论文部分内容阅读
本文主要以大型钢铁企业4200mm宽厚板轧机液压AGC(Automatic Gauge Control)系统的电液伺服阀为研究对象。电液伺服阀不仅是液压AGC系统中最容易发生故障的部位,而且性能好坏直接影响到宽厚板轧机的性能和可靠性。因此,开展电液伺服阀故障智能诊断方面的研究对保证产品质量,降低维修成本,推进设备维修方式的现代化有着重要的意义。研究了伺服阀失效模式及其机理,并对伺服阀内部流场进行了仿真分析。由Pro/E软件对伺服阀内部流体进行参数化建模,将建立的模型导入Fluent中进行计算,仿真验证了伺服阀工作棱边磨损会引起空载流量特性的严重非线性。同时,伺服阀出口压力变化对流量影响的仿真结果为基于伺服阀动态特性的特征提取方法提供了一定的依据。基于伺服阀动态特性,提出一种新的特征提取方法,并将一类支持向量机用于电液伺服阀的在线异常检测。通过交叉有效性估计学习方法优化了一类向量机的参数,并与传统BP神经网络的诊断结果进行了对比。实验结果表明,所提出的特征提取方法能够有效地提取电液伺服阀的动态特征信息,同时利用一类支持向量机优良的泛化能力能够有效地对电液伺服阀的异常状态进行识别。针对传统BP神经网络泛化能力差的缺点,通过Bayes正则化方法提高了BP神经网络的泛化能力。对比了BP神经网络与不同的特征提取方法相结合的诊断效果,实验表明在采用BP神经网络诊断的前提下,基于小波包分解的特征提取方法优于基于时域信号数字特征的特征提取方法。最后提出了基于伺服阀状态特征量统计分布的伺服阀性能退化连续描述方法,此方法给出了伺服阀性能退化的定量描述,为伺服阀性能退化预测的研究奠定了基础。