CN107291997A - 一种冷轧液压agc系统故障诊断策略设计方法 - Google Patents

Abstract

本发明实施例公开了一种冷轧液压AGC系统故障诊断策略设计方法，包括如下步骤：将液压AGC系统的液压缸、伺服阀、轧辊辊系和位移传感器等环节进行等效，得到其数学模型，模拟系统的故障，选取测试点，建立系统的多信号模型，得到多信号模型下的故障依赖矩阵；计算测试点间的欧氏距离，对测试点进行冗余度分析，删除冗余测试，简化多信号模型下的依赖矩阵；采用具有一步回溯的信息熵算法，在故障诊断树的建立过程中优先选择测试代价小的测试，建立了液压AGC系统的诊断策略优化方法。本发明提供的冷轧液压AGC系统故障诊断策略设计方法建模简单，达到了故障隔离的目的。

Description

一种冷轧液压AGC系统故障诊断策略设计方法

技术领域

本发明涉及系统故障诊断技术领域，尤其涉及一种轧机液压AGC系统的故障诊断策略优化技术。

背景技术

液压AGC系统就是借助于轧机的液压系统，通过液压伺服阀调节液压缸的油量和压力来控制轧辊位置，从而对带钢进行厚度自动控制的系统。值得关注的是，液压AGC系统存在多种频发故障，如伺服值增益变化，油混空气，负载阻尼变化，管道泄漏等传感器故障。在液压AGC系统产生故障时,需要对整个系统进行故障排查，这种检测方式效率低，维护成本高。

发明内容

本发明的实施例提供一种轧机液压AGC系统的故障诊断策略优化技术，能够提高轧机液压系统的故障检测和隔离效率，降低故障排除和维护成本。

S1、轧机系统建模，数学等效液压AGC系统的液压缸、伺服阀、轧辊辊系、控制器、入口侧测厚仪、背压回油管道和位移传感器，得到与所述液压AGC系统等效的数学模型，通过所述数学模型模拟故障，根据所述故障选取测试点，依据所述测试点建立所述液压AGC系统的多信号模型和故障依赖矩阵；

S2、测试点分析，计算所述测试点间的欧氏距离，通过所述欧氏距离对所述测试点进行冗余度分析并删除冗余测试点，得到简化多信号模型依赖矩阵；

S3、诊断策略设计，所述简化多信号模型依赖矩阵加载能够一步回溯的信息熵算法，生成所述液压AGC系统的诊断策略。

进一步的，所述故障包括：f₁-伺服阀增益故障(参数K_sv异常变化)；f₂-油液中混入空气(参数E₀异常变化)；f₃-负载阻尼变化(参数B_p异常变化)；f₄- 泄漏故障(参数K_c异常变化)；f₅-位移传感器故障(参数K_s异常变化)；f₆-入口侧测厚仪故障(参数K₁异常变化)；f₇-出口侧测厚仪故障(参数K₂异常变化)。

进一步的，所述测试点包括：t₁-伺服放大器输入电压、t₂-伺服阀的空载流量、t₃-轧制力、t₄-液压缸位移、t₅-出口厚度、t₆-位移传感器输出、t₇-入口侧测厚仪输出、t₈-出口侧测厚仪输出。

进一步的，在所述S1中，建立所述故障依赖矩阵包括：

测算所述测试点的欧几里得距离，根据区间划分策略得到所述测试点的故障模式特征值，所述故障模式特征值构成所述故障依赖矩阵。

进一步的，所述区间划分策略包括：

l＜1，所述故障模式特征值标定为0；

1≤l＜100，所述故障模式特征值标定为1；

100≤l＜1000，所述故障模式特征值标定为2；

l≥1000，所述故障模式特征值标定为3；

其中，l是所述测试点的欧几里得距离。

进一步的，在所述S2中，所述冗余度分析，包括：

计算待测测试点与其他所述测试点的欧氏距离，若所述待测测试点与其他所述测试点之间的欧式距离相同，则所述待测测试点为冗余测试点。

具体描述为：如果d(t₁,t_i)＝d(t₂,t_i)＝...＝d(t_j,t_i)＝...d(t_n,t_i)，或者(t_p,t_q)＝0(i≠j,p≠q)，那么t_i是冗余测试，或者t_p、t_q是冗余测试，d(t_j，t_i)表示测试t_j与测试t_i之间的欧氏距离，其中，i，p，q＝1,2,3…8。

