CN106546439A - 一种液压agc系统的复合故障诊断方法 - Google Patents

Abstract

本发明公开了一种液压AGC系统的复合故障诊断方法，具体步骤如下：步骤1、轧机部件动态建模：将液压AGC系统的各个环节进行等效，得到其数学模型；步骤2、系统建模：模拟故障，选取测点，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；如果是单故障，直接得到故障依赖矩阵，故障诊断，直接得到结果；步骤3、如果是复合故障，应用盲源分离算法实现测点信息的盲分离，得到故障依赖矩阵，实现对复合故障的诊断；步骤4、故障诊断：在系统发生故障后，获取测点的信息，通过将该测点信息与故障依赖矩阵进行比对，定位故障源；本发明的诊断方法达到了复合故障隔离和定位的目的，同时提高了故障的分离率。

Description

一种液压AGC系统的复合故障诊断方法

技术领域

本发明属于系统故障诊断技术领域，具体是指一种液压AGC系统的复合故障诊断方法。

背景技术

液压AGC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，AGC系统存在伺服阀增益异常、油管泄漏、位移传感器失灵等多种频发故障。AGC系统的故障有可能破坏整个轧机的正常轧制状态，甚至导致轧机振动等设备安全隐患以及带钢打滑、跑偏、断带、堆钢等严重质量事故。因AGC系统具有多重闭环控制结构，即使是微小的状态异常也会经过闭环传播、扩散而导致严重设备故障的发生，甚至会出现难以处理的复合故障；故障一旦发生，也很难进行故障的隔离和定位。为提高AGC系统的可靠性和安全性，微小与复合故障的诊断是钢铁企业的迫切需求。

多信号模型是现有测试性模型中愈来愈受重视的模型之一，并在理论研究和工程应用中发挥着广泛作用。多信号模型的原理即以建模分析获取相关性矩阵，并基于相关性矩阵给出诊断策略，还可预估诊断策略的故障检测率以及故障隔离率等测试性参数。但是，多信号模型是在相关性模型上扩展得到的，因而对于复杂的测试性建模更为适用。因此，将多信号模型应用于AGC系统的微小与复合故障的诊断技术应运而生。

发明内容

本发明的目的在于针对现有技术的不足，公开了一种液压AGC系统的复合故障诊断方法，实现诊断系统单故障以及难以处理的复合故障的目标。

本发明是这样实现的：一种液压AGC系统的复合故障诊断方法，其特征在于，具体步骤如下：

步骤1、轧机部件动态建模：将液压AGC系统的各个环节进行等效，得到其数学模型；

步骤2、系统建模：模拟故障，选取测点，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；如果是单故障，直接得到故障依赖矩阵，故障诊断，得到结果；

步骤3、如果是复合故障，应用盲源分离算法实现测点信息的盲分离，基于盲信号重建多信号模型的因果结构，得到故障依赖矩阵，实现对复合故障的诊断；

步骤4、故障诊断：在系统发生故障后，获取测点的信息，通过将该测点信息与故障依赖矩阵进行比对，定位故障源。

进一步，所述的步骤1的具体指：

步骤1.1，将液压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等环节进行等效，可以得到其数学模型；

步骤1.2，对模型进行仿真验证，验证所建模型的正确性；具体为，设定模型的输入即入口厚度，再设置辊缝设定值，运行该模型，根据仿真结果，无论是在稳定轧制还是不稳定轧制情况下，出口厚度都能够满足辊缝设定要求，可以认为该仿真模型具有良好的动态响应特性，可模拟实际轧机系统。

进一步，所述的步骤2中模拟的部件故障包括：f₁-伺服阀增益故障(参数K_sv异常变化)；f₂-f₂-液压油体积弹性故障(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)；液压AGC系统的常见故障有七种，分别发生在系统的七个部件，基于此，主要模拟此七个部件故障。

进一步，所述的步骤2中仿真系统中选取测点包括：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；为使信号采集结果能够全面反映AGC系统的故障特征，在系统中总共设置上述八个测点。

进一步，所述的步骤2的具体方法为采用欧几里得距离对各测试点信号进行度量，可得各部件故障情况的定量指标，因而得到故障依赖矩阵；当获得故障情况下的欧氏距离后，可采用区间划分策略并以状态标定获取故障模式特征；测点状态不是简单的二值逻辑，而采用区间划分策略，可实现对微小和复合故障的检测识别。

