基于LMBP神经网络的起重机械安全评价方法分析

1、基于lm-bp神经网络的起重机械安全评价方法分析摘要：本文在总结与分析起重机械安全运行影响因素的基础上，基于本质安全理论与人-机-环境安全评价思想，构建起重机械的本质安全评价模型，设计了相对完善的起重机械安全评价指标体系。并运用信息熵与模糊数学等理论，选择bp神经网络，利用lm算法，开展起重机械安全评价方法的分析。测试结果表明，该方法误差偏离较小，具有很高的识别准确度。关键词：起重机械 bp神经网络 安全评价起重机械属于特种设备的范畴，广泛地应用在建筑、机电、煤矿、港口等生产行业。根据其中机械操作过程可以得出，起重机械因为其特殊的结构形式、操作规程、作业环境以及搬运形式，存在很多的危险因素，再

2、加上人为的操作因素、系统安全体系的因素、管理层面的因素，各种潜在的危险因素交织一起，就容易导致事故的发生。据国家质检总局统计，2011年全国共发生特种设备安全事故有275起，其中起重机械方面的事故有50起，死亡51人，事故数量占特种设备安全事故总数的18%。而起重机械中，出现事故较多的主要有桥（门）式起重机、升降式起重机以及塔式起重机。起重机械一旦发生安全事故，就会产生较大的经济损失与人身伤亡。所以，对起重机械的安全要求就会非常严格。这就要求对起重机械进行更为科学、更为完善、更为严谨的安全评价分析方法，从而降低甚至杜绝起重机械发生的概率，减少经济损失与人身伤亡。1 起重机械安全评价指标体系1.

3、1 设计思路起重机械安全评价指标体系的设计应当体现“人-机-环境-管理”这一系统的作用，从起重机械的出厂设计与制造、安装与使用、改造与管理等环节全面评价。在设计起重机械安全评价指标时，应综合考虑能够引起起重机械工作状态发生异常变化的各方面相互联系的具体指标。按照人的因素、物的因素、系统因素以及管理因素四个大的方面着手，按照各大因素的具体表现内容以及特点，进行分类，确定危险因子，并对可能存在的问题进行详细描述。同时，注意全面覆盖各项指标体系，突出风险程度较大的评价指标，按照权重进行评价指标的量化评价与分析。从而，深层次地分析安全风险产生的原因，有效地提出安全风险的解决方案与预防性维护。1.2 安

4、全评价指标体系的构建采取层次分析法建立起重机械安全评价模型，对其进行逐层细化。按照本文划分的起重机械四类危险源，从人机的角度进行层次分析。安全评价模型如图1所示：图1 起重机械安全评价模型危险源的识别需要对能够引起起重机械发生安全事故各种因素的内容、特点与分类进行分析，从而进一步明确事故发生的主要原因，寻找根源。本文划分的四种类型危险源，具体如下：（1）起重机械自身危险源起重机械自身危险源涵盖起重机械的出厂设计与制造、安装与维修、改造与使用、设备结构、安全保护装置、设备参数、设备载荷试验与设备运行情况。具体来说，起重机械的设计制造单位、安装单位、改造单位是否具备相应的所需资质、监督检验是否合格

5、；型式试验合格与否；安全保护装置选型合理程度、齐全程度、完好程度、人员配置、管理结构如何；结构本体的金属结构是否存在安全隐患，如整体失稳、塑性变形、裂纹、主梁副板局部平面度等异常；结构本体的主要零部件是否存在异常，如吊钢、钢丝线、制动器、卷筒以及滑轮的异常。（2）组织保障危险源包括作业人员、岗位职责、机制保障、操作规程、日常检查、定期检验与维护保养等方面。具体来说，作业人员配备数量是否充足，持证上岗情况，岗前培训、操作记录情况、作业人员工作经验与责任心；安全组织机构设立情况，岗位职责明确情况、人员配备合理与否；激励/奖惩机制规范程度、人员准入与培训机制；操作规程编制、放置、执行情况；日常检查频

6、率、项目与结果；定期检验计划和报检、检验单位资质、检验结果；维护保养单位资质、保养项目、保养记录与保养规程。（3）安全文化危险源安全管理制度、安全文化宣传、安全监察状况、技术档案与安全保卫制度。具体来说，起重机械使用单位是否制定了以岗位责任制为核心的安全管理制度；是否定期进行本职安全文化宣传和教育工作；起重机械使用单位是否能够按照安全监察意见对存在的问题或隐患进行改正或合理解释；技术档案内容完整状况；安全保卫制度制定与执行情况。（4）应急故障处理危险源起重机械的紧急故障处理措施，在发生故障时，自动故障处理装置是否能够有效工作，人工操作故障处理装置是否有效运行；应急预案内容完整性情况、应急预案内

7、容的检查与修订；应急中心设置；应急设备和工具情况；应急预案演习。按照以上分析，以图表的形式列出起重机械安全评价指标体系，以设备本体危险源为例，安全评价指标体系如图2所示：图2 起重机械安全评价指标体系图设备本体危险源层指标2 基于神经网络的起重机械安全评价方法起重机械安全评价方法一般采取加权平均的统计方法来评价起重机械的安全状况。此种方法有一定的局限性，如依赖专家经验，主观性较强；评价手段未进行任何噪音消除处理，评价易失真。本文采用神经网络评估方，以起重机械的状态参数作为训练样本输入，以起重机械的状态作为样本输出, 以初始评估规则设计网络结构, 建立起重机械安全评价神经网络, 通过对样本数据的

