Name: 電気ハイドロスタティックアクチュエータの適応フィルタと回転速度推定に基づく故障検出手法の設計と応用 (動画) | JoVE Journal
Uploaded: 2022-10-28T13:00:00.000+00:00
Duration: 6 min 45 s
Description: 学ぶ電気ハイドロスタティックアクチュエータの故障検出手法。NLMS適応フィルタと回転速度推定を用いて、電気・油圧両方の異常を迅速に検出するシミュレーションと実験に基づく検証方法です。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

この作業は、中国の民間航空機プロジェクト(No.MJ-2017-S49)と中国の支援を受けました。
ポスドク科学財団(第2021M700331号)。

1. EHAシミュレーションモデルの構築
<ol><li>PCでシミュレーションソフトウェアを開きます。</li>
	<li>EHAモデル15の数式に従ってEHAのシミュレーションモデル(図2)を構築し、コントローラとして3ループPIを実行します。油圧モジュール(図2C)、電気モジュール(図2B)、およびコントローラ(図2B、D)を3つのサブモデルにカプセル化します。 注: EHA モデルの数式は、 式 (1) で次のとおりです。 <img alt="Equation 1" src="/files/ftp_upload/63575/63575eq01.jpg" style="margin: auto;"> (1) この式において、Ueは電機子の電圧、Keはモータの逆起電力係数、ωmはモータの回転速度、Lは電機子の等価インダクタンス、iは巻線の電流、Rは巻線の抵抗、Ktはモータのトルク係数、 Jmはロータ慣性モーメント、Bmはモータの摩擦係数、qはポンプの変位、Pfは油圧シリンダ内の2つのチャンバ間の圧力差、Aはピストンの有効面積、xはピストンロッドの位置、V0は油圧シリンダの有効キャビティ容積、 Bは作動油の体積弾性率、Kilはシステムの総内部漏れ係数、Mはピストンと負荷の質量、Kfは油圧シリンダーの粘性減衰係数、Fexは外部負荷力です。</li>
	<li>実行時に呼び出すことができるMファイル内のNLMSアルゴリズムに基づいて適応フィルタをプログラムします。 注:NLMSアルゴリズムに基づく適応フィルタの導出を以下に示します。電気機械の故障は巻線抵抗を特定することで判断でき、離散化されたモーター式は次のとおりです。 <img alt="Equation 2" src="/files/ftp_upload/63575/63575eq02.jpg" style="margin: auto;">(2) この式では、 ts はサンプリング時間、 R(k) および L(k) は、識別する必要があるパラメーターです。 式 (2)次のように書くことができます。 <img alt="Equation 3" src="/files/ftp_upload/63575/63575eq03.jpg" style="margin: auto;">(3) この式では、 <img alt="Equation 4" src="/files/ftp_upload/63575/63575eq04.jpg" style="margin: auto;"> パラメータベクトルθ(k)、サンプリング時間、 ts、除去して抵抗を得ることができ、 R(k).三相巻線のいずれかが故障した場合、 R(k)が正常値から外れています。 適応フィルタは、 式 (3)であり、フィルタの推定誤差は次のようになります。 <img alt="Equation 5" src="/files/ftp_upload/63575/63575eq05.jpg" style="margin: auto;">(4) この式では、 e(k)は変動するランダム信号です。いつ e(k)が十分に小さい場合、フィルタの推定値は ŷ(k).最後に、実際の出力に収束できる場合は、 y(k)、次にシステムのパラメータベクトルθ(k) は、実際のシステム パラメータに収束します。 最小平均二乗法 (LMS) アルゴリズムは、最適な予測とフィルター処理を実現するための基準として最小平均二乗誤差を取ります。自動反復調整を実行して、θ(k) は、システムの真の値に収束します。コスト関数の式は次のとおりです。 <img alt="Equation 6" src="/files/ftp_upload/63575/63575eq06.jpg" style="margin: auto;">(5) この式では、 <img alt="Equation 7" src="/files/ftp_upload/63575/63575eq07.jpg" style="margin: auto;"> Q(k) は、 y(k) および x(k). R(k) は、入力ベクトルの自己相関行列です。 最急降下法によれば、θ(k)最適なソリューションに近づくと、次のようになります。 <img alt="Equation 8" src="/files/ftp_upload/63575/63575eq08.jpg" style="margin: auto;">(6) この式では、 µ は適応変数のステップ・サイズです。実際の反復プロセスでは、現在のサンプリングポイントの値を使用して推定されます Q(k) および R(k)、次のように表すことができます。 <img alt="Equation 23" src="/files/ftp_upload/63575/63575eq23.jpg" style="margin: auto;"> そして <img alt="Equation 24" src="/files/ftp_upload/63575/63575eq24.jpg" style="margin: auto;">. 次に、LMSアルゴリズムを次のように簡略化できます。 <img alt="Equation 9" src="/files/ftp_upload/63575/63575eq09.jpg" style="margin: auto;">(7) LMSアルゴリズムはθ(k)は徐々に実際のシステムパラメータに収束します。 実際のアプリケーションでは、NLMSアルゴリズムは通常、LMSアルゴリズムの遅い収束速度を克服するために使用されます。NLMS アルゴリズムの制約は次のとおりです。 <img alt="Equation 10" src="/files/ftp_upload/63575/63575eq10.jpg" style="margin: auto;">(8) ラグランジュ乗数法を使用して制約付き最適化問題を解くと、コスト関数は次のようになります。 <img alt="Equation 11" src="/files/ftp_upload/63575/63575eq11.jpg" style="margin: auto;"> <img alt="Equation 12" src="/files/ftp_upload/63575/63575eq12.jpg" style="margin: auto;">(9) この式では、λ はラグランジュ係数です。の最小値を見つけるために J(k)、の偏導関数を見つけます J(k) を θ(k) をクリックし、0 に設定します。次のように解を計算します。 <img alt="Equation 13" src="/files/ftp_upload/63575/63575eq13.jpg" style="margin: auto;">(10) 置く 式 (10) に 式 (8)、そしての解を得る λ 次のように： <img alt="Equation 14" src="/files/ftp_upload/63575/63575eq14.jpg" style="margin: auto;">(11) <img alt="Equation 15" src="/files/ftp_upload/63575/63575eq15.jpg" style="margin: auto;">(12) 前記パラメータベクトルの漸進的な変化を制御するために、ステップファクターと、 βがこの式に導入され、式は次のようになります。 <img alt="Equation 16" src="/files/ftp_upload/63575/63575eq16.jpg" style="margin: auto;">(13) 同時に、入力ベクトルが小さいことによる数値計算の困難を回避するために、比較的小さい正の定数、 γが紹介されています。Liらは、0 &lt; β &lt; 2 and 0 &lt; γ &lt; 1, the NLMS algorithm can achieve better convergence effects16.最終的な式は次のとおりです。 <img alt="Equation 17" src="/files/ftp_upload/63575/63575eq17.jpg" style="margin: auto;">(14)</li>
	<li>回転速度推定アルゴリズムをMファイルでプログラムし、実行時に呼び出すことができます。 注:回転速度推定アルゴリズムの導出を以下に示します。アクチュエータの流れ方程式は次のように書くことができます。 <img alt="Equation 18" src="/files/ftp_upload/63575/63575eq18.jpg" style="margin: auto;">(15) 油圧ユニットが通常の状態で作動している場合、オイルの圧縮と漏れによって引き起こされる総流量 損失Qfは、おおよそ次のように表すことができます。 <img alt="Equation 19" src="/files/ftp_upload/63575/63575eq19.jpg" style="margin: auto;">(16) この式では、 η EHAの体積効率です。 したがって、速度ωmと変位xの間の近似解析関係は、次のようにして得ることができます。 <img alt="Equation 20" src="/files/ftp_upload/63575/63575eq20.jpg" style="margin: auto;">(17) 離散化された回転速度推定誤差の式は次のとおりです。 <img alt="Equation 21" src="/files/ftp_upload/63575/63575eq21.jpg" style="margin: auto;"> この式では、 eωm(k)は推定回転速度誤差であり、 <img alt="Equation 22" src="/files/ftp_upload/63575/63575eq22.jpg" style="margin: auto;"> 推定回転速度です。 eωm(k)の変化は、油圧ユニットの動作状態を反映しています。 eωm(k)が突然正常値から逸脱した場合は、油圧ユニットの状態が異常であることを意味し、油圧障害をオンラインで検出するために使用できます。</li>
