基于改進(jìn)LVQ算法的塔式起重機(jī)運行狀態(tài)檢驗*

周慶輝,劉浩世,劉耀飛,3,李 欣,謝貽東

(1.北京建筑大學(xué) 機(jī)電與車輛工程學(xué)院,北京 100044;2.北京市建筑安全監(jiān)測工程技術(shù)研究中心,北京 100044;3.中鐵建設(shè)集團(tuán)有限公司,北京 100040)

0 引 言

塔式起重機(jī)是建筑工地上最常用的一種垂直運輸起重設(shè)備,屬于特種設(shè)備,因此,有必要對其進(jìn)行安裝檢驗工作。對塔式起重機(jī)進(jìn)行檢驗關(guān)系到其后續(xù)的安全運行,因此,需要嚴(yán)格按照相應(yīng)的法律法規(guī)、標(biāo)準(zhǔn)規(guī)范進(jìn)行檢驗[1-3],以確保設(shè)備的安全運行。

隨著人工智能的發(fā)展,無人機(jī)安全巡檢、吊鉤可視化系統(tǒng)、智能監(jiān)控系統(tǒng)等技術(shù)運用到了塔式起重機(jī)檢驗檢測環(huán)節(jié)當(dāng)中。

安建民等人[4]使用無人機(jī)對塔式起重機(jī)進(jìn)行了檢驗,利用圖像和視頻模式實時傳輸檢驗結(jié)果,現(xiàn)場判斷分析。周前飛等人[5]使用無人機(jī)對大型起重機(jī)的金屬結(jié)構(gòu)進(jìn)行了智能視覺檢測,利用數(shù)字圖像處理技術(shù),進(jìn)行了其缺陷特征的提取與識別。張彥慶等人[6]研究設(shè)計了鐵路集裝箱正面起重機(jī)的安全監(jiān)控系統(tǒng),實現(xiàn)了其數(shù)據(jù)監(jiān)控、設(shè)備管理維護(hù)和運行軌跡回放等功能。張充等人[7]將塔式起重機(jī)使用過程中的結(jié)構(gòu)安全監(jiān)測內(nèi)容分為靜力監(jiān)測內(nèi)容和動力監(jiān)測內(nèi)容,利用理論分析的方式,并結(jié)合實際的經(jīng)驗,確定了關(guān)鍵參數(shù)測點的位置,對塔式起重機(jī)進(jìn)行了結(jié)構(gòu)安全檢測。

上述這些方法或系統(tǒng)可以完成對塔式起重機(jī)的偵查、拍照、監(jiān)控等工作,進(jìn)行圖像的識別和處理,及時排查起重機(jī)的安全隱患,避免事故的發(fā)生,提高了塔式起重機(jī)檢驗、檢測工作效率和質(zhì)量。但是,目前的檢驗、檢測系統(tǒng)還不能完全代替人工檢測,因為存在誤判的可能,會給安全帶來隱患。因此,如何提高和改進(jìn)診斷方法的準(zhǔn)確率[8],提高其故障分類的效率,降低誤判的機(jī)率,成為塔式起重機(jī)檢測研究方面的重點。

筆者在學(xué)習(xí)矢量量化(LVQ)人工神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上,通過改進(jìn)檢驗評價模型,運用優(yōu)化的特征數(shù)據(jù)訓(xùn)練出LVQ分類器,提高起重機(jī)檢驗結(jié)果的準(zhǔn)確性,避免誤判,為塔式起重機(jī)的健康評價提供理論指導(dǎo)。

1 LVQ人工神經(jīng)網(wǎng)絡(luò)

機(jī)器學(xué)習(xí)是利用數(shù)據(jù)訓(xùn)練出模型,然后使用模型進(jìn)行預(yù)測的一種方法。基于實例的算法常根據(jù)決策問題建立模型,先選取一批樣本數(shù)據(jù),再根據(jù)某些近似性把新數(shù)據(jù)與樣本數(shù)據(jù)進(jìn)行比較,尋找最佳匹配。

常見的機(jī)器學(xué)習(xí)算法包括:k-近鄰算法(k-nearest neighbor, KNN)、學(xué)習(xí)矢量量化(LVQ)、以及自組織映射算法(self-organizing map,SOM)[9-11]。

