基于神經網絡的蓄能器耐久在線智能測試方法

中圖分類號：U461.7+1 文獻標志碼：B DOI：10.19710/J.cnki.1003-8817.20250219

Fused Neural Network-Based Online Intelligent Testing Method for Accumulator Durability

Tao Xinyang， Zhou Yuting，Meng Kai， Han Wenbin， Liu Yuan，Fan Xue （BYD Auto Industry Company Limited， Shenzhen 518118）

Abstract：Toaddresstheproblemsof longcycletimein traditionalaccumulator durabilitytestsand low eficiencyinperformancetesting，ahybridreal-time lifepredictionmodel basedonLong Short-TermMemory （LSTM） andGeneticAlgorithm-Back PropagationNeural Network（GA-BP）isproposed.Thismodelcanmonitor the performance statusof specimens inreal time andrealize inteligent durability testing basedonthe integrationof MATLABandLabVIEW platforms.Testresultsshowthatthefailureidentificationpositionsofthismethodare consistent with the measured results，the full-cycle performance prediction error is less than 15% ，and the test timeis saved by an average of approximately 10% ：

Keywords：Neural network，Accumulator，Real-timemonitoring，RUL prediction

1前言

隨著汽車行業競爭日益激烈，產品開發節奏持續加快，對縮短生產周期提出了更高要求。耐久性測試作為驗證產品長期可靠性與性能的關鍵環節，其耗時較長，是制約研發效率的重要因素之一。蓄能器作為汽車液壓系統與懸架系統的核心部件，主要承擔能量儲存、吸收脈動及維持系統壓力穩定的功能，由于其在實際服役中承受復雜多變的工況載荷，且缺乏高效的實時性能退化驗證手段，其耐久試驗過程中需中斷測試進行多輪性能驗證，這不僅引人了人為操作誤差的風險，破壞了試驗的連續性，也顯著延長了總體試驗周期。因此，需要開發一種能夠在試驗運行過程中實時監測樣件性能狀態并進行壽命預測的方法。

傳統壽命預測方法主要包括統計方法、數學物理模型方法和數據驅動方法[1-2]。統計方法通常需要大量失效數據才能獲得較準確的預測結果，在小樣本或工況外推情況下適應性較差；數學物理模型方法雖機理明確，但往往依賴高精度的材料參數與邊界條件，模型復雜且參數辨識困難，在不同應用條件下模型結構差異較大，難以直接應用于實時預測系統3；數據驅動方法直接從運行數據中學習系統退化規律，對先驗知識與復雜模型的依賴度較低，同時具備快速計算的能力，近年來在壽命預測領域得到廣泛應用[4-5]。

本研究采用數據驅動的技術路線，通過耐久試驗臺實時收集試驗數據，經過數據質量檢測及預處理，提取與材料老化進程強相關的特征參數，并將這些特征與樣件的實際物理性能建立關聯。針對原始數據中可能存在的噪聲與異常值，采用遺傳算法優化的BP神經網絡（GeneticAlgorithm-BackPropagationNeuralNetwork，GA-BP）進行數據清洗與特征優化，并構建長短期記憶（Long Short-TermMemory，LSTM）神經網絡對時序特征進行深度學習建模，通過不斷優化網絡超參數、調整網絡結構并改進預測策略，得到高精度的剩余壽命預測模型。

為實現預測模型在試驗環境中的在線部署與實時應用，本文還建立了MATLAB與LabVIEW軟件平臺之間的數據傳輸通路。該集成方案將訓練后的預測模型無縫嵌人到試驗設備控制系統中，以期實現對蓄能器性能狀態的實時監控與剩余壽命的動態預測。

2蓄能器性能特征變量提取

2.1失效模式分析與特征識別

如圖1所示，蓄能器主要分為隔膜式、活塞式、波紋管式和泵減壓器。

其中，隔膜式蓄能器（圖2）因具有結構緊湊、響應靈敏及維護便捷等特點，在汽車液壓系統中應用廣泛。其基本結構包括氣體室、油液室、彈性橡膠隔膜（用于隔離油液與高壓氣體直接接觸）以及泄壓閥等組件。