	<li>障害挿入モジュールを構築し、障害を挿入するかどうかを決定できる障害挿入スイッチ(図 2E、F)を提供します。</li>
	<li>表1に従ってシミュレーションモデルのパラメータを設定するには、各サブモデルの特定のコンポーネントをダブルクリックします。</li>
	<li>実験のグループを完了した後にシミュレーション曲線を描くことができる描画ソフトウェアをプログラムします。</li>
</ol>2. 故障検出手法のシミュレーション
<ol><li>振幅0.01 m、周波数1 Hzの正弦波である位置コマンドを与えます。</li>
	<li>モデリングメニューに入り、モデル設定ボタンをクリックします。シミュレーション操作パラメータを設定します:開始時間を0秒、停止時間6秒、タイプを可変ステップ、ソルバーを自動に設定します。</li>
	<li>障害 挿入スイッチ をダブルクリックして、モデルを非障害状態で動作するように設定します。</li>
	<li>[実行]ボタンをクリックしてシミュレーションを実行し、非障害状態の結果を受け取ります。</li>
	<li>描画ソフトウェアを実行して、ピストンロッドの変位の曲線を描画します。</li>
	<li>インサート電気機械故障スイッチをダブルクリックして、3秒で電気機械故障を注入し、抵抗を1,000 Ωに設定して、モーター巻線の開回路障害をシミュレートします。</li>
	<li>ステップ2.4とステップ2.5を繰り返して、電気機械障害状態の結果を取得します。描画ソフトウェアを実行して、ピストンロッドの変位と特定された抵抗の曲線を描画します。</li>
	<li>インサート油圧障害スイッチを回して3秒で油圧障害を注入すると、漏れ値が2.5 × 10−9(m3 / s)/ Paに増加して、油圧ユニットの故障をシミュレートします。</li>
	<li>ステップ2.3とステップ2.4を繰り返して、油圧障害状態の結果を取得します。描画ソフトウェアを実行して、ピストンロッドの変位と回転速度の推定結果の曲線を描画します。</li>
</ol>3. 実験プラットフォームの構築(図3)
<ol><li>PC、EHA、およびサーボコントローラーを所定の位置に置きます。EHAを図 4に、サーボコントローラを 図5に示します。</li>
	<li>電気部品を配線します。<ol><li>EHAセンサーをいくつかの航空プラグ を介して サーボコントローラーのセンサーポートに接続します。</li>
		<li>EHAモーター駆動ポートをアビエーションプラグ を介して サーボコントローラーのインバーターポートに接続します。</li>
		<li>サーボコントローラをアビエーションプラグ を介して 制御電源と駆動電源に接続します。 注意: 巻は、安全のために一時的にオフにしてください。</li>
	</ol></li>
	<li>サーボコントローラとPC間の通信を確立します。<ol><li>PCの ホストソフトウェアインタフェース (図6)を開きます。</li>
		<li>PCとサーボコントローラーを422-to-USBシリアルケーブルで接続し、通信を設定します。</li>
		<li>サーボコントローラに制御電源を供給します。制御電源電圧は24V DCです。</li>
		<li>ソフトウェアの[ VISAリソース名 ]ドロップダウン・ウィンドウから適切なシリアル・ポートを選択します。 注意: 通信が正常に確立されない場合は、ケーブルを確認するか、RS422通信が確立されるまでソフトウェアを再起動します。</li>
		<li>[ 実行 ]ボタンをクリックして、ソフトウェアを起動します。</li>
		<li>ソフトウェアの受信領域と対応する曲線を観察して、データ受信機能が正常かどうかを判断します。[電磁弁1]ボタンをクリックして、 電磁弁 に引き込み音がするかどうかを観察し、データ送信機能が正常かどうかを確認します。</li>
	</ol></li>
</ol>4. 故障検出手法の実験
<ol><li>サーボコントローラに駆動電力を供給し、電圧を50 V DCに設定します。 注意: 50 V DC低電圧動作により、システムは無負荷であるため、安全な作業が保証されます。</li>
	<li>ソフトウェアの EHAスイッチ ボタンをクリックして、EHAを実行状態に設定します。[データ ログ ]ボタンをクリックして、データロギングを開始します。記録されるデータには、実際の位置、目標位置、実際の速度、目標速度、バス電流、電圧などが含まれます。</li>
	<li>EHAのプレランを実施します。ソフトウェアで、+0.005 mと-0.005 mのステップを含む位置コマンドを指定します。EHAが正常に作動しているかどうかを確認します。 注意: EHAが正常に機能しない場合は、この実験を続行する直前にエラーを確認してください。</li>
	<li>ソフトウェアに位置コマンドを与えます, これは、振幅0.01 m、周波数1 Hzの正弦波です.</li>
	<li>特定された抵抗と推定回転速度が、障害のない動作条件下での値と一致しているかどうかを観察します。</li>
	<li>結果が正しい場合は、位置コマンドを元の状態に戻します。 EHAスイッチボタンをクリックしてEHA を停止し、ドライブの電源を遮断し、 ホストコンピュータソフトウェアを停止し、サーボコントローラと PC間の通信を中断します。</li>
	<li>実験データをエクスポートし、データを解析し、描画ソフトウェアを使用して実験結果の曲線を描画します。</li>
	<li>実験結果を分析し、シミュレーション結果と比較して結論を導き出します。</li>
</ol>

