Summary
본 논문에서는 전자수압구동기(EHA)의 전기적 및 수력학적 결함을 검출하기 위해 정규화된 최소 평균 제곱(NLMS) 알고리즘과 회전 속도 추정 방법을 기반으로 하는 적응 필터를 소개합니다. 앞서 언급한 방법의 효능과 실현 가능성은 시뮬레이션과 실험을 통해 검증됩니다.
Abstract
전기 유압식 액추에이터 (EHA)는 높은 전력 밀도와 낮은 유지 보수로 인해 더 많은 전기 항공기 (MEA)의 비행 제어 시스템에 사용되는 유망한 작동 장치입니다. 복잡성이 증가함에 따라 시스템의 신뢰성이 감소하기 때문에 오류 감지가 점점 더 중요해지고 있습니다. 이 논문에서는 EHA의 전기적 결함을 감지하기 위해 온라인으로 모터 권선의 저항을 식별할 수 있는 정규화된 최소 평균 제곱(NLMS) 알고리즘을 기반으로 적응 필터를 설계했습니다. 또한 회전 속도와 변위 간의 분석적 관계를 기반으로 회전 속도 추정 방법을 설계했습니다. 실제 회전 속도를 추정 된 속도와 비교하면 유압 결함을 감지 할 수 있습니다. 앞서 언급한 방법의 효능을 검증하기 위해 오류 주입 및 감지를 포함한 모델링 및 시뮬레이션에 소프트웨어가 적용되었습니다. 이를 바탕으로 실험 플랫폼이 구축 된 후 일련의 검증 실험을 거쳤습니다. 결과는 결함 감지 방법이 EHA에서 전기적 및 수리적 결함을 감지할 수 있는 잠재력을 가지고 있음을 나타냅니다.
Introduction
전기 유압식 액츄에이터(EHA)는 더 많은 전기 항공기(MEA)의 비행 제어를 위한 핵심 구성 요소입니다. EHA의 일반적인 구조는 그림 1에 나와 있습니다. 컴팩트한 구조는 기존의 유압 서보 액추에이터(HSA)에 비해 높은 전력 밀도, 낮은 유지 보수, 더 높은 내결함성 및 안전성을 보장합니다1. 그러나 EHA의 현재 신뢰성은 더 많은 전기 항공기2의 실제 요구 사항을 충족 할 수 없습니다. 그 결과, EHA의 설계에 이중화 기술이 도입되었습니다. 이중화 기술의 효과를 극대화하기 위해서는 고장 감지 방법3으로 시스템의 작동 상태를 모니터링해야 합니다. 오류가 발생하는 위치에 따라 EHA의 오류 모드는 서보 컨트롤러 오류와 전원 제어 장치(PCU) 오류로 나눌 수 있습니다. PCU 결함은 센서 결함, 전기 기계 장치 결함 및 유압 장치 결함으로 더 나눌 수 있습니다. 서보 컨트롤러의 결함 메커니즘은 EHA 본체와 거의 관계가 없으며 센서의 결함 확률은 장비 구성 요소4의 결함 확률보다 훨씬 낮습니다. 따라서 우리는 이 논문에서 전기 기계 장치와 유압 장치의 결함에 초점을 맞춥니다.
전기 기계 장치 오류에는 모터 드라이브 모듈 오류 및 브러시리스 DC 모터(BLDCM) 오류가 포함됩니다. 일반적으로, 전력 구동 전자장치(PDE) 결함(예를 들어, 단락 결함, 개방 회로 결함)의 확률은 상대적으로 높다. 단락 오류가 발생하면 PDE 전류가 단시간에 급격히 상승하여 모터 정지 또는 전기 부품 손상과 같은 심각한 결과를 초래합니다. 모터는 개방 회로 오류가 발생한 후에도 작동 상태를 유지할 수 있지만 다른 전기 부품에 대한 과전류 및 과전압은 여전히 불가피하며 결과적으로 2차 오류가 발생할 수 있습니다5. BLDCM의 경우 모터 권선은 단락 또는 개방 회로6로 인한 결함이 발생하기 가장 쉽습니다. 전기 기계 장치의 PDE는 해당 모터 권선과 직렬로 연결됩니다. 모터 권선용으로 설계된 고장 감지 방법은 PDE의 고장을 처리할 때도 효과적입니다. 따라서 모터와 PDE를 모두 포함한 전기 기계 장치 결함은 온라인으로 감지되어야 합니다.