圖2隔膜式蓄能器剖面圖

蓄能器失效模式大致分為3類：

a.材料疲勞：長期受周期性壓力波動作用，隔膜或金屬部件發生疲勞損傷，導致機械性能逐漸退化；b.化學老化：通常與內部介質的腐蝕或材料的化學反應有關；c.密封失效：密封件因磨損、變形或老化導致泄漏，進而造成系統壓力維持能力下降。

由于隔膜式蓄能器廣泛采用橡膠隔膜，化學老化和密封失效成為最主要的失效原因在蓄能器耐久試驗中，蓄能器的性能退化無法直接從加載曲線中識別，需對載荷-時間歷程數據進行處理，提取可表征性能狀態的特征參數，如圖3所示。本文根據耐久試驗的加載特征，采用泄壓過程中的油液室壓力下降速率作為關鍵特征變量。為驗證該特征變量與蓄能器性能狀態的相關性，進行關聯性分析。

圖1常用蓄能器

圖3壓力數據的特征參數提取示意

2.2特征變量關聯性分析

圖2所示的隔膜式蓄能器結構的氣體室預充壓強為 2.5MPa ，試驗過程采用恒定流量加載，循環執行充油與泄壓過程，并通過反饋控制將油液室壓力維持在 2.5～16MPa 范圍內循環變化，泄壓過程由蓄能器內部壓力自主完成。

受氣體、液體與橡膠材料之間復雜耦合作用的影響，難以通過直接測量獲取不同狀態下的泄壓速率變化關系。故使用ABAQUS軟件進行泄壓過程的動力學仿真分析。如圖4所示，為簡化建模，采用中心對稱方法建模，并設定固定載荷步長以模擬隔膜底端油液壓力的上升過程。分別設置氣體腔初始預充壓力為 2.5MPa，2MPa，1MPa ，仿真得到3種預充壓力下的氣體腔體積與油壓變化關系。

圖4泄壓階段仿真結果

對仿真所得數據進行進一步處理。在忽略油液慣性、摩擦與黏性效應，根據伯努利方程可知：

式中： P 為壓力， ρ 為流體密度， v 為流速， g 為重力加速度， h 為位置高度， C 為常數。

可知瞬時流量與壓力之間的關系為：

式中： Q 為流量 ，μ 為流量常數，A為流通截面積。

由式（2）可知，壓力與流量的平方呈正比，將泄壓過程近似視為準穩態，進一步通過微分鏈式法則可得：

將體積-壓力關系曲線轉換為壓力變化率-壓力曲線，如圖5所示。

圖5不同預充壓力下的泄壓速率

結果表明，隨著預充壓力降低，泄壓速率顯著提高，證明所選特征變量可有效表征樣件性能退化狀態。

3數據清洗與特征強化

3.1異常檢測

試驗過程需穿插性能測試，導致采集的試驗數據序列中存在間斷點，因此，對采集數據序列進行幅值檢測，依據試驗加載的幅值范圍剔除明顯偏離的異常數據，并去除間斷點附近因工況切換引入的低頻異常信號。

在提取特征變量之前，對數據先進行上采樣處理，確保處理后的采樣頻率不低于 256Hz ，隨后進行3點差分處理，以更好地捕捉動態變化。從中提取自主泄壓階段的數據段并進行拼接，截取特定壓力區段內的數據進行微分計算，最終獲得特征變量。

3.2特征強化

由于原始特征變量信號中常伴有高頻噪聲，將其分解為趨勢項與波動項。通過剔除波動項中的顯著離群點，再與趨勢項重構，實現無損傷地去除數據毛刺。

因試驗中斷導致樣件狀態與環境條件發生跳變，特征變量常出現階梯型偏置。為消除此類非性能相關的突變，對其進行局部去偏置處理，具體步驟如下：

a.將原始數據劃分為 n 個連續段，計算每段的均值 M_i（i=1，2，...，n） 作為參考水平；b.計算相鄰段均值差異 ΔM_i=M_i+1-M_i c.若 |ΔM_i| 超過設定閾值，則對后續段數據進行整體偏置校正；d.對間斷點附近區域的數據使用當前段的參考值替代以保持連續性。

