基于数据融合的HAGC系统故障多判据诊断研究

论文摘要

作为现代板带轧机核心技术的液压厚度自动控制系统(HAGC),集机、电、液于一体,结构高度集成,复杂精密,造价十分昂贵,该系统的运行状态对产品的质量和产量具有重大影响,直接决定了轧机的工作性能。HAGC系统在运行状态下是一个复杂的非线性动力学系统,具有不确定、非线性、时变性的特点,故障状况复杂,干扰因素多,系统本身的复杂性给状态监测和故障分析带来许多困难,因此,开展HAGC系统的故障诊断技术研究具有重要的理论意义和实际应用价值。本文从提取故障信息的三种独立特征:瞬态特征、稳态特征和突变特征的角度,开发了多种诊断判据。为综合多角度信息,在利用新方法的基础上研究了多种判据信息融合问题,通过仿真及故障实例验证了所提方法的正确性及可行性。通过对连轧机轧制过程的分析,提出在不需要停机和外加激励信号的情况下,将轧制咬钢过程和控制输入突变过程看作阶跃输入信号,在线获得液压压下系统瞬态响应。分析了常见故障对HAGC系统瞬态响应性能指标的影响,并通过与正常情况下参数进行对比分析,建立了数值属性描述的瞬态响应判据算法。基于系统数学模型和未知输入观测器理论,利用状态方程对系统故障进行分析,确定了不同故障影响方向,建立了HAGC系统观测器组诊断方法,通过组合逻辑来进行故障定位与分离,并提出了数值属性故障判据的算法,理论分析和试验研究证明了观测器组在提取系统稳态故障信息方面的有效性。另外,本文基于微分几何方法研究了HAGC系统非线性模型负载不确定解耦子系统的建立以及非线性观测器的设计方法,限于其可诊断故障模式,文中将其作为观测器组方法的辅助校验。基于轧制过程历史数据,分别建立了一种RBF网络轧制力预报模型和基于压下系统各环节ARMA模型的动态递归网络模型,并对网络结构和学习算法提出了优化,使其收敛速度和泛化能力得到提高。为排除输入突变引起的输出信号突变带来的网络误诊问题,通过对系统MA模型进行小波变换研究,使得故障信息得到准确定位。将小波作为神经网络跟踪异常信号的后级处理,解决了小波变换计算量大,全程监控实时性差的缺点。鉴于小波变换对突变信息的敏感性,提出将其作为故障突变信息判据,并提出了故障测度的数值算法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 HAGC 系统故障诊断研究意义
• 1.2 HAGC 系统简介
• 1.3 HAGC 系统故障分析
• 1.3.1 故障及其分类
• 1.3.2 现代故障诊断研究任务
• 1.3.3 HAGC 系统故障诊断特点
• 1.4 研究现状
• 1.4.1 智能故障诊断理论研究现状
• 1.4.2 HAGC 系统故障诊断研究现状
• 1.5 课题来源及本文研究内容
• 第2章 HAGC 系统瞬态响应分析及故障研究
• 2.1 建模仿真概述
• 2.2 部件故障分析及模型建立
• 2.2.1 控制器
• 2.2.2 伺服放大器
• 2.2.3 伺服阀
• 2.2.4 液压缸
• 2.2.5 轧机负载
• 2.2.6 支撑辊偏心
• 2.2.7 背压回油管道
• 2.2.8 传感器
• 2.3 咬钢过程建模及仿真分析
• 2.3.1 咬钢过程动态模型
• 2.3.2 故障分析
• 2.4 输入突变过程瞬态分析
• 2.5 数值属性判据的建立
• 2.6 本章小结
• 第3章 未知输入观测器组诊断方法
• 3.1 HAGC 系统模型
• 3.1.1 系统故障的状态方程描述
• 3.1.2 HAGC 系统标准化模型
• 3.2 故障分析
• 3.3 观测器的设计
• 3.3.1 诊断观测器设计要求
• 3.3.2 观测器求解方法
• 3.4 诊断观测器组设计
• 3.4.1 观测器组方法的提出
• 3.4.2 HAGC 观测器组设计
• 3.5 数值属性判据的建立
• 3.6 仿真及故障实例研究
• 3.6.1 仿真研究
• 3.6.2 实例分析
• 3.7 本章小结
• 第4章 非线性模型鲁棒故障诊断
• 4.1 微分几何方法解耦
• 4.1.1 基本概念
• 4.1.2 非线性系统局部可观测性描述
• 4.1.3 解耦原理
• 4.2 AGC 系统非线性模型
• 4.2.1 规范状态方程
• 4.2.2 解耦子系统的计算
• 4.3 观测器的设计
• 4.3.1 观测器形式
• 4.3.2 伺服阀故障诊断观测器的设计
• 4.4 仿真及故障实例研究
• 4.4.1 仿真研究
• 4.4.2 故障实例分析
• 4.5 本章小结
• 第5章 基于神经网络模型的HAGC 系统状态监测
• 5.1 基于Hough 变换动态设计RBF 网络
• 5.1.1 RBF 神经网络的结构及原理
• 5.1.2 Hough 变换原理
• 5.1.3 RBF 网络动态设计方法
• 5.2 数学模型与RBF 网络结合预报轧制力
• 5.2.1 轧制接触面积数学模型
• 5.2.2 网络输入输出节点的确定
• 5.2.3 样本数据的选择
• 5.2.4 预测能力
• 5.3 动态神经网络诊断方法
• 5.3.1 动态神经网络诊断方法的提出
• 5.3.2 压下系统结构分解
• 5.4 动态神经网络建模
• 5.4.1 模型定阶（AIC 定阶法）
• 5.4.2 网络建模及训练
• 5.4.3 网络模型精度研究
• 5.4.4 诊断实例
• 5.5 网络信息融合检测突变故障信息
• 5.6 本章小结
• 第6章 HAGC 系统故障多分辨率分析
• 6.1 小波变换
• 6.1.1 连续小波变换
• 6.1.2 二进小波变换
• 6.1.3 多分辨率分析
• 6.2 小波分析奇异信号检测
• 6.2.1 小波分析奇异性描述
• 6.2.2 奇异性指数计算
• 6.3 小波分析检测HAGC 系统故障
• 6.3.1 系统MA 模型
• 6.3.2 传感器故障模拟
• 6.3.3 小波函数的选择
• 6.3.4 故障多分辨率分析
• 6.4 突变信息判据的建立
• 6.4.1 建立突变信息判据
• 6.4.2 数值属性判据的建立
• 6.5 本章小结
• 第7 章 基于多判据融合的综合诊断
• 7.1 信息融合诊断技术
• 7.1.1 信息融合诊断简介
• 7.1.2 信息融合诊断的必要性
• 7.2 HAGC 系统信息融合框架结构
• 7.2.1 瞬态信息判据
• 7.2.2 稳态信息判据
• 7.2.3 突变信息判据
• 7.3 基于证据理论的多判据融合
• 7.3.1 D-S 证据理论简介
• 7.3.2 证据合成法则
• 7.3.3 多判据DSET 融合诊断识别框架
• 7.3.4 由故障测度构造bpa 函数
• 7.3.5 证据组合
• 7.3.6 诊断决策
• 7.4 实例分析
• 7.5 本章小结
• 结论
• 附录
• 参考文献
• 攻读博士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介