液压泵效率特性建模的神经网络方法

　　0 前言

　　液压传动是以受压液体进行功率传递和控制的动力传动技术。在液压传动系统中，液压泵是将电动机或内燃机输出的机械能转换为液体压力能的装置，是液压系统的能源元件。液压泵的容积效率、机械效率和总效率特性是液压系统设计和参数选择的重要依据，也是评价液压泵性能的重要技术指标[1-2]。因此，在液压泵的新产品开发、产品出厂检20080921 收到初稿，20090206 收到修改稿验、用户验收产品和产品修复后的性能验证时，都需要进行效率特性的测试。

　　要对液压泵的效率特性进行评价，通常是在不同转速、不同压力下进行足够多工况点的试验，并根据试验测试数据来计算出各个工况点的总效率、容积效率和机械效率。这样，要获得比较全面的液压泵效率特性，就需要在比较多的工况点下进行试验测试，这必然造成测试时间长、劳动强度大、能源消耗多。本文以神经网络理论为基础，针对某个具体的液压泵，讨论如何依据较少数量的试验测试数据，建立基于神经网络方法的流量和转矩模型，以此为基础计算该液压泵各个工况点的效率。

　　1 液压泵的效率特性

　　液压泵的容积效率、机械效率和总效率是评价液压泵效率特性的重要技术指标。

　　由于液压泵有内泄漏，因此，其输出的实际流量小于理论流量，即存在容积损失。容积损失可用容积效率vη 来评价，即液压泵输出的实际流量q与理论流量iV ω 之比，可表示为

　　式中iV 、ω 分别为泵的理论排量和角速度。容积效率取决于泵的内泄漏。泵的内泄漏随工作压力的升高和工作介质粘度的降低而增大，并随泵的磨损增加而增大;此外，液压泵的内泄漏还与其工作转速和结构形式有很大关系[3]。

　　由于液压泵内部轴承和相对运动零件间有摩擦损失，在液压泵出口工作压力一定的情况下，其实际输入转矩大于理论输入转矩，即存在转矩损失。转矩损失可用机械效率mη 来评价，即液压泵的理论输入转矩iΔp V与实际输入转矩 T 之比，可表示为

　　式中 Δp 为泵的进、出口压差。机械效率取决于泵的摩擦损失，与泵的工作压力、转速、工作介质粘度和泵的结构形式有很大关系[3]。

　　液压泵的总效率tη 是容积效率与机械效率的乘积，可表示为

　　液压泵的工作压力和转速范围比较宽，而在实际应用中工作压力和转速则需要根据具体的液压系统设计，从泵的排量、特性、能耗和系统流量等因素来综合确定。要全面地得到液压泵的效率特性就需要测试不同转速和工作压力下各个工况点的进口压力、出口压力、转速、流量和转矩参数，这样，才可计算不同工况点下的各种效率。图 1 为液压泵PAF-107K 的容积效率vη 和总效率tη 特性曲线，从图 1 中的特性曲线可以看出，效率特性需要在足够多工况点条件下的试验才能得出，工作压力、转速范围越宽，试验工况点就越多。