CN102628738A - 厚板轧机agc伺服阀状态监测与故障诊断系统 - Google Patents

Abstract

一种厚板轧机AGC伺服阀状态监测与故障诊断系统，包括：诊断操作模块、诊断结果显示模块、信息输入模块、历史数据分析模块和神经网络训练模块。诊断操作模块读取待测试的文本文件，进行诊断，并把诊断结果发送到所述诊断结果显示模块进行显示，诊断结果包括伺服阀健康度趋势以及用健康度表征的当前运行状况。信息输入模块在轧机换取新的伺服阀时对新阀信息进行录入，神经网络训练模块用来对新的伺服阀数据进行训练并将结果加入知识库。历史数据分析模块可查看选定阀的历史运行状态等相关信息。本发明具备状态故障自诊断和历史数据存储和查看功能，对系统故障的发现和及时更换伺服阀提供实时保障，以求最大程度地减少设备故障导致的损失。

Description

厚板轧机AGC伺服阀状态监测与故障诊断系统

技术领域

本发明涉及一种轧机液压AGC系统，具体是一种厚板轧机AGC伺服阀状态监测与故障诊断系统。

背景技术

板带材轧机是使轧件通过具有一定辊缝的轧辊从而生产出预期厚度板带材的一种金属压力加工机。在板带轧制过程中，板厚的尺寸精度是必须确保的最重要的质量指标，轧机液压AGC系统是现代板带轧机板厚精度控制、板形控制的重要手段。AGC系统根据实测板厚和要求轧制的板厚比较其偏差，通过伺服阀系统的控制，调整压下油缸，以达到所要求的出口板厚。

轧机液压AGC系统是控制复杂、负载力大、扰动关系复杂、控制精度和响应速度要求很高的设备，并且随轧机自动化水平及板材质量要求的日益提高，对轧机液压AGC系统控制性能要求也越来越高。液压AGC系统的工作性能好坏与可靠性高低，直接影响整个轧机的正常工作，影响产品的质量。而电液伺服阀是液压AGC系统的关键元件，它的性能关系到整个系统的控制精度和响应速度，也直接影响到整个系统工作的可靠性和寿命。

电液伺服阀要求精密，造价较贵，系统对工作介质清洁度要求高，管理维护费用较大，是电液伺服系统中最容易发生故障的部位，其性能和可靠性将直接影响系统的性能和可靠性。开展电液伺服阀故障智能诊断方面的研究可以提高整个AGC系统的可靠性和安全性，保证正常良好的生产秩序和产品质量，延长设备的使用寿命，降低维修成本，推进设备维修体制与方式的现代化。否则，如果液压AGC系统一旦发生故障，将造成停机或影响产品质量，会带来巨大的经济损失。

电液伺服阀本身是结合机、电、液三种技术于一体的精密元件，其故障通常表现为机械故障、电气故障、液压故障的复杂耦合，这些给相关的故障诊断工作带来一定的难度。电液伺服阀是液压系统中最复杂和关键的部件之一，电液伺服阀智能维护技术和水平是液压系统维护技术和水平的重要反映。

经对现有技术的文献检索发现，中国专利(专利号CN101183050)提出一种基于位移测量的电液伺服阀动态性能高精度测试方法，采用位移传感器作为无载油缸运动检测元件，位移信号和电流信号经过处理和相关分析来测试电液伺服阀动态性能。株式会社东芝专利(专利号CN1519480)提出一种用于控制伺服阀开度的伺服阀控制装置，以便通过输入实际的伺服阀开度与伺服阀开度目标值的信号而使伺服阀开度符合一个目标，该控制装置具有一个控制器，其构造成接收伺服阀开度目标值与实际伺服阀开度之间的差值信号，并产生用于驱动该伺服阀的伺服命令信号。但上述专利采用的信号量较单一，没有给出伺服阀的当前运行状态，并缺少性能退化预测。

发明内容

本发明针对现有技术的不足，提出一种厚板轧机AGC伺服阀状态监测与故障诊断系统，使其具备状态故障自诊断和历史数据存储和查看功能，对系统故障的发现和及时更换伺服阀提供实时保障，以求最大程度地减少设备故障导致的损失。

本发明是通过以下技术方案实现的，本发明包括如下五个模块：诊断操作模块、诊断结果显示模块、信息输入模块、历史数据分析模块和神经网络训练模块，所述系统运行之前首先用传感器采集轧机的轧制力、传动侧和操作侧的位移、以及伺服阀的开口度信号并在线存储为文本文件；其中：

所述信息输入模块在轧机换取新的伺服阀时对新阀信息进行录入并保存数据，以供所述诊断操作模块调用；

所述神经网络训练模块在有新的伺服阀数据时，采用神经网络对该数据进行训练将结果加入知识库，并将该训练过的数据供所述诊断操作模块调用；

所述诊断操作模块读取待测试的文本文件，或/和所述信息输入模块和所述神经网络训练模块的数据，对伺服阀进行诊断，并把结果发送到所述诊断结果显示模块；

所述诊断结果显示模块则显示伺服阀的日期、阀号、位置号、诊断结果和健康度信息；所述健康度是表征伺服阀使用情况的指标，其范围为0～1，0表示最差状态，1表示最佳状态；

所述历史数据分析模块提供某一阀的历史运行状态信息查询。

所述信息输入模块主要负责换上新的伺服阀之后对于新伺服阀信息的录入，可以输入伺服阀上机时间、编号以及上机位置号，并根据输入的信息将阀进行排序后进行保存。通过此模块可以保存使用过的伺服阀的相关信息，便于诊断过程的准确判断，也可供以后分析使用。

所述神经网络训练模块包括数据更新子模块与网络训练子模块，在有新的伺服阀数据时，所述网络训练子模块采用神经网络对该数据进行网络训练，所述数据更新子模块将训练后的结果更新到知识库，供所述诊断操作模块调用。伺服阀在线状态的知识库集成在系统中，通过目前已有的数据按特征量的要求筛选出具有代表性的数据。知识库数据的代表性的优劣与系统的诊断正确率高低和运行速度快慢紧密相关。知识库具有扩容和升级的功能，从而提高了系统与设备工况的适应性。

所述诊断操作模块包括数据读取子模块和数据诊断子模块，所述数据读取子模块用来选取需要测试的文本文件，判断数据的日期并将其中的数据传递给诊断结果显示中的时间变量；所述数据诊断子模块将数据读取子模块读取的数据进行处理后得到表征伺服阀工作状况的特征向量。

所述诊断结果显示模块包括诊断结果显示子模块和健康度曲线显示子模块，所述诊断结果显示子模块显示的诊断结果包括日期显示、阀号显示、阀位置号显示、健康度数值显示以及最终诊断结果显示；所述健康度曲线显示子模块显示该阀最近10天的健康度状况。通过所述诊断结果显示模块可以直观的看到伺服阀健康度趋势以及当前的状况。

所述历史数据分析模块包括1#阀数据、2#阀数据、3#阀数据三个子模块，选择某一阀数据子模块，则在弹出的窗口中以折线图方式显示伺服阀健康度曲线，并在标题处显示该阀的位置号、阀号和使用起止日期。

与现有技术相比，本发明具有以下有益效果：本发明综合了人工智能技术、知识库技术和计算机技术，总体上实现了伺服阀健康度状态检测与故障诊断，极大地减小了故障的发生频率，保障了设备、产品和相关人员的安全，降低了维护工作量和维护成本，从而提升了生产企业的竞争力。

附图说明

图1为厚板轧机AGC系统位置控制原理图；

图2为本发明一实施例的结构框图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

如附图1所示，为一般厚板轧机AGC系统位置控制原理图，系统根据实测板厚和要求轧制的板厚比较其偏差，通过伺服阀系统的控制，调整压下油缸，以达到所要求的出口板厚。

电液伺服阀1，2和3并联在液压油路中，正常工作时，只会用到三个阀中的两个，如果用1和2，则1和2中有一个主要的工作阀，另一个则当主阀的流量不能满足需要时才启用以弥补主阀的流量不足。伺服阀在工作时会反馈出阀芯的位置信息，即阀的开口度，定义为伺服阀阀芯位移与最大位移比值，阀芯正向位移最大时对应的开口度为1，负向最大时，对应的开口度为-1。

在本实施例所述厚板轧机AGC伺服阀状态监测与故障诊断系统运行之前，首先要用传感器采集信号数据，如图1中部件4和5分别为压下缸的活塞侧和有杆侧的HAD 3840压力传感器，由此可以检测压下缸内的压力变化情况。因压下缸的活塞升起时可能出现歪斜，为消除歪斜而产生的检测误差，在压下缸的两侧装有两只SONY HA-705-LK 907/MSS-976-R磁栅6、7，取位移信号的平均值来进行控制。采用该方法对伺服阀数据进行采集，并同时在线存入文本文件。

