CN109145402A - 一种基于故障混杂模型的机电系统故障传播分析方法 - Google Patents

一种基于故障混杂模型的机电系统故障传播分析方法 Download PDF

Info

Publication number
CN109145402A
CN109145402A CN201810856352.5A CN201810856352A CN109145402A CN 109145402 A CN109145402 A CN 109145402A CN 201810856352 A CN201810856352 A CN 201810856352A CN 109145402 A CN109145402 A CN 109145402A
Authority
CN
China
Prior art keywords
failure
functional module
hybrid model
mechatronic systems
function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810856352.5A
Other languages
English (en)
Other versions
CN109145402B (zh
Inventor
赵广燕
常莉莉
孙宇锋
胡薇薇
杨昀澄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201810856352.5A priority Critical patent/CN109145402B/zh
Publication of CN109145402A publication Critical patent/CN109145402A/zh
Application granted granted Critical
Publication of CN109145402B publication Critical patent/CN109145402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于故障混杂模型的机电系统故障传播分析方法，属于可靠性工程技术领域，解决了现有技术中无法描述机电系统结构性和非结构性故障混杂传播的问题。所述方法包括以下步骤：将机电系统按照功能分为若干功能模块；建立各功能模块的故障混杂模型；根据各功能模块的故障混杂模型，得到相应的功能模块故障混杂模型传递函数；根据机电系统的输入信号、各功能模块故障混杂模型传递函数得到机电系统故障混杂模型输出信号，实现基于故障混杂模型的机电系统故障混杂传播。

