液压控制系统自动压力补偿方法技术方案

本发明专利技术公开了液压控制系统自动压力补偿方法，涉及压力补偿技术领域，通过收集阻尼系数训练数据以及液压摩擦系数训练数据，训练出预测阻尼系数的第一机器学习模型和预测液压摩擦系数的第二机器学习模型，收集液压控制系统的初始压力值；基于实时的液压摩擦系数特征数据和第二机器学习模型，获得实时液压摩擦系数，基于实时的阻尼系数特征数据、实时液压摩擦系数以及第一机器学习模型，获得实时阻尼系数，基于初始压力值、输出压力值、所承载的负载大小以及实时阻尼系数计算实时压力补偿值，控制压力补偿阀将系统的压力补偿值调节至实时压力补偿值；提高了压力补偿的准确性以及液压控制系统的稳定性。控制系统的稳定性。控制系统的稳定性。

【技术实现步骤摘要】
液压控制系统自动压力补偿方法


[0001]本专利技术涉及液压自动压力补偿
，具体是液压控制系统自动压力补偿方法。

技术介绍

[0002]在液压控制系统中，压力补偿是一项重要的功能，用于确保系统在负载变化时能够维持稳定的输出压力。传统的压力补偿方法通常基于负载大小来进行调整，但这种方法存在一定的局限性。负载大小仅作为补偿的参考，无法完全准确地反映系统的动态变化；对于压力补偿还有重要影响的因素是阻尼系数，而阻尼系数是动态变化的，此外，负载大小并不能直接反映液压元件之间的阻尼系数对压力补偿的影响；公告号为CN1020942C的专利技术专利公开了压力补偿变量液压泵控制系统，各单向阀包括连通液压管路和控制机构的通道、阀元件，和弹性地将该阀元件推动关闭该通道的弹簧，使流动阻尼随液压管路与控制机构之间流量的降低而增加，但并未提出如何针对动态阻尼参数进行压力补偿；为此，本专利技术提出液压控制系统自动压力补偿方法。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出液压控制系统自动压力补偿方法，该方法提高了压力补偿的准确性以及液压控制系统的稳定性。
[0004]为实现上述目的，根据本专利技术的第一方面，提出液压控制系统自动压力补偿方法，包括以下步骤：步骤一：收集液压控制系统的阻尼系数训练数据以及液压摩擦系数训练数据；步骤二：基于阻尼系数训练数据，训练出预测液压控制系统阻尼系数的第一机器学习模型；步骤三：基于液压摩擦系数训练数据，训练出预测液压缸和活塞的液压摩擦系数的第二机器学习模型；步骤四：收集待控制的液压控制系统的初始压力值；实时收集待控制的液压控制系统的液压摩擦系数特征数据以及除液压摩擦系数之外的阻尼系数特征数据；步骤五：基于待控制的液压控制系统的液压摩擦系数特征数据和第二机器学习模型，获得实时液压摩擦系数；步骤六：基于待控制的液压控制系统的阻尼系数特征数据、实时液压摩擦系数以及第一机器学习模型，获得实时阻尼系数；步骤七：待控制的液压控制系统实时收集输出压力值以及所承载的负载大小，基于初始压力值、输出压力值、所承载的负载大小以及实时阻尼系数计算实时压力补偿值，控制压力补偿阀将系统的压力补偿值调节至实时压力补偿值；所述阻尼系数训练数据包括在实验环境收集的若干组历史的阻尼系数特征数据
以及对应的阻尼系数值；所述实验环境为由测试人员通过控制液压控制系统中影响阻尼系数和液压摩擦系数的阻尼系数特征数据和液压摩擦系数特征数据的组合，使用精准测量方法获得精确的阻尼系数和液压摩擦系数的数据收集环境；其中，所述阻尼系数特征数据包括液压油粘度、液压油流量、液压缸的截面积、液压缸的长度、液压摩擦系数、环境温度以及环境湿度；所述液压摩擦系数为液压缸和活塞间之间的摩擦系数；其中，液压油粘度通过对液压油使用粘度计实时获得，液压油流量通过对液压油使用流量传感器实时获得，液压缸截面积以及液压缸长度均可在设备生产时测量获得，液压摩擦系数通过摩擦系数测量方法获得；所述阻尼系数值为测量每组阻尼系数特征数