Summary
I denna artikel introduceras ett adaptivt filter baserat på en normaliserad NLMS-algoritm (least mean square) och en rotationshastighetsuppskattningsmetod för att detektera de elektriska och hydrauliska felen hos det elektrohydrostatiska ställdonet (EHA). Effektiviteten och genomförbarheten av de ovan nämnda metoderna verifieras genom simuleringar och experiment.
Abstract
Det elektrohydrostatiska ställdonet (EHA) är en lovande manövreringsapparat som används i flygkontrollsystem för fler elektriska flygplan (MEA) på grund av dess höga effekttäthet och låga underhåll. Eftersom systemets tillförlitlighet minskar med ökande komplexitet blir feldetektering allt viktigare. I detta dokument designades ett adaptivt filter baserat på en normaliserad NLMS-algoritm (least mean square), som kunde identifiera motståndet hos motorlindningarna online för att upptäcka elektriska fel i EHA. Dessutom, baserat på det analytiska förhållandet mellan rotationshastighet och förskjutning, utformades en rotationshastighetsskattningsmetod. Genom att jämföra den faktiska rotationshastigheten med den uppskattade kunde hydrauliska fel upptäckas. För att verifiera effekten av ovannämnda metod användes programvara för modellering och simuleringar, som inkluderade felinjektion och detektering. På grundval av detta byggdes en experimentell plattform och utsattes sedan för en serie valideringsexperiment. Resultaten indikerar att feldetekteringsmetoden har potential att upptäcka elektriska och hydrauliska fel i en EHA.
Introduction
Det elektrohydrostatiska ställdonet (EHA) är en nyckelkomponent för flygkontroll i mer elektriska flygplan (MEA). Den typiska strukturen för en EHA visas i figur 1. Dess kompakta struktur garanterar hög effekttäthet, lågt underhåll och högre feltolerans och säkerhet jämfört med det traditionella hydrauliska servoställdonet (HSA)1. EHA:s nuvarande tillförlitlighet kan dock inte uppfylla de praktiska kraven för fler elflygplan2. Som ett resultat har redundansteknik införts i utformningen av EHA. För att maximera redundansteknikens effektivitet bör systemets driftsstatus övervakas med en feldetekteringsmetod3. Beroende på var felet uppstår kan EHA:s fellägen delas in i servostyrningsfel och PCU-fel (Power Control Unit). PCU-fel kan vidare delas in i sensorfel, elektromekaniska enhetsfel och hydraulenhetsfel. Servostyrenhetens felmekanism har liten relation med EHA-kroppen, och sensorns felsannolikhet är mycket lägre än för utrustningskomponent4. Därför fokuserar vi på felen i den elektromekaniska enheten och hydraulenheten i detta papper.
Elektromekaniska enhetsfel inkluderar motordrivmodulfel och borstlösa DC-motorfel (BLDCM). I allmänhet är sannolikheten för ett PDE-fel (Power Drive Electronics) (t.ex. ett kortslutningsfel, ett öppet kretsfel) relativt hög. När ett kortslutningsfel uppstår stiger PDE-strömmen kraftigt på kort tid, vilket orsakar allvarliga konsekvenser som motoravstängning eller skador på de elektriska komponenterna. Även om motorn kan behålla sin arbetsstatus efter att ett öppet kretsfel inträffar är överström och överspänning för de andra elektriska komponenterna fortfarande oundvikliga, och sekundära fel kan följaktligen inträffa5. När det gäller BLDCM är motorlindningarna mest benägna att fel från en kortslutning eller en öppen krets6. PDE i den elektromekaniska enheten är ansluten i serie med motsvarande motorlindningar. Feldetekteringsmetoden avsedd för motorlindningarna är också effektiv vid hantering av fel i PDE. Därför bör elektromekaniska enhetsfel, inklusive både i motorn och PDE, upptäckas online.