如图2所示，本实施例提供一种厚板轧机AGC伺服阀状态监测与故障诊断系统包括如下五个模块：诊断操作模块、诊断结果显示模块、信息输入模块、历史数据分析模块和神经网络训练模块。其中：

所述信息输入模块在轧机换取新的伺服阀时对新阀信息进行录入并保存数据，以供所述诊断操作模块调用；

所述神经网络训练模块在有新的伺服阀数据时，采用神经网络对该数据进行训练将结果加入知识库，并将该训练过的数据供所述诊断操作模块调用；

所述诊断操作模块读取事先采集的数据待测试文本文件，或/和所述信息输入模块和所述神经网络训练模块的数据，对伺服阀进行诊断，并把结果发送到所述诊断结果显示模块；

所述诊断结果显示模块则显示伺服阀的日期、阀号、位置号、诊断结果和健康度信息；

所述历史数据分析模块提供某一阀的历史运行状态信息查询。

以下对本实施例的各个模块具体实现进行详细说明：

1.诊断操作模块，这是系统主要的用户操作区域，本模块将数据处理诊断后把诊断结果信息传递到诊断结果显示模块中予以显示。它包括数据读取子模块和数据诊断子模块。

a)数据读取子模块，通过数据读取按钮控制，其作用在于读取待测试的数据的文本文件，一般每一天的数据文件读取5个，读取的同时不断判断读入数据的向量、日期、阀号是否相同以及是否有无效数据，并要求每次读取的文件中轧制次数不得少于10次，如果出现上述情况，则终止本次数据读取。如若读取数据正确，则将所有数据传递给数据诊断子模块中的对应变量。

b)数据诊断子模块，通过数据诊断按钮控制，其作用是将读取的数据进行处理，判断其健康状态。具体而言就是首先判断阀的位置号是1#、2#还是3#，然后分别针对传动侧和操作侧进行处理，提取最终特征量：位移差均值，开口度均值、峰值、大数个数和穿越次数。

所述位移差均值是指传动侧和操作侧在一次轧制过程中压下高度差的平均值，表征着轧钢厚度差的平均情况；

所述阀的开口度是指伺服阀阀芯位移与最大位移比值，阀芯正向位移最大时对应的开口度为1，负向最大时，对应的开口度为-1。其均值和峰值分别表征一次轧制中阀芯相对位移的平均值和最大值。通过大量的数据分析，找到一条开口度的阈值线，一次轧制过程中开口度超过此阈值线的点数即为开口度大数个数，折线图穿过阈值线的次数即为穿越次数，表征开口度的波动情况。提取特征量之后用训练好的神经网络进行仿真，得出健康度值，然后根据前两天的数据情况运用聚类算法得出最终诊断结果。

2.诊断结果显示模块，在伺服阀健康度状态检测过程中，系统对检测的数据进行读取、分析和处理的进程和结果，都会在诊断结果显示模块进行显示。它包括诊断结果显示子模块和健康度曲线显示子模块。这两者同时运行，将系统工作进程和诊断结果直观地反馈给用户。

a)诊断结果显示子模块，包括伺服阀工作日期显示、阀号显示、伺服阀位置号显示、健康度数值显示以及最终诊断结果显示。最终诊断结果有三种情况：正常、故障和待定。正常表示伺服阀各方面数据显示正常，故障表示伺服阀某一指标出现异常，系统出现故障，建议换阀。待定是指本次诊断与前次诊断相差较大，无法判定伺服阀健康度状态。

b)健康度曲线显示子模块，以折线图表示伺服阀健康度状态，横坐标为该阀的使用日期(若使用日期少于十天则全部显示，多于十天则显示十天)，纵坐标为健康度数值。图中还有一条阈值线，为健康度数值的大致分界线。传动侧和操作侧健康度以不同颜色的曲线显示在同一图内。用户通过此图可以很直观地看到伺服阀健康度曲线的走势。

3.信息输入模块，主要是为诊断操作模块和诊断结果显示模块准备前期数据，当换上新的伺服阀之后需要相关信息的录入，以方便监测诊断过程中的调用和判断。此模块需要录入的信息包括：伺服阀上机时间、编号以及上机位置号。输入完毕之后点击保存则根据输入的信息将阀进行排序后进行保存。