유압 장치 결함에는 고정 변위 피스톤 펌프, 통합 밸브 블록 및 작동 실린더7의 오류 발생이 포함됩니다. EHA의 피스톤 펌프는 피스톤, 비스듬이 판 및 벨브 판으로 구성됩니다; 씰의 손상과 밸브 플레이트의 마모는 결함의 주요 형태입니다8. 이 두 가지 오류 모드는 펌프의 누출을 증가시킵니다. 출력 유량 및 압력의 비정상적인 변화가 뒤따르며 결국 작동 실린더의 속도가 감소하고 시스템의 서보 성능이 저하됩니다. 통합 밸브 블록의 오류 모드에는 가압 저장소 오류, 체크 밸브 오류, 릴리프 밸브 오류 및 모드 선택 밸브 오류가 포함됩니다. 가압 저장소는 일반적으로 높은 신뢰성을 가진 자체 부스팅 설계를 채택합니다. 그러나 오류가 발생하면 충전 압력이 충분하지 않으면 펌프가 캐비테이션되어 비정상적인 출력 흐름이 발생합니다. 스프링 피로, 부품 마모 및 변형은 체크 밸브 및 릴리프 밸브의 일반적인 결함 모드입니다. 체크 밸브 결함은 역 누출로 나타나 비정상적인 흐름으로 직접 이어집니다. 릴리프 밸브 결함은 잘못된 보호 기능으로 이어져 비정상적인 압력을 초래합니다. 모드 선택 밸브의 일반적인 결함은 리턴 스프링의 고장과 와이어 코일의 파손입니다. 전자는 작동 상태의 전류 전환을 일으켜 작동 실린더의 비정상적인 움직임을 유발합니다. 작동 실린더 결함은 위치 제어 정밀도와 동적 성능을 저하시킵니다. 요약하면, 유압 장치의 결함은 비정상적인 흐름과 압력을 유발합니다9. EHA 시스템에서는 유량과 모터의 회전 속도가 거의 비례하기 때문에 회전 속도를 온라인으로 모니터링하여 갑작스러운 오류로 인한 비정상적인 유량과 압력을 감지할 수 있습니다.
앞서 언급한 전기 기계 장치 결함 및 유압 장치 결함을 겨냥한 해당 결함 감지 방법을 설계해야 합니다. 전자기계 시스템에서 결함 검출을 위한 방법은 주로 상태 추정 및 파라미터 식별(parameter identification10)을 포함한다. 상태 관찰자는 상태 추정을 수행하고 관찰자가 생성한 잔여 시퀀스를 분석하여 결함을 결정하는 시스템의 수학적 모델을 기반으로 구축됩니다. Alcorta et al. 상업용 항공기의 진동 결함 감지를 위한 두 가지 수정 항을 가진 간단하고 참신한 비선형 관찰자를 제안했는데, 이는 매우 효과적이다11. 그러나 이러한 유형의 방법은 관찰자의 견고성 문제를 해결해야 합니다. 즉, 모델 오차 또는 외부 외란과 같은 무결함 정보로 인한 잔류 시퀀스의 변화를 억제해야 합니다. 또한 이 방법은 종종 매우 정확한 모델 정보를 필요로 하므로 실제 엔지니어링 응용 프로그램에서는 일반적으로 수집하기 어렵습니다.
파라미터 식별 방법은 시스템에서 중요한 파라미터를 식별하기 위해 특정 알고리즘을 사용합니다. 오류가 발생하면 해당 매개 변수 값도 변경됩니다. 따라서 매개변수의 변화를 감지하여 결함을 감지할 수 있습니다. 매개변수 식별 방법은 잔류 시퀀스의 계산이 필요하지 않으므로 검출 정확도에 대한 교란의 영향을 피할 수 있습니다. 적응형 필터는 구현이 쉽고 성능이 안정적이기 때문에 매개변수 식별에 널리 사용되어 왔으며, 이는 전기기계적 결함 감지에 유리하고 실현 가능한 방법임을 의미한다12. Zhu et al. 커널 적응 필터를 기반으로 하는 새로운 다중 모델 적응 추정 오류 감지 방법을 제안했는데, 이는 실제 비행 상태 값의 추정과 액추에이터 오류 감지를 온라인으로 우수한 성능으로 실현합니다13.
