基于機器學習的液壓擺缸葉片密封性能預測模型

陳 華，陳 榮，鮑春波

(1.四川工業科技學院 電子信息與計算機工程學院，四川 德陽 618500；2.四川水利職業技術學院 電力工程學院，成都 610000)

0 引言

液壓系統在不同工業領域均被廣泛使用，用于傳輸動力或完成設備自動化操縱控制。葉片式液壓擺缸可將液體壓力直接轉化為往復擺動并輸出扭矩，其具有輸出扭矩大、機械效率高等特點[1]。液壓擺缸在各種工業領域中被廣泛應用，如航空、汽車、機械制造等。隨著工業化進程的不斷發展，對機械設備的工作效率和使用壽命要求越來越高。而液壓擺缸作為機械設備中的關鍵元件，然而，設計和制造過程中仍然存在一些問題，如葉片密封性能預測不準確、葉片泄漏等，其葉片密封性能的好壞直接影響到機械設備的工作效率和使用壽命。在液壓擺缸中，葉片密封性能指的是葉片與擺缸內壁之間的密封程度。由于液壓擺缸工作時需要承受高壓和高溫的環境，如果葉片與擺缸內壁之間的密封不夠好，就會導致液體泄漏、機械設備效率下降，甚至可能會危及機械設備的安全運行。在實際操作中，擺缸的密封功能是由多個彈性體組成的復合密封，結構非常復雜，一旦出現操作故障將直接影響液壓擺缸的工作性能。葉片密封是擺缸的重要組成部分[2]，密封能力直接影響擺缸工作性能。液壓系統對密封件的核心需求包括密封性好、摩擦阻力小、摩擦因數穩定性強且具備自主補償能力。因此，對液壓擺缸葉片密封性能預測方法的深入研究，可以有效地解決這些問題，提高液壓擺缸的設計和制造水平，為工業生產提供更加優質的機械設備。

針對機械密封性能預測問題，學者們給出不同見解：朱德[3]等人從密封圈密封機理出發，利用Fluent軟件建立流體膜模型，有限元分析靜密封和動密封狀態，獲得密封區域精確壓力分布，明確當前密封性能詳細狀況。趙玉霞[4]等人利用重構分形接觸模型展現端面形態，計算機械密封泄漏率和平均膜厚，探究不同參數密封性能的改變趨勢。

但上述方法沒有考慮定子、轉子和密封元件之間的油膜潤滑行為，對密封失效模式的研究不夠透徹，導致預測結果精度不高。為此，提出一種基于機器學習的液壓擺缸葉片密封性能預測模型。劃分密封性能指標，收集密封性能實時數據，以泄漏率、密封環熱量作為輸入層單元的輸入值，將性能預測指標作為輸出值，通過BP神經網絡創建液壓擺缸葉片密封性能預測模型。通過與不同方法的對比分析，證明所建模型密封性能預測精度高，能幫助機械領域工作人員提升器件維修效率，提升機械制造智能化水平。

1 密封性能指標分析

預測液壓擺缸葉片密封性能時，需先分析密封性能指標。密封性能指標是評價液壓擺缸葉片密封性能的標準，根據不同的應用場景和需求，可以制定不同的評價標準。通過分析密封性能指標，可以確立評價標準，了解液壓擺缸葉片密封性能的關鍵因素，改善葉片的密封性能，為后續的預測和測試提供依據。因此下文先明確性能指標類型。從敏感性與疲勞性兩方面入手分析性能指標，為液壓擺缸葉片密封性能預測工作建立基礎。

1.1 敏感性指標

影響液壓擺缸葉片密封性能退化的元素較多，涵蓋內外載荷、運行時長等[5-7]，將影響因素轉化為自變量，計算量大且容易產生較大偏差，因此，需明確影響密封性能的重要參數。敏感度分析即自變量改變對因變量影響程度的高低，采用敏感性指標挑選影響密封失效的關鍵要素。液壓擺缸葉片的敏感性指標是指在不同工作條件下，葉片與擺缸內壁之間的間隙大小對液壓擺缸性能的影響程度。敏感性指標的好壞直接影響到液壓擺缸的穩定性和可靠性。通過分析敏感性指標，可以了解液壓擺缸葉片與擺缸內壁之間的間隙變化規律，為提高液壓擺缸葉片密封性能提供依據。

