本發(fā)明涉及系統(tǒng)故障診斷技術領域，尤其涉及一種軋機液壓agc系統(tǒng)的故障診斷策略優(yōu)化技術。

背景技術：

液壓agc系統(tǒng)就是借助于軋機的液壓系統(tǒng)，通過液壓伺服閥調節(jié)液壓缸的油量和壓力來控制軋輥位置，從而對帶鋼進行厚度自動控制的系統(tǒng)。值得關注的是，液壓agc系統(tǒng)存在多種頻發(fā)故障，如伺服值增益變化，油混空氣，負載阻尼變化，管道泄漏等傳感器故障。在液壓agc系統(tǒng)產生故障時,需要對整個系統(tǒng)進行故障排查，這種檢測方式效率低，維護成本高。

技術實現(xiàn)要素：

本發(fā)明的實施例提供一種軋機液壓agc系統(tǒng)的故障診斷策略優(yōu)化技術，能夠提高軋機液壓系統(tǒng)的故障檢測和隔離效率，降低故障排除和維護成本。

s1、軋機系統(tǒng)建模，數(shù)學等效液壓agc系統(tǒng)的液壓缸、伺服閥、軋輥輥系、控制器、入口側測厚儀、背壓回油管道和位移傳感器，得到與所述液壓agc系統(tǒng)等效的數(shù)學模型，通過所述數(shù)學模型模擬故障，根據(jù)所述故障選取測試點，依據(jù)所述測試點建立所述液壓agc系統(tǒng)的多信號模型和故障依賴矩陣；

s2、測試點分析，計算所述測試點間的歐氏距離，通過所述歐氏距離對所述測試點進行冗余度分析并刪除冗余測試點，得到簡化多信號模型依賴矩陣；

s3、診斷策略設計，所述簡化多信號模型依賴矩陣加載能夠一步回溯的信息熵算法，生成所述液壓agc系統(tǒng)的診斷策略。

進一步的，所述故障包括：f1-伺服閥增益故障(參數(shù)ksv異常變化)；f2-油液中混入空氣(參數(shù)e0異常變化)；f3-負載阻尼變化(參數(shù)bp異常變化)；f4-泄漏故障(參數(shù)kc異常變化)；f5-位移傳感器故障(參數(shù)ks異常變化)；f6-入口側測厚儀故障(參數(shù)k1異常變化)；f7-出口側測厚儀故障(參數(shù)k2異常變化)。

進一步的，所述測試點包括：t1-伺服放大器輸入電壓、t2-伺服閥的空載流量、t3-軋制力、t4-液壓缸位移、t5-出口厚度、t6-位移傳感器輸出、t7-入口側測厚儀輸出、t8-出口側測厚儀輸出。

進一步的，在所述s1中，建立所述故障依賴矩陣包括：

測算所述測試點的歐幾里得距離，根據(jù)區(qū)間劃分策略得到所述測試點的故障模式特征值，所述故障模式特征值構成所述故障依賴矩陣。

進一步的，所述區(qū)間劃分策略包括：

l＜1，所述故障模式特征值標定為0；

1≤l＜100，所述故障模式特征值標定為1；

100≤l＜1000，所述故障模式特征值標定為2；

l≥1000，所述故障模式特征值標定為3；

其中，l是所述測試點的歐幾里得距離。

進一步的，在所述s2中，所述冗余度分析，包括：

計算待測測試點與其他所述測試點的歐氏距離，若所述待測測試點與其他所述測試點之間的歐式距離相同，則所述待測測試點為冗余測試點。

具體描述為：如果d(t1,ti)＝d(t2,ti)＝...＝d(tj,ti)＝...d(tn,ti)，或者(tp,tq)＝0(i≠j,p≠q)，那么ti是冗余測試，或者tp、tq是冗余測試，d(tj，ti)表示測試tj與測試ti之間的歐氏距離，其中，i，p，q＝1,2,3…8。