1.1 LVQ網(wǎng)絡(luò)結(jié)構(gòu)

LVQ神經(jīng)網(wǎng)絡(luò)由3層神經(jīng)元組成,即輸入層、競爭層和線性輸出層。

輸入層與競爭層之間采用全連接的方式,競爭層與線性輸出層之間采用部分連接的方式。競爭層神經(jīng)元個數(shù)總是大于線性輸出層神經(jīng)元個數(shù),每個競爭層神經(jīng)元只與一個線性輸出層神經(jīng)元相連接且連接權(quán)值恒為1。但是,每個線性輸出層神經(jīng)元可以與多個競爭層神經(jīng)元相連接。競爭層神經(jīng)元與線性輸出層神經(jīng)元的值只能是1或0。當(dāng)某個輸入模式被送至網(wǎng)絡(luò)時,與輸入模式距離最近的競爭層神經(jīng)元被激活,神經(jīng)元的狀態(tài)為“1”,而其他競爭層神經(jīng)元的狀態(tài)均為“0”。因此,與被激活神經(jīng)元相連接的線性輸出層神經(jīng)元狀態(tài)也為“1”,而其他線性輸出層神經(jīng)元的狀態(tài)均為“0”[12]。

LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2 LVQ網(wǎng)絡(luò)原理與算法

設(shè)輸入訓(xùn)練樣本為N維向量X=(x1,x2,…,xN)T,可視為在N維空間的樣本點,而同一個類別的樣本點可能散布成數(shù)群,各有各的形心[13]。

LVQ神經(jīng)網(wǎng)絡(luò)通過樣本點來估計各個群體的形心位置,并正確地對應(yīng)到所屬的類別中;訓(xùn)練完成后的應(yīng)用階段,即可利用各自群體的形心位置,做出正確的分類判斷。

LVQ網(wǎng)絡(luò)的第2層是非監(jiān)督的競爭層,每個神經(jīng)元為一個獨立的子類別。當(dāng)樣本點輸入競爭層中,計算樣本點與各子類別間的歐式距離,尋找出最合適的子類別歸屬,即:

(1)

式中:i—樣本點;X—輸入樣本向量;W—網(wǎng)絡(luò)初始形心位置向量,即輸入樣本點i與子類別間的歐式距離;Wc—競爭勝出后的子類別。

當(dāng)i=c時,即分類結(jié)果正確,可得到公式為:

Wc(n+1)=Wc(n)+η(n)[X(n)-Wc(n)]

(2)

式中:η—學(xué)習(xí)率,數(shù)值介于0～1之間,具有抑制網(wǎng)絡(luò)權(quán)值趨近無限大的作用。

當(dāng)i≠c時,即分類結(jié)果錯誤,可得到公式:

Wc(n+1)=Wc(n)-η(n)[X(n)-Wc(n)]

(3)

2 塔式起重機(jī)檢驗主要內(nèi)容

依照GB/T 6067.1—2010《起重機(jī)械安全規(guī)程.第1部分:總則》、GB/T 5031—2019《塔式起重機(jī)》、TSG Q7016—2016《起重機(jī)械安裝改造重大修理監(jiān)督檢驗規(guī)則》、TSG Q7015—2016《起重機(jī)械定期檢驗規(guī)則》、JGJ 305—2013《建筑施工升降設(shè)備設(shè)施檢驗標(biāo)準(zhǔn)》、DB11/611—2008《施工現(xiàn)場塔式起重機(jī)檢驗規(guī)則》以及塔式起重機(jī)安全管理相關(guān)安全技術(shù)標(biāo)準(zhǔn)和規(guī)范,筆者整理歸納出了塔式起重機(jī)檢驗主要內(nèi)容,如圖2所示。

圖2 塔式起重機(jī)檢驗主要內(nèi)容

該處筆者以2018年某市檢驗了的290臺塔式起重機(jī)為例,統(tǒng)計了不合格項目,其中,前10項如表1所示。

表1 不合格項目表

從表1可以看出:金屬結(jié)構(gòu)的連接、作業(yè)環(huán)境以及主要零部件與機(jī)構(gòu)是主要問題項,出現(xiàn)的頻次較高。

3 LVQ網(wǎng)絡(luò)在檢驗中的應(yīng)用

3.1 樣本集的構(gòu)建

樣本集構(gòu)建是LVQ神經(jīng)網(wǎng)絡(luò)在塔式起重機(jī)檢驗中的重點內(nèi)容。樣本集中的特征選取要科學(xué)、合理,滿足實際需要。

樣本集如表2所示。

表2 樣本數(shù)據(jù)集

在表2中,筆者選取了最常見、最主要的15個因素為主要檢測對象,根據(jù)塔式起重機(jī)的實際運行狀態(tài),構(gòu)成了樣本空間。

單項檢測結(jié)果主要分為合格與不合格,合格用1表示,不合格則用0表示。在表2中的“整機(jī)檢驗”一列中,1表示整機(jī)合格,2表示整機(jī)不合格。

