CN110320808A - 基于观测器组的阀控型电液伺服系统故障检测与分类方法 - Google Patents
基于观测器组的阀控型电液伺服系统故障检测与分类方法 Download PDFInfo
- Publication number
- CN110320808A CN110320808A CN201910701418.8A CN201910701418A CN110320808A CN 110320808 A CN110320808 A CN 110320808A CN 201910701418 A CN201910701418 A CN 201910701418A CN 110320808 A CN110320808 A CN 110320808A
- Authority
- CN
- China
- Prior art keywords
- failure
- fault
- observer
- hydraulic cylinder
- valve
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fluid-Pressure Circuits (AREA)
Abstract
本发明公开了基于观测器组的阀控型电液伺服系统故障检测与分类方法,包括如下步骤:步骤1)将系统进行模块划分,步骤2)进行常见故障的建模;步骤3)根据故障的状态空间分布,进行系统状态方程重组,建立了重组后的执行器故障状态方程和重组后的传感器故障状态方程;步骤4)构建非线性鲁棒故障检测与隔离观测器组,步骤5)系统故障检测,即系统中有无故障判断;步骤6)步骤5)中一旦判断出系统存在故障,则启动故障隔离观测器组,进行故障类型判断;本发明的有益效果是:本发明可以对阀控型电液伺服系统进行实时状态监测和性能预测,可在未知时变外干扰力下对系统中有无故障以及发生何种故障进行在线自动判断。
Description
技术领域
本发明属于电液伺服系统故障诊断领域,具体涉及基于观测器组的阀控型电液伺服系统故障检测与分类方法。
背景技术
电液伺服系统是一种由电信号处理装置和液压动力机构组成的反馈控制系统,由于其具有功率体积比大、响应速度快、便于控制等优势,因而被广泛地应用于生产制造领域。阀控型电液伺服系统是其中一类常见系统,其主要控制元件是液压控制阀,通过伺服阀或者比例阀等控制进出液压油缸或液压马达的油液,从而实现执行器位置、速度、力的控制,该系统具有响应快、控制精度高的优点,因而得到了广泛的应用。例如飞机与船舶舵机的控制、机械臂的位置控制、板带轧机的板厚控制等均采用了阀控型电液伺服系统。
随着系统的长期运行,系统中的元部件会磨损老化,再加上一些使用环境和使用方法上的原因,系统中难免出现故障。根据国际自动控制联合会安全过程技术委员会的定义,“故障”为:系统中至少一个特性或参数超出了系统可以接受/通常/标准的范围,因此并非系统完全不能运行了或出现明显性能下降才叫出现故障并进行故障诊断,而是需要在系统逐渐偏离正常的过程中就能发现并找出故障位置,因此存在很大的挑战。此外,电液伺服系统本身就是复杂的机、电、液综合系统,系统庞大,工作环境恶劣,经常伴随着高温、噪声、湿滑等,这些都对系统故障的有效诊断造成了阻挠,随着现代装备向着自动化、智能化的方向发展,其安全性、可靠性更成为了关注的热点,是系统智能化的前提条件和基础保障。
电液伺服系统故障诊断的任务包括故障检测,即判断系统有无故障,以及故障分类,即在判断出系统有故障的基础上,进一步判断出故障的类型和发生位置,这对于实际系统故障的及时处理更有意义。目前故障检测与分类的方法主要包括基于信号处理的方法,基于知识的方法和基于模型的方法,基于信号处理的方法需要事先获取各类故障数据,然后采用一定的方法如主元分析、小波分析法等提取各类故障的特征参量,再采用聚类方法将这些特征参量进行有效聚类,从而进行故障类型的判断,该方法主要用于单个液压元件,如液压泵、液压缸内部的故障检测与分类;基于知识的方法主要包括专家系统、神经网络等,基于专家系统的方法是早期故障诊断常用方法,通过搜集专家经验及分析系统因果关系建立系统故障树或诊断知识库和规则库,之后通过这些知识规则进行故障排查,该方法中知识的搜集和规则的建立需要耗费大量的时间精力;基于神经网络的方法需要事先获取大量典型故障数据,然后将故障数据输入一定结构的神经网络进行学习训练,构建正常及不同故障的网络模型,从而进行系统故障的检测和分类,因此该方法对于前期各类故障数据的获得具有一定要求;基于模型的方法不需要事先获取大量历史数据也不需要规则制定或网络训练,但需要建立系统模型,通过构建系统模型的观测器可对系统有无故障进行检测,通过构建观测器组可对系统发生故障类型进行判断,由于是基于系统模型的检测,因而对模型的准确性有一定的要求。目前电液伺服系统基于模型的诊断方法中,主要是面向模型准确的理想情况,而实际阀控型电液伺服系统是一个非线性系统,系统内存在诸多固有非线性,且系统中存在随压力温度而变化的不确定参数,以及摩擦力、粘性阻尼力等难以准确获得的干扰力等,因此导致故障检测与分类的准确性不高。另一方面,在不确定条件下,面向整个系统的多种故障的分类研究也较少,且往往只考虑执行器故障或传感器故障,没有将两者均考虑进去,缺乏统一的故障检测与分类方法体系。