<ol><li>Fu, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Review+on+design+method+of+electro-hydrostatic+actuator%5BTitle%5D)+AND+%22Journal+of+Beijing+University+of+Aeronautics+and+Astronautics%22%5BJournal%5D)">Review on design method of electro-hydrostatic actuator.</a> Journal of Beijing University of Aeronautics and Astronautics. 43 (10), 1939-1952 (2017).</li>
<li>Qi, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modelling+and+simulation+of+a+novel+dual-redundancy+electro-hydrostatic+actuator%5BTitle%5D)+AND+%222015+International+Conference+on+Fluid+Power+and+Mechatronics+%28FPM%29+IEEE%22%5BJournal%5D)">Modelling and simulation of a novel dual-redundancy electro-hydrostatic actuator.</a> 2015 International Conference on Fluid Power and Mechatronics (FPM) IEEE. , 270-275 (2015).</li>
<li>Chao, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integrated+slipper+retainer+mechanism+to+eliminate+slipper+wear+in+high-speed+axial+piston+pumps%5BTitle%5D)+AND+%22Frontiers+of+Mechanical+Engineering%22%5BJournal%5D)">Integrated slipper retainer mechanism to eliminate slipper wear in high-speed axial piston pumps.</a> Frontiers of Mechanical Engineering. 17, (2022).</li>
<li>Yoo, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+resilience+measure+formulation+that+considers+sensor+faults%5BTitle%5D)+AND+%22Reliability+Engineering%26+System+Safety%22%5BJournal%5D)">A resilience measure formulation that considers sensor faults.</a> Reliability Engineering& System Safety. 199, 106393(2019).</li>
<li>Fang, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Online+inverter+fault+diagnosis+of+buck-converter+BLDC+motor+combinations%5BTitle%5D)+AND+%22IEEE+Transactions+on+Power+Electronics%22%5BJournal%5D)">Online inverter fault diagnosis of buck-converter BLDC motor combinations.</a> IEEE Transactions on Power Electronics. 30 (5), 2674-2688 (2015).</li>
<li>Lisnianski, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Power+system+structure+optimization+subject+to+reliability+constraints%5BTitle%5D)+AND+%22Electric+Power+Systems+Research%22%5BJournal%5D)">Power system structure optimization subject to reliability constraints.</a> Electric Power Systems Research. 39 (2), 145-152 (1996).</li>
<li>Fu, T., Wang, L., Qi, H., Liu, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fault+diagnosis+and+management+of+electric+hydrostatic+actuator%5BTitle%5D)+AND+%22Machine+Tool+%26+Hydraulics%22%5BJournal%5D)">Fault diagnosis and management of electric hydrostatic actuator.</a> Machine Tool & Hydraulics. 38 (9), 120-124 (2010).</li>
<li>Maddahi, A., Kinsner, W., Sepehri, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Internal+leakage+detection+in+electrohydrostatic+actuators+using+multiscale+analysis+of+experimental+data%5BTitle%5D)+AND+%22IEEE+Transactions+on+Instrumentation+and+Measurement%22%5BJournal%5D)">Internal leakage detection in electrohydrostatic actuators using multiscale analysis of experimental data.</a> IEEE Transactions on Instrumentation and Measurement. 65 (12), 2734-2747 (2016).</li>
<li>Guo, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hydraulic+piston+pump+in+civil+aircraft%3A+Current+status%2C+future+directions+and+critical+technologies%5BTitle%5D)+AND+%22Chinese+Journal+of+Aeronautics%22%5BJournal%5D)">Hydraulic piston pump in civil aircraft: Current status, future directions and critical technologies.</a> Chinese Journal of Aeronautics. 33 (01), 16-30 (2020).</li>
<li>Jackson, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Real-time+model-based+fault+detection+and+diagnosis+for+automated+systems%5BTitle%5D)+AND+%22IEEE+Industry+Applications+Society+Dynamic+Modeling+Control+Applications+for+Industry+Workshop%22%5BJournal%5D)">Real-time model-based fault detection and diagnosis for automated systems.</a> IEEE Industry Applications Society Dynamic Modeling Control Applications for Industry Workshop. , 26-28 (1997).</li>
<li>Alcorta, G. E., Zolghadri, A., Goupil, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+novel+non-linear+observer-based+approach+to+oscillatory+failure+detection%5BTitle%5D)+AND+%222009+European+Control+Conference+%28ECC%29%22%5BJournal%5D)">A novel non-linear observer-based approach to oscillatory failure detection.</a> 2009 European Control Conference (ECC). , 1901-1906 (2009).</li>
<li>Castaldi, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Design+of+residual+generators+and+adaptive+filters+for+the+FDI+of+aircraft+model+sensors%5BTitle%5D)+AND+%22Control+Engineering+Practice%22%5BJournal%5D)">Design of residual generators and adaptive filters for the FDI of aircraft model sensors.</a> Control Engineering Practice. 18 (5), 449-459 (2010).</li>
<li>Zhu, P., Dong, W., Mao, Y., Shi, H., Ma, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Kernel+adaptive+filtering+multiple-model+actuator+fault+diagnostic+for+multi-effectors+aircraft%5BTitle%5D)+AND+%222019+12th+Asian+Control+Conference+%28ASCC%29%22%5BJournal%5D)">Kernel adaptive filtering multiple-model actuator fault diagnostic for multi-effectors aircraft.</a> 2019 12th Asian Control Conference (ASCC). , 1489-1494 (2019).</li>
<li>Hidayat, R., Ramady, G. D., Lestari, N. S., Mahardika, A. G., Fadriani, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimization+of+normalized+least+mean+square+algorithm+of+smart+antenna+beamforming+for+interference+mitigation%5BTitle%5D)+AND+%22Journal+of+Physics%3A+Conference+Series%22%5BJournal%5D)">Optimization of normalized least mean square algorithm of smart antenna beamforming for interference mitigation.</a> Journal of Physics: Conference Series. 1783, 012085(2021).</li>
<li>Fu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modelling+and+simulation+of+flight+control+electromechanical+actuators+with+special+focus+on+model+architecting%2C+multidisciplinary+effects+and+power+flows%5BTitle%5D)+AND+%22Chinese+Journal+of+Aeronautics%22%5BJournal%5D)">Modelling and simulation of flight control electromechanical actuators with special focus on model architecting, multidisciplinary effects and power flows.</a> Chinese Journal of Aeronautics. 30 (1), 47-65 (2017).</li>
<li>Li, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((New+normalized+LMS+adaptive+filter+with+a+variable+regularization+factor%5BTitle%5D)+AND+%22Journal+of+Systems+Engineering+and+Electronics%22%5BJournal%5D)">New normalized LMS adaptive filter with a variable regularization factor.</a> Journal of Systems Engineering and Electronics. 30 (2), 259-269 (2019).</li>
</ol>

