趙 寅，林 朋

(1.西安思源學院，陜西西安 710038;2.咸陽供電局，陜西 咸陽 712000)

1 引言

隨著建筑業(yè)的發(fā)展，塔式起重機作為建筑施工的重要象征與主要運輸機械，在建筑業(yè)得到了廣泛應用。塔機根據(jù)建筑需要將物品在很大空間內升降和搬運，屬危險作業(yè)。目前國內塔機安全評估方法報道較少，并且評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)計上簡單易行，但對事故分析過于簡單。而利用模糊綜合評判方法研究塔機整機安全狀態(tài)，可實現(xiàn)對塔機安全狀態(tài)綜合評判。但采用該方法，每一組狀態(tài)參數(shù)都要進行模糊變換才能得出結果，實時性較差［3］。

人工神經(jīng)網(wǎng)絡是由大量簡單的神經(jīng)元互聯(lián)組成的大規(guī)模分布式并行信息處理系統(tǒng)，通過模擬人腦的神經(jīng)組織結構，能對復雜問題進行有效求解。它具有極強的非線性動態(tài)處理、模糊推理、自學習、自組織、分布式知識存儲和聯(lián)想記憶等優(yōu)點。筆者將訓練速度快、學習記憶穩(wěn)定、診斷結果可靠的反饋型Elman人工神經(jīng)網(wǎng)絡應用于塔機施工安全評估之中，能克服傳統(tǒng)方法的一些缺陷，快速準確的得到較好安全評估結果［2］。

2 塔式起重機在建筑施工中安全狀態(tài)

塔機作為建筑施工主要運輸機械得到廣泛運用。塔機能將物料準確調運到建筑樓層任意部位，在吊運方式和調運速度方面勝過任何其它起重機械。因此，它對減輕勞動強度，節(jié)省人力，降低建設成本，提高施工質量，實現(xiàn)工程施工機械化起著重要作用。

然而，在提高工作效率的同時。由于塔起重量大，運行速度快，頻繁起制動等特點，使它蘊藏較大危險因素。為此，國內開始重視研究塔機安全技術，減少不安全因素，國家也出臺了相應的操作規(guī)程，在一定程度上減少了機械傷害的危險。作者通過以下兩個角度說明塔機施工作業(yè)的安全［1］。

2.1 塔機選型布置中影響安全因素

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

(1)盡可能對建筑物主體工程進行最大限度的塔機覆蓋。

(2)根據(jù)建筑工程的實際施工進度，各樓建筑外形、高度及施工先后順序，來決定各塔機的安裝順序及安裝高度。

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

(4)塔機定位應本著便于安裝、拆除原則。

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

(6)從在建項目成品構件最大重量角度來考慮塔機的公稱起重力矩和最大起重量。

2.2 塔機在施工作業(yè)中影響安全因素

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

(2)起重幅度:小車變幅起重機必須安裝幅度限位裝置。限位裝置應滿足當小車變幅運動中將超出最大(或最小)幅度時，切斷變幅電機向前(或向后)變幅的控制電路。

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

(4)起升高度:小車變幅起重機必須安裝起升高度限位裝置。高度限制器應滿足調構架頂部至小車架下端距離，達到 GB9462中規(guī)定距離時(一般為800mm)，立即切斷上升方向電源。

(5)風速:塔機是一種起重臂裝設于高處的全回轉起重機械，對風速有一定要求。

(6)電機繞組溫度:由于塔機三大工作機構，都有電機在運作，電機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

上述分類的塔機在建筑施工安全狀態(tài)的主要因素，對塔機安全狀態(tài)的影響程度也有差別。因此，采用模糊綜合評判方法對塔機安全狀態(tài)進行評判是有實際意義的。求出在各影響因素作用下塔機安全狀態(tài)的模糊評判結果?，F(xiàn)設模糊評判結果為y，顯然0＜y≤1?？紤]到實際應用方便，本文將［0，1］劃分為5個子區(qū)間:0.85≤y≤1對應塔機最安全狀態(tài);0.7≤y＜0.85對應較安全狀態(tài);0.5≤y＜0.7 對應由安全向危險過渡狀態(tài);0.3≤y＜0.5 對應較危險狀態(tài);y＜0.3對應危險狀態(tài)。依據(jù)模糊綜合評判結果將塔機

安全狀態(tài)進行模糊分類，表現(xiàn)為五種模式，且確定網(wǎng)絡識別模式，表示網(wǎng)絡輸出:

安全狀態(tài)a (1 0 0 0 0)

較為安全b (0 1 0 0 0)

過渡狀態(tài)c (0 0 1 0 0)

較為危險d (0 0 0 1 0)

危險狀態(tài)e (0 0 0 0 1)

4 Elman神經(jīng)網(wǎng)絡原理

4.1 Elman神經(jīng)網(wǎng)絡結構

Elman型神經(jīng)元網(wǎng)絡一般分為四層: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，輸入層的單元僅起信號傳輸作用，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)絡模型示意圖

Elman網(wǎng)絡是在BP網(wǎng)絡基礎上，加入反饋信號生成一種回歸神經(jīng)網(wǎng)絡。增加了網(wǎng)絡處理動態(tài)信息能力。由于Elman神經(jīng)網(wǎng)絡具有上下文層，即在前饋網(wǎng)絡的隱含層中增加一個承接層，作為一步延時算子，將隱含層前一時刻輸出反饋到當前時刻輸入，達到記憶目的。這種反饋連接使Elman網(wǎng)絡能夠檢測隨時間變化的序列信息，使系統(tǒng)具有適應時變特性，能直接反映動態(tài)過程特性，從而達到了動態(tài)建模目的。此外，Elman網(wǎng)絡還具有:能夠以任意精度逼近任意非線性映射;不考慮外部噪聲對系統(tǒng)的影響［2］。