最后，采用微分濾波方法，對處理后的數據進行平滑與趨勢增強，進一步抑制隨機噪聲與擾動。特征變量的強化處理流程如圖6所示。

圖6特征強化處理流程示意

3.3 GA-BP網絡濾波

在傳感器數量有限、輸入數據維度較低的情況下，神經網絡因其對局部特征的敏感性，易導致訓練過擬合，從而降低預測精度8。為抑制異常數據與噪聲對模型訓練的干擾，采用遺傳算法優化GA-BP方法對原始數據進行平滑擬合。

BP神經網絡結構如圖7所示。

圖7BP神經網絡結構示意

對于單個隱含層神經元節點j，其輸入 x_i 與輸出 y_j 的關系如下：

式中：flog sig 為對數S型激活函數 ，w_ij 為第 i 個 輸入到神經元j的連接權重， θ_j 為神經元節點j的閾值。

神經元權值的調整遵循誤差反向傳播機制，其更新公式為：

Δw_ij（k+1）=he_iy_i+αΔw_ij（k）

式中： Δw_ij（k+1） 為第 （k+1） 步的權重修正量， h 為學習因子， e_i 為神經元輸出誤差。

網絡訓練的性能指標函數 E 定義為期望輸出r_i 與實際輸出 h_i 的均方誤差：

由于網絡初始權值與閾值會影響訓練結果，易使模型陷入局部最優解。為降低參數選擇的不確定性，并提升全局優化能力，引入遺傳算法對BP神經網絡的初始權值與閾值進行優化（算法結構如圖8所示）。進一步地，采用2個單神經元GA-BP子網絡進行協同濾波，分別設置激活函數為線性函數與S型函數，使用同一輸入數據進行訓練，得到相應的預測模型。將2個網絡的輸出結果通過加權融合的方式結合，最終輸出濾波后的數據。加權公式如下：

Y=（1-G_r）Y_G+G_r?Y_L

式中： G_r 為S型網絡權重系數， Y_G 為S型網絡的預測結果， Y_L 為線性網絡的預測結果。

權重系數 G_r 為：

式中： Y₀=0.6 為初始權重， C 為特征標定系數， t_r 為當前試驗進度。

圖8 GA-BP神經網絡算法

特別地，特征標定系數通過歷史失效樣本數據確定，選取相同溫度條件下已發生失效的樣件試驗數據，提取其特征參數序列，計算試驗結束時相對于試驗開始時的特征參數下降比例R_p ，再通過該樣件試驗前、后的P-V性能測試數據獲取實際性能下降比例 R_t ，則標定系數 C 為：

C=R_t/R_p

該濾波方法具有較強適應性，不僅可以保留數據非線性趨勢，還可顯著抑制噪聲干擾。

4LSTM神經網絡預測模型建立

4.1 LSTM網絡結構

LSTM在自然語言處理以及時間序列預測等領域表現出優異性能，擅長捕捉長期依賴關系并保持上下文一致性。

相對于傳統時間序列預測模型，如多項式擬合、指數擬合、ARIMA等模型存在的參數敏感性高、形式單一等局限，LSTM神經網絡模型能夠自適應多種非線性變化趨勢。如圖9所示，對于具有顯著非線性和隨機波動的數據，LSTM模型可有效識別其變化規律與波動模式，而多項式與指數擬合模型受限于預設的數學形式，難以適應無固定退化趨勢的數據。同樣，廣泛使用的ARIMA模型，其預測性能嚴重依賴階數選擇，缺乏對長期依賴的捕捉能力，在復雜退化場景中表現一般。

圖9不同模型的預測能力示意

LSTM網絡通過引入3個門控機制（輸入門、遺忘門和輸出門）有效克服了傳統循環神經網絡中的梯度消失與梯度爆炸問題。輸入門用以控制新輸入信息與細胞狀態的融合；遺忘門自適應調節歷史記憶的保留與遺忘；輸出門調控細胞狀態對當前輸出的影響，實現信息的精確篩選。