著者らは、この論文で報告された研究に影響を与える可能性のある競合する金銭的利益や個人的な関係は知られていないと宣言しています。

これらの実験ステップを実施する際には、正確な計算結果を得るために、アルゴリズムのリアルタイム性を確保することが重要でした。信号取得プロセスのホワイトノイズを採用して、シミュレーションを現実に近づけるために、実際のセンサーの特性をシミュレートしました。シミュレーションや実験では、移動平均フィルタを適用して、特定した抵抗値や推定回転速度の変動を低減することで、故障特性の安定性と判断が容易になりました。実験中、突然の通信中断の場合、駆動電源を直ちに遮断する必要があり、通信が再確立された後にのみ実験を行うことができることに注意してください。
巻線抵抗同定アルゴリズムでは、実験結果はシミュレーション結果とほぼ同じで、いずれも0.3 Ω前後で変動したが、実験の同定抵抗は大きく変動し、その効果は理想的ではなかった。この理由は、現在のコレクションが多くの干渉を受けていたためです。たとえば、モーターが整流しているときにパワーデバイスのスイッチステータスを瞬時に変更することはできず、収集されたバス電流に鋸歯が現れました。電流センサーはモーター駆動モジュールの近くに設置され、パワーデバイスのスイッチ状態...

電気静水圧アクチュエータ(EHA)は、より多くの電気航空機(MEA)の飛行制御のための重要なコンポーネントです。EHAの典型的な構造を 図1に示します。そのコンパクトな構造は、従来の油圧サーボアクチュエータ(HSA)1と比較して、高出力密度、低メンテナンス、および高いフォールトトレランスと安全性を保証します。ただし、EHAの現在の信頼性は、より多くの電気航空機の実用的な要件を満たすことができません2。その結果、冗長化技術がEHAの設計に導入されました。冗長化技術の有効性を最大化するには、障害検出方法3によってシステムの動作状態を監視する必要があります。障害が発生した場所に応じて、EHAの障害モードは、サーボコントローラーの障害と電源制御ユニット(PCU)の障害に分けることができます。PCUの障害は、さらにセンサーの障害、電気機械ユニットの障害、および油圧ユニットの障害に分けることができます。サーボコントローラの故障機構はEHA本体とはほとんど関係がなく、センサの故障確率は機器コンポーネント4の故障確率よりもはるかに低い。そこで、本稿では電気機械ユニットと油圧ユニットの欠点に着目する。
電気機械ユニットの障害には、モータードライブモジュールの障害とブラシレスDCモーター(BLDCM)の障害が含まれます。一般に、パワードライブエレクトロニクス(PDE)障害(短絡障害、開回路障害など)の確率は比較的高くなります。短絡障害が発生すると、PDE電流が短時間で急激に上昇し、モータのシャットダウンや電気部品の損傷などの深刻な結果を引き起こします。モーターは開回路障害が発生した後も動作状態を維持できますが、他の電気部品の過電流と過電圧は依然として避けられず、その結果、二次障害が発生する可能性があります5。BLDCMに関しては、モーター巻線は短絡または開回路6による障害を最も受けやすいです。電気機械ユニットのPDEは、対応するモーター巻線と直列に接続されています。モーター巻線用に設計された障害検出方法は、PDEの障害を処理する場合にも効果的です。したがって、モーターとPDEの両方を含む電気機械ユニットの障害は、オンラインで検出する必要があります。
油圧ユニットの故障には、固定容量ピストンポンプ、一体型バルブブロック、および作動シリンダ7の故障発生が含まれます。EHAのピストンポンプは、ピストン、斜板、バルブプレートで構成されています。シールの損傷とバルブプレートの摩耗は、障害8の主な形態です。これらの2つの障害モードは、ポンプの漏れを増加させます。出力流量と圧力の異常な変化が続き、最終的には作動シリンダーの速度が低下し、システムのサーボ性能が低下します。内蔵バルブブロックの故障モードには、加圧リザーバ障害、チェックバルブ障害、リリーフバルブ障害、およびモード選択バルブ障害が含まれます。加圧リザーバは通常、信頼性の高い自己ブースト設計を採用しています。しかし、故障が発生すると、チャージ圧力が不足するとポンプがキャビテーションし、出力流量が異常になります。スプリング疲労、コンポーネントの摩耗、および変形は、チェックバルブとリリーフバルブの一般的な障害モードです。チェックバルブの故障は逆漏れとして現れ、異常な流れに直接つながります。リリーフバルブの故障により、保護機能が無効になり、圧力が異常になります。モード選択バルブの一般的な障害は、リターンスプリングの故障とワイヤコイルの破損です。前者は、動作状態の電流切り替えを引き起こし、作動シリンダーの異常な動きにつながります。作動シリンダーの故障により、位置制御の精度と動的性能が低下します。要約すると、油圧ユニットの故障は異常な流れと圧力を引き起こします9.EHAシステムでは流量とモータの回転速度がほぼ比例するため、回転速度をオンラインで監視して、突然の故障による異常な流量と圧力を検出できます。