Description

一种基于故障混杂模型的机电系统故障传播分析方法
技术领域
本发明涉及可靠性工程技术领域，尤其涉及一种基于故障混杂模型的机电系统故障传播分析方法。
背景技术
机电系统是一个由相互关联，相互作用，相互影响的电路模块和机械模块组织而形成的系统，在实际生活中有着广泛的应用。机电系统在运行中故障的发生较为常见，其故障具有混杂特性，包含结构性故障和非结构性故障，其中结构性故障指由功能模块中电子器件故障引起的电路拓扑结构改变，非结构性故障指功能模块中电子器件退化或参数漂移导致的电性能信号变化。在系统运行过程中，两种故障混杂传播导致其功能失效。
近年来，国内外学者多致力于对结构性故障传播的研究，忽略了系统运行时非结构性故障对系统的影响。
目前关于故障传播的方法有基于图论、基于petri网、基于复杂网络、和定性推理方法，但其无法描述故障的混杂传播过程。或是将机电系统视为混杂系统，建立层次结构模型或混杂自动机模型等，实现系统的紧急控制，但无法描故障的传播过程。
发明内容
鉴于上述的分析，本发明旨在提供一种基于故障混杂模型的机电系统故障传播分析方法，用以解决现有技术中无法描述机电系统结构性和非结构性故障混杂传播的问题。
本发明的目的主要是通过以下技术方案实现的：
一种基于故障混杂模型的机电系统故障传播分析方法，所述方法包括以下步骤：
将机电系统按照功能分为若干功能模块；
建立各功能模块的故障混杂模型；
根据各功能模块的故障混杂模型，得到相应的功能模块故障混杂模型传递函数；
根据机电系统的输入信号、各功能模块故障混杂模型传递函数得到机电系统故障混杂模型输出信号，实现机电系统故障的混杂传播。
本发明有益效果如下：本实施例提供的基于故障混杂模型的机电系统故障传播分析方法，通过确定系统结构组成，划分功能模块，建立各功能模块的故障混杂模型，该故障混杂模型包含了机电系统结构性和非结构性故障，解决了现有技术中无法描述机电系统结构性和非结构性故障混杂传播的问题。
进一步，所述功能模块的故障混杂模型分为离散层、连续层和交互层；
所述离散层用于表示功能模块发生结构性故障后对应的电路拓扑结构；
所述连续层用于表示功能模块发生非结构性故障后对应的功能模块电子器件参数变化；
所述交互层用于表示功能模块由离散层和连续层共同作用得到的故障混杂模型结果。
采用上述进一步方案的有益效果是：通过对功能模块的故障混杂模型进行分层，对功能模块的结构性故障和非结构性故障分别进行分析，最终在交互层得到离散层和连续层共同作用得到的故障混杂模型结果，思路清晰，便于实现。
进一步，所述结构性故障，指由功能模块中电子器件故障引起的电路拓扑结构改变；
所述非结构性故障，指功能模块中电子器件退化或参数漂移导致的电性能信号变化。
采用上述进一步方案的有益效果是：通过明确结构性故障和非结构性故障的具体内容，方便相关人员对两种故障进行分析，有利于得到更加准确的分析结果。
进一步，建立各功能模块的故障混杂模型，包括：
定义功能模块中电子器件发生结构性故障为离散事件，分析各功能模块中电子器件发生结构性故障的情况，得到n个离散事件；
确定在每个离散事件中，故障混杂模型离散层的电路拓扑结构，建立相应的结构性故障下的电路状态方程；
分析所述结构性故障电路状态方程中涉及到的电子器件，在故障混杂模型连续层中得到所涉及电子器件的参数变化函数；
将离散层建立的结构性故障电路状态方程和相应的连续层所涉及电子器件的参数变化函数，分别输入到故障混杂模型的交互层；
在交互层中，用电子器件参数变化函数代替结构性故障电路状态方程中的相应的电子器件参数值，得到故障混杂模型结果。
采用上述进一步方案的有益效果是：通过给出建立故障混杂模型的具体方法，明确了故障混杂模型的建立过程，便于相关技术人员按照本申请提供的方法建立故障混杂模型并得到故障混杂模型结果。
进一步，对各功能模块的故障混杂模型结果进行拉普拉斯变换，得到相应的功能模块故障混杂模型传递函数。
采用上述进一步方案的有益效果是：在各功能模块的故障混杂模型结果的基础上，通过拉普拉斯变换，得到相应功能模块故障混杂模型传递函数。通过传递函数的变化，包括结构性故障造成的传递函数结构改变，和非结构性故障造成的传递函数参数变化，可以定量的描述系统运行中故障的不断演变。
进一步，分析各功能模块正常工作时的电路拓扑结构，建立相应的电路状态方程，经拉普拉斯变换得到相应功能模块正常传递函数。
采用上述进一步方案的有益效果是：在分析基于故障混杂模型的机电系统故障混杂传播方法过程中，存在部分功能模块正常工作的情况，通过考虑功能模块正常工作时的传递函数，更加扩展本申请基于故障混杂模型的机电系统故障混杂传播方法的适用范围。