采用Morris方法計算敏感性指標，在明確其他元素狀態下，能夠獨自更改某個元素，推算此元素對響應量的影響水平。Morris方法是一種用于評估模型參數對模型輸出結果影響的全局敏感性分析方法。該方法通過改變參數值，計算不同參數值下模型輸出結果的變化，以此來評估不同參數對模型輸出結果的影響大小。在計算液壓擺缸葉片的敏感性指標中，可以使用Morris方法來評估不同參數對密封性能的影響。首先，需要確定需要評估的參數。然后，根據Morris方法的步驟，對每個參數進行多次隨機抽樣，并記錄相應的模型輸出結果。最后，通過對比不同參數的輸出結果，計算出每個參數對模型輸出結果的貢獻度和重要程度，從而評估其敏感性。Morris方法的應用可以幫助識別模型中哪些參數對輸出結果具有較大的影響，從而優化模型設計和參數選擇，提高模型的預測精度和可靠性。總之，Morris方法是一種簡單、有效的全局敏感性分析方法，在液壓擺缸葉片密封性能測試等領域具有廣泛應用前景。通過評估不同參數對模型輸出結果的影響，可以幫助研究人員和決策者更好地理解和優化模型，提高決策的可靠性和效果。假設a0是原始輸出響應量，b1，b2，…，bn是影響響應量a0的變量因子，則變量因子與對應響應量的關系式為：

ai=a0(b1，b2，…，bn)

(1)

其中：ai為計算第i次后變量和因子相對的響應量。

倘若其余因子是固定值，計算多個敏感度均值，獲得變量因子對響應量a的影響水平，敏感性指標判斷因子表達式為：

(2)

其中：C為敏感性判斷因子；n為Morris方法的計算數量；ci為計算第i次變量因子的值和變量因子原始值的變化率。

將敏感性判斷因子依照敏感等級進行劃分，方便挑選敏感性參數。將敏感性判斷因子依照敏感等級進行劃分是為了更加準確地評估液壓擺缸葉片密封性能，根據不同因素對系統性能影響程度的大小，將因子劃分為極度敏感、敏感、一般敏感和不敏感等級，劃分結果如表1所示。

表1 敏感性指標等級劃分

劃分之后，可以通過以下方法來判斷液壓擺缸葉片密封性能。首先，對于敏感等級較高的因子，需要進行重點關注和優化。這些因子對液壓擺缸葉片密封性能的影響最為顯著，需要采取有效措施加以改善。例如，如果摩擦系數被劃分為敏感等級，可以優化葉片表面處理方式，降低摩擦系數，提高密封性能。其次，對于敏感等級較低的因子，可以采取適當措施進行改善。這些因子對液壓擺缸葉片密封性能的影響相對較小，但仍需要考慮和優化。例如，如果葉片材料硬度被劃分為較敏感等級，可以考慮選擇硬度更高的材料，提高葉片的密封性能。最后，對于不敏感等級的因子，可以不予考慮或優化。這些因子對液壓擺缸葉片密封性能的影響可以忽略不計，不需要采取特殊措施進行改善。例如，如果葉片的長度被劃分為不敏感等級，可以不予考慮或按照標準要求進行制造。

因此，將敏感性判斷因子依照敏感等級進行劃分后，可以更加精確地評估液壓擺缸葉片密封性能。根據敏感等級的不同，可以采取不同的措施進行優化和改善，從而提高液壓系統的性能和壽命。

1.2 疲勞性指標

液壓擺缸葉片的疲勞性指標是指在長期工作過程中，葉片與擺缸內壁之間的間隙大小對液壓擺缸性能的影響程度。疲勞性指標的好壞直接影響到液壓擺缸的使用壽命和維護成本。通過分析疲勞性指標，可以了解液壓擺缸葉片在長期工作過程中的變化規律。

液壓擺缸密封元件通常使用聚氨酯、丁腈橡膠等材料制成。橡膠制品會受到循環應力影響，引起內部和表面發生微小結構變化[8-9]。基于斷裂力學角度，采用能量釋放模式分析橡膠密封材料疲勞破壞過程。在循環應力作用下，密封件裂紋逐步擴大，裂紋擴大速度計算式為：

(3)