进一步，所述的获取故障模式特征的具体做法如下：

t＜1，偏离正常值很小：微小变化，以状态“0”标定；

1≤t＜100，偏离正常值较小：轻微变化，以状态“1”标定；

100≤t＜1000，偏离正常值较大：明显变化，以状态“2”标定；

t≥1000，偏离正常值很大：显著变化，以状态“3”标定；

其中，t表示欧几里得距离。

进一步，所述的步骤3中基于复合故障的具体步骤为：

步骤3.1，传感器获取测点信息t(k)；

步骤3.2，用多信号模型建立系统元件和测点之间的依赖关系矩阵R；

步骤3.3，根据矩阵所得的模式特征判别是否可检测，即判断R中是否有全零行；若有，则跳转步骤3.4，否没有，则跳转步骤3.5；

步骤3.4，根据矩阵所得的模式特征再做可分离性分析，即判断R中是否有故障模糊组；若有，则直接跳转步骤3.7，否没有，则跳转步骤3.5；

步骤3.5，实现测点信息的盲分离以还原信号本质，得到新测点集合T'；

步骤3.6，重新建立系统元件和新测点集合之间的依赖关系矩阵R′；

步骤3.7，直接从依赖矩阵中得到不同的故障模式特征，进而获取故障隔离定位结果。

本发明相较于现有技术的有益效果在于：

(1)根据故障严重程度的区间划分提出一种基于多状态的多信号模型改进方法，改进后的多信号模型对于故障具有更好的隔离和定位能力。

(2)在发生复合故障出现冗余测试和多个故障模糊组的情况下，先剔除冗余测试，以盲源分离算法实现测点信息的再分离，并基于重新组建的多信号模型关系依赖矩阵给出诊断结果，新获得的故障模式特征表明所提出的方法有效区分了这些故障模糊组，达到了复合故障隔离和定位的目的，同时提高了故障的分离率。

附图说明

图1是本发明一种液压AGC系统的复合故障诊断方法的方法流程图；

图2是本发明一种液压AGC系统的复合故障诊断方法的液压AGC系统的原理框图；

图3是本发明一种液压AGC系统的复合故障诊断方法的液压AGC系统的仿真模型；

图4是本发明一种液压AGC系统的复合故障诊断方法的基于多信号和盲源分离的诊断思路图。

图5是本发明一种液压AGC系统的复合故障诊断方法中盲源分离前六测点信号对比。

图6是本发明一种液压AGC系统的复合故障诊断方法中盲源分离后六测点信号对比。

具体实施方式

为了便于本领域技术人员的理解，下面结合具体实施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。

如图1所示，本发明的一种液压AGC系统的复合故障诊断方法，首先根据轧机部件的原理图搭建系统的仿真模型，再在此基础上建立系统的多信号模型，得到故障依赖矩阵，包括如下步骤：

步骤1、轧机部件动态建模：将液压AGC系统的各环节进行等效，得到其数学模型，将轧机部件动态建模，具体如下；

11)如图2所示的液压系统的原理，将液压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等环节进行等效，可以得到其数学模型。

12)为了验证所建模型的正确性，需要对模型进行仿真验证。具体为，设定模型的输入即入口厚度，再设置辊缝设定值，运行该模型。根据仿真结果，无论是在稳定轧制还是不稳定轧制情况下，出口厚度都能够满足辊缝设定要求，可以认为该仿真模型具有良好的动态响应特性，可模拟实际轧机系统。

步骤2、系统建模：模拟故障，选取测点，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，具体如下：

21)如图3所述，其描述了故障发生的部件以及测点选取的情况。根据设备维修记录，其常见故障有七种，分别发生在系统的七个部件。基于此，主要模拟七个部件故障：f1-伺服阀增益故障，即参数Ksv异常变化；f2-油液中混入空气，即参数E0异常变化；f3-负载阻尼变化，即参数Bp异常变化；f4-泄漏故障，即参数Kc异常变化；f5-位移传感器故障，即参数Ks异常变化；f6-入口侧测厚仪故障，即参数K1异常变化；f7-出口侧测厚仪故障，即参数K2异常变化。表1给出了系统正常以及不同故障等级下主要元件参数的设定值和设定范围。

