电液伺服阀动态特征信息在线提取方法的研究

　　电液伺服阀 ( 简称伺服阀) 是一种电液转换和功率放大元件。伺服阀将微小的电信号转换为大功率的液压能输^[1]，具有动态响应快、控制精度高等优点，已广泛应用于航空、航天、舰船、冶金、化工等领域的伺服系统中。随着技术的发展，对设备维护的要求也不断提高，重要生产设备维护从事后维修、计划维护发展到预知维护。作为重大装备中的常见关键部件，伺服阀的故障诊断技术水平在设备维护中往往起到非常重要的作用。

　　当前，电液伺服阀故障诊断的研究主要基于静态特性的特征提取。文献[2]介绍了一种基于遗传算法、对电液伺服阀的故障建立神经网络模型，并通过对模型的调整解决了这类伺服阀的故障诊断问题。文献[3]通过对伺服阀静态特性参数的研究，将BP神经网络用于电液伺服阀的故障诊断。文献[4]统计分析电液伺服阀故障信息，设计了一种适用于伺服阀故障诊断的三层BP 神经网络。文献[5]分析了电液伺服阀在试验阶段输入、输出端的最优比例，从而优化了伺服阀的响应性能。

　　为了实现对伺服阀的动态故障诊断，需要对伺服阀的在线工作特性进行研究，在此基础上对其工作特征信息进行在线提取。这方面的研究目前还很少，文献[6]提出了用小波分析的方法来构造奇异信号的提取器，应用于伺服阀的故障诊断中。文献[7]运用动态神经网络对伺服阀建立了动态模型仿真，并进行实时监控，在系统发生故障时可对故障源准确定位。前者对伺服系统的实时信号进行采集，并与正常情况下的标准信号分别进行离散小波变换后对比，然后在提取器中做信号重构并输出异常成分，从而达到对系统故障的实时诊断效果。后者的动态诊断性能体现在对系统的位置、压差等连续信号进行实时监控检测，并与系统原有信号生成故障残差，从而动态监测系统故障。作者运用小波包分解结合系统实时检测选取适当的特征向量，并借助粗糙集简化特征向量维数，动态监控系统运行状态，通过训练后的神经网络对系统发生的故障进行动态检测。

　　作者主要以某轧钢厂大型轧机的液压辊缝控制系统( Hydraulic Gauge Control，HGC) 中的电液伺服阀为研究对象，通过研究伺服阀的工作状态的各个参数，讨论并提出一种反映伺服阀在线动态特征的状态信号选取方法，然后研究状态信号的特征提取方法，提取出反映伺服阀动态特征信息的特征向量。为了满足在线诊断的要求，讨论了通过特征约简减少特征量的方法。伺服阀的在线动态特性和稳态特性之间并非简单的线性关系，而是存在着复杂的非线性映射关系，为此，最后基于粗糙集理论对特征量进行了特征约简，并结合神经网络对伺服阀性能异常的在线诊断进行了实验研究。