基于优化神经网络的轧机HAGC系统内泄漏故障诊断方法研究.pdf

液压气动与密封/2 0 2 4年第1期doi:10.3969/j.issn.1008-0813.2024.01.012基于优化神经网络的轧机HAGC系统内泄漏故障诊断方法研究杨力12,陈新元1,2（1.武汉科技大学机械自动化学院，湖北武汉43 0 0 8 1；2.武汉科技大学治金装备及其控制教育部重点实验室，湖北武汉43 0 0 8 1）摘要：针对轧机HAGC（A u t o ma t i c G a u g e C o n t r o l Sy s t e m w i t h H y d r a u l i c A c t u a t o r）液压伺服阀系统内泄漏故障危害性较大、隐蔽性强、判定和定位难的问题，提出一种基于WOA-BP（Wh a l e O p t i mi z a t i o n A l g o r i t h m-BP）神经网络的内泄漏故障诊断方法。建立轧机HAGC系统仿真模型，可模拟相关故障，获取各类工况数据,并有效提取出故障特征，可解决故障样本数据少、提取难等问题。利用鲸鱼优化算法改进的BP神经网络作为内泄漏故障识别与分类工具，对HACC系统仿真与运行数据进行学习、识别。经验证，该方法能比较准确诊断HAGC系统内泄漏故障。关键词：液压伺服；故障诊断；鲸鱼优化算法；神经网络中图分类号：TH137Research on Fault Diagnosis Method of Internal Leakage in RollingMill HAGC System Based on Optimal Neural Network(1.School of Mechanical Automation,Wuhan University of Science and Technology,Wuhan 430081,China;2.Key Laboratory of Metallurgical Equipment and Its Control,Ministry of Education,Wuhan University ofAbstract:In order to solve the problems that the internal leakage fault of rolling mill HAGC hydraulic servo valve system is harmful,concealedand dfficult to determine and locate,an internal leakage fault diagnosis method based on WOA-BP neural network is proposed.Theestablishment of rolling mill HAGC system simulation model can simulate related faults,obtain various working conditions data,and effectivelyextract fault characteristics,which can solve the problem of less fault sample data and difficult extraction.The BP neural network improved bywhale optimization algorithm is used as an internal leakage fault identification and classification tool to learn and recognize the simulation andoperation data of HAGC system.It is proved that this method can accurately diagnose the leakage fault in the HAGC system.Key words:hydraulic servo;fault diagnosis;whale optimization algorithm;neural network0引言轧机液压厚度自动控制系统HAGC是现代轧机工业中的重要组成部分，提升了带钢轧机设备的性能。