Summary
En este trabajo, se presenta un filtro adaptativo basado en un algoritmo de mínimo cuadrático medio normalizado (NLMS) y un método de estimación de velocidad de rotación para detectar las fallas eléctricas e hidráulicas del actuador electrohidrostático (EHA). La eficacia y viabilidad de los métodos antes mencionados se verifican a través de simulaciones y experimentos.
Abstract
El actuador electrohidrostático (EHA) es un prometedor aparato de actuación utilizado en sistemas de control de vuelo para aviones más eléctricos (MEA) debido a su alta densidad de potencia y bajo mantenimiento. Dado que la fiabilidad del sistema disminuye con el aumento de la complejidad, la detección de fallos es cada vez más importante. En este documento, se diseñó un filtro adaptativo basado en un algoritmo de mínimo cuadrado medio normalizado (NLMS), que podría identificar la resistencia de los devanados del motor en línea para detectar fallas eléctricas en la EHA. Además, sobre la base de la relación analítica entre la velocidad de rotación y el desplazamiento, se diseñó un método de estimación de la velocidad de rotación. Al comparar la velocidad de rotación real con la estimada, se pudieron detectar fallas hidráulicas. Para verificar la eficacia del método antes mencionado, se aplicó un software para el modelado y las simulaciones, que incluyeron la inyección y detección de fallas. Sobre esta base, se construyó una plataforma experimental y luego se sometió a una serie de experimentos de validación. Los resultados indican que el método de detección de fallas tiene el potencial de detectar fallas eléctricas e hidráulicas en una EHA.
Introduction
El actuador electrohidrostático (EHA) es un componente clave para el control de vuelo en aviones más eléctricos (MEA). La estructura típica de una EHA se muestra en la Figura 1. Su estructura compacta garantiza una alta densidad de potencia, bajo mantenimiento y una mayor tolerancia a fallos y seguridad en comparación con el servoactuador hidráulico tradicional (HSA)1. Sin embargo, la fiabilidad actual de la EHA no puede cumplir con los requisitos prácticos de más aviones eléctricos2. Como resultado, se ha introducido la tecnología de redundancia en el diseño de la EHA. Para maximizar la eficacia de la tecnología de redundancia, el estado operativo del sistema debe supervisarse mediante un método de detección de fallos3. De acuerdo con la ubicación donde se produce la falla, los modos de falla de la EHA se pueden dividir en fallas del servocontrolador y fallas de la unidad de control de potencia (PCU). Las fallas de PCU se pueden dividir en fallas del sensor, fallas de la unidad electromecánica y fallas de la unidad hidráulica. El mecanismo de falla del servocontrolador tiene poca relación con el cuerpo EHA, y la probabilidad de falla del sensor es mucho menor que la del componente4 del equipo. Por lo tanto, nos centramos en las fallas de la unidad electromecánica y la unidad hidráulica en este documento.
Las fallas de la unidad electromecánica incluyen fallas del módulo de accionamiento del motor y fallas del motor de CC sin escobillas (BLDCM). En general, la probabilidad de una falla de la electrónica de accionamiento de potencia (PDE) (por ejemplo, una falla de cortocircuito, una falla de circuito abierto) es relativamente alta. Cuando se produce una falla de cortocircuito, la corriente de PDE aumenta bruscamente en un corto período de tiempo, causando consecuencias graves, como un apagado del motor o daños a los componentes eléctricos. Aunque el motor puede mantener su estado de funcionamiento después de que ocurre una falla de circuito abierto, la sobrecorriente y la sobretensión para los otros componentes eléctricos siguen siendo inevitables, y las fallas secundarias pueden ocurriren consecuencia 5. En cuanto a los BLDCM, los devanados del motor son más propensos a fallas por un cortocircuito o un circuito abierto6. El PDE en la unidad electromecánica está conectado en serie con los devanados del motor correspondientes. El método de detección de fallos diseñado para los devanados del motor también es efectivo cuando se trata de fallas en el PDE. Por lo tanto, los fallos de la unidad electromecánica, incluso en el motor y la PDE, deben detectarse en línea.
