TensorFlow监测液压缸内部微小泄漏量的研究方法

郭 媛，邓晨浩，曾良才，熊 戈

（1.武汉科技大学冶金装备及其控制教育部重点实验室，湖北 武汉 430081；2.武汉科技大学机械传动与制造工程湖北省重点实验室，湖北 武汉 430081）

1 引言

在较小的冲击和振动环境下，液压系统能够提供较大的力，因此液压系统被广泛运用于机械工程等行业中。液压缸为液压系统能量转换的主要的执行元件，同时液压缸总是处于复杂的受力以及侵蚀环境中，所以液压缸泄漏失效常有发生，直接影响机械的正常工作寿命。据调查，液压缸泄漏故障占所有工程机械故障的33%［1-2］。液压缸泄漏的主要原因是出现压差和间隙。其中，外泄漏较易发现，仔细观察即能正确判断和处理。但内泄漏隐蔽性好，难以直接观察到，且发生率高。一旦明显发现，就已经直接影响机械系统的正常运行和工作甚至导致系统损坏［3］。因此液压缸内泄漏量测量一直是我国需要攻克的难题。关于检测液压缸内部泄漏量的主要方式有以下三种［4］：（1）活塞沉降法；（2）压降法；（3）直接检测法。其中活塞沉降法能够比较精确地检测出液压缸的内泄漏量，但需要专用测试平台和伺服加载缸，如果被测缸规格较大，则需要大吨位加载缸测试牌坊，一般厂家不具备条件。压降法虽操作简单，判断准确，但实际情况下油液体积等效弹性模量变化很大。在没有相关标定的设备的情况下，仅凭经验计算，使测量结果的精度不高。直接检测法原理简单，通过量杯或流量计直接检测泄漏油即可测得内泄漏量。但直接检测法存在检测精度不高的问题，同时因泄漏流出的油量相对于实际泄漏量有非常大的时间延迟，而且流量不稳定，会使检测无法进行。以上的液压缸内泄漏测量方法都无法真正满足工业需求，更无法测量液压缸内的微小泄漏量。在考虑到各种不利因素后，提出了TensorFlow 监测液压缸微小内泄漏量的研究方法。

2 液压缸内泄漏机理分析

液压缸存在内泄漏的关键部位是：（1）静密封部分，即活塞和活塞杆的间隙；（2）动密封部分，即活塞与液压缸缸筒的间隙。造成内部泄漏的因素众多，主要缘由有：

①活塞杆和活塞之间同轴度不符合要求。当两者装配时会存在同轴度较差的情况，这就造成勉强装配的轴工作状况很差，表面接触不均匀，导致液压缸内径磨损严重，增加内泄漏。

②密封件损伤或失效。当选用型号不对或材料不符合工作环境的密封件、密封件表面太粗糙，安装尺寸、公差不准确，以及密封件老化等，都会加速密封件磨损，材料老化，导致其失效，最终使液压缸产生内泄漏。

③活塞表面本身精度不高，以及活塞存在的镀层疏松脱落、微型凹坑或者毛刺等，都会引发内泄漏增加。

④气体、水、铁屑或颗粒性杂质进入液压缸，污染液压油而产生内泄漏。

由于活塞杆与活塞间属于固定密封，只要合理设计，加工得当，可以防止泄漏。而活塞与液压缸缸壁间的磨损难以避免，必然会发生内泄漏。而液压缸发生内泄漏的机理则是［5］：

1）液压缸缸筒内壁与活塞之间会存在摩擦，造成磨损，导致两者间隙增大，液压缸内部泄漏量将会显著提高。当密封间隙超过工况允许的极限时，液压缸失效。

2）液压缸内产生内能，导致液压油温度增加，降低油液的黏度特性。此时液压缸内泄漏会随着粘度逐渐降低的液压油而产生［6］。一旦内泄漏产生，液压系统内有用的液压油压力能转为无用的热能被损失，产生的热能导致油温更高，升高的油温会进一步降低液压油粘度，导致泄漏量越来越多，而且将逐渐延长液压缸收回所需的时间，直至液压缸升出后不能收回，使机械无法工作。

