2. 中船重工第713研究所, 河南郑州 450015
以永磁无刷直流电机为基础的机电伺服系统被广泛应用于航空航天领域的功率电传操纵中,其核心部件机电作动器(electro-mechanical actuator,EMA)是操纵系统中的重要子系统之一,同时又是故障的高发环节。余度技术是提高EMA可靠性的一种最为有效的控制方法,对余度问题的研究主要经历了硬件余度、解析余度、自修复方法、故障预测与健康管理(prognostics and health management,PHM)4个阶段[1, 2]。
本文提出了一种双余度EMA转子位置传感器和位移传感器失效后的自修复策略,该EMA采用电气双余度,即包含2台永磁电机,每台电机具有各自独立的测量与控制系统,EMA输出端安装2个直线位移传感器(LVDT)。本文提出的自修复策略为:若某一余度电机的转子位置传感器(RVDT)失效,则根据另一余度的RVDT信号进行基于数据融合滤波算法的转子位置信号重构;若全部失效,则根据推测算法进行估计。该方法可有效提高EMA的可靠性、寿命和可维护性,满足EMA伺服系统的发展要求,推动其故障预测与健康管理的理论研究及技术应用进程。
1 数据融合滤波自修复系统在文献[3]的基础上,本文设计的数据融合滤波自修复系统由3个滤波器(RVDT滤波器、LVDT滤波器和母线电流传感器滤波器),3个相应的故障检测与隔离(fault detection and isolation,FDI)模块,1个vω估计器、1个推测模块和1个数据融合模块组成,如图 1所示。
数据融合系统的工作过程如下:RVDT滤波器根据传感器输出数据计算EMA中永磁电机的速度v和角速度ω,其FDI模块实时检测传感器输出值是否失效。若某一余度电机的RVDT失效(如某个电机传感器发生故障),则根据另一个有效的RVDT滤波器的预测值进行校正;若全部失效,则将vω估计器的输出值送入推测模块。推测模块根据EMA的速度信息,以及上一时刻的状态推算出当前的状态 ,并将其作为预测值 输入到LVDT滤波器。电流传感器滤波器对输出值进行估计,将估测的双余度电机转子角度( 和 中的 )进行数据融合;否则 。
1) RVDTvω滤波器
定义xvω(k)=[v(k),ω(k)]T,
式中, Ul(k)和Ur(k)分别为双余度电机各自的RVDT的测量值,wvω和vvω满足均值为零、相互独立和服从高斯分布的统计特性。2) vω估计器
式中,b为遗忘因子,通常0<b<1。3) 推测模块
定义xD(k)=[xD(k),yD(k),θD(k)]T,则推测模块的推算方程可表示为
式中,T为采样周期。4) LVDT滤波器
EMA的状态方程和测量方程可写为
5) 电流传感器滤波器
电流传感器滤波器是1个向量滤波器,定义xc(k)=θc(k),则
由于实际中电流传感器的采样周期为125 ms,LVDT和RVDT的采样周期为25 ms,故取 。wc和vc满足均值为零、相互独立和服从高斯分布的统计特性。6) FDI模块
FDI现已发展成为一项专门的技术,常用的FDI方法有基于硬件余度的方法[4]、基于解析余度的方法[5, 6]和基于人工智能的方法[7, 8]。其中基于解析余度的方法因具有成本低和计算简单等优点而被广泛应用于卡尔曼滤波的监测中。在数据融合领域,常用的检验方法有状态χ2检验和新息 或 (k))χ2检验,本文主要讨论后者。
文献[6]已证明,当无故障发生时,卡尔曼滤波器的新息 为零均值高斯白噪声,其方差为
当系统出现故障时,新息 的均值就不再为零了。因此,可以通过对新息的均值检验来确定系统是否发生故障。本文将引入多元统计分析的1个结论来对新息的均值进行检验。
根据文献[9],设X1,X2,…,Xn为来自均值为μ,协方差阵为正定阵Σ的总体的1个随机样本。当n-p很大时,对所有的a, 包含aTμ的概率近似为1-α。因此,我们有100(1-α)%的联合置信表示
在本文涉及的3个FDI模块中,均取 , 。通过上述新息的χ2检验,我们可以判断出发生故障的具体传感器,便于故障的隔离和系统的重构。
对于RVDTvω滤波器,若判断出其中1个传感器失效,如左电机传感器故障,则可重组测量方程,利用右电机传感器的有效信息对预测值进行校正,即
式中,xvω(k)=[v(k),ω(k)]T,zvω(k)=vr(k),Hvω=1d;若右电机传感器故障,则zvω(k)=vl(k),Hvω=1-d。若2个RVDT同时失效,则将vω估计器的输出值送入推测模块。同理,对于LVDT滤波器,若判断出1#传感器失效,则可隔离1#的测量信息,仅利用2#的信息对预测值进行校正,即
若判断出2#失效,则:
若1#与2#LVDT同时失效,则令 。
对于电流传感器滤波器,因为只有1个测量通道,所以没有测量方程重组的问题。其FDI模块主要是为是否进行数据融合提供判断依据。
7) 数据融合模块
根据文献[9],若有N个局部状态估计 和相应的估计误差协方差阵P11,P12…,Pnn,且各局部估计互不相关,即Pij=0(i≠j),则全局最优估计可表示为
` 上式的物理意义非常简单明了。若 的估计精度低,即Pii大,那么他在全局中的贡献 就比较小。针对本文的数据融合模块
其中选取P1为LVDT滤波器状态方差第3行第3列的元素,P2为电流传感器滤波器的状态方差。 2 仿真验证为了验证本文提出的数据融合滤波算法的有效性,针对RVDT失效的情况,在Matlab中进行了仿真。EMA全行程仿真600 mm,电流传感器的测量方差rc=0.01。
为了验证RVDT失效时数据融合滤波的性能,仿真过程按照下列方式引入干扰:
即在第Ⅰ阶段,1#RVDT失效;在第Ⅱ阶段,2#RVDT失效;在第Ⅲ阶段2个RVDT均失效。此外,取α=0.1,即χ22 (0.1)=4.61。仿真结果如图 2和图 3所示。图中的短虚线(无FDI估计)表示采用非数据融合方法的状态估计值或估计误差,长虚线(FDI估计)表示采用数据融合滤波方法的状态估计值或估计误差。 故障数量(fn)为FDI模块的输出值,含义如下:fn=0,表示无失效现象;fn=1,表示1#RVDT失效;fn=2,表示2#RVDT失效;fn=3,表示2个RVDT均失效。
