Summary
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。
Abstract
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。
Introduction
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。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. EHAシミュレーションモデルの構築
- PCでシミュレーションソフトウェアを開きます。
- 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。
(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。 - 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。
(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。
(3)
この式では、
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。
(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。
(5)
この式では、
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。
(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。
そして 
.
次に、LMSアルゴリズムを次のように簡略化できます。
(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。
(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。
(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。
(10)
置く 式 (10) に 式 (8)、そしての解を得る λ 次のように：
(11)
(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。
(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 < β < 2 and 0 < γ < 1, the NLMS algorithm can achieve better convergence effects16.最終的な式は次のとおりです。
(14) - 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。
(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。
(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。
(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。
この式では、 eωm(k)は推定回転速度誤差であり、
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。 - 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。
- 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。
- 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。
(1)
(2)
(3)
(4)
(5)
(6)
そして 
.
(7)
(8)
(9)
(10)
(11)
(12)
(13)
(14)
(15)
(16)
(17)
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。2. 故障検出手法のシミュレーション
- 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。
- 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。
- 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。
- [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、ピストンロッドの変位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。
- 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。
- 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。
- 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。
3. 実験プラットフォームの構築(図3)
- 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。
- 電気部品を配線します。
- 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。
- 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。
- 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。
- サーボコントローラとPC間の通信を確立します。
- 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。
- 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。
- 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。
- 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。 - [ 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。
4. 故障検出手法の実験
- 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。 - 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。
- 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。 - 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.
- 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。
- 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。
- 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。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
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、実際の回転速度、推定回転速度、回転速度誤差eωm、およびその絶対値を示していました。 |eωm|.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が、噴射後は、回転速度の過度の誤差に応じて油圧故障を判定することができた。
実験からの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12に示す。実験結果はシミュレーション結果に従った。曲線によると、システムは正常に動作しており、優れた動的特性を備えているため、動作条件の要件を満たしていました。抵抗識別アルゴリズムの結果を図13に示すと、同定された値が真値0.3 Ωに収束し、シミュレーションと一致し、目的とする効果が得られたことが分かりました。シミュレーション結果と比較して、実験の特定された抵抗値はより変動しました。同定された抵抗は非常に小さかったので、この差は許容範囲内であった。回転数推定アルゴリズムの結果を図14に示す。曲線は、実際の回転速度、推定回転速度、回転速度誤差eωm、およびその絶対値|eωm|.推定回転速度は実際の回転速度に非常に近く、|eωm|基本的に0〜2.5 rpsの範囲で変動しますが、これは妥当な範囲です。これは,提案手法の有効性を示すシミュレーション結果と一致した.