Las fallas de la unidad hidráulica incluyen ocurrencias de fallas en la bomba de pistón de desplazamiento fijo, el bloque de válvulas integrado y el cilindro de accionamiento7. La bomba de pistón de la EHA está compuesta por pistones, placas oscilantes y placas de válvula; El daño al sello y el desgaste de la placa de la válvula son las principales formas de falla8. Estos dos modos de falla aumentan la fuga de la bomba. Los cambios anormales en el flujo de salida y la presión siguen y, finalmente, conducen a una disminución en la velocidad del cilindro de accionamiento y una reducción en el rendimiento del servo del sistema. Los modos de falla del bloque de válvulas integrado incluyen una falla de depósito presurizada, una falla de válvula de retención, una falla de válvula de alivio y una falla de válvula de selección de modo. El depósito presurizado generalmente adopta un diseño autoestimulante con alta confiabilidad. Sin embargo, cuando se produce una falla, una presión de carga insuficiente causa cavitación de la bomba, lo que resulta en un flujo de salida anormal. La fatiga del resorte, el desgaste de los componentes y la deformación son modos de falla comunes en las válvulas de retención y válvulas de alivio. Una falla de la válvula de retención se presenta como una fuga inversa, que conduce directamente a un flujo anormal. Una falla de la válvula de alivio conduce a una función de protección inválida, lo que resulta en una presión anormal. Las fallas comunes de la válvula de selección de modo son la falla del resorte de retorno y las bobinas de alambre rotas. El primero provoca la conmutación en corriente del estado de trabajo, lo que lleva a un movimiento anormal del cilindro de accionamiento. Una falla del cilindro de accionamiento resulta en una disminución en la precisión del control de posición y el rendimiento dinámico. En resumen, las fallas de las unidades hidráulicas causan flujo y presión anormales9. Dado que el flujo y la velocidad de rotación del motor son aproximadamente proporcionales en un sistema EHA, la velocidad de rotación se puede monitorear en línea para detectar flujo y presión anormales debido a fallas repentinas.
Es necesario diseñar los métodos de detección de fallos correspondientes dirigidos a las fallas de la unidad electromecánica y las fallas de la unidad hidráulica mencionadas anteriormente. Los métodos para la detección de fallas en un sistema electromecánico incluyen principalmente la estimación del estado y la identificación de parámetros10. Un observador de estado se construye sobre la base de un modelo matemático del sistema que hace una estimación de estado y determina fallas mediante el análisis de la secuencia residual generada por el observador. Alcorta et al. propusieron un observador no lineal simple y novedoso con dos términos de corrección para la detección de fallas por vibración en aviones comerciales, que es altamente efectivo11. Sin embargo, este tipo de método debe resolver el problema de robustez del observador. En otras palabras, debe suprimir los cambios en la secuencia residual causados por información no fallida, como errores del modelo o perturbaciones externas. Además, este método a menudo requiere información de modelo muy precisa, que generalmente es difícil de recopilar en aplicaciones prácticas de ingeniería.
El método de identificación de parámetros emplea ciertos algoritmos para identificar los parámetros importantes en el sistema. Cuando se produce un error, el valor del parámetro correspondiente también cambia. Por lo tanto, los fallos se pueden detectar detectando un cambio en los parámetros. El método de identificación de parámetros no requiere el cálculo de la secuencia residual, por lo que puede evitar el efecto de las perturbaciones en la precisión de la detección. El filtro adaptativo ha sido ampliamente utilizado en la identificación de parámetros debido a su fácil implementación y rendimiento estable, lo que significa que es un método favorable y factible para la detección de fallas electromecánicas12. Zhu et al. propusieron un nuevo método de detección de fallas de estimación adaptativa multimodelo basado en filtros adaptativos del kernel, que realiza la estimación del valor del estado de vuelo real y la detección de fallas del actuador en línea con buen rendimiento13.
Refiriéndose a la investigación anterior, se han diseñado los métodos de detección de fallos correspondientes. La resistencia de los devanados cambia abruptamente cuando ocurren fallas eléctricas, como fallas de circuito abierto o fallas de cortocircuito. Por lo tanto, se diseñó un filtro adaptativo basado en un algoritmo NLMS para identificar la resistencia de los devanados, que puede determinar si se ha producido una falla eléctrica. La combinación de un filtro adaptativo con un algoritmo NLMS para minimizar el cambio del vector de parámetros conduce a un efecto de convergencia mejor y más rápido14. Para fallas de la unidad hidráulica, se propuso un algoritmo de estimación de la velocidad de rotación basado en la clara relación analítica entre la velocidad de rotación de la bomba y la posición del cilindro de accionamiento. Los fallos hidráulicos EHA se detectaron en línea comparando la velocidad de rotación estimada con la velocidad real en tiempo real.
En este artículo, se adoptó un método de prueba que combina simulaciones y experimentos. Primero, se construyó un modelo matemático de la EHA y se realizó una simulación para el método de detección de fallas propuesto. La simulación incluyó la verificación de los métodos de detección en condiciones de inyección sin fallas y fallas. Luego, el método de detección de fallas se realizó en el servocontrolador real. Finalmente, los resultados de las simulaciones y experimentos fueron analizados y comparados para evaluar la eficacia del método de detección de fallos.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Establecimiento del modelo de simulación EHA
- Abra el software de simulación en un PC.
