Deep learning for sensorless control of external gear pumps

Freshly made External Gear Pumps undergo a gear wearing phenomenon during their early life cycle. This material removal alters the gears' surface geometry over time, leading to deformities that can impact the pumps future performances. Pumps are therefore subjected to a running-in process, which controls gear wear through adjustments to speed and pressure. An additional component, which can be an hardware board or microcontroller, is integrated in the pump and it is assigned with this run-in task. Moreover, such component can also be used as a feedback controller such that a constant pressure is maintained during this first critical phase as well. In industrial applications, pumps are pre-equipped with pressure sensors, which send the read values as feedback to the controller. However, if it is possible to maintain constant pressure without the aid of an additional sensor, the economical costs of the shipped product can be significantly reduced without any loss in performance. Sensorless control systems have already been explored and applied successfully by previous authors, by using an estimated pressure predicted from a data-driven approach. Nonetheless, in the hydraulic field few works have tackled this specific control topic during run-in. In this study we propose a solution leveraging machine learning models, with the scarcity of time and physical resources being the biggest challenges. The presented final control system replaces a physical pressure sensor with a virtual one, being a trained neural network. Pumps controlled in this way showed a slight improvement with regards to a pair of baseline controllerless cases, with the fact that the performance did not worsen being a promising result. With a larger dataset to learn and test from, a more refined version of the controller can be devised in the future.

Le pompe a ingranaggi esterni appena prodotti sono soggetti a un fenomeno di usura degli ingranaggi durante la prima fase del loro ciclo di vita. La rimozione di materiale altera nel tempo la geometria degli ingranaggi, portando a deformazioni che possono influenzare le prestazioni future delle pompe. Per questo motivo, le pompe sono sottoposte a un processo di rodaggio, che controlla l'usura degli ingranaggi attraverso correzioni di velocità e pressione. Un componente aggiuntivo, che può essere una scheda hardware o un microcontrollore, viene integrato nella pompa e viene incaricato di svolgere il rodaggio. Inoltre, tale componente può essere in più utilizzato come un controllore con retroazione in modo da mantenere una pressione costante anche durante questa prima fase critica. Nelle applicazioni industriali, le pompe sono pre-equipaggiate con sensori di pressione che inviano i valori letti come feedback al controllore. Tuttavia, se è possibile mantenere una pressione costante senza il supporto di un sensore aggiuntivo, i costi economici del prodotto possono essere notevolmente ridotti senza compromettere le prestazioni. I sistemi di controllo senza sensore sono stati già indagati e applicati con successo da precedenti autori, sfruttando una stima della pressione predetta tramite un approccio basato sui dati. Nonostante ciò, nel campo idraulico pochi lavori hanno affrontato questo specifico tema di controllo durante il rodaggio. In questo studio proponiamo una soluzione che sfrutta modelli di machine learning, dove la scarsità di tempo e risorse fisiche rappresentano le maggiori difficoltà. Il sistema di controllo finale presentato sostituisce un sensore di pressione fisico con uno virtuale, basato su una rete neurale addestrata. Le pompe controllate in questo modo hanno mostrato un leggero miglioramento rispetto a un paio di casi di riferimento senza controllore, con il fatto che le prestazioni non sono peggiorate essere un risultato promettente. Con un dataset più ampio da cui apprendere e testare, una versione più rifinita del controllore potrà essere sviluppata in futuro.