轧机HAGC的功能是调整轧机作业时辊缝大小，保证带钢产品的厚度达到要求指标，是由机械、液压和电气等系统组成的的复杂耦合系统。正因其结构复杂,具收稿日期：2 0 2 3-0 1-18基金项目：湖北省农村农业厅攻关项目（HBSNYT202204）；武汉市企业技术创新项目（2 0 2 0 0 2 0 6 0 2 0 12 13 3）作者简介：杨力（1998-），男，湖北武汉人，硕士，主要研究方向为液压系统故障测试及诊断。66文献标志码：A文章编号：10 0 8-0 8 13(2 0 2 4)0 1-0 0 6 6-0 8YANG Lil2,CHEN Xin-yuan-?Science and Technology,Wuhan 430081,China)有多系统耦合的非线性和时变性，为其故障诊断带来许多困难。一旦发生故障，造成产品质量缺陷甚至停产,将造成经济严重损失，甚至人员伤亡2。泄漏是液压系统中常见的缓变故障，其故障原因是随时间逐渐积累而成，一旦任其发展，可能导致AGC缸产生爬行、啸叫,甚至导致轧机系统停机。（1）其故障点具有隐蔽性，常常发生在电液伺服阀和伺服油缸中，拆卸检查不易；（2）相关因素具有随机性,引起其故障的原因有温度和油液污染等多种,故障特征提取不易；（3）故障特征与故障原因的对应具有非线性，一种特征可能由多种原因与其对应，一种原因也可能导致多种症状3。同时,系统故障数据获取较难，电液伺Hydraulics Pneumatics&Seals/No.1.2024服阀等高精度元件均购买于国外公司，价格高昂，进行至力矩马达，形成闭环控制。人为故障实验成本巨大。文献4运用卡尔曼滤波器根据输人信号和测量结果构建系统状态信息，通过比较预估状态与实测状态生成残差，成功识别伺服液压缸的内外泄漏类型，但无法诊断参数较多和具有复杂数学模型的大型系统。文献5 通过灰色关联分析法将待测样本特征与已知状态样本特征比较求得关联度，成功对电液换向阀不同程度内泄漏进行识别，但无法确定内泄漏发生的具体部位及原因。文献6 采用GA+BP神经网络对液压缸内泄漏故障进行诊断，但遗传算法的优化过程会落入局部最优解，影响最后的输出准确度。针对轧机HAGC系统故障特征隐蔽性、原因随机性、二者关系非线性和故障数据少、提取难等问题,利用液压仿真软件建立系统模型实现系统内泄漏故障模拟,探究故障机理与输出特征间的关系，建立WOA-BP神经网络诊断模型7,分类识别出模拟仿真故障数据的内泄漏类型。1轧机HAGC系统建模仿真轧机HAGC系统由带钢测厚仪和液压缸缸体位移传感器等元件反馈的信号与给定信号比较后，差值输人伺服放大器转化为电流信号，比例伺服阀根据电流大小产生与之成比例的阀芯位移,改变滑阀阀口开度控制阀输出流量大小，伺服液压缸根据收到的流量大小及方向，缸体产生相应的运动速度大小及方向，推动轧辊压下或升，构成闭环系统，达到控制带钢厚度精度的目的,其原理如图1所示。AGCUePID给定值调节器放大器伺服阀液压缸位移传感器图1轧机HAGC系统原理该系统的核心元件可简化为二级电液伺服阀、AGC伺服油缸、恒压泵、轧辊、带钢、用于调节缸有杆腔背压的减压阀和溢流阀。1.1二级电液伺服阀目前,轧机系统中应用最为广泛的是力反馈式二级电液伺服阀,其结构如图2 所示。第一级由动铁式力矩马达和双喷嘴挡板阀共同组成，前者控制后者的偏转位移;第二级为四通滑阀,通过弹簧杆将二级阀芯与第一级的衔铁挡板连接，阀芯位移和力信号会反馈PATBX图2 力反馈二级电液伺服阀结构示意图其力矩马达电路的输出力矩为：Ta=K,Ai+Km0式中，K,i一衔铁中位时由控制电流产生的电磁力矩Km一一衔铁偏离中位时产生的额外电磁力矩其弹簧挡板的运动方程为：T=Jdt2式中，J。一一挡板转动惯量B。