进一步，机电系统中的u个功能模块之间的输入输出关系为：
机电系统故障混杂模型的输入信号其中1≤i、m≤u，Cm′(t-1)表示故障混杂情况下第m个功能模块在t-1时刻的输出信号；
eim表示第i个功能模块和第m个功能模块之间的连接关系：
Cr′(t)表示故障混杂情况下第r个功能模块在t时刻的输出信号；n表示机电系统的各个功能模块中离散事件个数；lrj表示第r个功能电路中第j个离散事件是否发生，lrj＝0表示第r个功能模块中第j个离散事件不发生，lrj＝1表示第r个功能电路中第j个离散事件发生，Grj表示第r个功能模块中第j个离散事件对应的故障混杂模型传递函数。l1,l2,···,lu分别表示第1,2,···,u个功能模块是否正常工作，G1,G2,···,Gu分别表示1,2,···,u个功能模块正常工作时的传递函数。
采用上述进一步方案的有益效果是：通过明确各功能模块之间的输入输出关系，能够得到机电系统整体的定量表达结果，并定量分析包含结构性故障和非结构性故障在内的整个机电系统中故障情况。
进一步，在机电系统中u个功能模块之间的输入输出关系中，对于每一路的输入输出关系，lr1,lr2,···,lrn,lr中有且只有一个值为1，其余值为0。
采用上述进一步方案的有益效果是：分析机电系统中各个模块的工作情况，实际机电系统运行过程中，只能存在正常或者1种离散时间形式，所以lr1,lr2,···,lru中有且只有一个值为1，其余值为0。
进一步，根据机电系统u个功能模块之间的输入输出关系用矩阵表示如下：
机电系统t时刻的故障输出矩阵：
C′(t)＝[C1′(t),C2′(t)，···,Cu′(t)]T (2)
机电系统t时刻的故障输入矩阵：
R′(t)＝[R1′(t),R2′(t)，···,Ru′(t)]T (3)
离散事件发生矩阵：
机电系统故障传递函数：
机电系统u个功能模块之间的输入输出矩阵关系：
C′(t)＝L(t)G(t)TR′(t) (6)
采用上述进一步方案的有益效果是：通过建立机电系统u个功能模块之间的输入输出矩阵，相关技术人员可直接将相关函数、系数填入相应的矩阵中，通过计算即可得到u个功能模块的输出矩阵C′(t)，充分利用矩阵强大的计算能力，节省计算时间，同时得到更为准确的故障混杂分析结果。
进一步，根据机电系统功能模块的连接关系，确定第i个功能模块为机电系统输出模块，则机电系统的故障混杂模型输出信号为C′(t)矩阵中的元素Ci′(t)，实现基于故障混杂模型的故障混杂传播。
采用上述进一步方案的有益效果是：利用本申请所述方法能够得到机电系统的故障混杂传递函数输出信号，通过输出信号的偏差程度不断增加，反应系统运行过程中故障传播的过程，能够从定量的角度更加准确的描述故障的混杂传播。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为基于故障混杂模型的机电系统故障传播分析方法流程图；
图2为电动舵机系统功能模块划分图；
图3为直流伺服电机功能模块中电路正常时的离散层电路拓扑结构图；
图4为直流伺服电机功能模块中电阻短路时的离散层电路拓扑结构图；
图5为电动舵机系统的控制图；
图6为电动舵机系统无故障运行时的输出响应；
图7为电动舵机系统故障时的输出响应。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种基于故障混杂模型的机电系统故障传播分析方法，如图1所示，所述方法包括以下步骤：
步骤S1：将机电系统按照功能分为若干功能模块：确定机电系统的结构组成，分析机电系统内各组成单元的逻辑关系，并根据其功能划分功能模块。
对于电动舵机系统，其是导弹上控制系统的部件。根据弹上控制系统输入的信号，控制导弹的舵面或者改变发动机的推力矢量，控制导弹的飞行。根据其各组成部分功能，将其划分为舵机控制器、驱动器、直流伺服电机、减速传动机构和角度传感器五个功能模块，如图2所示。
步骤S2：建立各功能模块的故障混杂模型：分析各功能模块的故障模式，建立包含结构性故障和非结构性故障的故障混杂模型。其中，结构性故障指由功能模块中电子器件故障引起的电路拓扑结构改变；非结构性故障指功能模块中电子器件退化或参数漂移导致的电性能信号变化。通过明确结构性故障和非结构性故障的具体内容，方便相关人员对两种故障进行分析，有利于得到更加准确的分析结果。
功能模块的故障混杂模型分为离散层、连续层和交互层；
其中，离散层用于表示功能模块发生结构性故障后对应的电路拓扑结构；连续层用于表示功能模块发生非结构性故障后对应的功能模块电子器件参数变化；交互层用于表示功能模块由离散层和连续层共同作用得到的故障混杂模型结果。通过对功能模块的故障混杂模型进行分层，对功能模块的结构性故障和非结构性故障分别进行分析，最终在交互层得到离散层和连续层共同作用得到的故障混杂模型结果，思路清晰，便于实现。
