elman神经网络_卷积神经网络和bp神经网络的区别[通俗易懂]

本文选自《起重运输机械》杂志，如需转载，请注明出处

作者：朱思明 李和平

摘 要：在充分地分析了岸边桥式集装箱起重机金属结构的评价指标后，根据岸边集装箱起重机寿命指标的特点，提出了基于寿命的评价方法，并使用12 台岸边集装箱起重机的检测数据与寿命评价数据对LM-BP 神经网络进行训练，得到了岸边集装箱起重机的安全评价模型，最后将神经网络得到的结果与模糊层次分析法的结果进行对比，证明了方法的可行性。

关键词：岸边桥式集装箱起重机；BP 神经网络；LM 算法；金属结构

Abstract: According to the life index characteristics of the quayside container crane, an evaluation method based on life index isproposed after fully analyzing the evaluation index of the metal structure of the quayside container crane. LM-BP neural networkis trained by using the detection data and life evaluation data of 12 quayside container cranes, and the safety evaluation model of quayside container cranes is obtained. Finally, the comparison between results obtained by the neural network and results obtained by fuzzy analytic hierarchy process is carried out, and results prove the method is feasible.

Keywords: quayside bridge container crane; BP neural network; LM algorithm; metal construction

0 引言

随着提升货物运输效率的需求不断增大，岸边集装箱起重机(以下简称岸桥)、门座起重机、卸船机等大型港口机械装备亦随之向起重量越来越大、起升速度越来越快、设备越来越智能的方向发展[1]。由于对岸桥装卸能力和效率要求的提高，其金属结构的安全状况备受关注。

目前，起重机综合安全评价方法有事故树分析法(FTA)、概率评定法、改进层次分析法[2] 和模糊层次分析法等，这些方法便于应用，但大部分指标权重的确定过分依赖专家经验，评价结果的主观性较强。国内学者研究了基于神经网络算法的起重机安全评价方法，李波[3] 等运用BP 神经网络对起重机安全状态指标进行网络构建，得到了起重机安全状态的评价模型。邓铮强[4]等运用GA-BP 神经网络对施工升降机的人、机、环因素的安全指标进行网络构建，得到了升降机的安全评价模型。

鉴于此，本文以某岸桥检测数据为研究对象，采用LM-BP 神经网络对其金属结构的安全评价模型进行构建，并与使用熵权法与组合赋权法对权重进行综合赋权的模糊层次分析法(FAHP)的评价结果进行对比，证明了可行性，探讨了两种方法间的差异。

1 岸桥金属结构评价指标与数值归一化

岸桥的金属结构起承载作用，主要由前后大梁、立分析研究 ANALYSIS RESEARCH柱、横梁、梯形架和拉杆等构成，如果金属结构的主要承载部位出现缺陷，即有可能会导致重大安全事故。根据岸桥的实际工作情况进行综合分析，得知岸桥的主要损伤模式有钢板应力过大、刚度不足、局部变形过大、出现裂纹和锈蚀深度过大等，故选取岸桥各部位的强度、刚度、变形、裂纹和锈蚀这五种指标并对其评价方法进行研究。

岸桥的裂纹大致可分为内部裂纹、焊缝处的裂纹和板材表面的裂纹等3 种。材料内部裂纹很难被检测到，且在实际中较少；板材表面的裂纹和焊缝处的裂纹可通过巡检期间补焊、塞焊、补强板等方法修复。根据断裂力学中的Paris 公式计算疲劳裂纹扩展并确定临界裂纹长度，然后以巡检周期的天数来评价裂纹指标。

2 岸桥金属结构评价结果的确定

构建神经网络需要把训练样本输入到神经网络的输入层，目前关于起重机安全评价的神经网络输入层中的结果指标主要由使用各种主观权重评价法或专家打分法得到，训练出的网络主观性较强。为此，本文提出了一种基于设计寿命的评价结果确定方法。岸桥的设计寿命以其关键部位的疲劳寿命来估算。目前为止，疲劳累积损伤理论有很多，使用最广泛且最实用的理论是Miner 法则[5]。Miner 法则认为：等幅载荷造成的损伤是线性累加的，变幅载荷造成的损伤由不同等幅载荷造成的损伤线性累加而成。在工程上，此理论因使用方便简单而得到广泛应用，而其他疲劳累积损伤理论虽然做了数量庞大的实验，但得到的系数并不比Miner 法则更准确，故Miner 法则的可信程度很高。当然，Miner 法则也存在不能考虑载荷间的相互作用效果、累积损伤与载荷次序无关等局限性。对于岸桥而言，在不考虑特殊载荷与其他载荷等偶然性因素的工况下，其关键部位受到的载荷主要为自重载荷、起升载荷、惯性载荷和起重小车吊重的垂直运动引起的动载荷，这些载荷均与起重小车的运行状况有关，其他载荷如偏斜运行时的水平侧向载荷、坡道载荷、风载荷等均较小可不予考虑。因此，可认为岸桥关键部位的受载情况较简单，无需考虑载荷间的相互作用；其次，已有实验表明，过载使疲劳裂纹扩展产生迟滞效应，低载则导致裂纹扩展加速[6]，虽然每个集装箱的质量不一，但质量的差距不足以达到使前大梁承受的是高载与低载的级别，故可近似认为前大梁承受的是横幅载荷而不必考虑载荷次序。综上所述，岸桥的疲劳累积损伤用Miner 法则进行估算是可行的。岸桥的额定生产率恒定，每年的工作量基本相同，根据Miner 法则可近似认为每年疲劳损伤量也相同，故可得岸桥的寿命评价公式为

式中：Vf 为岸桥已经服役的年限；Vs 为岸桥的设计寿命；如前所述，疲劳损伤产生的裂纹可通过大修时对裂纹的修复措施来解决裂纹的大部分损伤，故当岸桥大修后可根据实际情况减少Vf 的值；β 为寿命系数，根据不同的设计寿命，β 取值不同，使服役期限接近设计寿命的岸桥价结果接近0.6，服役年限少的岸桥的评价结果接近1。随着岸桥服役年龄的增加，其金属结构材料会因受长期机械载荷、循环载荷、温度载荷、腐蚀等因素而产生损伤，材料的机械性能会产生劣化，具体反应在板材的应力、变形、裂纹长度、锈蚀深度等关指标上，岸桥服役年限与这些指标的数值大小息息相关，故根据岸桥服役年限来对岸桥金属结构的安全状况进行评分比较符合客观事实。

3 LM-BP 神经网络的建立

3.1 BP 神经网络

神经网络种类很多，根据岸桥金属结构评价指标的特点，由于岸桥各指标之间没有很大关联，故采用多层前向反馈网络。BP 神经网络是典型的多层前向反馈网络，由输入层、隐含层和输出层组成，单个隐含层即可满足需要，故网络层数取3 层，输入层节点数为22，输出层节点数为1。根据经验公式，隐含层节点数取10。岸桥的检测、大修费用昂贵，导致可使用的指标数据不多，为了充分使用为数不多的数据，加之BP 神经网络存在容易陷入局部最优，收敛速度过慢等问题，故引入LM 算法对BP 神经网络的最速下降法进行改进。

3.2 LM 算法

LM 算法是拟牛顿法的变形，为牛顿法的改进算法。在牛顿法中，为了计算泰勒展开，需要计算Hessian 矩阵，若Hessian 矩阵非正定，则可能导致权值的收敛方向不是函数的下降方向，故提出了LM 算法。该算法在计算

梯度时只需计算一阶倒数的雅可比矩阵，计算的复杂程度大幅降低。

3.3 算例

使用Matlab 软件R2014a 版，采用软件的人工神经网络工具箱，使用新版的Feedforwardnet 函数编制LM-BP 安全评价程序，为得到较理想的结果，网络初始化时没有对权值和阈值进行限定。

采用12 台岸桥在两次巡检中记录的数据，巡检间隔时间为3 a，巡检期间没有大修。其中出现部分3 a后的数据比3 a 前的数据大(即3 a 后的金属结构状态优于3 a 前)的情况，可能为记录有误或为检测数据测量有误，为使数据接近真实情况，对这种数据进行处理，使3 a 后的数据与3 a 前的数据相等，训练数据见附表1。其中，I 1 : I 5 分别为前后大梁强度、刚度、变形、裂纹和锈蚀指标的归一化数值，I 6 : I 9 分别为立柱强度、变形、裂纹和锈蚀的数值，I 10 : I 14 分别为横梁强度、刚度、变形、裂纹和锈蚀的数值，I 15 : I 19 分别为梯形架强度、刚度、变形、裂纹和锈蚀的数值，I 20 : I 22 为拉杆强度、裂纹和锈蚀的数值，R 为基于岸桥设计寿命的金属结构评价结果。使用处理后的数据对LM-BP 神经网络进行训练，

代码为：

X ＝ [A] %

其中，A 为附表1 中归一化指标构成的24×22 矩阵。

Y＝ [0.85 0.85 0.23 0.68 0.85 0.23 0.68 0.68 0.85 0.23 0.36 0.36 0.70 0.70 0.08 0.53 0.70 0.08 0.53 0.53 0.70 0.08 0.21 0.21]

x1 ＝ [0.60 0.64 0.91 0.96 0.93 0.43 0.85 0.94 0.88 0.75 0.58 0.94 0.99 0.90 0.44 0.65 0.66 0.96 0.92 0.32 0.92 0.91]

x2 ＝ [0.43 0.31 0.68 0.92 0.83 0.34 0.85 0.90 0.86 0.63 0.50 0.93 1.00 0.85 0.36 0.52 0.57 0.92 0.88 0.32 0.91 0.81]

x3 ＝ [0.55 0.64 0.83 0.96 0.90 0.42 0.85 0.94 0.88 0.71 0.58 0.94 0.99 0.90 0.44 0.61 0.62 0.95 0.92 0.29 0.92 0.91]

x4 ＝ [0.39 0.27 0.67 0.87 0.79 0.31 0.84 0.88 0.80 0.50 0.42 0.92 0.96 0.81 0.30 0.42 0.51 0.92 0.85 0.30 0.85 0.79]

net ＝ feedforwardnet(10，‘trainlm’)；net.trainParam.show ＝ 10；net.trainParam.epochs ＝ 1000

net.trainParam.lr ＝ 0.01；net.trainParam.goal ＝ 0.01；

LP.lr ＝ 0.1；x ＝ x ＇；x1 ＝ x1 ＇；x2 ＝ x2 ＇；x3 ＝x3 ＇；x4 ＝ x4 ＇

net ＝ train(net，x，y)；y1 ＝ sim(net，x1)；y2 ＝

sim(net，x2)；y3 ＝ sim(net，x3)；y4 ＝ sim(net，x4)

使用第9 组、第10 组、第21 组和第22 组数据带入输入层进行校验，网络在第5 次训练后找到了较优解， 得到结果分别为0.927 2、0.686 1、0.860 3 和0.637 4，第三组数据误差率为2.3%，其余3 组数据误差率不超过1%，网络训练速度快且效果较好，使用save(‘SA’，‘net’) 命令保存训练好的神经网络。再分别使用训练好的神经网络和模糊层次分析法对下面3 组数据进行试算与比对，为保证结果相对客观准确，模糊层次分析法使用文献[7] 中的主观权重与熵权法对权重进行综合赋权，R 1 列为LM-BP 算法的评价结果，R 2 列为模糊层次分析法得到的评价结果，比对结果如表1。

从两种方法的比对结果可以看出，两种方法得出的结果存在一定差异。其中，第三组数据中神经网络算法判定岸桥处于危险状态(低于60 分)，而模糊层次分析法判定岸桥处于安全状态，此时可以用D-S 证据理论进行最终判断，得出岸桥的安全评分。

表1 神经网络与模糊层次分析法结果比较

4 结论

1) 根据岸桥金属结构的特点提出了基于服役年限的评价方法并建立了神经网络，经过与模糊层次分析法的结果对比后得出该网络可有效评价金属结构的安全状况。

2) 运用LM 算法，在数据不是足够多的情况下可加快BP 神经网络的收敛速度，保证较高的精度。

3) 该方法不仅可以使用巡检数据对岸桥金属结构进行评价，还可以把训练好的神经网络随时调用，即可得到岸桥安全状况的实时评分，做成实时评价系统。

参考文献

[1] 陈磊. 门座式起重机损伤模式与风险分析方法研究[D].武汉：武汉理工大学，2013.

[2] 徐格宁，李鹏. 基于3 标度层次分析法的履带起重机起升机构安全工作状态综合评价[J]. 安全与环境学报，2013，13(4)：240-243.

[3] 李波，陈定方，陶德馨，等. 基于人工神经网络的起重机安全评价[J]. 起重运输机械，2006(9)：52-55.

[4] 邓铮强. 基于GA-BP 神经网络的施工升降机安全评价研究[D]. 西安：长安大学，2016.

[5] 潘小帝. 港口卸船机综合寿命研究[D]. 武汉：武汉理工大学，2015.

[6] Skorupa M.Load interaction effects during fatigue crackgrowth under variable amplitude loading—a literature review.PartⅠ：Empirical trends[J].Fatigue & Fracture of EngineeringMaterials & Structures，1998，21：987-1 006.

[7] 李燕. 基于专家系统的岸桥金属结构安全性评价体系研究[D]. 武汉：武汉理工大学，2015.