其中：e為裂紋長度；A為應力循環周期；T為應變能釋放率；G為橡膠材料常數；β為裂紋擴大系數。

基于能量守恒定律，若裂紋開始擴大，外力作用的功即密封圈內部勢能Ue與裂紋擴大時釋放的彈性應變能總和[10-11]。應變能釋放率T表達式為：

(4)

其中：?為應變能釋放速率；ω為應變能密度；k(φ)為能量釋放函數。

若密封元件從原始裂紋長度e0擴展到裂紋長度e，應力循環總周期為A，對式(3)采取積分運算，得到密封疲勞性指標計算。

(5)

計算出密封疲勞性指標后，可以通過以下方法來實現液壓擺缸葉片密封性能的優化。

1)優化葉片材料：選擇合適的葉片材料可以提高其耐久性和密封性能。例如，選擇高強度、高韌性、高耐蝕性的材料，如不銹鋼、高強度鋼等，可以提高葉片的耐久性和密封性能。

2)優化葉片表面處理方式：采用適當的表面處理方式可以提高葉片的密封性能。例如，采用電鍍、噴涂、氣體滲碳等表面處理方式，可以改善葉片表面的硬度、摩擦系數和耐蝕性，提高其密封性能。

3)優化葉片幾何形狀：葉片的幾何形狀對其密封性能也有很大影響。可以通過優化葉片的幾何形狀，如改變葉片的角度、長度、寬度、厚度等參數，來提高其密封性能。

4)優化液壓系統工作條件：液壓系統的工作條件也會影響葉片的密封性能。可以通過調整液壓系統的工作壓力、工作溫度等參數，來優化葉片的工作條件，提高其密封性能。

綜上所述，通過優化葉片材料、表面處理方式、幾何形狀和液壓系統工作條件等方面，可以實現液壓擺缸葉片密封性能的優化。

2 預測模型構建

2.1 樣本數據的確立

采用密封壽命試驗來獲得數據，明確葉片壽命特征與失效規律[12-14]。通過加速試驗得到多個樣本值，為確保失效定理相同狀態，更改試驗條件讓葉片密封提前失效，減少試驗周期。動環、靜環是密封重要零件，失效模式為滑動磨損。基于增強磨損載荷，密封磨損失效極限損傷τf表達式為：

(6)

密封面磨損率ζ解析式為：

(7)

其中：Kw為磨損系數；L為布氏硬度；oc為端面比壓力；v為磨損速率。

將試驗值與比例系數表示相同工況下的采集時間[15-17]。密封泄露率r計算過程為：

(8)

其中：ψ為徑向總收斂錐度；Rn為接觸面半徑均值；u1、u2為密封面內外側壓力；s1、s2為密封面內外邊緣膜厚度。

密封液膜最大厚度與最小厚度分別為：

(9)

hmin=ψ(R2-R1)Mg

(10)

其中：we為轉子轉速；θ為接觸壓力的最大位置；qc為介質油壓；R1、R2為密封面內外半徑；Mg為載荷系數。

接觸隙膜厚為：

hc=3κ

(11)

其中：κ為高峰粗糙度標準差。

基于流體動力潤滑定理，利用雷諾方程獲得油膜厚度和密封間隙油膜壓力之間的關聯，設定前提條件：端面密封區潤滑油膜厚度軸向不產生改變、壓力在油膜厚度方向無改變和介質黏度沿膜厚方向不變[18]。基于以上，創建密封油膜分布三維坐標系，轉子、定子、端面密封共同軸為y軸，圓周方向為x軸，半徑方向是z軸。油膜厚度和密封間隙油膜壓力的耦合關系表達式為：

(12)

其中：γ為油膜寬度；m為油膜厚度；η為介質油液黏度；p為介質油液壓力；W0為密封面對應速率；ρ為介質油液密度；η為介質油液黏度。

將液壓擺缸葉片密封的動環、靜環看作一個量筒體[19-20]，長度是Lz，截面積是D，外圓周長是Q，由此單個密封環的熱量Vi表達式為：

Vi=μLzjiDΔT/Lz

(13)

其中：ji為散熱指數；μLz為密封環導熱系數；ΔT為端面溫度和介質溫度的差。

2.2 基于BP人工神經網絡的液壓擺缸葉片密封性能預測

分析密封性能指標后，為及時發現液壓擺缸葉片密封漏洞，提升機械使用壽命，設計一種基于人工神經網絡的液壓擺缸葉片密封性能預測模型。人工神經網絡是一種模擬生物神經網絡的數學模型，它通過多層神經元之間的相互連接和信息傳遞，實現對數據的學習、分類和預測。