遺忘門輸出為：

f_t=σ（W_f[h_t-1-1，x_t]+b_f）

式中 ?f_t 為遺忘門輸出， σ 為S型激活函數， W_f，b_f 分別為權重矩陣和偏置項， h_t-1 為上一時刻的隱狀態， x_t 為當前時刻輸入。

狀態更新比例參數 i_t 為：

i_t=σ（W_i[h_t-1-1，x_t]+b_i）

輸出控制參數 o_t 為：

o_t=σ（W_o[h_t-1-1，x_t]+b_o）

當前輸出 h_t 為：

h_t=o_ttanh（C_t）

式中： C_t 為當前狀態參數。

狀態參數更新：

式中： 為輸入狀態參數， C_t 為當前狀態參數。

在LSTM網絡訓練中，單元數據更新方法如圖10所示。

圖10LSTM網絡單元結構

4.2 結構與參數優化

在線預測任務通常面臨數據量有限、容錯率低的挑戰，要求模型在缺乏大量預訓練數據的情況下仍能輸出穩定可靠的預測結果。為此，本研究對基本LSTM網絡結構作出改進。

標準LSTM網絡在多維時間序列預測上表現較好，但難以直接適用于本研究低維、小樣本的耐久試驗數據。本文從網絡結構算法優化和超參數優化兩方面進行改進：前者旨在提升網絡的全局預測性能，后者則針對具體試驗數據特性進行精細化調整。

4.2.1 結構優化策略

針對神經網絡常見的過擬合、欠擬合問題，本研究采用 L₂ 正則化方法防止過擬合，在網絡原有損失函數中增加權重懲罰項：

式中： 項為傳統預測誤差（回歸任務中為均方誤差MSE）， yⁱ 與分別為第 i 個樣本的目標值和預測值，2m 項為 L₂ 正則化懲罰項， W_j 為模型的第 j 個權重參數， n_x 為總權重數量，λ 為正則化強度參數， m 為訓練樣本總數。

L₂ 正則化通過約束權重數值大小，降低模型對特定特征的過度依賴，從而提升泛化能力。

此外，在網絡中引入Dropout層，在訓練過程中以一定概率將神經元輸出置零。該方法迫使網絡學習冗余的特征表示，減少神經元之間的共適應性，進一步增強模型泛化性能。

4.2.2 超參數優化

模型超參數優化基于MATLAB內置 fmincon 優化函數，使用內點法（Interior-Point）進行無約束優化，目標誤差函數設定為：

式中： 為參與訓練的試驗數據序列的微分， n 為序列點數， 為預測數據序列微分。

該誤差函數旨在保證預測序列與試驗序列在銜接處的局部連續性。優化目標參數包括輸入層節點數、訓練迭代次數和隱含層神經元節數量。

4.3 滾動預測方法

在試驗初期，可用于模型訓練的數據量有限，需要預測的序列長度往往遠超訓練集本身，極易導致欠擬合。為解決該問題，本文基于LSTM模型在短期預測中精度較高的特點，提出滾動迭代預測方法，具體步驟如下：

a.基于當前訓練集，利用已構建的LSTM模型進行單次預測，得到指定長度的預測序列；b.判斷累計預測長度是否達到要求，若未達到，則將上一步預測結果與訓練數據合并，構成新的訓練集；c.以新訓練集為基礎，再次進行單次預測，擴展預測序列；d.重復步驟b、步驟c，直至總預測長度滿足需求。

為驗證該方法的有效性，采用試驗總進程前20% 的數據模擬試驗初期在線預測場景。如圖11所示，在預測初期，單次預測與滾動預測的結果基本一致，但隨著預測時間延長，單次預測結果逐漸趨于平緩，喪失實際退化趨勢，而滾動預測則能較好地保持數據變化的連續性趨勢。