3 微小泄漏量监测系统设计

3.1 液压油传感器

液压油传感器，如图1 所示。图1（a）是液压油传感器实物图，图1（b）是液压油传感器剖视图，图1（c）是液压油传感器在活塞上的安装部位。该传感器结构主要由1—支承座；3—单向阀阀体；4—主阀阀体；6—应变片组成。主阀阀体上部即为收集泄漏的液压油的圆柱形集油空间，单向阀阀体的作用是用来保证液压油单向流向，支承座用来支撑单向阀阀芯。液压油传感器安装位置是活塞侧面，经过集油槽，嵌入其中。

图1 液压油传感器Fig.1 Hydraulic Oil Sensor

液压油传感器工作原理：变间隙液压缸内泄漏产生的液压油通过集油槽流进该传感器的集油空间中，在单向阀的作用下液压油只能从一向流入该装置中，流入的液压油压迫规范安装在装置内部的感应元件—应变片变形。该应变片选择电阻式应变片，其电阻产生变化的原因是应变片敏感栅在外力压迫下出现的机械变形。将产生的变形信号通过电阻变化量来表示，即通过电阻变化量来表示应变量。在整个监测系统中，加入液压油传感器，在一定程度上增加了液压油流经的部位，降低压力对液压油的影响。这种在测量中添加结构性传感器的新的处理方式，可以在测量微小液压油流量时尽量将实验数据控制在可控变量之下，这种方式可以为控制液压油泄漏和监测液压油泄漏研究提供一种新的思路。

3.2 微小内泄漏量监测系统的实验平台

微小内泄漏量监测系统由液压油收集系统，数据采集、数据处理和内泄漏监测模型组成。液压油收集系统由液压油传感器，和活塞集油槽组成。而数据采集，数据处理则通过传感器与液压油收集系统连接。微小泄漏量监测系统的实验平台，如图2 所示。图2上图是惠通斯电桥与计算机连接方式。

图2 微小泄漏量检测系统试验台Fig.2 Test Bench for Micro Leakage Detection System

先将动态应变仪，A/D转换器和惠斯通电桥连接，最后将动态应变仪与PC端连接。然后把液压油传感器安装在活塞合适部位后，保证液压油可以通过集油槽流入传感器内的集油部位，用针管吸取液压油5ml，并装上针头，将针头顺着集油槽，注射液压油，记录在1min内注射5ml液压油到集油结构内的应变量。重复实验，分别利用记录一分钟内注射10ml、15ml、20ml、30ml液压油到集油部位内的应变量。

第一次滴定时要预滴定。滴定的过程中要保证匀速，不间断。每一次实验滴定完毕后要停止。与下一次滴定之间要间隔足够的时间等待应变片回复到初始状态。

图2上图是惠斯通电桥与计算机连接图。液压油传感器内部的应变片作为流量信号的转换元件，在传感器结构中起着重要的作用。所以，应变片安装要精准。如图1（b）应变片放置在圆柱形集油空间下底部的油滴孔正对的下面，被0.5mm铜片所固定，防止应变片在液压油的冲击力下发生过度弯曲和脱落。高精度箔式应变片具有温度自补偿功能，可以一定程度上消除环境温度对实验的影响。

电阻变化量极为微小，为将该微小应变量测出，液压油传感器外固定的等值电阻的引线通过传感器结构内的引线通道与液压油传感器内的应变片相连，构成了惠斯通电桥。并将惠斯通电桥与动态应变仪连接，动态应变仪将信号放大后传给计算机，传出的数据作为输入源数据，通过仿真分析，线性拟合应变和内泄漏量，得到拟合曲线，从而直接看到具体的泄漏量。其中该惠斯通电桥有单臂、双臂和全桥之分，图2（a）为是单臂应变电桥。其中R1，R2，R3是外部固定电阻，电阻值均为120Ω。动态应变仪作为电压输入端，当没有外力作用在传感器内部应变片上时，电桥处于平衡状态，用万用电表测得电桥两端电流为零。当液压油压迫应变片，产生应变效应时，电阻值发生变化，此时万用电表有读数，产生电压信号。动态应变仪将单臂应变电桥产生的电压信号放大，处理，再传输到PC端记录，保存。随后通过机器学习中的TensorFlow框架编程，构建简易模型，监测液压缸微小内泄漏。