從2018—2020年北京市建筑工地塔式起重機(jī)的檢驗樣本中,筆者隨機(jī)抽取了350個原始數(shù)據(jù),構(gòu)建了樣本數(shù)據(jù)集,其中,檢驗結(jié)論合格的226臺,不合格的124臺。

在350個樣本數(shù)據(jù)集中,筆者隨機(jī)抽取300個作為訓(xùn)練集,剩余50個作為測試集,具體構(gòu)成如表3所示。

表3 樣本數(shù)據(jù)分配表

3.2 樣本訓(xùn)練參數(shù)的選擇

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是離線進(jìn)行的,識別系統(tǒng)只需要得到自動更新學(xué)習(xí)之后的權(quán)值數(shù)量和輸出神經(jīng)元的數(shù)量。筆者使用多維特征信號對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

由于輸入層為15組不同的特征信號,識別目標(biāo)為2種不同的檢驗類別;所以筆者確定LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為15-10-2型,輸入層神經(jīng)元數(shù)為15,競爭層神經(jīng)元數(shù)為10,輸出層神經(jīng)元數(shù)為2。具體參數(shù)初始設(shè)置為:學(xué)習(xí)率0.1,窗口參數(shù)0.25,顯示頻率設(shè)置為10,訓(xùn)練目標(biāo)最小精度設(shè)為0.1,迭代次數(shù)選擇為1 000。以上參數(shù)是在經(jīng)驗基礎(chǔ)上反復(fù)測試得來的。

3.3 網(wǎng)絡(luò)測試仿真

在測試神經(jīng)網(wǎng)絡(luò)時,可以利用仿真的方式,對輸出的數(shù)值進(jìn)行處理。MATLAB的LVQ神經(jīng)網(wǎng)絡(luò)仿真,可以通過函數(shù)曲線,分析實際輸出值和預(yù)期輸出值之間的誤差。如果誤差較小,可以證明塔式起重機(jī)的檢測結(jié)果與目標(biāo)輸出幾乎是一樣的,從而準(zhǔn)確地反映出塔式起重機(jī)的檢驗情況。

3.4 改進(jìn)LVQ神經(jīng)網(wǎng)絡(luò)分類器

3.4.1 熵值法計算權(quán)值,優(yōu)化特征信號

塔式起重機(jī)檢驗是屬于兩類模式(合格、不合格)分類問題。輸入是一個N維向量下X=(x1,x2,…,xN)T,其中,每一個分量都對應(yīng)一個權(quán)值ωi,隱含層的輸出疊加為一個標(biāo)量值v:

(4)

式中:v—標(biāo)量值;xi—輸入分量;ωi—權(quán)值。

隨后,在二值閾值元件中得到的標(biāo)量值ν進(jìn)行判斷,產(chǎn)生二值輸出:

(5)

式中:y—輸出值。

LVQ神經(jīng)網(wǎng)絡(luò)分類器可以將輸入數(shù)據(jù)分為兩類:合格或不合格。當(dāng)y=1時,認(rèn)為輸入X屬于合格類;當(dāng)y=2時,認(rèn)為輸入X屬于不合格類。

根據(jù)式(4)可知:權(quán)值的大小,影響分類的正確與否。同時,塔式起重機(jī)權(quán)值還與故障率、事故等級、事故類型有關(guān)。通過對故障和事故發(fā)生的各影響因素的分析,推演故障和事故發(fā)生過程,解析因果關(guān)系[14],找出主次要因素,進(jìn)一步調(diào)整設(shè)置權(quán)值。

權(quán)值ωi的確定可以根據(jù)表2中樣本故障數(shù)據(jù),采用熵值法進(jìn)行計算,得到的15個因素的權(quán)值。

權(quán)值的設(shè)置如圖3所示。

圖3 權(quán)值的設(shè)置

此外,輸入向量X,群體的形心位置W對輸出結(jié)果也有影響。

筆者將輸入向量X=(x1,x2,…,xN)T送入到輸入層,并計算競爭層神經(jīng)元與輸入向量的歐式距離di:

(6)

式中:di—歐式距離;xj—第j列輸入分量;wij—第i行,j列的形心位置。

歐氏距離di對LVQ分類具有重要的影響。對于樣本點,如果計算出的歐式距離不符合實際情況,就不能得到正確的分類[15]。因此,在塔式起重機(jī)檢驗工程實踐中,優(yōu)化輸入向量X的特征信號,得到正確的樣本點分布,對于分類結(jié)果的準(zhǔn)確性也是至關(guān)重要的。