シミュレーションと実験により、本論文で検討した障害検出手法が有効であり、実用的価値があることが確認されました。
図1:EHAの原理構造図。この図は、典型的なEHAの主要な構造図を示しています。この図の拡大版を表示するには、ここをクリックしてください。
図2:EHAのシミュレーションモデル。この図は、シミュレーションに適用されたEHAモデルを示しており、(B,D)サーボコントローラ、(B)モータポンプ、(C)作動シリンダ、および(E,F)2つのフォルトインジェクションスイッチで構成されています。この図の拡大版を表示するには、ここをクリックしてください。
図3:実験プラットフォームの構造構成。この写真は、EHA、サーボコントローラ、24V DC制御電源、高電圧DC駆動電源、ホストコンピュータとしてのPC、接続ケーブルの束を含む実験プラットフォームの構成を示しています。 この図の拡大版を表示するには、ここをクリックしてください。
図4:EHAの詳細写真。 この写真はEHA構成の詳細を示しています。 この図の拡大版を表示するには、ここをクリックしてください。
図5:サーボコントローラの詳細写真。 この写真はサーボコントローラの詳細です。 この図の拡大版を表示するには、ここをクリックしてください。
図6:ホストソフトウェアインターフェイスの詳細図。次の図は、ソフトウェア インターフェイスの詳細を示しています。この図の拡大版を表示するには、ここをクリックしてください。
図7:非故障状態におけるピストンロッドの実際の位置と目標位置曲線のシミュレーション結果。 結果は、EHAが良好な動的特性を備えた非障害状態で動作していたことを示しています。 この図の拡大版を表示するには、ここをクリックしてください。
図8:電気機械式故障注入条件におけるピストンロッドの実際の位置と目標位置曲線のシミュレーション結果。 結果は、注入前はEHAは良好な動的特性で動作していたのに対し、注入後はEHAが障害のためにターゲットを正確に追跡できなかったことを示しています。 この図の拡大版を表示するには、ここをクリックしてください。
図9:電気機械式障害注入条件で特定された抵抗のシミュレーション結果。 その結果、注入前は0.3 Ωの真の値に収束し、±0.02 Ω変動したのに対し、注入後は1,000 Ωの真の値に収束し、±3 Ω変動し、この方法が望ましい効果を達成したことを示しています。 この図の拡大版を表示するには、ここをクリックしてください。
図10:油圧故障注入条件におけるピストンロッドの実際の位置と目標位置曲線のシミュレーション結果。 結果は、注入前はEHAは良好な動的特性で動作していたのに対し、注入後はEHAが障害のためにターゲットを正確に追跡できなかったことを示しています。 この図の拡大版を表示するには、ここをクリックしてください。
図11:油圧圧圧入条件における回転速度推定のシミュレーション結果 (A)このパネルには、実際の回転速度、推定回転速度、および回転速度の誤差の曲線が表示されます。曲線は、噴射前の推定回転速度が実際の回転速度に非常に近いのに対し、噴射後の回転速度の過度の誤差に従って油圧障害を決定できたことを示しています。(B)絶対回転速度誤差の曲線を示すパネルです。曲線は、噴射前は絶対回転速度誤差が非故障状態で0〜2rpsの範囲で変動し、噴射後は過度の絶対回転速度誤差に応じて油圧故障を決定できたことを示しています。 この図の拡大版を表示するには、ここをクリックしてください。
図12:ピストンロッドの実際の位置と目標位置曲線の実験結果。 結果は、EHAが良好な動的特性を備えた非障害状態で動作していたことを示しています。 この図の拡大版を表示するには、ここをクリックしてください。
図13:特定された抵抗の実験結果。 結果は、同定された抵抗が0.3 Ωの真の値に収束したことを示しており、これはシミュレーションと本質的に一致しており、この方法が望ましい効果を達成したことを意味します。 この図の拡大版を表示するには、ここをクリックしてください。
図14:回転速度推定の実験結果 。 (A)このパネルには、実際の回転速度、推定回転速度、回転速度の誤差の曲線が表示され、推定回転速度が実際の回転速度に非常に近いことがわかります。(B)絶対回転速度誤差の曲線を示すパネルです。その結果,絶対回転速度誤差は0-2.5rpsの範囲で変動し,シミュレーションと一致しており,本手法の有効性が検証された。 この図の拡大版を表示するには、ここをクリックしてください。
| パラメーター | 記号 | 単位 | 価値 | |||
| 巻線の抵抗 | R | Ω | 0.3 | |||
| 電機子の等価インダクタンス | L | H | 5.5×10-4 | |||
| モーターのトルク係数 | Kt | N·m/A | 0.257 | |||
| モーターの逆起電力係数 | キー | V/(rad/s) | 0.215 | |||
| モーターとポンプのローター慣性モーメント | Jm | キログラム・メートル2 | 4×10-4 | |||
| モーターの摩擦係数 | ティッカー | N·m/(rad/s) | 6×10-4 | |||
| システムの総内部漏れ係数 | キル | (m3/s)/Pa | 2.5×10-12 | |||
| ポンプの変位 | q | メートル3/r | 2.4×10-6 | |||
| ピストンの有効面積 | ある | メートル2 | 1.5×10-3 | |||
| 作動油の体積弾性率 | B | 該当なし2 | 6.86×108 | |||
| ピストンと負荷の質量 | M | キログラム | 240 | |||
| 油圧シリンダの粘性減衰係数 | Kf | 該当なし (m/s) | 10000 | |||
| 油圧シリンダの有効キャビティ容積 | V0 | メートル3 | 5.12×10-4 | |||
表1:シミュレーションパラメータ この表は、シミュレーションモデルの主なパラメータを示しています。
表2:材料の表。この表は、テストプラットフォームの主要コンポーネントを示しています。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
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の変化によって引き起こされる強い電磁干渉の影響を受けました。したがって、電流センサーによって収集されたデータのノイズは非常に大きかった。データを平滑化するためにフィルターが適用されましたが、最終的な結果はまだシミュレーションほど良くありませんでした。したがって、将来の研究では、サーボコントローラの電磁両立性設計をさらに最適化する必要があり、フィルタを改良して実用効果を高める必要があります。
実験は、振幅0.01m、周波数1Hzの正弦波位置指令を適用した無負荷条件下で実施した。実際には、故障を判断するためのしきい値は、作業条件によって異なります。実際には、識別された抵抗のしきい値と推定回転速度が妥当であることを確認するために、実験を複数の作業条件下で実行する必要があります。
実際の物体に障害を注入することの困難さと潜在的な危険性のために、モーター巻線の開回路での障害注入と漏れの増加は、実験プラットフォームを使用する場合ではなく、シミュレーションの下でのみ実行されました。この論文で検討した方法の実現可能性をさらに検証するために、動作条件が満たされた後にフォールトインジェクションを実行する必要があります。
本研究は、EHA障害検出に関する実験的研究の実証・指導であり、EHAの実証・応用、さらには今後のEHA健康管理システムの研究にとっても大きな意義を有する。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
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。
Acknowledgments
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)。
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).
