轧机液压AGC系统基于神经网络的传感器故障诊断技术.pdf

第 4 0 卷第 5 期 2 0 0 5年 5月 钢铁 I r o n a n d S t e e l V o l . 4 0 , N o . 5 Ma y 2 0 0 5 轧机液压 A G C系统基于神经网络的 传感器故障诊断技术 董敏‘ ， 刘才’ ， 李国友2 ， 张伟‘ 1 .燕山大学机械工程学院， 河北 秦皇岛 0 6 6 0 0 4 ; 2 .燕山大学电气工程学院， 河北 秦皇岛 0 6 6 0 0 4 摘要 针对板带轧机液压 A G C系统在线故障诊断问题， 建立了一种基于非线性自回归滑动平均模型 N A R MA 的递归神经网络， 通过 A I C定阶法确定模型阶次。运用生产实际数据， 通过动态学习算法完成对网络的训练， 使网 络映射系统的动力学特性。该网络模型避免了故障的自 学习， 能够很好地实现故障检测。试验研究证明了该神经 网络方法进行轧机液压A G C系统在线故障诊断的可行性和有效性。 关键词 液压A G C ; N A R MA ; 递归神经网络; 故障诊断 中图分类号 T P 2 1 7文献标识码 A文章编号 0 4 4 9 - 7 4 9 X 2 0 0 5 0 5 - 0 0 4 5 - 0 4 S e n s o r F a u l t D i a g n o s i s T e c h n o l o g y B a s e d o n N e u r a l N e t w o r k s f o r H y d r a u l i c A G C S y s t e m o f S t r i p R o l l i n g Mi l l D O N G Mi n ， L I U C a i ， L I G u o - y o u ， Z HA N G We i C o l l e g e o f Me c h a n i c a l E n g i n e e r i n g , Y a n s h a n U n i v e r s i t y , Q i n h u a n g d a o 0 6 6 0 0 4 ， C h i n a ; C o ll e g e o f E l e c t r i c a l E n g i n e e r i n g , Y a n s h a n Un i v e r s i t y , Q i n h u a n g d a o 0 6 6 0 0 4 ， C h i n a A b s t r a c t ; F o r o n - l i n e f a u l t d i a g n o s i s o f h y d r a u l i c A G C s y s t e m o n s t r i p r o l l i n g m i l l , a r e c u r s i v e n e u r a l n e t w o r k m o d e l b a s e d o n N A R MA w a s e s t a b l i s h e d . T h e m o d e l o r d e r i s d e t e r mi n e d b y A I C m e t h o d . B y t r a i n i n g w i t h d y n a mi c l e a r n - i n g a l g o r i t h m a n d a c t u a l p r o d u c t i o n d a t a , n e u r a l n e t w o r k s c a n m a p s y s t e m d y n a m i c c h a r a c t e r i s t i c s . T h i s n e t w o r k m o d e l c a n a v o i d f a u l t s e l f - l e a r n i n g a n d h a s b e t t e r d i a g n o s i s c a p a b i l i t y . F e a s i b i l i t y a n d e f f i c i e n c y o f t h i s m e t h o d w a s v e r i f i e d b y e x p e r i me n t . K e y w o r d s ; h y d r a u l i c A G C ; N A R MA; r e c u r s i v e n e u r a l n e t w o r k ; f a u l t d i a g n o s i s 板带轧机液压 A G C系统是现代轧机的核心技 术， 该系统运行状态的好坏， 直接决定了轧机的工作 可靠性， 而轧机长期处于连续工作状态中， 所以对其 进行在线故障诊断研究具有实际意义。 液压 A G C系统是一典型的弹性负载作用下的 液压伺服系统， 具有非线性、 时变性、 不确定性的特 点， 难以确定系统或环节的许多参数， 另外实际生产 过程中干扰、 不确定因素的存在， 使得建立系统准确 的数学模型非常困难【 ’ 〕 。 