Hydraulenhetsfel inkluderar felhändelser i kolvpumpen med fast förskjutning, integrerat ventilblock och manövreringscylinder7. EHA: s kolvpump består av kolvar, swashplattor och ventilplattor; Skador på tätningen och slitage på ventilplattan är de viktigaste formerna av fel8. Dessa två fellägen ökar pumpens läckage. Onormala förändringar i utgångsflödet och trycket följer och leder så småningom till en minskning av manövreringscylinderns hastighet och en minskning av systemets servoprestanda. Fellägena för det integrerade ventilblocket inkluderar ett trycksatt reservoarfel, ett backventilfel, ett avlastningsventilfel och ett fel på lägesvalsventilen. Den trycksatta behållaren antar vanligtvis en självförstärkande design med hög tillförlitlighet. När ett fel uppstår orsakar emellertid otillräckligt laddningstryck kavitation av pumpen, vilket resulterar i onormalt utgångsflöde. Fjäderutmattning, komponentslitage och deformation är vanliga fellägen i backventiler och avlastningsventiler. Ett backventilfel presenteras som ett omvänd läckage, vilket direkt leder till onormalt flöde. Ett fel på en avlastningsventil leder till en ogiltig skyddsfunktion, vilket resulterar i onormalt tryck. De vanliga felen i lägesvalsventilen är fel på returfjädern och trasiga trådspolar. Den förstnämnda orsakar strömomkoppling av arbetsstatus, vilket leder till onormal rörelse av manövreringscylindern. Ett fel på en cylinder resulterar i en minskning av positionskontrollens precision och dynamiska prestanda. Sammanfattningsvis orsakar fel på hydraulenheterna onormalt flöde och tryck9. Eftersom flödet och motorns rotationshastighet är ungefär proportionella i ett EHA-system kan rotationshastigheten övervakas online för att upptäcka onormalt flöde och tryck på grund av plötsliga fel.
Motsvarande feldetekteringsmetoder riktade mot de tidigare nämnda elektromekaniska enhetsfelen och hydraulenhetsfelen måste utformas. Metoderna för feldetektering i ett elektromekaniskt system innefattar huvudsakligen tillståndsskattning och parameteridentifiering10. En tillståndsobservatör bygger på en matematisk modell av systemet som gör en tillståndsuppskattning och bestämmer fel genom att analysera den återstående sekvensen som genereras av observatören. Alcorta et al. föreslog en enkel och ny icke-linjär observatör med två korrigeringstermer för vibrationsfeldetektering i kommersiella flygplan, vilket är mycket effektivt11. Denna typ av metod måste dock lösa observatörens robusthetsproblem. Med andra ord måste den undertrycka de förändringar i restsekvensen som orsakas av icke-felinformation som modellfel eller externa störningar. Dessutom kräver denna metod ofta mycket noggrann modellinformation, vilket vanligtvis är svårt att samla in i praktiska tekniska tillämpningar.
Parameteridentifieringsmetoden använder vissa algoritmer för att identifiera de viktiga parametrarna i systemet. När ett fel inträffar ändras även motsvarande parametervärde. Därför kan fel upptäckas genom att upptäcka en förändring i parametrarna. Parameteridentifieringsmetoden kräver inte beräkning av restsekvensen, så den kan undvika effekten av störningar på detekteringsnoggrannheten. Det adaptiva filtret har använts i stor utsträckning vid parameteridentifiering på grund av dess enkla implementering och stabila prestanda, vilket innebär att det är en gynnsam och genomförbar metod för elektromekanisk feldetektering12. Zhu et al. föreslog en ny multimodell adaptiv uppskattningsfeldetekteringsmetod baserad på kärnadaptiva filter, som realiserar uppskattningen av det verkliga flygtillståndsvärdet och ställdonets feldetektering online med bra prestanda13.
Med hänvisning till tidigare forskning har motsvarande feldetekteringsmetoder utformats. Lindningarnas motstånd förändras plötsligt när elektriska fel uppstår, såsom öppna kretsfel eller kortslutningsfel. Därför designades ett adaptivt filter baserat på en NLMS-algoritm för att identifiera lindningarnas motstånd, vilket kan avgöra om ett elektriskt fel har inträffat. Att kombinera ett adaptivt filter med en NLMS-algoritm för att minimera ändringen av parametervektorn leder till en bättre och snabbare konvergenseffekt14. För hydrauliska enhetsfel föreslogs en rotationshastighetsuppskattningsalgoritm baserad på det tydliga analytiska förhållandet mellan pumpens rotationshastighet och manövreringscylinderns position. EHA-hydraulfel upptäcktes online genom att jämföra den uppskattade rotationshastigheten med den faktiska hastigheten i realtid.