이전 연구를 참조하여 해당 오류 감지 방법이 설계되었습니다. 권선의 저항은 전기적 오류가 발생하면 갑자기 변합니다., 개방 회로 오류 또는 단락 오류와 같은. 따라서 NLMS 알고리즘을 기반으로 적응 필터를 설계하여 권선의 저항을 식별하여 전기적 결함이 발생했는지 여부를 확인할 수 있습니다. 파라미터 벡터의 변화를 최소화하기 위해 적응 필터를 NLMS 알고리즘과 결합하는 것은 더 좋고 더 빠른 수렴 효과(14)를 유도한다. 유압 장치 결함의 경우 펌프의 회전 속도와 작동 실린더의 위치 사이의 명확한 분석 관계를 기반으로 회전 속도 추정 알고리즘이 제안되었습니다. EHA 유압 결함은 추정 회전 속도와 실제 속도를 실시간으로 비교하여 온라인으로 감지되었습니다.
본 논문에서는 시뮬레이션과 실험을 결합한 테스트 방법을 채택하였다. 먼저, EHA의 수학적 모델을 구축하고, 제안된 결함 검출 방법에 대한 시뮬레이션을 수행하였다. 시뮬레이션에는 무고장 및 고장 주입 조건에서의 검출 방법 검증이 포함되었습니다. 그런 다음 실제 서보 컨트롤러에서 오류 감지 방법을 구현했습니다. 마지막으로 시뮬레이션과 실험의 결과를 분석하고 비교하여 결함 검출 방법의 효능을 평가하였다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. EHA 시뮬레이션 모델 구축
- PC에서 시뮬레이션 소프트웨어를 엽니다.
- EHA 모델15의 수학 방정식에 따라 EHA에 대한 시뮬레이션 모델을 구축하고(그림 2), 컨트롤러로 3루프 PI를 수행합니다. 유압 모듈(그림 2C), 전기 모듈(그림 2B) 및 컨트롤러(그림 2B, D)를 세 가지 하위 모델로 캡슐화합니다.
참고: EHA 모델의 수학 방정식은 Eq (1)에서 다음과 같습니다.
(1)
이 식에서, Ue는 전기자의 전압, Ke는 모터의 역기전력계수, ωm은 모터의 회전속도, L은 전기자의 등가 인덕턴스, i는 권선의 전류, R은 권선의 저항, Kt는 모터의 토크 계수이고, Jm은 회전자 관성 모멘트, Cm은 모터의 마찰 계수, q는 펌프의 변위, Pf는 유압 실린더 내의 두 챔버 사이의 압력 차이, A는 피스톤의 유효 면적, x는 피스톤로드의 위치, V0는 유압 실린더의 유효 캐비티 부피, B는 작동유의 벌크 모듈러스, Kil은 시스템의 총 내부 누설 계수, M은 피스톤 및 하중의 질량, Kf는 유압 실린더의 점성 감쇠 계수, Fex는 외부 하중 힘입니다. - 런타임에 호출할 수 있는 M 파일의 NLMS 알고리즘을 기반으로 적응 필터를 프로그래밍합니다.
참고: NLMS 알고리즘을 기반으로 한 적응 필터의 도출이 여기에 나와 있습니다. 전기 기계적 결함은 권선 저항을 식별하여 판단 할 수 있으며 이산화 된 모터 방정식은 다음과 같습니다.
(2)
이 공식에서, ts 는 샘플링 시간이고, R(k) 및 L(k)는 식별해야 하는 매개 변수입니다. EQ (2)다음과 같이 작성할 수 있습니다.
(3)
이 공식에서,
파라미터 벡터 θ(k), 샘플링 시간, ts, 저항을 얻기 위해 제거 할 수 있습니다. R(k). 3상 권선 중 하나가 고장 나면, R(k)이 정상 값에서 벗어납니다.
적응 필터는 다음에서 구성할 수 있습니다. 에큐 (3)를 사용하며, 필터의 추정 오차는 다음과 같다.
(4)
이 공식에서, e(k)는 변동하는 랜덤 신호입니다. 언제 e(k)가 충분히 작으면 필터의 예상 값은 ŷ(k). 마지막으로, 실제 출력으로 수렴 할 수 있다면, y(k), 매개 변수 벡터 θ(k)은 실제 시스템 매개변수로 수렴합니다.
최소 평균 제곱(LMS) 알고리즘은 최소 평균 제곱 오차를 기준으로 최적의 예측 및 필터링을 실현합니다. 자동 반복 조정을 수행하여 θ(k)는 시스템의 실제 값으로 수렴합니다. 비용 함수의 표현은 다음과 같습니다.