现有技术一是通过安装各类传感器例如压力、流量、加速度传感器等,事先获取各类故障数据,然后采用一定的方法如主元分析、小波分析法等提取各类故障的特征参量,再采用聚类方法等将这些特征参量进行有效聚类,从而进行故障分类。该技术的缺点在于,需要一项一项提取各种故障的故障特征,故障特征一般很难提取,且容易受外干扰的影响,此外该方法主要用于单个液压元件,如液压泵、液压缸内部的故障检测与分类,一旦涉及整个电液伺服系统,则互相干扰耦合因素太多,会导致故障检测和分类结果不准确。
现有技术二通过搜集专家经验及分析系统因果关系建立系统故障树或故障诊断专家知识库和规则库,之后将系统状态与知识库进行匹配,从而逐步进行故障排查,并依据规则库进行故障种类分析。该方法中知识的搜集和规则的建立需要耗费大量的时间精力,电液伺服系统现象和故障之间的因果关系复杂,要建立其规则库也非常不容易,此外要采用该方法,需要具备丰富的实际和现场经验,对人员的技能要求较高,随着规则的增多,规则间的冗余性和矛盾性排查也存在困难。
现有技术三通过事先获取阀控型电液伺服系统正常状态下以及各种故障状态下大量典型数据,然后将各类数据输入一定结构的神经网络中进行学习训练,以此构建正常及不同故障时的网络模型,再将实际系统数据输入已构建好的各个神经网络模型进行故障识别,从而进行系统故障的检测和分类。神经网络的方法对于前期各类故障数据的获得具有一定要求,需要事先采用大量典型学习样本训练,而代表各种故障模式的典型数据的获取是存在困难的,此外该方法对于神经网络类型的选取以及网络结构的构造也有很高的要求,再者一旦系统存在未知时变外干扰力,那么训练的模式和样本数量就会急剧上升,且大大影响神经网络故障判断的准确性,也影响故障检测与分类的实时性。
发明内容
针对现有技术中存在的问题,本发明提供了设计合理的基于观测器组的阀控型电液伺服系统故障检测与分类方法,主要解决实际阀控型电液伺服系统在线故障检测和多种故障类型判断的问题,既要保证对外干扰的鲁棒性,又保证对故障的敏感性。
本发明的技术方案如下:
基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,包括如下步骤:
步骤1)将系统进行模块划分,建立伺服阀/比例阀的流量方程和动态方程、液压缸的流量连续性方程以及液压缸活塞的运动力平衡方程,选取液压缸活塞运动速度,液压缸左右两腔压力,以及伺服阀/比例阀的阀芯位移为系统的状态变量,建立系统状态方程;
步骤2)进行常见故障的建模,其中供油压力异常故障对应供油压力参数ps+变化,记为Δps+,回油压力异常故障对应回油压力参数ps-变化,记为Δps-,液压缸内泄漏故障对应内泄漏参数ci变化,记为Δci,伺服阀/比例阀故障对应阀增益系数kv变化,记为Δkv,位移传感器故障对应输出位移值xp的变化,记为Δxp,两个压力传感器故障对应液压缸左右两腔输出压力值p+与p-的变化,分别对应Δp+与Δp-,将故障项从状态方程中分离后,建立包含故障的系统状态方程(2);
步骤3)根据故障的状态空间分布,进行系统状态方程重组,建立了重组后的执行器故障状态方程(3)和重组后的传感器故障状态方程(4);
步骤4)构建非线性鲁棒故障检测与隔离观测器组,为方便有效解的获得,所构建的非线性鲁棒故障检测与隔离观测器均具有统一的形式;针对步骤2建立的状态方程(2),构建系统故障检测观测器1,其中针对步骤3建立的状态方程(3),构建执行器故障隔离观测器2与3,其中为[D e1]与[D e2],针对步骤3建立的状态方程(4),构建传感器故障隔离观测器4与5,其中分别为C2=[n1 n3]T与C3=[n1 n2]T,分别为y2与y3, 分别为用来构建鲁棒观测器重整后的干扰参数矩阵,输出参数矩阵,干扰向量和输出向量,D,C,d,y分别为步骤2中所建立的原系统状态方程中的干扰参数矩阵,输出参数矩阵,干扰向量和输出向量,ei=[0 ei1 ei2 ei3]T,ni=[ni1ni2 ni3]T,
步骤5)系统故障检测,即系统中有无故障判断;具体方法为,实时采集系统输入输出信号,包括控制器输出给伺服阀/比例阀的电压信号值u,液压缸活塞位置信号xp,以及液压缸两腔的压力信号值p+与p-;并将这些实时信号输入步骤4所构建的故障检测观测器1中,将系统输出和观测器输出做差值,得到输出残差向量r1,再计算误差估计函数J1=r1 TH1r1,式中H1为加权对角函数,对于系统有无故障判断规则如下,其中λ1为故障检测观测器1的阈值:
;
步骤6)步骤5中一旦判断出系统存在故障,则启动故障隔离观测器组,进行故障类型判断;将实时采集到的系统输入输出参数输入步骤4所构建的故障隔离观测器2~5中,包括伺服阀/比例阀的电压信号值u,液压缸活塞位置信号xp,以及液压缸两腔的压力信号值p+与p-,将系统输出和各个观测器输出分别做差值,得到输出残差向量r2,r3,r4,r5,再选取其中的速度残差分量rv2,rv3,rv4,rv5作为故障隔离特征量,通过与各自阈值λ2,λ3,λ4,λ5比较得出相应结果,通过各自结果的不同组合进行故障类型的判断。