在預測液壓擺缸葉片密封漏洞中，人工神經網絡可以通過學習歷史數據和特征，建立預測模型，并對新的數據進行預測和分類。這樣可以有效地提高預測精度和效率，為液壓擺缸葉片密封性能測試和優化提供重要的參考依據。同時，人工神經網絡還可以通過增加輸入參數、優化模型結構等方式來進一步提高預測精度和魯棒性，具有很大的應用潛力和意義。

人工神經網絡通過簡單的神經元互連構建復雜網絡系統，呈非線性動力特征。構建三層人工神經網絡模型，能完成不同類型的函數映射。誤差反向傳播前饋多層神經元網絡，即反向傳播神經網絡(back propagation，BP)神經網絡，網絡結構如圖1所示。

圖1 BP神經網絡結構示意圖

創建模型前，采集和時間有關的泄漏率與密封環熱量。將泄漏率、密封環熱量作為輸入層單元的輸入值，將性能預測指標作為輸出值。液壓擺缸葉片密封性能中的泄漏率和密封環熱量是兩個重要的參數，對系統性能和壽命有著直接的影響。泄漏率是指液壓系統中液體從密封處流失的速率。在液壓擺缸中，泄漏率通常與密封環的設計、材料和加工精度等因素有關。高泄漏率會導致系統效率低下、能源浪費和油液污染等問題。因此，為了保證系統的有效性和可靠性，需要采取措施減小泄漏率，如改善密封環材料、加強密封面加工精度和優化密封結構等。密封環熱量是指密封環在運行過程中產生的熱量。在液壓擺缸中，密封環熱量主要是由于摩擦產生的，會導致密封環變形、老化、裂紋等問題，嚴重影響系統的壽命和可靠性。因此，需要采取措施減少密封環熱量，如改善密封環材料、減少摩擦系數、增加潤滑劑等。綜上所述，泄漏率和密封環熱量是液壓擺缸葉片密封性能中兩個重要的參數，對系統性能和壽命有著直接的影響。為了保證系統的有效性和可靠性，需要采取措施減小泄漏率、減少密封環熱量，從而提高液壓系統的效率和壽命。

根據2.1確立樣本數據后，利用圖1的BP人工神經網絡進行數據訓練。將泄漏率、密封環熱量作為輸入層單元的輸入值[21]，將性能預測指標作為輸出值。

假設反向傳播模型中包括多個輸入，設置泄漏率、密封環熱量的輸入數據統一為x1，x2，…，xn，w1，w2，…，wm為各輸入相應的權值，該權重可衡量液壓擺缸泄漏率和密封環熱量集數據對密封性能影響程度的大小；N為輸入數據的總和；θ代表液壓擺缸泄漏率和密封環熱量集的閾值。液壓擺缸性能預測模型為R：

R=f(N)

(14)

(15)

利用雙曲正切函數可獲取任意輸入的權值與閾值的具體值。

針對預測模型中的任意一組樣本數據，推算每個單元的預測輸出值為：

(16)

其中：rij為第i個輸入單元和第j個中間層單元的泄漏率；gi為第i個輸入單元的輸入系數；θj為中間層第j個單元的臨界值。

設定每層的臨界值的初始值均為1，以修正指標輸出誤差。待所有樣本訓練結束后，推導網絡全局誤差值。如果低于設定的極小值，即完成網絡訓練，輸出密封性能預測結果；反之再次把全部樣本引入網絡實施訓練。

3 實驗分析

為驗證研究方法的應用有效性，實驗采用YX-1000A型液壓擺缸作為測試對象，其油液壓力為17 MPa，擺角速度位15 rpm，液壓擺缸運行溫度是26℃。具體實物圖如圖2所示。