進一步的，在s3中，所述診斷策略設計包括：

ss1、將故障狀態(tài)集f設置為根節(jié)點，定義變量x，定義測試點集為變量t,生成故障診斷樹；

ss2、對x分別施加可選測試，測試tj將故障狀態(tài)集x劃分為

其中，0≤a≤3,j＝1,2,3…8，i＝1,2,3…7；

ss3、根據(jù)信息熵算法，即公式(2)，從所述可選測試中選出具有最大單位信息增益的測試，記為tj′，

根據(jù)公式(2)的信息熵算法，由故障診斷樹的左至右，生成由xja出發(fā)的子樹，所述子樹對應一個故障狀態(tài)子集，計算所述故障診斷樹中每個所述故障狀態(tài)子集的期望測試代價h(xja)

ss4、計算所述測試點tj的測試代價

ss5、選出所述中最小測試代價值對應的測試點，記為tj″；

ss6、根據(jù)tj″對故障狀態(tài)集x進行重新劃分，從左至右，分別令tj″的子集為待劃分的測試集，重復步驟ss2—ss5，選出下一步具有最小測試代價的測試，如果所述最小測試代價的測試和ss3中的tj′相同，則執(zhí)行步驟ss7；否則，計算tj″的子集的期望測試代價，并向上回溯給測試點tj″，重新計算并更新測試點tj″的測試代價，并選出具有最小測試代價的測試，記為t*；

ss7、令t*的子集為x，變量t包含了除t*外其他測試，運行上述算法，直到x不再可分，即x中只包含一種故障狀態(tài)。

本發(fā)明的有益效果：本發(fā)明提出的故障診斷策略無需對整個系統(tǒng)的進行故障排查，故障檢測和隔離任務效率高，測試費用成本低。

附圖說明

為了更清楚地說明本發(fā)明實施例中的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其它的附圖。

圖1是液壓agc系統(tǒng)的仿真模型；

圖2是故障診斷策略算法的流程圖；

圖3是液壓agc系統(tǒng)的故障診斷策略圖；

圖4是液壓agc系統(tǒng)的故障診斷策略圖生成過程圖解；

圖5是圖4的局部圖；

圖6是圖4的局部圖；

圖7是圖4的局部圖；

圖8是圖4的局部圖。

具體實施方式

為使本領域技術人員更好地理解本發(fā)明的技術方案，下面結合附圖和具體實施方式對本發(fā)明作進一步詳細描述。

本發(fā)明實施例提供一種冷軋液壓agc系統(tǒng)故障診斷策略優(yōu)化方法，包括：

為了便于本領域技術人員的理解，下面結合實例與附圖對本發(fā)明作進一步的說明，實施方式提及的內容并非對本發(fā)明的限定。

本發(fā)明的目的在于提供一種冷軋液壓agc系統(tǒng)故障診斷策略優(yōu)化方法。

為實現(xiàn)上述目的，本發(fā)明的一種冷軋液壓agc系統(tǒng)診斷策略優(yōu)化設計方法包括如下步驟：

s1、軋機系統(tǒng)建模，數(shù)學等效液壓agc系統(tǒng)的液壓缸、伺服閥、軋輥輥系、控制器、入口側測厚儀、背壓回油管道和位移傳感器，得到與所述液壓agc系統(tǒng)等效的數(shù)學模型，通過所述數(shù)學模型模擬故障，根據(jù)所述故障選取測試點，依據(jù)所述測試點建立所述液壓agc系統(tǒng)的多信號模型和故障依賴矩陣，其中，所述故障包括：f1-伺服閥增益故障(參數(shù)ksv異常變化)；f2-油液中混入空氣(參數(shù)e0異常變化)；f3-負載阻尼變化(參數(shù)bp異常變化)；f4-泄漏故障(參數(shù)kc異常變化)；f5-位移傳感器故障(參數(shù)ks異常變化)；f6-入口側測厚儀故障(參數(shù)k1異常變化)；f7-出口側測厚儀故障(參數(shù)k2異常變化)，所述測試點包括：f1-伺服閥增益故障(參數(shù)ksv異常變化)；f2-油液中混入空氣(參數(shù)e0異常變化)；f3-負載阻尼變化(參數(shù)bp異常變化)；f4-泄漏故障(參數(shù)kc異常變化)；f5-位移傳感器故障(參數(shù)ks異常變化)；f6-入口側測厚儀故障(參數(shù)k1異常變化)；f7-出口側測厚儀故障(參數(shù)k2異常變化)；