表1液压AGC仿真系统主要元件参数的取值

22)为应用基于多信号模型的故障诊断方法，需要在仿真系统中模拟测点。

为使信号采集结果能够全面反映AGC系统的故障特征，在系统中总共设置八个测点：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；

23)采用欧几里得距离对测点信号进行度量，得到各部件故障情况的定量指标。当获得故障情况下的欧氏距离后，可采用区间划分策略并以状态标定获取故障模式特征。参考做法如下：

t＜1，偏离正常值很小：微小变化，以状态“0”标定；

1≤t＜100，偏离正常值较小：轻微变化，以状态“1”标定；

100≤t＜1000，偏离正常值较大：明显变化，以状态“2”标定；

t≥1000，偏离正常值很大：显著变化，以状态“3”标定。

其中，t表示欧几里得距离。

得到的故障依赖矩阵如表2所示。

表2各部件的故障状态模式

步骤3、复合故障，应用盲源分离算法实现测点信息的盲分离，基于盲信号重建多信号模型的因果结构，得到故障依赖矩阵，实现对复合故障的诊断；

具体为在发生复合故障出现冗余测试和多个故障模糊组的情况下，先剔除冗余测试，以盲源分离算法实现测点信息的再分离，并基于重新组建的多信号模型关系依赖矩阵给出诊断结果，如图4所示，其为基于多信号模型和盲源分离的诊断思路，具体步骤如下：

步骤3.1，传感器获取测点信息t(k)；

步骤3.2，用多信号模型建立系统元件和测点之间的依赖关系矩阵R；

步骤3.3，根据矩阵所得的模式特征判别是否可检测，即判断R中是否有全零行；若可检测，则跳转步骤3.4，否则跳转步骤3.5；

步骤3.4，根据矩阵所得的模式特征再做可分离性分析，即判断R中是否有故障模糊组；若可分离，则直接跳转步骤3.7，否则跳转步骤3.5；

步骤3.5，实现测点信息的盲分离以还原信号本质，得到新测点集合T'；

步骤3.6，重新建立系统元件和新测点集合之间的依赖关系矩阵R′；

步骤3.7，直接从依赖矩阵中得到不同的故障模式特征，进而获取故障隔离定位结果。

具体为,当发生复合故障时，求得其余七个测点与测点t3的欧氏距离相同，而其余各测点与t4、t5两个测点之间的欧氏距离十分接近且t4和t5这两个测点之间的欧氏距离非常接近，结果如表3所示，故需要去除两组冗余信息t3和t4，以简化计算。每个测点采集到的信息均由系统多个源信号耦合而成，但AGC系统为复杂系统，从模型机理角度出发很难分析出源信号是如何影响测点信息的。要使测点数据能够反映系统的本源信息并考虑算法处理的快速性，需采用盲源分离实现除t3和t4以外的t1-t8测点信息的再分离。考虑到算法的实时性，取动态过程的前20000个采样点作为盲源分离的输入数据，各复合故障情况分离前后的六测点结果如图5和图6所示。

图6中依次为测点1-6分离后伺服阀增益故障和油液中混入空气同时发生、伺服阀增益故障和泄漏故障同时发生、油液中混入空气和负载阻尼变化同时发生、油液中混入空气和泄漏故障同时发生、油液中混入空气和位移传感器故障同时发生、负载阻尼变化和泄漏故障同时发生以及泄漏故障和位移传感器故障以及另外三种故障同时发生情况的结果。图5表明，分离前六个测点反应的信息相同，经过分离，如图6所示，显示的分离后六个测点反应的信息，相比较于图5明显呈现出不同的特性，由此初步说明盲源分离算法起到了反映源信息特征的作用。

求得发生复合故障情况时盲源分离后与正常情况下六测点的欧氏距离，对其进行状态标定的结果如表4所示。由此可见，盲源分离后重建的多信号模型完全区分了故障模糊组。

表3八测点之间的冗余信息分析

表4复合故障情况下盲源分离后的状态标定

步骤4、故障诊断：在系统发生复合故障时，进行步骤3的分析后，可得到重新组建的多信号模型依赖关系，即可得到诊断结果。

针对复合故障，模拟十二组未知的复合故障情况，测试时仿真参数设置如表5所示。为提高复合故障的可分离性，现对表6出现的故障模糊组做进一步分析。表6给出了可分离性及初步诊断结果，由此可知，发生复合故障时的分离率仅有58.3％。