圖2 YX-1000A型液壓擺缸

液壓擺缸葉片密封參數如表2所示。

表2 葉片式液壓擺缸密封參數

為驗證液壓擺缸葉片的密封性能，泄漏量是其關鍵測試指標。葉片頂部與兩側直角位置矩形圈位置的密封均有O形圈參數作用，O形圈的預壓縮量與大小對密封性能有較大影響。實驗探究處于不同O形圈尺寸，獲取所提方法葉片密封壓力下泄漏量與輸出矩陣情況。因此，先利用FLUKE 700G31型液壓泄漏檢測儀定量檢測液壓擺缸的泄漏量，液壓泄漏檢測儀是一種專門用于檢測液壓系統泄漏的設備。利用該設備檢測的泄露量數據。針對液壓擺缸密封壓力變化下的輸出扭矩，在液壓擺缸的輸出軸上安裝HBM T20WN扭矩傳感器，通過測量輸出軸上扭矩的大小得到實驗數據。泄露量和輸出扭矩實驗結果如圖3所示。

圖3 密封性能預測結果

由圖3可知，O形圈截面直徑是3.0 mm時，泄露量為線性分布趨勢，密封壓力低于9 MPa時，輸出矩陣為線性增長分布態勢，高于9 MPa時，輸出扭矩慢慢減少；O形圈截面直徑是3.75 mm，密封壓力低于12 MPa時，泄漏量較少，若密封壓力高于12 MPa，密封泄露量急速升高，相對輸出扭矩減少，密封徹底失效。以上實驗結果與真實場景下液壓擺缸葉片密封失效規律完全相符，展現了所提方法密封性能預測準確性。

為進一步證明所提方法優越性，將文獻[3]Fluent方法與文獻[4]分形接觸法作為對比方法。以FLUKE 700G31型液壓泄漏檢測儀檢測的泄漏量數據作為真實值，應用文獻[3]方法、文獻[4]方法以及研究方法分別預測液壓擺缸的泄漏量，對比其余真實值的互相關系數，以此判斷該方法的應用效果。互相關系數指標是用于衡量兩個變量之間線性關系強度的統計量。它通常表示為r，其取值范圍在-1到1之間，0表示沒有線性關系，正數表示正相關，負數表示負相關。具體實驗結果如圖4所示。

圖4 密封泄露預測結果對比

如圖4所示，三種方法密封性能預測結果。從中看出，所提方法預測精度最高，能夠有效分析左右擺缸壓力互相關系數的變化走向，精準預測葉片密封泄露何時超出預警線，給液壓擺缸密封失效故障的修復奠定基礎。

在此基礎上，為了驗證不同方法應用的效率，以密封性能預測的耗時為指標，測試不同方法完成80次實驗的累計耗時，圖5為相同實驗環境下密封性能預測時間對比。

圖5 密封性能預測時間對比

從圖5可知，在80次實驗迭代過程中，文獻[3]Fluent方法與文獻[4]分形接觸法的耗時始終高于2 s，且分形接觸法的預測耗時最高為7 s，說明這2種方法的應用效率較差。所提方法在整個實驗過程中耗時低于2 s，能夠消耗較少的時間完成密封性能預測任務，在保證預測結果精度的同時降低計算時間復雜度，具備更好的實用性。

4 結束語

為防止產生液壓擺缸葉片密封泄露現象，提升液壓擺缸應用效率與使用壽命，設計一種基于機器學習的液壓擺缸葉片密封性能預測模型。所建模型計算簡單、操作性強，在明確密封性能指標前提下，利用機器學習算法中的BP神經網絡進行學習訓練，精準預測葉片密封的變化趨勢。實驗證明，研究方法的密封性能預測具有可靠性與魯棒性，給機械領域工作人員提供對應數值參考。

液壓擺缸葉片密封性能預測模型是液壓擺缸設計和制造中的重要技術手段，雖然本文已經得到了較好的研究成果，但是仍然存在一些問題：

1)模型精度不夠高。本次研究只考慮了葉片與固定環之間的密封性能，而忽略了葉片與轉動環之間的相互作用。這種簡化假設會導致模型精度不夠理想。

2)模型參數的確定仍具有一定難度。液壓擺缸葉片密封性能受到多種因素的影響，如葉片材料、葉片形狀、工作介質等。這些參數的測量和確定比較困難，缺乏統一的標準和測試方法。

3)本文模型適用范圍有限。研究構建的預測模型是基于特定條件下的理論推導或實驗數據建立的，其適用范圍有限。對于工作條件變化較大或結構不同的液壓擺缸，模型可能無法準確預測其密封性能。