（陜西省特種設(shè)備檢驗檢測研究院 西安 710048）

起重機(jī)的起升機(jī)構(gòu)主要是用來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，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)的檢驗中，如何準(zhǔn)確的評價起升機(jī)構(gòu)的安全狀況具有重要的意義。起升機(jī)構(gòu)主要包括電動機(jī)、制動器、減速器、鋼絲繩、卷筒、滑輪、吊鉤等主要安全部件，評價指標(biāo)繁多，目前，起重機(jī)起升機(jī)構(gòu)評價方法主要有故障樹分析法、層次分析法以及PHA-FMEA（預(yù)先危險性分析——故障類型和影響分析)等評價方法，這些傳統(tǒng)方法評價過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)安全評價中的應(yīng)用越來越多，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)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小原理的基礎(chǔ)上并將最優(yōu)化理論應(yīng)用其中來解決問題的一種智能機(jī)器學(xué)習(xí)方法，該方法相對于神經(jīng)網(wǎng)絡(luò)最大的優(yōu)點(diǎn)是在對小樣本數(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編程工具首先對多年現(xiàn)場檢測并經(jīng)過量化后的起升機(jī)構(gòu)評價指標(biāo)中的樣本進(jìn)行訓(xùn)練得到映射模型后，然后對測試樣本進(jìn)行預(yù)測，最終建立了起升機(jī)構(gòu)安全評價系統(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)計學(xué)習(xí)理論的原理和結(jié)構(gòu)風(fēng)險最小化原理，通過對小樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，建立空間映射模型后，對所需的樣本數(shù)據(jù)進(jìn)行預(yù)測，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)七個評價指標(biāo)的評價結(jié)果分為四個等級，并將評價結(jié)果與評價等級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，通過機(jī)器學(xué)習(xí)，最終得到映射模型。

SVM根據(jù)Largrange對偶理論以及通過引入核函數(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)安全評價系統(tǒng)建立

本文利用MATLAB作為系統(tǒng)開發(fā)平臺，并利用LIBSVM工具箱中的源程序，根據(jù)實際情況通過對程序進(jìn)行修改、改進(jìn)，最終建立起升機(jī)構(gòu)的安全評價系統(tǒng)。利用LIBSVM建立起升機(jī)構(gòu)的安全評價系統(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)行儲存；2）對訓(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）對訓(xùn)練完成的映射模型進(jìn)行測試并預(yù)測。

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。針對起升機(jī)構(gòu)安全評價系統(tǒng)，該訓(xùn)練輸入樣本主要由電動機(jī)、制動器、減速器、鋼絲繩、卷筒、滑輪、吊鉤七個評價指標(biāo)值組成，每個評價指標(biāo)值可以用映射法以及專家經(jīng)驗法兩種方法綜合并最終量化得到。映射法的步驟首先將評價指標(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)行計算：

式中：

y——量化值；

x——某一項的檢測測量值；

a、b——安全范圍值的上、下限，可以通過起重機(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)行計算：

以某起重機(jī)卷筒為例，在定期檢驗中測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》可知卷筒報廢的標(biāo)準(zhǔn)之一為筒壁磨損達(dá)到原壁厚的20%，所以對于卷筒壁厚而言，其安全范圍值的上、下限分別為80%與100%，代入式（4）：

卷筒的另一個安全評價指標(biāo)是卷筒是否存在影響性能的表面缺陷，其可以通過專家經(jīng)驗法進(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價指標(biāo)值。起升機(jī)構(gòu)安全評價系統(tǒng)的其他指標(biāo)值同樣可以通過以上兩種方法得到。

訓(xùn)練樣本集的輸出樣本是指起重機(jī)起升機(jī)構(gòu)的安全評價等級。根據(jù)起升機(jī)構(gòu)安全評價指標(biāo)值的不同，本文將其安全評價等級分為四個等級，并分別用數(shù)字表示。安全評價等級說明，見表1。

表1 起升機(jī)構(gòu)安全評價等級說明

以某10t起重機(jī)起升機(jī)構(gòu)為例，通過檢驗人員現(xiàn)場檢驗并對起升機(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 安全評價系統(tǒng)映射模型的建立