(5)
이 공식에서,
Q(k)는 의 교차 상관 벡터입니다. y(k) 및 x(k). R(k)는 입력 벡터의 자기 상관 행렬입니다.
가장 가파른 하강법에 따르면 θ(k) 최적 솔루션에 접근하는 방법은 다음과 같습니다.
(6)
이 공식에서, µ 는 적응 가변 스텝 크기입니다. 실제 반복 프로세스에서는 현재 샘플링 지점의 값을 사용하여 추정합니다 Q(k) 및 R(k)로 표현할 수 있습니다.
그리고 
.
그런 다음 LMS 알고리즘을 다음과 같이 단순화할 수 있습니다.
(7)
LMS 알고리즘은 θ(k)는 점차 실제 시스템 매개변수로 수렴됩니다.
실제 응용 분야에서 NLMS 알고리즘은 일반적으로 LMS 알고리즘의 느린 수렴 속도를 극복하는 데 사용됩니다. NLMS 알고리즘의 제약 조건은 다음과 같습니다.
(8)
제한된 최적화 문제를 해결하기 위해 라그랑주 승수 방법을 사용하면 비용 함수는 다음과 같습니다.
(9)
이 공식에서,λ 는 라그랑주 계수입니다. 의 최소값을 찾으려면 J(k), 의 편미분을 구합니다. J(k)에서 θ(k)을 선택하고 0으로 설정합니다. 다음과 같이 해를 계산합니다.
(10)
놓다 EQ (10) 에 EQ (8), 그런 다음 솔루션을 얻으십시오. λ 다음과 같이:
(11)
(12)
파라미터 벡터의 증분 변화를 제어하기 위하여, 스텝 팩터(step factor)는, β,이 공식에 도입되었으며 표현식은 다음과 같습니다.
(13)
동시에, 작은 입력 벡터로 인한 수치 계산의 어려움을 피하기 위해, 상대적으로 작은 양의 상수, γ가 소개됩니다. Li et al. 0 < β < 2 and 0 < γ < 1, the NLMS algorithm can achieve better convergence effects16. 최종 표현식은 다음과 같습니다.
(14) - 런타임에 호출할 수 있는 M 파일에 회전 속도 추정 알고리즘을 프로그래밍합니다.
참고: 회전 속도 추정 알고리즘의 도출이 여기에 나와 있습니다. 액츄에이터의 흐름 방정식은 다음과 같이 작성할 수 있습니다.
(15)
유압 장치가 정상 상태에서 작동 할 때 오일 압축 및 누출로 인한 총 유량 손실 (Qf)은 대략 다음과 같이 표현할 수 있습니다.
(16)
이 공식에서 η 는 EHA의 체적 효율입니다.
따라서, 속도 ωm과 변위 x 사이의 대략적인 분석 관계는 다음과 같이 얻을 수 있습니다.
(17)
이산화된 회전 속도 추정 오차 방정식은 다음과 같습니다.
이 공식에서 eωm(k)는 추정된 회전 속도 오차이고
추정된 회전 속도입니다. eωm(k)의 변화는 유압 장치의 작동 조건을 반영합니다. eωm(k)가 갑자기 정상값에서 벗어나면 유압 장치의 상태가 비정상임을 의미하며 온라인으로 유압 결함을 감지하는 데 사용할 수 있습니다. - 오류 주입 모듈을 구축하고 오류 주입 여부를 결정할 수 있는 오류 주입 스위치(그림 2E, F)를 제공합니다.
- 표 1에 따라 각 서브 모델의 특정 구성 요소를 두 번 클릭하여 시뮬레이션 모델의 매개 변수를 설정합니다.
- 일련의 실험을 완료한 후 시뮬레이션 곡선을 그릴 수 있는 도면 소프트웨어를 프로그래밍합니다.
(1)
(2)
(3)
(4)
(5)
(6)
그리고 
.
(7)
(8)
(9)
(10)
(11)
(12)
(13)
(14)
(15)
(16)
(17)
추정된 회전 속도입니다. eωm(k)의 변화는 유압 장치의 작동 조건을 반영합니다. eωm(k)가 갑자기 정상값에서 벗어나면 유압 장치의 상태가 비정상임을 의미하며 온라인으로 유압 결함을 감지하는 데 사용할 수 있습니다.2. 결함 검출 방법 시뮬레이션
- 진폭이 0.01m이고 주파수가 1Hz인 정현파인 위치 명령을 제공합니다.