进一步的，在S3中，所述诊断策略设计包括：

SS1、将故障状态集F设置为根节点，定义变量X，定义测试点集为变量t, 生成故障诊断树；

SS2、对X分别施加可选测试，测试t_j将故障状态集X划分为

其中，0≤a≤3,j＝1,2,3…8，i＝1,2,3…7；

SS3、根据信息熵算法，即公式(2)，从所述可选测试中选出具有最大单位信息增益的测试，记为t_j′，

根据公式(2)的信息熵算法，由故障诊断树的左至右，生成由X_ja出发的子树，所述子树对应一个故障状态子集，计算所述故障诊断树中每个所述故障状态子集的期望测试代价h(X_ja)

SS4、计算所述测试点t_j的测试代价

SS5、选出所述中最小测试代价值对应的测试点，记为t_j″；

SS6、根据t_j″对故障状态集X进行重新划分，从左至右，分别令t_j″的子集为待划分的测试集，重复步骤SS2—SS5，选出下一步具有最小测试代价的测试，如果所述最小测试代价的测试和SS3中的t_j′相同，则执行步骤SS7；否则，计算 t_j″的子集的期望测试代价，并向上回溯给测试点t_j″，重新计算并更新测试点t_j″的测试代价，并选出具有最小测试代价的测试，记为t*；

SS7、令t*的子集为X，变量t包含了除t*外其他测试，运行上述算法，直到X不再可分，即X中只包含一种故障状态。

本发明的有益效果：本发明提出的故障诊断策略无需对整个系统的进行故障排查，故障检测和隔离任务效率高，测试费用成本低。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是液压AGC系统的仿真模型；

图2是故障诊断策略算法的流程图；

图3是液压AGC系统的故障诊断策略图；

图4是液压AGC系统的故障诊断策略图生成过程图解；

图5是图4的局部图；

图6是图4的局部图；

图7是图4的局部图；

图8是图4的局部图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

本发明实施例提供一种冷轧液压AGC系统故障诊断策略优化方法，包括：

为了便于本领域技术人员的理解，下面结合实例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

本发明的目的在于提供一种冷轧液压AGC系统故障诊断策略优化方法。

为实现上述目的，本发明的一种冷轧液压AGC系统诊断策略优化设计方法包括如下步骤：

S1、轧机系统建模，数学等效液压AGC系统的液压缸、伺服阀、轧辊辊系、控制器、入口侧测厚仪、背压回油管道和位移传感器，得到与所述液压AGC系统等效的数学模型，通过所述数学模型模拟故障，根据所述故障选取测试点，依据所述测试点建立所述液压AGC系统的多信号模型和故障依赖矩阵，其中，所述故障包括：f₁-伺服阀增益故障(参数K_sv异常变化)；f₂-油液中混入空气(参数E₀异常变化)；f₃-负载阻尼变化(参数B_p异常变化)；f₄-泄漏故障(参数K_c异常变化)；f₅-位移传感器故障(参数K_s异常变化)；f₆-入口侧测厚仪故障(参数K₁异常变化)；f₇-出口侧测厚仪故障(参数K₂异常变化)，所述测试点包括： f₁-伺服阀增益故障(参数_Ksv异常变化)；f₂-油液中混入空气(参数E₀异常变化)； f₃-负载阻尼变化(参数B_p异常变化)；f₄-泄漏故障(参数K_c异常变化)；f₅-位移传感器故障(参数K_s异常变化)；f₆-入口侧测厚仪故障(参数K₁异常变化)； f₇-出口侧测厚仪故障(参数K₂异常变化)；

S2、测试点分析，计算所述测试点间的欧氏距离，通过所述欧氏距离对所述测试点进行冗余度分析并删除冗余测试点，得到简化多信号模型依赖矩阵，其中，所述测试点的欧几里得距离为l，根据区间划分策略得到所述测试点的故障模式特征值，