I detta dokument antogs en testmetod som kombinerar simuleringar och experiment. Först byggdes en matematisk modell av EHA och en simulering för den föreslagna feldetekteringsmetoden utfördes. Simuleringen omfattade verifiering av detektionsmetoderna vid icke-fel- och felinjiceringsförhållanden. Därefter realiserades feldetekteringsmetoden i den verkliga servostyrenheten. Slutligen analyserades resultaten av simuleringarna och experimenten och jämfördes för att utvärdera effekten av feldetekteringsmetoden.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Inrättande av EHA-simuleringsmodellen
- Öppna simuleringsprogrammet på en dator.
- Bygg simuleringsmodellen för EHA (figur 2), enligt de matematiska ekvationerna i EHA-modell15, och utför en tre-loop PI som styrenhet. Kapsla in hydraulmodulen (figur 2C), elmodulen (figur 2B) och styrenheten (figur 2B, D) i tre delmodeller.
OBS: De matematiska ekvationerna för EHA-modellen är följande i Eq (1):
(1)
I denna ekvation är U e armaturens spänning, K e är motorns bakre elektromotoriska kraftkoefficient, ωm är motorns rotationshastighet, L är ankarets ekvivalenta induktans, i är lindningens ström, R är lindningens motstånd, Kt är motorns vridmomentkoefficient, J m är tröghetsrotormomentet, Bm är motorns friktionskoefficient, q är pumpens förskjutning, Pf är tryckskillnaden mellan de två kamrarna i hydraulcylindern, A är kolvens effektiva yta, x är kolvstångens läge, V0 är hydraulcylinderns effektiva kavitetsvolym, B är hydrauloljans bulkmodul, K il är systemets totala inre läckagekoefficient, M är kolvens massa och belastningen, Kf är hydraulcylinderns viskösa dämpningskoefficient och Fex är den externa belastningskraften. - Programmera det adaptiva filtret baserat på en NLMS-algoritm i en M-fil, som kan anropas vid körning.
Härledningen av det adaptiva filtret baserat på NLMS-algoritmen visas här. De elektromekaniska felen kan bedömas genom att identifiera lindningsmotståndet, och den diskretiserade motorekvationen är som följer:
(2)
I denna formel, ts är provtagningstiden, och R(k) och L(k) är de parametrar som måste identifieras. EQ (2)kan skrivas enligt följande:
(3)
I denna formel,
Genom att lägga till två objekt för parametervektorn θ(k), provtagningstidpunkten, ts, kan elimineras för att erhålla motståndet, R(k). När någon av trefaslindningarna misslyckas, R(k) avviker från normalvärdet.
Ett adaptivt filter kan konstrueras från EQ (3), och filtrets uppskattningsfel är följande:
(4)
I denna formel, e(k) är en fluktuerande slumpmässig signal. När e(k) är tillräckligt liten är filtrets uppskattade värde ŷ(k). Slutligen, om det kan konvergera till den verkliga produktionen, y(k), av systemet, sedan parametervektorn θ(k) konvergerar till de verkliga systemparametrarna.
LMS-algoritmen (least mean square) tar det minsta medelkvadratfelet som kriterium för att realisera optimal förutsägelse och filtrering. Utför en automatisk iterativ justering för att göra θ(k) konvergerar till systemets verkliga värde. Uttrycket för kostnadsfunktionen är följande:
(5)
I denna formel,
Q(k) är korskorrelationsvektorn för y(k) och x(k). R(k) är den automatiska korrelationsmatrisen för indatavektorn.
Enligt metoden för brantaste nedstigning ska upprepningsformeln för θ(k) närmar sig den optimala lösningen är följande:
(6)
I denna formel, µ är den adaptiva variabeln stegstorlek. I den faktiska iterativa processen används värdena för den aktuella provtagningspunkten för att uppskatta Q(k) och R(k), som kan uttryckas som
och 
.