4 数据采集分析

4.1 实验数据采集

数据采集部分由DC-204R 动态应变仪和PC 端组成，DC-204R动态应变仪负责收集应变数据，PC端负责显示和保存应变数据。PC端利用DC-7204测控软件对数据进行可视化。测控软件可以实时显示液压缸内泄漏时引起的应变值和变化趋势，并可将数据同步保存下来，如图3所示。

图3 五次实验应变曲线图Fig.3 Strain Curves of Five Experiments

根据实验，可以看出应变值在滴定的过程中的总趋势类似一个阶跃曲线。如图3（a），第一次实验前部分的平滑过度部分是预滴定，其目的是减少干扰量。每张图的走向都是先增高再降低最后平缓，对应的是过程中液压油的滴定，停止滴定后液压油缓慢流动，直到最后液压油流干后应变片回复的最后状态。这个实验模型表现的现象是从开始泄漏到持续泄漏的过程中出现了峰值，这是因为液压油冲击应变片时，从静止到形变有一个短暂的惯性作用，使得应变片产生短暂的形变增大情况，随后液压油持续稳定输出，形变量趋于稳定。

4.2 实验结果

模拟实验一共做了5次，用秒表记录下对应时刻，并算出圆柱体体积，得到每次实验对应的平均流量，如表1所示。

表1 平均流量—应变Tab.1 Mean Flow—Strain

结合应变曲线图，每次实验都采用相同体积的液压油滴定，第一次实验产生的数据不稳定，虽然已做预实验，但明显效果不好，变化波动与其他四次差距较大，可作为较异常实验，仅作参考。后文的数据处理采用后4次的实验的应变数据。

4.3 数据处理

实验过程中，为确保实验人员安全和实验的可行性，严格控制室内温度和液压油实验温度在（30～40）℃。同时高精度箔式应变片本身具有温度自补偿功能，在一定程度上消除环境温度对实验的影响。五次实验过程中，应变值达到最高后缓缓降低逐渐平缓的过程正是液压油在圆柱形集油空间内部自流的过程，该过程中泄漏量极其微小，且主要依靠自身重力流动，液压油传感器在微小内泄漏量监测的过程中降低了液压油受外部压力的影响，如图3所示。应变片类比为悬臂梁，如图4所示。其长度是L，宽度是b，厚度是h，这样就将液压油自流冲击底部应变片的过程类比为悬臂梁变形弯曲模型。敏感栅距离悬臂梁固定端长度为s，其长度为l，厚度忽略不计。悬臂梁自由端受到来自液压油传感器圆柱形集油空间的液压油对应变片的均布载荷q，均布载荷的长度a近似为圆柱的高。当应变片受到均布载荷时，敏感栅部分发生弯曲变形产生应变信号，其公式如下［7］：

图4 简化后的应变片弯曲变形模型Fig.4 Simplified Strain Gauge Bending Deformation Model

式中：Q—液压油的体积流量；k—比例系数；ρ—液压油密度；E—材料的弹性模量。

根据图3的应变曲线图，选取（2～5）次实验所得的应变曲线图，在曲线图峰值后段每隔1000个数据点选取一个应变值，采用MATLAB软件，利用上述式（1）和提取的四次实验自流状态下的数据点，计算得到应变与流量关系，如图5所示。

图5 应变与流量曲线Fig.5 Strain and Flow Curve

其中实验4里存在略微波动，可能原因：实验过程中，个别时刻试验台产生轻微振动，可作为异常数据处理，但四次实验数据整体稳定，可以利用四次实验作为TensorFlow人工数据集。