4.历史数据分析模块，此模块是相对滞后并独立的模块，是为了查看使用过(包括正在使用)的阀的健康度情况，主要包括1#阀数据、2#阀数据、3#阀数据三个按钮以及相应的下拉菜单，选择某一阀后在弹出的窗口中以折线图方式显示伺服阀健康度曲线，并在标题处显示该阀的位置号、阀号和使用起止日期。如：2#传动侧461伺服阀健康度数据，使用日期：2009.10.1-200912.20。在工具栏可以对该数据图进行相关操作，如保存、放大、缩小等。

5.神经网络训练模块，与系统的升级功能相关的。神经网络训练的效果直接关系到系统的性能，因此本模块是系统中至关重要的一个环节。

a)网络训练子模块，首先选择典型的数据，在数据采集过程中观测钢板的轧制情况，挑选出轧制情况较为稳定和出现故障的数据，双喷嘴挡板式电液伺服阀的故障原因有小球磨损、永久磁铁的退磁、阀套密封破损、主阀芯棱边磨损、主阀芯径向磨损、主阀芯卡死卡滞、喷嘴堵塞、节流孔堵塞、内部滤芯堵塞和阀内电子线路故障等。其中最主要的失效模式可以归纳为三大类，分别为伺服阀内堵塞型故障、卡滞型故障和泄漏型故障。然后将这些出现故障的数据进行分析，提取故障特征量，包括位移差均值，开口度均值、峰值、大数个数和穿越次数，同时对正常工作的伺服阀也提取同样的特征量，然后采用BP神经网络函数进行训练。

b)数据更新子模块，将网络训练子模块的结果实时更新到知识库，这样可以使知识库不断地进行扩容和升级，从而提高了系统与设备工况的适应性。扩容和升级功能需在完整的MATLAB环境下完成。

本实施例中，在模块运行之前首先采用传感器对信号(主要包括轧制力、位移差、传动侧和操作侧开口度等)进行采集并同时在线存入文本文件，然后在诊断操作模块中点击‘读取数据’按钮，读取待测试的文本数据，连续读取同一天的5个文件，然后点击‘数据诊断’，诊断操作模块运行完毕，则在诊断结果显示模块显示其诊断结果(测试数据的日期、阀号、位置号、诊断的最终结果以及该阀最近10天的健康度状况)。如此不断循环执行，便可测试每一天的健康度状况。当轧机换取新的伺服阀时需要在信息输入模块点击‘新阀上机’对新阀进行信息录入，包括上机时间、阀号和阀的位置号。当需要查看某一阀的历史运行状态，则可点击历史数据分析模块中相关阀查看其相关信息。当伺服阀工况改变或者有新的数据需要加入知识库时，就要在神经网络训练模块进行数据更新并进行多次神经网络训练，选择其中效果比较好的作为最终的训练结果，以保持故障诊断的准确性。

本发明系统具备状态故障诊断和预警、报警功能，可以较准确的判断伺服阀的健康度状态，对系统稳定运行提供实时保障，并对故障的发现和更换伺服阀提供快速响应，极大地减小了故障的发生频率，保障了设备、轧钢产品和相关人员的安全。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种厚板轧机AGC伺服阀状态监测与故障诊断系统，其特征在于，包括如下五个模块：诊断操作模块、诊断结果显示模块、信息输入模块、历史数据分析模块和神经网络训练模块；所述系统运行之前首先用传感器采集相应的信号数据并在线存储为文本文件；其中：

所述信息输入模块在轧机换取新的伺服阀时对新阀信息进行录入并保存数据，以供所述诊断操作模块调用；

所述神经网络训练模块在有新的伺服阀数据时，采用神经网络对该数据进行训练将结果加入知识库，并将该训练过的数据供所述诊断操作模块调用；

所述诊断操作模块读取待测试的文本文件，或/和所述信息输入模块和所述神经网络训练模块的数据，对伺服阀进行诊断，并把结果发送到所述诊断结果显示模块；

所述诊断结果显示模块则显示伺服阀的日期、阀号、位置号、诊断结果和健康度信息；

所述历史数据分析模块提供某一阀的历史运行状态信息查询。

2.根据权利要求1所述的厚板轧机AGC伺服阀状态监测与故障诊断系统，其特征是，所述诊断操作模块包括数据读取子模块和数据诊断按钮子模块，所述数据读取子模块用来选取需要测试的文本文件，判断数据的日期并将其中的数据传递给诊断结果显示模块中的时间变量；所述数据诊断子模块将数据读取子模块读取的数据进行处理后得到表征伺服阀工作状况的特征向量。