所述的基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,所述步骤1中建立的系统状态方程为:
式中,
其中,a+,a-分别表示液压缸两腔的作用面积,分别表示液压缸两腔的有效容积,p+,p-分别表示液压缸两腔的压力,q+,q-分别表示液压缸两腔的作用面积,ci与ce分别为液压缸的内外泄露系数,m为负载及折算到负载上的总质量,bp为粘性阻尼系数,f代表其它未知时变外干扰力,kq为伺服阀/比例阀的流量系数,w为阀的死区,kv与τ分别为描述伺服阀/比例阀动态特性的增益系数与时间系数,u为输入电压;ps+与ps-分别为系统供油和回油压力,βe为油液的有效体积弹性模量。
所述的基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,所述步骤2中建立的包含故障的系统状态方程为:
其中状态向量输出向量干扰力g(x)为系统的非线性项,fa,fs,分别为执行器和传感器故障向量,Fa,Fs分别为执行器和传感器的故障定位矩阵,可表示为Fa=[e1 e2 e3],Fs=[n1 n2 n3],ei=[0 ei1 ei2 ei3]T,ni=[ni1 ni2ni3]T,参数矩阵A,B,C,D由式(1)得到,
a11=a14=a24=a34=a41=a42=a43=0。
所述的基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,所述步骤3中对于执行器故障重组如下:
其中,Di=[D ei],di=[d fai]T,fai为执行器故障向量fa的第i个元素,而fa中剩余元素组成新的故障向量 为原故障定位矩阵Fa除去ei后得到的新的故障定位矩阵;
对于传感器故障,系统状态方程重组如下:
其中yi为系统的第i个输出,yi为除了第i个输出的其它输出组成的新的输出向量,Ci和分别由参数矩阵C和Fs除去第i行后得到新的参数矩阵。
所述的基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,所述步骤4)中根据步骤2中获得的系统参数矩阵A,B,C,D,来获取待设计的参数矩阵T,E,G,N和L,方法如下:
步骤4.1)引入中间参量U,V并按下式计算:
其中I为单位矩阵;
步骤4.2)将U、V带入下述线性矩阵不等式,并解该不等式,获得一个正定对称矩阵P>0,和两个矩阵
式中γ为正常数;
步骤4.3)计算矩阵Y和K,和
步骤4.4)计算参数矩阵E=U+YV,
步骤4.5)计算其它观测器参数矩阵G=TB,L=K-NE。
所述的基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,所述步骤6)中对于系统故障类型判断规则如下,其中λ2,λ3,λ4,λ5为故障隔离观测器2~5的阈值:
步骤6.1)在液压缸活塞运动的两个方向上(v±),若均有rv4<λ4,rv5≥λ5,则为压力传感器1故障,若均有rv4≥λ4,rv5<λ5,则为压力传感器2故障,否则为其它类型故障,进入下一步;
步骤6.2)若非压力传感器故障,观察rv2或rv3,定义活塞往右运动为正方向v+,则在液压缸活塞两个运动方向上,若在正方向上rv2<λ2,负方向上rv2≥λ2或正方向上rv3≥λ3,负方向上rv3<λ3,则为供油压力异常故障,若在正方向上rv2≥λ2,负方向上rv2<λ2或正方向上rv3<λ3,负方向上rv3≥λ3,则为回油压力异常故障,否则为其它类型故障,进入下一步;
步骤6.3)在液压缸活塞两个运动方向上,若残差rv1的比值约为速度比,则为位移传感器增益故障,若残差rv1的比值约为液压缸两腔压差比,则为液压缸内泄漏故障,否则为比例阀故障。
本发明的有益效果是:本发明可以对阀控型电液伺服系统进行实时状态监测和性能预测,可对系统中有无故障进行在线自动判断,还能够进一步对出现故障的类型、位置进行识别,有利于早期故障的分析处理,避免更大的损失。此外,本发明提出的方法在保证对故障的敏感性上同时具有较强的鲁棒性,可以在外干扰力时变未知的情况下,对系统进行故障检测和分类,适合多种实际系统使用,且同时考虑了多类执行器、元部件和传感器故障,形成了统一的方法体系,可避免对于每个故障繁杂的一一特征提取过程。
附图说明
图1为本发明的阀控型电液伺服系统原理图;
图2为本发明的鲁棒故障检测与隔离观测器;
图3为本发明的阀控型电液伺服系统故障检测与分类流程图;
图中:1-控制器,2-液压缸,3-位移传感器,4-活塞,5-压力传感器2,6-压力传感器1,7-溢流阀,8-液压泵,9-伺服阀/比例阀。
具体实施方式
以下结合说明书附图,对本发明作进一步描述。