建立各功能模块的故障混杂模型，具体包括：
步骤S21：分析各功能模块的组成器件，确定可能发生结构性故障的器件及其对应的电路拓扑结构；定义功能模块中电子器件发生结构性故障为离散事件，得到n个故障离散事件：
对于本实施例的电动舵机系统，设置其故障离散事件个数为6，包括电感短路、电感断路、电阻短路、电阻断路及电感与电阻同时短路、电感与电阻同时断路六种结构性故障情况。
步骤S22：确定在每个离散事件中，故障混杂模型离散层的电路拓扑结构，建立相应的结构性故障下的电路状态方程；
如电动舵机系统中的直流伺服电机功能模块中，当电阻发生短路后，离散层的电路拓扑结构图由图3变为图4。
对伺服电机中电阻短路建立状态方程如下：
TM＝KTi (1-3)
上式中：u表示电枢电压；L表示电枢总电感(H)；i表示电枢电流(A)；R表示电枢总电阻(Ω)：E表示反电势(V)；TM表示电机转矩(Nm)；TL表示折算到电机轴上的负载转矩(Nm)；TB表示加速转矩(Nm)；J表示电机轴上的总的转动贯量(kgm2)；KE表示反电势系数(Vs/rad)；KT表示转矩系数(Nm/rad)；Tf表示摩擦力矩(Nm)；θ表示电机转角(°)。
步骤S23：分析各功能模块中可能发生非结构性故障的器件，即所述结构性故障电路状态方程中涉及到的电子器件，确定其参数变化函数，完成故障混杂模型中连续层的构建。如电路中L发生退化，则L＝L0(1+kt)，L表示该电感在t时刻的电感值，L0表示电感正常时的电感值。k表示该电感的退化率。
步骤S24：在建立完成各个故障离散事件下的状态方程，并已确定发生非结构性故障的器件及其参数变化函数后，即离散层和连续层构建完成，最后构建故障混杂模型的交互层，用电子器件参数变化函数代替结构性故障电路状态方程中的相应的电子器件参数，得到故障混杂模型结果。所述的故障混杂模型结果，是包含所有含参数变化函数的状态方程的空间。
如对伺服电机电路中电阻短路，电感发生退化故障下的电路状态方程如下：
其中，L0表示电感的标称值，k表示电感的退化率，t表示退化时间。
通过给出建立故障混杂模型的具体方法，明确了故障混杂模型的建立过程，便于相关技术人员按照本申请提供的方法建立故障混杂模型并得到故障混杂模型结果。
步骤S3：分析各功能模块正常工作时的电路拓扑结构，建立相应的电路状态方程，经拉普拉斯变换得到相应功能模块正常传递函数。
根据各功能模块的故障混杂模型，对各功能模块的故障混杂模型结果，即各个包含参数变化函数的状态方程进行拉普拉斯变换得到相应的功能模块故障混杂模型传递函数，数学描述如下：
其中
1)qj表示第j个离散事件q。
2)lj：表示电路在t时刻是否发生第j个离散事件。
3)Cj：表示第j个离散事件下的输出矩阵；
4)S：表示原函数经过拉普拉斯变换后的表达式，而不是参数。
5)E：表示单位矩阵；
6)表示第j个离散事件下，在t时刻的状态矩阵。由于电路中的元器件随着时间发生参数漂移，因此是关于时间和电路组成参数相关的函数。
7)是第j个离散事件的控制矩阵。
8)n表示在电路中共有n个结构性故障发生，对应着有n种拓扑结构。
以电动舵机系统中的伺服电机为例，电路的正常传递函数是恒定值，表示如下：
不发生结构性故障，只发生非结构性故障，传递函数是
当电感发生短路时，该功能模块的传递函数是：
当电阻发生短路时，该功能模块的传递函数是
当同时包含电路中的电感短路和电阻退化时，该功能模块的传递函数是
同理，同时包含电路中电感退化和电阻短路时，该功能模块的传递函数是：
该功能模块故障混杂模型传递函数表示如下：
其中：J＝67.2gcm2，KT＝2.8×105N·m/rad，KE＝7.68×10-4v/deg/s，R0＝10Ω，L＝6.7H，kr表示电阻的退化率，kl表示电感的退化率；
l1(t)表示t时刻是否发生电感短路离散事件；若发生则l1(t)＝1，若不发生l1(t)＝0；
l2(t)表示t时刻是否发生电阻短路离散事件；若发生则l2(t)＝1，若不发生l2(t)＝0；
l3(t)表示t时刻及之前，系统是否发生过结构性故障，若没有发生过结构性故障，则l3(t)＝1；若发生过结构性故障，则l3(t)＝0。
通过给出建立故障混杂模型的具体方法，明确了故障混杂模型的建立过程，便于相关技术人员按照本申请提供的方法建立故障混杂模型并得到故障混杂模型结果。
步骤S4：根据机电系统的输入信号、各功能模块故障混杂模型传递函数得到机电系统故障混杂模型输出信号，实现机电系统故障的混杂传播。