3.根据权利要求1所述的厚板轧机AGC伺服阀状态监测与故障诊断系统，其特征是，所述数据读取子模块读取待测试的数据的文本文件，每一天的数据文件读取5个，读取的同时不断判断读入数据的向量、日期、阀号是否相同以及是否有无效数据，并要求每次读取的文件中轧制次数不得少于10次，如果出现上述情况，则终止本次数据读取；如若读取数据正确，则将所有数据传递给数据诊断子模块中对应的变量；

所述数据诊断子模块将读取的数据进行处理，判断其健康状态即：首先判断阀的位置号是1#、2#还是3#，然后分别针对传动侧和操作侧进行处理，提取最终特征量：位移差均值，开口度均值、峰值、大数个数和穿越次数。

4.根据权利要求1-3任一项所述的厚板轧机AGC伺服阀状态监测与故障诊断系统，其特征是，所述诊断结果显示模块包括诊断结果显示子模块和健康度曲线显示子模块，所述诊断结果显示子模块显示的诊断结果包括日期显示、阀号显示、阀位置号显示、健康度数值显示以及最终诊断结果显示；所述健康度曲线显示子模块显示该阀最近10天的健康度状况；通过所述诊断结果显示模块可直观的看到伺服阀健康度趋势以及当前的状况。

5.根据权利要求4所述的厚板轧机AGC伺服阀状态监测与故障诊断系统，其特征是，所述诊断结果显示子模块，其中最终诊断结果有三种情况：正常、故障和待定；正常表示伺服阀各方面数据显示正常，故障表示伺服阀某一指标出现异常，系统出现故障，建议换阀；待定是指本次诊断与前次诊断相差较大，无法判定伺服阀健康度状态。

6.根据权利要求4所述的厚板轧机AGC伺服阀状态监测与故障诊断系统，其特征是，所述健康度曲线显示子模块，以折线图表示伺服阀健康度状态，横坐标为该阀的使用日期，若使用日期少于十天则全部显示，多于十天则显示十天；纵坐标为健康度数值，其范围是0-1，0为最差，1为最好；折线图中还有一条阈值线，为健康度数值的分界线；传动侧和操作侧健康度以不同颜色的曲线显示在同一图内。

7.根据权利要求1-3任一项所述的厚板轧机AGC伺服阀状态监测与故障诊断系统，其特征是，所述信息输入模块主要负责换上新的伺服阀之后对于新伺服阀信息的录入，此模块需要录入的信息包括输入伺服阀上机时间、编号以及上机位置号，并根据输入的信息将阀进行排序后进行保存；通过此模块可保存使用过的伺服阀的相关信息，便于诊断过程的准确判断，也可供以后分析使用。

8.根据权利要求1-3任一项所述的厚板轧机AGC伺服阀状态监测与故障诊断系统，其特征是，所述神经网络训练模块包括数据更新子模块与网络训练子模块，所述数据更新子模块在有新的伺服阀数据加入知识库时，进行数据更新；所述网络训练子模块采用神经网络对该数据进行网络训练，并将该训练过的数据供所述诊断操作模块调用；伺服阀在线状态的知识库集成在系统中，通过目前已有的数据按特征量的要求筛选出具有代表性的数据；知识库具有扩容和升级的功能。

9.根据权利要求8所述的厚板轧机AGC伺服阀状态监测与故障诊断系统，其特征是，所述神经网络训练模块首先选择典型的数据，在数据采集过程中观测钢板的轧制情况，挑选出轧制情况较为稳定和出现故障的数据，双喷嘴挡板式电液伺服阀的故障原因有小球磨损、永久磁铁的退磁、阀套密封破损、主阀芯棱边磨损、主阀芯径向磨损、主阀芯卡死卡滞、喷嘴堵塞、节流孔堵塞、内部滤芯堵塞和阀内电子线路故障；其中最主要的失效模式归纳为四大类，分别为伺服阀内电子线路故障、堵塞型故障、卡滞型故障和泄漏型故障；然后将这些出现故障的数据进行分析，提取故障特征量，包括位移差均值，开口度均值、峰值、大数个数和穿越次数，同时对正常工作的伺服阀也提取同样的特征量，然后采用BP神经网络函数进行训练。

10.根据权利要求1-3任一项所述的厚板轧机AGC伺服阀状态监测与故障诊断系统，其特征是，所述历史数据分析模块包括1#阀数据、2#阀数据、3#阀数据三个子模块，选择某一阀数据子模块，则在弹出的窗口中以折线图方式显示伺服阀健康度曲线，并在标题处显示该阀的位置号、阀号和使用起止日期。

Images