电液伺服阀状态在线特征提取和异常检测方法

　　目前,电液伺服阀的故障诊断主要是基于离线方式,而对其故障诊断方法主要是基于静态特性曲线的特征提取上采用支持向量机或神经网络来进行状态识别.为了将支持向量机理论应用于无指导学习,文献[1-2]中提出一类支持向量机(1-SVM)算法用于异常检测取得了良好的效果.文献[3]中结合传统支持向量机两类错误分类造成损失不等这一故障诊断特点,提出了基于最小风险的SVM方法.文献[4]中以伺服阀静态特性曲线为基础,将BP神经网络用于电液伺服阀的故障诊断.文献[5]中提出一种基于统计参数分析(SPA)和支持向量机分类模型的新的故障诊断方法,实验结果证明,其性能明显优于径向基函数(RBF)神经网络的诊断方法.文献[6]中在对电液伺服阀历史故障信息收集和分析的基础上,设计了一种适用于伺服阀故障诊断的3层BP神经网络.

　　对于伺服阀动态特性的研究均为先建立数学模型,然后提出不同的研究方法.文献[7]中建立了四通伺服阀驱动液压缸时不同泄漏情况和有无黏性摩擦情况下的数学模型,并用于分析系统的稳定性和漂移特性.文献[8]中基于流体动力学理论,考虑离心力场作用,建立了电液伺服阀工作时的力学模型,并对其性能进行了分析.文献[9]中在考虑伺服阀出口流量特性和内泄漏的情况下,提出一种改进的伺服阀非线性模型.文献[10]中针对由2个阀芯构成放大级的两级流量控制伺服阀,提出一种非线性动力学模型.伺服阀的特征提取目前主要基于静态特性曲线,伺服阀工作时要得到这些静态曲线几乎很难,因此必须采用离线的诊断方法.伺服阀的动态特性则主要用复杂的数学模型来描述,不适合用于阀的监测数据,提取相关动态特征信息具有重要的研究和应用价值.

　　本文以轧机液压厚度自动控制(简称轧机液压AGC)系统电液伺服阀为研究对象.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,也是现代板带轧机装备水平的重要标志之一.电液伺服阀是液压AGC系统中最复杂和关键的部件之一,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.通过采集现场的实际数据,经数据分析,本文提出一种新的伺服阀故障特征提取方法,利用1-SVM来辨识伺服阀异常状态,并与神经网络诊断结果进行对比,以达到对电液伺服阀工作状态的实时监测和异常识别.

　　1　电液伺服阀在线诊断实验基础

　　图1所示为某钢厂厚板轧机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.图中,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3个阀中的2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.图1中①和②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A、B2只SONY HA-705-LK 907/MSS-976-R磁栅,取位移信号的平均值来进行控制.