本文应用神经网络进行系统建模并将其应用到 故障监测和诊断的思想起源于神经网络， 本质上是 一种非线性系统， 能够逼近任意复杂的非线性关系， 并且具有高度的自适应性和自组织能力， 能够学习 和适应不确定性; 同时， 信息的并行处理方式使得快 速进行大量计算成为可能[[ 2 1 。神经网络的这些特 点， 为其应用到 A G C控制系统的故障诊断提供了 理论基础 。 1 液压 AG C系统描述 本文以宝钢 2 0 3 0 冷连轧机第一机架液压压下 控制系统为研究对象， 该轧机在正常轧制状态下， 采 用轧制力控制方式。通过将轧制力设定值与力传感 器测得的实际值进行比较， 二者的偏差作为控制器 的输人， 经伺服放大器把信号放大后， 来控制伺服 阀、 液压缸组成的阀控缸系统的动作。 将整个系统分解成若干结构独立的子系统， 轧 制力控制回路及其分解结构如图 1 所示 ④一②数 字控制部分， 即计算机程序和计算机硬件部分; ②一 ③伺服放大器部分; ③一④伺服阀、 液压缸、 轧机机 体及传感器部分; ①一④环节反映了系统的整体特 性。 神经网络法进行 A G C系统故障诊断的基本思 路是， 通过监测系统整体或各子系统的实际输人输 出时间序列信号， 取其输人作为神经网络的输人， 输 墓金项目 国家自 然科学基金项目 5 0 3 7 5 1 3 5 ， 河北省自然科学基金资助项目 E 2 0 0 5 0 0 0 3 2 3 作者简介 董敏 1 9 7 3 - ， 女， 博士生， 讲师;E - m a i l ; d o n g m i n y s u . e d u . c n ;修订日期 2 0 0 4 - 0 8 - 0 4 4 6 钢铁第 4 0 卷 计为 e 2 ， ; 乡 3 N艺月 1-N 图 1 H A G C轧制力控制回路基本组成 F i g . 1 B a s i c c o n f i g u r a t i o n o f r o l l i n g f o r c e c o n t r o l l o o p o f H A G C 出与反映该环节系统动力学特性的神经网络模型输 出进行对比， 利用输出残差进行系统运行状况的监 测和故障定位。 本文重点研究①一④环节， 该环节的实际输人 信号为轧制力闭环控制系统的模型设定值 参考输 人 ， 实际输出信号为传感器所测轧制力。 2 模型结构辫识 AI C定阶法 神经网络进行系统辨识， 首先要确定模型结构。 由于系统结构复杂， 实际生产中受到的各种噪声干 扰较大， 故根据系统实际数据来确定模型结构; 利用 A I C定阶法来确定模型阶次; 利用极大似然原理， 构造一个联系未知参数和观测数据的模型， 使模型 输出的概率分布最大可能地逼近实际过程输出的概 率分布。 通过建立线性模型来辨识系统的模型阶次， 代 表系统的主导特性。将系统噪声 v k 看作均值为 零， 方差为 zO v 的满足正态分布的白噪声。 设系统模型表示为 y k 一a , y k 一1 一， ⋯， 一ay k 一n b , u k 一d ， ⋯ ， b m u k 一m一d v k 1 式中u k 系统第 k时刻输人; y k 系统第k 时刻输出; 模型的A I C为 A I CN l o 醚弓 2 n m 4 对于不同的An , 洗 ， 分别计算A I C ， 使得A I C 达到最 小的n 、 nn , m作为模型的阶次。 取生产过程实际数据 2 0 0 0 组， 计算得出， nn 3 , 筑 4 ， 取d 1 [ 3 1 3 神经网络建模 利用神经网络所具有的对任意非线性映射的任 意逼近能力， 采用非线性 自回归滑动平均模型 N A R MA 进行系统辨识[ 4 ] 。考虑用于故障诊断的 神经网络模型如果输人中包含系统实际的自回归数 据， 则在系统故障状态下引人实际故障数据容易造 成故障的自学习， 而无法检测。故将网络模型设计 为一种递归模型。模型表示为 Y m k f [ y - k 一1 ， ⋯, y - k 一n ; u k 一d ， ⋯, u k 一m一d ] 5 式中 y . k 辨 识模掣的 第k 时 刻 输出; f m 非线性映射函数。 神经网络建模， 就是利用神经网络来学习未知 非线性函数f m ， 是神经网络的训练过程。①一④之 间网络模型结构如图2 所示。 网络为三层前向网络， 将系统的输人延时量 u k -1 , - “ “ , u k -5 和网络的输出延时 y k -1 , ⋯， 厂k -3 作为网络的输入， 共 8 个输入节点， 中 间层取6 个节点， 输出为 1 个节点。第一层接收系 统输人， 第二层激活函数为 S i g m o i d 型， 第三层为 P u r e l i n函数。网络的学习方式为有导师学习， 训练 n 自回归阶数; M -滑动平均阶数; d 系统的滞后时延 其似然函数为 。N ， 1 n L B , a , G一份l g a } 一 - 一 ” 一 ’ 一 ‘一2 1召 。 ， . 