《基于SOM的电静压伺服机构油滤堵塞故障诊断》由会员分享，可在线阅读，更多相关《基于SOM的电静压伺服机构油滤堵塞故障诊断（4页珍藏版）》请在金锄头文库上搜索。
1、基于SOM的电静压伺服机构油滤堵塞故障诊断摘要：以电静压伺服机构(EHA)为研究对象，对该机构特有的油滤堵塞故障模式进行故障诊断.首先在AMESim系统中建立EHA的仿真模型，并根据油滤堵塞程度划分故障状态;然后以仿真中作动器的位移、电机转速和电机电流(指非输入电流)为特征值，建立基于自组织特征映射神经网络的EHA故障诊断模型，并以神经元反响分布作为故障标识，进行故障诊断;最后利用样机的实测数据建立EHA的故障诊断模型，验证所提出方法的可行性.研究结果可应用到其他故障模式中.关键词：电静压伺服机构;油滤堵塞;自组织映射神经网络;AMESim系统电液伺服机构因其良好的稳定性和高响应性，被广泛应用
2、于航空航天领域其中，电静压伺服机构(EHA，Electro-HydraulicActuator)作为一种新型的电液伺服机构，既具有与电机伺服机构(EMA，Electro-MechanicalActuator)类似的电机驱动和控制功能，又具备高承载、易实现余度设计等突出优点，是当今伺服机构的主要开展趋势之一.但是，EHA是一个复杂的电、气、液系统，其故障呈现多样化和广泛性特点其中，油滤堵塞故障是EHA相比于EMA特有的故障类型，也是EHA机构的薄弱环节机构中双向油滤主要用来滤除系统油路中存在的固体杂质，降低油液的污染度，减少油腔内部的磨损，从而延长使用寿命文献2研究说明，油滤堵塞会直接导致通油面
3、积减小，流阻和节流损失增大而显著影响系统的响应速度堵塞严重时还会造成油温升高，甚至导致液压部件的损坏.目前，EHA的故障诊断技术尚处于起步阶段.WLAMIR等考虑喷嘴堵塞有关的失效模式，提出了一种利用衰落扩展卡尔曼滤波器进行系统辨识的伺服阀退化估计的方法;黄岳等基于执行器内部测点的数据变化，选用多元统计学方法对伺服机构执行器进行了故障诊断.SONG等从数学上推导了电液伺服机构油路泄漏和受摩擦影响的两种故障模型肖雪等建立了伺服机构健康工况的主元模型，并依据油滤堵塞工况的平方预测误差统计量、Hotelling-T2统计量及其与健康阈值的比照状况，进行了故障诊断.这些研究主要针对的是伺服机构的液压泵
4、、伺服阀等单部件对于EHA的研究，目前还停留在性能分析与设计阶段，且在系统层面利用统计数据分析进行故障诊断的研究很不深入.由于伺服机构本身的复杂性和实际工况的多变性，伺服机构的信号随外负载而随机变化，信号不具有典型的频谱特征，导致特征提取十分困难，因此采用传统的故障诊断方法无法准确地反响伺服机构的当前状态.自组织映射网络，是一种无监督的学习方式，因此无需设置状态标签.它能够根据输入样本的分布，通过神经元之间的竞争选择获胜神经元，对输入模式进行分类，同时能够识别输入向量的拓扑结构，展现故障神经元之间的内部关联性假设将人工神经网络运用到EHA的故障诊断中，那么可从数据处理层面进一步挖掘故障信息和特
5、征，建立更为可靠、精确的故障诊断模型.1自组织映射神经网络自组织特征映射网络(Self-OrganizingFeatureMaps，SOFM)又称自组织映射神经网络(SOM)，最早由芬兰赫尔辛基理工大学的神经网络专家Kohonen于1981年提出，是一种竞争性神经网络，且具有自组织特性.2仿真建模及数据分析选取油滤堵塞类故障模式，并在AMESim系统中进行仿真建模.在AMESim系统中建立一个模拟飞控系统襟翼结构的电静压伺服机构仿真模型&诃.系统在实际运行时，通过飞行控制计算机确定一个特定位置.电机通过泵的液压来推动作动器，从而移动襟翼来调整飞行姿态，完成指定动作在仿真模型中，电机驱动液压泵旋
6、转而提供系统流量，通过伺服驱动控制器调节电机转速、方向来改变系统的流量和方向，实现对作动器活塞杆伸缩和速度的控制，同时通过集成位移传感器，实现反响闭环控制.在仿真模型中，设置阻尼孔并改变其通径，以模拟不同程度的油滤堵塞故障工况将阻尼孔(即油滤通油孔)的直径分别设为5.0健康工况)、3.0mm、2.0mm、l.5mm，1.0mm、O.5mm.剩余通油面积百分比分别为100%、36%、16%、9%、4%、1%.系统仿真时间为20s，采样频率为1000Hz.考虑到现实中传感器的布置特点及机构布置的合理性，选取作动器位移、电机电流和伸出腔油路压力这3个量进行信号采集在高负载情况下，当系统通油面积在16