针对电动舵机系统在t时刻的传递函数，可根据其组成功能模块的功能逻辑关系，由其在t时刻的传递函数计算得来。电动舵机系统的控制图如图5所示。
在机电系统无故障时，各组成功能模块传递函数如下：
则系统的传递函数
本发明所述的故障传播过程是对机电系统中，各组成功能模块间的传递信号随时间迭代演化过程的描述。经分析，各功能模块中在t时刻的输出信号与自身的混杂模型结果即t时刻的传递函数和t-1时刻输入该模块的输入信号有关。
步骤S41：机电系统中的u个功能模块之间的输入输出关系为：
机电系统故障混杂模型的输入信号其中1≤i、m≤u，Cm′(t-1)表示故障混杂情况下第m个功能模块在t-1时刻的输出信号；
eim表示第i个功能模块和第m个功能模块之间的连接关系：
Cr′(t)表示故障混杂情况下第r个功能模块在t时刻的输出信号；n表示机电系统的各个功能模块中离散事件个数；lrj表示第r个功能电路中第j个离散事件是否发生，lrj＝0表示第r个功能模块中第j个离散事件不发生，lrj＝1表示第r个功能电路中第j个离散事件发生，Grj表示第r个功能模块中第j个离散事件对应的故障混杂模型传递函数。l1,l2,···,lu分别表示第1,2,···,u个功能模块是否正常工作，G1,G2,···,Gu分别表示1,2,···,u个功能模块正常工作时的传递函数。
通过明确各功能模块之间的输入输出关系，能够得到机电系统整体的定量表达结果，并定量分析包含结构性故障和非结构性故障在内的整个机电系统中故障情况。
在机电系统中u个功能模块之间的输入输出关系中，对于每一路的输入输出关系，lr1,lr2,···,lrn,lr中有且只有一个值为1，其余值为0。
分析机电系统中各个模块的工作情况，实际机电系统运行过程中，只能存在正常或者1种离散时间形式，所以lr1,lr2,···,lru中有且只有一个值为1，其余值为0。
根据机电系统u个功能模块之间的输入输出关系用矩阵表示如下：
机电系统t时刻的故障输出矩阵：
C′(t)＝[C1′(t),C2′(t)，···,Cu′(t)]T (4)
机电系统t时刻的故障输入矩阵：
R′(t)＝[R1′(t),R2′(t)，···,Ru′(t)]T (5)
离散事件发生矩阵：
机电系统故障传递函数
机电系统u个功能模块之间的输入输出矩阵关系：
C′(t)＝L(t)G(t)TR′(t) (8)
通过建立机电系统u个功能模块之间的输入输出矩阵，相关技术人员可直接将相关函数、系数填入相应的矩阵中，通过计算即可得到u个功能模块的输出矩阵C′(t)，充分利用矩阵强大的计算能力，节省计算时间，同时得到更为准确的故障混杂分析结果。
步骤S42：输入故障信息，即机电系统中各个功能模块的故障混杂模型结果，通过解析算法实现基于混杂模型的故障混杂传播。如对电动舵机系统，其信息汇总如下：
根据机电系统的输入信号、各功能模块故障混杂模型传递函数得到机电系统故障混杂模型输出信号，进而描述机电系统故障混杂传播的过程，实现机电系统故障的混杂传播。如对电动舵机系统，其无故障运行时的输出响应如图6所示，其中，纵轴表示该系统的输出响应，横轴表示系统仿真的不同时刻。可以看出，系统输出响应随仿真时间的增加逐渐趋于稳定。
图6无故障系统输出响应而注入混杂故障后，其系统输出响应如图7所示。其非结构性故障即参数退化从仿真开始时刻就一直发生，因此其输出响应相较于正常系统输出，已发生改变。在近50h时，系统发生结构性故障，其输出响应发生较大变化，斜率发生改变，与此同时其一直伴随着非结构性故障，该过程较为准确的反应了舵机系统故障混杂传播过程。
与现有技术相比，本实施例提供的基于故障混杂模型的机电系统故障传播分析方法，通过将机电系统按照功能分为若干功能模块，建立各功能模块的故障混杂模型并得到其故障混杂模型传递函数，由此得到整个机电系统故障混杂传递函数，根据机电系统的输入信号、故障混杂传递函数得到故障混杂传递函数输出信号，实现了基于故障混杂模型的故障混杂传播，解决了现有技术中无法描述机电系统结构性和非结构性故障混杂传播的问题。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于故障混杂模型的机电系统故障传播分析方法，其特征在于，所述方法包括以下步骤：
将机电系统按照功能分为若干功能模块；
建立各功能模块的故障混杂模型；
根据各功能模块的故障混杂模型，得到相应的功能模块故障混杂模型传递函数；
根据机电系统的输入信号、各功能模块故障混杂模型传递函数得到机电系统故障混杂模型输出信号，实现基于故障混杂模型的故障混杂传播。
2.根据权利要求1所述的基于故障混杂模型的机电系统故障传播分析方法，其特征在于，所述功能模块的故障混杂模型分为离散层、连续层和交互层；