如图1-3所示,基于观测器组的阀控型电液伺服系统故障检测与分类方法,首先对阀控型电液伺服系统进行非线性建模,通过提取四个状态变量,建立系统的非线性状态方程。然后对常见的七类故障进行建模,包括供油压力异常故障,回油压力异常故障,液压缸内泄漏故障,伺服阀/比例阀故障,位移传感器故障,以及液压缸进出口压力传感器1与压力传感器2故障。针对每类故障的特点和状态空间分布,进行系统状态方程的重组,形成对应的状态方程形式。构建非线性鲁棒故障检测与隔离观测器组,所构建的非线性鲁棒故障检测与隔离观测器组均对系统的外干扰力鲁棒,其中故障检测观测器对所有故障敏感,能够对系统有无故障进行判断,一旦判断出系统存在故障,则启动故障隔离观测器组。所构建的故障隔离观测器组中每个观测器只针对其中一个维度的故障,通过各个观测器结果的有效组合,制定相应规则和步骤,能够实现上述七类故障的分类。该方法可用于阀控型电液伺服系统的在线故障检测与分类,对于系统的未知时变外干扰、不确定参数和非线性等具有较强的鲁棒性,具有广泛的实际应用前景。
本发明所针对的一类阀控型电液伺服系统如图1所示,系统主要由液压泵,伺服阀/比例阀,液压缸,控制器、位移传感器等组成。液压泵与伺服阀/比例阀连接,伺服阀/比例阀与液压缸连接,液压缸活塞上装有位移传感器,位移传感器与控制器电路连接,控制器与伺服阀/比例阀电控端电路连接。给定指令信号,通过位移传感器测得实际活塞的速度,与指令信号比较后由控制器输出电压到伺服阀/比例阀的电控端,从而控制伺服阀/比例阀的阀芯开口量,进而控制进出液压缸两腔的流量,推动活塞运动,由此进行闭环控制最终达到所需要的活塞位置,液压缸进出油口处增设的两个压力传感器1与压力传感器2,主要用于系统状态量的获取,从而进行故障检测与分类。可将该系统的位移传感器换成速度传感器用于速度控制,也可将执行器由液压缸换成液压马达用于角度或角速度控制,工作原理也类似,本专利方法同样适用。
一种基于观测器组的阀控型电液伺服系统故障检测与分类方法,具体步骤如下:
步骤1、将系统进行模块划分,建立伺服阀/比例阀的流量方程和动态方程、液压缸的流量连续性方程以及液压缸活塞的运动力平衡方程,选取液压缸活塞运动速度,液压缸左右两腔压力,以及伺服阀/比例阀的阀芯位移为系统的状态变量,建立系统状态方程:
式中,
其中,a+,a-分别表示液压缸两腔的作用面积,分别表示液压缸两腔的有效容积,p+,p-分别表示液压缸两腔的压力,q+,q-分别表示液压缸两腔的作用面积,ci与ce分别为液压缸的内外泄露系数,m为负载及折算到负载上的总质量,bp为粘性阻尼系数,f代表其它未知时变外干扰力,kq为伺服阀/比例阀的流量系数,w为阀的死区,kv与τ分别为描述伺服阀/比例阀动态特性的增益系数与时间系数,u为输入电压;ps+与ps-分别为系统供油和回油压力,βe为油液的有效体积弹性模量。
步骤2、进行常见故障的建模,其中供油压力异常故障对应供油压力参数ps+变化,记为Δps+,回油压力异常故障对应回油压力参数ps-变化,记为Δps-,液压缸内泄漏故障对应内泄漏参数ci变化,记为Δci,伺服阀/比例阀故障对应阀增益系数kv变化,记为Δkv,位移传感器故障对应输出位移值xp的变化,记为Δxp,两个压力传感器故障对应液压缸左右两腔输出压力值p+与p-的变化,分别对应Δp+与Δp-,将故障项从状态方程中分离后,建立包含故障的系统状态方程:
其中状态向量输出向量干扰力g(x)为系统的非线性项,fa,fs,分别为执行器和传感器故障向量,Fa,Fs分别为执行器和传感器的故障定位矩阵,可表示为Fa=[e1 e2 e3],Fs=[n1 n2 n3],ei=[0 ei1 ei2 ei3]T,ni=[ni1 ni2ni3]T,参数矩阵A,B,C,D由式(1)得到,
a11=a14=a24=a34=a41=a42=a43=0
步骤3、根据故障的状态空间分布,进行系统状态方程重组,对于执行器故障重组如下:
其中,Di=[D ei],di=[d fai]T,fai为执行器故障向量fa的第i个元素,而fa中剩余元素组成新的故障向量 为原故障定位矩阵Fa除去ei后得到的新的故障定位矩阵。
对于传感器故障,系统状态方程重组如下:
其中yi为系统的第i个输出,yi为除了第i个输出的其它输出组成的新的输出向量,Ci和Fs i分别由参数矩阵C和Fs除去第i行后得到新的参数矩阵。
步骤4、构建非线性鲁棒故障检测与隔离观测器组,为方便有效解的获得,所构建的非线性鲁棒故障检测与隔离观测器均具有统一的形式,该观测器结构如图2。针对状态方程(2),构建系统故障检测观测器1,其中针对状态方程(3),构建执行器故障隔离观测器2与3,其中为[D e1]与[D e2],针对状态方程(4),构建传感器故障隔离观测器4与5,其中分别为C2=[n1 n3]T与C3=[n1 n2]T,分别为y2与y3, 分别为用来构建鲁棒观测器重整后的干扰参数矩阵,输出参数矩阵,干扰向量和输出向量,矩阵A,B,C,D为系统参数矩阵,在步骤2中获得,T,E,G,N和L都是待设计的参数矩阵,获取方法如下:
步骤4.1、引入中间参量U,V并按下式计算:
其中I为单位矩阵;
步骤4.2、将U、V带入下述线性矩阵不等式,并解该不等式,获得一个正定对称矩阵P>0,和两个矩阵
式中γ为正常数;
步骤4.3、计算矩阵Y和K,和
步骤4.4、计算参数矩阵E=U+YV,
步骤4.5、计算其它观测器参数矩阵G=TB,L=K-NE。
步骤5、系统故障检测,即系统中有无故障判断。具体方法为,实时采集系统输入输出信号,包括控制器输出给伺服阀/比例阀的电压信号值u,液压缸活塞位置信号xp,以及液压缸两腔的压力信号值p+与p-;并将这些实时信号输入步骤4所构建的故障检测观测器1中,将系统输出和观测器输出做差值,得到输出残差向量r1,再计算误差估计函数J1=r1 TH1r1,式中H1为加权对角函数,对于系统有无故障判断规则如下,其中λ1为故障检测观测器1的阈值:
。
步骤6、步骤5中一旦判断出系统存在故障,则启动故障隔离观测器组,进行故障类型判断。将实时采集到的系统输入输出参数输入步骤4所构建的故障隔离观测器2~5中,包括伺服阀/比例阀的电压信号值u,液压缸活塞位置信号xp,以及液压缸两腔的压力信号值p+与p-,将系统输出和各个观测器输出分别做差值,得到输出残差向量r2,r3,r4,r5,再选取其中的速度残差分量rv2,rv3,rv4,rv5作为故障隔离特征量,对于系统故障类型判断规则如下,其中λ2,λ3,λ4,λ5为故障隔离观测器2~5的阈值:
步骤6.1、在液压缸活塞运动的两个方向上(v±),若均有rv4<λ4,rv5≥λ5,则为压力传感器1故障,若均有rv4≥λ4,rv5<λ5,则为压力传感器2故障,否则为其它类型故障,进入下一步;
步骤6.2、若非压力传感器故障,观察rv2或rv3,定义活塞往右运动为正方向(v+),则在液压缸活塞两个运动方向上,若在正方向上rv2<λ2,负方向上rv2≥λ2或正方向上rv3≥λ3,负方向上rv3<λ3,则为供油压力异常故障,若在正方向上rv2≥λ2,负方向上rv2<λ2或正方向上rv3<λ3,负方向上rv3≥λ3,则为回油压力异常故障,否则为其它类型故障,进入下一步;
步骤6.3、在液压缸活塞两个运动方向上,若残差rv1(r1的速度残差分量)的比值约为速度比,则为位移传感器增益故障,若残差rv1的比值约为液压缸两腔压差比,则为液压缸内泄漏故障,否则为比例阀故障。
本发明的优势在于不需要事先获取大量故障样本来训练网络或构建规则,所采用的系统模型方程是液压系统最常用的关系式,容易实现;所构建的故障检测和隔离观测器组采用的是统一的模式,避免了反复繁杂的故障特征逐一提取过程,计算量小,适合在线使用。且构建的观测器组能够在外负载力未知时变的情况下使用,体现鲁棒性,另一方面又能保持对常见多类故障的敏感性,因此适合实际系统使用。该发明同时考虑了系统的执行器、元部件及传感器故障,能够对多类常见故障进行在线辨识分类,有利于故障的及时分析处理,减少损失,此外该方法也适用于系统状态的实时监测和性能预测。
Claims (6)
1.基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,包括如下步骤:
步骤1)将系统进行模块划分,建立伺服阀/比例阀的流量方程和动态方程、液压缸的流量连续性方程以及液压缸活塞的运动力平衡方程,选取液压缸活塞运动速度,液压缸左右两腔压力,以及伺服阀/比例阀的阀芯位移为系统的状态变量,建立系统状态方程(1);
步骤2)进行常见故障的建模,其中供油压力异常故障对应供油压力参数ps+变化,记为Δps+,回油压力异常故障对应回油压力参数ps-变化,记为Δps-,液压缸内泄漏故障对应内泄漏参数ci变化,记为Δci,伺服阀/比例阀故障对应阀增益系数kv变化,记为Δkv,位移传感器故障对应输出位移值xp的变化,记为Δxp,两个压力传感器故障对应液压缸左右两腔输出压力值p+与p-的变化,分别对应Δp+与Δp-,将故障项从状态方程中分离后,建立包含故障的系统状态方程(2);
步骤3)根据故障的状态空间分布,进行系统状态方程重组,建立重组后的执行器故障状态方程(3)和重组后的传感器故障状态方程(4);
步骤4)构建非线性鲁棒故障检测与隔离观测器组,为方便有效解的获得,所构建的非线性鲁棒故障检测与隔离观测器均具有统一的形式;针对步骤2建立的系统状态方程(2),构建系统故障检测观测器1,其中针对步骤3建立的状态方程(3),构建执行器故障隔离观测器2与3,其中为[D e1]与[D e2],针对步骤3建立的状态方程(4),构建传感器故障隔离观测器4与5,其中分别为C2=[n1 n3]T与C3=[n1 n2]T,分别为y2与y3, 分别为用来构建鲁棒观测器重整后的干扰参数矩阵,输出参数矩阵,干扰向量和输出向量,D,C,d,y分别为步骤2中所建立的原系统状态方程中的干扰参数矩阵,输出参数矩阵,干扰向量和输出向量,ei=[0 ei1 ei2 ei3]T,ni=[ni1ni2 ni3]T,