前述の電気機械ユニットの故障と油圧ユニットの故障を対象とした対応する故障検出方法を設計する必要があります。電気機械システムにおける故障検出のための方法は、主に、状態推定およびパラメータ同定10を含む。状態オブザーバは、状態推定を行い、オブザーバによって生成された残差シーケンスを分析することによって障害を決定するシステムの数学的モデルに基づいて構築されます。Alcortaらは、民間航空機の振動障害検出のための2つの補正項を持つ単純で新しい非線形オブザーバを提案し、これは非常に効果的である11。ただし、このタイプの方法は、オブザーバーのロバスト性の問題を解決する必要があります。つまり、モデル誤差や外乱などの非故障情報に起因する残差シーケンスの変化を抑制する必要があります。さらに、この方法では、非常に正確なモデル情報が必要になることが多く、実際のエンジニアリングアプリケーションでは収集が困難です。
パラメータ同定方法は、システム内の重要なパラメータを識別するために特定のアルゴリズムを採用する。障害が発生すると、対応するパラメータ値も変更されます。したがって、パラメータの変化を検出することで障害を検出することができます。パラメータ同定法は残差シーケンスの計算を必要としないため、検出精度に対する外乱の影響を回避できます。適応フィルタは、その容易な実装と安定した性能のためにパラメータ同定に広く使用されており、電気機械的な障害検出のための有利で実行可能な方法であることを意味する12。Zhuらは、カーネル適応フィルタに基づく新しいマルチモデル適応推定故障検出方法を提案し、これにより、実際の飛行状態値の推定とアクチュエータの故障検出をオンラインで良好な性能で実現する13。
先行研究を参考に、対応する障害検出手法を設計した。巻線の抵抗は、開回路障害や短絡障害などの電気的障害が発生すると急激に変化します。したがって、電気的障害が発生したかどうかを判断できる巻線の抵抗を識別するために、NLMSアルゴリズムに基づいて適応フィルタが設計されました。適応フィルタとNLMSアルゴリズムを組み合わせてパラメータベクトルの変化を最小化することは、より良く、より速い収束効果をもたらす14。油圧ユニットの故障に対しては、ポンプの回転速度と作動シリンダの位置との明確な解析関係に基づいて回転速度推定アルゴリズムを提案した。EHA油圧障害は、推定回転速度と実際の速度をリアルタイムで比較することにより、オンラインで検出されました。
本稿では,シミュレーションと実験を組み合わせた試験方法を採用した.まず、EHAの数理モデルを構築し、提案する故障検出手法のシミュレーションを行った。シミュレーションには、非障害および障害注入条件での検出方法の検証が含まれていました。そして、故障検出方法を実サーボコントローラで実現した。最後に、シミュレーションと実験の結果を解析・比較し、故障検出法の有効性を評価した。

<table><tbody><tr><td>LabVIEW</td><td>、NI</td>、<td>NI、LabVIEW 2018</td><td></td></tr>、<tr><td>Matlab/SIMULINK</td>、<td>MathWorks.Inc</td>、<td>R2020a</td><td></td></tr><tr><td>、パソコン</td>、<td>Lenovo</td><td>Y7000、2020H</td><td></td></tr><tr><td>、24Vスイッチング電源</td><td>、ECNKO</td><td>S-250-24</td><td></td></tr>、<tr><td>プログラマブル電流源、</td><td>緑、PAI</td>、<td>GDP-50-30</td><td></td></tr></tbody></table>

電気ハイドロスタティックアクチュエータの適応フィルタと回転速度推定に基づく故障検出手法の設計と応用

Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator

電気静水圧アクチュエータ(EHA)は、その高い出力密度と低メンテナンスにより、より多くの電気航空機(MEA)の飛行制御システムで使用される有望な作動装置です。システムの信頼性は複雑さの増すにつれて低下するため、障害検出はますます重要になっています。この論文では、正規化最小平均二乗法(NLMS)アルゴリズムに基づいて適応フィルタを設計し、EHAの電気的障害を検出するためにモーター巻線の抵抗をオンラインで識別できました。さらに、回転速度と変位の解析的関係に基づいて、回転速度推定法を設計した。実際の回転速度と推定された回転速度を比較することで、油圧障害を検出することができます。前述の方法の有効性を検証するために、障害注入と検出を含むモデリングとシミュレーションにソフトウェアを適用しました。これに基づいて、実験プラットフォームが構築され、一連の検証実験が行われました。結果は、故障検出方法がEHAの電気的および油圧的障害を検出する可能性があることを示しています。