一一挡板黏性阻尼系数K。一弹簧板刚度Tu喷嘴液流力产生的负载力矩T阀芯位移通过反馈杆产生的负载力矩其零开口四通滑阀的力平衡方程为：d+K+FF,=mdr+(B,+B,)式中，F一一阀芯总驱动力伺服比例厂伺服Yp(1)+B+K,0+TLI+T/2adtm一阀芯及阀腔油液总质量B、一一阀芯、阀套间的黏性摩擦系数B瞬态液动力阻尼系数K一稳态液动力刚度FL衔铁挡板组件通过反馈杆产生的负载力1.2HAGC 伺服油缸轧机伺服液压缸是轧机压下系统的作动部件，是轧制力产生的来源。其结构由缸体、缸盖、活塞、活塞杆和密封元件等组成，安装在机架顶部，下接支撑辊和工作辊，将压力和位移输出到带钢上实现轧板的轧制8,其结构如图3 所示。1.3轧机辊系质量系统板带轧制过程中，需要巨大的轧制力使钢材发生形变,这也会导致支撑辊和工作辊发生一定的弹性形67(2)dt(3)液压气动与密封/2 0 2 4年第1期变，使轧件出口厚度略大于期望值9。为便于分析，本研究将其简化为1个二自由度的弹簧阻尼模型如图4所示10 密封力短马达活塞杆缸盖缸体喷嘴挡板+AGC缸泄漏模块2二级滑阀图3HAGC缸结构示意图/LKiB1MFLIKwFL2K27777777图4轧机质量分布简化模型模型中系统力的平衡方程为：M,x+B,x+K,xi+Bw(x-x2)+K,(xi-x2)+FLl=F4Mx2+Bzx2+Kzx2+B(x-x2)+Kw(x-x2)+F2=0式中，M,M，一一上下辊系等效总质量Ki,K,一一上下辊系等效刚度BI,Bz一上下辊系部件黏性系数x1,*2一上下辊系位移Fu,Fi2上下辊系所受负载力K一一轧件等效刚度Bw一一轧件黏性系数1.4轧机HAGC系统仿真模型经过前3 节系统核心元件的数学模型分析，搭建轧机HAGC系统仿真模型如图5 所示。图5 中,AGC缸上端为有杆腔,活塞杆接上零位移源表示与机架顶部相连，当无杆腔进油时依靠活塞与缸筒的相对位移实现压下动作，上下辊系的质量块分别接有1个位移传感器，两位移差即为带钢经过工作辊前后的厚度差，将这一差值与给定信号比较，偏差量经过PID控制器和增益放大器K转化为电信号输入到68泄漏模块恒压泵源安无杆腔背压图5 轧机HAGC系统仿真模型X1阀的力矩马达,实现闭环控制,其主要参数见表1。Bw表1系统仿真模型主要参数M21X2B2阀中位泄漏参数线圈匝数/tr线圈内阻/Q衔铁挡板组件质量/kg衔铁挡板组件转动惯量/kgm(4)弹簧管弹性模量/Nm=1左右喷嘴直径/mm(5)左右挡板接触刚度/Nm=1阀芯质量/kg阀芯限位/mm阀芯直径/mm阀芯零位移时阀口重叠量/mm阀芯与阀套间隙/mmHAGC缸活塞活塞直径/mmHAGC缸活塞杆直径HAGC 缸行程/mmHAGC缸质量/kg活塞与缸筒内表面间隙/mm轧件等效弹性模量/Nm轧辊带钢一数值42004005.5 10-35.8 10-734000.41080.01-1,1 1000.0051086900 5,5 68140.011.58 1010Hydraulics Pneumatics&Seals/No.1.2024将滑阀右油口堵死,左油口与HAGC缸无杆腔连1.2X10-3接,溢流阀调定泵输出压力为2 8 MPa,通过减压阀与溢1.0流阀并联调定 HACC 缸有杆腔背压为5 MPa,要求轧件0.80.6经过轧辊前后厚度差为 1 mm。由于系统内泄漏对轧辊咬钢和抛钢2 个非线性过程影响明显，可以从中提取故障特征，故设置一个0.2 1.2 s幅值为1的方波作为输入信号来模拟咬钢和抛钢的2 个过程，其仿真结果如图6 所示。1031.21.00.80.60.40.20.0-0.20.00.20.40.60.81.01.21.41.61.8时间/s图6 轧机HAGC系统仿真结果由图可知,咬钢过程系统响应时间为0.2 8 s,超调量为0.0 2 48 mm，小幅震荡0.0 7 7 s后趋于稳态；抛钢过程压下缸缸体回程用时0.2 2 s,符合实际情况，仿真模型搭建成功。2系统内泄漏故障模拟2.1HAGC 缸内泄漏HAGC缸内泄漏主要发生在活塞与缸筒内壁的动密封处。