8、训练获得各项评估规则权重系数，从而构造有效的起重机械安全评价体系。2.1 构造评价因子根据上节中设计的评价指标体系，进一步构造评价属性集、条件集与结果集。（1）属性集起重机械安全评价指标体系属性集如下：p1（设备本体危险源）= p11（型式试验），p12（制造单位资质），p13（制造监督检验），p122（监控措施）；p2（组织保障危险源）= p21（激励奖惩措施），p22（人员准入与培训机制），p23（操作规程），p223（检验结果）；p3（安全文化危险源）= p31（安全管理规章制度），p32（安全文化教育人），p33（安全监察工作），p34（技术档案状况），p35（安全保卫规章制度）；p4

9、（应急故障处理）= p41（紧急事故应对措施），p42（应急预案内容），p43（应急预案内容的检查与修订），p44（事故应急中心），p45（安全应急设备与工具），p46（应急预案的演习）；（2）条件集u = u1(是)，u2(否) f=fi(额定权值) i=0,1,2n；u = u1(特定条件) f=fi(特定权值) i=0,1,2n；（3）结果集r = r1（低），r2（中），r3（高），r4（极高）；2.2 样本数据的离散处理对于起重机械安全评价指标的数据，可以通过两种方式获取，一是利用数据采集装置，如采集起重机械的塑性变形、裂纹、上拱度等；二是专家评测，如对组织保障、安全文化、应急故障处

10、理进行评测。前者相对客观准确，后则比较主观，对于同等情况，不同专家评测结果也有差异。因此，本文对样本数据进行离散化处理，将连续性的分值模糊处理，对应到四个安全级别低、中、高、极高，从而一定程度上降低样本数据中的噪音影响。本文基于香农信息论进行某一设备不同评价数据的处理工作，对第i个特征属性的输出熵计算公式为： （1）pij为第i特征属性的第j安全等级的概率。对于第i个特征属性的熵权取值，用下列公式计算： （2）利用熵权取值代替均权，再加权平均，从而得出起重机械的安全分值。随后通过模糊数学的三角隶属度函数处理分值，即 （3）对于本文起重机械安全评价指标体系，定义四级指标为（-，0.2,0.4）；

11、（0.2,0.4,0.6）；（0.4,0.6,0.8），（0.6,0.8,+）。以设备本体危险源为例，进行模糊离散化的样本数据如表1所示：表1 设备样本数据dgpd1d2d3d4d5d6d7d8d9d10d11d12d13d14d15p11010000000010110p12000000020101021p13100000000001100p14100010110010010p15000000010002010p16000001000010001p17001010000000100p18100010020000000p19000020000100011p110000101000211110p1

12、11100010002200000p112001011110100011p113000000100100100p114000000000201010p115000000000000001p116210000010010000p117000000101110000p118101011010000121p119010100101000100p120000000001100000p121010100201000000p122000100000100010在表1中，di表示为所选取的起重机械设备样本，p1j表示为设备本体危险源的评价指标，g表示为危险等级，0、1、2、3分别代表从低、中、高、极高四个级

13、别的危险等级。2.3 神经网络设计2.3.1 lm-bp神经网络（1）bp网络bp网络的学习过程如下：首先输入需要学习的样本，利用已经设置的网络结构以及之前一次迭代的权值与阈值，从bp网络的首层向后计算每个神经元的输出。其次修改权值以及阈值，从末层向前计算每个权值以及阈值对误差的影响梯度，并且按此要求对各个神经元的权值与阈值进行修改。循环交替进行以上两个步骤，直到收敛。（2）lm算法该算法是适应于中等大小的前馈神经网络的算法，也是最快速的算法。如下列公式： x(k+1) = x(k) jtj + ui-1jte （4）该算法根据以上公式对近似海瑟矩阵进行修正，当进行迭代时，迭代成功则减小；当误

14、差性能增加时，则增加，从而使得算法的每一步的迭代误差性能保持减小状态。2.3.2 神经网络的设计与训练本文利用lm算法进行神经网络训练算法，在将已经整理的大量的样本数据以及测试数据进行归一化处理之后，直接导入神经网络进行训练，得出误差范围能够允许的网络，再利用阈值矩阵进行转换，从而得到合适的评价因子权值。（1）网络层数本文选取两层bp神经网络，这是因为两层的bp神经网洛能够进行非线性映射。（2）输入层节点数本文以设备本体方面的危险源为例，如2.1节所述，该层输入节点数为22。（3）输出层节点数输出层与结果集相对应，因此输出层节点数即为1。（4）隐层节点数根据公式 n = + a 。在该公式中，

15、是隐层节点数，、分别为输入、输出节点数，为1至10之内的自然数。在本例中，输入节点数为22，输出节点数为1。根据以上公式，结合多次测试研究，本例隐层节点数选取12。另外，选取s型函数logsig 作为传输函数。可以选择一组起重机械安全检测数据进行神经网络的训练，分别对设备本体危险源、组织保障危险源、安全文化危险源、应急故障处理危险源等四方面进行训练，从而确定起重机械安全评价指标的权值。3 评价结果分析本文选取的15例起重机械设备本体危险源检测数据作为测试数据进行拟合，效果如图3所示：图3 测试效果图lm-bp神经网络共计进行21次迭代，用时1.150s，正确率为33/34=97.06%，数据拟合误差低于0.1。测试样本的输出结果与测试目标也较好的契合，仿真效果较好。与其它方法如基于概率神经网络、径向基函数神经网络等相比，lm-bp神经网络的学习时间上较长，但是其识别准确率却远远高于二者。4 结论与传统的人为评价方法相比，基于神经网络的方法