Summary

Conception et application d’une méthode de détection de défauts basée sur des filtres adaptatifs et une estimation de vitesse de rotation pour un actionneur électro-hydrostatique

Published: October 28, 2022
doi:

Summary

Dans cet article, un filtre adaptatif basé sur un algorithme du moindre carré moyen normalisé (NLMS) et une méthode d’estimation de la vitesse de rotation sont introduits pour détecter les défauts électriques et hydrauliques de l’actionneur électro-hydrostatique (EHA). L’efficacité et la faisabilité des méthodes susmentionnées sont vérifiées par des simulations et des expériences.

Abstract

L’actionneur électro-hydrostatique (EHA) est un appareil d’actionnement prometteur utilisé dans les systèmes de contrôle de vol pour les avions plus électriques (MEA) en raison de sa densité de puissance élevée et de sa faible maintenance. Étant donné que la fiabilité du système diminue avec la complexité croissante, la détection des défauts devient de plus en plus importante. Dans cet article, un filtre adaptatif a été conçu sur la base d’un algorithme NLMS (Average Average Square) normalisé, qui pourrait identifier la résistance des enroulements du moteur en ligne pour détecter les défauts électriques dans l’EHA. De plus, sur la base de la relation analytique entre la vitesse de rotation et le déplacement, une méthode d’estimation de la vitesse de rotation a été conçue. En comparant la vitesse de rotation réelle avec la vitesse estimée, les défauts hydrauliques ont pu être détectés. Pour vérifier l’efficacité de la méthode susmentionnée, un logiciel a été appliqué pour la modélisation et les simulations, qui comprenaient l’injection et la détection de défauts. Sur cette base, une plateforme expérimentale a été construite puis soumise à une série d’expériences de validation. Les résultats indiquent que la méthode de détection des défauts a le potentiel de détecter les défauts électriques et hydrauliques dans un EHA.

Introduction

L’actionneur électro-hydrostatique (EHA) est un composant clé pour la commande de vol dans les avions plus électriques (MEA). La structure typique d’un EHA est illustrée à la figure 1. Sa structure compacte garantit une densité de puissance élevée, une faible maintenance ainsi qu’une tolérance aux pannes et une sécurité supérieures à celles du servomoteur hydraulique traditionnel (HSA)1. Cependant, la fiabilité actuelle de l’EHA ne peut pas répondre aux exigences pratiques d’un avion plus électrique2. En conséquence, la technologie de redondance a été introduite dans la conception de l’EHA. Pour maximiser l’efficacité de la technologie de redondance, l’état de fonctionnement du système doit être surveillé par une méthode de détection des défauts3. Selon l’emplacement où le défaut se produit, les modes de défaut de l’EHA peuvent être divisés en défauts de servocontrôleur et défauts d’unité de contrôle de puissance (PCU). Les défauts PCU peuvent être divisés en défauts de capteur, défauts d’unité électromécanique et défauts d’unité hydraulique. Le mécanisme de défaut du servocontrôleur a peu de relation avec le corps EHA, et la probabilité de défaut du capteur est beaucoup plus faible que celle du composant4 de l’équipement. Par conséquent, nous nous concentrons sur les défauts de l’unité électromécanique et de l’unité hydraulique dans cet article.

Les défauts de l’unité électromécanique comprennent les défauts du module d’entraînement du moteur et les défauts du moteur CC sans balais (BLDCM). En général, la probabilité d’un défaut d’électronique d’entraînement de puissance (PDE) (par exemple, un défaut de court-circuit, un défaut de circuit ouvert) est relativement élevée. Lorsqu’un défaut de court-circuit se produit, le courant PDE augmente brusquement en peu de temps, entraînant de graves conséquences telles qu’un arrêt du moteur ou des dommages aux composants électriques. Bien que le moteur puisse maintenir son état de fonctionnement après un défaut en circuit ouvert, les surintensités et les surtensions pour les autres composants électriques sont toujours inévitables, et des défauts secondaires peuvent donc se produire5. Comme pour les BLDCM, les enroulements du moteur sont les plus sujets aux défauts d’un court-circuit ou d’un circuit ouvert6. Le PDE de l’unité électromécanique est connecté en série avec les enroulements de moteur correspondants. La méthode de détection des défauts conçue pour les enroulements du moteur est également efficace pour traiter les défauts de l’EDP. Par conséquent, les défauts électromécaniques de l’unité, y compris dans le moteur et le PDE, doivent être détectés en ligne.

Les défauts de l’unité hydraulique comprennent les défauts de la pompe à piston à cylindrée fixe, du bloc de soupape intégré et du cylindre d’actionnement7. La pompe à piston de l’EHA est composée de pistons, de plaques oscillantes et de plaques de soupape; Les dommages au joint et l’usure de la plaque de vanne sont les principales formes de défaut8. Ces deux modes de défaut augmentent les fuites de la pompe. Des changements anormaux dans le débit de sortie et la pression suivent et, éventuellement, entraînent une diminution de la vitesse du cylindre d’actionnement et une réduction des performances du servomoteur du système. Les modes de défaut du bloc de vannes intégré comprennent un défaut de réservoir sous pression, un défaut de clapet anti-retour, un défaut de soupape de décharge et un défaut de vanne de sélection de mode. Le réservoir pressurisé adopte généralement une conception auto-boostante avec une grande fiabilité. Cependant, lorsqu’un défaut se produit, une pression de charge insuffisante provoque la cavitation de la pompe, ce qui entraîne un débit de sortie anormal. La fatigue des ressorts, l’usure des composants et la déformation sont des modes de défaut courants dans les clapets anti-retour et les soupapes de décharge. Un défaut de clapet anti-retour se présente comme une fuite inverse, ce qui conduit directement à un débit anormal. Un défaut de soupape de décharge entraîne une fonction de protection non valide, entraînant une pression anormale. Les défauts courants de la vanne de sélection de mode sont la défaillance du ressort de rappel et les bobines de fil cassées. Le premier provoque une commutation en courant de l’état de fonctionnement, entraînant un mouvement anormal du cylindre d’actionnement. Un défaut d’actionnement du cylindre entraîne une diminution de la précision du contrôle de position et des performances dynamiques. En résumé, les défauts des unités hydrauliques provoquent un débit et une pression anormaux9. Étant donné que le débit et la vitesse de rotation du moteur sont approximativement proportionnels dans un système EHA, la vitesse de rotation peut être surveillée en ligne pour détecter un débit et une pression anormaux dus à des défauts soudains.

Des méthodes de détection des défauts correspondantes visant les défauts électromécaniques et hydrauliques mentionnés précédemment doivent être conçues. Les méthodes de détection des défauts dans un système électromécanique comprennent principalement l’estimation de l’état et l’identification des paramètres10. Un observateur d’état est construit sur la base d’un modèle mathématique du système qui fait une estimation d’état et détermine les défauts en analysant la séquence résiduelle générée par l’observateur. Alcorta et al. ont proposé un observateur non linéaire simple et novateur avec deux termes de correction pour la détection des défauts de vibration dans les avions commerciaux, ce qui est très efficace11. Cependant, ce type de méthode doit résoudre le problème de robustesse de l’observateur. En d’autres termes, il doit supprimer les changements dans la séquence résiduelle causés par des informations non fautives telles que des erreurs de modèle ou des perturbations externes. De plus, cette méthode nécessite souvent des informations de modèle très précises, qui sont généralement difficiles à collecter dans les applications d’ingénierie pratiques.

La méthode d’identification des paramètres utilise certains algorithmes pour identifier les paramètres importants dans le système. Lorsqu’une erreur se produit, la valeur du paramètre correspondant change également. Par conséquent, les défauts peuvent être détectés en détectant un changement dans les paramètres. La méthode d’identification des paramètres ne nécessite pas le calcul de la séquence résiduelle, de sorte qu’elle peut éviter l’effet des perturbations sur la précision de détection. Le filtre adaptatif a été largement utilisé dans l’identification des paramètres en raison de sa mise en œuvre facile et de ses performances stables, ce qui signifie qu’il s’agit d’une méthode favorable et réalisable pour la détection électromécaniquedes défauts 12. Zhu et al. ont proposé une nouvelle méthode de détection des défauts d’estimation adaptative multi-modèle basée sur des filtres adaptatifs du noyau, qui réalise l’estimation de la valeur réelle de l’état de vol et la détection des défauts de l’actionneur en ligne avec de bonnes performances13.

En se référant aux recherches précédentes, des méthodes de détection de défauts correspondantes ont été conçues. La résistance des enroulements change brusquement lorsque des défauts électriques se produisent, tels que des défauts en circuit ouvert ou des défauts de court-circuit. Par conséquent, un filtre adaptatif a été conçu sur la base d’un algorithme NLMS pour identifier la résistance des enroulements, ce qui peut déterminer si un défaut électrique s’est produit. La combinaison d’un filtre adaptatif avec un algorithme NLMS pour minimiser le changement du vecteur de paramètre conduit à un effet de convergence meilleur et plus rapide14. Pour les défauts des groupes hydrauliques, un algorithme d’estimation de la vitesse de rotation a été proposé sur la base de la relation analytique claire entre la vitesse de rotation de la pompe et la position du vérin d’actionnement. Les défauts hydrauliques EHA ont été détectés en ligne en comparant la vitesse de rotation estimée à la vitesse réelle en temps réel.

Dans cet article, une méthode d’essai combinant simulations et expériences a été adoptée. Tout d’abord, un modèle mathématique de l’EHA a été construit et une simulation pour la méthode de détection des défauts proposée a été effectuée. La simulation comprenait la vérification des méthodes de détection dans des conditions d’injection sans défaut et d’injection de défauts. Ensuite, la méthode de détection des défauts a été réalisée dans le véritable servocontrôleur. Enfin, les résultats des simulations et des expériences ont été analysés et comparés pour évaluer l’efficacité de la méthode de détection des défauts.

Protocol

1. Mise en place du modèle de simulation EHA Ouvrez le logiciel de simulation sur un PC. Construire le modèle de simulation pour l’EHA (Figure 2), selon les équations mathématiques du modèleEHA 15, et effectuer un PI à trois boucles en tant que contrôleur. Encapsulez le module hydraulique (Figure 2C), le module électrique (Figure 2B) et le contrôleur (Figure 2B<…

Representative Results

Dans la simulation, la position réelle et la courbe de position cible de la tige de piston EHA dans l’état non défectueux sont montrées à la figure 7. Selon la courbe, le système fonctionnait normalement, avec de bonnes caractéristiques dynamiques. La position réelle et la courbe de position cible de la tige de piston EHA dans l’état d’injection électromécanique de défaut sont illustrées à la figure 8. Selon la courbe, le système ne pouvait …

Discussion

Lors de la réalisation de ces étapes expérimentales, il était important de s’assurer de la capacité en temps réel de l’algorithme afin d’obtenir des résultats de calcul précis. Le bruit blanc dans le processus d’acquisition du signal a été adopté pour simuler les caractéristiques du capteur réel afin de rendre la simulation plus proche de la réalité. Dans les simulations et les expériences, des filtres de moyenne mobile ont été appliqués pour réduire la fluctuation de la résistance identifié…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Ce travail a été soutenu par le projet chinois d’aéronefs civils (n° MJ-2017-S49) et le

Fondation des sciences postdoctorales (n° 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