Summary

Diseño y aplicación de un método de detección de fallos basado en filtros adaptativos y estimación de velocidad de rotación para un actuador electrohidrostático

Published: October 28, 2022
doi:

Summary

En este trabajo, se presenta un filtro adaptativo basado en un algoritmo de mínimo cuadrático medio normalizado (NLMS) y un método de estimación de velocidad de rotación para detectar las fallas eléctricas e hidráulicas del actuador electrohidrostático (EHA). La eficacia y viabilidad de los métodos antes mencionados se verifican a través de simulaciones y experimentos.

Abstract

El actuador electrohidrostático (EHA) es un prometedor aparato de actuación utilizado en sistemas de control de vuelo para aviones más eléctricos (MEA) debido a su alta densidad de potencia y bajo mantenimiento. Dado que la fiabilidad del sistema disminuye con el aumento de la complejidad, la detección de fallos es cada vez más importante. En este documento, se diseñó un filtro adaptativo basado en un algoritmo de mínimo cuadrado medio normalizado (NLMS), que podría identificar la resistencia de los devanados del motor en línea para detectar fallas eléctricas en la EHA. Además, sobre la base de la relación analítica entre la velocidad de rotación y el desplazamiento, se diseñó un método de estimación de la velocidad de rotación. Al comparar la velocidad de rotación real con la estimada, se pudieron detectar fallas hidráulicas. Para verificar la eficacia del método antes mencionado, se aplicó un software para el modelado y las simulaciones, que incluyeron la inyección y detección de fallas. Sobre esta base, se construyó una plataforma experimental y luego se sometió a una serie de experimentos de validación. Los resultados indican que el método de detección de fallas tiene el potencial de detectar fallas eléctricas e hidráulicas en una EHA.

Introduction

El actuador electrohidrostático (EHA) es un componente clave para el control de vuelo en aviones más eléctricos (MEA). La estructura típica de una EHA se muestra en la Figura 1. Su estructura compacta garantiza una alta densidad de potencia, bajo mantenimiento y una mayor tolerancia a fallos y seguridad en comparación con el servoactuador hidráulico tradicional (HSA)1. Sin embargo, la fiabilidad actual de la EHA no puede cumplir con los requisitos prácticos de más aviones eléctricos2. Como resultado, se ha introducido la tecnología de redundancia en el diseño de la EHA. Para maximizar la eficacia de la tecnología de redundancia, el estado operativo del sistema debe supervisarse mediante un método de detección de fallos3. De acuerdo con la ubicación donde se produce la falla, los modos de falla de la EHA se pueden dividir en fallas del servocontrolador y fallas de la unidad de control de potencia (PCU). Las fallas de PCU se pueden dividir en fallas del sensor, fallas de la unidad electromecánica y fallas de la unidad hidráulica. El mecanismo de falla del servocontrolador tiene poca relación con el cuerpo EHA, y la probabilidad de falla del sensor es mucho menor que la del componente4 del equipo. Por lo tanto, nos centramos en las fallas de la unidad electromecánica y la unidad hidráulica en este documento.

Las fallas de la unidad electromecánica incluyen fallas del módulo de accionamiento del motor y fallas del motor de CC sin escobillas (BLDCM). En general, la probabilidad de una falla de la electrónica de accionamiento de potencia (PDE) (por ejemplo, una falla de cortocircuito, una falla de circuito abierto) es relativamente alta. Cuando se produce una falla de cortocircuito, la corriente de PDE aumenta bruscamente en un corto período de tiempo, causando consecuencias graves, como un apagado del motor o daños a los componentes eléctricos. Aunque el motor puede mantener su estado de funcionamiento después de que ocurre una falla de circuito abierto, la sobrecorriente y la sobretensión para los otros componentes eléctricos siguen siendo inevitables, y las fallas secundarias pueden ocurriren consecuencia 5. En cuanto a los BLDCM, los devanados del motor son más propensos a fallas por un cortocircuito o un circuito abierto6. El PDE en la unidad electromecánica está conectado en serie con los devanados del motor correspondientes. El método de detección de fallos diseñado para los devanados del motor también es efectivo cuando se trata de fallas en el PDE. Por lo tanto, los fallos de la unidad electromecánica, incluso en el motor y la PDE, deben detectarse en línea.

Las fallas de la unidad hidráulica incluyen ocurrencias de fallas en la bomba de pistón de desplazamiento fijo, el bloque de válvulas integrado y el cilindro de accionamiento7. La bomba de pistón de la EHA está compuesta por pistones, placas oscilantes y placas de válvula; El daño al sello y el desgaste de la placa de la válvula son las principales formas de falla8. Estos dos modos de falla aumentan la fuga de la bomba. Los cambios anormales en el flujo de salida y la presión siguen y, finalmente, conducen a una disminución en la velocidad del cilindro de accionamiento y una reducción en el rendimiento del servo del sistema. Los modos de falla del bloque de válvulas integrado incluyen una falla de depósito presurizada, una falla de válvula de retención, una falla de válvula de alivio y una falla de válvula de selección de modo. El depósito presurizado generalmente adopta un diseño autoestimulante con alta confiabilidad. Sin embargo, cuando se produce una falla, una presión de carga insuficiente causa cavitación de la bomba, lo que resulta en un flujo de salida anormal. La fatiga del resorte, el desgaste de los componentes y la deformación son modos de falla comunes en las válvulas de retención y válvulas de alivio. Una falla de la válvula de retención se presenta como una fuga inversa, que conduce directamente a un flujo anormal. Una falla de la válvula de alivio conduce a una función de protección inválida, lo que resulta en una presión anormal. Las fallas comunes de la válvula de selección de modo son la falla del resorte de retorno y las bobinas de alambre rotas. El primero provoca la conmutación en corriente del estado de trabajo, lo que lleva a un movimiento anormal del cilindro de accionamiento. Una falla del cilindro de accionamiento resulta en una disminución en la precisión del control de posición y el rendimiento dinámico. En resumen, las fallas de las unidades hidráulicas causan flujo y presión anormales9. Dado que el flujo y la velocidad de rotación del motor son aproximadamente proporcionales en un sistema EHA, la velocidad de rotación se puede monitorear en línea para detectar flujo y presión anormales debido a fallas repentinas.

Es necesario diseñar los métodos de detección de fallos correspondientes dirigidos a las fallas de la unidad electromecánica y las fallas de la unidad hidráulica mencionadas anteriormente. Los métodos para la detección de fallas en un sistema electromecánico incluyen principalmente la estimación del estado y la identificación de parámetros10. Un observador de estado se construye sobre la base de un modelo matemático del sistema que hace una estimación de estado y determina fallas mediante el análisis de la secuencia residual generada por el observador. Alcorta et al. propusieron un observador no lineal simple y novedoso con dos términos de corrección para la detección de fallas por vibración en aviones comerciales, que es altamente efectivo11. Sin embargo, este tipo de método debe resolver el problema de robustez del observador. En otras palabras, debe suprimir los cambios en la secuencia residual causados por información no fallida, como errores del modelo o perturbaciones externas. Además, este método a menudo requiere información de modelo muy precisa, que generalmente es difícil de recopilar en aplicaciones prácticas de ingeniería.

El método de identificación de parámetros emplea ciertos algoritmos para identificar los parámetros importantes en el sistema. Cuando se produce un error, el valor del parámetro correspondiente también cambia. Por lo tanto, los fallos se pueden detectar detectando un cambio en los parámetros. El método de identificación de parámetros no requiere el cálculo de la secuencia residual, por lo que puede evitar el efecto de las perturbaciones en la precisión de la detección. El filtro adaptativo ha sido ampliamente utilizado en la identificación de parámetros debido a su fácil implementación y rendimiento estable, lo que significa que es un método favorable y factible para la detección de fallas electromecánicas12. Zhu et al. propusieron un nuevo método de detección de fallas de estimación adaptativa multimodelo basado en filtros adaptativos del kernel, que realiza la estimación del valor del estado de vuelo real y la detección de fallas del actuador en línea con buen rendimiento13.

Refiriéndose a la investigación anterior, se han diseñado los métodos de detección de fallos correspondientes. La resistencia de los devanados cambia abruptamente cuando ocurren fallas eléctricas, como fallas de circuito abierto o fallas de cortocircuito. Por lo tanto, se diseñó un filtro adaptativo basado en un algoritmo NLMS para identificar la resistencia de los devanados, que puede determinar si se ha producido una falla eléctrica. La combinación de un filtro adaptativo con un algoritmo NLMS para minimizar el cambio del vector de parámetros conduce a un efecto de convergencia mejor y más rápido14. Para fallas de la unidad hidráulica, se propuso un algoritmo de estimación de la velocidad de rotación basado en la clara relación analítica entre la velocidad de rotación de la bomba y la posición del cilindro de accionamiento. Los fallos hidráulicos EHA se detectaron en línea comparando la velocidad de rotación estimada con la velocidad real en tiempo real.

En este artículo, se adoptó un método de prueba que combina simulaciones y experimentos. Primero, se construyó un modelo matemático de la EHA y se realizó una simulación para el método de detección de fallas propuesto. La simulación incluyó la verificación de los métodos de detección en condiciones de inyección sin fallas y fallas. Luego, el método de detección de fallas se realizó en el servocontrolador real. Finalmente, los resultados de las simulaciones y experimentos fueron analizados y comparados para evaluar la eficacia del método de detección de fallos.

Protocol

1. Establecimiento del modelo de simulación EHA Abra el software de simulación en un PC. Construir el modelo de simulación para la EHA (Figura 2), de acuerdo con las ecuaciones matemáticas del modeloEHA 15, y realizar un PI de tres bucles como controlador. Encapsule el módulo hidráulico (Figura 2C), el módulo eléctrico (Figura 2B) y el controlador (Figura 2B<strong…

Representative Results

En la simulación, la posición real y la curva de posición objetivo del vástago del pistón EHA en la condición de no falla se muestran en la Figura 7. Según la curva, el sistema funcionaba normalmente, con buenas características dinámicas. La posición real y la curva de posición objetivo del vástago del pistón EHA en la condición de inyección de fallas electromecánicas se muestra en la Figura 8. De acuerdo con la curva, el sistema no podía rastre…

Discussion

Al realizar estos pasos experimentales, era importante garantizar la capacidad en tiempo real del algoritmo para obtener resultados de cálculo precisos. El ruido blanco en el proceso de adquisición de señal se adoptó para simular las características del sensor real con el fin de hacer la simulación más cercana a la realidad. En las simulaciones y experimentos, se aplicaron filtros de media móvil para reducir la fluctuación en la resistencia identificada y la velocidad de rotación estimada, lo que hizo que las c…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabajo fue apoyado por el Proyecto de Aeronaves Civiles Chinos (No. MJ-2017-S49) y el

Fundación de Ciencias Postdoctorales (No. 2021M700331).

Materials

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

  1. 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).
  2. 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).
  3. Chao, Q., et al. Integrated slipper retainer mechanism to eliminate slipper wear in high-speed axial piston pumps. Frontiers of Mechanical Engineering. 17, (2022).
  4. Yoo, M., et al. A resilience measure formulation that considers sensor faults. Reliability Engineering& System Safety. 199, 106393 (2019).
  5. Fang, J., et al. Online inverter fault diagnosis of buck-converter BLDC motor combinations. IEEE Transactions on Power Electronics. 30 (5), 2674-2688 (2015).
  6. Lisnianski, A., et al. Power system structure optimization subject to reliability constraints. Electric Power Systems Research. 39 (2), 145-152 (1996).
  7. Fu, T., Wang, L., Qi, H., Liu, H. Fault diagnosis and management of electric hydrostatic actuator. Machine Tool & Hydraulics. 38 (9), 120-124 (2010).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. 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).

Play Video

Cite This Article
Fu, Y., Ma, Y., Gou, Z., Guo, T., Liu, J., Zhao, J. Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator. J. Vis. Exp. (188), e63575, doi:10.3791/63575 (2022).

View Video