本文收集了檢驗人員對起重機(jī)起升機(jī)構(gòu)7個安全評價指標(biāo)現(xiàn)場檢驗得到的數(shù)據(jù)，然后通過映射法和專家經(jīng)驗法對其進(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)、不同安全評價等級的樣本數(shù)據(jù)。訓(xùn)練樣本按照所要求的格式進(jìn)行儲存后，首先要經(jīng)過歸一化處理，本文利用MATLAB自帶的mapminmax函數(shù)實現(xiàn)訓(xùn)練樣本的歸一化。其次，考慮到核函數(shù)的選取對模型性能的影響，本文以樣本分類的準(zhǔn)確率為目標(biāo)，通過對常用的四種核函數(shù)進(jìn)行對比，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組樣本作為測試集，其主要目的是利用15組測試集樣本對訓(xùn)練完成的映射模型的性能進(jìn)行驗證。

利用改進(jìn)的LIBSVM工具箱對50組訓(xùn)練樣本進(jìn)行訓(xùn)練并建立映射模型后，便可以通過輸入矩陣函數(shù)對15組測試樣本的安全評價等級進(jìn)行預(yù)測。

2.3 預(yù)測結(jié)果與真實結(jié)果的誤差分析

15組測試樣本作為65組訓(xùn)練樣本數(shù)據(jù)的一部分，其安全評價等級的真實結(jié)果可以通過MATLAB函數(shù)從65組訓(xùn)練樣本數(shù)據(jù)中提取出來，見表3。

表3 測試樣本安全評價等級真實結(jié)果

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

圖1 測試集預(yù)測結(jié)果對比

從圖1可以看出，在對15組測試樣本進(jìn)行的安全評價等級預(yù)測結(jié)果中有14組預(yù)測結(jié)果與真實結(jié)果完全吻合，其預(yù)測正確率為93.3%，說明利用SVM算法建立的該起升機(jī)構(gòu)安全評價系統(tǒng)映射模型具有良好的泛化能力，同時也說明了支持向量機(jī)對小樣本訓(xùn)練數(shù)據(jù)的優(yōu)越性。

另外，通過圖1也可以看出，測試樣本集6號真實安全評價等級為4級，而預(yù)測安全評價等級為3級，二者并不吻合，這是由于SVM算法針對多分類問題時在構(gòu)造多個分類器組合的過程中勢必會對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)的歸一化也會對映射模型性能帶來一定影響，從而導(dǎo)致預(yù)測結(jié)果與真實結(jié)果并不完全吻合。但是由表1可知，兩個等級都表明起升機(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的風(fēng)險，若從定性的角度分析，其預(yù)測結(jié)果與真實結(jié)果相近，從另一個角度體現(xiàn)了按SVM算法理論進(jìn)行起升機(jī)構(gòu)安全評價的等級誤差不大。

3 結(jié)論

本文利用SVM算法理論并結(jié)合MATLAB編程工具，通過對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)安全評價系統(tǒng)，通過對測試集樣本中起升機(jī)構(gòu)安全等級的預(yù)測，然后與真實安全等級進(jìn)行比對，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)安全評價系統(tǒng)具有良好的性能，驗證了SVM針對起重機(jī)起升機(jī)構(gòu)安全評價中小樣本、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)安全評價提供了新的思路，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，核函數(shù)的選擇對模型性能有著重要的影響，如果選擇不當(dāng)，將會造成映射模型性能不理想，預(yù)測正確率較低；另外樣本數(shù)據(jù)的歸一化也會給模型性能帶來很大的影響，特別是樣本數(shù)據(jù)的取值不屬于同一個數(shù)量級，輸入變量差異較大，但歸一化并非不可或缺，針對具體問題應(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)安全評價系統(tǒng)的建立，對于其他三大機(jī)構(gòu)的安全評價，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兩種方法構(gòu)建的模型性能進(jìn)行對比，驗證兩種方法的優(yōu)缺點(diǎn)。