l＜1，偏离正常值很小，微小变化，所述故障模式特征值标定为0；

1≤l＜100，偏离正常值较小，轻微变化，所述故障模式特征值标定为1；

100≤l＜1000，偏离正常值较大，明显变化，所述故障模式特征值标定为2；

l≥1000，偏离正常值很大，显著变化，所述故障模式特征值标定为3；

所述故障模式特征值构成所述故障依赖矩阵，如表1所示，

表1液压AGC系统的依赖矩阵

分别求某一个测试点与其他测试点的欧氏距离，若该测试点与其他测试点之间的欧式距离相同，则该测试点为冗余测试点，需要删除该测试点，

具体描述为：如果d(t₁,t_i)＝d(t₂,t_i)＝...＝d(t_j,t_i)＝...d(t_n,t_i)，或者(t_p,t_q)＝0(i≠j,p≠q)，各个测试点之间的欧氏距离如表2所示，表中，测试t₃与其他测试点之间的欧氏距离相同，删除测试点t₃之后的简化多信号模型依赖矩阵如表3所示；

表2八个测试点之间的冗余测试分析

表3简化多信号模型依赖矩阵

S3、诊断策略设计，所述简化多信号模型依赖矩阵加载能够一步回溯的信息熵算法，生成所述液压AGC系统的诊断策略，其中，诊断策略流程图如图2 所示，包括：

SS1、将故障状态集F设置为根节点，定义变量X，定义测试点集为变量t, 生成故障诊断树；

SS2、对X分别施加可选测试，测试t_j将故障状态集X划分为

其中，0≤a≤3,j＝1,2,3…8，i＝1,2,3…7；

SS3、根据信息熵算法,即公式(2)，从所述可选测试中选出具有最大单位信息增益的测试，记为t_j′，

根据公式(2)的信息熵算法，由故障诊断树的左至右，生成由X_ja出发的子树，所述子树对应一个故障状态子集，计算所述故障诊断树中每个所述故障状态子集的期望测试代价h(X_ja)

SS4、计算所述测试点t_j的测试代价

SS5、选出所述中最小测试代价值对应的测试点，记为t_j″；

SS6、根据t_j″对故障状态集X进行重新划分，从左至右，分别令t_j″的子集为待划分的测试集，重复步骤SS2—SS5，选出下一步具有最小测试代价的测试，如果所述最小测试代价的测试和SS3中的t_j′相同，则执行步骤SS7；否则，计算 t_j″的子集的期望测试代价，并向上回溯给测试点t_j″，重新计算并更新测试点t_j″的测试代价，并选出具有最小测试代价的测试，记为t*；

SS7、令t*的子集为X，变量t包含了除t*外其他测试，运行上述算法，直到X不再可分，即X中只包含一种故障状态。

综上，本发明的有益效果如下：

(1)在测试点之间进行冗余度分析，对测试点之间的欧氏距离进行度量，去除冗余测试，缩短了算法的运行时间，提高了算法的运行效率。

(2)本发明提出的故障诊断策略考虑了测试费用的影响，花费尽可能少的测试费用完成故障检测和隔离任务，对减少系统的故障诊断时间、系统的维修人力、器材和报账费用，提高系统的完好性等方面具有重要意义。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种冷轧液压AGC系统故障诊断策略优化设计方法，其特征在于，包括：

S1、数学等效液压AGC系统的液压缸、伺服阀、轧辊辊系、控制器、入口侧测厚仪、背压回油管道和位移传感器，得到与所述液压AGC系统等效的数学模型，通过所述数学模型模拟故障，根据所述故障选取测试点，依据所述测试点建立所述液压AGC系统的多信号模型和故障依赖矩阵；

S2、计算所述测试点间的欧氏距离，通过所述欧氏距离对所述测试点进行冗余度分析并删除冗余测试点，得到简化多信号模型依赖矩阵；

S3、所述简化多信号模型依赖矩阵加载能够一步回溯的信息熵算法，参考所述故障依赖矩阵,生成所述液压AGC系统的诊断策略。

2.根据权利要求1所述的一种冷轧液压AGC系统故障诊断策略优化设计方法，其特征在于，所述故障包括：f₁-伺服阀增益故障、f₂-油液中混入空气、f₃-负载阻尼变化、f₄-泄漏故障、f₅-位移传感器故障、f₆-入口侧测厚仪故障、f₇-出口侧测厚仪故障。

3.根据权利要求1所述的一种冷轧液压AGC系统故障诊断策略优化方法，其特征在于，所述测试点包括：t₁-伺服放大器输入电压、t₂-伺服阀的空载流量、t₃-轧制力、t₄-液压缸位移、t₅-出口厚度、t₆-位移传感器输出、t₇-入口侧测厚仪输出、t₈-出口侧测厚仪输出。

