時(shí)光志

(中海油能源發(fā)展采油服務(wù)公司 天津 300452)

克令吊是船舶重要的起重裝置，也是船員應(yīng)重點(diǎn)掌握的基本技能之一。目前，國(guó)內(nèi)針對(duì)船用克令吊的教學(xué)多數(shù)側(cè)重于理論知識(shí)，船員很少有機(jī)會(huì)上手操作。同時(shí)，由于船用克令吊造價(jià)昂貴、數(shù)量較少、維護(hù)保養(yǎng)也比較困難，因此，培訓(xùn)的總體效果不佳。

隨著虛擬現(xiàn)實(shí)技術(shù)的快速發(fā)展，一些航海仿真系統(tǒng)在職業(yè)教育教學(xué)和培訓(xùn)中得到了廣泛的應(yīng)用，其降低了培訓(xùn)成本，也提升了培訓(xùn)效率。因此，開(kāi)發(fā)船用克令吊仿真訓(xùn)練系統(tǒng)就成為克令吊教學(xué)培訓(xùn)和實(shí)操訓(xùn)練的良好選擇[1]。就克令吊作業(yè)考核評(píng)估而言，目前主要是采用人工打分方式，科學(xué)性和客觀性難以保證，所以有必要開(kāi)發(fā)克令吊智能評(píng)估系統(tǒng)。

目前，建立仿真操作評(píng)估系統(tǒng)的主要方法有分步評(píng)估法[2-3]、加權(quán)平均法[4-5]、層次分析法[6-7]、模糊綜合評(píng)價(jià)法[8-9]和智能評(píng)估方法等，涉及到的航海設(shè)備主要包括GMDSS模擬器、C站、多普勒計(jì)程儀、GPS設(shè)備和雷達(dá)設(shè)備等。模糊綜合評(píng)價(jià)法在最新的航海虛擬仿真設(shè)備評(píng)估系統(tǒng)[10-11]中應(yīng)用較為廣泛。近幾年，隨著機(jī)器學(xué)習(xí)和人工智能技術(shù)的發(fā)展，許多機(jī)器學(xué)習(xí)算法被逐漸引入到航海評(píng)估領(lǐng)域[12-13]。但是，這些算法更多地應(yīng)用于船舶通航安全評(píng)估中，在航海仿真設(shè)備操作評(píng)估方面鮮有應(yīng)用。王德龍[14]將DBSCAN聚類(lèi)算法應(yīng)用于船舶操縱避碰的智能評(píng)估，這是機(jī)器學(xué)習(xí)算法在航海仿真設(shè)備實(shí)操評(píng)估中的最早應(yīng)用。

鄰近算法(K-Nearest Neighbor，KNN)是機(jī)器學(xué)習(xí)領(lǐng)域的經(jīng)典算法之一，目前已應(yīng)用于航運(yùn)文本分 類(lèi)[14]、船期數(shù)據(jù)分析[15]和船舶監(jiān)控系統(tǒng)[16]等領(lǐng)域。

作者在國(guó)內(nèi)研究機(jī)構(gòu)前期開(kāi)發(fā)的船用克令吊仿真訓(xùn)練系統(tǒng)的基礎(chǔ)上[17]基于KNN算法提出了一套相對(duì)完整的智能評(píng)估模型，統(tǒng)一了評(píng)估規(guī)則及標(biāo)準(zhǔn)，可以對(duì)克令吊作業(yè)人員的操作水平進(jìn)行科學(xué)且較為全面的評(píng)估。

1 KNN基本原理

克令吊仿真作業(yè)評(píng)估在機(jī)器學(xué)習(xí)領(lǐng)域是典型的多分類(lèi)問(wèn)題。KNN是應(yīng)用最為廣泛的機(jī)器學(xué)習(xí)算法之一，沒(méi)有顯式的訓(xùn)練過(guò)程，具有無(wú)數(shù)據(jù)輸入假定、易于工程實(shí)現(xiàn)、對(duì)異常值不敏感等一系列特性，非常適合解決多分類(lèi)問(wèn)題。因此，本文基于KNN算法對(duì)船用克令吊仿真訓(xùn)練智能評(píng)估模型進(jìn)行研究。

KNN的工作機(jī)制如下：假設(shè)存在一個(gè)具有數(shù)據(jù)標(biāo)簽的訓(xùn)練樣本集，給定測(cè)試樣本，分類(lèi)器將測(cè)試樣本數(shù)據(jù)特征與訓(xùn)練集中對(duì)應(yīng)的數(shù)據(jù)特征進(jìn)行對(duì)比，根據(jù)特定的距離度量得到訓(xùn)練集合中最相近的k個(gè)訓(xùn)練樣本的分類(lèi)標(biāo)簽，選擇k個(gè)樣本中出現(xiàn)最多的類(lèi)別標(biāo)記作為測(cè)試樣本的分類(lèi)，這種分類(lèi)方式也被稱為“投票法”。以二分類(lèi)問(wèn)題為例，如圖1所示，方形為測(cè)試樣本，已標(biāo)記三角形和圓形的數(shù)據(jù)為訓(xùn)練數(shù)據(jù)集，當(dāng)k值取3時(shí)，近鄰樣本包含2個(gè)三角形和1個(gè)圓形，該測(cè)試樣本判別為三角形樣本；當(dāng)k值取5時(shí)，近鄰樣本包含2個(gè)三角形和3個(gè)圓形，該測(cè)試樣本判別為圓形樣本。由此，能看得出KNN算法中k的取值很重要。

圖1 KNN分類(lèi)示意圖 Fig.1 KNN classification diagram

2 基于KNN的智能評(píng)估流程

在對(duì)克令吊的操作進(jìn)行評(píng)估時(shí)，用戶的操作熟練程度可以通過(guò)操作過(guò)程中發(fā)生錯(cuò)誤的次數(shù)來(lái)表示，錯(cuò)誤次數(shù)越少，表明用戶的熟練度越高；反之，如錯(cuò)誤次數(shù)越多，則用戶的熟練度越低。采用仿真設(shè)備進(jìn)行訓(xùn)練的優(yōu)勢(shì)之一就是可以通過(guò)多次訓(xùn)練獲取充足的操作數(shù)據(jù)建立龐大的訓(xùn)練數(shù)據(jù)庫(kù)，提高測(cè)試樣本分類(lèi)的精度。

基于以上分析，本文提出了基于KNN的克令 吊仿真訓(xùn)練智能評(píng)估模型，其具體實(shí)施流程如圖2 所示。

圖2 KNN模型流程 Fig.2 KNN model flow

2.1 建立樣本集

用戶操作克令吊時(shí)，系統(tǒng)將記錄操作的過(guò)程，統(tǒng)計(jì)發(fā)生的操作錯(cuò)誤類(lèi)別J和發(fā)生次數(shù)M，第i條樣本特 征 值 記 為： Xi={( M1, M2,… , Mj,… , MNJ), M ∈N, J ∈N}，其中NJ為錯(cuò)誤類(lèi)別數(shù)。然后根據(jù)專(zhuān)家判斷確定樣本Xi的標(biāo)簽Yi，即將專(zhuān)家評(píng)語(yǔ)劃分為10個(gè)等級(jí)，其中最好為10，最差為1。最終樣本集為：D = {( Xi,Yi),1≤i ≤ N}，N為樣本數(shù)。

2.2 數(shù)據(jù)集劃分

本文將樣本集D中的80%作為訓(xùn)練集T，將D中剩余的20%作為測(cè)試集Z。

2.3 分類(lèi)器

基于測(cè)試集Z對(duì)KNN中的k值進(jìn)行調(diào)整，直至符合分類(lèi)精度。具體流程見(jiàn)表1。

表1 KNN分類(lèi)器建立流程 Tab.1 Establishment process of KNN classifier

表中第1行的K為k值嘗試的最大值。分別對(duì)比不同k值下的準(zhǔn)確率，選擇預(yù)測(cè)精度較高的k值，即可建立分類(lèi)器。

2.4 智能評(píng)估

基于以上步驟所建立的分類(lèi)器，將其讀入被評(píng)估用戶的操作數(shù)據(jù)，建立其樣本數(shù)據(jù)，根據(jù)分類(lèi)器對(duì)其操作級(jí)別進(jìn)行分類(lèi)，即可評(píng)估當(dāng)前用戶成績(jī)。

3 智能評(píng)估模型設(shè)計(jì)

圖3為國(guó)內(nèi)研究機(jī)構(gòu)前期參照巴拿馬型散貨船開(kāi)發(fā)的船用克令吊仿真訓(xùn)練系統(tǒng)，整個(gè)系統(tǒng)由用戶 界面、設(shè)備模型、交互操作和報(bào)警等功能模塊組成，如圖3(a)所示；圖3(b)是克令吊所在的三維船舶場(chǎng)景，用戶可以在船舶場(chǎng)景中漫游和交互；圖3(c)是克令吊操作室的三維場(chǎng)景；圖3(d)是克令吊操作臺(tái)，用戶通過(guò)操作臺(tái)上的手柄、按鈕等來(lái)控制克令吊。

圖3 克令吊仿真訓(xùn)練系統(tǒng) Fig.3 Simulation training system of crane

為了實(shí)現(xiàn)對(duì)克令吊操作的智能評(píng)估，需要設(shè)置評(píng)估指標(biāo)、制定評(píng)估科目和設(shè)計(jì)評(píng)估流程。

3.1 設(shè)置評(píng)估指標(biāo)

根據(jù)克令吊設(shè)備的相關(guān)理論知識(shí)、設(shè)備的使用操作說(shuō)明和注意事項(xiàng)，通過(guò)設(shè)備實(shí)際操作和咨詢相關(guān)專(zhuān)家等方法，本文設(shè)置了克令吊的評(píng)估指標(biāo)，主要包括以下4類(lèi)：?jiǎn)?dòng)/停止操作，主要包括準(zhǔn)備啟動(dòng)燈的狀況、準(zhǔn)備運(yùn)行燈的狀況、設(shè)備照明燈的狀況、操作桿的檔位、克令吊的開(kāi)關(guān)以及油溫情況等；吊臂離開(kāi)/放置位置，主要包括吊臂與存放位置的間距和碰撞情況、操作桿的檔位情況等；吊作業(yè)操作，涉及克令吊的升降、旋轉(zhuǎn)、俯仰等操作，主要包括操作桿的檔位、吊貨索的角度、吊鉤的位置、回轉(zhuǎn)塔架的角度、吊臂起升的角度、吊臂存放位置的開(kāi)關(guān)等；克令吊與抓斗互動(dòng)作業(yè)，主要包括抓斗與吊鉤的掛接情況、抓斗的存放位置、抓斗遙控器的控制、抓斗的開(kāi)合、抓斗的張角控制、抓斗的抓貨情況等。

3.2 制定評(píng)估科目

根據(jù)克令吊的評(píng)估指標(biāo)，本文設(shè)計(jì)了克令吊的實(shí)操評(píng)估科目。每個(gè)評(píng)估科目都需要設(shè)置初始參數(shù)和評(píng)估參數(shù)。初始參量用來(lái)確定設(shè)備的初始狀態(tài)，通常要根據(jù)不同科目的要求來(lái)設(shè)置初始參數(shù)，一旦初始參數(shù)設(shè)置完成，克令吊的初始狀態(tài)就是設(shè)置好了；評(píng)估參數(shù)對(duì)應(yīng)著操作過(guò)程和操作狀態(tài)，通過(guò)設(shè)置評(píng)估參數(shù)來(lái)決定該科目需要考核的內(nèi)容。在操作克令吊過(guò)程中，系統(tǒng)會(huì)實(shí)時(shí)監(jiān)測(cè)設(shè)備的狀態(tài)、記錄用戶的操作過(guò)程、實(shí)時(shí)監(jiān)測(cè)評(píng)估參數(shù)的變化、判斷操作過(guò)程是否符合操作要求、是否有誤操作或者漏操作等，以便后續(xù)對(duì)用戶的操作進(jìn)行評(píng)估。船用克令吊評(píng)估涉及的主要科目如表2所示。

表2 實(shí)操評(píng)估科目 Tab.2 Practical assessment subjects

3.3 設(shè)計(jì)評(píng)估流程

下面以“克令吊啟動(dòng)操作”科目為例介紹智能評(píng)估系統(tǒng)中該實(shí)操評(píng)估科目的整個(gè)過(guò)程。依據(jù)克令吊啟動(dòng)操作的評(píng)估指標(biāo)啟動(dòng)操作評(píng)估的要求如圖4 所示。

圖4 克令吊啟動(dòng)操作評(píng)估要求 Fig.4 Requirements for operational evaluation of crane start-up

根據(jù)圖4的要求，本文為克令吊啟動(dòng)操作評(píng)估科目設(shè)計(jì)了8個(gè)評(píng)估參數(shù)，如表3所示。這8個(gè)評(píng)估參數(shù)分別對(duì)應(yīng)8個(gè)錯(cuò)誤類(lèi)別，即樣本數(shù)據(jù)中的8個(gè)特征，每1種錯(cuò)誤類(lèi)別發(fā)生的次數(shù)Mi為樣本中該特征的取值。

表3 克令吊啟動(dòng)操作評(píng)估科目的錯(cuò)誤類(lèi)別 Tab.3 Error types of operation evaluation of crane start-up

在正式開(kāi)始評(píng)估之前需先建立樣本集。通過(guò)收集不同用戶的操作數(shù)據(jù)，再根據(jù)專(zhuān)家意見(jiàn)給出每個(gè)樣本對(duì)應(yīng)的級(jí)別標(biāo)簽，建立針對(duì)克令吊啟動(dòng)操作評(píng)估項(xiàng)目的標(biāo)準(zhǔn)樣本集，見(jiàn)表4。本文共記錄了1500條樣本，在此基礎(chǔ)上劃分1200條樣本為訓(xùn)練集，其余300條樣本為測(cè)試集。

表4 樣本集部分樣本示例 Tab.4 Partial sample of sample set

在表1所示的算法流程基礎(chǔ)上基于訓(xùn)練集和測(cè)試集確定準(zhǔn)確率最佳的k值。經(jīng)測(cè)試，k的取值與分類(lèi)器的分類(lèi)精度的關(guān)系如圖5所示，橫坐標(biāo)為k的取值，縱坐標(biāo)為準(zhǔn)確率。準(zhǔn)確率的整體趨勢(shì)隨著k值的增大而下降；當(dāng)k值為4或6時(shí)準(zhǔn)確率最大，此時(shí)準(zhǔn)確率為92.6%，符合評(píng)估要求。k的取值也影響樣本類(lèi)別分類(lèi)器的效率，分類(lèi)器的效率與k值成反比。因此，將克令吊啟動(dòng)科目評(píng)估分類(lèi)器的k值取為4。

圖5 k的取值與分類(lèi)準(zhǔn)確度的關(guān)系曲線 Fig.5 Relation curve between k value and classification accuracy

確定k值后即可建立基于當(dāng)前k值的KNN分類(lèi)器。當(dāng)該分類(lèi)器用于克令吊啟動(dòng)操作科目實(shí)操評(píng)估時(shí)，依據(jù)用戶的操作情況可獲得當(dāng)前用戶操作的樣本數(shù)據(jù)，代入分類(lèi)器可獲得用戶此次操作的成績(jī)級(jí)別分類(lèi)，具體流程如圖6所示。

圖6 啟動(dòng)操作評(píng)估流程 Fig.6 Evaluation process of start operation

4 評(píng)估系統(tǒng)實(shí)現(xiàn)

如圖7所示，本文開(kāi)發(fā)了船用克令吊智能評(píng)估系統(tǒng)，包括試題設(shè)計(jì)模塊和操作評(píng)估模塊。試題設(shè)計(jì)模塊采用開(kāi)放式結(jié)構(gòu)設(shè)計(jì)，考官通過(guò)設(shè)置克令吊科目初始參數(shù)和評(píng)估參數(shù)來(lái)完成評(píng)估試題的設(shè)置。開(kāi)始訓(xùn)練時(shí)，克令吊仿真訓(xùn)練系統(tǒng)收到評(píng)估試題，根據(jù)初始參數(shù)進(jìn)行設(shè)備狀態(tài)初始化設(shè)置，即可開(kāi)始克令吊的操作，系統(tǒng)將實(shí)時(shí)采集用戶的操作過(guò)程和操作狀態(tài)并根據(jù)評(píng)估參數(shù)對(duì)用戶的操作進(jìn)行評(píng)估。

圖7 船用克令吊智能評(píng)估系統(tǒng) Fig.7 Intelligent assessment system for ship crane

圖8為用戶進(jìn)行“克令吊啟動(dòng)操作”科目訓(xùn)練的幾個(gè)截圖。圖8(a)為用戶點(diǎn)擊“油溫觀察”，確認(rèn)油溫是否為5℃；圖8(b)為點(diǎn)擊功率問(wèn)詢按鈕；圖8(c) 為吊車(chē)按鈕；圖8(d)為其信號(hào)燈狀態(tài)，準(zhǔn)備運(yùn)行時(shí)燈常亮，準(zhǔn)備啟動(dòng)時(shí)燈閃爍直至不亮。

圖8 克令吊啟動(dòng)操作科目訓(xùn)練 Fig.8 Subject training for crane operation

圖9為某用戶完成訓(xùn)練后得到的評(píng)估結(jié)果。從圖中可以看出，錯(cuò)誤次數(shù)為M＝(0，1，0，0，0，2，1，0)。該用戶共計(jì)發(fā)生3類(lèi)操作錯(cuò)誤：油溫5℃以下確認(rèn)克令吊操作發(fā)生了1次；啟動(dòng)后推2次左操作桿；準(zhǔn)備啟動(dòng)燈重閃后，操作右操作桿1次。經(jīng)克令吊啟動(dòng)操作智能評(píng)估分類(lèi)器解算，該受訓(xùn)用戶的操作評(píng)估成績(jī)?yōu)椤爸械取薄?/p>

圖9 “啟動(dòng)操作訓(xùn)練”實(shí)例評(píng)估結(jié)果 Fig.9 Evaluation results for “Start Operation Training”

5 結(jié) 論

本文對(duì)船用克令吊仿真訓(xùn)練系統(tǒng)作業(yè)的自動(dòng)評(píng)估進(jìn)行了深入研究，在設(shè)置評(píng)估指標(biāo)、制定評(píng)估項(xiàng)目和設(shè)計(jì)評(píng)估流程的基礎(chǔ)上，基于KNN算法建立了智能評(píng)估模型、統(tǒng)一了評(píng)估規(guī)則和標(biāo)準(zhǔn)，可以對(duì)克令吊作業(yè)人員的操作水平進(jìn)行科學(xué)且較為全面的評(píng)估。與傳統(tǒng)的評(píng)估算法相比，該模型更可靠、更易于工程實(shí)現(xiàn)、更方便集成至其他航海仿真訓(xùn)練系統(tǒng)中。因此，本文提出的智能評(píng)估模型具有較強(qiáng)的擴(kuò)展性和良好的使用價(jià)值。

隨著數(shù)據(jù)規(guī)模的擴(kuò)大，KNN算法的效率會(huì)逐漸降低，這將影響評(píng)估效率。因此，在后續(xù)的研究中，作者擬基于樹(shù)形搜索算法對(duì)KNN的搜索效率進(jìn)行改進(jìn)，以進(jìn)一步提升評(píng)估效率。此外，可嘗試使用深度學(xué)習(xí)算法，如深度神經(jīng)網(wǎng)絡(luò)，對(duì)智能評(píng)估進(jìn)行擴(kuò)展?！?/p>