在仿真中引入BRF02模块放置于图5 的泄漏模块2 处,通过设置不同活塞与缸筒的直径间隙来模拟不同程度的内泄漏，仿真结果如图7 所示。图7 为不同HAGC缸泄漏间隙时的缸体位移、缸无杆腔压力及阀芯位移,正常状态下间隙为0.0 1mm。可以看出随着缸泄漏间隙不断增大，系统输出位移超调量减小，响应时间增大，达到预期值的时刻明显滞后,抛钢回程超前响应；当泄漏间隙接近0.15 mm时，上辊系不能压下到指定位置，系统位移控制失效。2.2电液伺服阀阀阀芯与阀套间隙泄漏电液伺服阀阀口长期工作在大流量环境中，当油液发生污染时,高速流动的液体夹杂着颗粒物对阀芯阀套边缘冲蚀，长而久之会使阀芯阀套因磨损而间隙增大,伺服阀零位泄漏增加。其泄漏原理如图8 a。新阀的中位泄漏可看作层流，当阀芯居中位时，每个油口压力降和流量分别为P./2和Q./2,其泄漏量表达式为：一正常状态-泄漏间隙0.0 5 mm.泄漏间隙0.10 mm-泄漏间隙0.15 mm0.20.0-0.20.00.20.40.60.81.01.21.4 1.61.8时间/s-给定信号轧件经过轧辊前后厚度差(a)不同泄漏间隙下的缸体位移201510500.20.40.6 0.81.01.21.4 1.61.8时间/s(b)不同泄漏间隙下的缸无杆腔压力一正常状态1.0103.1-泄漏间隙0.0 5 mm泄漏间隙0.10 mm-泄漏间隙0.15 mm0.50.0-0.5-1.00.00.20.40.60.81.01.21.41.61.8时间/s(c)不同泄漏间隙下的阀芯位移图7HAGC缸内泄漏仿真结果Q。TW?32uP式中，s一一阀芯阀套间隙运动黏度系数Pel2r+s2rPsPI图8电液伺服阀泄漏原理在仿真中引BAFO1模块放置于图5 的泄漏模块1处,通过设置不同的间隙来模拟不同程度的阀芯内泄69一正常状态-泄漏间隙0.0 5 mm.-泄漏间隙0.10 mm-泄漏间隙0.15 mm(6)液压气动与密封/2 0 2 4年第1期漏，仿真结果如图9所示。1.41031.21.00.80.60.40.20.0-0.20.00.20.40.60.81.01.21.41.61.8时间/s(a)不同阀芯阀套间隙下的缸体位移20F1510500.20.40.60.81.01.21.41.61.8时间/s(b)不同阀芯阀套间隙下的缸无杆腔压力1.0X1030.50.0-0.5-1.00.00.20.40.60.81.01.21.41.61.8时间/s(c)不同阀芯阀套间隙下的阀芯位移图9伺服阀阀芯阀套间隙内泄漏仿真结果图9为不同伺服阀阀芯阀套泄漏间隙时的缸体位移、缸无杆腔压力及阀芯位移曲线，正常状态下间隙为0.005mm。可以看出随着阀芯阀套间隙不断增大,系统输出位移和力的超调量增大且超前响应，咬钢后的稳态过程振幅明显增大，抛钢后缸体回程滞后且速度变慢，系统控制的稳定性下降。2.3电液伺服阀阀口刃边圆角磨损泄漏与阀芯阀套间隙泄漏原因相同，伺服阀刃边磨损也是由油液污染后颗粒物的冲蚀所导致的，泄漏原理如图8 b，根据正弦定理可得零位泄漏间隙：(l-s)+/21(1-s)270同样认为是层流，其泄漏量表达式为：Q.=32uPs通过设置滑阀中的BA0013模块的不同阀口刃边圆角半径来模拟不同程度的阀口内泄漏，仿真结果如一正常状态图10 所示。-泄漏间隙0.0 3 mm泄漏间隙0.0 6 mm-.-泄漏间隙0.10 mm一正常状态-泄漏间隙0.0 3 mm泄漏间隙0.0 6 mm-泄漏间隙0.10 mm正常状态-泄漏间隙0.0 3 mm泄漏间隙0.0 6 mm-.泄漏间隙0.10 mm(8)1.4X10-31.21.00.80.40.20.0-0.20.00.20.40.60.81.01.21.41.61.8时间/s(a)不同阀口刃边圆角半径下的缸体位移201510500.20.40.60.81.01.21.41.61.8时间/s(b)不同阀口刃边圆角半径下的缸无杆腔压力1031.00.50.0-0.5-1.00.00.2 0.40.60.81.01.21.41.61.8时间/s(c)不同阀口刃边圆角半径下的阀芯位移图10伺服阀刃边磨损内泄漏仿真结果图10 为不同伺服阀阀口刃边圆角半径时的缸体位移、缸无杆腔压力及阀芯位移，正常状态下半径为0.005mm。