s2、測試點分析，計算所述測試點間的歐氏距離，通過所述歐氏距離對所述測試點進行冗余度分析并刪除冗余測試點，得到簡化多信號模型依賴矩陣，其中，所述測試點的歐幾里得距離為l，根據(jù)區(qū)間劃分策略得到所述測試點的故障模式特征值，

l＜1，偏離正常值很小，微小變化，所述故障模式特征值標定為0；

1≤l＜100，偏離正常值較小，輕微變化，所述故障模式特征值標定為1；

100≤l＜1000，偏離正常值較大，明顯變化，所述故障模式特征值標定為2；

l≥1000，偏離正常值很大，顯著變化，所述故障模式特征值標定為3；

所述故障模式特征值構成所述故障依賴矩陣，如表1所示，

表1液壓agc系統(tǒng)的依賴矩陣

分別求某一個測試點與其他測試點的歐氏距離，若該測試點與其他測試點之間的歐式距離相同，則該測試點為冗余測試點，需要刪除該測試點，

具體描述為：如果d(t1,ti)＝d(t2,ti)＝...＝d(tj,ti)＝...d(tn,ti)，或者(tp,tq)＝0(i≠j,p≠q)，各個測試點之間的歐氏距離如表2所示，表中，測試t3與其他測試點之間的歐氏距離相同，刪除測試點t3之后的簡化多信號模型依賴矩陣如表3所示；

表2八個測試點之間的冗余測試分析

表3簡化多信號模型依賴矩陣

s3、診斷策略設計，所述簡化多信號模型依賴矩陣加載能夠一步回溯的信息熵算法，生成所述液壓agc系統(tǒng)的診斷策略，其中，診斷策略流程圖如圖2所示，包括：

ss1、將故障狀態(tài)集f設置為根節(jié)點，定義變量x，定義測試點集為變量t,生成故障診斷樹；

ss2、對x分別施加可選測試，測試tj將故障狀態(tài)集x劃分為

其中，0≤a≤3,j＝1,2,3…8，i＝1,2,3…7；

ss3、根據(jù)信息熵算法,即公式(2)，從所述可選測試中選出具有最大單位信息增益的測試，記為tj′，

根據(jù)公式(2)的信息熵算法，由故障診斷樹的左至右，生成由xja出發(fā)的子樹，所述子樹對應一個故障狀態(tài)子集，計算所述故障診斷樹中每個所述故障狀態(tài)子集的期望測試代價h(xja)

ss4、計算所述測試點tj的測試代價

ss5、選出所述中最小測試代價值對應的測試點，記為tj″；

ss6、根據(jù)tj″對故障狀態(tài)集x進行重新劃分，從左至右，分別令tj″的子集為待劃分的測試集，重復步驟ss2—ss5，選出下一步具有最小測試代價的測試，如果所述最小測試代價的測試和ss3中的tj′相同，則執(zhí)行步驟ss7；否則，計算tj″的子集的期望測試代價，并向上回溯給測試點tj″，重新計算并更新測試點tj″的測試代價，并選出具有最小測試代價的測試，記為t*；

ss7、令t*的子集為x，變量t包含了除t*外其他測試，運行上述算法，直到x不再可分，即x中只包含一種故障狀態(tài)。

綜上，本發(fā)明的有益效果如下：

(1)在測試點之間進行冗余度分析，對測試點之間的歐氏距離進行度量，去除冗余測試，縮短了算法的運行時間，提高了算法的運行效率。

(2)本發(fā)明提出的故障診斷策略考慮了測試費用的影響，花費盡可能少的測試費用完成故障檢測和隔離任務，對減少系統(tǒng)的故障診斷時間、系統(tǒng)的維修人力、器材和報賬費用，提高系統(tǒng)的完好性等方面具有重要意義。

本說明書中的各個實施例均采用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于設備實施例而言，由于其基本相似于方法實施例，所以描述得比較簡單，相關之處參見方法實施例的部分說明即可。以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護范圍應該以權利要求的保護范圍為準。