所述离散层用于表示功能模块发生结构性故障后对应的电路拓扑结构；
所述连续层用于表示功能模块发生非结构性故障后对应的功能模块中电子器件参数变化；
所述交互层用于表示功能模块由离散层和连续层共同作用得到的故障混杂模型结果。
3.根据权利要求2所述的基于故障混杂模型的机电系统故障传播分析方法，其特征在于，
所述结构性故障，指由功能模块中电子器件故障引起的电路拓扑结构改变；
所述非结构性故障，指功能模块中电子器件退化或参数漂移导致的电性能信号变化。
4.根据权利要求3所述的基于故障混杂模型的机电系统故障传播分析方法，其特征在于，建立各功能模块的故障混杂模型，包括：
定义功能模块中电子器件发生结构性故障为离散事件，分析各功能模块中电子器件发生结构性故障的情况，得到n个离散事件；
确定在每个离散事件中，故障混杂模型离散层的电路拓扑结构，建立相应的结构性故障下的电路状态方程；
分析所述结构性故障电路状态方程中涉及到的电子器件，在故障混杂模型连续层中得到所涉及电子器件的参数变化函数；
将离散层建立的结构性故障电路状态方程和相应的连续层所涉及的电子器件的参数变化函数，分别输入到故障混杂模型的交互层；
在交互层中，用电子器件参数变化函数代替结构性故障电路状态方程中的相应的电子器件参数值，得到故障混杂模型结果。
5.根据权利要求4所述的基于故障混杂模型的机电系统故障混杂传播方法，其特征在于，对各功能模块的故障混杂模型结果进行拉普拉斯变换，得到相应的功能模块故障混杂模型传递函数。
6.根据权利要求1所述的基于故障混杂模型的机电系统故障传播分析方法，其特征在于，分析各功能模块正常工作时的电路拓扑结构，建立相应的电路状态方程，经拉普拉斯变换得到相应功能模块正常传递函数。
7.根据权利要求1-6中任一项所述的基于故障混杂模型的机电系统故障传播分析方法，其特征在于，机电系统中的u个功能模块之间的输入输出关系为：
机电系统故障混杂模型的输入信号其中1≤i、m≤u，Cm′(t-1)表示故障混杂情况下第m个功能模块在t-1时刻的输出信号；
eim表示第i个功能模块和第m个功能模块之间的连接关系：
Cr′(t)表示故障混杂情况下第r个功能模块在t时刻的输出信号；n表示机电系统的各个功能模块中离散事件个数；lrj表示第r个功能电路中第j个离散事件是否发生，lrj＝0表示第r个功能模块中第j个离散事件不发生，lrj＝1表示第r个功能电路中第j个离散事件发生，Grj表示第r个功能模块中第j个离散事件对应的故障混杂模型传递函数；l1,l2,…,lu分别表示第1,2,…,u个功能模块是否正常工作，G1,G2,…,Gu分别表示1,2,…,u个功能模块正常工作时的传递函数。
8.根据权利要求7所述的基于故障混杂模型的机电系统故障传播分析方法，其特征在于，在机电系统中u个功能模块之间的输入输出关系中，对于每一路的输入输出关系，lr1,lr2,…,lrn,lr中有且只有一个值为1，其余值为0。
9.根据权利要求6中所述的基于故障混杂模型的机电系统故障传播分析方法，其特征在于，根据机电系统u个功能模块之间的输入输出关系用矩阵表示如下：
机电系统t时刻的故障输出矩阵：
C′(t)＝[C1′(t),C2′(t)，…,Cu′(t)]T (2)
机电系统t时刻的故障输入矩阵：
R′(t)＝[R1′(t),R′2(t)，…,R′u(t)]T (3)
离散事件发生矩阵：
机电系统故障传递函数：
机电系统u个功能模块之间的输入输出矩阵关系：
C′(t)＝L(t)G(t)TR′(t) (6)。
10.根据权利要求9中所述的基于故障混杂模型的机电系统故障传播分析方法，其特征在于，根据机电系统功能模块的连接关系，确定第i个功能模块为机电系统输出模块，则机电系统的故障混杂模型输出信号为C′(t)矩阵中的元素Ci′(t)，实现基于故障混杂模型的故障混杂传播。
CN201810856352.5A 2018-07-31 2018-07-31 一种基于故障混杂模型的机电系统故障传播分析方法 Active CN109145402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810856352.5A CN109145402B (zh) 2018-07-31 2018-07-31 一种基于故障混杂模型的机电系统故障传播分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810856352.5A CN109145402B (zh) 2018-07-31 2018-07-31 一种基于故障混杂模型的机电系统故障传播分析方法

