基于黑盒測試的智能起重機電氣系統(tǒng)功能安全
1. 引言
隨著工業(yè)4.0和智能制造的推進，智能起重機的廣泛應(yīng)用顯著提升了生產(chǎn)效率，但其復(fù)雜的軟硬件耦合失效機制（如可編程邏輯控制器內(nèi)部軟件缺陷）導(dǎo)致安全事故頻發(fā)。傳統(tǒng)基于系統(tǒng)內(nèi)部結(jié)構(gòu)的風險評估方法（如IEC 61508）因技術(shù)資料缺失難以實施。本文提出基于黑盒測試的評估框架，通過外部參數(shù)觀測與動態(tài)權(quán)重調(diào)整，實現(xiàn)起重機安全風險的量化分析。
2. 基于黑盒測試的風險評估方法
2.1 黑盒測試原理
將起重機電氣系統(tǒng)抽象為輸入-輸出系統(tǒng)，通過設(shè)計覆蓋所有潛在失效模式的測試用例，采集關(guān)鍵輸出參數(shù)（如電機電流、執(zhí)行機構(gòu)位移等），利用參數(shù)偏差值（實測值與期望值之差）評估系統(tǒng)健康狀態(tài)。
2.2 負向函數(shù)量化分析
采用負向函數(shù)（式1）將參數(shù)偏差值轉(zhuǎn)換為無量綱評分：
其中，(x = P – P_e)（偏差值），(x_l)和(x_h)為偏差范圍，(R)為評分范圍（0~100），(b)為形狀參數(shù)（(b=0)時為線性處理）。
2.3 動態(tài)權(quán)重調(diào)整策略
（1）靜態(tài)權(quán)重：通過層次分析法（AHP）構(gòu)建判斷矩陣，計算最大特征值對應(yīng)的歸一化特征向量（表7）。
表 ７ 依據(jù)層次分析標度結(jié)果
（2）動態(tài)修正：
超出預(yù)警值的參數(shù)權(quán)重按比例增大（式7-8）；
超出報警值的參數(shù)權(quán)重通過指數(shù)修正（式9），突出異常參數(shù)的影響。
ｗｉ ＝ ｅｗｉ0 （ｘ －α/β －α），ｉ ∈ Ｃ （9）
2.4 綜合評分模型
[D_{\text{sys}} = \sum_{i=1}^{n} w_i \cdot D_i]
其中，(w_i)為動態(tài)調(diào)整后的權(quán)重，(D_i)為參數(shù)評分。風險等級劃分見表4。
表４風險等級與評估分數(shù)對應(yīng)關(guān)系
| 風險等級 | 評估分數(shù) |
| Ⅰ低風險 | ８５~１００ |
| Ⅱ一般風險 | ７０~８５ |
| Ⅲ中等風險 | ５０~７０ |
| Ⅳ重大風險 | ０~５０ |
3. 案例驗證
以雷達發(fā)射機為對象（表5-6），通過11項特征參數(shù)驗證方法有效性：
（1）靜態(tài)權(quán)重計算：判斷矩陣一致性比例CR=0.059<0.1，滿足要求（表8）。
表８各項特征參數(shù)對應(yīng)靜態(tài)權(quán)重
（2）動態(tài)權(quán)重調(diào)整：對超出報警值的參數(shù)（如燈絲電流、高功率電流）權(quán)重顯著提升（表9）。
表９各項特征參數(shù)的動態(tài)權(quán)重
綜合評分結(jié)果：動態(tài)權(quán)重下綜合評分更敏感反映異常狀態(tài)（表10-12），與專家評估結(jié)果一致。
表10各項特征參數(shù)的評估分數(shù)
| 序號 | 鈦泵電流/Ａ | 燈絲電流/Ａ | 偏磁電流/Ａ | 注電流/ｍＡ | 反峰電流/Ａ | 整流電壓/Ｖ | 高功率電流/Ａ | 峰值功率/ｋＷ | 平均功率/ｋＷ | 發(fā)射機溫度/℃ | 風道溫度/℃ | 綜合評分 |
| １ | 97.8 | 96 | 88.66 | 92 | 99.77 | 96.7 | 86 | 88.7 | 81.5 | 86.3 | 86.7 | 93.47 |
| ２ | 97.3 | 96 | 88.66 | 91.2 | 98.7 | 93.3 | 86 | 88.7 | 93.5 | 86.3 | 86.7 | 93.34 |
| ３ | 97.2 | 66 | 91.7 | 98 | 98.7 | 96.7 | 90 | 84.3 | 73.25 | 96 | 95 | 82.93 |
| ４ | 97.8 | 66 | 40 | 56 | 98.7 | 100 | 89.7 | 51 | 52 | 96 | 94.3 | 70.87 |
| ５ | 98.9 | 46.7 | 73.3 | 34 | 98.9 | 93.3 | 88.7 | 35 | 62.75 | 96 | 23.3 | 60.34 |
| ６ | 98.9 | 36.66 | 91.7 | 34 | 98.8 | 100 | 89.3 | 98 | 85.25 | 96 | 96.7 | 66.47 |
| ７ | 99.4 | 19.33* | 90.3 | ０ | 98.7 | 96.7 | 85.33 | 94.33 | 93.5 | 89.33 | 90.33 | 49.57 |
| ８ | 99.1 | 19.33* | 23.3 | ０ | 98.7 | 96.7 | 43* | 5.3 | 73.25 | 96.7 | 90 | 34.6 |
注:評估分數(shù)為０的項代表該項的偏差值超過了偏差的邊界值標注?的特征項代表該項超過了報警值對其動態(tài)權(quán)重進行了較大的調(diào)整
表11采用固定權(quán)重以及動態(tài)權(quán)重的綜合評分結(jié)果比較
| 設(shè)備號 | １ | ２ | ３ | ４ | ５ | ６ | ７ | ８ |
| 固定權(quán)重 | 92.41 | 92.63 | 88.88 | 74.51 | 70.20 | 78.68 | 71.14 | 52.79 |
| 動態(tài)權(quán)重 | 93.47 | 93.34 | 82.93 | 70.87 | 60.34 | 66.47 | 49.57 | 34.6 |
表12雷達發(fā)射機風險等級結(jié)果比較
| 序號 | 參考文獻結(jié)果-健康度 | 本文評估結(jié)果-風險等級 |
| １ | 健康 | Ⅰ |
| ２ | 健康 | Ⅰ |
| ３ | 注意 | Ⅱ |
| ４ | 警告 | Ⅲ |
| ５ | 警告 | Ⅲ |
| ６ | 警告 | Ⅲ |
| ７ | 故障 | Ⅳ |
| ８ | 故障 | Ⅳ |
4. 結(jié)論與展望
本文提出的黑盒測試法結(jié)合動態(tài)權(quán)重調(diào)整，解決了智能起重機內(nèi)部結(jié)構(gòu)不透明的評估難題。案例驗證表明該方法能有效量化風險等級，但需進一步通過多場景數(shù)據(jù)驗證其普適性。未來可結(jié)合機器學習優(yōu)化權(quán)重分配，提升評估實時性與準確性。
