微精选

由以上分析可知，单一的数据驱动或纯机理模型方法难以同时兼顾模型的准确性与泛化能力，而新型融合仿真技术通过结合机理模型的物理可解释性与数据驱动模型的学习能力，有效克服各自局限，提升建模精度与泛化能力，是实现复杂液压系统建模分析需求的有效路径。

基于机理-数据融合方法，依托液压模型库构建系统机理，结合实验数据提高模型精度，进而建立高精度液压伺服模型。具体建模内容见表2所示：

3.1 机理模型构建

本文构建的液压伺服作动系统由伺服阀与非对称液压缸组成，其中伺服阀直接集成于液压缸本体，可有效提升系统动态响应与稳定性；作动系统结构简图如图3-2所示。

图3-2 液压伺服作动系统简图

喷嘴挡板式电液伺服阀主要由永磁力矩马达、喷嘴挡板液压前置级和滑阀功率放大级组成。其工作原理是：当控制线圈通入电流时，衔铁在电磁力作用下偏转，带动挡板改变与两侧喷嘴之间的间隙，从而调节油压差，推动滑阀移动，实现对液压油流量和方向的精确控制，最终驱动执行机构动作。

图3-3 伺服阀结构简图

伺服阀模型基于液压元件设计模型库与电磁模型库构建，可完整模拟从输入电流信号到液压流动输出的两级放大过程，实现电液伺服系统中电信号与液压能的精准传递。液压缸模型则基于液压模型库构建，主要用于模拟流体-机械系统的功率转换机制，包括泄漏、摩擦等动态特性；其液压油介质从液压介质模型库调用，可模拟液压油的体积压缩性、粘性阻力等流变特性，从而更真实地反映系统在压力变化等工况下的能量损耗与响应行为。

图3-4为液压伺服作动系统和伺服阀在Sysplorer 2025b中的具体建模结果。

图3-4 液压伺服作动系统及伺服阀机理模型

机理模型初步构建后，结构参数、惯性相关参数是元件的固有特性，可以通过参考产品手册来获得，而能量损耗、流量控制及部分元件内部参数则无法获得精确数值。为解决此问题，可采用敏感度分析工具箱量化关键参数的敏感性，进而通过参数辨识工具对高敏感参数进行估计，从而提升机理模型的精度。

图3-5 机理模型参数辨识原理图

3.2 数据模型构建

液压伺服作动系统的机理模型虽经参数估计（基于敏感度分析筛选关键参数并优化其值）后精度有所提升，但因系统存在未建模动态和时变误差，仿真结果与实验数据间仍存在偏差。为实现模型对实际系统的高保真替代，需进一步引入数据驱动模型进行误差补偿，从而提升模型在多工况下的预测精度与控制可靠性，支撑预测性控制、实时智能控制等高阶应用需求。

图3-8 残差模型训练原理图

在模型降阶及融合仿真工具箱中，采用长短期记忆神经网络（LSTM）对残差模型进行训练。该模型的训练输入数据包含两部分：一是施加于系统的激励信号；二是在相同激励信号条件下，实际物理系统测得的响应与电液伺服系统机理模型仿真输出之间的差值（即残差）。

图3-9 模型降阶及融合仿真工具箱训练流程及界面

3.3 机理数据融合模型构建

在完成电液伺服系统的物理机理模型构建与数据驱动残差模型训练后，通过将残差模型的输出（即机理模型与实际系统响应的偏差）叠加至机理模型预测结果中，可形成融合修正的高精度液压伺服系统模型。该模型通过数据模型对机理模型未建模的非线性动态、参数时变性或不确定性进行补偿，显著缩小仿真与实验的误差，从而满足高精度预测控制、实时仿真验证等对模型保真度的严苛需求。

图3-10 高精度液压伺服系统模型

图4-1 机理模型、融合模型与实验结果对比

图4-2 机理模型、融合模型与实验误差对比

从T1、T2和T3三段对比结果分析可知，波峰区域内机理模型均方根误差（RMSE）为0.00263，融合模型均方根误差为0.00147，平均精度提升率为44.2%；波谷区域内机理模型均方根误差为0.00265，融合模型均方根误差为0.00050，平均精度提升率为81.1%。融合模型输出结果与实验结果的拟合度显著高于传统机理模型，表明融合模型在模拟真实液压伺服作动系统物理特性方面具有更强的准确性。

本文解决方案基于全新发布的MWORKS 2025b版本实现，该版本经过持续的工程实践与打磨，在性能、易用性与智能化方面取得重大突破，可下载最新版MWORKS 2025b体验。同时，解决方案相关资料已上传MoHub，可登录平台进行下载。