现阶段普遍采用的内泄漏检测方法,实际上并没有做到液压缸微小内泄漏量的监测。为监测液压缸微小内泄漏量,提出了利用TensorFlow的研究方法。其中最大的创新点是设计了一种结构性的液压油传感器,并采用TensorFlow构建网络实施监测,将复杂的应变—微小泄漏量关系简化至可直接读取。主要内容是利用液压油传感器,提供给微小内泄漏一个缓冲部位,减少压力影响,同时连接液压油收集部位和PC端,构成整个监测系统对数据进行采集和处理,最后再利用TensorFlow实现无需人工的液压缸内部微小泄漏量监测。结果表明,结合液压油传感器和TensorFlow,提取原始数据并处理最终数据,可以监测液压缸微小内泄漏量,为液压系统的微小内泄漏量的监测提供了研究思路。

简述了热轧硅钢步进加热炉工况特点,分析了硅钢步进加热生产工艺要求,针对性提出了高效平稳的电液比例控制方案,设计了液压和电控系统,并对炉床升降和动梁平移回路进行了详细剖析,编写了设备的控制程序,整个系统运行平稳可靠,运行单次循环周期为44.7s。经多年运行考核,该系统控制精度高,实现了钢坯的轻托轻放,能有效提高产量和钢坯表面质量,达到硅钢加热工艺要求,效果良好。

轧机AGC伺服液压缸是在大型钢铁企业主轧线的关键液压装备之一,静动态性能指标要求高,针对其频率响应、阶跃响应、动摩擦力和启动摩擦力测试特点和方法,编写了相应检测软件功能模块,集成为具有自主知识产权的专用计算机辅助测试软件系统,能完成轧机AGC缸静动态全套指标自动测试,经多年实践考核,效果良好,具有重要推广价值。

通过仿真分析,研究液压滑阀阀芯在不开均压槽、开3条矩形槽、开5条矩形槽、开5条三角形槽4种情况下,阀芯歪斜时阀芯卡紧力的变化。由仿真结果可知阀芯歪斜时,在阀芯上开均压槽可以有效减小卡紧力,开的均压槽越多,卡紧力越小;开相同数量的矩形槽比三角槽的卡紧力大,但是更利于使阀芯趋于同心。

介绍PLC的工作原理,及其在AGC液压缸带载动摩擦力测试中的应用。

针对伺服液压缸活塞中使用的格莱圈组合密封形式,利用有限元分析软件ANSYS Workbench建立其二维轴对称有限元模型,研究格莱圈在不同密封参数(O形圈预压缩率、矩形滑环的厚度、O形圈的材料硬度)下对其动密封性能的影响。结果表明:在矩形滑环的中间区域,主密封面上最大接触压力随着O形圈预压缩率和O形圈材料硬度的增加而增大,随着矩形滑环厚度的增加而减小;启动摩擦力随着O形圈预压缩率和O形圈材料硬度的增大而增大,随着矩形滑环厚度的增大而减小。基于响应曲面法,以最大接触压力和最小启动摩擦力为优化目标,对格莱圈的密封参数进行优化设计。优化后最大接触压力增大,启动摩擦力减少,提高了格莱圈的密封性能。

针对目前轧机伺服液压缸故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题,提出了一种基于深度置信网络的轧机伺服液压缸故障诊断的方法。根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟。利用深度置信网络在智能故障诊断的优越性,将信号归一化处理后放入深度置信网络进行训练,然后通过反向传播学习,优化网络各参数,提高诊断精度。深度置信网络模型由多层玻尔兹曼机以及顶层BP神经网络组成。与传统BP神经网络方法进行比较,结果表明,在训练样本数据足够的条件下,深度置信网络模型在伺服液压缸内泄漏故障诊断具有更高的诊断精度。

液压系统具有体积小、质量轻、工作平稳且易于实现换向、无级调速、自动化运行等优点而被广泛应用，但同时其故障也存在隐蔽度高、复杂多样、信息难以提取等特点。针对液压元件的故障特点，使用数据库系统、MFC，建立了基于大型料耙液压元件比例换向阀故障诊断的专家系统及相应的知识库、推理和决策机制。系统运行结果表明：具有智能诊断技术的专家系统能很好地确定故障点，提高维修效率和企业经济效益。

随着轧机自动化水平日益提高，板厚自动控制（Automatic Gauge Control，简称AGC）系统必须要有精确的控制系统和高精度的压下调节系统，才能够获得高精度的产品轧出厚度。为了掌握板厚精度受各种因素影响的规律，并提出相应的解决措施，仿真研究整个轧制过程。分析了液压AGC系统结构特点，概述了AMESim软件，利用基于AMESim对液压AGC系统进行了仿真，较为深入地探讨了相关参数对系统的影响，具有一定的参考价值。

在矫直过程中由于操作不当,当矫直钢材硬度过大时,矫直力超过矫直机某些零部件强度时,容易损坏矫直机。针对某大型钢厂进口矫直机常出现的故障进行分析研究,对液压系统性能进行检测等。利用AMESim软件对液压系统进行建模仿真,找到了故障原因,对液压系统某些参数进行调整,结果表明：将过载保护溢流阀的压力原设定为29 MPa改为20.5 MPa时,系统的调整时间最短、响应最快,该设备运行一年多来,工作正常。证明了文中仿真分析是正确的,该技术可供有关厂矿企业参考。