可以看出随着半径不断增大,系统输出的位移和力的超调量均增大，咬钢和抛钢这两个阶跃信号激励下响应加快，阀芯位移及输出流量在非阶跃信号激励下的稳态响应振幅逐渐增加，系统越来越不(7)稳定。一正常状态-阀口圆角半径0.0 2 5 mml.阀口圆角半径0.0 5 0 mm-.-阀口圆角半径0.10 0 mm一正常状态-阀口圆角半径0.0 2 5 mm阀口圆角半径0.0 5 0 mm-阀口圆角半径0.10 0 mm猫一正常状态-阀口圆角半径0.0 2 5 mm.阀口圆角半径0.0 5 0 mm-.-阀口圆角半径0.10 0 mm3）搜索猎物Hydraulics Pneumatics&Seals/No.1.2024D=IX*(t)-X(t)I(15)3WOA-BP内泄漏故障诊断模型BP神经网络是一种经典的人工神经网络,因其结构简单,能很好解决非线性函数的逼近问题而在故障诊断中广泛应用12。由于该网络的初始权值和阈值是一定范围内随机生成的,所以其性能依赖于这二值的设定，选取失当将会导致训练收敛速度慢和落人局部极小点等问题。因此，可用优化算法将这两种参数优化后输入到网络，得到性能更优更稳定的故障诊断模型。3.1鲸鱼优化算法鲸鱼优化算法WOA是SeyedaliMirjalili等于2 0 16年提出的一种新型的群智能优化算法13。它包括自然界中鲸鱼种群捕猎的三种行为：包围捕猎、螺旋气泡网捕猎和搜索猎物。1）包围捕猎鲸鱼会从西面八方汇聚而来向食物靠近，并以最靠近猎物的鲸鱼位置更新其他个体位置，其表达式为：D=ICX*(t)-X(t)IX(t+1)=X*(t)-AD式中,D鲸鱼与食物的直线距离t一当前送代次数X*一最优鲸鱼位置向量X一鲸鱼个体位置向量系数A,C的表达式为：A=2a:ri-aC=2r2式中,1,f2(0,1)随机数一一由2 逐渐递减到0 的因子a=2-2ttmax式中,tmax最大送代次数2）螺旋气泡网捕猎鲸鲸鱼在包围猎物的同时，会有一定概率以螺旋曲线轨迹靠近食物位置，假设这两种捕猎方式发生的概率各为5 0%，则鲸鱼位置更新表达式为：X(+1)=X(0)-A.D.lx*(t)+Decos0(2Il),p 0.5(14)式中，l（-1,1)的随机数b一常数,表示螺旋形状D鲸鱼与最佳个体位置距离鲸鱼包围猎物过程中还会随机搜索猎物，由|A|的大小来判定,当A|1时,鲸鱼进行随机搜索的表达式为：D=IC Xmnd-XIX(t+1)=Xrand-A D式中,Xrand随机鲸鱼位置向量3.2WOA-BP故障诊断模型WOA-BP神经网络诊断流程如图11所示。根据第3 节论述,HAGC缸的缸体位移、无杆腔压力和伺服阀的阀芯位移可以反映系统不同部位故障引起的不同程度泄漏,因此可将一个周期内3 条曲线的均值、均方根、峭度、形状因子、峰值因子和脉冲因子共18 个时域特征作为网络输入。其归一化后的输人特征向量为X=Xi,X,Xi g。根据系统动态仿真中内泄漏部位类型分为正常状态、HAGC 缸间隙泄漏、阀芯与阀套间隙泄漏和阀口圆角磨损泄漏四种。其归一化后的输出特征向量为Y=Y i,Y 2,Y,Y 4,对应的故障编码如表2(9)所示。(10)初始化WOA参数初始化鲸鱼个体(11)计算鲸鱼个体适应度值(12)更新a,A,C,P(13)是P0.5?否螺旋气泡网捕猎否计算鲸鱼个体适应度值，获得最优鲸鱼个体选代次数+1P0.5达到最大选代次数？否满足终止条件图11WOA-BP神经网络流程图(16)(17)开始故障样本BP神经网络参数初始化训练BP神经网络输出诊断误差率是1？否搜索猎物结束是WOA-BP诊断模型是-BP神经网络最优参数包围猎物71液压气动与密封/2 0 2 4年第1期表2 故障编码故障归一化故障反归一化故障类型向量YY阀口圆角磨损泄漏Y阀芯与阀套间隙泄漏Y4HAGC缸间隙泄漏构建1个3 层BP神经网络，其输人层18 个节点，输出层4个节点，经多次试验确定隐含层节点数最佳为2 5，学习步长0.0 1,训练目标为0.0 1,最大训练次数为2 0 0。