- 모델링( MODELING ) 메뉴로 들어가 모델 설정(Model Settings ) 버튼을 클릭합니다. 시뮬레이션 작업 파라미터를 시작 시간 0초, 중지 시간 6초, 유형을 가변 스텝으로, 솔버 를 자동으로 설정합니다.
- 결함 주입 스위치를 두 번 클릭하여 모델이 결함이 없는 상태에서 작동하도록 설정합니다.
- 실행 버튼을 클릭하여 시뮬레이션을 실행하고 무결점 조건 결과를 수신합니다.
- 드로잉 소프트웨어를 실행하여 피스톤 로드 변위의 곡선을 그립니다.
- 전기 기계 오류 삽입 스위치를 두 번 클릭하여 3초에 전기 기계 오류를 주입하면 저항이 1,000 Ω로 설정되어 모터 권선의 개방 회로 오류를 시뮬레이션할 수 있습니다.
- 2.4단계와 2.5단계를 반복하여 전기기계적 결함 조건에 대한 결과를 얻습니다. 도면 소프트웨어를 실행하여 피스톤 로드 변위와 식별된 저항의 곡선을 그립니다.
- 인서트 유압 결함 스위치를 돌려 3초에 유압 결함을 주입하면 누출 값이 2.5 × 10-9(m3/s)/Pa로 증가하여 유압 장치 결함을 시뮬레이션합니다.
- 2.3단계와 2.4단계를 반복하여 유압 결함 상태에 대한 결과를 얻습니다. 도면 소프트웨어를 실행하여 피스톤 로드 변위 및 회전 속도 추정 결과의 곡선을 그립니다.
3. 실험 플랫폼 구축(그림 3)
- PC, EHA 및 서보 컨트롤러를 제자리에 설정합니다. EHA는 그림 4에 나와 있고 서보 컨트롤러는 그림 5에 나와 있습니다.
- 전기 부품을 배선합니다.
- 여러 항공 플러그를 통해 EHA 센서를 서보 컨트롤러의 센서 포트에 연결합니다.
- 항공 플러그를 통해 EHA 모터 구동 포트를 서보 컨트롤러의 인버터 포트에 연결합니다.
- 항공 플러그를 통해 서보 컨트롤러를 제어 전원과 구동 전원에 연결합니다.
주의 : 볼륨을 끕니다tage 안전을 위해 일시적으로.
- 서보 컨트롤러와 PC 간의 통신을 설정합니다.
- PC에서 호스트 소프트웨어 인터페이스 (그림 6)를 엽니다.
- 422-to-USB 시리얼 케이블을 통해 PC와 서보 컨트롤러를 연결하여 통신을 설정합니다.
- 서보 컨트롤러에 제어 전원을 제공합니다. 제어 전원 전압은 24V DC입니다.
- 소프트웨어의 VISA 리소스 이름 드롭다운 창에서 적절한 시리얼 포트를 선택합니다.
알림: 통신이 성공적으로 설정되지 않으면 RS422 통신이 설정될 때까지 케이블을 확인하거나 소프트웨어를 다시 시작하십시오. - 실행 버튼을 클릭하여 소프트웨어를 시작합니다.
- 소프트웨어의 수신 영역과 해당 곡선을 관찰하여 데이터 수신 기능이 정상인지 확인합니다. 솔레노 이드 밸브 1 버튼을 클릭하여 솔레노이드 밸브에 풀인 소리가 나는지 관찰하고 데이터 전송 기능이 정상인지 확인합니다.
4. 결함 검출 방법 실험
- 서보 컨트롤러에 구동 전원을 공급하고 전압을 50V DC로 설정합니다.
알림: 50V DC 저전압 작동은 시스템에 부하가 없기 때문에 안전한 작업을 보장합니다. - 소프트웨어에서 EHA 스위치 버튼을 클릭하여 EHA 를 실행 상태로 설정합니다. 데이터 로그 버튼을 클릭하여 데이터 로깅을 시작합니다. 기록된 데이터에는 실제 위치, 목표 위치, 실제 속도, 목표 속도, 버스 전류, 전압 등이 포함됩니다.
- EHA에 대한 사전 실행을 수행합니다. +0.005m 및 -0.005m 단계를 포함하는 소프트웨어 위치 명령을 제공합니다. EHA가 정상적으로 작동하는지 관찰합니다.
주의: EHA가 정상적으로 작동하지 않으면 이 실험을 계속하기 직전에 오류를 확인하십시오. - 진폭이 0.01m이고 주파수가 1Hz인 정현파인 소프트웨어에서 위치 명령을 내립니다.
- 식별된 저항과 추정된 회전 속도가 무고장 작동 조건에서의 값과 일치하는지 관찰합니다.
- 결과가 올바르면 position 명령을 원래 상태로 되돌립니다. EHA 스위치 버튼을 클릭하여 EHA 를 중지하고 구동 전원을 차단하고 호스트 컴퓨터 소프트웨어를 중지하고 서보 컨트롤러와 PC 간의 통신을 중단합니다.
- 실험 데이터를 내보내고, 데이터를 분석하고, 그리기 소프트웨어를 사용하여 실험 결과의 곡선을 그립니다.
- 실험 결과를 분석하고 시뮬레이션 결과와 비교하여 결론을 도출합니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
시뮬레이션에서 무고장 조건에서 EHA 피스톤 로드의 실제 위치 및 목표 위치 곡선은 그림 7에 나와 있습니다. 곡선에 따르면, 시스템은 양호한 동적 특성으로 정상적으로 작동하고있었습니다. 전기 기계적 오류 주입 조건에서 EHA 피스톤 로드의 실제 위치 및 목표 위치 곡선은 그림 8에 나와 있습니다. 곡선에 따르면 시스템은 목표물을 정확하게 추적 할 수 없습니다. 저항 식별 알고리즘의 결과는 도 9에 나타나 있으며, 이러한 결과는 주입 전에 식별된 값이 0.3 Ω의 실제 값으로 수렴하고 ±0.02 Ω 변동하는 반면, 주입 후 식별된 값은 1,000 Ω의 실제 값으로 수렴하고 ±3 Ω 변동하여 방법이 원하는 효과를 달성했음을 나타냅니다. 유압 결함 주입 조건에서 EHA 피스톤 로드의 실제 위치 및 목표 위치 곡선은 그림 10에 나와 있습니다. 곡선에 따르면 시스템은 목표물을 정확하게 추적 할 수 없습니다. 회전 속도 추정 알고리즘의 결과는 그림 11에 나와 있습니다. 곡선은 실제 회전 속도, 추정 회전 속도, 회전 속도 오차, eωm 및 그 절대값을 나타냅니다. Eωm|입니다. 주입 전에는 추정 회전 속도가 실제 회전 속도에 매우 가까웠지만 주입 후에는 회전 속도의 과도한 오차에 따라 유압 결함을 판단할 수 있었습니다.
실험에서 EHA 피스톤 로드의 실제 위치 및 목표 위치 곡선은 그림 12에 나와 있습니다. 실험 결과는 시뮬레이션 결과에 따랐다. 곡선에 따르면 시스템은 우수한 동적 특성으로 정상적으로 작동하여 작동 조건 요구 사항을 충족합니다. 저항 식별 알고리즘의 결과는 그림 13에 나와 있으며, 이러한 결과는 식별된 값이 0.3 Ω의 실제 값으로 수렴하는 것으로 나타났으며, 이는 시뮬레이션과 일치하여 방법이 원하는 효과를 달성했음을 나타냅니다. 시뮬레이션 결과와 비교하여 실험에서 확인된 저항 값이 더 많이 변동했습니다. 확인된 저항이 매우 작았기 때문에 이 차이는 수용 가능했습니다. 회전 속도 추정 알고리즘의 결과는 그림 14에 나와 있습니다. 곡선은 실제 회전 속도, 추정 회전 속도, 회전 속도 오차, eωm 및 그 절대값을 보여줍니다. Eωm|입니다. 추정된 회전 속도는 실제 회전 속도에 매우 가까웠고, | EΩ엠| 본질적으로 합리적인 범위인 0-2.5rps 범위에서 변동합니다. 이는 제안된 방법의 효능을 보여주는 시뮬레이션 결과와 일치하였다.
시뮬레이션과 실험을 통해 본 논문에서 연구한 결함 검출 방법이 효과적이고 실용적인 가치가 있음을 검증했습니다.
