基于自适应滤波和转速估计的电静压执行器故障检测方法设计与应用
2022年10月28日
该文引入一种基于归一化最小均方（NLMS）算法的自适应滤波和转速估计方法检测电动静压执行器（EHA）的电气和液压故障。通过仿真和实验验证了上述方法的有效性和可行性。
故障检测是测试电动静压执行器（也称为EHA）实用性的关键技术。该协议具有有效的EHA故障检测设计实验方法。该协议结合了仿真和实验故障检测算法，可以有效，快速地检测EHA的错误。
要建立EHA仿真模型，请在PC上打开仿真软件，并按照文本手稿中的说明设置模型的参数。然后给出一个位置命令，一个振幅为 0.01 米、频率为每秒 2 pi 半径的正弦曲线。进入模型模型菜单，点击模型设置"按钮。
将仿真操作参数设置为开始时间为零秒，停止时间为 6 秒，类型为可变步长，求解器设置为自动。双击故障注入开关，将模型设置为在非故障条件下工作。单击运行按钮运行模拟并接收非故障条件结果。
运行绘图软件绘制活塞杆错位的曲线。双击插入机电故障开关，在三秒处注入机电故障，将电阻设置为1000 ums，以模拟电机绕组的开路故障。重复前面演示的模拟运行，以获得机电故障条件的结果。
运行绘图软件，绘制活塞杆位移曲线和识别的阻力。转动插入液压故障开关，在三秒处注入液压故障，将泄漏值增加到每帕斯卡每秒 10^9 立方米的 2.5 倍，以模拟液压单元故障。然后按照前面演示的方式运行仿真模型，以获得液压故障条件的结果。
运行绘图软件，绘制活塞杆位移曲线和转速估计结果。放置 PC、EHA 和伺服控制器。打开PC上的主机软件界面，建立伺服控制器和PC之间的通信。从软件的签证资源名称下拉窗口中选择适当的串行端口。
单击运行按钮以启动软件。观察软件的接收区域和相应的曲线，判断数据接收功能是否正常。点击电磁阀两个按钮，观察电磁阀红灯是否亮起，判断数据传输功能是否正常。
为伺服控制器提供驱动电源，并将电压设置为 50 伏直流。单击软件上的 EHA 开关按钮，将 EHA 设置为运行状态。单击数据记录按钮以开始数据记录。
记录的数据将包括各种参数，例如实际位置，目标位置，实际速度，目标速度，总线电流和电压。对 EHA 进行预运行，并在软件上给出位置命令。其中包括正五毫米和负五毫米的步长。
观察 EHA 是否正常启动。在软件上给出一个振幅为 10 毫米、频率为 1 赫兹的正弦波的位置命令。观察识别的电阻和估计的转速是否与非故障操作条件下的值一致。
如果结果正确，请将位置命令恢复到原始状态。单击 EHA 开关按钮停止 EHA 并切断驱动器电源。然后停止上位机软件并中断伺服控制器与PC之间的通信。导出实验数据，分析数据，并使用绘图软件绘制实验结果的曲线。
然后按照文本手稿中的说明进行结果分析。在仿真运行中，EHA活塞杆在非故障条件下的实际和目标位置曲线运行正常，具有良好的动态特性。然而，机电故障注入中的位置曲线无法准确跟踪目标。
电阻识别算法表明，在注入前后，识别值收敛于真实值，表明该方法达到了预期效果。液压故障注入工况下的实际和目标位置曲线无法准确跟踪目标。注射前，估计的转速非常接近实际转速。
而在注入后，可以根据转速的过大误差来确定液压故障。实验结果与仿真结果一致。电阻识别算法表明，识别值收敛到与仿真一致的0.3 oms真实值，表明该方法达到了预期效果。
相应的转速估计值接近实际转速，转速误差基本上在0至2.5 RPS的可接受范围内波动。故障检测技术是EHA冗余和健康管理的关键。这可以为EHA的进一步实用性铺平道路。
查看完整文字稿并访问数千部科学视频
概览
本研究提出了一种使用归一化最小均方（NLMS）算法的自适应滤波器，用于检测电液静压执行器（EHA）中的电气和液压故障。所用的方法通过仿真和实验进行验证。
关键研究组成部分
科学领域
- 神经科学
- 工程学
- 故障检测
背景
- 电液静压执行器（EHA）在各种应用中至关重要。
- 故障检测对于确保EHAs的可靠性至关重要。
- 现有方法在实时故障检测中可能缺乏效率。
- 本研究旨在改进EHA的故障检测技术。
研究目的
- 开发一种有效的方法来检测EHA中的故障。
- 结合仿真和实验方法进行验证。
- 提高EHA在实际应用中的可靠性和性能。
使用的方法
- 开发归一化最小均方（NLMS）算法。
- 使用特定参数对EHA进行仿真建模。
- 对故障检测方法进行实验验证。
- 分析结果以评估有效性和可行性。
主要结果
- NLMS算法能有效检测EHA中的故障。
- 仿真结果与实验发现一致。
- 所提方法展示了快速和准确的故障检测。
- 结果表明EHA在操作环境中的可靠性得到了提高。
结论
- 本研究成功引入了一种新型EHA故障检测方法。
- 结合仿真和实验增强了结果的验证。
- 未来的工作可能专注于所提方法的实时应用。
常见问题
Executive Industry Relevance
Reliable fault detection in electro-hydrostatic actuators (EHA) is critical for ensuring operational safety and system integrity in advanced aerospace and automation platforms. The integration of adaptive filtering and rotational speed estimation enables early identification of electrical and hydraulic faults, reducing unplanned downtime and supporting predictive maintenance strategies. These capabilities directly impact the risk profile and lifecycle management of high-value electromechanical assets in regulated industries.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Supports robust hypothesis testing for actuator reliability in automated laboratory systems.
- Enables mechanistic de-risking by distinguishing between electrical and hydraulic failure modes.
- Improves predictive confidence in the operational readiness of critical automation components.