Publications (2)

Publication Number Publication Date
CN109145402A true CN109145402A (zh) 2019-01-04
CN109145402B CN109145402B (zh) 2022-11-25

Family

ID=64798867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810856352.5A Active CN109145402B (zh) 2018-07-31 2018-07-31 一种基于故障混杂模型的机电系统故障传播分析方法

Country Status (1)

Country Link
CN (1) CN109145402B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081120A (zh) * 2022-07-22 2022-09-20 中国民航大学 一种基于fppn的飞行控制系统故障传播路径分析方法
CN116070779A (zh) * 2023-03-06 2023-05-05 交通运输部公路科学研究所 机电设备运行状态预测方法、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150142402A1 (en) * 2013-11-18 2015-05-21 The Boeing Company Safety analysis of a complex system using component-oriented fault trees
CN105241666A (zh) * 2015-09-21 2016-01-13 华南理工大学 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150142402A1 (en) * 2013-11-18 2015-05-21 The Boeing Company Safety analysis of a complex system using component-oriented fault trees
CN105241666A (zh) * 2015-09-21 2016-01-13 华南理工大学 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
束洪春等: "考虑线路参数依频特性的特高压半波长交流输电线路行波传播分析", 《高电压技术》 *
郭健彬等: "动态系统故障的混杂传播特征及建模方法", 《系统工程与电子技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081120A (zh) * 2022-07-22 2022-09-20 中国民航大学 一种基于fppn的飞行控制系统故障传播路径分析方法
CN115081120B (zh) * 2022-07-22 2022-11-25 中国民航大学 一种基于fppn的飞行控制系统故障传播路径分析方法
CN116070779A (zh) * 2023-03-06 2023-05-05 交通运输部公路科学研究所 机电设备运行状态预测方法、装置及存储介质

Also Published As

Publication number Publication date
CN109145402B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN109495050B (zh) 基于二次型价值函数的双电机转矩同步模型预测控制方法
CN109145402A (zh) 一种基于故障混杂模型的机电系统故障传播分析方法
CN110336505B (zh) 基于状态约束的异步电动机命令滤波模糊控制方法
Veerendra et al. Hybrid power management for fuel cell/supercapacitor series hybrid electric vehicle
CN104656453B (zh) 一种基于非相似余度作动系统缓变故障的被动容错控制方法
Xu et al. Study of Takagi‐Sugeno fuzzy‐based terminal‐sliding mode fault‐tolerant control
Liu et al. Fault diagnosis of power transistors in a power converter of SRM drive based on a state inverse solution
CN105700351A (zh) 伺服系统的主动容错控制方法
CN110162007A (zh) 一种车辆故障的检测系统和检测方法
CN109241558A (zh) 一种基于故障混杂模型的机电系统寿命预测方法
CN108512479A (zh) 电机控制器及其计算电机扭矩预测值的方法
Osorio et al. A supervised adaptive neuro-fuzzy inference system controller for a hybrid electric vehicle's power train system
Liu et al. Neural network based internal model decoupling control of three-motor drive system
Genic et al. EMR-Based Signal-HIL Testing of an Electric Vehicle Control
Bushuev et al. Virtual prototype for co-simulation of hub-motor dynamics with brushless DC motor and elements of fault-tolerant control
CN114291067B (zh) 基于预测的混合动力汽车凸优化能量控制方法及系统
CN113515059B (zh) 一种基于rt-lab的多电飞机电机控制器分时复用半物理试验系统
Ruan et al. Optimization of acceleration motion trajectory of SHEV based on Radau Pseudospectral method
Zheng et al. Design of torque system for electric bicycle based on fuzzy PID
Merzouki et al. Intelligent monitoring of electric vehicle
Liu et al. Parallel implementation of the auxiliary power system model of the electric locomotive for hardware‐in‐the‐loop simulation
Niu et al. Development of Internet-Based Distributed Test Platform for Fuel Cell Electric Vehicle Powertrain System With Observer
CN110032165A (zh) 一种多盘轴向磁通永磁同步电机智能测控系统
CN113815720B (zh) 一种无人驾驶汽车线控转向系统的故障观测器的设计方法
Bertacchini et al. Control of brushless motor with hybrid redundancy for force feedback in steer-by-wire applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant