Elman 神经网络在起重机安全评估中的应用❋

蔡福海，罗建国，王 欣，赵福令

（1.大连理工大学，辽宁 大连 116023；2.赤峰市特种设备检验所，内蒙古 赤峰 024000；3.大连理工大学 （徐州）工程机械研究中心，江苏 徐州 221004）

0 引言

起重机是广泛应用于工业生产领域中的生产设备，其服役安全状态很大程度上决定着生产活动的安全性能。在影响起重机安全性能的诸多因素中，起重机起升机构的安全性以及可靠性占据着整机安全性能指标的重要部分，而在起升机构中，制动器部分的安全是重中之重。起重机在工作过程中发生的安全事故，大多数情况是由于制动器的频繁使用，导致制动效果下滑，从而出现制动失效导致事故发生。为此，对安全保护装置的可用性进行合理评估就显得尤为重要。Elman神经网络可以构建起重机的安全状态参数以及安全状态级别之间的关系，通过网络自学习计算，有效计算各类参数间的复杂关系，能够自动快速对起重机的安全状态进行识别，在安全评估中可以发挥巨大的作用。

1 Elman神经网络概述

Elman网络是J L Elman于1990年首先针对语音处理问题而提出来的，它是一种典型的局部回归网络（global feed forward local recurrent）。Elman型递归神经网络由输入层、隐藏层、承接层和输出层组成。输入层单元的作用是传输信号；输出层单元的作用是线性加权；隐藏层单元可使用非线性或线性的传递函数，一般为Sigmoid函数；承接层作为一步延时算子，它把隐藏层单元上一时刻的输出值返回给输入。Elman递归神经网络的特点在于隐藏层的输出经过承接层的存储和延时，自联到隐藏层的输入，使得它对历史数据有敏感特性，反馈性能大大增强，提高了处理动态信息的能力，从而实现了动态建模的目标。

图1为Elman神经网络模型。其中，T，x，xc，y分别为输入向量、隐藏层节点单元向量、承接层向量和输出向量。描述Elman神经网络的非线性状态空间表达式如下：

其中：w1，w2，w3分别是承接层到隐藏层、输入层到隐藏层、隐藏层到输出层的连接权值；f（·）是隐藏层神经元传递函数，一般使用S函数；g（·）是输出神经元传递函数，是隐藏层输出的线性组合。

图1 Elman神经网络模型

网络学习过程是一个不断调整权值的过程，Elman神经网络使用BP算法来修正权值，使用均方误差函数E（w）作为其学习指标函数，通过学习和调整，使均方误差函数E（w）达到最小，以满足实际应用的要求。

2 基于Elman神经网络的安全评估模型

2.1 评估模型

安全评估建模的关键是合理定义各类输入向量条件对安全评估结果的影响因子，并提取特征信息。根据影响起重机安全评估的因素分类，构造各个特征向量，建立特征向量与评估结果类型之间的映射，采用起重机的实测数据作为学习样本，训练和确定评估模型。建立安全评估模型的流程如图2所示。

图2 建立安全评估模型的流程

影响起重机安全工作的因素有很多，安全保护装置的故障是最主要的因素。安全保护装置包括制动器、微控制器、转速传感器3个主要部件。以安全保护装置为例建立的输入特征向量见表1。

表1 神经网络输入特征向量

把得到的特征向量T作为图1中Elman网络的输入，此时特征向量的不同就集中反映了各种影响因素与评估结果之间的差异性，而这种差异性有利于评估结果的模式识别。

2.2 结构参数

在本模型中采用单隐层的Elman神经网络。Elman网络输入层神经元为输入的评估因素特征向量T＝［T1，T2，…，T7］。假设共有3种评估结果，即Elman网络的期望输出Y＝［Y1，Y2，Y3］，分别定义为：安全评估结论优秀（1，0，0），安全评估结论合格（0，1，0），安全评估结论不合格（0，0，1），相应的输出层的神经元个数为3。

2.3 评估流程

确定好基于Elman神经网络的安全评估模型的参数之后，就可以进行起重机安全保护装置的安全评估了，具体计算流程如下：①随机选择一定数量的各种评估结果类型的训练样本；②由训练样本和待评估样本构造特征向量；③把训练样本的特征向量输入到Elman神经网络中，对Elman神经网络进行训练，直至达到目标误差的要求；④把待评估样本的特征向量输入到训练好的Elman神经网络中，进行安全评估；⑤将评估得到的输出向量与训练时的目标输出向量相比较，与哪一种最接近，就是哪一种评估结果类型。

3 Elman神经网络应用实例分析

按照上述原理分析，分别采集表1中的向量数据150个，分为3类，分别为优秀50个、合格50个、不合格50个。每一个类别抽取10个共30个用于样本训练，每个类别内的其余40个共120个用于测试。输入特征向量T＝［T1，T2，…，T7］，相应的Elman神经网络的输入层神经元定为7。网络的输入向量范围为［0，1］，隐藏层神经元的传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig，这是由于输出模式为0～1，正好满足网络的输出要求。网络的训练函数采用traingdx，权值学习函数使用了梯度下降动量学习函数learngdm，隐藏层神经元的个数定为7个，网络的训练次数为500，训练目标为0.01。

为提高评估的可信度，本文规定输出向量中3个元素最大者的值超过0.7即被认为该输出有效，否则认为该输出不理想而不纳入评估正确的范畴；如果最大值超过0.7且其评估结论与原评估的结论不符，则被认为是误判。表2给出了待评估的部分测试样本及对应评估结果，表3为所有检验样本的测试结果。由表3可以看出，该网络的测试样本总数为120个，其中优秀评估结论中有2个结果不理想；合格评估结论中有1个结果不理想，1个误判；不合格评估结论中有1个结果不理想，可以看出总体的评估正确率高达95%以上，具有较高的精度。

表2 部分测试样本的评估结果

表3 所有检验样本的评估结果

4 结论

通过Elman神经网络训练计算，在120个样本中的评估正确率可以达到95%以上，大大超出人为的评估效率，因此可以在起重机复杂的评估系统得到更加广泛的应用，从而可以探索出一条基于自学习的神经网络与传统识别技术相结合的有效评估模式，为起重机的安全运行提供有效的技术手段。

［1］董国金，巫世晶，王翔，等.Elman神经网络在起重机安全状态评估中的应用［J］.装备制造技术，2007（4）：64-66.

［2］赵寅，林朋.基于Elman神经网络在塔式起重机中安全状态模式识别［J］.机械研究与应用，2013，26（1）：66-68，71.

［3］李贵文，罗云东，贝聿仁，等.虚拟仪器测试技术在起重机金属结构安全评估中的应用［J］.起重运输机械，2010（4）：81-84.

［4］黄凯，张一辉，李向东，等.基于模糊层次分析法的造船门式起重机变形结构缺陷安全评估［J］.起重运输机械，2012（12）：51-55.

［5］杨瑞刚，徐格宁，树学峰，等.基于未确知测度理论的桥式起重机安全评估［J］.安全与环境学报，2011，11（2）：224-227.

［6］孟小胴，王卫辉，强宝民，等.基于模糊神经网络的起重机安全评估方法研究［J］.电子设计工程，2013，21（11）：94-96，100.

［7］Valle Lisboa JC，Reali F，Anastasia H，et al.Elman topology with sigma-pi units：an application to the modeling of verbal hallucinations in schizophrenia［J］.Neural Networks，2010，18（7）：863-877.