Screening & Assay Development
- Facilitates standardization of actuator performance in high-throughput screening platforms.
- Enables reproducible detection of system anomalies, supporting consistent assay execution.
- Provides quantitative outputs for actuator health, aiding in platform qualification and maintenance scheduling.
Translational & Preclinical Research
- Ensures continuity of automated workflows by minimizing actuator-related disruptions in preclinical studies.
- Supports risk-adjusted advancement of automation technologies into regulated laboratory environments.
- Enhances reliability of disease-relevant model systems dependent on precise actuation.
Pipeline & Workflow Integration
The adaptive fault detection method integrates into the automation reliability continuum, from early system validation through operational deployment in screening and preclinical research environments.
- Discovery Biology: Enables hypothesis-driven evaluation of actuator performance under simulated and real-world fault conditions.
- Screening: Provides actionable, quantitative health metrics for actuators in automated assay platforms.
- Analytics: Delivers real-time resistance and rotational speed measurements to inform maintenance and troubleshooting.
- Translational Research: Maintains workflow integrity in preclinical automation by preemptively identifying actuator faults.
- Enterprise Reuse: Establishes a scalable, software-driven diagnostic capability for diverse electromechanical systems.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in automation reliability and reduces mechanistic ambiguity in system failures.
- Operational Value: Standardizes actuator health monitoring and supports reproducible automation performance.
- Strategic Value: Enables informed go/no-go decisions for automation deployment and reduces late-stage operational risk.
- Portfolio Impact: Supports risk-adjusted prioritization of automation investments and technology advancement.
Implementation Considerations
- Requires expertise in adaptive filtering algorithms and electromechanical system modeling.
- Depends on access to simulation and experimental validation infrastructure for actuator systems.
- Necessitates cross-team standardization of fault detection thresholds and reporting formats.
- May require adaptation for different actuator types or integration with legacy automation platforms.
- Performance is contingent on accurate parameterization and real-time data acquisition capabilities.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:38
Establishment of the EHA Model and Simulation of the Fault Detection Methods
2:33
Establishment of the Experimental Platform
3:17
Experiment for the Fault Detection Method
4:47
Results: Demonstration of Electro-Hydrostatic Actuator Fault Detection for Experimental Research
6:17
Conclusion
