基于多模联动和多阶段协作的机电设备运行安全评估方法与流程

本发明涉及机电设备运行状态识别领域，尤其是一种基于多模联动和多阶段协作的机电设备运行安全评估方法。

背景技术：

随着科技和现代工业的快速发展，机电设备作为工业生产的重要工具，其健康运行直接关系到企业的安全生产，如旋转机械、航空运载工具等。例如：轮毂电机作为一种典型的机电设备，是电动汽车分布式驱动系统的核心技术之一，广泛应用于电动汽车领域，然而，电动汽车复杂多变的驾驶条件和操作环境以及轮毂电机特定的设计结构，极易诱发轮毂电机发生故障，这不仅加大了轮毂电机运行安全评估的困难，而且增加了每个评估指标的不确定性。

传统的评估方法把机电设备的振动、噪声、温度、电流和电压等作为评估指标，分别评估机电设备的运行状态，其具有两个主要特征：一方面，每个评估指标都可以从某个阶段间接的推断出机电设备的运行评估状态，并且同一指标的可信度针对不同的评估目标有所不同，例如，振动、噪声和温度通常用于评估机械状态，电流和电压通常用去评估电气状态，因此，将一个指标用于同时评估机械和电气故障状态的操作安全性是不可取的；另一方面，评估标准是判定指标是否达到相应的阈值，可以将阈值设为两个、三个或者更多级别，基于振动的评估方法一般设为安全、预警和危险级别，因此，这些因素直接影响评估结果。目前采取较多的故障监测的方法包括：

(1)2014年yingxie等人在杂志(第66卷第1-2期)《appliedthermalengineering》的“3dtemperaturefieldanalysisoftheinductionmotorswithbrokenbarfault”中提出了3d温度模型，实现对感应电动机正常满载状态下转子断条的故障检测，但单一的温度信号监测或评估其运行状态，大大降低了轮毂电机运行状态的评估精度。

(2)2019年ribeirojunior等人在杂志(第177卷)《mechanicalsystemsandsignalprocessing》的“faultdiagnosisofsingle-phaseinductionmotorbasedonacousticsignals”中提出了一种基于振动信号的多传感器数据融合和瓶颈层优化卷积神经网络诊断方法，实现对旋转机械的轴承和齿轮的故障识别，但仅考虑振动信号的诊断，很难有效的滤除监测信号中间歇性强干扰。

(3)2020年huanwenyang等在杂志(第20卷第2期)《journalofpowerelectronics》的“currentcovarianceanalysis-basedopen-circuitfaultdiagnosisforvoltage-source-inverter-fedvector-controlledinductionmotordrives”论文中提出了一种基于三相电流协方差分析的矢量控制感应电动机具有实时性、鲁棒性和准确性的igbt开路故障诊断方法，但故障诊断时间仅选择当前周期的一半，没有考虑到前一时间状态对当前时间状态的影响，并不能够动态的调整诊断结果。

技术实现要素：

针对上述问题，本发明提供了一种基于多模联动和多阶段协作的机电设备运行安全评估方法，一方面结合初始的评估经验(专家经验)和实时的评估信息，建立多模联动方法；另一方面通过定义相对安全比和全局评估指标，建立多阶段协作的监测信息，全面考虑时间段，能够动态调整评估结果，提高了运行安全评估的准确性和时效性。

本发明提出的基于多模联动和多阶段协作的机电设备运行安全评估方法采用的技术方案是：分别采集并整理机电设备在安全、预警和危险的运行状态下n个评估阶段的运行信息，还包括以下步骤：

步骤a：根据运行信息对应的特征参数设计对应的评估模型mj，j＝1,2,3…m，m是评估模型个数；

步骤b：依次计算出评估模型mj在安全、预警、危险的运行状态的概率密度函数f(r)、隶属度函数qq(r)和未知运行状态的隶属度函数值q4(rij)，再得到在安全、预警、危险的运行状态概率αij、βij、γij和未知运行状态下的概率r为某一评估模型mj的任意输出值，q＝1,2,3，rij为第j个评估模型下第i个评估阶段的输出值；

步骤c：根据概率αij、βij、γij建立决策矩阵p；

步骤d：基于决策矩阵p，再依据初始的评估经验获得初始权重向量ω⁰，同时依据实时的评估信息获得实时权重向量ω¹，从而获得综合权重向量ω；

步骤e：基于综合权重向量ω，确定第j个评估模型mj在第i个评估阶段下的实时状态xi的阶段性的安全度矩阵pdj(xi,xk)，根据安全度矩阵pdj(xi,xk)计算出第i评估阶段下的实时状态xi相对于其他评估阶段下的实时状态xk的安全度pd(xi,xk)，根据安全度pd(xi,xk)计算出相对安全比k＝1,2,…,n，根据相对安全比得到全局评估指标gi，根据全局评估指标gi评估出机电设备的运行状态。

