Projektowanie i zastosowanie metody detekcji uszkodzeń w oparciu o filtry adaptacyjne i estymację prędkości obrotowej dla siłownika elektrohydrostatycznego
28 października 2022
W tym artykule przedstawiono adaptacyjny filtr oparty na algorytmie znormalizowanego najmniejszego średniego kwadratu (NLMS) oraz metodę szacowania prędkości obrotowej do wykrywania elektrycznych i hydraulicznych usterek siłownika elektrohydrostatycznego (EHA). Skuteczność i wykonalność wyżej wymienionych metod jest weryfikowana za pomocą symulacji i eksperymentów.
Wykrywanie usterek jest kluczową technologią służącą do testowania praktyczności siłownika elektrohydrostatycznego, znanego również jako EHA. Protokół ten posiada skuteczną metodę eksperymentu projektowego do wykrywania usterek EHA. Protokół ten łączy algorytmy wykrywania usterek symulacji i eksperymentów, które mogą skutecznie i szybko wykrywać błędy EHA.
Aby stworzyć model symulacyjny EHA, otwórz oprogramowanie symulacyjne na komputerze i ustaw parametry modelu zgodnie z opisem w rękopisie tekstowym. Następnie wydaj polecenie pozycji, sinusoidę o amplitudzie 0,01 metra i częstotliwości dwóch promieni pi na sekundę. Wejdź do menu modelowania i kliknij ustawienia modelu"przycisk.
Ustaw parametry operacji symulacji, zaczynając od czasu rozpoczęcia wynoszącego zero sekund, czasu zatrzymania wynoszącego sześć sekund, typu jako kroku zmiennej, a solvera jako automatycznego. Kliknij dwukrotnie przełączniki wtrysku błędu, aby ustawić model tak, aby działał w stanie bezawaryjnym. Kliknij przycisk Uruchom, aby uruchomić symulację i otrzymać wyniki stanu niezwiązanego z błędem.
Uruchom oprogramowanie do rysowania, aby narysować krzywą nieprawidłowego przemieszczenia tłoczyska. Kliknij dwukrotnie włóż elektromechaniczny przełącznik błędu, aby wprowadzić usterkę elektromechaniczną po trzech sekundach, co ustawia rezystancję na 1000 ums, aby symulować awarię obwodu otwartego uzwojeń silnika. Powtórz przebieg symulacji, jak pokazano wcześniej, aby uzyskać wyniki dla stanu usterki elektromechanicznej.
Uruchom oprogramowanie do rysowania, aby narysować krzywe przemieszczenia tłoczyska i zidentyfikowany opór. Obróć przełącznik usterki hydraulicznej wkładki, aby wstrzyknąć usterkę hydrauliczną po trzech sekundach, co zwiększa wartość wycieku do 2,5 razy 10^9 metrów sześciennych na sekundę na pascal, aby zasymulować awarię jednostki hydraulicznej. Następnie uruchom model symulacyjny, jak pokazano wcześniej, aby uzyskać wyniki dla stanu usterki hydraulicznej.
Uruchom oprogramowanie do rysowania, aby narysować krzywe wyników przemieszczenia tłoczyska i szacowania prędkości obrotowej. Ustaw komputer, EHA i sterownik serwomechanizmu. Otwórz interfejs oprogramowania hosta na komputerze i nawiąż komunikację między sterownikiem serwomechanizmu a komputerem. Wybierz odpowiedni port szeregowy z rozwijanego okna nazwy zasobu Visa oprogramowania.
Kliknij przycisk uruchom, aby uruchomić oprogramowanie. Obserwuj obszar odbioru i odpowiadające mu krzywe oprogramowania, aby określić, czy funkcja odbierania danych jest normalna. Kliknij dwa przyciski zaworu elektromagnetycznego, aby obserwować, czy czerwone światło zaworu elektromagnetycznego jest podświetlone i określić, czy funkcja transmisji danych jest normalna.
Zapewnij zasilanie napędu do sterownika serwomechanizmu i ustaw napięcie na 50 woltów prądu stałego. Kliknij przycisk przełącznika EHA w oprogramowaniu, aby ustawić EHA w stan uruchomienia. Kliknij przycisk dziennika danych, aby rozpocząć rejestrowanie danych.
Rejestrowane dane będą zawierać różne parametry, takie jak rzeczywista pozycja, pozycja docelowa, rzeczywista prędkość, prędkość docelowa, prąd magistrali i napięcie. Przeprowadź rozruch wstępny dla EHA i wydaj polecenia dotyczące pozycji w oprogramowaniu. Które obejmują krok plus pięć i minus pięć milimetrów.
Sprawdzić, czy EHA działa normalnie. Wydaj polecenie położenia w oprogramowaniu sinusoidy o amplitudzie 10 milimetrów i częstotliwości jednego herca. Obserwuj, czy zidentyfikowana rezystancja i szacowana prędkość obrotowa są zgodne z wartościami w warunkach pracy bez awarii.
Przywróć polecenie position do pierwotnego stanu, jeśli wynik jest poprawny. Kliknij przycisk przełącznika EHA, aby zatrzymać EHA i odciąć zasilanie napędu. Następnie zatrzymaj oprogramowanie komputera hosta i przerwij komunikację między sterownikiem serwomechanizmu a komputerem. Eksportuj dane eksperymentalne, analizuj dane i rysuj krzywe wyników eksperymentu za pomocą oprogramowania do rysowania.
Następnie przystąp do analizy wyników zgodnie z opisem w manuskrypcie tekstu. W przebiegu symulacji krzywa położenia rzeczywistego i docelowego tłoczyska EHA w stanie bezawaryjnym działała normalnie z dobrymi właściwościami dynamicznymi. Jednak krzywa położenia w elektromechanicznym wtrysku usterki nie mogła dokładnie śledzić celu.
Algorytm identyfikacji oporności wykazał, że przed i po wstrzyknięciu zidentyfikowana wartość zbiegła się z wartością prawdziwą, co wskazuje, że metoda osiągnęła pożądany efekt. Krzywe położenia rzeczywistego i docelowego w warunkach wtrysku hydraulicznego nie mogły dokładnie śledzić celu. Przed wtryskiem szacowana prędkość obrotowa była bardzo zbliżona do rzeczywistej prędkości obrotowej.
Natomiast po wtrysku usterkę hydrauliczną można określić na podstawie nadmiernego błędu prędkości obrotowej. Wyniki eksperymentu były zgodne z wynikami symulacji. Algorytm identyfikacji rezystancji wykazał, że zidentyfikowana wartość zbiegła się z rzeczywistą wartością 0,3 oms zgodną z symulacją, co wskazuje, że metoda osiągnęła pożądany efekt.
Odpowiednie oszacowanie prędkości obrotowej było zbliżone do rzeczywistej prędkości obrotowej, a błąd prędkości obrotowej zasadniczo wahał się w dopuszczalnym zakresie od zera do 2,5 RPS. Technologia wykrywania usterek jest kluczem do redundancji EHA i zarządzania zdrowiem. Co może utorować drogę do dalszej praktyczności EHA.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
To badanie przedstawia adaptacyjny filtr używający algorytmu skorygowanych kwadratów średnich (NLMS) do wykrywania usterek elektrycznych i hydraulicznych w elektroniczno-hydrostatycznych siłownikach (EHA). Metody te zostały zweryfikowane zarówno przez symulacje, jak i eksperymenty.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Inżynieria
- Wykrywanie usterek
Tło
- Elektroniczno-hydrostatyczne siłowniki (EHA) są kluczowe w różnych zastosowaniach.
- Wykrywanie usterek jest istotne dla zapewnienia niezawodności EHAs.
- Istniejące metody mogą brakować efektywności w wykrywaniu usterek w czasie rzeczywistym.
- To badanie ma na celu poprawę metod wykrywania usterek dla EHAs.
Cel badania
- Opracować skuteczną metodę wykrywania usterek w EHAs.
- Połączyć podejście symulacyjne i eksperymentalne dla weryfikacji.
- Poprawić niezawodność i wydajność EHAs w praktycznych zastosowaniach.
Stosowane metody
- Rozwój algorytmu skorygowanych kwadratów średnich (NLMS).
- Modelowanie symulacyjne EHA przy użyciu określonych parametrów.
- Eksperymentalna walidacja metod wykrywania usterek.
- Analiza wyników w celu oceny skuteczności i wykonalności.
Główne wyniki
- Algorytm NLMS skutecznie wykrywa usterki w EHAs.
- Wyniki symulacji zgadzają się z wynikami eksperymentalnymi.
- Proponowane metody wykazują szybkie i dokładne wykrywanie usterek.
- Wyniki wskazują na poprawę niezawodności EHAs w działaniu operacyjnym.
Wnioski
- Badanie z powodzeniem wprowadza nową metodę wykrywania usterek dla EHAs.
- Łączenie symulacji z eksperymentami poprawia weryfikację wyników.
- Przyszła praca może skupić się na zastosowaniach w czasie rzeczywistym proponowanych metod.
Często zadawane pytania
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
