一种基于数字孪生的液压缸快速超微内部泄漏检测方法，用于水轮机调速系统

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A rapid ultra-micro internal leakage detection method based on digital twins for hydraulic cylinders of hydro turbine speed control system

　　李伟杰|陈新源|钱新波|吴苏|张佳杰|刘宇琦|卢岩
教育部冶金设备与控制技术重点实验室，武汉科技大学，武汉430081，中国

**摘要**
在水轮机速度控制系统（HTSCS）中，快速准确地检测液压缸内的超微小内部泄漏对于确保发电单元的稳定运行至关重要。压力衰减测试（PDT）方法为液压缸的验收测试和定期离线维护提供了一种有效的检测手段。然而，压力衰减阈值的稳定性较差，限制了PDT方法的实用性和有效性。为了解决这些问题，本文提出了一种基于数字孪生（DT）的HTSCS液压缸超微小内部泄漏快速检测研究框架。首先，构建了液压测试系统中未知参数与仿真实验误差之间的替代模型。通过将多目标人工蜂鸟算法（MOAHA）与基于理想解相似性的排序偏好技术（TOPSIS）相结合，实现了最优参数组合的估计。其次，引入了一种新颖的二维信号变形（2DSW）优化算法来重构仿真数据，并生成高度可靠的DT数据。最后，设计了一种基于仿真、实验和DT数据的多阶段数据处理方案，系统地验证了所提出方法的有效性。实验结果表明，DT数据显著增强了压力衰减率与超微小内部泄漏率之间的线性关系。在高压条件下，PDT方法中压力衰减阈值指标的标准差和变异系数分别降低了67.46%和77.29%，稳定性显著提高。该研究框架建立了一种集成了机制、数据和决策的系统性解决方案，以确保HTSCS的稳定运行。

**引言**
近年来，全球能源政策转向减少碳排放和促进绿色可持续发展[1]。水电仍然是迄今为止最成熟、规模最大的并网可再生能源技术[2]。它不仅提供了高度灵活、低成本的服务，增强了电力供应系统的稳定性和韧性，而且在电力需求较低的时期还可以作为潜在的储能资源[3]。根据国际能源署的数据，2024年新增水电装机容量翻了一番，预计到2025年总装机容量将达到23-24吉瓦[4]。同时，中国2024年新增了14.4吉瓦的装机容量，其中抽水蓄能水电（PSH）占7.75吉瓦[5]。

水轮机速度控制系统（HTSCS）中的液压缸是实现并网运行和自动发电控制（AGC）的核心执行器。它们通过快速精确的导叶调节来维持电力平衡[6][7]。然而，大规模整合可变可再生能源将要求水电站频繁进行频率调节响应[8]。频繁的负荷调整加速了液压缸的磨损，降低了其响应速度，从而影响了水电单元对电网负荷指令的响应精度和速度[9][10]。因此，能够快速准确地识别液压缸内的超微小内部泄漏对于确保电网安全和稳定性以及提高水电与可变可再生能源的协调运行效率至关重要[11]。

液压缸内的超微小内部泄漏是最常见且隐蔽的潜在故障模式，严重影响了水电能源系统的可靠性和安全性。快速准确地检测超微小内部泄漏可以及时调整控制系统，实现自适应误差补偿，确保响应速度和精度[12]。现有的液压缸内部泄漏检测方法主要可以分为基于模型的方法和数据驱动的方法[13]。基于模型的方法主要包括卡尔曼滤波[14][15][16][17]、观测器[18][19]、自适应参数估计[20]和键图[21]。有研究建立了扩展卡尔曼滤波数学诊断模型，用于液压缸泄漏的检测，能够精确估计内部和外部泄漏[14]。这些方法由于运行成本低且灵活性高，被认为是有效识别液压系统内部泄漏的强大工具。然而，数学模型难以准确表示现实世界的动态过程，特别是对于非线性、时变液压系统，其建模关系复杂且受流体特性显著影响[22]。

随着大数据时代的到来，数据驱动方法在研究人员中越来越受欢迎，可以分为基于特征的方法和人工智能方法。基于特征的内部泄漏检测方法通常包括小波变换[23][24][25][26][27]、傅里叶变换、希尔伯特-黄变换[29]和经验模态分解（EMD）[31]。这些方法通过从原始信号中提取关键特征并将其与分类算法结合来实现内部泄漏检测。许多案例研究证明了它们的有效性。然而，由于液压缸中多种故障模式之间的耦合效应以及其他噪声对测量信号的影响，仅依赖这些方法进行精确的液压缸内部泄漏检测仍然具有挑战性。人工智能方法具有强大的数据处理和特征提取能力，主要包括机器学习[32][33]和深度学习[35][36]。Wrat[35]提出了一种利用信号分析和监督式人工神经网络分类器来检测液压执行器缸内部泄漏的方法。尽管这些方法可以高精度地识别内部泄漏，但大多数方法需要大量的故障数据和复杂的参数优化过程。特别是对于数据存储不完整、实时数据共享不足和故障事件稀少的水电单元控制系统来说，使用这些方法进行快速内部泄漏诊断面临重大挑战。

总之，现有的液压缸内部泄漏检测方法的准确性高度依赖于数据质量，数据集主要通过仿真模型和试验台生成。仿真模型在构建和结果计算过程中需要一系列简化和假设，导致仿真结果在某些方向上偏离真实值[38]。同样重要的是要认识到，实验测试过程并不总是完全准确的，经常受到环境噪声的影响[39]，从而引入了测试结果中的固有不确定性和误差。目前，仿真数据和实验测试结果仍然高度依赖于经验处理。为了获得更准确的结果，必须将仿真模型和测试结果视为互补而非竞争关系。因此，如何解决仿真结果与实验结果之间的差异，并为模型训练和模式识别提供高质量的数据源，是液压部件健康管理研究中需要解决的关键问题[40]。

近年来，数字孪生（DT）技术的出现为解决仿真结果与实验结果之间的差异以及获取高质量数据源提供了潜在的解决方案[41][42]。DT技术的愿景是在虚拟空间中构建物理实体的高保真虚拟模型，为大型关键设备的智能运行和维护提供有价值的解决方案[43]。Xia[44]提出了一种基于DT的驱动方法，融合了物理和虚拟数据用于齿轮箱故障诊断，在故障数据不足时有效提高了诊断性能。Liu[45]开发了一种自适应DT框架，用于预测海洋发动机部件的退化过程，实验结果证明了该方法的有效性。Ding[46]建立了用于微电网集群故障诊断的DT框架，旨在在不同异常运行条件下生成故障样本数据集。Chang[47]开发了一种结合空间和非空间信息的混合替代模型，有效提高了DT模型的预测分辨率和准确性。所有上述研究都表明，DT技术受到了业界学者的越来越多的关注。

然而，液压系统参数建模的复杂性导致液压领域中DT技术的相关研究相对有限[48]。Zhang[49]为多路阀建立了DT模型，获得了大量高度可靠的DT数据，从而有效提高了多路阀故障诊断的准确性。Xia[50]为三通泵开发了DT模型，并使用DT生成的数据进行了预训练，从而在不同运行条件下提高了故障诊断的准确性。Yang[51]设计了一种基于DT辅助的液压系统故障诊断框架，通过DT数据优化和先进的深度学习技术提高了故障诊断的准确性。总之，液压系统中的DT技术引起了广泛的学术关注，并已有效应用于液压部件故障诊断。在上述研究中，大多数液压系统仿真模型的参数都是从物理实体测量中获得的。然而，如液压流体特性和液压部件的内部结构等参数难以直接测量，通常依赖于工程估算。液压系统参数的不确定性使得开发高保真仿真模型极具挑战性。因此，如何有效估计液压系统中未知参数的组合已成为推动液压领域数字孪生发展的关键研究方向。

在液压缸内部泄漏检测领域，大多数学者关注的是相对较大的内部泄漏。目前尚未考虑针对液压缸超微小内部泄漏的性能测试方法。表1展示了文献综述中液压缸内部泄漏检测方法的比较结果。需要注意的是，超微小内部泄漏阈值的定义基于机械行业标准JB/T 10205–2010[52]。对于能源行业中的高精度液压控制系统（如HTSCS），液压缸的超微小内部泄漏会对电力系统运行的稳定性产生严重影响。此外，由于电力系统运行的复杂性和关键性，不允许长时间停机维护。根据水电单元维护计划和相关标准研究，实现液压缸的快速准确定期性能测试是确保水轮机稳定运行的必要步骤[53][54][55][56]。因此，如何实现快速准确的液压缸超微小内部泄漏检测已成为确保电力系统安全稳定运行的关键课题。

压力衰减测试（PDT）方法是一种快速检测液压缸超微小内部泄漏的创新方法。然而，该方法在使用过程中的稳定性和检测精度需要进一步优化，以提供供应商验收测试和快速定期离线维护的理论基础。根据研究，将DT技术与高精度能源液压控制系统（如水轮机速度调节系统）的性能测试相结合具有显著的实际需求。然而，水电仅占DT应用案例的15%，仍是一个相对研究不足的领域[40]。为了解决这些挑战，本文提出了一种基于DT的HTSCS液压缸超微小内部泄漏快速检测研究框架。与现有研究相比，本文的主要贡献如下：
(1) 开发了一种用于建立压力衰减测试液压系统DT模型的方法，填补了将DT技术应用于HTSCS液压缸超微小内部泄漏检测的研究空白。
(2) 构建了液压测试系统中未知参数与仿真实验误差之间的响应面回归模型。通过将MOAHA优化算法与TOPSIS标准相结合，实现了空气含量、体积模量和泄漏间隙的最优参数组合估计。与基于工程经验确定仿真参数相比，该方法可以有效提高仿真模型的真实性。
(3) 引入了一种新颖的2DSW算法来重构仿真数据，有效减少了仿真模型响应与实际实验响应之间的误差，从而为模型训练和模式识别提供了高质量的数据支持。
(4) 基于DT的研究框架解决了高压运行条件下压力衰减测试方法实用性有限的问题，提高了HTSCS中液压缸超微小内部泄漏的检测精度，从而提供了确保电力系统稳定运行的高度可靠解决方案。

本文的其余部分结构如下：第2节提供了研究问题的背景信息。第3节介绍了本文提出的方法论框架。第4节展示了案例研究。最后，第5节提出了研究结论和未来工作。