本发明的有益效果是：

1、本发明结合初始的评估经验(专家经验)和实时的评估信息建立多模联动方法，以实现权重的自适应调整，从而能够动态的调整评估结果。

2、本发明通过相对安全比来评估每个评估阶段的安全程度，并制定多阶段协作，通过判断全局评估指标是否达到阈值对机电设备运行状态进行评估，避免在受到外界的强干扰的情况下出现偶然性的预警状态，有效地提高了机电设备运行安全评估的准确性与时效性。

附图说明

图1是本发明第一阶段的机电设备多模联动和多阶段协作方法建立的流程图；

图2是图1中建立多模联动方法的流程图；

图3是图1中建立多阶段协作方法的流程图；

图4是本发明第二阶段机电设备在线运行安全评估的硬件框图。

具体实施方式

上述发明内容的步骤介绍仅是对于技术手段的概述，为了更加准确地了解本发明的相关技术方案，以下介绍具体实施方式，并结合附图来进一步说明本发明的相关技术手段。

本发明包括两个阶段，第一阶段为机电设备多模联动和多阶段协作方法的建立阶段；第二阶段为机电设备在线运行安全评估的阶段。

参见图1，为第一阶段的机电设备多模联动和多阶段协作方法的建立阶段的流程图，具体步骤如下：

步骤1：为了建立统一的评估标准，将机电设备的运行状态分为安全、预警和危险级别。分别采集并整理机电设备在不同运行状态下(安全、预警和危险)的运行信息，包括振动v、温度t和电流i等信号作为在线运行信息数据。根据运行信息对应的特征参数设计对应的评估模型。其中，振动v、温度t、电流i等信号的采样频率均为12.8khz，每个评估阶段的采样时间设定为δt，连续采集nδt，即可获得n个评估阶段。

步骤2：将振动v信号的特征参数均方根rms作为评估模型m1，特征参数均方根rms表示如下：

其中，vl是每个评估阶段的振动信号，l＝1,2,3…n，n是每个评估阶段的采样点数。

将温度t信号的特征参数温升tr作为评估模型m2，特征参数温升tr表示如下：

其中，tl是每个评估阶段的温度信号。

将电流i信号的特征参数电流协方差cc作为评估模型m3，特征参数电流协方差cc表示如下：

其中，ia(l)和ib(l)是每个评估阶段的a相电流ia和b相电流ib信号，类似地，可以计算任意两相电流的特征参数电流协方差，本发明采用a相电流ia和b相电流ib来评估机电设备的运行安全性。

以上仅列举了三种评估模型m1，m2，m3，如需要加入其他评估模型，可以根据对机电设备所采集的不同运行信息的信号对应的特征参数建立多个评估模型，共建立m个评估模型mj，j＝1,2,3…m，m是评估模型个数。

根据在不同运行状态下的运行信号的特征参数进行统计分析，不难发现评估模型mj在安全、预警和危险的运行状态级别均遵循正态分布，因此可以分别获得评估模型mj在安全、预警和危险的运行状态的概率密度函数，设r为某一评估模型mj的任意输出值，其概率密度函数f(r)可表示为：

其中，μ和σ分别为某一评估模型mj的数学期望和标准差。

并根据下列公式可将评估模型mj在安全、预警和危险的运行状态的概率密度函数f(r)转化为隶属度函数qq(r)，表示如下：

其中，o和e是一个有序的正整数数列{1,2,3,...,s}，且s为最大的正整数；o和e不是同步变化的，例如，o＝1时，e∈{1,2,3,...,s}，反之易知，e＝1时，o∈{1,2,3,...,s}；q＝1,2,3，当q＝1时，q1(r)表示评估模型mj在安全运行状态的隶属度函数；q＝2时，q2(r)表示评估模型mj在预警运行状态的隶属度函数；q＝3时，q3(r)表示评估模型mj在危险运行状态的隶属度函数；λo和λe由下式计算得到：

其中，ro是评估模型mj输出值r在区间[μ-3σ,μ+3σ]被s等分后第o个等分点对应的数值，ro-1为第o-1个等分点对应的数值，形成区间[ro-1,ro]。同理可得，re是评估模型mj输出值r在区间[μ-3σ,μ+3σ]被s等分后第e个等分点对应的数值，re-1为第e-1个等分点对应的数值，形成区间[re-1,re]。