步骤5)系统故障检测,即系统中有无故障判断;具体方法为,实时采集系统输入输出信号,包括控制器输出给伺服阀/比例阀的电压信号值u,液压缸活塞位置信号xp,以及液压缸两腔的压力信号值p+与p-;并将这些实时信号输入步骤4所构建的故障检测观测器1中,将系统输出和观测器输出做差值,得到输出残差向量r1,再计算误差估计函数J1=r1 TH1r1,式中H1为加权对角函数,对于系统有无故障判断规则如下,其中λ1为故障检测观测器1的阈值:
;
步骤6)步骤5中一旦判断出系统存在故障,则启动故障隔离观测器组,进行故障类型判断;将实时采集到的系统输入输出参数输入步骤4所构建的故障隔离观测器2-5中,包括伺服阀/比例阀的电压信号值u,液压缸活塞位置信号xp,以及液压缸两腔的压力信号值p+与p-,将系统输出和各个观测器输出分别做差值,得到输出残差向量r2,r3,r4,r5,再选取其中的速度残差分量rv2,rv3,rv4,rv5作为故障隔离特征量,通过与各自阈值λ2,λ3,λ4,λ5比较得出相应结果,通过各自结果的不同组合进行故障类型的判断。
2.根据权利要求1所述的基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,所述步骤1中建立的系统状态方程为:
式中,
其中,a+,a-分别表示液压缸两腔的作用面积,分别表示液压缸两腔的有效容积,p+与p-分别表示液压缸两腔的压力,q+与q-分别表示液压缸两腔的作用面积,ci与ce分别为液压缸的内外泄露系数,m为负载及折算到负载上的总质量,bp为粘性阻尼系数,f代表其它未知时变外干扰力,kq为伺服阀/比例阀的流量系数,w为阀的死区,kv与τ分别为描述伺服阀/比例阀动态特性的增益系数与时间系数,u为输入电压;ps+与ps-分别为系统供油和回油压力,βe为油液的有效体积弹性模量,xv为伺服阀/比例阀的阀芯位移,为液压缸活塞运动速度。
3.根据权利要求1所述的基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,所述步骤2中建立的包含故障的系统状态方程为:
其中状态向量输出向量干扰力g(x)为系统的非线性项,fa,fs,分别为执行器和传感器故障向量,Fa,Fs分别为执行器和传感器的故障定位矩阵,可表示为Fa=[e1 e2 e3],Fs=[n1 n2 n3],ei=[0 ei1 ei2 ei3]T,ni=[ni1 ni2 ni3]T,参数矩阵A,B,C,D由式(1)得到,
a11=a14=a24=a34=a41=a42=a43=0。
4.根据权利要求1所述的基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,所述步骤3中对于执行器故障状态方程如下:
其中,Di=[D ei],di=[d fai]T,fai为执行器故障向量fa的第i个元素,而fa中剩余元素组成新的故障向量 为原故障定位矩阵Fa除去ei后得到的新的故障定位矩阵;
对于重组后的传感器故障系统状态方程如下:
其中yi为系统的第i个输出,yi为除了第i个输出的其它输出组成的新的输出向量,Ci和分别由参数矩阵C和Fs除去第i行后得到新的参数矩阵。
5.根据权利要求1所述的基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,所述步骤4)中根据步骤2中获得的系统参数矩阵A,B,C,D,来获取待设计的参数矩阵T,E,G,N和L,方法如下:
步骤4.1)引入中间参量U,V并按下式计算:
其中I为单位矩阵;
步骤4.2)将U、V带入下述线性矩阵不等式,并解该不等式,获得一个正定对称矩阵P>0,和两个矩阵
式中γ为正常数;
步骤4.3)计算矩阵Y和K,和
步骤4.4)计算参数矩阵E=U+YV,
步骤4.5)计算其它观测器参数矩阵G=TB,L=K-NE。
6.根据权利要求1所述的基于观测器组的阀控型电液伺服系统故障检测与分类方法,其特征在于,所述步骤6)中对于系统故障类型判断规则如下,其中λ2,λ3,λ4,λ5为故障隔离观测器2-5的阈值:
步骤6.1)在液压缸活塞运动的两个方向上(v±),若均有rv4<λ4,rv5≥λ5,则为压力传感器1故障,若均有rv4≥λ4,rv5<λ5,则为压力传感器2故障,否则为其它类型故障,进入下一步;
步骤6.2)若非压力传感器故障,观察rv2或rv3,定义活塞往右运动为正方向v+,则在液压缸活塞两个运动方向上,若在正方向上rv2<λ2,负方向上rv2≥λ2或正方向上rv3≥λ3,负方向上rv3<λ3,则为供油压力异常故障,若在正方向上rv2≥λ2,负方向上rv2<λ2或正方向上rv3<λ3,负方向上rv3≥λ3,则为回油压力异常故障,否则为其它类型故障,进入下一步;