同时,构建一个鲸鱼优化器与之匹配，初始种群数量设为2 0,最大迭代次数设为2 0，鲸鱼个体的上下边界分别为2 和-2。至此，,WOA-BP故障诊断模型搭建完毕。4故障诊断实验以前文仿真中咬钢至抛钢(0 1.8 s)为1个周期，定义 HAGC 缸泄漏间隙0.0 1 0.10 mm内、阀芯与阀套间隙0.0 0 5 0.0 5 0 mm内和阀口圆角半径0.0 0 5 0.050mm内为正常状态,在上述3 个区间内分别等距取4个值,构成6 4组正常状态曲线。将HACC缸泄漏间隙0.10 0.15 mm内定义为HACC缸间隙泄漏状态、阀芯与阀套间隙0.0 5 0.10 mm定义为阀芯与阀套间隙泄漏状态、阀口圆角半径0.0 5 0.10 mm内定义为阀口圆角磨损泄漏状态，同样在上述3 个区间内分别等距取4个值，在另外2 个参数均正常的情况下构成3 种不同部位内泄漏故障状态曲线各6 4组。将曲线数据输出为DATA文件导人到MATLAB，提取出3.2 节所述的六个故障特征值存放于TXT文本文件，按3:1比例将数据随机分为训练集192 组和测试集6 4组,输入到构建好的WOA-BP诊断器中,结果输出如图 12 所示。结果表明鲸鱼种群在第10 次迭代后达到设定的最优适应度，训练集诊断准确率为99.48%，测试集诊断准确率为95.3 1%，诊断精度高，展现出该模型在轧机HAGC系统内泄漏故障诊断中具有实用性。5结论针对轧机HAGC系统内泄漏故障，提出一种基于WOA-BP神经网络的人工智能方法来进行诊断分析：720.0550.050编码故障编码正常状态(1,0,0,0)(0,1,0,0)(0,0,1,0)(0,0,0,1)0.0450.04010.03520.03030.02040.0150.01002468.10.1214161820选代次数(a)WOA适应度曲线4.0一真实值3.5一。预测值3.02.52.01.51.020406080100 120140 160180预测样本(b）训练集预测结果对比4.0F3.53.02.52.01.51.0（1）针对以往液压系统故障数据少,特征提取困难的问题，运用仿真软件建立HAGC系统仿真模型，分析结果发现该仿真模型能真实反映出3 种内泄漏故障发生时系统的各项动态特性，成功发现缸体位移、无杆腔压力和阀芯位移这3 种能够通过实际监测获得且可以正确反映故障程度的特征,将其提取并作为诊断模型输人；（2）运用鲸鱼优化算法计算并输出优化后的初始权值和阈值到传统BP神经网络中，使其避免在自适应学习过程中陷人局部极小解，提高故障分类预测的准确率，通过实验证明WOA-BP诊断轧机液压伺服系统1一一真实值一预测值1020预测样本(c)测试集预测结果对比图12诊断模型输出结果30405060Hydraulics Pneumatics&Seals/No.1.2024内泄漏故障的有效性。器故障诊断J.电气自动化,2 0 2 2,44（4）：10 2-10 4.8黄富瑄，陈新元，陈奎生，等.轧机压下大型伺服液压缸测参考文献1楼杨福亮.可逆式四辊冷轧机动态设定型AGC应用研究D.太原：太原科技大学,2 0 11.2陈家焱，庄文玮，陈章位.液压AGC电液伺服系统在线状态监测与故障诊断系统的研究J.液压与气动,2 0 0 8，(8):27 29.3郑文明，刘雨，张洪亮.三级电液伺服阀常见故障分析J.液压气动与密封,2 0 2 1,41（11）:8 5-8 7.4AN L,SEPEHRI N.Leakage Fault Identification in a HydraulicPositioning System Using Extended Kalman Filter C/Proceedings of the 2004 American Control Conference.IEEE,2004:3088-3093.5师冲.液换向阀故障诊断方法研究D.