由圖1得Elman網(wǎng)絡的非線性狀態(tài)空間表達式:

式中:x，y，u，xc分別表示n維中間層節(jié)點單元向量、m維輸出節(jié)點向量、r維輸入節(jié)點向量和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)的訓練

Elman網(wǎng)絡采用BP學習算法，隱含層一般采用S型傳遞函數(shù)f(x)=1/(1+e)。網(wǎng)絡輸出層可采用線性傳遞函數(shù)或對數(shù)S型函數(shù)。可通過采用結構單元使系統(tǒng)的動態(tài)特性由網(wǎng)絡內部的連接提供，因此它無需直接使用狀態(tài)作為輸入或訓練信號。

5 塔機應用在建筑施工中實例

5.1 學習樣本選擇

神經(jīng)網(wǎng)絡對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。為了使學習后得到的網(wǎng)絡具有較好性能，所搜集數(shù)據(jù)應包括相應問題模式。在本網(wǎng)絡中，塔機不同工作狀態(tài)的參數(shù)即是輸入向量。由于塔機在各種影響因素作用下工作狀態(tài)評判至今還沒有相應標準，因此本文采用基于模糊綜合評判結果的分類作為目標輸出。影響塔機安全狀態(tài)因素選用:穩(wěn)定性系數(shù)、起重量、起重力矩、工作幅度、風速、起升高度、電機溫度等7個指標，不同因素對塔機安全狀態(tài)影響程度也有差別。在保證均勻覆蓋塔機實際安全狀態(tài)前提下，選擇15個樣本對，如表1所列。為防止輸入樣本數(shù)據(jù)偏差過大，要對數(shù)據(jù) 進行歸一化處理。

表1 塔機工作狀態(tài)參數(shù)及其模糊評判結果

5.2 Elman神經(jīng)網(wǎng)絡設計和訓練

利用Matlab中的神經(jīng)網(wǎng)絡工具箱建立Elman網(wǎng)絡。神經(jīng)網(wǎng)絡輸入與輸出層節(jié)點個數(shù)是由研究具體問題決定。塔式起重機安全狀態(tài)模式識別是利用影響塔機安全狀態(tài)的七個因素決定，故網(wǎng)絡輸入層節(jié)點個數(shù)為7個。而Elman網(wǎng)絡輸出由塔機安全狀態(tài)模式 a，b，c，d，e 決定，則 Elman 網(wǎng)絡輸出層節(jié)點的個數(shù)為5個。Elman網(wǎng)絡的隱含層與承接層個數(shù)相同。隱含層確定沒有固定的公式可循，一般用試探方法確定。隱含層選擇太少會使網(wǎng)絡達不到應有精度，太多又會使網(wǎng)絡訓練速度變慢，泛化推廣能力變差。根據(jù)所給的實際訓練樣本數(shù)目、經(jīng)驗公式和實際訓練結果，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)絡結構。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)算法訓練網(wǎng)絡。將網(wǎng)絡訓練誤差設為0.001。最大訓練次數(shù)設為500次，當訓練達到最大訓練次數(shù)時，網(wǎng)絡停止訓練。

5.3 Elman網(wǎng)絡驗證及實例分析

圖2為訓練函數(shù)隨訓練次數(shù)的變化曲線。由圖中可見:網(wǎng)絡訓練收斂極快，僅34次訓練即降低到期望誤差以下。實際上網(wǎng)絡的訓練即是網(wǎng)絡自學習過程，網(wǎng)絡對照目標樣本反復調整各神經(jīng)元權值、閾值，訓練完成后網(wǎng)絡調整到最佳狀態(tài)，即可進行模糊綜合評判。

圖2 訓練函數(shù)隨訓練次數(shù)收斂曲線

表2為2組實例分析，根據(jù)已訓練好的網(wǎng)絡，運用Matlab預測評判下表中數(shù)據(jù)所得的模糊評判結果和對應分類。

表2 二組實例分析論證

Matlab對其輸出結果為:

由上述2組實例分析可知:網(wǎng)絡訓練誤差很小，對應安全狀態(tài)分別為:較為安全(0 1 0 0 0)和過渡狀態(tài)(0 0 1 0 0 0)。Elman神經(jīng)網(wǎng)絡的識別結果與模糊分類結果吻合較好，誤差較小，可以滿足實際起重機安全評估的需要。

6 結論

神經(jīng)網(wǎng)絡具有較強的自學習、自適應能力，用于評價信息殘缺的系統(tǒng)更具優(yōu)勢。另外，神經(jīng)網(wǎng)絡可以再現(xiàn)評估專家的經(jīng)驗、知識和直覺思維，較好地保證了評估結果的客觀性。應用Elman神經(jīng)網(wǎng)絡進行起重機在建筑施工中的安全狀態(tài)評估，在理論上和應用上都是可行的，與傳統(tǒng)方法相比更具有快速、簡便等優(yōu)點。

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

［2］ 李 斌.塔式起重機安全狀態(tài)的模糊識別理論及在線監(jiān)測方法研究［J］.沈陽建筑工程學院學報，2000(8):192-195.

［3］ 王麗珍.神經(jīng)網(wǎng)絡自組織模糊控制算法及其應用［J］.機械研究與應用，2011(6):10-12.

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