步骤6.3)在液压缸活塞两个运动方向上,若残差rv1的比值约为速度比,则为位移传感器增益故障,若残差rv1的比值约为液压缸两腔压差比,则为液压缸内泄漏故障,否则为比例阀故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910701418.8A CN110320808A (zh) | 2019-07-31 | 2019-07-31 | 基于观测器组的阀控型电液伺服系统故障检测与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910701418.8A CN110320808A (zh) | 2019-07-31 | 2019-07-31 | 基于观测器组的阀控型电液伺服系统故障检测与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110320808A true CN110320808A (zh) | 2019-10-11 |
Family
ID=68125113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910701418.8A Pending CN110320808A (zh) | 2019-07-31 | 2019-07-31 | 基于观测器组的阀控型电液伺服系统故障检测与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320808A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111622996A (zh) * | 2020-04-27 | 2020-09-04 | 江苏科技大学 | 异构多阀并联驱动电液伺服系统及控制方法 |
CN112343787A (zh) * | 2020-10-16 | 2021-02-09 | 西安交通大学 | 一种液压式压缩速度可控式节能型双级压缩机传动系统 |
CN113700702A (zh) * | 2021-08-04 | 2021-11-26 | 中国人民解放军火箭军工程大学 | 一种数字液压缸工作状态非介入实时监测系统及使用方法 |
CN114183437A (zh) * | 2021-08-30 | 2022-03-15 | 华北电力大学 | 一种燃气轮机电液执行器的故障建模方法 |
CN114383836A (zh) * | 2021-12-09 | 2022-04-22 | 浙江华章科技有限公司 | 一种稀释水流浆箱阀门故障分析系统 |
WO2023109049A1 (zh) * | 2021-12-17 | 2023-06-22 | 中联重科建筑起重机械有限责任公司 | 智能液压系统及液压顶升装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227676A (zh) * | 2017-12-28 | 2018-06-29 | 浙江工业大学 | 阀控缸电液伺服系统在线故障检测、估计及定位方法 |
-
2019
- 2019-07-31 CN CN201910701418.8A patent/CN110320808A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227676A (zh) * | 2017-12-28 | 2018-06-29 | 浙江工业大学 | 阀控缸电液伺服系统在线故障检测、估计及定位方法 |
Non-Patent Citations (3)
Title |
---|
徐巧宁: "基于不确定模型的船舶舵机电液伺服系统故障诊断研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技II辑》 * |
徐巧宁等: "基于鲁棒观测器的电液伺服系统传感器故障检测与隔离", 《华南理工大学学报(自然科学版)》 * |
杨柳青等: "基于残差信息的汽车液压主动悬架故障诊断与隔离研究", 《中国机械工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111622996A (zh) * | 2020-04-27 | 2020-09-04 | 江苏科技大学 | 异构多阀并联驱动电液伺服系统及控制方法 |
CN112343787A (zh) * | 2020-10-16 | 2021-02-09 | 西安交通大学 | 一种液压式压缩速度可控式节能型双级压缩机传动系统 |
CN113700702A (zh) * | 2021-08-04 | 2021-11-26 | 中国人民解放军火箭军工程大学 | 一种数字液压缸工作状态非介入实时监测系统及使用方法 |
CN113700702B (zh) * | 2021-08-04 | 2023-09-26 | 中国人民解放军火箭军工程大学 | 一种数字液压缸工作状态非介入实时监测系统及使用方法 |
CN114183437A (zh) * | 2021-08-30 | 2022-03-15 | 华北电力大学 | 一种燃气轮机电液执行器的故障建模方法 |
CN114383836A (zh) * | 2021-12-09 | 2022-04-22 | 浙江华章科技有限公司 | 一种稀释水流浆箱阀门故障分析系统 |