Sedan kan LMS-algoritmen förenklas enligt följande:
(7)
LMS-algoritmen kan göra θ(k) gradvis konvergera till de verkliga systemparametrarna.
I praktiska tillämpningar används NLMS-algoritmen vanligtvis för att övervinna LMS-algoritmens långsamma konvergenshastighet. Begränsningen för NLMS-algoritmen är följande:
(8)
Med hjälp av Lagrange-multiplikatormetoden för att lösa det begränsade optimeringsproblemet är kostnadsfunktionen följande:
(9)
I denna formel,λ är Lagrangekoefficienten. För att hitta minimivärdet på J(k), hitta den partiella derivatan av J(k) till θ(k) och ställ in den lika med 0. Beräkna lösningen enligt följande:
(10)
Ställa EQ (10) in EQ (8), och sedan få lösningen av λ enligt följande:
(11)
(12)
För att styra den inkrementella förändringen i parametervektorn bör en stegfaktor, β, införs i denna formel, och uttrycket är som följer:
(13)
Samtidigt, för att undvika svårigheten med numerisk beräkning på grund av den lilla ingångsvektorn, en relativt liten positiv konstant, γ, införs. Li et al. bevisade att när 0 < β < 2 and 0 < γ < 1, the NLMS algorithm can achieve better convergence effects16. Det slutliga uttrycket är som följer:
(14) - Programmera algoritmen för uppskattning av rotationshastighet i en M-fil, som kan anropas vid körning.
OBS: Härledningen av algoritmen för uppskattning av rotationshastighet visas här. Ställdonets flödesekvation kan skrivas enligt följande:
(15)
När hydraulenheten arbetar i normalt skick kan den totala flödesförlusten, Qf, orsakad av oljekompression och läckage ungefärligt uttryckas enligt följande:
(16)
I denna formel är η EHA: s volymetriska effektivitet.
Således kan det ungefärliga analytiska förhållandet mellan hastigheten, ωm och förskjutningen, x, erhållas enligt följande:
(17)
Den diskretiserade rotationshastighetsuppskattningsfelekvationen är som följer:
I denna formel är eωm (k) det uppskattade rotationshastighetsfelet och
är den uppskattade rotationshastigheten. Förändringar i eωm(k) återspeglar hydraulenhetens arbetsförhållande. När eωm(k) plötsligt avviker från normalvärdet betyder det att hydraulaggregatets tillstånd är onormalt, vilket kan användas för att upptäcka hydraulfel online. - Bygg felinjiceringsmodulen och tillhandahåll felinjiceringsbrytare (figur 2E, F), som kan avgöra om ett fel ska injiceras.
- Ställ in parametrarna för simuleringsmodellen enligt tabell 1 genom att dubbelklicka på den specifika komponenten i varje delmodell.
- Programmera ritprogramvaran, som kan rita simuleringskurvor efter att ha slutfört en grupp experiment.
(1)
(2)
(3)
(4)
(5)
(6)
och 
.
(7)
(8)
(9)
(10)
(11)
(12)
(13)
(14)
(15)
(16)
(17)
är den uppskattade rotationshastigheten. Förändringar i eωm(k) återspeglar hydraulenhetens arbetsförhållande. När eωm(k) plötsligt avviker från normalvärdet betyder det att hydraulaggregatets tillstånd är onormalt, vilket kan användas för att upptäcka hydraulfel online.2. Simulering av feldetekteringsmetoder
- Ge ett positionskommando, vilket är en sinusoid med en amplitud på 0,01 m och en frekvens på 1 Hz.
- Öppna menyn MODELLERING och klicka på knappen Modellinställningar . Ställ in simuleringsparametrarna: en starttid på 0 s, en stopptid på 6 s, steget Typ som variabel och lösaren som auto.
- Dubbelklicka på felinjiceringsbrytarna för att ställa in modellen så att den fungerar i ett felfritt tillstånd.
- Klicka på knappen Kör för att köra simuleringen och få resultatet av icke-feltillstånd.
- Kör ritprogrammet för att rita kurvan för kolvstångens förskjutning.
- Dubbelklicka på den elektromekaniska skärbrytaren för att injicera ett elektromekaniskt fel vid 3 s, vilket ställer in motståndet på 1 000 Ω för att simulera ett öppet kretsfel i motorlindningarna.
- Upprepa steg 2.4 och steg 2.5 för att uppnå resultaten för det elektromekaniska feltillståndet. Kör ritprogrammet för att rita kurvorna för kolvstångens förskjutning och identifierat motstånd.
- Vrid skärets hydrauliska felbrytare för att spruta in ett hydraulfel på 3 s, vilket ökar läckagevärdet till 2,5 × 10−9 (m3/s)/Pa för att simulera ett hydraulenhetsfel.
- Upprepa steg 2.3 och steg 2.4 för att uppnå resultaten för det hydrauliska feltillståndet. Kör ritprogrammet för att rita kurvorna för kolvstångens förskjutning och rotationshastighetsuppskattningsresultat.
3. Inrättande av försöksplattformen (figur 3)
- Ställ datorn, EHA och servostyrenheten på plats. EHA visas i figur 4 och servostyrenheten visas i figur 5.
- Koppla de elektriska delarna.
- Anslut EHA-sensorerna till sensorportarna för servostyrenheten via flera flygpluggar.
- Anslut EHA-motordriftsporten till växelriktarporten för servostyrenheten via flygkontakten.
- Anslut servostyrenheten till styrströmmen och drivströmmen via flygkontakten.
VARNING: Stäng av spänningen tillfälligt för säkerhets skull.
- Upprätta kommunikation mellan servostyrenheten och datorn.
- Öppna värdprogramvarans gränssnitt (bild 6) på datorn.
- Anslut datorn och servostyrenheten via en 422-till-USB-seriell kabel för att ställa in kommunikationen.
- Ge styrenheten kontrollkraft. Styrspänningen är 24 V DC.
- Välj lämplig serieport från rullgardinsmenyn VISA Resource Name i programvaran.
Om kommunikationen inte lyckas upprättas, kontrollera kabeln eller starta om programvaran tills RS422-kommunikation har upprättats. - Klicka på knappen Kör för att starta programvaran.
- Observera mottagningsområdet och motsvarande kurvor för programvaran för att avgöra om datamottagningsfunktionen är normal. Klicka på magnetventil 1-knappen för att observera om magnetventilen har ett indragningsljud och avgöra om dataöverföringsfunktionen är normal.
4. Experiment för feldetekteringsmetoden
- Ge drivström till servostyrenheten och ställ in spänningen på 50 V DC.
OBS: En 50 V DC-underspänningsdrift säkerställer säkert arbete eftersom systemet är lastfritt. - Klicka på EHA-omkopplaren i programvaran för att ställa in EHA i körläge. Klicka på knappen Datalogg för att starta dataloggning. De registrerade uppgifterna inkluderar den faktiska positionen, målpositionen, den faktiska hastigheten, målhastigheten, bussströmmen, spänningen etc.
- Gör en förkörning för EHA. Ge positionskommandon på programvaran, som inkluderar ett steg på +0,005 m och -0,005 m. Observera om EHA aktiveras normalt.
VARNING: Om EHA inte fungerar normalt, kontrollera felet omedelbart innan du fortsätter detta experiment. - Ge ett positionskommando på programvaran, som är en sinusoid med en amplitud på 0, 01 m och en frekvens på 1 Hz.
- Observera om det identifierade motståndet och den uppskattade rotationshastigheten överensstämmer med värdena under driftsförhållanden utan fel.
- Återställ positionskommandot till ursprungsläget om resultatet är korrekt. Klicka på EHA-omkopplaren för att stoppa EHA och stänga av enhetsströmmen, stoppa värddatorns programvara och avbryta kommunikationen mellan servostyrenheten och datorn.
- Exportera experimentella data, analysera data och rita kurvor för experimentella resultat med hjälp av ritprogramvara.
- Analysera de experimentella resultaten och jämför dem med simuleringsresultaten för att härleda slutsatser.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
I simuleringen visas EHA-kolvstångens faktiska position och mållägeskurva i felfritt tillstånd i figur 7. Enligt kurvan fungerade systemet normalt, med goda dynamiska egenskaper. EHA-kolvstångens faktiska position och mållägeskurva i det elektromekaniska felinsprutningstillståndet visas i figur 8. Enligt kurvan kunde systemet inte spåra målet exakt. Resultaten av resistensidentifieringsalgoritmen visas i figur 9, och dessa resultat visade att före injektion konvergerade det identifierade värdet till det sanna värdet 0,3 Ω och fluktuerade med ±0,02 Ω, medan det identifierade värdet efter injektion konvergerade till det sanna värdet 1 000 Ω och fluktuerade med ±3 Ω, vilket indikerar att metoden uppnådde önskad effekt. EHA-kolvstångens faktiska position och mållägeskurva i tillståndet för hydraulisk felinsprutning visas i figur 10. Enligt kurvan kunde systemet inte spåra målet exakt. Resultaten av algoritmen för uppskattning av rotationshastigheten visas i figur 11. Kurvorna angav den faktiska rotationshastigheten, den uppskattade rotationshastigheten, rotationshastighetsfelet, eωm och dess absoluta värde, | eωm|. Före injektion var den uppskattade rotationshastigheten mycket nära den faktiska rotationshastigheten, medan efter injektion kunde ett hydrauliskt fel bestämmas enligt det alltför stora felet i rotationshastigheten.
Den faktiska positionen och målpositionskurvan för EHA-kolvstången från experimentet visas i figur 12. De experimentella resultaten överensstämde med simuleringsresultaten. Enligt kurvan fungerade systemet normalt, med goda dynamiska egenskaper, vilket uppfyllde kraven på driftsförhållanden. Resultaten av resistensidentifieringsalgoritmen visas i figur 13, och dessa resultat visade att det identifierade värdet konvergerade till det sanna värdet 0,3 Ω, vilket överensstämde med simuleringen, vilket indikerar att metoden uppnådde önskad effekt. Jämfört med simuleringsresultaten fluktuerade experimentets identifierade motståndsvärde mer. Eftersom det identifierade motståndet var mycket litet var denna skillnad acceptabel. Resultaten av algoritmen för uppskattning av rotationshastigheten visas i figur 14. Kurvorna visade den faktiska rotationshastigheten, den uppskattade rotationshastigheten, rotationshastighetsfelet, eωm och dess absoluta värde, | eωm|. Den uppskattade rotationshastigheten låg mycket nära den faktiska rotationshastigheten, och | eωm| I huvudsak fluktuerade i intervallet 0-2,5 rps, vilket är ett rimligt intervall. Detta överensstämde med simuleringsresultatet, som visar den föreslagna metodens effektivitet.
Simuleringarna och experimenten verifierade att feldetekteringsmetoden som studeras i detta dokument är effektiv och har praktiskt värde.
Figur 1: Principstrukturdiagram för EHA. Denna figur visar huvudstrukturdiagrammet för en typisk EHA. Klicka här för att se en större version av denna figur.
Figur 2: Simuleringsmodell av EHA. Denna figur visar EHA-modellen som används i simuleringen, som består av (B,D) en servostyrenhet, (B) en motorpump, (C) en manövreringscylinder och (E,F) två felinsprutningsbrytare. Klicka här för att se en större version av denna figur.
Figur 3: Experimentplattformens struktursammansättning. Detta fotografi visar sammansättningen av den experimentella plattformen, inklusive en EHA, en servokontroller, en 24 V DC-kontrollströmkälla, en högspännings DC-strömkälla, en dator som värddator och buntar av anslutningskablar. Klicka här för att se en större version av denna figur.
Figur 4: Detaljerat fotografi av EHA. Detta fotografi visar detaljerna i EHA-kompositionen. Klicka här för att se en större version av denna figur.
Figur 5: Detaljerat fotografi av servostyrenheten. Detta fotografi visar detaljerna i servokontrollen. Klicka här för att se en större version av denna figur.
Bild 6: Detaljerad bild av värdprogramvarans gränssnitt. Den här bilden visar detaljerna i programvarugränssnittet. Klicka här för att se en större version av denna figur.
Figur 7: Simuleringsresultat för kolvstångens faktiska position och mållägeskurva i felfritt tillstånd. Resultaten tyder på att EHA arbetade i ett felfritt tillstånd med goda dynamiska egenskaper. Klicka här för att se en större version av denna figur.
Figur 8: Simuleringsresultat för kolvstångens faktiska position och mållägeskurva i elektromekaniskt felinsprutningstillstånd. Resultaten indikerar att EHA före injektion arbetade med goda dynamiska egenskaper, medan EHA efter injektion inte kunde spåra målet exakt på grund av ett fel. Klicka här för att se en större version av denna figur.
Figur 9: Simuleringsresultat för det identifierade motståndet i det elektromekaniska felinsprutningstillståndet. Resultaten indikerar att före injektion konvergerade den identifierade resistansen till det sanna värdet 0,3 Ω och fluktuerade med ±0,02 Ω, medan den identifierade resistansen efter injektion konvergerade till det sanna värdet 1 000 Ω och fluktuerade med ±3 Ω, vilket innebär att metoden uppnådde önskad effekt. Klicka här för att se en större version av denna figur.
Figur 10: Simuleringsresultat för kolvstångens faktiska position och mållägeskurva i tillståndet för hydraulisk felinsprutning. Resultaten indikerar att EHA före injektion arbetade med goda dynamiska egenskaper, medan EHA efter injektion inte kunde spåra målet exakt på grund av ett fel. Klicka här för att se en större version av denna figur.
Figur 11: Simuleringsresultat för uppskattning av rotationshastigheten i tillståndet för hydraulisk felinsprutning. (A) Denna panel visar kurvorna för den faktiska rotationshastigheten, den uppskattade rotationshastigheten och felet för rotationshastigheten. Kurvorna indikerar att den uppskattade rotationshastigheten före injektion var mycket nära den faktiska, medan hydraulfelet efter injektion kunde bestämmas enligt det alltför stora felet i rotationshastigheten. (B) Denna panel visar kurvan för det absoluta rotationshastighetsfelet. Kurvan indikerar att det absoluta rotationshastighetsfelet före injektion fluktuerade i intervallet 0-2 rps i icke-feltillstånd, medan det hydrauliska felet efter injektion kunde bestämmas enligt det överdrivna absoluta rotationshastighetsfelet, vilket innebär att metoden uppnådde önskad effekt. Klicka här för att se en större version av denna figur.
Figur 12: Experimentella resultat för kolvstångens faktiska position och mållägeskurva. Resultaten tyder på att EHA arbetade i ett felfritt tillstånd med goda dynamiska egenskaper. Klicka här för att se en större version av denna figur.
Figur 13: Experimentella resultat för den identifierade resistensen. Resultaten indikerar att det identifierade motståndet konvergerade till det sanna värdet 0,3 Ω, vilket i huvudsak överensstämde med simuleringen, vilket innebar att metoden uppnådde önskad effekt. Klicka här för att se en större version av denna figur.
Figur 14: Experimentella resultat för uppskattning av rotationshastigheten. (A) Denna panel visar kurvorna för den faktiska rotationshastigheten, den uppskattade rotationshastigheten och rotationshastighetens fel, vilket indikerar att den uppskattade rotationshastigheten var mycket nära den faktiska. (B) Denna panel visar kurvan för det absoluta rotationshastighetsfelet. Resultaten indikerar att det absoluta rotationshastighetsfelet fluktuerade i intervallet 0-2,5 rps, vilket överensstämde med simuleringen och därmed validerar metodens effektivitet. Klicka här för att se en större version av denna figur.
| Parameter | Symbol | Enhet | Värde | |||
| Lindningens motstånd | R | Ω | 0.3 | |||
| Ekvivalent induktans av armatur | L | H | 5.5×10-4 | |||
| Motorns vridmomentkoefficient | Kt | N·m/A | 0.257 | |||
| tillbaka elektromotorisk kraftkoefficient för motor | Ke | V/(rad/s) | 0.215 | |||
| Rotormomentet tröghet hos motor och pump | Jm | Kg·m2 | 4×10-4 | |||
| Friktionskoefficient för motor | Bm | N·m/(rad/s) | 6×10-4 | |||
| Systemets totala interna läckagekoefficient | Kil | (m3/s)/Pa | 2.5×10-12 | |||
| förskjutning av pumpen | q | m3/r | 2.4×10-6 | |||
| Effektivt kolvområde | A | m2 | 1.5×10-3 | |||
| bulkmodul av hydraulolja | B | N/m2 | 6.86×108 | |||
| kolvmassa och belastning | M | kg | 240 | |||
| viskös dämpningskoefficient för hydraulcylindern | Kf | Ej tillämpligt | 10000 | |||
| effektiv kavitetsvolym av hydraulcylinder | V0 | m3 | 5.12×10-4 | |||
Tabell 1: Simuleringsparametrar. Den här tabellen visar huvudparametrarna för simuleringsmodellen.
Tabell 2: Materialförteckning. Denna tabell anger testplattformens huvudkomponenter.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vid genomförandet av dessa experimentella steg var det viktigt att säkerställa algoritmens realtidskapacitet för att få exakta beräkningsresultat. Det vita bruset i signalförvärvsprocessen antogs för att simulera egenskaperna hos den faktiska sensorn för att göra simuleringen närmare verkligheten. I simuleringarna och experimenten användes glidande medelfilter för att minska fluktuationen i det identifierade motståndet och den uppskattade rotationshastigheten, vilket gjorde felegenskaperna stabilare och lättare att bedöma. Under experimentet bör det noteras att vid ett plötsligt kommunikationsavbrott måste drivströmförsörjningen omedelbart stängas av och experimentet kan endast utföras efter att kommunikationen har återupprättats.
För algoritmen för identifiering av lindningsmotstånd, även om experimentresultaten var nästan desamma som simuleringsresultaten, som båda fluktuerade runt 0,3 Ω, fluktuerade experimentets identifierade motstånd i större utsträckning och effekten var inte idealisk. Anledningen till detta var att den nuvarande samlingen var föremål för mycket störningar. Till exempel kunde strömenhetens omkopplingsstatus inte ändras omedelbart när motorn var under pendling och en sågtand skulle visas i den uppsamlade bussströmmen. Den aktuella sensorn installerades nära motordrivmodulen och påverkades av stark elektromagnetisk störning orsakad av förändringen av strömenhetens omkopplingsstatus. Därför var bruset i de data som samlats in av den aktuella sensorn ganska stort. Även om ett filter applicerades för att jämna ut data var de slutliga resultaten fortfarande inte lika bra som simuleringen. Därför måste servostyrenhetens elektromagnetiska kompatibilitetsdesign optimeras ytterligare i framtida forskning och filtret måste förbättras för bättre praktisk effekt.
Experimentet utfördes under belastningsfria förhållanden där ett sinusformat positionskommando med en amplitud av 0, 01 m och en frekvens av 1 Hz applicerades. I verkligheten varierar tröskeln för att bedöma fel beroende på arbetsförhållandena. I praktiken bör experiment utföras under flera arbetsförhållanden för att säkerställa att tröskelvärdena för det identifierade motståndet och den uppskattade rotationshastigheten är rimliga.
På grund av svårigheten och den potentiella risken att injicera ett fel i verkliga föremål utfördes felinjektioner i motorlindningens öppna krets och ökat läckage endast under simulering snarare än vid användning av en experimentell plattform. Felinjicering bör utföras efter att driftsförhållandena är uppfyllda för att ytterligare verifiera genomförbarheten av den metod som studeras i detta dokument.
Denna studie ger en demonstration och vägledning för experimentell forskning om EHA-feldetektering, och den är av stor betydelse för demonstration och tillämpning av EHA och till och med för forskningen om EHA-hälsohanteringssystem i framtiden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna förklarar att de inte har några kända konkurrerande ekonomiska intressen eller personliga relationer som kan påverka det arbete som rapporteras i denna uppsats.
Acknowledgments
Detta arbete stöddes av det kinesiska civila flygplansprojektet (nr MJ-2017-S49) och Kina
Stiftelsen för postdoktoral vetenskap (nr 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).
