修井机司钻作业舒适度的多变量综合评价研究*

屈文涛，任姣姣，徐剑波，史婵媛，程 寓，杨斌

(1.西安石油大学 机械工程学院, 陕西 西安 710065； 2.长庆油田分公司勘探开发研究院, 陕西 西安 710018；3.长庆油田分公司第三采气厂, 内蒙古 鄂尔多斯 017300)

0 引 言

近几年，随着HSE MS在国内外各油田的大力实施，提高工程机械驾驶室的舒适度已进入公众视野[1]。修井机是石油机械的重要设备，但修井作业工作环境恶劣，司钻工长时间承受着大负荷、高频率的工作[2]。作业空间的安全性、舒适性直接影响着作业人员的误操作率和工作效率[3]，而在修井作业中，刹把是司钻工高频率使用的操作部件[4]。因此，刹把的布局问题成为影响司钻工作业舒适度的重要因素。

布局问题是人机布局问题。因此笔者选取“人的因素”(身高、体重、臂长)与“机的因素”(刹把铰接位置距离人体坐标的横向距离M、纵向距离N、高度H)展开对作业舒适度影响的研究。由于BP神经网络(Back Propagation Neural Network，以下简称BPNN)具有优越的分类能力和多维的函数映射能力[5]，是一种基于误差逆向修正多次反馈的网络，常被用于各类多输入类模型[6-8]的建立。本文亦将基于BPNN建立修井机司钻工作业舒适度的评价模型。

司钻工对操作舱布局设计的感受具有多维性，除生理感受之外，心理感受也是一个重要的维度。为真实直观记录司钻工作业舒适度评价，笔者通过主观评价法，记录受试者的主观感受与体验[9]，从多维度[10]综合评价操作舱刹把布局的设计质量，为建立司钻作业舒适度评价模型提供依据。

1 试验与数据

1.1 试验方案

为记录受试者在不同位置参数下作业的舒适度感受，规定8个测试点位置，要求受试者在这8个测试点进行操作试验，最终受试者可自主调节位置至最佳作业姿态1次，即每位受试者应完成共9个测试点的操作试验。

(1) 试验动作

对现场作业情况调研分析及动作提取，如图1中，司钻工在操作过程中，将刹把从零位(α角)向后拉至极限位置(β角)，观察窗外工况后，由β角复位至α角，如此往复，完成作业任务。

图1 修井作业关键动作提取

由此，规定试验动作如图2，受试者听到开始口令后，将刹把从零位(α角)匀速向后拉至极限位置(β角)，停留5 s后再匀速推至原位并停留5 s。为使受试者熟悉作业动作，首先要求受试者操作5 min,而后每个测试点进行10 min操作后记录其感受。为避免受试者连续操作导致疲劳累积，影响后续试验评分的准确性，要求受试者每完成一个测试点的试验后休息20 min，再进行下一个测试点的试验。

图2 XJ70型修井机司钻作业实验台

(2)试验人员与平台

邀请13名男性大学生作为志愿者，身体健康，近期未进行剧烈运动。试验平台为XJ70型修井机司钻作业实验台，实验台主要包含控制台、座椅、刹把、踏板以及底板等。其中，座椅可升降；刹把可实现推拉并可调节前后、左右位置等。

1.2 试验数据

根据Likert量表建立五点量表，且为引导受试者准确表达操作感受，对评语集分制规定为“舒适8～10分；较舒适6～8分；一般4～6分；不舒适2～4分；很不舒适0～2分”。

以1号受试者操作试验为例，首先对其进行身高、体重、臂长等基本参数测量(见图3)。而后分别记录其在8个规定测试点以及1个自主调节测试点的操作感受。如表1中，第一组数据表示在第一个测试点，即刹把铰接位置距离人体坐标的横向距离M为240 mm、纵向距离N为353 mm、高度H为443 mm时，受试者的操作舒适度打分为5分，语义为“一般”。表1中：人员为1#；身高为1 835 mm；体重为59.5 kg；臂长为590 mm。

图3 1#受试者进行试验

表1 1#受试者试验记录表

2 BPNN建模

2.1 应用BPNN的合理性

BPNN采用误差逆传播学习算法，由输入层、隐层和输出层组成，不断调整层间权重，从而使网络的实际输出更接近理想输出，具有简单、易行、计算量小、并行性强等优点[11]。图4即为一个拥有d个输入神经元、l个输出神经元、q个隐层神经元的BP网络结构，其中bh为隐层第h个神经元的输出。