4.根据权利要求1所述的一种冷轧液压AGC系统故障诊断策略优化方法，其特征在于，在所述S1中，建立所述故障依赖矩阵包括：

测算所述测试点的欧几里得距离，根据区间划分策略得到所述测试点的故障模式特征值，所述故障模式特征值构成所述故障依赖矩阵。

5.根据权利要求4所述的一种冷轧液压AGC系统故障诊断策略优化方法，其特征在于，所述区间划分策略包括：

l＜1，所述故障模式特征值标定为0；

1≤l＜100，所述故障模式特征值标定为1；

100≤l＜1000，所述故障模式特征值标定为2；

l≥1000，所述故障模式特征值标定为3；

其中，l是所述测试点的欧几里得距离。

6.根据权利要求1所述的一种冷轧液压AGC系统故障诊断策略优化方法，其特征在于，在所述S2中，所述冗余度分析，包括：

计算待测测试点与其他所述测试点的欧氏距离，若所述待测测试点与其他所述测试点之间的欧式距离相同，则所述待测测试点为冗余测试点。

7.根据权利要求1所述的一种冷轧液压AGC系统故障诊断策略优化方法，其特征在于，在S3中，所述诊断策略设计包括：

SS1、将故障状态集F设置为根节点，定义变量X，定义测试点集为变量t,生成故障诊断树；

SS2、根据故障依赖矩阵,对X分别施加可选测试，测试t_j将故障状态集X划分为

<mrow> <msub> <mi>X</mi> <mrow> <mi>j</mi> <mi>a</mi> </mrow> </msub> <mo>=</mo> <mo>{</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>&amp;Element;</mo> <mi>X</mi> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

其中，a表示根据欧几里得距离标定的故障模式特征值,0≤a≤3；f_i表示故障状态集F中的一种故障状态；d_ij表示故障依赖矩阵中的元素,j＝1,2,3…8，i＝1,2,3…7；

SS3、根据信息熵算法，即公式(2)，从所述可选测试中选出具有最大单位信息增益的测试，记为t_j′，

<mrow> <mi>k</mi> <mo>=</mo> <munder> <mi>argmax</mi> <mi>j</mi> </munder> <mo>{</mo> <mfrac> <mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>F</mi> <mo>;</mo> <msub> <mi>t</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> <msub> <mi>c</mi> <mi>j</mi> </msub> </mfrac> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

其中，I(F；t_j)表示测试t_j提供的关于故障集F的信息量，c_j表示测试t_j的测试代价，j＝1,2,3…8，i＝1,2,3…7，

根据公式(2)的信息熵算法，由所述故障诊断树的左至右，生成由X_ja出发的子树，所述子树对应一个故障状态子集，计算所述故障诊断树中每个所述故障状态子集的期望测试代价h(X_ja)

<mrow> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>j</mi> <mi>a</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>f</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <msub> <mi>P</mi> <mi>i</mi> </msub> <mo>|</mo> </mrow> </munderover> <msub> <mi>c</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

其中，p(f_i)表示故障f_i的先验概率，m表示故障集F包含的故障状态个数，j＝1,2,3…8，i＝1,2,3…7；

SS4、计算所述测试点t_j的测试代价；

<mrow> <msub> <mi>h</mi> <msub> <mi>t</mi> <mi>j</mi> </msub> </msub> <mo>=</mo> <msub> <mi>c</mi> <mi>j</mi> </msub> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>a</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>j</mi> <mi>a</mi> </mrow> </msub> <mo>)</mo> </mrow> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>j</mi> <mi>a</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

SS5、选出所述中最小测试代价值对应的测试点，记为t_j″；

SS6、根据t_j″对故障状态集X进行重新划分，从左至右，分别令t_j″的子集为待划分的测试集，重复步骤SS2—SS5，选出下一步具有最小测试代价的测试，如果所述最小测试代价的测试和SS3中的t_j′相同，则执行步骤SS7；否则，计算t_j″的子集的期望测试代价，并向上回溯给测试点t_j″，重新计算并更新测试点t_j″的测试代价，并选出具有最小测试代价的测试，记为t*；

SS7、令t*的子集为X，变量t包含了除t*外其他测试，运行上述算法，直到X不再可分。