3.4.2 學(xué)習(xí)率的調(diào)整

LVQ算法中,學(xué)習(xí)率是個很重要的參數(shù),會影響分類結(jié)果。當(dāng)學(xué)習(xí)率取大值時,就趨向于判斷為合格。當(dāng)學(xué)習(xí)率取小值時,就會趨向于判斷為不合格。在定義學(xué)習(xí)率時,要考慮收斂的速度和算法的穩(wěn)定性。

最大學(xué)習(xí)率滿足下式[16]:

(7)

式中:λmax—輸入向量X組成的自相關(guān)矩陣R的最大特征值,λmax一般不可知,通常使用自相關(guān)矩陣R的跡來代替。

按定義,矩陣的跡tr(R)是矩陣主對角線元素之和:

tr(R)=∑R(i,i)

(8)

式中:tr(R)—矩陣的跡;R—自相關(guān)矩陣。

3.4.3 隱含層節(jié)點數(shù)的調(diào)整

隱含層節(jié)點數(shù)對人工神經(jīng)網(wǎng)絡(luò)預(yù)測精度也有很大的影響:節(jié)點數(shù)太少,網(wǎng)絡(luò)不能很好地學(xué)習(xí),需要增加訓(xùn)練次數(shù),訓(xùn)練的精度也受影響;節(jié)點數(shù)太多,訓(xùn)練時間增加,網(wǎng)絡(luò)容易過擬合。

隱含層節(jié)點數(shù)滿足下列經(jīng)驗公式[17]:

(9)

式中:l—隱含層節(jié)點數(shù);m—輸出層節(jié)點數(shù);n—輸入層節(jié)點數(shù);a—0～10之間的常數(shù)。

最佳的隱含層節(jié)點數(shù)選擇,首先要用式(9)確定節(jié)點數(shù)的大致范圍,然后用試湊法確定最佳的節(jié)點數(shù)。

對于塔式起重機(jī)檢驗問題而言,當(dāng)隱含層節(jié)點數(shù)減小時,合格率誤差會升高,不合格率會降低;當(dāng)隱含層節(jié)點數(shù)增加時,合格率誤差會降低,不合格率會升高;當(dāng)隱含層節(jié)點數(shù)為7時,合格率和不合格率的誤差值均為最小,可以達(dá)到0。

3.4.4 改進(jìn)LVQ算法流程

塔式起重機(jī)檢驗存在數(shù)據(jù)量大、重復(fù)率高的問題,若直接用于目標(biāo)識別,不僅增大計算量,還會造成識別準(zhǔn)確率降低。為了實現(xiàn)零誤判,運用優(yōu)化的特征數(shù)據(jù)訓(xùn)練LVQ分類器,改進(jìn)設(shè)計訓(xùn)練集。

改進(jìn)LVQ算法檢驗分類流程如圖4所示。

圖4 改進(jìn)LVQ算法流程

根據(jù)檢驗工程情況,首先,筆者在300個訓(xùn)練集中優(yōu)選出特征數(shù)據(jù),找出典型樣本作為訓(xùn)練集,避免出現(xiàn)重復(fù)交叉,如“塔身垂直度”問題或“安全距離”問題,單獨出現(xiàn)在訓(xùn)練樣本里,而不是兩個問題同時存在樣本里;

其次,按照特征數(shù)據(jù),簡化維度,把15個檢驗項目,按照DB11/611—2008《施工現(xiàn)場塔式起重機(jī)檢驗規(guī)則》中所規(guī)定的關(guān)鍵項和一般項進(jìn)行分類,分為兩個維度;

最后,運用優(yōu)化的特征數(shù)據(jù)訓(xùn)練LVQ分類器,得到最佳神經(jīng)元數(shù)目和學(xué)習(xí)率,即提高了人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度,節(jié)省了計算時間,又提高了學(xué)習(xí)效果,保證了檢驗的準(zhǔn)確率。

4 實驗結(jié)果與分析

筆者將測試集的50個樣本數(shù)據(jù)輸入訓(xùn)練好的LVQ網(wǎng)絡(luò),利用通過訓(xùn)練得到的分類特征權(quán)值對50個測試樣本進(jìn)行識別分類。

LVQ改進(jìn)前后樣本測試圖對比如圖5所示。

LVQ改進(jìn)前后誤差比較對比如圖6所示。

圖6 LVQ改進(jìn)前后誤差比較

由圖5(a)、圖6(a)可知:測試集中第10、27、30這3個樣本是不合格設(shè)備,但是被誤判為了合格設(shè)備。在實際設(shè)備檢驗中,該情況會是不允許發(fā)生的,因為它降低了檢驗的安全性,存在安全隱患。