表5针对复合故障，验证时所设置的测试参数

表6盲源分离前的初步诊断结果

去除冗余测试t3和t4，求盲源分离后的结果与正常状态的欧氏距离并进行状态标定，应用所提诊断方法得到完整的诊断结果如表7所示。对比可知，测试模式2对应于故障f1和f2的同时发生，测试模式5对应于故障f2和f4的同时发生，测试模式8对应于故障f1和f4的同时发生，测试模式11对应于故障f1、f2和f5的同时发生，测试模式12对应于故障f1、f4和f5的同时发生。由此可见，盲源分离后复合故障的分离率提高到了100％。

表7盲源分离后的完整诊断结果

Claims (7)

1.一种液压AGC系统的复合故障诊断方法，其特征在于，具体步骤如下：

步骤1、轧机部件动态建模：将液压AGC系统的各个环节进行等效，得到其数学模型；

步骤2、系统建模：模拟故障，选取测点，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；如果是单故障，直接得到故障依赖矩阵，故障诊断，直接得到结果；

步骤3、如果是复合故障，应用盲源分离算法实现测点信息的盲分离，基于盲信号重建多信号模型的因果结构，得到故障依赖矩阵，实现对复合故障的诊断；

步骤4、故障诊断：在系统发生故障后，获取测点的信息，通过将该测点信息与故障依赖矩阵进行比对，定位故障源。

2.根据权利要求1所述的液压AGC系统的复合故障诊断方法，其特征在于，所述的步骤1的具体指：

步骤1.1，将液压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各个环节进行等效，得到其数学模型；

步骤1.2，对模型进行仿真验证，验证所建模型的正确性；具体为，设定模型的输入即入口厚度，再设置辊缝设定值，运行该模型。

3.根据权利要求1所述的液压AGC系统的复合故障诊断方法，其特征在于，所述的步骤2中模拟的部件故障包括：f₁-伺服阀增益故障、f₂-液压油体积弹性故障、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。

4.根据权利要求1所述的液压AGC系统的复合故障诊断方法，其特征在于，所述的步骤2中仿真系统中选取测点包括：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。

5.根据权利要求4所述的液压AGC系统的复合故障诊断方法，其特征在于，所述的步骤2的具体方法为采用欧几里得距离对各测试点信号进行度量，得到各部件故障情况的定量指标，因而得到故障依赖矩阵；当获得故障情况下的欧氏距离后，采用区间划分策略并以状态标定获取故障模式特征。

6.根据权利要求5所述的液压AGC系统的复合故障诊断方法，其特征在于，所述的获取故障模式特征的具体做法如下：

t＜1，偏离正常值很小：微小变化，以状态“0”标定；

1≤t＜100，偏离正常值较小：轻微变化，以状态“1”标定；

100≤t＜1000，偏离正常值较大：明显变化，以状态“2”标定；

t≥1000，偏离正常值很大：显著变化，以状态“3”标定；

其中，t表示欧几里得距离。

7.根据权利要求1所述的液压AGC系统的复合故障诊断方法，其特征在于，

所述的步骤3中基于复合故障诊断的具体步骤为：

步骤3.1，传感器获取测点信息t(k)；

步骤3.2，用多信号模型建立系统元件和测点之间的依赖关系矩阵R；

步骤3.3，根据矩阵所得的模式特征判别是否可检测，即判断R中是否有全零行；若可检测，则跳转步骤3.4，否则跳转步骤3.5；

步骤3.4，根据矩阵所得的模式特征再做可分离性分析，即判断R中是否有故障模糊组；若可分离，则直接跳转步骤3.7，否则跳转步骤3.5；

步骤3.5，实现测点信息的盲分离以还原信号本质，得到新测点集合T'；

步骤3.6，重新建立系统元件和新测点集合之间的依赖关系矩阵R′；

步骤3.7，直接从依赖矩阵中得到不同的故障模式特征，进而获取故障隔离定位结果。