5 微小内泄漏量监测

5.1 机器学习的介绍

机器学习是一门能让计算机程序随着经验而自我完善，最终具备智能的交叉学科。作为人工智能的核心，机器学习是处理人工智能相关问题的主要手段。它利用算法分析数据，并从数据中分析，习得规律和经验，然后从规律和经验中提升自己，如图10所示。在机器学习中，运用算法分析输入的数据得到所需信息，计算机从获得的信息中学习并模拟，最后获得某种知识并能独立执行某些任务。

机器学习分为有监督学习、无监督学习、强化学习、半监督学习［8］。这里主要利用的是有监督学习和其中的一个主流框架TensorFlow［9］。其中TensorFlow 是谷歌基于DistBelief 进行开发的一个开放源代码软件库，用于传输复杂的数据结构，并进行分析和处理，为机器学习开发提供了强力支持。

5.2 基于TensorFlow的内泄漏量监测

下面将具体的进行算法设计与训练。我们主要根据其中核心步骤进行过程的设计：准备数据、构建模型、训练模型、进行验证。

5.2.1 建数据集

数据集的创建包括样本点的创建和样本标签的创建。样本点的创建采用随机的方式，即在所挑选的每次实验下，从固定范围内随机选取固定长度的连续的应变值作为一个训练样本。固定长度为1000。随后，将四次随机选出来的样本点打乱，作为最后的训练的样本。随机化的方式可以在足够多的数据样本基础上，增强模型的泛化能力。如图所示，在（2～4）次实验的应变数据中，选取的240个特征应变值，并对每个样特征应力值设置对应的标签，即应变值对应的内泄漏量。如此，并完成了数据集的生成。

根据公式，随机生成一个采样分布，在这个分布里面，要加入一个噪声，更进一步增加样本的泛化能力，使得输出更加光滑。本次研究针对液压缸微小内泄漏，因此加入一个较小的噪声0.04。为了看到最后的样本情况，在Jupyter中，使用matplotlib显示图像，使用matplotlib时需要设置为inline［10］模式，否则不会显示图像。数据集生成的应变和液压缸微小内泄漏关系的二维散点图，如图6所示。

图6 应变和液压缸微小内泄漏关系散点图Fig.6 Scatter Diagram of the Relationship Between Strain and Small Internal Leakage of Hydraulic Cylinder

通过散点图，可以大致看出应变与微小内泄漏量之间原本复杂的关系有可能利用线性关系表示。

5.2.2 构建模型

液压缸内泄漏和多个特征变量相关，而温度和压力更是直接影响液压缸微小内泄漏。由于监测量过小，在控制温度后得出的实验数据依然可以作为参考。本次研究所设计的液压油监测系统中所加入的集油装置可以起到液压油缓存的作用，也能尽可能消除液压油冲击力，降低周围对液压油的压力和液压油对自身的压力。因此本研究进一步在后面监测程序的开发中可以用更方便的模型，与图6散点图对应，因此这里选择使用单变量线性建模。其中模型函数定义，如式（2）所示。

Tensorflow的变量和其他编程语言的变量略有不同，Tensorflow的变量的作用是来保存和更新参数。所以上式定义的model实际上有两个参数，分别是w和b。给两个参数定义初值和name，初值定义为1.0和0.0。为方便最后可以随时监测微小泄漏量，最后定义一节点，能够执行前向计算，可以根据应变量随时返回泄漏量。

5.2.3 训练模型

整个模型的训练过程实际上是迭代的过程，会根据当前模型计算损失，然后根据损失，判断损失偏大还是偏小，会进行计算参数的调整，这时候会生成新的模型参数，其流程图，如图7所示。

图7 流程图Fig.7 Flow Chart

在一定情况下，复杂的模型可能需要迭代数百次，这里设置迭代次数50 次，学习率根据普通机器学习模型，是在（0.01～0.1）之间。学习率设置太小会使模型收敛的比较慢，设置的太高，又可能跨越最优点，在两边形成震荡的局面。这里设置为经验值0.05。