CN114383836B (zh) * | 2021-12-09 | 2023-12-08 | 浙江华章科技有限公司 | 一种稀释水流浆箱阀门故障分析系统 |
WO2023109049A1 (zh) * | 2021-12-17 | 2023-06-22 | 中联重科建筑起重机械有限责任公司 | 智能液压系统及液压顶升装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320808A (zh) | 基于观测器组的阀控型电液伺服系统故障检测与分类方法 | |
CN108227676A (zh) | 阀控缸电液伺服系统在线故障检测、估计及定位方法 | |
CN103399493B (zh) | 可重构机械臂传感器故障实时诊断和容错系统及其方法 | |
CN102175282B (zh) | 一种基于信息融合的离心式空气压缩机故障诊断方法 | |
Mendonça et al. | An architecture for fault detection and isolation based on fuzzy methods | |
CN111474919A (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
CN114372489A (zh) | 一种柴油机工况识别与异常诊断方法 | |
CN106873568A (zh) | 基于h无穷鲁棒未知输入观测器的传感器故障诊断方法 | |
CN113255584A (zh) | 一种基于边缘计算的故障诊断与监测系统 | |
CN108843654A (zh) | 一种基于子空间辨识的阀控液压缸泄漏判断装置及方法 | |
CN105805086B (zh) | 一种基于多模型的液压作动器故障诊断方法 | |
CN117345359A (zh) | 一种油动机异常状态检测预警方法及其电子设备 | |
CN102253663B (zh) | 一种网络化三容水箱系统的泄漏故障诊断方法及系统 | |
Kocak et al. | Condition monitoring and fault diagnosis of a marine diesel engine with machine learning techniques | |
Wang et al. | Internal leakage detection of hydraulic cylinder based on wavelet analysis and backpropagation neural network | |
CN102749199A (zh) | 基于esn的涡轮发动机的剩余寿命预测方法 | |
Asmussen et al. | Investigating fault detection and diagnosis in a hydraulic pitch system using a state augmented ekf-approach | |
Zhang | Research on automatic fault diagnosis system of coal mine drilling rigs based on drilling parameters | |
CN115238404A (zh) | 一种面向液体火箭发动机试验台健康管理的故障编辑发生方法及装置 | |
El-Betar et al. | Fault diagnosis of a hydraulic power system using an artificial neural network | |
Ruan et al. | 2D-CNN-Based Fault Diagnosis of Internal Leakage in Electro-Hydrostatic Actuators | |
Kościelny et al. | Application of information system theory for actuators diagnosis | |
Lei et al. | Testability modeling of hydraulic system based on multi-signal flow model | |
Uhrig | Application of artificial neural networks in industrial technology | |
Wang | Fault diagnosis and fault-tolerant control for Manifold Absolute Pressure sensor (MAP) of Diesel engine based on Elman network observer |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |