軋機伺服液壓缸內泄漏故障診斷研究

劉琥鋮，陳新元，楊 哲，郭 媛

（冶金裝備及其控制教育部重點實驗室（武漢科技大學），湖北 武漢 430081）

1 引言

液壓AGC 控制系統是軋機系統的重要組成部分。軋機AGC伺服液壓缸具有很強的非線性環節，通常為機械系統、液壓系統和電氣系統的復雜耦合系統，任一回路或零件的故障都會引起整個系統故障。AGC 缸是軋機液壓系統的主要執行元件，由于工作環境惡劣、系統沖擊大，泄漏故障時常發生。目前常采用壓力信號對伺服液壓缸泄漏進行診斷分析。熱連軋機產生的振動沖擊、壓力脈動及其他噪聲信號對特征信號影響較大，造成伺服液壓缸泄漏故障診斷困難。文獻[2]利用fuzzy ARTMAR 神經網絡模型存儲模式穩定、自適應學習外界輸入新知識的能力成功進行液壓缸故障診斷，但訓練樣本輸入順序對其診斷能力有較大影響。文獻[3]通過集成學習將多個神經網絡訓練結果合成，提高了神經網絡的泛化能力，但診斷精度不高。文獻[4]采用灰色模型進行預測分析，灰色模型是一種對不確定系統進行預測的方法，其所需樣本個數少，結構簡單，但當原始數據量過大時，其預測誤差較大。

軋機液壓系統伺服液壓缸在線監測與故障診斷研究主要有以下特點：（1）軋機系統監測數據規模大[1]。在整個生產過程中，對帶鋼厚度，張力速度，軋制力，輥縫等數據實時監控，采樣頻率高，收集周期長。挖掘軋機系統大數據中的信息，準確、高效實現故障診斷是主要研究方向；（2）故障特征提取困難[1]。軋機系統屬于閉環控制系統，工作環境惡劣，工況復雜，軋機伺服液壓缸具有很強的非線性環節，噪聲信號對故障特征信號的提取影響較大。（3）缺乏有效的故障診斷方法[1]。伺服液壓缸故障診斷難點在于需要克服系統動態性帶來的模型參數和線性關系的不確定性問題。目前故障診斷方法大多模型復雜，實際應用中診斷精度較低。

深度學習起源與人工神經網絡的研究，文獻[5]利用單層的RBM 預訓練構建了深度置信網絡模型，將深度學習帶入大家的視線中。深度置信網絡多隱層的網絡結構以及無監督的網絡模型提高了分類的精度和預測的準確性。

針對軋機系統的復雜性和不確定性，通過建立軋機系統模型實現伺服液壓缸內泄漏故障模擬，利用深度置信網絡在故障診斷中的優越性，建立深度置信網絡模型，從而提高了軋機伺服液壓缸內泄漏故障診斷的準確率。

2 軋機液壓AGC 系統建模仿真

2.1 軋機液壓AGC 系統原理

軋機系統是由機械系統、液壓系統、電氣系統等組成的耦合系統。軋機液壓AGC 系統通過測厚儀、位移傳感器和壓力傳感器等實時測量相關參數，動態調整壓下缸位移、壓力等，從而控制板帶軋制精度[2]。軋機液壓AGC 系統由比例伺服閥、伺服液壓缸、供油管道、伺服控制器、位移傳感器等液壓元件組成，比例伺服閥與執行元件伺服液壓缸通過管道連接，組成閥控缸結構。軋機液壓AGC 系統原理圖，如圖1 所示。

圖1 軋機液壓AGC 系統原理圖Fig.1 Schematic Diagram of Hydraulic AGC System for Rolling Mill

2.2 AGC 系統仿真模型建立及驗證

圖2 液壓AGC 系統仿真模型Fig.2 Hydraulic AGC System Simulation Model

根據上述液壓AGC 系統原理，利用AMESIM 軟件建立AGC系統仿真模型，如圖2 所示。AEMSIM 模型中部件7 為三位四通伺服閥模型，下圖部件12 為BRF11 模型，模擬活塞與缸筒間泄漏效應，部件13 是BRFS02 模型，模擬活塞與缸筒間密封效應，部件11 和14 分別為模型BRP17 和BRP18，模擬有桿腔和無桿腔的容腔效應，質量塊18 模擬缸筒的動態效應。

調整軋機參數如下：伺服缸缸徑1120mm，伺服缸桿徑900mm，伺服液壓缸質量為6814kg，密封圈內徑1086mm，活塞與缸筒間隙為0.01mm，伺服閥額定電流10mA，伺服閥壓降35bar，溢流閥設定壓力280bar，有桿腔壓力背壓50bar。軋機系統通過活塞桿固定，液壓缸下壓來提供軋制力。將軋機傳動側設定輥縫值作為輸入信號，實際結果及輸入信號由現場監控系統中導出，仿真結果，如圖3 所示。

圖3 AGC 缸位移仿真結果Fig.3 AGC Cylinder Displacement Simulation Results

軋制現場AGC 缸實際位移與AGC 缸模型仿真結果對比圖，如圖3 所示。由于軋機現場工況復雜，來料、軋輥、張力計、測張輥等因素引起板帶張力、軋制力產生波動，導致軋機產生扭振，所以實際的結果有較大波動。從圖中可以看出，模型中AGC 缸的位移仿真值誤差在0.1um 以內，與實際位移基本吻合，可認為該仿真模型是正確的。在模型中設置不同的液壓缸泄漏量，收集無桿腔壓力信號、AGC 缸位移信號、軋制力信號等，為AGC 缸內泄漏故障診斷和故障模式提供依據[3]。

3 深度置信網絡

3.1 受限波爾茲曼機

深度置信網絡是由多個受限波爾茲曼機組成的多層網絡堆疊結構。受限波爾茲曼機由雙層神經元組成，分為顯層和隱層，隱層和顯層為雙向連接。受限波爾茲曼機的結構，如圖4 所示。圖中較上一層神經元組成隱層，下面一層組成顯層，訓練數據中的每一維即可視作一個神經元。

圖4 受限玻爾茲曼機結構Fig.4 Limited Boltzmann Machine Structure

受限波爾茲曼機的訓練過程即是產生訓練樣本的概率分布的過程，而概率分布的決定性因素在于權值W。受限波爾茲曼機的訓練過程如下。

對于樣本集中的每一個元素x；

將x 賦值給顯層v（O），其使隱層神經元被開啟的概率：

式中上標用于區別不同向量，下標用于區別同一向量中的不同維，σ 為Sigmoid 函數，W 表示任意兩個相連神經元的權值，h 表示顯層神經元，v 表示隱層神經元。

從計算的概率分布中抽取樣本：

用 h（0）重構顯層：

再次抽取一個顯層樣本：

用顯層神經元（重構之后）計算出隱層神經元開啟概率：

最后更新權重：

3.2 深度置信網絡模型

深度置信網絡由多個受限玻爾茲曼機堆疊而成，其訓練本質是受限玻爾茲曼機的訓練過程。當一個RBM（受限玻爾茲曼機）層訓練后，其輸出作為下一層的輸入，頂層結構為BP 神經網絡。深度置信網絡模型經過非監督學習過程，從每一層RBM 隱層中提取特征，依次訓練完每一層RBM，輸出的權重矩陣和偏移量即為頂層神經網絡的輸入值。頂層的BP 神經網絡對權重矩陣和偏移量進行微調，通過自頂而下的反向傳播學習，獲得誤差估計，再應用梯度下降法，計算更新各節點的權值，直到輸出誤差足夠小[10]。深度置信網絡模型，如圖5 所示。

圖5 深度置信網絡模型Fig.5 Deep Confidence Network Model

4 液壓缸內泄漏診斷方法

根據深度置信網絡構建及訓練過程，提出一種軋機伺服液壓缸內泄漏的診斷方法，步驟如下。

（1）確定軋機系統故障種類和系統健康狀況[1]。

（2）采集數據：通過軋機系統設置的傳感器采集軋機系統的信號并存儲在電腦中，生成原始數據。記錄AGC 缸無桿腔壓力值，一個周期內無桿腔壓力原始數據為X1=［X1（1），X1（2），X1（3），…，X1（m）］T，將原始數據歸一化處理，然后與工作狀態一一對應，作為標簽數據。

（3）設置參數：設置學習數率、沖量項、權重并選擇激活函數。

（4）訓練DBN 網絡：將生成的1 維數據作為特征信號輸入DBN 網絡，構建DBN 網絡模型；首先訓練第一個RBM，固定第一個RBM 的權重和偏移量作為第二個RBM 的輸入向量，充分訓練第二個RBM 后，將第二個RBM 堆疊到第一個上；重復這個過程多次，直至DBN 網絡被訓練好，完成DBN 網絡模型的構建。

（5）訓練頂層分類器：將最后一層DBN 網絡的輸出作為頂層分類器的輸入，構成一個帶標簽的神經網絡模型。訓練完成即可得到一個完整的DBN 網絡模型[1]。

（6）DBN 模型診斷：將未帶標簽的測試數據預處理后生成測試數據集，放入DBN 模型進行訓練，進行軋機HAGC 缸的故障診斷。

（7）準確率檢驗：導出頂層神經網絡的輸出數據與標簽輸出數據對比，統計其分類錯誤率[1]。

5 內泄漏診斷仿真實驗驗證

圖6 3 種工況下的無桿腔壓力信號Fig.6 Rodless Cavity Pressure Signal Under 3 Working Conditions

在軋機液壓AGC 系統仿真模型中進行伺服液壓缸在正常狀態，輕微泄漏狀態，嚴重泄漏狀態下的仿真測試。伺服液壓缸的故障模式通過改變仿真模型物理參數來設置，增大液壓缸模型中活塞與缸體徑向間隙，改變泄漏量來模擬泄漏故障。正常情況、輕微泄漏、嚴重泄漏3 種狀態下的伺服液壓缸無桿腔壓力信號，如圖6 所示[1]。隨機選取每類狀態數據的300 組樣本作為訓練樣本，100 組樣本作為測試樣本每組樣本有600 個連續的數據點[1]；3 種狀態數據組成數據量為1200 的訓練樣本，數據量為300 的測試樣本[1]。

由于深度置信網絡為多個RBM 網絡構成，設置一個3 層的RBM 網絡，節點數分別為 6 00、100、100 的網絡結構，加上一個節點數為3 的輸出頂層構成神經網絡結構。為驗證深度置信網絡診斷模型的優越性，分別用深度置信網絡模型與BP 神經網絡模型對軋機伺服液壓缸內泄漏進行診斷分析。

圖7 診斷精度Fig.7 Diagnostic Accuracy

訓練樣本數較少時，深度置信網絡與BP 神經網絡診斷精度基本相同，隨著訓練樣本數逐漸增加，深度置信網絡的優越性開始顯現，如圖7 所示。在訓練數據足夠的條件下，深度置信網絡模型可以得到較高的診斷精度。由此可見，在軋機伺服系統信號的大數據的背景下，提出的深度置信網絡在伺服液壓缸內泄漏診斷方面具有優越性，診斷精度較高。

6 結論

提出了基于深度置信網絡的智能診斷方法，對大型軋機伺服液壓缸內泄漏進行了故障診斷和分析。

（1）分析了軋機伺服系統的工作原理，建立了軋機AGC 系統的液壓仿真模型，可以較為真實的反映AGC 系統的動態特性。

（2）深度置信網絡模型的多層RBM 結構，提高了網絡的學習能力。深度置信網絡方法在伺服液壓缸內泄漏故障診斷上的應用，證明了此方法的有效性。

（3）深度置信網絡與傳統BP 神經網絡相比，具有較高的診斷精度，能夠準確的進行伺服液壓缸的故障診斷。