屈文濤，任姣姣，徐劍波，史嬋媛，程 寓，楊斌

(1.西安石油大學 機械工程學院, 陜西 西安 710065； 2.長慶油田分公司勘探開發(fā)研究院, 陜西 西安 710018；3.長慶油田分公司第三采氣廠, 內蒙古 鄂爾多斯 017300)

0 引 言

近幾年，隨著HSE MS在國內外各油田的大力實施，提高工程機械駕駛室的舒適度已進入公眾視野[1]。修井機是石油機械的重要設備，但修井作業(yè)工作環(huán)境惡劣，司鉆工長時間承受著大負荷、高頻率的工作[2]。作業(yè)空間的安全性、舒適性直接影響著作業(yè)人員的誤操作率和工作效率[3]，而在修井作業(yè)中，剎把是司鉆工高頻率使用的操作部件[4]。因此，剎把的布局問題成為影響司鉆工作業(yè)舒適度的重要因素。

布局問題是人機布局問題。因此筆者選取“人的因素”(身高、體重、臂長)與“機的因素”(剎把鉸接位置距離人體坐標的橫向距離M、縱向距離N、高度H)展開對作業(yè)舒適度影響的研究。由于BP神經網絡(Back Propagation Neural Network，以下簡稱BPNN)具有優(yōu)越的分類能力和多維的函數映射能力[5]，是一種基于誤差逆向修正多次反饋的網絡，常被用于各類多輸入類模型[6-8]的建立。本文亦將基于BPNN建立修井機司鉆工作業(yè)舒適度的評價模型。

司鉆工對操作艙布局設計的感受具有多維性，除生理感受之外，心理感受也是一個重要的維度。為真實直觀記錄司鉆工作業(yè)舒適度評價，筆者通過主觀評價法，記錄受試者的主觀感受與體驗[9]，從多維度[10]綜合評價操作艙剎把布局的設計質量，為建立司鉆作業(yè)舒適度評價模型提供依據。

1 試驗與數據

1.1 試驗方案

為記錄受試者在不同位置參數下作業(yè)的舒適度感受，規(guī)定8個測試點位置，要求受試者在這8個測試點進行操作試驗，最終受試者可自主調節(jié)位置至最佳作業(yè)姿態(tài)1次，即每位受試者應完成共9個測試點的操作試驗。

(1) 試驗動作

對現場作業(yè)情況調研分析及動作提取，如圖1中，司鉆工在操作過程中，將剎把從零位(α角)向后拉至極限位置(β角)，觀察窗外工況后，由β角復位至α角，如此往復，完成作業(yè)任務。

圖1 修井作業(yè)關鍵動作提取

由此，規(guī)定試驗動作如圖2，受試者聽到開始口令后，將剎把從零位(α角)勻速向后拉至極限位置(β角)，停留5 s后再勻速推至原位并停留5 s。為使受試者熟悉作業(yè)動作，首先要求受試者操作5 min,而后每個測試點進行10 min操作后記錄其感受。為避免受試者連續(xù)操作導致疲勞累積，影響后續(xù)試驗評分的準確性，要求受試者每完成一個測試點的試驗后休息20 min，再進行下一個測試點的試驗。

圖2 XJ70型修井機司鉆作業(yè)實驗臺

(2)試驗人員與平臺

邀請13名男性大學生作為志愿者，身體健康，近期未進行劇烈運動。試驗平臺為XJ70型修井機司鉆作業(yè)實驗臺，實驗臺主要包含控制臺、座椅、剎把、踏板以及底板等。其中，座椅可升降；剎把可實現推拉并可調節(jié)前后、左右位置等。

1.2 試驗數據

根據Likert量表建立五點量表，且為引導受試者準確表達操作感受，對評語集分制規(guī)定為“舒適8～10分；較舒適6～8分；一般4～6分；不舒適2～4分；很不舒適0～2分”。

以1號受試者操作試驗為例，首先對其進行身高、體重、臂長等基本參數測量(見圖3)。而后分別記錄其在8個規(guī)定測試點以及1個自主調節(jié)測試點的操作感受。如表1中，第一組數據表示在第一個測試點，即剎把鉸接位置距離人體坐標的橫向距離M為240 mm、縱向距離N為353 mm、高度H為443 mm時，受試者的操作舒適度打分為5分，語義為“一般”。表1中：人員為1#；身高為1 835 mm；體重為59.5 kg；臂長為590 mm。

圖3 1#受試者進行試驗

表1 1#受試者試驗記錄表

2 BPNN建模

2.1 應用BPNN的合理性

BPNN采用誤差逆?zhèn)鞑W習算法，由輸入層、隱層和輸出層組成，不斷調整層間權重，從而使網絡的實際輸出更接近理想輸出，具有簡單、易行、計算量小、并行性強等優(yōu)點[11]。圖4即為一個擁有d個輸入神經元、l個輸出神經元、q個隱層神經元的BP網絡結構，其中bh為隱層第h個神經元的輸出。

圖4 BPNN的變量符號

BPNN能模擬人腦機能，可以較好地模擬司鉆工作業(yè)時的判斷過程，且具有優(yōu)良的非線性逼近能力，因而能夠準確描述相關因素與舒適度評分之間的非線性關系。

2.2 結構及參數的選擇

應用BPNN建立司鉆工舒適度評價模型，對司鉆工作業(yè)舒適度進行預測。在MATLAB中編輯神經網絡程序，其中，誤差傳遞函數采用Sigmoid函數，控制誤差為10～12；為避免陷入死循環(huán)，設定最大循環(huán)次數為10 000次。

(1) 輸入數據

利用試驗得到的數據集(S+T)，隨機選擇S組數據作為訓練數據訓練網絡，另外T組數據對數據測試網絡的分類能力進行測試。

(2) 確定BPNN結構

由于輸入層有6項指標(身高、體重、臂長、M、N、H)，輸出層為1項(舒適度)，隱層神經元由經驗公式得出估計值[12]，再經試驗與比較得到。公式如下：

(1)

式中：q為隱層神經元個數；m為輸入層神經元個數；n為輸出層神經元個數；a為1～10的常數。

結合試湊法確定隱層節(jié)點個數，并采用確定性系數R2來表征預測值的逼近程度，定義為：

(2)

由表2可以看出，隱層節(jié)點個數對網絡預測模型的準確性有較大影響，其中，當隱層節(jié)點為9個時，網絡準確性較高。因此設定BPNN結構為6-9-1，即輸入層有6個節(jié)點，隱層有9個節(jié)點，輸出層有1個節(jié)點。

表2 不同隱層節(jié)點個數時的確定性系數

(3) 確定訓練次數

為在僅有有限的數據樣本的情況下，探尋網絡準確率較高的預測模型。進一步展開了訓練次數對網絡精度影響的研究。隨機選取90組數據為訓練樣本，其余27組數據為驗證樣本，繪制訓練次數對舒適度預測模型準確性對比如圖5。

從圖5中可以看出，當訓練次數為15 000次、20 000次時，舒適度預測值更接近驗證樣本的原始數據；而當訓練次數為20 000次時，雖有較好的擬合效果，但其預測能力不穩(wěn)定。因此，為使網絡具有良好的預測能力與穩(wěn)定性，選定訓練次數為15 000次。

圖5 訓練次數對網絡預測能力的影響

3 模型準確性驗證

(1) 網絡模型預測

為驗證建立網絡模型的準確性，依照GB1988-10000中成年男性人體尺寸，選取5th、50th、95th百分位三組人體尺寸，并任意選取三組M、N、H數據，應用網絡模型進行預測，預測結果如表3所列。

表3 BPNN預測結果

(2) AMS逆向動力學仿真

基于生物力學仿真軟件AMS對人體模型進行逆向動力學仿真，得到不同位置參數下作業(yè)人員的最大肌肉激活度。由于肌肉激活度是指在完成某動作時，肌肉實際發(fā)力與其最大力的比值，即肌肉激活度數值越小，則表明完成某動作用力小，舒適度高。因此，定義由AMS仿真得到的舒適度為:

(3)

式中：Amax為最大肌肉激活度。

依照表2中人體數據及環(huán)境設定建立人體模型(見圖6)與“人-機”交互仿真模型(見圖7)。

圖6 5th、50th、95th百分位人體模型

圖7 5th百分位逆向動力學仿真模型

設定邊界條件與約束方式[2]后，對人體模型進行逆向動力學仿真，輸出最大肌肉激活度Amax，并計算得舒適度DAMS整理如表4所列。

表4 AMS仿真結果

(3) 預測結果對比

應用AMS仿真結果對所建立模型的準確性進行驗證，對兩者分析結果統(tǒng)計如圖8。由圖8可以看出，AMS的仿真分析結果在BPNN模型預測結果±0.3內。即兩者評價結果的一致性較強，BPNN評價模型的預測準確性較高，且穩(wěn)定性良好。

圖8 BPNN模型預測準確性驗證

4 結 論

文中從“人”、“機”角度制定了修井機司鉆作業(yè)舒適度評價的主觀試驗。結合舒適度評價的“多輸入單輸出”特點，選擇基于BP神經網絡建立修井機司鉆作業(yè)舒適度的多變量綜合評價模型，并對網絡中重要參數進行選擇與優(yōu)化。結果表明，當BPNN結構為6-9-1，訓練次數為15 000次時，評價模型的預測結果理想。

應用生物力學仿真軟件AMS對評價模型的準確性進行了校驗，發(fā)現兩者的評價結果趨于一致。表明本文基于BP神經網絡建立的多變量舒適度評價模型的預測準確性較高，穩(wěn)定性較好，可以用于修井機司鉆作業(yè)舒適度的評價工作，提升司鉆工的作業(yè)環(huán)境與質量，減緩作業(yè)中疲勞產生。