Entwurf und Anwendung eines Fehlererkennungsverfahrens auf Basis adaptiver Filter und Drehzahlschätzung für einen elektro-hydrostatischen Aktuator
28. Oktober 2022
In dieser Arbeit werden ein adaptiver Filter, der auf einem normalisierten NLMS-Algorithmus (Least Mean Square) basiert, und eine Methode zur Schätzung der Drehzahl vorgestellt, um die elektrischen und hydraulischen Fehler des elektrohydrostatischen Aktuators (EHA) zu erkennen. Die Wirksamkeit und Machbarkeit der genannten Methoden wird durch Simulationen und Experimente überprüft.
Die Fehlererkennung ist eine Schlüsseltechnologie, um die Praktikabilität eines elektrohydrostatischen Aktuators, auch bekannt als EHA, zu testen. Dieses Protokoll verfügt über eine effektive Design-Experiment-Methode zur EHA-Fehlererkennung. Dieses Protokoll kombiniert Simulations- und Experimentfehlererkennungsalgorithmen, die die Fehler von EHA effektiv und schnell erkennen können.
Um das EHA-Simulationsmodell zu erstellen, öffnen Sie die Simulationssoftware auf einem PC und stellen Sie die Parameter des Modells wie im Textmanuskript beschrieben ein. Geben Sie dann einen Positionsbefehl, eine Sinuskurve mit einer Amplitude von 0,01 Metern und einer Frequenz von zwei Pi-Radien pro Sekunde. Rufen Sie das Modellierungsmenü auf und klicken Sie auf die Schaltfläche "Modelleinstellungen".
Legen Sie die Parameter für den Simulationsvorgang ab einer Startzeit von null Sekunden, einer Stoppzeit von sechs Sekunden, den Typ als variabler Schritt und den Solver als auto fest. Doppelklicken Sie auf die Schalter für die Fehlerinjektion, um das Modell so einzustellen, dass es in einem fehlerfreien Zustand funktioniert. Klicken Sie auf die Schaltfläche Ausführen, um die Simulation auszuführen und die Ergebnisse der fehlerfreien Bedingung zu erhalten.
Führen Sie die Zeichensoftware aus, um die Kurve der Fehlplatzierung der Kolbenstange zu zeichnen. Doppelklicken Sie auf den elektromechanischen Fehlerschalter einfügen, um einen elektromechanischen Fehler nach drei Sekunden einzuspeisen, wodurch der Widerstand auf 1000 μm eingestellt wird, um einen Leerlauffehler der Motorwicklungen zu simulieren. Wiederholen Sie den Simulationslauf wie zuvor gezeigt, um die Ergebnisse für den elektromechanischen Fehlerzustand zu erhalten.
Führen Sie die Zeichensoftware aus, um die Kurven der Kolbenstangenverschiebung und des ermittelten Widerstands zu zeichnen. Drehen Sie den hydraulischen Fehlerschalter des Einsatzes, um einen hydraulischen Fehler in drei Sekunden einzuspritzen, was den Leckagewert auf 2,5 mal 10^9 Kubikmeter pro Sekunde pro Pascal erhöht, um einen Fehler der Hydraulikeinheit zu simulieren. Führen Sie dann das Simulationsmodell wie zuvor gezeigt aus, um die Ergebnisse für den hydraulischen Fehlerzustand zu erhalten.
Führen Sie die Zeichensoftware aus, um die Kurven der Ergebnisse der Kolbenstangenverschiebung und der Schätzung der Drehzahl zu zeichnen. Positionieren Sie den PC, den EHA und die Servosteuerung. Öffnen Sie die Host-Softwareschnittstelle auf dem PC und stellen Sie die Kommunikation zwischen dem Servoregler und dem PC her. Wählen Sie die entsprechende serielle Schnittstelle aus dem Dropdown-Fenster für den Namen der Visa-Ressource der Software aus.
Klicken Sie auf die Schaltfläche Ausführen, um die Software zu starten. Beobachten Sie den Empfangsbereich und die entsprechenden Kurven der Software, um festzustellen, ob die Datenempfangsfunktion normal ist. Klicken Sie auf die Zwei-Taste des Magnetventils, um zu beobachten, ob das rote Licht des Magnetventils aufleuchtet, und um festzustellen, ob die Datenübertragungsfunktion normal ist.
Versorgen Sie den Servoregler mit Antriebsstrom und stellen Sie die Spannung auf 50 Volt DC ein. Klicken Sie auf die EHA-Schalterschaltfläche in der Software, um die EHA in einen Ausführungszustand zu versetzen. Klicken Sie auf die Schaltfläche Datenprotokoll, um die Datenprotokollierung zu starten.
Die aufgezeichneten Daten enthalten verschiedene Parameter, wie z. B. die aktuelle Position, die Zielposition, die tatsächliche Geschwindigkeit, die Zielgeschwindigkeit, den Busstrom und die Spannung. Führen Sie einen Vorlauf für die EHA durch und geben Sie Positionsbefehle in der Software. Dazu gehören Schritte von plus fünf und minus fünf Millimetern.
Beobachten Sie, ob der EHA normal betätigt wird. Geben Sie einen Positionsbefehl auf der Software, eine Sinuskurve mit einer Amplitude von 10 Millimetern und einer Frequenz von einem Hertz. Beobachten Sie, ob der ermittelte Widerstand und die geschätzte Drehzahl mit den Werten unter fehlerfreien Betriebsbedingungen übereinstimmen.
Setzen Sie den Positionsbefehl auf den ursprünglichen Zustand zurück, wenn das Ergebnis korrekt ist. Klicken Sie auf die EHA-Schaltertaste, um den EHA zu stoppen und die Laufwerksleistung zu unterbrechen. Stoppen Sie dann die Software des Host-Computers und unterbrechen Sie die Kommunikation zwischen dem Servoregler und dem PC. Exportieren Sie die experimentellen Daten, analysieren Sie die Daten und zeichnen Sie Kurven der experimentellen Ergebnisse mit einer Zeichensoftware.
Fahren Sie dann mit der Ergebnisanalyse fort, wie im Textmanuskript beschrieben. Im Simulationslauf lief die Ist- und Soll-Positionskurve der EHA-Kolbenstange im fehlerfreien Zustand normal mit guten dynamischen Eigenschaften. Die Positionskurve in der elektromechanischen Fehlereinspeisung konnte das Ziel jedoch nicht exakt nachführen.
Der Algorithmus zur Identifizierung von Resistenzen zeigte, dass der identifizierte Wert vor und nach der Injektion gegen den tatsächlichen Wert konvergierte, was darauf hindeutet, dass die Methode den gewünschten Effekt erzielte. Die Ist- und Soll-Positionskurven im Zustand der hydraulischen Fehlereinspritzung konnten das Ziel nicht genau verfolgen. Vor der Injektion lag die geschätzte Drehzahl sehr nahe an der tatsächlichen Drehzahl.
Nach der Einspritzung konnte ein hydraulischer Fehler anhand des übermäßigen Fehlers in der Drehzahl festgestellt werden. Die experimentellen Ergebnisse stimmten mit den Simulationsergebnissen überein. Der Widerstandsidentifikationsalgorithmus zeigte, dass der identifizierte Wert in Übereinstimmung mit der Simulation gegen den wahren Wert von 0,3 oms konvergierte, was darauf hindeutet, dass die Methode den gewünschten Effekt erzielte.
Die entsprechende Schätzung der Drehzahl lag nahe an der tatsächlichen Drehzahl, und der Drehzahlfehler schwankte im Wesentlichen im akzeptablen Bereich von null bis 2,5 U/s. Die Fehlererkennungstechnologie ist ein Schlüssel zur EHA-Redundanz und zum Gesundheitsmanagement. Dies kann den Weg für die weitere Praktikabilität von EHA ebnen.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Überblick
Diese Studie präsentiert einen adaptiven Filter unter Verwendung eines normalisierten kleinsten Mittelwertquadrats (NLMS) Algorithmus zur Erkennung von elektrischen und hydraulischen Fehlern in elektro-hydrostatischen Aktoren (EHA). Die Methoden werden sowohl durch Simulationen als auch durch Experimente validiert.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Neurowissenschaften
- Ingenieurwesen
- Fehlererkennung
Hintergrund
- Elektro-hydrostatische Aktoren (EHA) sind in verschiedenen Anwendungen von entscheidender Bedeutung.
- Fehlererkennung ist wesentlich für die Gewährleistung der Zuverlässigkeit von EHAs.
- Bestehende Methoden können bei der Echtzeit-Fehlererkennung an Effizienz mangeln.
- Diese Studie zielt darauf ab, die Fehlererkennungstechniken für EHA zu verbessern.
Zweck der Studie
- Eine effektive Methode zur Erkennung von Fehlern in EHAs zu entwickeln.
- Simulations- und experimentelle Ansätze zur Validierung zu kombinieren.
- Die Zuverlässigkeit und Leistung von EHA in praktischen Anwendungen zu verbessern.
Verwendete Methoden
- Entwicklung eines normalisierten kleinsten Mittelwertquadrats (NLMS) Algorithmus.
- Simulationsmodellierung des EHA unter Verwendung spezifischer Parameter.
- Experimentelle Validierung der Fehlererkennungsmethoden.
- Analyse der Ergebnisse zur Beurteilung der Wirksamkeit und Machbarkeit.
Hauptergebnisse
- Der NLMS Algorithmus erkennt effektiv Fehler in EHAs.
- Simulationsergebnisse stimmen mit experimentellen Ergebnissen überein.
- Die vorgeschlagenen Methoden zeigen eine schnelle und genaue Fehlererkennung.
- Die Ergebnisse deuten auf eine verbesserte Zuverlässigkeit von EHAs in betrieblichen Umgebungen hin.
Schlussfolgerungen
- Die Studie führt erfolgreich eine neuartige Fehlererkennungsmethode für EHA ein.
- Die Kombination von Simulationen mit Experimenten verbessert die Validierung der Ergebnisse.
- Zukünftige Arbeiten können sich auf Echtzeit-Anwendungen der vorgeschlagenen Methoden konzentrieren.
Häufig gestellte Fragen
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
