Ny forskning visar hur en hybridmodell baserad på maskininlärning kan användas för att modellera friktion i hydraulcylindrar i realtid. Resultaten pekar mot både högre precision och nya möjligheter inom styrning och underhåll.
Studien, publicerad som ett white paper på arXiv, behandlar en av hydraulikens mer svårhanterliga utmaningar: att korrekt beskriva friktion under varierande driftförhållanden.
Klassiska modeller når sina gränser
Friktion i hydraulcylindrar påverkar allt från positioneringsnoggrannhet till energiförbrukning. Trots detta bygger många modeller fortfarande på förenklade fysikaliska beskrivningar, som exempelvis LuGre-modellen.
Problemet är välkänt i branschen. Traditionella modeller kräver omfattande parameteranpassning och tenderar att tappa precision när driftförhållanden förändras.
Det är här den aktuella forskningen tar en annan riktning.
Hybridmodell kombinerar två AI-metoder
I studien presenteras en datadriven modell som kombinerar LSTM (Long Short-Term Memory) med Random Forest.
Syftet är att fånga både tidsberoenden och komplexa, icke-linjära samband – något som är svårt att uppnå med enbart fysikbaserade modeller.
Istället för att utgå från en fast modellstruktur tränas systemet direkt på mätdata från hydraulcylindern. Det gör modellen adaptiv och mindre beroende av manuellt inställda parametrar.
Realtidskapacitet med låg felmarginal
En av de mer intressanta aspekterna i white paperet är prestandan:
- felmarginal under 10 procent
- beräkningstid omkring 1,5 millisekunder per uppskattning
Det innebär att modellen inte bara är noggrann, utan också tillräckligt snabb för att användas i realtidsapplikationer.
För hydrauliksystem öppnar det för mer avancerad styrning där friktion kan kompenseras dynamiskt under drift.
Möjliga tillämpningar i industrin
Även om studien är forskningsbaserad är tillämpningarna tydligt kopplade till industriella behov.
Bland de mest relevanta användningsområdena finns:
- förbättrad positioneringsprecision i servosystem
- optimerad energieffektivitet
- prediktivt underhåll baserat på avvikande friktionsbeteende
- integration i digitala tvillingar
Sammantaget pekar det mot en utveckling där hydrauliksystem blir mer datadrivna och självanpassande.
Del av en större trend
White paperet speglar en bredare rörelse inom fluidteknik, där traditionella modeller i allt större utsträckning kompletteras – eller ersätts – av datadrivna metoder.
För hydraulik innebär det ett skifte från statiska modeller till system som kontinuerligt lär sig och anpassar sig efter verkliga driftförhållanden.
Sammanfattning
Studien visar att AI-baserad modellering av friktion i hydraulcylindrar nu når en nivå där den är praktiskt användbar i realtid.
Det handlar inte bara om bättre beräkningar – utan om ett steg mot mer intelligenta hydrauliksystem, där data används för att förbättra både prestanda och driftsäkerhet.
Samtidigt återstår steget från forskningsresultat till bred industriell implementering. Men riktningen är tydlig: datadriven hydraulik är på väg från teori till praktik.
