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
2022年10月28日
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。
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。
完全なトランスクリプトを表示し、数千本の科学動画にアクセス
概要
この研究は、電気水圧アクチュエータ（EHA）における電気的および油圧的故障を検出するための正規化最小平均二乗（NLMS）アルゴリズムを使用した適応フィルターを提示します。その手法はシミュレーションと実験の両方を通じて検証されています。
研究の主要な構成要素
科学の分野
- 神経科学
- 工学
- 故障検出
背景
- 電気水圧アクチュエータ（EHA）は様々な応用で重要です。
- 故障検出はEHAの信頼性を確保するために不可欠です。
- 既存の方法はリアルタイムの故障検出において効率が不足している可能性があります。
- この研究はEHAの故障検出技術を改善することを目的としています。
研究の目的
- EHAの故障を検出するための効果的な方法を開発すること。
- 検証のためのシミュレーションと実験的アプローチを組み合わせること。
- 実用的な応用におけるEHAの信頼性とパフォーマンスを向上させること。
使用された方法
- 正規化最小平均二乗（NLMS）アルゴリズムの開発。
- 特定のパラメータを使用したEHAのシミュレーションモデリング。
- 故障検出方法の実験的検証。
- 結果の分析による効果と実現可能性の評価。
主な結果
- NLMSアルゴリズムはEHAの故障を効果的に検出します。
- シミュレーション結果は実験結果と一致します。
- 提案された方法は迅速かつ正確な故障検出を示します。
- 結果は運用環境におけるEHAの信頼性が向上したことを示しています。
結論
- この研究はEHAの新しい故障検出方法を成功裏に導入しました。
- シミュレーションと実験を組み合わせることで結果の検証が強化されます。
- 今後の研究は提案された方法の実時間アプリケーションに焦点を当てる可能性があります。
よくある質問
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