石 一 2z夕J e k J a a v i -- 1-- 1 , B 2 式中B 模型参数; G 一一常数; N 数据长度; e j , B 给定e 条件下y k 的预测误差。 当AB 是。 的 极 大 似 然 估 计 时 ， 。 2a v 的 极 大 似 然 估 图2 神经网络辨识模型结构图 F S g . 2 S c h e me o f n e u r a l n e t w o r k i d e n t i f i c a t i o n m o d e l 第 5 期董敏等 轧机液压 A G C系统基于神经网络的传感器故障诊断技术 信号为网络的输出与系统实际输出的均方误差， 网 络的训练就是通过系统历史数据或实时测量数据的 学习， 调整网络节点的连接权值和阑值， 使误差函数 最小化。误差函数表达式为 9 0 0 0 8 5 0 0 E 一 1 N2 N ‘ ， 一 ， 功 ‘ ，2 6 其中， N为数据长度。对于选取数据之前的所需的 若干时延数据， 这里不列人数据长度之内。 为使网络权值尽快处于最佳权值范围内， 网络 输人中输出递归值最初由系统的实际输出代替， 采 用静态模型训练一段时间后， 转换成动态递归网络 进 行 训 练 〔51 按梯度下降搜索法将误差反向传播， 静态训练 方法权值调整公式为 Z 赶 鬓8 0 0 0 -口 的 尺 蜂I } u u 御 琳 7 0 0 0 实际输出 网络输出 N赶只茶解妇潺 w k w e k - 1 a y k 一y m k 一 己 w a y m k ， 。 、 、 I产 其中， a 为学习速率。 6 5 0 0 9 0 0 0 8 0 0 0 7 0 0 0 6 0 0 0 5 0 0 0 4 0 0 0 3 0 0 0 20 0 0 1 0 0 0 0 一 10 0 0 误差 对 于 动 态 模 型 训 练 ， 式 7 中 的a y m k 计 算 方 O w 法如下 0 5 0 1 0 0 1 5 0 2 0 0 2 5 0 3 0 0 3 5 0 4 0 0 4 5 0 5 0 0 采样点/ 个 a y m k _ aw a 几 u ， y . , w 勺厂 dt 之 夕 a 几 u , y m , w a y . k 一i a y m k 一i aw 8 艺间 其中， 几 u , y m , w 为网络模型映射函数。 a 参考输人轧制力; b 输出轧制力 图3 系统实际输入与相应网络及系统实际输出 F i g . 3 O u t p u t c o m p a r i s o n b e t w e e n n e t w o r k a n d a c t u a l s y s t e m 由于这种学习算法， 每一次调节都必须进行 a f m 一 a f m . . . . 一 a f m一 - a w ’ a y . k 一 1 ”a y m k 一n 的计算， 使得网络 调节较为缓慢， 收敛时间较长。 4 试验研究 4 . 1 辨识精度研究 选用具有代表性的5 0 0 0 组数据对网络进行训 练， 经 1 0 0 0 0 0 次训练， 收敛精度达到 0 . 0 1 。用训练 好的网络， 另选5 0 0 组数据进行网络性能测试， 其测 试结果如图3 所示。 由图3中所示曲线可看出， 网络输出与实际轧 制力信号吻合很好， 只在起伏较大点出现较大误差， 而后又能很快跟踪上实际输出。对所得误差数据进 行 分 析 ， 其 均 值E E M ， 自 相 关 系 数 }粼 1 }值 如 下 E{ e k } } p Z } 成 0 . 1 5 6 7 0 . 9 8 7 VN 0 . 0 4 4 6 故可将其辨识误差分布规律看作均值为零的白 噪声序列。可见神经网络的辨识精度满足要求。 4 . 2 诊断实例 将训练好的网络模型与实际系统并联， 对二者 输出进行对比， 以残差检测故障。本文应用一组历 史故障数据来进行诊断性能验证。图4 所示为该系 统力传感器在第 5 0 0 个采样点处发生零漂 2 0 0 故 障时， ①处输人信号与④处网络及系统实际输出信 号对比图。采样周期为 1 0 M s . 由图 4中所示曲线可看出， 在正常工作段， 网络 与系统实际输出吻合得很好， 残差可以看作均值为 零的白噪声; 而在故障段， 出现较大差异， 在故障起 始点， 残差信号出现一个大的突变， 以后减小到零值 附近波动， 这与闭环系统的负反馈具有对微小故障 抑制作用的性能相符。所以， 故障起始点的突变输 出在故障检测中具有重要意义。 对于③一④之间诊断网络， 出现与①一④之间 相似的残差异常， 而④一②、 ②一③之间网络不会出 现异常， 因篇幅所限， 这里不再一一图示。显然多个 网络信息的共同作用， 为提高故障分析的可信度及 故障点准确定位提供了条件。 4 8 钢铁第 4 0卷 7 8 0 0 7 7 5 0 7 7 0 0 7 6 5 0 7 6 0 0 7 6 5 0 7 6 0 0 7 5 5 0 7 5 0 0 7 4 5 0 7 4 0 0 在实际应用中， 需要为诊断系统设定残差阂值 进行故障判定， 阂值的设定需要考虑网络的跟踪精 度以及实际系统正常运转中的噪声干扰的情况， 还 需要通过多次现场故障试验不断修正。 