而改進(jìn)后的LVQ算法中,運用了優(yōu)化的特征數(shù)據(jù)訓(xùn)練LVQ分類器,通過優(yōu)化設(shè)計樣本訓(xùn)練集,優(yōu)化學(xué)習(xí)率和神經(jīng)元數(shù)目,對整機(jī)檢驗的合格率和不合格率均能達(dá)到100%,避免了誤判,提高了檢驗效果。

特征優(yōu)化前后LVQ檢驗情況對比如表4所示。

表4 特征優(yōu)化前后LVQ檢驗情況對比

在特征優(yōu)化前的LVQ算法中,對合格設(shè)備檢測,其合格率達(dá)100%;對不合格設(shè)備檢測,其不合格率達(dá)78.57%,存在“將不合格的設(shè)備誤判為合格”的問題。

通過優(yōu)化特征,改進(jìn)LVQ神經(jīng)網(wǎng)絡(luò)分類器,向量維度分為關(guān)鍵項和一般項兩個,檢驗結(jié)果完全滿足實際需要。對合格設(shè)備而言,其檢驗合格率達(dá)到了100%;對不合格設(shè)備而言,其檢驗不合格率也達(dá)到了100%,避免了誤判。

利用3種不同的方法檢驗塔式起重機(jī)所得結(jié)果如表5所示。

表5 3種檢驗方法對比表

從表5中可以看出:在塔式起重機(jī)檢驗中,與改進(jìn)前的LVQ相比,改進(jìn)后的LVQ和人工檢驗都不會存在誤判,但人工檢測需要長時間的檢驗識別(很可能由于疲勞等主觀因素造成失誤),而用機(jī)器學(xué)習(xí)代替人工檢驗,可以解決人為因素所帶來的諸多影響,很好地實現(xiàn)智能檢測。

5 結(jié)束語

為了提高起重機(jī)運行安全檢驗結(jié)果的準(zhǔn)確性和智能化水平,筆者提出了一種基于改進(jìn)的學(xué)習(xí)矢量量化(LVQ)人工神經(jīng)網(wǎng)絡(luò)模型,實現(xiàn)了對塔式起重機(jī)運行安全狀態(tài)的智能檢驗。

首先,筆者根據(jù)近年來建筑工地塔式起重機(jī)的檢驗數(shù)據(jù),建立了其樣本集,利用熵值法計算了其權(quán)值,優(yōu)化了特征信號,調(diào)整了學(xué)習(xí)率,調(diào)整了隱含層節(jié)點數(shù),得到了改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)分類器;建立了改進(jìn)的LVQ人工神經(jīng)網(wǎng)絡(luò)模型,在樣本集中進(jìn)行了人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練,實現(xiàn)了對塔式起重機(jī)運行安全狀態(tài)的智能檢驗。

研究結(jié)果表明:

(1)根據(jù)近年塔式起重機(jī)檢驗數(shù)據(jù)統(tǒng)計,檢驗項目中金屬結(jié)構(gòu)的連接、作業(yè)環(huán)境、主要零部件與機(jī)構(gòu)出現(xiàn)不合格的頻次較高;

(2)通過優(yōu)化特征信號,調(diào)整學(xué)習(xí)率,調(diào)整隱含層節(jié)點數(shù)改進(jìn)了LVQ算法,利用熵值法計算權(quán)值,優(yōu)化輸入向量X的特征信號,得到了塔式起重機(jī)檢驗正確的樣本點分布;按照輸入向量自相關(guān)矩陣R的最大特征值計算出最大學(xué)習(xí)率;調(diào)整隱含層節(jié)點數(shù),得到最佳值,當(dāng)隱含層節(jié)點數(shù)為7時,合格率和不合格率的誤差值均為最小;

(3)在整機(jī)檢驗中改進(jìn)LVQ算法,避免了誤判,實現(xiàn)了塔式起重機(jī)機(jī)器學(xué)習(xí)的智能檢驗;雖然優(yōu)化前的LVQ算法對合格設(shè)備檢驗?zāi)苓_(dá)到100%,但對不合格設(shè)備的判斷率僅達(dá)78.57%,依然存在誤判,存在安全隱患;改進(jìn)LVQ算法對合格設(shè)備檢驗的合格率可達(dá)100%,對不合格設(shè)備檢驗的不合格率也可達(dá)100%。

塔式起重機(jī)智能化檢驗是未來的發(fā)展方向,人工神經(jīng)網(wǎng)絡(luò)算法也將得到進(jìn)一步發(fā)展。因此,在后續(xù)的研究中,筆者將會對這些算法的準(zhǔn)確度和計算效率進(jìn)行比較,以找到其中最優(yōu)的算法。