设rij为第j个评估模型下第i(i＝1,2,3,...n)个评估阶段的输出值，由隶属度函数qq(r)公式可计算可得，q1(rij),q2(rij),q3(rij)是第j个评估模型在第i个评估阶段下安全、预警和危险的运行状态的隶属度函数值，也可计算得到未知运行状态的隶属度函数值q4(rij)为：q4(rij)＝max{1-q1(rij)-q2(rij)-q3(rij),0}，即q4(rij)为不是所有划分级别的隶属度函数值。由此可按下式计算得出第j个评估模型在第i个评估阶段下安全、预警和危险的概率αij、βij和γij分别是：

那么，未知运行状态下的概率

为了避免在受到外界强干扰的情况下出现偶然性的预警状态，因此把共m个评估模型mj在共n个评估阶段下安全、预警和危险的概率αij、βij和γij作为决策矩阵p，综合评估机电设备的运行状态，定义如下：

步骤3：再结合图2，在决策矩阵p的基础上建立多模联动。针对决策矩阵p，依据初始的评估经验(即专家经验)获得初始权重向量ω⁰，依据实时的评估信息获得实时权重向量ω¹，从而获得综合权重向量ω，实现权重向量的自适应调整。具体步骤如下：

(1)依据初始的评估经验主观地对每个评估模型mj的性能进行定性分析，选取评估模型mj中的最佳和最差性能的评估模型，建立最佳-最差模型来确定评估模型mj的初始权重。例如，针对机械故障的机电设备进行评估时，经专家评判，机械局部的磨损等故障引起的振动是相对较可靠的评估手段，而电流波动在机械故障中表现并不明显，因此评估模型m1是最佳模型，评估模型m3是最差模型；反之，在评估机电设备的电气故障时，电流的波动相对明显，而振动的影响却很小，因此评估模型m3是最佳模型，m1是最差模型。

按照模型性能的优劣程度，最佳模型逐一与所有评估模型进行作比，其比值分别赋予1到9的正整数。将所有比值按照顺序构成最佳的相对比向量vb，表示如下：

vb＝{vb1,vb2,…,vbj,…,vbm}，

其中，vbj是最佳模型的性能与所有评估模型的性能相对比；vbj的值越大，最佳模型相对于其他评估模型(除最佳模型外的评估模型)的性能就越好。

类似地，按照模型性能的优劣程度，所有评估模型与最差模型进行作比，其比值分别赋予1到9的正整数，将所有比值按照顺序构成最差的相对比向量vw，表示如下：

vw＝{v1w,v2w,…,vjw,…,vmw}，

其中，vjw是所有评估模型的性能与最差模型的性能相对比；vjw的值越大，其他评估模型(除最佳模型外的评估模型)相对于最差模型的性能就越好。

例如，针对机械故障的机电设备进行评估时，经专家评判，评估模型m1的性能最佳，且评估模型m1的性能相当于评估模型m2、m3的3倍和5倍，于是可得vb＝{1,3,5}；评估模型m3的性能最差，且评估模型m3的性能相当于评估模型m1、m2的1/5和1/3，于是可得vw＝{5,3,1}。

通常，评估模型mj的权重取决于其相应的性能，因此性能越好，其权重就越大，反之亦然。设是评估模型mj的初始权重，是最佳模型的初始权重，是最差模型的初始权重，理论上根据最佳和最差的相对比向量分别表示如下：

但是实际评估过程中，最佳的相对比向量vb和最差的相对比向量vw是通过评估经验(专家经验)获得。为了满足上述理论上评估模型mj的相对比向量，把评估模型mj的最大绝对差ωb⁰/ωj⁰-vbj和ωj⁰/ωw⁰-vjw进行最小化，表示如下：

其中约束条件为：

通过上述公式计算，可得初始权重向量ω⁰＝{ω1⁰,ω2⁰,…,ωj⁰,…,ωm⁰}。

(2)将采集到的n个评估阶段的运行信息作为n个实时状态xn＝{x1,x2,…,xi,…,xn}，进而不断地更新每个评估阶段的实时评估信息，因此提出了一种基于马氏距离修正的最大偏差法来计算实时权重向量ω¹：