温州：温州大学,2 0 2 1.6郭媛,罗严，曾良才.GA-BP神经网络在液压缸故障诊断仿真中的应用J.机械设计与制造,2 0 2 2，（11）：48 一52,57.7李宏玉，毛泉，祁忠伟，等.基于鲸鱼算法优化PNN的变压引用本文：杨力，陈新元.基于优化神经网络的轧机HAGC系统内泄漏故障诊断方法研究J.液压气动与密封，2 0 2 4,44（1）：6 6-7 3.YANG Li,CHEN Xinyuan.Research on Fault Diagnosis Method of Internal Leakage in Rolling Mill HAGC System Based on Optimal NeuralNetwork J.Hydraulics Pneumatics&Seals,2024,44(1):66-73.+试系统加载机架有限元模态分析J.机械设计与制造，2011,(3):227-229.9刘伟.17 0 0 mm热连轧机ACC液压系统的动态模型建立与仿真D.大连：大连理工大学，2 0 14.10 岳文德.基于虚拟样机的液压AGC系统建模及故障模拟软件平台开发D.秦皇岛：燕山大学,2 0 18.11 XIN FANG,JINYONG YAO,XIZHONG YIN,et al.Physics-of-failure Models of Erosion Wear in ElectrohydraulicServovalve,and Erosion Wear Life Prediction Method J.Mechatronics:The Science of Intelligent Machines,2013,23(8):1202-1214.12闻中翔.基于神经网络的阀控液压缸系统故障诊断D.淮南：安徽理工大学,2 0 2 0.13 MIRJALILI,SEYEDALI,LEWIS,ANDREW.The WhaleOptimization Algorithm J.Advances in EngineeringSoftware,2016:9551-9567.太重榆液信息据2 0 2 3 年12 月14日太重榆液微信公众号信息，旨在加快推进提质增效产能提升项目和液压卡脖子技术突破及产业化项目进度，保障项目如期达产达效，促进企业解决改革发展深层次问题，从体制机制上破解企业发展的瓶颈和短板，加强对公司生产经营与技术创新的全面领导，强化产能提升与技术突破及成果产业化的总体设计、统筹协调、整体推进和督促落实，太重榆液公司于近日成立了提质增效产能提升项目和液压卡脖子技术突破及产业化项目组织机构，公司党委书记、总经理张作鹏任领导组组长，李朝阳、王志斌、胡文杰、赵立全及闫尚荣任领导组副组长。作为决策机构，领导组负责审核、批准项目组各项规章制度；负责项目建设实施的过程管理，对项目的投资、安全、质量、进度、达产达效等负责；负责项目组人力资源配置，组织人员、物资等资源，保障工程建设需求；组织对项目组下属各专业组、人员的工作绩效，及工程建设各阶段工作目标的实施情况、结果进行检查、评比，提出激励考核办法；组织、协调工程项目各部门，调查、分析、处理项目实施过程中的异议和突出问题；对项目实施过程中的一般性问题进行决策。领导组下设前期审批组、液压泵组、液压阀组、系统组、长液组、综合组、商务谈判组、设备组八个子项目组，公司涉及相关业务的数十名骨干精英加人到各自项目组中，负责项目的方案制定、可行性论证，合理实施、跟踪评价和统筹协调等工作，确保各项目按照计划节点顺利推进落实。目前，公司提质增效产能提升项目和液压卡脖子技术突破及产业化项目的各子项目组已全面开展工作。提质增效产能提升项目和液压卡脖子技术突破及产业化项目的成立是持续推进太重榆液新型工业化，科学把握战略布局的迫切需要，更是锚定“三精、三致、三效”目标，实现创新引领，产业升级的务实举措，将助力公司加速转型，进一步提高运行效率和核心竞争力，为推动企业高质量高速度发展提供更加有力的战略支撑。摘自液压液力气动密封行业信息2 0 2 3 年第12 期73