一种工况自适应机电作动器健康状态评估方法技术

本发明专利技术适用于机电作动器故障诊断领域，提供了一种工况自适应机电作动器健康状态评估方法，针对时变工况下健康状态评估模型与实际健康状态变化趋势不一致问题，提出基于模型

【技术实现步骤摘要】
一种工况自适应机电作动器健康状态评估方法


[0001]本专利技术涉及机电作动器故障诊断领域，尤其是涉及一种工况自适应机电作动器健康状态评估方法。

技术介绍

[0002]机电作动器(Electro
‑
Mechanical Actuator,EMA)是通过控制电机的运动直接或间接控制负载运动，实现位置/压力伺服控制的一类系统的总称，广泛应用于航空航天、军事、交通和工农业生产等领域。在航空领域，随着多电以及全电飞机的推广，用功率电传作动器取代传统液压作动器成为一种必然趋势。功率电传作动器主要有两种形式，分别是电动静液作动器和EMA。相比于电动静液作动器，EMA具有结构紧凑、重量轻、易于维护等诸多优点，在多电/全电飞机中得到越来越广泛的应用。然而，EMA在线运行工况通常是时变的，其控制模式、载荷、转速等动态特性丰富并且外界载荷和环境因素种类繁多，在不同运行工况下，相同的在线监测数据反映的健康状态存在较大差异，导致在同样的在线监测数据输入情况下健康状态评估模型输出值存在较大不同，但实际健康状态则不会随工况变化而在短时间内发生较大改变，存在时变工况下健康状态评估模型与实际健康状态不一致问题。因此，研究在线健康状态评估优化方法，有效评估时变工况影响下EMA在线健康状态，进而提高新一代飞机核心部件——EMA的在线健康状态评估能力，推动其智能化发展，具有重要的理论意义和工程价值。
[0003]现有EMA在线运行工况通常是时变的，其控制模式、载荷、转速等动态特性丰富并且外界载荷和环境因素种类繁多，在不同运行工况下，相同的在线监测数据反映的健康状态存在较大差异，导致在同样的在线监测数据输入情况下健康状态评估模型输出值存在较大不同，但实际健康状态则不会随工况变化而在短时间内发生较大改变，存在时变工况下健康状态评估模型与实际健康状态不一致问题。然而，现有自适应健康状态评估方法未能考虑时变工况因素，难以根据工况变化更新模型，未能有效评估时变工况下EMA的在线健康状态，时变工况下EMA健康状态评估模型存在模型失配问题。