シミュレーションでは、非故障状態におけるEHAピストンロッドの実際の位置と目標位置曲線を図7に示します。曲線によると、システムは正常に動作しており、動的特性は良好でした。電気機械式故障注入条件におけるEHAピストンロッドの実際の位置および目標位置曲線を図8に示す。曲線によると、システムはターゲットを正確に追跡できませんでした。抵抗識別アルゴリズムの結果を図9に示すと、注入前は0.3 Ωの真値に収束し、±0.02 Ω変動し、注入後は真値1,000 Ωに収束し、±3 Ω変動し、所望の効果が得られたことが示された。油圧故障注入条件におけるEHAピストンロッドの実際の位置および目標位置曲線を図10に示す。曲線によると、システムはターゲットを正確に追跡できませんでした。回転数推定アルゴリズムの結果を図11に示す。曲線は...

本稿では,電気静水圧アクチュエータ(EHA)の電気的および油圧的故障を検出するために,正規化最小平均二乗法(NLMS)アルゴリズムに基づく適応フィルタと回転速度推定法を紹介する.上記手法の有効性と実現可能性をシミュレーションや実験により検証します。

The electro-hydrostatic actuator (EHA) is a promising actuating apparatus used in flight control systems for more electric aircraft (MEA) due to its high ...

障害検出は、EHAとしても知られる電気静水圧アクチュエータの実用性をテストするための重要な技術です。このプロトコルは、EHA障害検出のための効果的な設計実験方法を備えています。このプロトコルは、EHAのエラーを効果的かつ迅速に検出できるシミュレーションと実験の障害検出アルゴリズムを組み合わせたものです。EHAシミュレーションモデルを確立するには、PCでシミュレーションソフトウェアを開き、テキスト原稿の説明に従ってモデルのパラメータを設定します。次に、位置コマンド、振幅0.01メートルの正弦波、および毎秒2つのπ半径の周波数を与えます。モデリングメニューに入り、モデル設定」ボタンをクリックします。シミュレーション操作パラメータは、開始時間を 0 秒、停止時間を 6 秒、タイプを可変ステップ、ソルバーを自動に設定します。故障注入スイッチをダブルクリックして、非故障状態で動作するようにモデルを設定します。実行ボタンをクリックしてシミュレーションを実行し、非障害状態の結果を受け取ります。描画ソフトウェアを実行して、ピストンロッドの置き方の間違いの曲線を描画します。インサート電気機械故障スイッチをダブルクリックして、3秒で電気機械故障を注入し、抵抗を1000umsに設定して、モーター巻線の開回路故障をシミュレートします。前に示したようにシミュレーションを繰り返して、電気機械的な故障状態の結果を取得します。描画ソフトウェアを実行して、ピストンロッドの変位と識別された抵抗の曲線を描画します。インサート油圧障害スイッチを回して3秒で油圧障害を注入し、漏れ値をパスカルあたり毎秒10 ^ 9立方メートルの2.5倍に増やして、油圧ユニットの故障をシミュレートします。次に、前に示したようにシミュレーションモデルを実行して、油圧障害状態の結果を取得します。描画ソフトウェアを実行して、ピストンロッドの変位と回転速度の推定結果の曲線を描画します。PC、EHA、およびサーボコントローラーを配置します。PCでホストソフトウェアインターフェイスを開き、サーボコントローラとPC間の通信を確立します。ソフトウェアのビザリソース名のドロップダウンウィンドウから適切なシリアルポートを選択します。実行ボタンをクリックして、ソフトウェアを起動します。ソフトウェアの受信領域と対応する曲線を観察して、データ受信機能が正常かどうかを判断します。電磁弁2ボタンをクリックして、電磁弁の赤色光が点灯しているかどうかを確認し、データ送信機能が正常かどうかを確認します。サーボコントローラに駆動電力を供給し、電圧を50ボルトDCに設定します。ソフトウェアのEHAスイッチボタンをクリックして、EHAを実行状態に設定します。データログボタンをクリックして、データロギングを開始します。記録されたデータには、実際の位置、目標位置、実際の速度、目標速度、バス電流、電圧などのさまざまなパラメータが含まれます。EHAのプリランを実行し、ソフトウェアで位置コマンドを指定します。これには、プラス5ミリメートルとマイナス5ミリメートルのステップが含まれます。EHAが正常に作動しているかどうかを確認します。ソフトウェアの位置コマンドに、振幅10ミリメートル、周波数1ヘルツの正弦波を与えます。特定された抵抗と推定回転速度が、障害のない動作条件下での値と一致しているかどうかを観察します。結果が正しければ、位置コマンドを元の状態に戻します。EHA スイッチ ボタンをクリックして EHA を停止し、ドライブの電源を切ります。次に、ホストコンピュータソフトウェアを停止し、サーボコントローラとPC間の通信を中断します。実験データをエクスポートし、データを解析し、描画ソフトウェアを使用して実験結果の曲線を描画します。次に、テキスト原稿に記載されているように結果分析を進めます。シミュレーション実行では、非障害状態のEHAピストンロッドの実際の位置曲線と目標位置曲線は、良好な動的特性で正常に動作しました。ただし、電気機械式故障注入の位置曲線では、ターゲットを正確に追跡できませんでした。抵抗識別アルゴリズムは、注入前後で識別された値が真の値に収束することを示し、方法が所望の効果を達成したことを示している。油圧障害注入条件の実際の位置曲線と目標位置曲線は、目標を正確に追跡できませんでした。噴射前は、推定回転速度は実際の回転速度に非常に近かった。注入後、回転速度の過度の誤差に応じて油圧障害を判断できます。実験結果はシミュレーション結果に従った。抵抗識別アルゴリズムは、識別された値がシミュレーションと一致する0.3omsの真の値に収束することを示し、この方法が所望の効果を達成したことを示している。対応する回転速度の推定値は実際の回転速度に近く、回転速度誤差は基本的に0〜2.5RPSの許容範囲で変動した。障害検出技術は、EHAの冗長性と健康管理の鍵です。これは、EHAのさらなる実用性への道を開くことができます。

