Intelligent assessment system for ship crane

圖8為用戶進(jìn)行“克令吊啟動操作”科目訓(xùn)練的幾個截圖。圖8(a)為用戶點(diǎn)擊“油溫觀察”，確認(rèn)油溫是否為5℃；圖8(b)為點(diǎn)擊功率問詢按鈕；圖8(c) 為吊車按鈕；圖8(d)為其信號燈狀態(tài)，準(zhǔn)備運(yùn)行時燈常亮，準(zhǔn)備啟動時燈閃爍直至不亮。

圖8 克令吊啟動操作科目訓(xùn)練 Fig.8 Subject training for crane operation

圖9為某用戶完成訓(xùn)練后得到的評估結(jié)果。從圖中可以看出，錯誤次數(shù)為M＝(0，1，0，0，0，2，1，0)。該用戶共計發(fā)生3類操作錯誤：油溫5℃以下確認(rèn)克令吊操作發(fā)生了1次；啟動后推2次左操作桿；準(zhǔn)備啟動燈重閃后，操作右操作桿1次。經(jīng)克令吊啟動操作智能評估分類器解算，該受訓(xùn)用戶的操作評估成績?yōu)椤爸械取薄?/p>

圖9 “啟動操作訓(xùn)練”實(shí)例評估結(jié)果 Fig.9 Evaluation results for “Start Operation Training”

5 結(jié) 論

本文對船用克令吊仿真訓(xùn)練系統(tǒng)作業(yè)的自動評估進(jìn)行了深入研究，在設(shè)置評估指標(biāo)、制定評估項目和設(shè)計評估流程的基礎(chǔ)上，基于KNN算法建立了智能評估模型、統(tǒng)一了評估規(guī)則和標(biāo)準(zhǔn)，可以對克令吊作業(yè)人員的操作水平進(jìn)行科學(xué)且較為全面的評估。與傳統(tǒng)的評估算法相比，該模型更可靠、更易于工程實(shí)現(xiàn)、更方便集成至其他航海仿真訓(xùn)練系統(tǒng)中。因此，本文提出的智能評估模型具有較強(qiáng)的擴(kuò)展性和良好的使用價值。

隨著數(shù)據(jù)規(guī)模的擴(kuò)大，KNN算法的效率會逐漸降低，這將影響評估效率。因此，在后續(xù)的研究中，作者擬基于樹形搜索算法對KNN的搜索效率進(jìn)行改進(jìn)，以進(jìn)一步提升評估效率。此外，可嘗試使用深度學(xué)習(xí)算法，如深度神經(jīng)網(wǎng)絡(luò)，對智能評估進(jìn)行擴(kuò)展?！?/p>