技术实现思路

[0004]为了解决现有技术存在的不足，本申请提供一种工况自适应机电作动器健康状态评估方法，本申请提出一种建模和计算方法，根据监测到的在线工况监测参数对模型进行更新，并基于更新的模型估算健康因子，完成对作动器健康状况的评估。
[0005]本申请提供一种工况自适应机电作动器健康状态评估方法，包括如下步骤：
[0006]S10.构建健康因子状态空间模型，所述健康因子状态空间模型包括动态模型和量测模型；
[0007]x
k
＝f(x
k
‑1,M
k
‑1)+q
k
‑1[0008]z
k
＝h(x
k
)+r
k
，
[0009]其中，x
k
代表k时刻的健康因子的估计向量；z
k
代表k时刻健康因子的量测向量；f
(x
k
‑1,M
k
‑1)是描述系统动态过程的状态转移函数；M
k
‑1表示k
‑
1时刻状态转移函数的参数向量，h(x
k
)是描述测量系统的量测函数；q
k
‑1代表在系统动态过程中的误差向量，q
k
‑1～N(0,Q
k
‑1)；r
k
代表量测系统引入的误差向量，r
k N(0,R
k
)；R
k
和Q
k
‑1分别代表量测系统的误差协方差矩阵和系统动态过程的误差协方差矩阵；
[0010]S20.获取k
‑
1时刻健康因子的估计向量x
k
‑1，k
‑
1时刻的误差协方差矩阵P
k
‑1，利用无迹卡尔曼滤波器得到k时刻健康因子的估计向量的均值k时刻的卡尔曼增益矩阵K
k
，k时刻的健康因子量测估计向量的均值
[0011]S30.在线监测k时刻的健康因子向量z
k
，并更新k时刻健康因子的估计向量x
k
和k时刻的误差协方差矩阵P
k
；
[0012][0013][0014]其中，S
k
为自协方差矩阵；
[0015]S40.获取k时刻在线工况监测参数N
k
，根据更新的k时刻健康因子的估计向量x
k
，以及k
‑
1时刻参数向量的估计值M
k
‑1，k
‑
1时刻的参数向量误差协方差矩阵D
k
‑1，利用无迹卡尔曼滤波器得到k时刻参数向量估计值M
k
及其误差协方差矩阵D
k
，
[0016]M
k
＝g(x
k
,M
k
‑1)+m
k
‑1[0017]N
k
＝J(M
k
)+n
k
，
[0018]M
k
代表k时刻的转移函数参数向量的估计值；N
k
代表k时刻在线工况监测参数值；g(x
k
,M
k
‑1)是描述参数向量动态过程的状态转移函数；
[0019]J(M
k
)是描述参数向量与工况监测参数之间的映射函数；m
k
‑1代表在参数向量动态过程中的误差，m
k
‑1～N(0,A
k
‑1)；n
k
代表映射函数引入的误差，n
k N(0,B
k
)；B
k
和A
k
‑1分别代表映射函数的误差协方差和参数向量动态过程的误差协方差矩阵；
[0020]S50.令k＝k+1，返回步骤S20，将步骤S40中更新的M
k
带入S20。
[0021]采用本申请的一种工况自适应机电作动器健康状态评估方法，相对于现有技术，至少具有以下有益效果：本申请根据监测到的时变工况，更新健康因子状态模型，并利用无迹卡尔曼滤波方法计算健康因子，从而对作动器的健康状态进行评估。本申请的方法能够解决时变工况下健康状态评估模型与实际健康状态不一致的问题，有效实现时变工况下EMA自适应健康状态的评估。
附图说明
[0022]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是实施例1所述的一种工况自适应机电作动器健康状态评估方法的流程示意图。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工况自适应机电作动器健康状态评估方法，其特征在于，包括如下步骤：S10.构建健康因子状态空间模型，所述健康因子状态空间模型包括动态模型和量测模型；x
k
＝f(x
k
‑1,M
k
‑1)+q
k
‑1z
k
＝h(x
k
)+r
k
，其中，x
k
代表k时刻的健康因子的估计向量；z
k
代表k时刻健康因子的量测向量；f(x
k
‑1,M
k
‑1)是描述系统动态过程的状态转移函数；M
k
‑1表示k
‑
1时刻状态转移函数的参数向量，h(x
k
)是描述测量系统的量测函数；q
k
‑1代表在系统动态过程中的误差向量，q
k
‑1～N(0,Q
k
‑1)；r
k
代表量测系统引入的误差向量，r
k N(0,R
k
)；R
k
和Q
k
‑1分别代表量测系统的误差协方差矩阵和系统动态过程的误差协方差矩阵；S20.获取k
‑
1时刻健康因子的估计向量x
k
‑1，k
‑
1时刻的误差协方差矩阵P
k
‑1，利用无迹卡尔曼滤波器得到k时刻健康因子的估计向量的均值k时刻的卡尔曼增益矩阵K
k
，k时刻的健康因子量测估计向量的均值S30.在线监测k时刻的健康因子向量z
k
，并更新k时刻健康因子的估计向量x
k
和k时刻的误差协方差矩阵P
k
；；其中，S
k
为自协方差矩阵；S40.获取k时刻在线工况监测参数N
k
，根据更新的k时刻健康因子的估计向量x
k
，以及k
‑
1时刻参数向量的估计值M
k
‑1，k
‑
1时刻的参数向量误差协方差矩阵D
k
‑1，利用无迹卡尔曼滤波器得到k时刻参数向量估计值M
k
及其误差协方差矩阵D
k
，M
k
＝g(x
k
,M
k
‑1)+m
k
‑1N
k
＝J(M
k
)+n
k
，M
k
代表k时刻的转移函数参数向量的估计值；N
k
代表k时刻在线工况监测参数值；g(x
k
,M
k
‑1)是描述参数向量动态过程的状态转移函数；J(M
k
)...

【专利技术属性】
技术研发人员：张玉杰，苗强，张恒，
申请(专利权)人：四川大学，
类型：发明
国别省市：