人工智能AI很快就能预测液压缸内泄漏吗？

原文：Ken Korane

编辑：腾益登

电液执行器是独立的、封闭的系统，无需外部管道即可执行强大的任务。它们通常包括驱动伺服电机驱动液压泵—通常是轴向柱塞单元。其他组件包括液压缸、油箱、阀门和蓄能器回路。

由于它们配备了自己的封闭流体回路，因此仅需要少量的液压油，并且无需中央液压动力装置。由于典型装置非常紧凑且重量轻，电液执行器（EHA）已广泛应用于飞机中。但它越来越多地用于工业、海洋和近海应用以及农业任务。研究人员还在考虑使用 EHA 来实现移动设备操作的电气化。

外部液压缸泄漏通常非常明显，您可以从该机械上的黑色油泥中看到这一点。

然而，EHA 的一个严重问题是泄漏。外部泄漏通常是由杆密封和防尘圈故障引起的，通过目视检查很容易发现。但内部泄漏通常是活塞密封件磨损的结果，常常被忽视。但它们可能会导致控制问题、性能损失和潜在的严重故障。

中国研究人员最近提出了一种利用人工智能方法检测 EHA 内部泄漏的新方法。在英国伦敦工程技术学会发表的题为“A method to detect internal leakage of hydraulic cylinders by combining data augmentation and multiscale residual CNN”的论文中，作者是浙江理工大学的Qingchuan He和浙江CHR智能装备公司的Xiaotian Lyu提出了解决该问题的方法，准确率超过99%。

未检测到的泄漏

作者表示，目前仅使用操作数据无法准确检测 EHA 的内部泄漏。已经进行了一些研究通过监测压力或其他信号来检测液压缸的内部泄漏。但总的来说，所提出的方法依赖于高精度压力表、流量传感器和复杂的泄漏测量装置。EHA是一个紧凑的液压系统，由于空间限制和重量限制，通常不可能安装高精度和复杂的测量装置。

此外，作者说，内部泄漏量随活塞杆的负载和速度以及液压油温度而变化。通过分析液压缸在非平稳载荷和速度条件下工作时压力信号特征的变化，无法保证检测精度。因此，他们表示，有必要开发一种无需额外复杂测量装置的液压缸内泄漏检测方法。

神经网络

相反，他们提出了一种卷积神经网络 (CNN) 方法，根据 EHA 的运行参数与液压缸泄漏之间的关系来检测内部泄漏。

查明内部泄漏更加困难，尤其是对于 EHA。这里的内部泄漏通常是活塞密封件磨损的结果，常常被忽视。但它们可能会导致控制问题、性能损失和潜在的严重故障。

神经网络是人工智能中的一种方法，它教会计算机像人脑的工作方式一样处理数据。它是一种机器学习，称为深度学习，使用分层结构中互连的节点或神经元。

根据位于英国剑桥的科技公司 Arm Ltd. 的说法，CNN 是一种人工神经网络，主要用于图像识别和处理，因为它能够识别图像中的模式。CNN 是一种强大的工具，但需要数百万个数据点进行训练。如果 CNN 想要足够快地产生有用的结果，则必须使用高功率处理器（例如 GPU 或 NPU）进行训练。

虽然 CNN 旨在解决视觉图像问题，但它们在图像识别和分析之外也有许多应用，包括自然语言处理、药物发现和健康风险评估。CNN 还有助于为自动驾驶汽车提供深度估计。

Qingchuan He和Xiaotian Lyu表示，近年来，卷积神经网络逐渐发展成为检测机电产品故障的计算框架。

追踪数据

典型的EHA系统主要由一台永磁同步电机（PMSM）、一台轴向柱塞泵、油箱、液压执行器以及相应的油路组成。PMSM 通过闭环矢量控制进行控制。电机动力学可以通过一个模型来描述，该模型包括负载扭矩、转子系统的粘性摩擦、转速、电机总惯量、极对数、永磁体引起的磁链、电机电流、理论泵体积排量等参数，以及工况下的进出口压力。

其他考虑因素是基于活塞表面的力平衡、液压执行器的速度和位移、施加到执行器的总惯性质量、粘性摩擦、刚度、外加力以及液压缸中的内部泄漏流量。

EHA的原始监测信号通常包括液压缸的进出口压力、电机电流、液压执行器的转速和位移。在变化的负载和速度条件下，信号的幅度和频率也发生很大的变化。

由于监测信号的数量相对较少，因此开发了基于前馈神经网络（FFNN）的数据增强方法来增加输入数据集的参数。将速度和压差等变量设置为FFNN模型的输入，将转速或电流设置为输出。使用 MATLAB 构建神经网络。并提出了一种结合信号对齐、数据增强和多尺度残差CNN来检测内部泄漏的通用方法。完整的细节可以在作者的论文中找到。

实验结果

随后通过实验装置测试了基本理论和数学模型。试验台主要由电机、泵、油箱、执行器、双向节流阀1个、安全阀2个和一些传感器组成。PMSM直接驱动泵；压力传感器检测液压执行器腔室中的压力。LVDT 线性位置传感器测量液压执行器的运动并将位置信息反馈给控制系统。PMSM 的转速和电流从电机驱动器收集。

通过调节双向节流阀模拟液压缸不同程度的内泄漏。同步采集位移、速度、压力、电机电流、转速信号。

速度信号显示严重泄漏和正常状态之间存在明显差异。这意味着严重的泄漏对控制精度有重大影响。一般来说，当压力油进入液压执行机构时，电机速度和电流会随着泄漏而增加。类似地，当液压执行器输出油时，电机速度和电流随着故障的严重程度而降低。但由于实际情况比较复杂，这些变化并不总是与严重泄漏成正比。例如，即使负载的微小波动也会导致电机速度和电流的变化。因此，通过目视跟踪信号的变化并不能保证泄漏的检测精度。因此，收集的所有数据都用于训练 FFNN 模型，并在多次试验中重复。

最终，预测值接近实际测量值。使用四个实验数据集来训练多重残差 CNN 并验证所提出方法的有效性。它们包括处理后的速度、压差、电机电流和转速等信号，并预测电机电流和转速，获得了91.2%至99.8%的测试精度。

通过结合信号对齐、数据增强和多尺度残差 CNN 建模方法，内泄漏控制信号的检测精度令人印象深刻。结果表明，该方法能够有效提高非平稳载荷和速度条件下的精度。

此外，多尺度残差 CNN 通常被视为黑匣子，不清楚模型的哪些特征用于内部泄漏检测决策。未来，研究人员可以专注于如何开发一种可解释的深度学习算法，可以可视化 CNN 模型。

另外，本文仅研究了液压缸的内泄漏故障，并未探讨泵的内泄漏。下一步将研究 EHA 中的多个内部泄漏故障。

原文始发于微信公众号（液压传动与控制）：人工智能AI很快就能预测液压缸内泄漏吗？