그림 1: EHA의 원리 구조 다이어그램. 이 그림은 일반적인 EHA의 주요 구조 다이어그램을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: EHA의 시뮬레이션 모델. 이 그림은 시뮬레이션에 적용된 EHA 모델을 보여주며, (B,D) 서보 컨트롤러, (B) 모터 펌프, (C) 작동 실린더 및 (E,F) 두 개의 오류 주입 스위치로 구성됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 실험 플랫폼의 구조 구성. 이 사진은 EHA, 서보 컨트롤러, 24V DC 제어 전원, 고전압 DC 드라이브 전원, 호스트 컴퓨터로서의 PC 및 연결 케이블 번들을 포함한 실험 플랫폼의 구성을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: EHA의 상세 사진. 이 사진은 EHA 구성의 세부 사항을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 서보 컨트롤러의 상세 사진. 이 사진은 서보 컨트롤러의 세부 사항을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: 호스트 소프트웨어 인터페이스의 상세 그림. 이 그림은 소프트웨어 인터페이스의 세부 정보를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: 무고장 조건에서 피스톤 로드의 실제 위치 및 목표 위치 곡선에 대한 시뮬레이션 결과. 결과는 EHA가 양호한 동적 특성을 가진 무고장 상태에서 작동했음을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8: 전기기계적 오류 주입 조건에서 피스톤 로드의 실제 위치 및 목표 위치 곡선에 대한 시뮬레이션 결과. 결과는 주입 전에 EHA가 양호한 동적 특성으로 작동했지만 주입 후에는 EHA가 오류로 인해 대상을 정확하게 추적할 수 없음을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 9: 전기기계적 오류 주입 조건에서 식별된 저항에 대한 시뮬레이션 결과. 결과는 주입 전에 확인된 저항이 실제 값인 0.3 Ω로 수렴하고 ±0.02 Ω 변동하는 반면, 주입 후 확인된 저항은 실제 값인 1,000 Ω로 수렴하고 ±3 Ω 변동하여 방법이 원하는 효과를 달성했음을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 10: 유압 결함 주입 조건에서 피스톤 로드의 실제 위치 및 목표 위치 곡선에 대한 시뮬레이션 결과. 결과는 주입 전에 EHA가 양호한 동적 특성으로 작동했지만 주입 후에는 EHA가 오류로 인해 대상을 정확하게 추적할 수 없음을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 11: 유압 결함 주입 조건에서의 회전 속도 추정을 위한 시뮬레이션 결과. (A) 이 패널은 실제 회전 속도의 곡선, 추정 회전 속도 및 회전 속도의 오차를 보여줍니다. 곡선은 사출 전에는 추정 회전 속도가 실제 회전 속도에 매우 가까웠지만 사출 후에는 회전 속도의 과도한 오차에 따라 유압 결함을 결정할 수 있음을 나타냅니다. (B) 이 패널은 절대 회전 속도 오차의 곡선을 보여줍니다. 곡선은 주입 전에 절대 회전 속도 오차가 무결함 조건에서 0-2 rps 범위에서 변동하는 반면, 주입 후 과도한 절대 회전 속도 오차에 따라 유압 결함을 결정할 수 있음을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 12: 피스톤 로드의 실제 위치 및 목표 위치 곡선에 대한 실험 결과. 결과는 EHA가 양호한 동적 특성을 가진 무고장 상태에서 작동했음을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 13: 확인된 저항에 대한 실험 결과. 결과는 식별된 저항이 실제 값인 0.3 Ω로 수렴되었음을 나타내며, 이는 본질적으로 시뮬레이션과 일치하며, 이는 방법이 원하는 효과를 달성했음을 의미합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 14: 회전 속도 추정을 위한 실험 결과. (A) 이 패널은 실제 회전 속도의 곡선, 추정 회전 속도 및 회전 속도의 오차를 보여주며, 이는 추정 회전 속도가 실제 회전 속도와 매우 가까웠음을 나타냅니다. (B) 이 패널은 절대 회전 속도 오차의 곡선을 보여줍니다. 결과는 절대 회전 속도 오차가 0-2.5rps 범위에서 변동했음을 나타내며, 이는 시뮬레이션과 일치하므로 방법의 효능을 검증합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 매개 변수 | 상징 | 단위 | 값 | |||
| 권선의 저항 | R | Ω | 0.3 | |||
| 전기자의 등가 인덕턴스 | L | H | 5.5×10-4 | |||
| 모터의 토크 계수 | 케이티 | N·m/A | 0.257 | |||
| 모터의 백 기전력 계수 | 케이e | V/(라드/초) | 0.215 | |||
| 모터와 펌프의 로터 관성 모멘트 | 제이엠 | 킬로그램·미터2 | 4×10-4 | |||
| 모터의 마찰 계수 | Bm | N·m/(rad/s) | 6×10-4 | |||
| 시스템의 총 내부 누설 계수 | 케이일 | (m3/s)/Pa | 2.5×10-12 | |||
| 펌프의 변위 | q | m3/r | 2.4×10-6 | |||
| 피스톤의 유효 면적 | A | m2 | 1.5×10-3 | |||
| 작동유의 벌크 계수 | B | N/m2 | 6.86×108 | |||
| 피스톤과 하중의 질량 | M | 킬로그램 | 240 | |||
| 유압 실린더의 점성 감쇠 계수 | 케이에프 | 해당 사항 없음(m/s) | 10000 | |||
| 액압 실린더의 유효 캐비티 부피 | V0 | 미디엄3 | 5.12×10-4 | |||
표 1: 시뮬레이션 매개변수. 이 표는 시뮬레이션 모델의 주요 파라미터를 보여줍니다.
표 2 : 재료 표. 이 표는 테스트 플랫폼의 주요 구성 요소를 나타냅니다.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
이러한 실험 단계를 수행할 때 정확한 계산 결과를 얻기 위해서는 알고리즘의 실시간 기능을 확보하는 것이 중요했습니다. 신호 획득 프로세스의 백색 잡음은 시뮬레이션을 현실에 더 가깝게 만들기 위해 실제 센서의 특성을 시뮬레이션하기 위해 채택되었습니다. 시뮬레이션 및 실험에서 이동평균 필터를 적용하여 식별된 저항과 추정된 회전 속도의 변동을 줄여 결함 특성을 보다 안정적이고 쉽게 판단할 수 있도록 했습니다. 실험 중 갑작스런 통신 중단의 경우 구동 전원 공급을 즉시 차단해야 하며 통신이 다시 설정된 후에만 실험을 수행할 수 있다는 점에 유의해야 합니다.
권선 저항 식별 알고리즘의 경우 실험 결과는 시뮬레이션 결과와 거의 동일했지만 둘 다 약 0.3 Ω 변동했지만 실험에서 식별된 저항은 더 크게 변동했으며 그 효과는 이상적이지 않았습니다. 그 이유는 현재 컬렉션이 많은 간섭을 받았기 때문입니다. 예를 들어, 모터가 정류 중일 때 전원 장치의 스위치 상태를 즉시 변경할 수 없으며 수집된 버스 전류에 톱니가 나타납니다. 전류 센서는 모터 구동 모듈 근처에 설치되었으며 전원 장치의 스위치 상태 변경으로 인한 강한 전자파 간섭의 영향을 받았습니다. 따라서 전류 센서에서 수집한 데이터의 노이즈가 상당히 컸습니다. 데이터를 평활화하기 위해 필터를 적용했지만 최종 결과는 여전히 시뮬레이션만큼 좋지 않았습니다. 따라서 향후 연구에서는 서보 컨트롤러의 전자기 호환성 설계를 더욱 최적화해야 하며 더 나은 실제 효과를 위해 필터를 개선해야 합니다.
실험은 진폭 0.01m, 주파수 1Hz의 정현파 위치 명령이 적용된 무부하 조건에서 수행되었습니다. 실제로 결함 판단 기준은 작업 조건에 따라 다릅니다. 실제로, 실험은 식별 된 저항의 임계 값과 예상 회전 속도가 합리적인지 확인하기 위해 여러 작업 조건에서 수행되어야합니다.
실제 물체에 결함을 주입하는 것은 어렵고 잠재적인 위험으로 인해 모터 권선 개방 회로에 결함 주입 및 누출 증가는 실험 플랫폼을 사용할 때가 아닌 시뮬레이션 하에서만 수행되었습니다. 오류 주입은 이 백서에서 연구한 방법의 타당성을 추가로 검증하기 위해 작동 조건이 충족된 후에 수행되어야 합니다.
이 연구는 EHA 결함 감지에 대한 실험적 연구를 위한 시연 및 지침을 제공하며, EHA의 시연 및 적용은 물론 향후 EHA 건강 관리 시스템에 대한 연구에도 매우 중요합니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 이 논문에 보고된 작업에 영향을 미칠 수 있는 알려진 경쟁적인 재정적 이해관계나 개인적인 관계가 없다고 선언합니다.
Acknowledgments
이 작업은 중국 민간 항공기 프로젝트 (No. MJ-2017-S49)와 중국의 지원을 받았다.
박사후과학재단(No. 2021M700331).
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).