- Construir el modelo de simulación para la EHA (Figura 2), de acuerdo con las ecuaciones matemáticas del modeloEHA 15, y realizar un PI de tres bucles como controlador. Encapsule el módulo hidráulico (Figura 2C), el módulo eléctrico (Figura 2B) y el controlador (Figura 2B, D) en tres submodelos.
NOTA: Las ecuaciones matemáticas del modelo EHA son las siguientes en la Ecu (1):
(1)
En esta ecuación, U e es el voltaje de la armadura, K e es el coeficiente de fuerza electromotriz posterior del motor, ωm es la velocidad de rotación del motor, L es la inductancia equivalente de la armadura, i es la corriente del devanado, R es la resistencia del devanado, Kt es el coeficiente de par del motor, J m es el momento de inercia del rotor, Bm es el coeficiente de fricción del motor, q es el desplazamiento de la bomba, Pf es la diferencia de presión entre las dos cámaras en el cilindro hidráulico, A es el área efectiva del pistón, x es la posición del vástago del pistón, V0 es el volumen efectivo de la cavidad del cilindro hidráulico, B es el módulo a granel del aceite hidráulico, K il es el coeficiente de fuga interna total del sistema, M es la masa del pistón y la carga, Kf es el coeficiente de amortiguación viscoso del cilindro hidráulico y Fex es la fuerza de carga externa. - Programe el filtro adaptativo basado en un algoritmo NLMS en un archivo M, al que se puede llamar en tiempo de ejecución.
NOTA: Aquí se muestra la derivación del filtro adaptativo basado en el algoritmo NLMS. Las fallas electromecánicas se pueden juzgar identificando la resistencia del devanado, y la ecuación discretizada del motor es la siguiente:
(2)
En esta fórmula, ts es el tiempo de muestreo, y R(k) y L(k) son los parámetros que deben identificarse. Eq (2)se puede escribir de la siguiente manera:
(3)
En esta fórmula,
Al agregar dos elementos para el vector de parámetros θ(k), el tiempo de muestreo, ts, puede eliminarse para obtener la resistencia, R(k). Cuando falla alguno de los devanados trifásicos, R(k) se desvía del valor normal.
Se puede construir un filtro adaptativo a partir de Eq (3), y el error de estimación del filtro es el siguiente:
(4)
En esta fórmula, e(k) es una señal aleatoria fluctuante. Cuando e(k) es lo suficientemente pequeño, el valor estimado del filtro es ŷ(k). Finalmente, si puede converger a la producción real, y(k), del sistema, entonces el vector de parámetros θ(k) converge a los parámetros reales del sistema.
El algoritmo de mínimo cuadrado medio (LMS) toma el error cuadrático medio mínimo como criterio para realizar la predicción y el filtrado óptimos. Realice un ajuste iterativo automático para hacer θ(k) convergen al verdadero valor del sistema. La expresión de la función de costo es la siguiente:
(5)
En esta fórmula,
Q(k) es el vector de correlación cruzada de y(k) y x(k). R(k) es la matriz de autocorrelación del vector de entrada.
De acuerdo con el método de descenso más pronunciado, la fórmula de recurrencia para θ(k) aproximándose a la solución óptima es el siguiente:
(6)
En esta fórmula, µ es el tamaño de paso variable adaptable. En el proceso iterativo real, los valores del punto de muestreo actual se utilizan para estimar Q(k) y R(k), que puede expresarse como
y 
.
Luego, el algoritmo LMS se puede simplificar de la siguiente manera:
(7)
El algoritmo LMS puede hacer θ(k) convergen gradualmente a los parámetros reales del sistema.
En aplicaciones prácticas, el algoritmo NLMS se utiliza generalmente para superar la lenta velocidad de convergencia del algoritmo LMS. La restricción del algoritmo NLMS es la siguiente:
(8)
Con el uso del método multiplicador de Lagrange para resolver el problema de optimización restringida, la función de costo es la siguiente:
(9)
En esta fórmula,λ es el coeficiente de Lagrange. Para encontrar el valor mínimo de J(k), encontrar la derivada parcial de J(k) a θ(k) y ponerlo igual a 0. Calcule la solución de la siguiente manera:
(10)
Poner Eq (10) en Punto de espera (8)y, a continuación, obtenga la solución de λ como sigue:
(11)
(12)
Para controlar el cambio incremental en el vector parámetro, un factor de paso, β, se introduce en esta fórmula, y la expresión es la siguiente:
(13)
Al mismo tiempo, para evitar la dificultad del cálculo numérico debido al pequeño vector de entrada, una constante positiva relativamente pequeña, γ, se introduce. Li et al. demostraron que cuando 0 < β < 2 and 0 < γ < 1, the NLMS algorithm can achieve better convergence effects16. La expresión final es la siguiente:
(14) - Programe el algoritmo de estimación de velocidad de rotación en un archivo M, al que se puede llamar en tiempo de ejecución.
