（陜西省特種設備檢驗檢測研究院 西安 710048）

起重機的起升機構(gòu)主要是用來在垂直方向上提升貨物的，是起重機械不可或缺且最重要的基本組成部分，起升機構(gòu)能否安全運行直接影響整機的工作性能和安全狀況。近年來，由于起升機構(gòu)中部件失效造成的重大安全事故屢見不鮮，所以，在起重機的檢驗中，如何準確的評價起升機構(gòu)的安全狀況具有重要的意義。起升機構(gòu)主要包括電動機、制動器、減速器、鋼絲繩、卷筒、滑輪、吊鉤等主要安全部件，評價指標繁多，目前，起重機起升機構(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，存在資源浪費以及安全隱患。

隨著科學技術(shù)的發(fā)展，人工智能機器學習方法在起重機安全評價中的應用越來越多，例如神經(jīng)網(wǎng)絡和SVM（支持向量機)。神經(jīng)網(wǎng)絡是利用大量神經(jīng)元之間的相互作用并以一定的學習準則進行學習來模擬人思維的一種智能機器學習方法，SVM是在統(tǒng)計學習理論和結(jié)構(gòu)風險最小原理的基礎上并將最優(yōu)化理論應用其中來解決問題的一種智能機器學習方法，該方法相對于神經(jīng)網(wǎng)絡最大的優(yōu)點是在對小樣本數(shù)據(jù)進行訓練學習中能夠得到最優(yōu)解。本文利用SVM（支持向量機）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)過量化后的起升機構(gòu)評價指標中的樣本進行訓練得到映射模型后，然后對測試樣本進行預測，最終建立了起升機構(gòu)安全評價系統(tǒng)。

1 SVM理論介紹

SVM作為一種新的智能機器學習方法，主要是利用統(tǒng)計學習理論的原理和結(jié)構(gòu)風險最小化原理，通過對小樣本數(shù)據(jù)進行學習訓練，建立空間映射模型后，對所需的樣本數(shù)據(jù)進行預測，得到最優(yōu)解。SVM主要分為支持向量分類機和支持向量回歸機，二者主要不同在于支持向量分類機是尋找一個最優(yōu)分類面使得訓練樣本類別分開，支持向量回歸機是尋找一個最優(yōu)分類面使得所有訓練樣本到該平面的誤差最小。本文主要利用SVM的支持向量分類機原理將起升機構(gòu)七個評價指標的評價結(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)建立映射關系，通過機器學習，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 起重機起升機構(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行修改、改進，最終建立起升機構(gòu)的安全評價系統(tǒng)。利用LIBSVM建立起升機構(gòu)的安全評價系統(tǒng)的主要步驟為：1）分別獲取訓練集的訓練輸入與輸出樣本，并按照所要求的格式進行儲存；2）對訓練樣本進行歸一化處理；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)對訓練樣本進行訓練，得到支持向量機的映射模型；6）對訓練完成的映射模型進行測試并預測。

2.1 訓練樣本集的獲取

訓練樣本集主要由訓練輸入樣本與訓練輸出樣本組成。針對起升機構(gòu)安全評價系統(tǒng)，該訓練輸入樣本主要由電動機、制動器、減速器、鋼絲繩、卷筒、滑輪、吊鉤七個評價指標值組成，每個評價指標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）進行量化，非安全范圍區(qū)間段用（0～60）進行量化，最小值為0。安全范圍區(qū)間的量化值用式（4）進行計算：

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，可以通過起重機安全規(guī)范查取。

非安全范圍區(qū)間的量化值用式（5）進行計算：

以某起重機卷筒為例，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《起重機械安全規(guī)程》可知卷筒報廢的標準之一為筒壁磨損達到原壁厚的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值。起升機構(gòu)安全評價系統(tǒng)的其他指標值同樣可以通過以上兩種方法得到。

訓練樣本集的輸出樣本是指起重機起升機構(gòu)的安全評價等級。根據(jù)起升機構(gòu)安全評價指標值的不同，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 起升機構(gòu)安全評價等級說明

以某10t起重機起升機構(gòu)為例，通過檢驗人員現(xiàn)場檢驗并對起升機構(gòu)安全指標量化處理后，得到一組訓練樣本，見表2。

表2 訓練樣本示例

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起升機構(gòu)7個安全評價指標現(xiàn)場檢驗得到的數(shù)據(jù)，然后通過映射法和專家經(jīng)驗法對其進行量化，最終整理得到了65組訓練樣本數(shù)據(jù)，其中包含不同類型起重機、不同安全評價等級的樣本數(shù)據(jù)。訓練樣本按照所要求的格式進行儲存后，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確率為目標，通過對常用的四種核函數(shù)進行對比，最終采用徑向基核函數(shù)作為模型訓練的核函數(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組訓練樣本數(shù)據(jù)分為兩部分，其中50組樣本作為訓練集，15組樣本作為測試集，其主要目的是利用15組測試集樣本對訓練完成的映射模型的性能進行驗證。

利用改進的LIBSVM工具箱對50組訓練樣本進行訓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行預測。

2.3 預測結(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 測試集預測結(jié)果對比

從圖1可以看出，在對15組測試樣本進行的安全評價等級預測結(jié)果中有14組預測結(jié)果與真實結(jié)果完全吻合，其預測正確率為93.3%，說明利用SVM算法建立的該起升機構(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對小樣本訓練數(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，從而導致預測結(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構(gòu)處于極不安全狀態(tài)，都應立即采取措施消除其所帶來的風險，若從定性的角度分析，其預測結(jié)果與真實結(jié)果相近，從另一個角度體現(xiàn)了按SVM算法理論進行起升機構(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行改進，最終建立了起重機起升機構(gòu)安全評價系統(tǒng)，通過對測試集樣本中起升機構(gòu)安全等級的預測，然后與真實安全等級進行比對，得到其正確率為93.3%。該結(jié)果表明了起重機起升機構(gòu)安全評價系統(tǒng)具有良好的性能，驗證了SVM針對起重機起升機構(gòu)安全評價中小樣本、非線性的特征具有很高的可靠性，為起重機起升機構(gòu)安全評價提供了新的思路，在工程中具有一定的指導意義。

利用SVM進行樣本訓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，將會造成映射模型性能不理想，預測正確率較低；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，針對具體問題應具體分析。

SVM算法理論不僅可以應用于起重機起升機構(gòu)安全評價系統(tǒng)的建立，對于其他三大機構(gòu)的安全評價，該方法同樣適用。另外，SVM與神經(jīng)網(wǎng)絡作為兩種不同的人工智能機器學習方法，建議在以后的研究中對兩種方法構(gòu)建的模型性能進行對比，驗證兩種方法的優(yōu)缺點。