据时，通过系统辨识算法测量出的液压控制系统对应的阻尼系数的值；所述液压摩擦系数训练数据包括在实验环境中收集的若干组液压摩擦系数特征数据及其对应的液压摩擦系数值；其中，所述液压摩擦系数特征数据包括液压油的压力值、液压油温度、液压油粘度、液压缸表面平均粗糙度、活塞表面平均粗糙度以及油膜厚度；所述油膜厚度为液压油附在液压缸和活塞表面油膜的厚度平均值；其中，所述液压油的压力值通过在液压缸内部安装的压力计实时获得，液压油温度和液压油粘度分别使用温度传感器以及粘度计实时获得；测量液压缸表面平均粗糙度和活塞表面平均粗糙度的计算方式为使用计算机视觉方法对液压缸表面的粗糙度进行评估；其中，所述油膜厚度的获得方式是利用光干涉技术进行在线测量；所述液压摩擦系数值为测量每组液压摩擦系数特征数据时，使用摩擦系数测量方法收集的液压摩擦系数；训练出预测液压控制系统阻尼系数的第一机器学习模型的方式为：将每组阻尼系数特征数据组合为第一特征向量的形式，第一特征向量中的元素包括液压油粘度、液压油流量、液压缸的截面积、液压缸的长度、液压摩擦系数、环境温度以及环境湿度的值；所有第一特征向量的集合作为第一机器学习模型的输入，所述第一机器学习模型以对每组阻尼系数特征数据预测的阻尼系数值作为输出，以每组阻尼系数特征数据对应的实际的阻尼系数值作为预测目标，以最小化所有预测的阻尼系数值的第一预测准确度之和作为训练目标；其中，第一预测准确度的计算公式为：，其中，为每组阻尼系数特征数据的编号，为第一预测准确度，为第组阻尼系数特征数据对应的预测的阻尼系数值，为第组阻尼系数特征数据对应的实际阻尼系数值；对第一机器学习模型进行训练，直至第一预测准确度之和达到收敛时停止训练；所述第一机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；训练出预测液压缸和活塞的液压摩擦系数的第二机器学习模型的方式为：将每组液压摩擦系数特征数据组合为第二特征向量的形式，第二特征向量中的元素包括液压油的压力值、液压油温度、液压油粘度、液压缸表面平均粗糙度、活塞表面平均粗糙度以及油膜厚度的值；所有第二特征向量的集合作为第二机器学习模型的输入，所述
第二机器学习模型以对每组液压摩擦系数特征数据预测的液压摩擦系数值作为输出，以每组液压摩擦系数特征数据对应的实际的液压摩擦系数值作为预测目标，以最小化所有预测的液压摩擦系数值的第二预测准确度之和作为训练目标；其中，第二预测准确度的计算公式为：，其中，为每组液压摩擦系数特征数据的编号，为第二预测准确度，为第组液压摩擦系数特征数据对应的预测的液压摩擦系数值，为第组液压摩擦系数特征数据对应的实际的液压摩擦系数值；对第二机器学习模型进行训练，直至第二预测准确度之和达到收敛时停止训练；所述第二机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；获得实时液压摩擦系数的方式为：将待控制的液压控制系统的液压摩擦系数特征数据组合为第二特征向量的形式，并将第二特征向量输入至第二机器学习模型，获得第二机器学习模型预测的实时液压摩擦系数；获得实时阻尼系数的方式为：将第二机器学习模型预测的液压摩擦系数标记为F；将待控制的液压控制系统的阻尼系数特征数据中的液压摩擦系数设置为F；将待控制的液压控制系统的阻尼系数特征数据组合为第一特征向量的形式，并将第一特征向量输入至第一机器学习模型，获得第一机器学习模型预测的实时阻尼系数；所述初始压力值为待控制的液压控制系统在负载为零时的压力值，通过预先使用压力传感器获得；待控制的液压控制系统的输出压力值以及承载的负载大小分别通过压力传感器和负载传感器实时收集；计算实时压力补偿值的方式为：将初始压力值标记为C；将输出压力值标记为S，将承载的负载大小标记为T，第一机器学习模型预测的实时阻尼系数标记为K；将实时压力补偿值标记为M；其中，实时压力补偿值M的计算公式为M=C+T
×
K
‑
S。
[0005]根据本专利技术的第二方面，提出一种计算机服务器，包括：处理器和存储器，其中：所述存储器中存储有可供处理器调用的计算机程序；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.液压控制系统自动压力补偿方法，其特征在于，包括以下步骤：步骤一：收集液压控制系统的阻尼系数训练数据以及液压摩擦系数训练数据；步骤二：基于阻尼系数训练数据，训练出预测液压控制系统阻尼系数的第一机器学习模型；步骤三：基于液压摩擦系数训练数据，训练出预测液压缸和活塞的液压摩擦系数的第二机器学习模型；步骤四：收集待控制的液压控制系统的初始压力值；实时收集待控制的液压控制系统的液压摩擦系数特征数据以及除液压摩擦系数之外的阻尼系数特征数据；步骤五：基于待控制的液压控制系统的液压摩擦系数特征数据和第二机器学习模型，获得实时液压摩擦系数；步骤六：基于待控制的液压控制系统的阻尼系数特征数据、实时液压摩擦系数以及第一机器学习模型，获得实时阻尼系数；步骤七：待控制的液压控制系统实时收集输出压力值以及所承载的负载大小，基于初始压力值、输出压力值、所承载的负载大小以及实时阻尼系数计算实时压力补偿值，控制压力补偿阀将系统的压力补偿值调节至实时压力补偿值。2.根据权利要求1所述的液压控制系统自动压力补偿方法，其特征在于，所述阻尼系数训练数据包括在实验环境收集的若干组历史的阻尼系数特征数据以及对应的阻尼系数值；所述阻尼系数特征数据包括液压油粘度、液压油流量、液压缸的截面积、液压缸的长度、液压摩擦系数、环境温度以及环境湿度；所述液压摩擦系数为液压缸和活塞间之间的摩擦系数；液压油粘度通过对液压油使用粘度计实时获得，液压油流量通过对液压油使用流量传感器实时获得，液压缸截面积以及液压缸长度在设备生产时测量获得，液压摩擦系数通过摩擦系数测量方法获得；所述阻尼系数值为测量每组阻尼系数特征数据时，通过系统辨识算法测量出的液压控制系统对应的阻尼系数的值。3.根据权利要求2所述的液压控制系统自动压力补偿方法，其特征在于，所述液压摩擦系数训练数据包括在实验环境中收集的若干组液压摩擦系数特征数据及其对应的液压摩擦系数值；其中，所述液压摩擦系数特征数据包括液压油的压力值、液压油温度、液压油粘度、液压缸表面平均粗糙度、活塞表面平均粗糙度以及油膜厚度；其中，所述液压油的压力值通过在液压缸内部安装的压力计实时获得；测量液压缸表面平均粗糙度和活塞表面平均粗糙度的计算方式为使用计算机视觉方法对液压缸表面的粗糙度进行评估；其中，所述油膜厚度的获得方式是利用光干涉技术进行在线测量；所述液压摩擦系数值为测量每组液压摩擦系数特征数据时，使用摩擦系数测量方法收集的液压摩擦系数。4.根据权利要求3所述的液压控制系统自动压力补偿方法，其特征在于，训练出预测液压控制系统阻尼系数的第一机器学习模型的方式为：将每组阻尼系数特征数据组合为第一特征向量的形式，第一特征向量中的元素包括液压油粘度、液压油流量、液压缸的截面积、液压缸的长度、液压摩擦系数、环境温度以及环境
湿度的值；所有第一特征向量的集合作为第一机器学习模型的输入，所述第一机器学习模型以对每组阻尼系数特征数据预测的阻尼系数值作为输出，以每组阻尼系数特征数据对应的实际的阻尼系数值作为预测目标，以最小化所有预测的阻尼系数值的第一预测准确度之和作为训练目标；其中，第一预测准确度的计算公式为：，其中，为每组阻尼系数特征数据的编号，为第一预测准确度，为第组阻尼系数特征数据对应的预测的阻尼系数值，为第组阻尼系数特征数据对应的实际阻尼系数值；对第一机器学习...

【专利技术属性】
技术研发人员：郁连，周云祥，
申请(专利权)人：江苏洲帆机电设备有限公司，
类型：发明
国别省市：