NOTA: Aquí se muestra la derivación del algoritmo de estimación de velocidad de rotación. La ecuación de flujo del actuador se puede escribir de la siguiente manera:
(15)
Cuando la unidad hidráulica está trabajando en condiciones normales, la pérdida de flujo total, Qf, causada por la compresión del aceite y la fuga se puede expresar aproximadamente de la siguiente manera:
(16)
En esta fórmula, η es la eficiencia volumétrica de la EHA.
Por lo tanto, la relación analítica aproximada entre la velocidad, ωm, y el desplazamiento, x, se puede obtener de la siguiente manera:
(17)
La ecuación de error de estimación de velocidad de rotación discretizada es la siguiente:
En esta fórmula, eωm(k) es el error de velocidad de rotación estimado y
es la velocidad de rotación estimada. Los cambios en eωm(k) reflejan las condiciones de trabajo de la unidad hidráulica. Cuando eωm (k) se desvía repentinamente del valor normal, significa que la condición de la unidad hidráulica es anormal, lo que se puede usar para detectar fallas hidráulicas en línea. - Construya el módulo de inyección de fallas y proporcione interruptores de inyección de fallas (Figura 2E, F), que pueden decidir si inyectar una falla.
- Defina los parámetros del modelo de simulación de acuerdo con la Tabla 1 haciendo doble clic en el componente específico de cada submodelo.
- Programe el software de dibujo, que puede dibujar curvas de simulación después de completar un grupo de experimentos.
(1)
(2)
(3)
(4)
(5)
(6)
y 
.
(7)
(8)
(9)
(10)
(11)
(12)
(13)
(14)
(15)
(16)
(17)
es la velocidad de rotación estimada. Los cambios en eωm(k) reflejan las condiciones de trabajo de la unidad hidráulica. Cuando eωm (k) se desvía repentinamente del valor normal, significa que la condición de la unidad hidráulica es anormal, lo que se puede usar para detectar fallas hidráulicas en línea.2. Simulación de los métodos de detección de fallos
- Dé un comando de posición, que es una sinusoide con una amplitud de 0,01 m y una frecuencia de 1 Hz.
- Ingrese al menú MODELADO y haga clic en el botón Configuración del modelo. Defina los parámetros de operación de simulación: un tiempo de inicio de 0 s, un tiempo de parada de 6 s, el tipo como paso variable y el solucionador como automático.
- Haga doble clic en los interruptores de inyección de errores para configurar el modelo para que funcione en una condición sin errores.
- Haga clic en el botón Ejecutar para ejecutar la simulación y recibir los resultados de la condición sin error.
- Ejecute el software de dibujo para dibujar la curva del desplazamiento del vástago del pistón.
- Haga doble clic en el interruptor de falla electromecánica de inserción para inyectar una falla electromecánica a 3 s, que establece la resistencia en 1,000 Ω para simular una falla de circuito abierto de los devanados del motor.
- Repita los pasos 2.4 y 2.5 para obtener los resultados para la condición de falla electromecánica. Ejecute el software de dibujo para dibujar las curvas del desplazamiento del vástago del pistón y la resistencia identificada.
- Gire el interruptor de falla hidráulica de inserción para inyectar una falla hidráulica a 3 s, lo que aumenta el valor de fuga a 2.5 × 10−9 (m3/s)/Pa para simular una falla de la unidad hidráulica.
- Repita los pasos 2.3 y 2.4 para obtener los resultados para la condición de falla hidráulica. Ejecute el software de dibujo para dibujar las curvas del desplazamiento del vástago del pistón y los resultados de la estimación de la velocidad de rotación.
3. Establecimiento de la plataforma experimental (Figura 3)
- Coloque el PC, la EHA y el servocontrolador en posición. El EHA se muestra en la Figura 4 y el servocontrolador se muestra en la Figura 5.
- Cablee las partes eléctricas.
- Conecte los sensores EHA a los puertos del sensor para el servocontrolador a través de varios enchufes de aviación.
- Conecte el puerto de accionamiento del motor EHA al puerto del inversor para el servocontrolador a través del enchufe de aviación.
- Conecte el servocontrolador a la potencia de control y la alimentación de accionamiento a través del enchufe de aviación.
PRECAUCIÓN: Apague el voltaje temporalmente por seguridad.