从图 2和图 3中可以看出,当仿真进行到第150~200步时,基于数据融合滤波的方法可以迅速检测出1#RVDT失效(fn=1),对RVDT的测量方程进行重组,在vω滤波器中仅利用2#RVDT的有效信息对预测值进行校正;当仿真进行到第300~350步时,数据融合滤波方法可以快速检测出2#RVDT失效(fn=2),在vω滤波器中仅利用1#RVDT的输出值对预测值进行校正;当仿真进行到第450~500步时,数据融合滤波方法可以立刻检测出2个RVDT均失效(fn=3),将vω估计器的输出值送入推测模块。由此可见,数据融合滤波利用FDI模块可以检测并隔离无效的错误信息,尽量确保状态估计的精度,使位置估计误差始终保持在1.7%以内,角度估计误差维持在0.01 rad左右;而非数据融合由于无FDI模块,引入了错误的测量信息,导致估计精度大幅下降,位置估计误差在单RVDT失效时达到8%,在双RVDT失效时,误差超过20%,角度估计精度也只有0.04 rad。
3 结 论本文针对双余度EMA系统可靠性与容错性能,结合故障检测与隔离技术和系统重构的思想,设计了一种数据融合滤波系统。并在假定RVDT失效的情况下,通过Matlab对该方法进行了仿真。结果表明,本文提出的数据融合滤波系统在有效提升EMA系统可靠性的同时,大大提高了系统的稳定性、精确度和容错能力。
[1] | Cieslak J, Henry D, Zolghadri A. Development of an Active Fault-Tolerant Flight Control Strategy[J]. Journal of Guidance, Control, and Dynamics, 2008, 31(1): 135-147 |
Click to display the text | |
[2] | Ducard G, Geefing P H. Efficient Nonlinear Actuator Fault Detection and Isolation System for Unmanned Aerial Vehicles[J]. Journal of Guidance, Control, and Dynamics, 2008, 31(1): 225-237 |
Click to display the text | |
[3] | 周勇, 张玉峰. 基于Sage-Husa的线性自适应平方根卡尔曼滤波算法[J]. 西北工业大学学报, 2013, 31(1): 89-93Zhou Yong, Zhang Yufeng. A Novel Algorithm of Linear Adaptive Square-Root Kalman Filtering based on Sage-Husa[J]. Journal of Northwestern Polytechnical University, 2013, 31(1): 89-93 (in Chinese) |
Cited By in Cnki | Click to display the text | |
[4] | Bak T, Wisniewski R, Blanke M. Autonomous Attitude Determination and Control System for the Orsted Satellite[C]//Proceedings of the 1996 IEEE Aerospace Applications Conference, Snowmass, CO, USA, 1996: 173-185 |
Click to display the text | |
[5] | Hajiyev C. Innovation Approach Based Measurement Error Self-Correction in Dynamic Systems[J]. Measurement, 2006, 39: 585-593 |
Click to display the text | |
[6] | Mehra R K, Peschon J. An Innovations Approach to Fault Detection and Diagnosis in Dynamic Systems[J]. Automatica, 1971, 7: 637-640 |
Click to display the text | |
[7] | Alessandri A. Fault Diagnosis for Nonlinear Systems Using a Bank of Neural Estimators[J]. Computers in Industry, 2003, 52: 271-289 |
Click to display the text | |
[8] | Borairi M, Wang H. Actuator and Sensor Fault Diagnosis of Non-Linear Dynamic Systems via Genetic Neural Networks and Adaptive Parameter Estimation Technique[C]//Proceedings of the IEEE Conference on Control Applications, 1998: 278-282 |
Click to display the text | |
[9] | Johnson R A, Wichern D W. Applied Multivariate Statistical Analysis[M]. 4th Ed.Upper Saddle River,NJ: Prentice Hall, 1998 |
2. Institute 713, China Shipbuilding Industry Corporation, Zheng Zhou 450015, China