基于扩展卡尔曼滤波的液压马达故障诊断

时间:2019-04-18 17:35:11 来源:煜新新闻网 作者:匿名
  

液压系统是典型的高度非线性系统。其故障模式和故障机制复杂多样。内部电力传输关闭,参数测量不准确,故障信息难以提取,难以进行系统故障诊断。液压系统故障诊断最初主要依赖于简单的诊断仪器。根据经验,通过感官诊断,抽样分析和故障树分析来诊断系统故障。文献[1]使用方框图,鱼骨图和其他分析方法对主要液压元件(如泵,电机等)的故障模式和诊断策略进行了详细研究。这些方法通常仅提供系统故障的简单定性分析。 。随着信号处理技术,人工智能技术和控制理论等基础学科的快速发展,液压系统故障诊断在国内外得到了重视并取得了重要进展。从发展方向[1-6],诊断方法可概括为基于:信号处理的方法,基于人工智能的方法和基于分析模型的方法,如故障监测,故障特征提取和故障模式识别。取得了显着成果。在基于模型的方法中,文献[11]使用非线性观测器来诊断液压缸的压力损失,但是它容易受到诸如过程噪声和建模误差之类的不确定性的影响,从而导致误报警或误报警。现象。卡尔曼滤波是一种广泛应用于控制和传感器系统模型的故障诊断方法,具有良好的鲁棒性和准确性。文献[10]应用卡尔曼滤波器研究液压伺服驱动系统的泄漏故障。

在本文中,扩展卡尔曼滤波器用于诊断液压马达。通过对液压马达控制和传感器状态健康参数的非线性估计,可以快速诊断故障位置,解决了可测量参数过小,故障诊断困难的问题。提高故障排除方法的有效性。通过液压马达控制和传感器故障诊断的仿真实例验证了算法的有效性。

1液压马达的工作结构和状态方程

用于锻造机械手夹具旋转的液压驱动系统机构如图1所示。液压马达的操作条件如下::当液压马达向前旋转时,电液比例节流阀的输入电压u1阀1高,液压油通过端口A1从电液比例节流阀1的端口P进入液压马达输入室。工作完成后,液压油流出液压马达输出腔。当电液比例节流阀2的输入电压u2低时,液压油从电液比例节流阀2的端口A2通过端口T流回到箱。当液压马达反转时,原理与上述相同。当液压油从电液比例节流阀1的端口A1通过端口T流回油箱时,以下状态变量: Z1=p1(电液比例节流阀的端口A1的压力) 1)定义; Z2=θm1(液压马达)角位移); Z3=θ·m1(液压马达速度)。液压马达系统的状态方程为:

其中:β是液压油的体积弹性模量; Vo1是液压马达的单侧腔体积; q1是电液比例节流阀1的端口A1的流动; Cl1是液压马达的泄漏系数; pt是液压马达输出端口压力; Vm1是液压马达排量; Je1是液压马达转动惯量; Be1是液压马达的内摩擦系数; Tf1是液压马达的摩擦力矩; TL1是夹紧摩擦力矩。

电液比例节流阀阀芯位移和伺服主阀流量方程[12]为:

其中: Cd1是电液比例节流阀阀芯流量系数; ωspk是伺服主阀口区域的梯度; xv是电液比例节流阀阀芯位移; ρ是油密度; pp是油源压力值。

(2)按顺序[12]:

其中: xspk是伺服主阀芯的位移; Kap是感应式位移传感器的增益。

因此:

然后,等式(3)的输出等式被转换为:

Y=CX

其中: y=(y1,y2,y3)T; C是观察矩阵,C=(100; 010)。

等式(3)的状态空间方程是:

从等式(5)构造为小系统。该系统是一个连续的,时变的三维非线性系统。为了监视它,只要等式(5)被离散化,扩展卡尔曼滤波器就用于监视由等式(5)构成的系统的状态。能够。

2状态估计

本文基于数学模型的液压系统故障检测与诊断方法主要采用状态估计方法。观察器过滤技术用于获取包含故障信息的矢量序列,并对该序列进行统计测试以检测故障。

对于非线性,时变和随机系统,为了提高系统的鲁棒性,可以使用具有衰落因子的强跟踪滤波器来估计系统的状态。将由等式(5)组成的系统离散化以得到:

其中: xk 1是修改后的状态值; xk是状态变量;英国是控制变量; k是时间; qk,rk 1分别是过程激励噪声和观测到的噪声,零均值高斯白噪声向量,方差为qk~N(0,Qk),rk 1~N(0,Rk 1)和Qk是一个对称的非负定矩阵; Rk 1是对称正定矩阵; yk 1是观察到的变量。

对于等式(6),其扩展卡尔曼滤波器(EKF)算法分为以下两个步骤。

1)预测。

状态预测估计xk 1是:

预测误差协方差矩阵Pk 1是:

其中: Pk是更新的误差协方差矩阵。

2)纠正后。

残差vk 1是:

测量协方差Sk 1是:

其中:γ(k 1)是残差序列; ρ是遗忘因子,0≤ρ≤1。

将等式(8)修改为:

其中:λ(k 1)是最佳衰落因子; tr [N(k 1)]是矩阵[N(k 1)]的轨迹,tr [M(k 1)]是矩阵[M(k 1)的轨迹]。

由等式(17)表示的最佳预测误差协方差矩阵与等式(7),(12),(13),(14)和(18)组合以形成衰落因子的扩展。卡尔曼滤波器。

3检测方法

为了提高系统的鲁棒性,降低故障的假阴性率,提高精度,采用残差卡尔曼(EKF)残差法进行检测[9]。当没有发生故障时,EKF的残差vk 1是零均值高斯白噪声,其方差σk1=Hk 1Pk 1HTk 1 Rk 1,Hk 1是观测矩阵。当故障发生时,残差vk 1的平均值不再为0,因为预测估计值xk 1是通过先验信息的递归计算来计算的,并且与测量信息无关,并且不受异常影响故障等信息;相反,当故障发生时,观测变量yk 1将不再是零均值白噪声。对残差vk 1:进行以下二元假设

根据最大似然比检验原理,构造故障检测功能的过程如下。

根据系统的统计特性,已知对数似然比Ak为:。

由于等式(19)中的μ未知,因此使用最大似然估计μ,使得μ为最大,并且μ=vk 1,其被代入等式(19),故障检测函数——可以获得。残差序列γ(k 1)为:

其中:σ-1k 1是方差σk1的倒数。

由于残差vk 1是高斯随机矢量,因此根据预设阈值α,具有自由度m(观测矢量维度)的x2分布,即γ(k 1)~x2(m)是错误的。标准为:γ(k 1)≥α有故障; γ(k 1)下一步:基于最小割集合成等级的液压系统故障定位方法

思问网