- Establecer comunicación entre el servocontrolador y el PC.
- Abra la interfaz del software host (Figura 6) en el PC.
- Conecte el PC y el servocontrolador a través de un cable serie de 422 a USB para configurar la comunicación.
- Proporcione potencia de control al servocontrolador. El voltaje de potencia de control es de 24 V CC.
- Seleccione el puerto serie apropiado en la ventana desplegable Nombre de recurso VISA en el software.
NOTA: Si la comunicación no se establece correctamente, compruebe el cable o reinicie el software hasta que se establezca la comunicación RS422. - Haga clic en el botón Ejecutar para iniciar el software.
- Observe el área de recepción y las curvas correspondientes del software para determinar si la función de recepción de datos es normal. Haga clic en el botón Solenoid Valve 1 para observar si la válvula solenoide tiene un sonido pull-in y determinar si la función de transmisión de datos es normal.
4. Experimente para el método de detección de fallas
- Proporcione potencia de accionamiento al servocontrolador y ajuste el voltaje a 50 V CC.
NOTA: Una operación de subvoltaje de 50 V CC garantiza un trabajo seguro ya que el sistema está libre de carga. - Haga clic en el botón EHA Switch (Interruptor EHA) del software para establecer el EHA en un estado de ejecución. Haga clic en el botón Registro de datos para iniciar el registro de datos . Los datos registrados incluyen la posición real, la posición objetivo, la velocidad real, la velocidad objetivo, la corriente del bus, el voltaje, etc.
- Realice una pre-ejecución para la EHA. Dar comandos de posición en el software, que incluyen un paso de +0,005 m y -0,005 m. Observe si la EHA está funcionando normalmente.
PRECAUCIÓN: Si la EHA no funciona normalmente, compruebe el error inmediatamente antes de continuar con este experimento. - Dé un comando de posición en el software, que es una sinusoide con una amplitud de 0,01 m y una frecuencia de 1 Hz.
- Observe si la resistencia identificada y la velocidad de rotación estimada son consistentes con los valores en condiciones de operación sin falla.
- Vuelva a colocar el comando position en el estado original si el resultado es correcto. Haga clic en el botón EHA Switch (Conmutador EHA) para detener el EHA y cortar la alimentación de la unidad, detener el software del equipo host e interrumpir la comunicación entre el servocontrolador y el PC.
- Exporte los datos experimentales, analice los datos y dibuje curvas de los resultados experimentales utilizando un software de dibujo.
- Analice los resultados experimentales y compárelos con los resultados de la simulación para obtener conclusiones.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
En la simulación, la posición real y la curva de posición objetivo del vástago del pistón EHA en la condición de no falla se muestran en la Figura 7. Según la curva, el sistema funcionaba normalmente, con buenas características dinámicas. La posición real y la curva de posición objetivo del vástago del pistón EHA en la condición de inyección de fallas electromecánicas se muestra en la Figura 8. De acuerdo con la curva, el sistema no podía rastrear el objetivo con precisión. Los resultados del algoritmo de identificación de resistencia se muestran en la Figura 9, y estos resultados demostraron que antes de la inyección, el valor identificado convergió al valor verdadero de 0,3 Ω y fluctuó en ±0,02 Ω, mientras que después de la inyección, el valor identificado convergió al valor verdadero de 1.000 Ω y fluctuó en ±3 Ω, lo que indica que el método logró el efecto deseado. La posición real y la curva de posición objetivo del vástago del pistón EHA en la condición de inyección de falla hidráulica se muestran en la Figura 10. De acuerdo con la curva, el sistema no podía rastrear el objetivo con precisión. Los resultados del algoritmo de estimación de velocidad de rotación se muestran en la Figura 11. Las curvas indicaban la velocidad de rotación real, la velocidad de rotación estimada, el error de velocidad de rotación, eωm, y su valor absoluto, | eωm|. Antes de la inyección, la velocidad de rotación estimada era muy cercana a la velocidad de rotación real, mientras que después de la inyección, se podía determinar una falla hidráulica de acuerdo con el error excesivo en la velocidad de rotación.
La posición real y la curva de posición objetivo del vástago del pistón EHA del experimento se muestran en la Figura 12. Los resultados experimentales estuvieron de acuerdo con los resultados de la simulación. De acuerdo con la curva, el sistema funcionaba normalmente, con buenas características dinámicas, cumpliendo así con los requisitos de condiciones de operación. Los resultados del algoritmo de identificación de resistencia se muestran en la Figura 13, y estos resultados mostraron que el valor identificado convergió al valor verdadero de 0,3 Ω, lo que fue consistente con la simulación, lo que indica que el método logró el efecto deseado. En comparación con los resultados de la simulación, el valor de resistencia identificado del experimento fluctuó más. Como la resistencia identificada era muy pequeña, esta diferencia era aceptable. Los resultados del algoritmo de estimación de velocidad de rotación se muestran en la Figura 14. Las curvas mostraron la velocidad de rotación real, la velocidad de rotación estimada, el error de velocidad de rotación, eωm, y su valor absoluto, | eωm|. La velocidad de rotación estimada fue muy cercana a la velocidad de rotación real, y | eωm| esencialmente fluctuó en el rango de 0-2.5 rps, que es un rango razonable. Esto fue consistente con el resultado de la simulación, que muestra la eficacia del método propuesto.
Las simulaciones y experimentos verificaron que el método de detección de fallas estudiado en este trabajo es efectivo y tiene valor práctico.
Figura 1: Diagrama de estructura principal de la EHA. Esta figura muestra el diagrama de estructura principal de una EHA típica. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: Modelo de simulación de la EHA. Esta figura muestra el modelo EHA aplicado en la simulación, que se compone de (B, D) un servocontrolador, (B) una bomba de motor, (C) un cilindro de accionamiento y (E, F) dos interruptores de inyección de fallas. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3: Composición de la estructura de la plataforma experimental. Esta fotografía muestra la composición de la plataforma experimental, incluyendo un EHA, un servocontrolador, una fuente de alimentación de control de 24 V CC, una fuente de alimentación de unidad de CC de alto voltaje, una PC como computadora host y paquetes de cables de conexión. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: Fotografía detallada de la EHA. Esta fotografía muestra los detalles de la composición de la EHA. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5: Fotografía detallada del servocontrolador. Esta fotografía muestra los detalles del servocontrolador. Haga clic aquí para ver una versión más grande de esta figura.
Figura 6: Figura detallada de la interfaz del software host. Esta figura muestra los detalles de la interfaz del software. Haga clic aquí para ver una versión más grande de esta figura.
Figura 7: Resultados de la simulación para la posición real y la curva de posición objetivo del vástago del pistón en la condición de no falla. Los resultados indican que la EHA estaba operando en una condición sin fallas con buenas características dinámicas. Haga clic aquí para ver una versión más grande de esta figura.
Figura 8: Resultados de la simulación para la posición real y la curva de posición objetivo del vástago del pistón en la condición de inyección de falla electromecánica. Los resultados indican que antes de la inyección, la EHA estaba operando con buenas características dinámicas, mientras que después de la inyección, la EHA no podía rastrear el objetivo con precisión debido a una falla. Haga clic aquí para ver una versión más grande de esta figura.
Figura 9: Resultados de la simulación para la resistencia identificada en la condición de inyección de falla electromecánica. Los resultados indican que antes de la inyección, la resistencia identificada convergió al valor real de 0,3 Ω y fluctuó en ±0,02 Ω, mientras que después de la inyección, la resistencia identificada convergió al valor real de 1.000 Ω y fluctuó en ±3 Ω, lo que significa que el método logró el efecto deseado. Haga clic aquí para ver una versión más grande de esta figura.
Figura 10: Resultados de la simulación para la posición real y la curva de posición objetivo del vástago del pistón en la condición de inyección de falla hidráulica. Los resultados indican que antes de la inyección, la EHA estaba operando con buenas características dinámicas, mientras que después de la inyección, la EHA no podía rastrear el objetivo con precisión debido a una falla. Haga clic aquí para ver una versión más grande de esta figura.
Figura 11: Resultados de la simulación para la estimación de la velocidad de rotación en la condición de inyección de fallas hidráulicas. (A) Este panel muestra las curvas de la velocidad de rotación real, la velocidad de rotación estimada y el error de la velocidad de rotación. Las curvas indican que, antes de la inyección, la velocidad de rotación estimada era muy cercana a la real, mientras que después de la inyección, la falla hidráulica podría determinarse de acuerdo con el error excesivo en la velocidad de rotación. (B) Este panel muestra la curva del error de velocidad de rotación absoluta. La curva indica que, antes de la inyección, el error de velocidad de rotación absoluta fluctuó en el rango de 0-2 rps en la condición sin falla, mientras que después de la inyección, la falla hidráulica podría determinarse de acuerdo con el error de velocidad de rotación absoluta excesiva, lo que significa que el método logró el efecto deseado. Haga clic aquí para ver una versión más grande de esta figura.
Figura 12: Resultados experimentales para la posición real y la curva de posición objetivo del vástago del pistón. Los resultados indican que la EHA estaba operando en una condición sin fallas con buenas características dinámicas. Haga clic aquí para ver una versión más grande de esta figura.