定义损失函数：作为经验风险函数和结构风险函数的重要组成部分，损失函数可以计算训练集错误，描述监测值与实际值之间的误差，通常损失函数越小，模型鲁棒性就越好。通过损失函数来指导模型收敛方向，常见的损失函数有交叉熵和均方差。本研究用均方差［11］，如式（3）所示。

定义优化器：定义梯度下降优化器，梯度下降的实现，在Tensorflow中，已经封装好了，只需要通过下列代码就可以实现。

优化器定义好后创建会话，并将变量初始化就可以真正执行计算了。实现所有变量的初始化主要采用函数，如式（5）所示。

5.2.4 迭代训练

打开Jupyter notebook，模型训练阶段需要设置迭代轮次，编写训练代码。每轮迭代，都是利用条件语句将样本逐个输入模型，模型优化操作采用梯度下降，最后达到拟合绘制出模型曲线并得出监测结果。当训练完成后，打印查看参数可知w，b的结果，即得到最后的模型。迭代训练最终结果，如图8所示。

图8 迭代训练结果图Fig.8 Results of Iterative Training

可视化后所画出来的图只有四根直线，说明训练四次次后就已经接近收敛。训练到第四轮后，剩余的46次训练与前四根线重合了，所以只看到四根。可能原因，微小泄漏量数值比较小，且变化较小。训练图中交点表示应变在（140～160）μm之间监测值准确性最高。

应变为160μm下的监测值和实际值，如图8所示。在运行训练代码前，输入瞬时应变160μm，得到瞬时监测值与实际值分别是0.007835 和0.007817，得到的瞬时流量相差不大，说明利用TensorFlow对微小内泄漏量监测是可行的。

5.3 测试结果

根据表1，利用TensorFlow，将五次实验的应变输入代码中，得到的液压缸微小内泄漏监测值与实际内泄漏值对比，如表2所示。

表2 内泄漏监测结果与误差分析Tab.2 Leakage Monitoring Results and Error Analysis

实际内泄漏量与监测内泄漏量关系对比折线图，如图9 所示。内泄漏的监测值与实际值之间的误差在逐渐变小。微小内泄漏增加的情况下实际值与监测值拟合，可能情况是前面选取的内泄漏值较小，监测变化不明显。以上，说明选择TensorFlow配合设计的液压油传感器结构，在一定程度上能够作为微小内泄漏量的监测方法。

图9 实际内泄漏与监测内泄漏对比图Fig.9 Comparison of Actual Internal Leakage and Monitored Internal Leakage

6 结论

这里主要利用TensorFlow，监测液压缸内微小内泄漏量：

（1）设计了一种液压油传感器，加入到整个监测系统中，不仅在一定程度上增加了液压油流经的部位，将泄漏的液压油先收集后测量，降低压力对液压油的影响。同时，这种方式也避免了传统的只用应变片作为传感元件而导致的应变片在大量液压油冲击下容易变形过大的结果，完善了整个监测系统。这种在测量中添加结构性传感器的同时采用机器学习中TensorFlow框架为监测模块，实时监测液压缸微小内泄漏的新处理方式，为控制液压油泄漏和监测液压油微小内泄漏研究提供一种新的研究方向。

（2）提出了使用TensorFlow 实现液压缸内微泄漏量监测的方法，而无需进行人工操作。随着处理数据的机器学习框架的出现，TensorFlow在可扩展性、灵活性、效率、支持等方面，有着比同类机器学习框架更优异的性能。利用TensorFlow编程，训练分析复杂的微小泄漏量信号与应变，最终构建简易模型，快速监测泄漏的方法，为控制液压油泄漏和监测液压油泄漏研究提供一种新的研究方向。

（3）本研究在实验和下一步工作中，思考了如何更进一步减少人为，环境等因素的影响。要实现它，系统将需要使用更加庞大且具备特点的数据集和用于对象检测的训练算法。后期进一步的工作包括实时优化各种离散输入的结果和监测精度。