圖11滾動預測與單次預測結果對比

5在線預測軟件開發

5.1數據傳輸與通信

本研究構建的壽命預測模型基于MATLAB環境開發，而隔膜式蓄能器耐久試驗臺架上位機系統基于LabVIEW平臺實現數據采集和處理。為實現模型在試驗環境中的在線預測功能，需建立MATLAB與LabVIEW之間的高效數據通信機制。如圖12所示，本文將已訓練完成的LSTM-GA-BP融合模型從MATLAB移植至LabVIEW的MATLABScript節點中，通過該節點調用MATLAB運行時環境并執行模型預測子程序，實現跨平臺數據傳遞與模型集成。該方式既保持了MATLAB模型計算的完整性，又充分利用了LabVIEW在實時控制與數據交互方面的優勢。

圖12MATLAB與LabVIEW通訊路徑

5.2輔助功能與可交互界面開發

為提高模型的工程適用性與系統可維護性，軟件設計中增加了多項輔助功能。程序內置日志記錄模塊，可在出現運行錯誤或數據異常時自動中斷預測流程，同時記錄相關警告信息，為開發人員后續的程序調試與版本更新提供數據。

程序提供可編輯參數供試驗人員選擇，以在預測精度和運行效率之間作出權衡，并可根據試驗數據特征自行調節特征參數處理效果。此外，如圖13所示，本研究在LabVIEW界面配置了可視化結果顯示窗口，用于實時展示預測結果和性能變化退化趨勢，并在識別到樣件即將失效時發出預警，試驗人員可通過界面按鈕啟動或終止預測過程，并可設置自動預測的間隔時間，從而兼顧操作的靈活性與自動化需求。

圖13臺架上位機交互式界面

6實時性能監控與壽命預測

6.1試驗條件與初始模型參數

為驗證模型的在線預測能力與精度，選擇5只不同型號隔膜式蓄能器開展耐久試驗并啟用實時監控和預測功能。

試驗設置高溫、高低溫交變與低溫3種耐久條件，對應的循環次數分別為13.5萬次、60.3萬次和30.3萬次。以高低溫交變試驗為例，如表1所示，其壓力循環范圍的 95% 以上處于 2.5～16.0MPa ，為避免非典型工況對特征參數產生干擾，在數據預處理中剔除此范圍以外的數據。蓄能器性能退化實測數據由P-V性能試驗獲得，以氣體腔預充壓力在試驗前、后的下降比例作為性能退化指標。試驗臺架結構如圖14所示。

圖14蓄能器性能測試試驗臺

GA-BP神經網絡初始參數配置如表2所示，訓練函數采用貝葉斯正則化（Trainbr）函數，采用固定學習率進行訓練。

LSTM網絡初始參數設定如表3所示，其他參數在訓練過程中由優化算法自適應調整。模型訓練采用Adam優化器進行訓練，硬件環境為圖形處理器（GraphicsProcessingUnit，GPU）加速。

6.2 在線預測驗證

模型能力驗證包括2個部分：實時性能監控與狀態判斷能力、壽命終止閾值的預測精度。驗證前，將訓練好的模型部署于圖15所示的臺架上位機中。

圖15蓄能器高低溫耐久試驗臺

針對實時性能監控與狀態判斷能力驗證，選取試驗過程中性能始終合格的多種規格樣件。如圖16所示，將各時段模型預測的性能退化情況與P-V試驗實測結果進行對比。試驗初期因數據波動較大，預測存在一定偏差，盡管已進行多項優化，該類偏差仍難以完全消除；至試驗中后期，預測值與實測值吻合度顯著提高。

對試驗全過程的預測誤差進行定量分析，結果如表4所示。在發生性能失效的樣件中，模型監測結果與實際情況一致，未出現誤判或漏報。

圖16模型預測與實際性能衰減對比

對于壽命終止閾值的預測精度，重點評估模型對樣件預期壽命的預測能力，預期壽命包括不合格壽命與失效壽命，分別指樣件達到性能不合格狀態和完全失效所需的循環次數，結果如圖17所示。當不合格或失效曲線位于黑色線下方時，則表明樣件已發生不合格或失效。

基于壽命預測曲線，可將樣件退化模式分為4類：圖17a與17b為正常失效樣件，其壽命曲線呈現明確的退化趨勢；圖17c為臨近不合格樣件；圖17d為突發性失效樣件，其失效可能由試驗工況突變等非正常因素引起；圖17e為健康樣件，仍具備較高的剩余壽命裕度。壽命預測模塊不僅能夠實時提供樣件的動態壽命預期，還可為失效模式識別提供參考依據。

在本節所驗證的2種情況中，使用本文提出的預測方法可大幅提升試驗效率。高溫試驗總試驗時長為 24.75h ，單次性能測試時長為 ^2h ，通過減少一次性能測試，試驗效率提升 8.1% ；高低溫交變試驗總試驗時長約 99.75h ，本方法可減少6次性能測試，試驗效率提升 12% 。

圖17模型壽命預估結果

7 結束語

本研究提出了一種基于LSTM與GA-BP融合神經網絡的蓄能器耐久在線智能測試模型，通過動態特征提取、數據預處理、特征增強及模型正則化和超參數優化等關鍵技術，構建了面向蓄能器耐久性試驗的智能預測系統。該模型實現了在線實時監測與壽命預測功能，顯著提升了耐久試驗的工作效率和測試精度。研究的主要成果包括：a.開發了高精度實時預測模型，相較于傳統壽命預測方法，具有更高的預測精度和更好的泛化能力，且無需預訓練，對數據質量要求較低；b.通過在線實時監測功能，耐久試驗時間平均縮短約 10% c.具備良好的普適性：該模型能夠適用于不同型號蓄能器的失效行為預測，且在不同工況下無需調整模型參數，具有較強的適用性。

該方法不僅適用于隔膜式蓄能器，還可應用于齒輪泵、浮動活塞、姿態閥等其他關鍵液壓元件的耐久性測試。然而，對于齒輪泵等非蓄能器類液壓元件或其他非液壓元件，不能直接沿用本文的特征參數提取方法。此外，該方法目前難以適用于隨機壓力波動工況下的特征參數提取。未來研究將致力于拓展模型的適用范圍，探索其在更多類型零部件壽命預測甚至整車健康監測中的應用潛力，以實現對車輛關鍵部件的動態監測和早期預警。同時，進一步優化模型結構與參數，不斷提升預測精度和模型可靠性。

參考文獻：

[1] GONGW，YUHF，MAHY，etal.Durability of Concrete withDifferent Improvement Measuresand Its ServiceLife Prediction in Island and Reef Environment[J].China Ocean Eng，2022，36：947-958.

[2]HOSSEINZADEH，M，SAMADVAND，H，HOSSEINZADEH，A，etal.ConcreteStrengthandDurabilityPrediction through Deep Learningand Artificial Neural Networks[J]. Frontiers of Structural and Civil Engineering，2O24，18： 1540-1555.

[3] ZHOU J， YAO J， HU H H，et al.Accelerated Aging Life Evaluation Method of Silicone Rubber Based on SegmentedNonlinear ArrheniusModel[J].MaterialsResearch Innovation，2015，19：855-860.

[4]郭琦.基于性能退化數據的可靠性評估方法研究[D]. 廣州：華南理工大學，2015.

[5]姚瞬才，李大威.神經網絡與深度學習：基于MATLAB 的仿真與實現[M].第1版.北京：清華大學出版社， 2022.

[6]CHAIJ，LVZ，ZHANGZ，et al.NonlinearFailure AnalysisonPressurized Cylindrical Shell UsingFiniteElement Method： Comparison of Theoretical and Experimental Data[J]. Journal of Failure Analysis and Prevention， 2022，22：1000-1010.

[7]林建忠.流體力學[M].第1版.北京：清華大學出版社， 2005.

[8]趙越.基于遺傳蟻群RBF-BP神經網絡的LED壽命預 測研究[D].重慶：重慶大學，2021.

[9]WANGYL，DUTL，GUOYY，etal.ANovelKalman smoothing（Ks）-LongShort-Term Memory（LSTM） Hybrid Model for Fillingin Short-and Long-Term MissingValuesin Significant Wave Height[J].Measurement，2025， 242.