Figura 13: Resultados experimentales para la resistencia identificada. Los resultados indican que la resistencia identificada convergió al valor real de 0,3 Ω, lo que fue esencialmente consistente con la simulación, lo que significa que el método logró el efecto deseado. Haga clic aquí para ver una versión más grande de esta figura.
Figura 14: Resultados experimentales para la estimación de la velocidad de rotación. (A) Este panel muestra las curvas de la velocidad de rotación real, la velocidad de rotación estimada y el error de la velocidad de rotación, que indican que la velocidad de rotación estimada estaba muy cerca de la real. (B) Este panel muestra la curva del error de velocidad de rotación absoluta. Los resultados indican que el error de velocidad de rotación absoluta fluctuó en el rango de 0-2.5 rps, lo que fue consistente con la simulación y, por lo tanto, valida la eficacia del método. Haga clic aquí para ver una versión más grande de esta figura.
| Parámetro | Símbolo | Unidad | Valor | |||
| Resistencia del bobinado | R | Ω | 0.3 | |||
| Inductancia equivalente de la armadura | L | H | 5.5×10-4 | |||
| Coeficiente de par del motor | Kt | N·m/A | 0.257 | |||
| Coeficiente de fuerza electromotriz trasera del motor | Ke | V/(rad/s) | 0.215 | |||
| Momento de inercia del rotor del motor y la bomba | Jm | Kg·m2 | 4×10-4 | |||
| Coeficiente de fricción del motor | Bm | N·m/(rad/s) | 6×10-4 | |||
| Coeficiente de fuga interna total del sistema | Kil | (m3/s)/Pa | 2.5×10-12 | |||
| Desplazamiento de la bomba | q | m3/r | 2.4×10-6 | |||
| Área efectiva del pistón | Un | m2 | 1.5×10-3 | |||
| Módulo a granel del aceite hidráulico | B | N/m2 | 6.86×108 | |||
| Masa del pistón y carga | M | kg | 240 | |||
| Coeficiente de amortiguación viscosa del cilindro hidráulico | Kf | N/(m/s) | 10000 | |||
| Volumen efectivo de la cavidad del cilindro hidráulico | V0 | m3 | 5.12×10-4 | |||
Tabla 1: Parámetros de simulación. Esta tabla muestra los principales parámetros del modelo de simulación.
Tabla 2: Tabla de materiales. Esta tabla indica los componentes principales de la plataforma de prueba.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Al realizar estos pasos experimentales, era importante garantizar la capacidad en tiempo real del algoritmo para obtener resultados de cálculo precisos. El ruido blanco en el proceso de adquisición de señal se adoptó para simular las características del sensor real con el fin de hacer la simulación más cercana a la realidad. En las simulaciones y experimentos, se aplicaron filtros de media móvil para reducir la fluctuación en la resistencia identificada y la velocidad de rotación estimada, lo que hizo que las características de la falla fueran más estables y fáciles de juzgar. Durante el experimento, debe tenerse en cuenta que, en el caso de una interrupción repentina de la comunicación, la fuente de alimentación de la unidad debe cortarse inmediatamente, y el experimento solo se puede llevar a cabo después de que se haya restablecido la comunicación.
Para el algoritmo de identificación de resistencia del devanado, aunque los resultados del experimento fueron casi los mismos que los resultados de la simulación, que fluctuaron alrededor de 0,3 Ω, la resistencia identificada del experimento fluctuó en mayor medida y el efecto no fue ideal. La razón de esto fue que la colección actual estaba sujeta a mucha interferencia. Por ejemplo, el estado del interruptor del dispositivo de alimentación no se podía cambiar instantáneamente cuando el motor estaba bajo conmutación, y aparecería un diente de sierra en la corriente de bus recogida. El sensor de corriente se instaló cerca del módulo de accionamiento del motor y se vio afectado por una fuerte interferencia electromagnética causada por el cambio de estado del interruptor del dispositivo de alimentación. Por lo tanto, el ruido en los datos recopilados por el sensor de corriente era bastante grande. Aunque se aplicó un filtro para suavizar los datos, los resultados finales aún no fueron tan buenos como la simulación. Por lo tanto, en futuras investigaciones, el diseño de compatibilidad electromagnética del servocontrolador debe optimizarse aún más, y el filtro debe mejorarse para un mejor efecto práctico.
El experimento se llevó a cabo en condiciones libres de carga en las que se aplicó un comando de posición sinusoidal con una amplitud de 0,01 m y una frecuencia de 1 Hz. En realidad, el umbral para juzgar las faltas varía según las condiciones de trabajo. En la práctica, los experimentos deben llevarse a cabo en múltiples condiciones de trabajo para garantizar que los umbrales de la resistencia identificada y la velocidad de rotación estimada sean razonables.