计算在第j个评估模型在第i个评估阶段下的实时状态xi的马氏距离d(pij)：

其中，和分别是第j个评估模型在第i个评估阶段下概率的均值和标准差。

通过马氏距离修正的最大偏差法，计算评估模型mj的实时权重：

通过上述公式计算，可得实时权重向量ω¹＝{ω1¹,ω2¹,…,ωj¹,…,ωm¹}。

(3)获得综合权重向量：

对于综合权重向量ω，其线性关系的构建表示如下：

ω＝λ⁰ω⁰+λ¹ω¹，

其中，λ⁰,λ¹是用于调整初始的评估经验与实时的评估信息之间性能的相对程度，且λ⁰,λ¹∈[0,1]。对于新的机电设备评估对象，缺乏所有评估模型性能的一般结论，因此将λ⁰赋予很小的值，甚至为0。通过不断验证某些评估模型的性能，逐渐增加λ⁰的值，以减少实时评估结果中偶然因素产生的影响。实际评估运行状态时，将λ⁰,λ¹设置为0.5，以适应机电设备的运行状态。

步骤4：再结合图3，建立多阶段协作方法。由多模联动方法获得综合权重向量ω，结合交互式多准则决策获得阶段性的安全度矩阵pdj(xi,xk)；然后，定义相对安全比评估第i阶段下的实时状态的安全程度，并制定全局评估指标来确定机电设备的运行状态。具体步骤如下：

(1)获得阶段性的安全度矩阵：

通过交互式多准则决策确定第j个评估模型在第i个评估阶段下的实时状态xi的安全度矩阵pdj(xi,xk)，表示如下：

其中，xi是第j个评估模型在第i个评估阶段下的实时状态，xk是第j个评估模型在其他评估阶段下的实时状态xk(k＝1,2,…,n)；d(pij,pkj)是pij,pkj之间的马氏距离；ωbj＝ωb/ωj，ωj为评估模型mj综合权重向量，ωb为评估模型mj综合权重向量中最大的权重；δ是损耗的衰减因子(专家经验获得)；评价函数f(·)＝αij-γij。

(2)获得阶段性的相对安全比：

根据安全度矩阵pdj(xi,xk)，计算出第i评估阶段下的实时状态xi相对于其他评估阶段下的实时状态xk(k＝1,2,…,n)的安全度pd(xi,xk)，表示如下：

为了获得各个评估阶段安全度的相对顺序，定义第i评估阶段下实时状态xi的相对安全比表示如下：

其中ε1和ε2是第i评估阶段下全局安全度的最小和最大阈值，此外，的值越大，第i评估阶段下实时状态xi的安全度越高。

(3)制定全局评估指标：

为了有效地减少机电设备在复杂多变的工作环境下单一评估阶段的评估结果所引起的误差，提出多阶段的相对安全比来制定全局评估指标gi，通过判断全局评估指标gi是否达到阈值，评估出机电设备的运行状态的级别，即安全、预警和危险：

其中，τ0和υ0分别表示局部安全和全局安全的阈值(实际评估运行状态时，阈值需要根据设备状况进行调试)。显然，gi越大，安全程度越高。当出现阶段，每个评估阶段的相对安全比对gi起正作用；当出现评估阶段，每个评估阶段的相对安全比对gi起反作用。当出现较少的评估阶段，它对多阶段运行状态xi的影响很小，因此不会干扰全局的运行安全评估。当gi>0，则评估机电设备的运行状态是安全级别；当全局评估指标gi＝0，则评估机电设备的运行状态是预警级别；随着相对安全系数较小的评估阶段越来越多，gi<0，则评估机电设备的运行状态是危险级别。

参见图4，第二阶段机电设备在线运行安全评估的阶段的具体步骤如下：

步骤1：采用信号采集模块1在线采集并整理机电设备在运行状态下的运行信息，包括振动、温度和电流等等信号作为特征参数的输入数据。

步骤2：模糊推理模块2将第m个评估模型在第n个评估阶段下安全、预警和危险的概率作为安全评估的决策矩阵p。

步骤3：将第一阶段中步骤3的多模联动方法和步骤4中的多阶段协作方法编译集成到多模联动和多阶段协作评估模块3中，得到最终机电设备评估运行状态结果。具体步骤如下：

(1)将步骤2中建立运行安全评估的决策矩阵p作为输入，结合初始的评估经验(专家经验)和实时的评估信息，获得综合权重向量ω。

(2)在获得综合权重向量后，通过第一阶段步骤4的多阶段协作方法，结合交互式多准则决策获得阶段性的安全度矩阵；然后，定义相对安全比评估第i阶段下的实时状态xi的安全程度，并制定全局评估指标来确定机电设备的运行状态是否安全。

步骤5：将最终的评估运行状态发送给评估结果显示模块4中显示。