图4 BPNN的变量符号

BPNN能模拟人脑机能，可以较好地模拟司钻工作业时的判断过程，且具有优良的非线性逼近能力，因而能够准确描述相关因素与舒适度评分之间的非线性关系。

2.2 结构及参数的选择

应用BPNN建立司钻工舒适度评价模型，对司钻工作业舒适度进行预测。在MATLAB中编辑神经网络程序，其中，误差传递函数采用Sigmoid函数，控制误差为10～12；为避免陷入死循环，设定最大循环次数为10 000次。

(1) 输入数据

利用试验得到的数据集(S+T)，随机选择S组数据作为训练数据训练网络，另外T组数据对数据测试网络的分类能力进行测试。

(2) 确定BPNN结构

由于输入层有6项指标(身高、体重、臂长、M、N、H)，输出层为1项(舒适度)，隐层神经元由经验公式得出估计值[12]，再经试验与比较得到。公式如下：

(1)

式中：q为隐层神经元个数；m为输入层神经元个数；n为输出层神经元个数；a为1～10的常数。

结合试凑法确定隐层节点个数，并采用确定性系数R2来表征预测值的逼近程度，定义为：

(2)

由表2可以看出，隐层节点个数对网络预测模型的准确性有较大影响，其中，当隐层节点为9个时，网络准确性较高。因此设定BPNN结构为6-9-1，即输入层有6个节点，隐层有9个节点，输出层有1个节点。

表2 不同隐层节点个数时的确定性系数

(3) 确定训练次数

为在仅有有限的数据样本的情况下，探寻网络准确率较高的预测模型。进一步展开了训练次数对网络精度影响的研究。随机选取90组数据为训练样本，其余27组数据为验证样本，绘制训练次数对舒适度预测模型准确性对比如图5。

从图5中可以看出，当训练次数为15 000次、20 000次时，舒适度预测值更接近验证样本的原始数据；而当训练次数为20 000次时，虽有较好的拟合效果，但其预测能力不稳定。因此，为使网络具有良好的预测能力与稳定性，选定训练次数为15 000次。

图5 训练次数对网络预测能力的影响

3 模型准确性验证

(1) 网络模型预测

为验证建立网络模型的准确性，依照GB1988-10000中成年男性人体尺寸，选取5th、50th、95th百分位三组人体尺寸，并任意选取三组M、N、H数据，应用网络模型进行预测，预测结果如表3所列。

表3 BPNN预测结果

(2) AMS逆向动力学仿真

基于生物力学仿真软件AMS对人体模型进行逆向动力学仿真，得到不同位置参数下作业人员的最大肌肉激活度。由于肌肉激活度是指在完成某动作时，肌肉实际发力与其最大力的比值，即肌肉激活度数值越小，则表明完成某动作用力小，舒适度高。因此，定义由AMS仿真得到的舒适度为:

(3)

式中：Amax为最大肌肉激活度。

依照表2中人体数据及环境设定建立人体模型(见图6)与“人-机”交互仿真模型(见图7)。

图6 5th、50th、95th百分位人体模型

图7 5th百分位逆向动力学仿真模型

设定边界条件与约束方式[2]后，对人体模型进行逆向动力学仿真，输出最大肌肉激活度Amax，并计算得舒适度DAMS整理如表4所列。

表4 AMS仿真结果

(3) 预测结果对比

应用AMS仿真结果对所建立模型的准确性进行验证，对两者分析结果统计如图8。由图8可以看出，AMS的仿真分析结果在BPNN模型预测结果±0.3内。即两者评价结果的一致性较强，BPNN评价模型的预测准确性较高，且稳定性良好。

图8 BPNN模型预测准确性验证

4 结 论

文中从“人”、“机”角度制定了修井机司钻作业舒适度评价的主观试验。结合舒适度评价的“多输入单输出”特点，选择基于BP神经网络建立修井机司钻作业舒适度的多变量综合评价模型，并对网络中重要参数进行选择与优化。结果表明，当BPNN结构为6-9-1，训练次数为15 000次时，评价模型的预测结果理想。

应用生物力学仿真软件AMS对评价模型的准确性进行了校验，发现两者的评价结果趋于一致。表明本文基于BP神经网络建立的多变量舒适度评价模型的预测准确性较高，稳定性较好，可以用于修井机司钻作业舒适度的评价工作，提升司钻工的作业环境与质量，减缓作业中疲劳产生。