Debido a la dificultad y el peligro potencial de inyectar una falla en objetos reales, las inyecciones de fallas en el circuito abierto del devanado del motor y el aumento de las fugas solo se llevaron a cabo bajo simulación en lugar de cuando se utiliza una plataforma experimental. La inyección de fallos debe llevarse a cabo después de que se cumplan las condiciones de operación para verificar aún más la viabilidad del método estudiado en este documento.
Este estudio proporciona una demostración y orientación para la investigación experimental sobre la detección de fallos de EHA, y es de gran importancia para la demostración y aplicación de la EHA e incluso para la investigación sobre sistemas de gestión de salud EHA en el futuro.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores declaran que no tienen intereses financieros conocidos en competencia o relaciones personales que puedan influir en el trabajo reportado en este documento.
Acknowledgments
Este trabajo fue apoyado por el Proyecto de Aeronaves Civiles Chinos (No. MJ-2017-S49) y el
Fundación de Ciencias Postdoctorales (No. 2021M700331).
Materials
| Name | Company | Catalog Number | Comments |
| LabVIEW | NI | NI LabVIEW 2018 | |
| Matlab/SIMULINK | MathWorks.Inc | R2020a | |
| Personal Computer | Lenovo | Y7000 2020H | |
| 24V Switching Power Supply | ECNKO | S-250-24 | |
| Programmable Current Source | Greens Pai | GDP-50-30 |
References
- Fu, Y., et al. Review on design method of electro-hydrostatic actuator. Journal of Beijing University of Aeronautics and Astronautics. 43 (10), 1939-1952 (2017).
- Qi, H., et al. Modelling and simulation of a novel dual-redundancy electro-hydrostatic actuator. 2015 International Conference on Fluid Power and Mechatronics (FPM) IEEE. , 270-275 (2015).
- Chao, Q., et al. Integrated slipper retainer mechanism to eliminate slipper wear in high-speed axial piston pumps. Frontiers of Mechanical Engineering. 17, (2022).
- Yoo, M., et al. A resilience measure formulation that considers sensor faults. Reliability Engineering& System Safety. 199, 106393 (2019).
- Fang, J., et al. Online inverter fault diagnosis of buck-converter BLDC motor combinations. IEEE Transactions on Power Electronics. 30 (5), 2674-2688 (2015).
- Lisnianski, A., et al. Power system structure optimization subject to reliability constraints. Electric Power Systems Research. 39 (2), 145-152 (1996).
- Fu, T., Wang, L., Qi, H., Liu, H. Fault diagnosis and management of electric hydrostatic actuator. Machine Tool & Hydraulics. 38 (9), 120-124 (2010).
- Maddahi, A., Kinsner, W., Sepehri, N. Internal leakage detection in electrohydrostatic actuators using multiscale analysis of experimental data. IEEE Transactions on Instrumentation and Measurement. 65 (12), 2734-2747 (2016).
- Guo, S., et al. Hydraulic piston pump in civil aircraft: Current status, future directions and critical technologies. Chinese Journal of Aeronautics. 33 (01), 16-30 (2020).
- Jackson, E. Real-time model-based fault detection and diagnosis for automated systems. IEEE Industry Applications Society Dynamic Modeling Control Applications for Industry Workshop. , 26-28 (1997).
- Alcorta, G. E., Zolghadri, A., Goupil, P. A novel non-linear observer-based approach to oscillatory failure detection. 2009 European Control Conference (ECC). , 1901-1906 (2009).
- Castaldi, P., et al. Design of residual generators and adaptive filters for the FDI of aircraft model sensors. Control Engineering Practice. 18 (5), 449-459 (2010).
- Zhu, P., Dong, W., Mao, Y., Shi, H., Ma, X. Kernel adaptive filtering multiple-model actuator fault diagnostic for multi-effectors aircraft. 2019 12th Asian Control Conference (ASCC). , 1489-1494 (2019).
- Hidayat, R., Ramady, G. D., Lestari, N. S., Mahardika, A. G., Fadriani, H. Optimization of normalized least mean square algorithm of smart antenna beamforming for interference mitigation. Journal of Physics: Conference Series. 1783, 012085 (2021).
- Fu, J., et al. Modelling and simulation of flight control electromechanical actuators with special focus on model architecting, multidisciplinary effects and power flows. Chinese Journal of Aeronautics. 30 (1), 47-65 (2017).
- Li, Z., et al. New normalized LMS adaptive filter with a variable regularization factor. Journal of Systems Engineering and Electronics. 30 (2), 259-269 (2019).