5结论 通过建立基于 N A R MA模型的递归神经网络 模型， 对宝钢 2 0 3 0 冷连轧机的液压 A G C系统进行 了故障诊断研究。对系统各可测环节建立神经网络 模型， 通过训练模拟各环节时域动力学特性。网络 模型与实际系统并联， 实现对系统运行状态的监测 和诊断。试验证明， 所建立的网络模型， 在系统异常 时能及时预报， 证明了利用神经网络方法进行轧机 液压A G C系统故障诊断研究是可行的。 参考文献 2召、只买解吠潺御孙 7 9 0 0 7 8 5 0 7 8 0 0 7 7 5 0 7 7 0 0 7 6 5 0 7 6 0 0 7 6 5 0 7 6 0 0 7 5 5 0 7 5 0 0 7 4 5 0 7 4 0 0 2盆、只幂一姗曰潺 [ 1 ] CiF*fx I M E n g i n e r y I n d u s t r y P u b - l i s h i n g C o mp a n y , 1 9 9 6 . 4 . N a r e n d r a K S , Mu k h o p a d h y a y S . A d a p t i v e C o n t r o l U s i n g N e u - r a l N e t w o r k s a n d A p p r o x i m a t i v e Mo d e l s [ J ] . I E E E T r a n s a c - t i o n s o n Ne u r a l Ne t wo r k s , 1 9 9 7 , 8 3 4 7 5 - 4 8 5 . 孙一康. 带钢冷连轧计算机控制[ M] . 北京 冶金工业出版社， 2 0 0 2 . 2 . S U N Y i - k a n g . C o m p u t e r C o n t r o l f o r C o n t i n u o u s C o l d R o l l i n g S t r i p Mi l l [ M] . B e ij i n g Me t a l l u r g y I n d u s t r y P u b - l i s h i n g C o m p a n y , 2 0 0 2 . 2 G a l v a n I M, I s a s i P , Z a l d i v a r J M. A n A l t e r n a t i v e t o P h e n o me - n o l o g i c a l Mo d e l s i n C h e m i c a l R e a c t o r s [ J ] . E n g in e e r in g A p p l i - c a t i o n s o f A r t i f i c i a l I n t e l l i g e n c e , 2 0 0 1 ， 1 4 1 3 9 - 1 5 4 . C o h e n B , S a a d D, Ma r a m E . E f f i c i e n t T r a i n i n g o f R e c u r r e n t N e u r a l N e t w o r k w i t h T i m e D e l a y s [ J ] . N e u r a l n e t w o r k s , 1 9 9 7 , 1 0 1 5 1 - 5 9 . 之乏心迎绷戳只霜一扮 [ 4 ] 采样点 / 个 [ 5 ] a 参考输人轧制力; b 输出 轧制力; c 轧制力残差信号 图4 故障情况下输入信号及网络与实际输出对比图 F i g . 4 O u t p u t o f n e t w o r k a n d a c t u al s y s t e m u n d e r f a u l t c o n d i t i o n s 宝钢高强度外板用于标志3 0 7 桥车 武汉神龙汽车公司采用宝钢股份热镀锌高强度钢板冲 制的标志 3 0 7 桥车行李箱和门外板等 5 个零件， 性能良好， 完全可用于整车组装。这是宝钢股份高强度汽车外板首次 用于神龙汽车， 也标志着宝钢股份热镀高强度钢板具备了向 客户批量供货的能力。 标志3 0 7 轿车是神龙汽车去年投放市场的一款新车型。 在轿车外板的制造和使用上， 神龙汽车一直采用进口高强度 钢板。由于进口钢板存在运输周期长、 质量波动大等因素， 神龙汽车与宝钢股份就该车型外板国产化工作达成共识， 并 成立了技术攻关团队， 携手开展相关工作。 在推进过程中， 由宝钢股份制造部牵头成立的神龙汽车 板产销研一体化小组从取样人手， 在表面质量、 内在成分等 方面与进口产品进行对比分析， 寻找薄弱环节。根据轿车外 板要求， 开展产品质量、 工艺控制等探索和实践， 最终形成了 从炼钢到冷轧全过程的稳定的生产工艺。产销研一体化小 组成员还深人用户现场， 为用户提供产品使用技术服务等， 使产品更贴近用户需求。特别是在认证环节， 产销研一体化 小组策划并制定了详尽的认证计划， 使认证工作顺利进行。 异路 标准分享网 w w w .b z f x w .c o m 免费下载