7、%及以上时，各测量曲线根本重合，无法直接判断系统状况;当通油面积下降到4%时，系统各参数的幅值随着通油面积的下降，出现剧烈变化，相比于正常工况差异较大，作动器出现明显的冲击、动作信号出现黏连，无法到达预定运行要求对此进一步分析研究发现，在无负载下，系统的故障信息差异不大，但作动器位移信号随着通油孔径(即通孔直径)改变而发生变化的趋势更为明显.3基于SOM模型的油滤堵塞故障诊断3.1仿真数据训练及测试(1)在AMESim系统中，选取7类以时间序列为故障样本的数据集(它包含正常状态1组，轻微堵塞和严重堵塞状态各3组).每个故障样本集中含有4组特征，分别是电机电流、电机转速、输出位移和输出速度.(2
8、)选取通孔直径0.5mm、l.0mm、2.0mm、3.0mm、5.0mm这5类状态作为训练样本，以通孔直径0.6mm、2.5mm，即通油面积1.44%、25%为测试样本，并设置神经元个数为10X10，till练步数为1000.那么，应用SOM建立油滤堵塞故障模型的步骤如下：选取故障样本;对每种标准故障样本进行学习，学习后将具有最大输出的神经元作为该故障的标记;将待检测样本输入SOM模型;假设输出神经元在输出层的位置与某标准故障样本的位置相同，那么说明待检测样本发生了相应的故障;假设输出神经元在输出层的位置介于很多标准故障之间，那么说明这几种标准故障样本都有可能发生，且各故障发生的程度可根据该位
9、置与相应标准故障样本位置的欧式距离来确定.3.2实测数据训练及测试搭建EHA试验平台，在空载荷下进行测试与分析EHA样机的根本参数如表2所示.以通孔直径14mm(BP健康工况)作为参考，模拟油滤堵塞导致节流损失增大的故障工况，使通孔直径下降到6.3mm，通油面积下降到7&29%，进行连续的位置指令阶跃信号测试测试时间为0.5s，采样频率为500Hz，同时选取3个直接量(即作动器位移、电机转速和电机电流)对位移进行微分，得到作动器速度(这里称作间接量).以两种工况的3个直接量和1个间接量作为SOM模型的根本参数，完成实测数据的训练.4结束语通过仿真和试验数据的SOM模型搭建发现，SOM对于电静压
10、伺服机构油滤堵塞故障诊断有良好的适用性，以神经元反响分布作为故障程度判断的依据，比传统上依靠单个神经元来判断故障状态更为准确，在缺乏训练数据的情况下也可反响当前状态.尽管本文模型训练使用的数据点较少，且存在不可预测的测量噪声，使健康工况也有故障率，最后的反响分布存在局部异常点，但这些异常点可通过后续加大训练样本量或者进一步优化训练模型得到消除此外，基于SOM在电静压伺服机构油滤堵塞故障诊断方面的研究成果可应用于其他故障模式.参考文献：1GARRISONM，STEFFANS.Two-faulttolerantelectricactuationsystemsforspaceapplications
11、C/42ndAIAA/ASME/SAE/ASEEJointPropulsionConference&Exhibit.California，USA：AmericanInstituteofAeronauticsandAstronautics，2022.【2】刘文浚，祁增轲.装载机液压油不清洁对液压系统的影响分析口.酒钢科技，2022(2):63-66，51.【3】WLAMIROLV，LUIZGDSR，YONEYAMAT.ElectrohydraulicservovalvehealthmonitoringusingfadingextendedKalmanfilterC/Prognostics&HealthManagementConference.Beijing，China:IEEE，2022.【4】黄岳，刘丙杰，唐震.基于数据驱动的伺服机构执行器故障诊断J1科学技术与工程，2022，9(13):3854-3856，3863.