design-application-fault-detection-method-based-on-adaptive-filters

Research

JoVE Journal

Engineering

工学

本質的に低いスクイーズフィルムダンピング条件と長いセトリング時間のフリンジフィールド静電MEMSアクチュエータ結果の堅牢なデバイス設計は、従来のステップバイアスを使用してスイッチング動作を行うとき。 DC-ダイナミック波形によるリアルタイムスイッチング時間の改善はにダウンアップと状態へアップダウンの間で移行フリンジ場のMEMSアクチュエータのセトリング時間が短縮されます。...

重度不足減衰フリンジフィールド静電MEMSアクチュエータに時間改善スイッチング用リアルタイムDC-ダイナミックバイアス方式

モジュラー設計のプロトコルを提案する、科学的、技術的な労働者の特別な生産タスクと知能ロボットの設計を支援する知能ロボットの生産の個人的なニーズに基づいて、個別のデザイン。...

モジュラー設計と閉ループ制御戦略に基づく知能ロボットの生産

電気ハイドロスタティックアクチュエータにおける単軸同軸モータポンプアセンブリのポンプ流量特性と性能を評価するためのシミュレーションモデルを構築し、モータポンプアセンブリの幅広い作業条件での全体的な効率を実験的に調査しました。...

電気油圧アクチュエータにおける単軸同軸モータポンプアセンブリのモデリングと実験解析

電気可変容量ポンプ(EVDP)の予備設計を特にサポートするシミュレーションモデルが開発され、実験によって部分的に検証されます。制御性能、寿命、信頼性などはすべて、EVDP予備設計タスクの主な性能要件をカバーする提案されたモデルを使用して評価することができます。...

電気可変容量ポンプの予備設計のためのモデリングとシミュレーション手法

高速移動面への液体ジェットの衝突を調べるための2つの実験装置、すなわちエアキャノン装置と回転ディスク装置が説明されています。これらの装置は、トップオブレール摩擦制御のために、液体摩擦調整剤(LFM)を線路に適用するための最適なアプローチを決定するために使用されます。...

表面移動に高速液体ジェット宿便の可視化

本論文では、ソリューションの蒸発速度検出のためのインピーダンスに基づく装置を提供します。高速応答、高感度の検出、洗浄および再利用の目的のために小さなサンプル要件、複数のサンプル測定、および容易な分解：これは、従来の減量のアプローチを超える明確な利点を提供しています。...

蒸発速度検出のための高性能インピーダンスベースのプラットフォーム

レーザドップラ (LDV) は、チューニング、チューニング機能、および装置の故障や、ヘッドス ライダーの回避の修正周波数測定などを用いた固定固定ビーム設計プロトコルが表示されます。その高いモード機能によりネットワーク アナライザーに LDV...

デザインと効率的な広帯域波長可変 MEMS フィルター特性評価手法

この稿ではプロトコルを提案直接まだエピタキシャル成長するフレキシブル リード ジルコニウム...

作製と Van Der waals 力ヘテロエピタキシーに基づくフレキシブル強誘電性要素の測定法

この記事では、液滴の細胞のカプセル化効率を提供するために液滴マイクロ流体デバイスへのピペット...

ピペット チップを用いた液滴マイクロ流体プラットフォームに播種細胞メソッド

ここで純粋な一軸荷重マシンを開発するためのプロトコルを提案する.重要な設計の側面は、正確で再現性のあるテスト結果を確保するため用いられます。...

一軸荷重マシン開発のデザイン面のアプリケーション

学ぶ電気ハイドロスタティックアクチュエータの故障検出手法。NLMS適応フィルタと回転速度推定を用いて、電気・油圧両方の異常を迅速に検出するシミュレーションと実験に基づく検証方法です。

電気ハイドロスタティックアクチュエータの適応フィルタと回転速度推定に基づく故障検出手法の設計と応用

さらに動画を探す