CN110383093B - 用于监视电磁致动器类型装置的方法 - Google Patents

Abstract

一种用于监视机电致动器类型的装备的监视方法，该装备包括三相电动机，该监视方法包括以下步骤：测量为该三相电动机供电的三相电流；将三相电流投影到Park参考系(I_q)中；与盲源分离过程(40)相耦合地对正交电流执行集合经验模态分解过程(30)以便获得源分量(IC、…、IC₁₀)；从源分量中自动地选择对第一缺陷敏感的第一源分量集(IC₁、…、IC₉)、以及对第二缺陷敏感的第二源分量集(IC₉)；构建(60)第一虚拟缺陷信号和第二虚拟缺陷信号；以及从第一虚拟缺陷信号中提取(70)代表第一缺陷的第一签名集，以及从第二虚拟缺陷信号中提取(70)代表第二缺陷的第二签名集。

Description

用于监视电磁致动器类型装置的方法

本发明涉及监视机电致动器类型的装备的方法的领域。

背景技术

所谓的“健康监视功能”(也较不常见地被称为条件维护、预测性维护或计划维护)被使用，以便预见系统的装备的降级，尤其是在航空领域。

因此，健康监视功能用于避免故障、优化寿命、预见和计划维护操作(可能包括移除)，从而降低用于维护装备或系统的操作的成本。

常规地，执行健康监视功能包括数据采集阶段、数据预调阶段、签名提取阶段、诊断阶段和预后阶段。

数据采集阶段包括采集由测量代表装备或系统的性能的参数的传感器产生的测量数据。

作为示例，数据采集可以通过测试或者通过在装备或系统运行时从其下载来执行。

数据预调阶段尤其包括过滤数据以便去除这些数据中存在的测量噪声。

签名提取阶段包括处理数据以便从中提取代表装备或系统的状态、以及可能是代表装备或系统的操作降级的签名。此类降级可能是由装备或系统所遭受的一个或多个缺陷的存在引起的。因此，签名代表(诸)缺陷。

诊断阶段尤其包括评估签名以便估计装备或系统的状态，并且在存在缺陷的情况下以便定位和评估所述缺陷的严重性。

预后阶段包括估计装备或系统的剩余寿命。

发明目的

本发明的目的是改进签名对装备或系统中的缺陷的敏感度，从而改进对所述缺陷的检测和严重性评估。

发明内容

为了实现该目的，提供了一种用于监视机电致动器类型的装备的监视方法，该装备包括三相电动机，该监视方法包括以下步骤：

-测量为该三相电动机供电的三相电流；

-将三相电流投影到Park参考系中以便获得正交电流；

-与盲源分离过程相耦合地对正交电流执行集合经验模态分解过程以便获得源分量；

-通过使用选择准则来从源分量中自动地选择对第一缺陷敏感的第一源分量集、以及对第二缺陷敏感的第二源分量集，第一缺陷和第二缺陷潜在地使该装备的操作降级；

-从第一源分量集构建第一虚拟缺陷信号并从第二源分量集构建第二虚拟缺陷信号；以及

-从第一虚拟缺陷信号中提取代表第一缺陷的第一签名集，以及从第二虚拟缺陷信号中提取代表第二缺陷的第二签名集。

本发明的监视方法提高了第一签名集中的签名对第一缺陷的敏感度以及第二签名集中的签名对第二缺陷的敏感度，从而改进对第一缺陷和第二缺陷的检测。当还计算第一缺陷的严重性和第二缺陷的严重性时，本发明的监视方法还改进了对那些严重性的评估。

本发明可以鉴于以下对于本发明的特定非限定性实现的描述而被更好地理解。

附图说明

参考附图，在附图中：

-图1至4示出了本发明的监视方法中的连贯步骤；

-图5示出了在本发明的监视方法中执行盲源分离过程的步骤；以及

-图6示出了在本发明的监视方法中计算严重性的步骤。

具体实施方式

在该示例中，本发明的监视方法在飞行器的线性机电飞行控制致动器上执行。

在该示例中，线性机电致动器包括永磁三相同步电动机类型的电动机、可直接或间接接合的机械传动装置、可以可任选地为远程的电子功率模块、可以可任选地为远程的电子控制模块、以及一组传感器。在该示例中，该组传感器包括电流传感器、温度探测器、力传感器和位置传感器。位置传感器测量电动机转子的角位置。

本发明的监视方法用于对线性机电致动器执行健康监视功能。

如以上提及的，健康监视功能包括数据采集阶段、数据预调阶段、签名提取阶段、诊断阶段和预后阶段。

本发明的监视方法包括在数据预调阶段和签名提取阶段期间执行的八个连贯步骤。

作为示例，本发明的监视方法寻求改进对可能使线性机电致动器的操作降级的两个缺陷的检测和评估：包括电动机定子的短路的第一缺陷def_A；以及包括机械传动装置卡住的第二缺陷def_B。

参考图1至4，本发明的监视方法开始于测量步骤10，其包括对为电动机供电的三相电流I_a,b,c(其中a、b和c为电动机的相位)和电动机转子的角位置θ_s进行同步测量。

本发明的监视方法随后包括投影步骤20，其将在步骤10期间获得的三相电流测量值投影到Park参考系中(绑定到转子并且其直轴d与励磁通量同相的参考系)。Park变换使用以下方程来执行：

在该示例中，I_a、I_b和I_c是为电动机供电的三相电流，I_d是Park参考系中的d或“直流”电流，I_q是Park参考系中的正交电流，且θ_s是电动机定子的旋转磁场的电角位置。

以下适用：

-θ_s＝npp*转子的机械角位置；

-其中npp是电机的极对数目。

应当观察到，在图1中(以及在其他附图中)，窄箭头对应于单信道信号，而每个宽箭头对应于多信道信号。

此后，本发明的监视方法包括执行集合经验模态分解30(EEMD)步骤的步骤。集合经验模态分解被应用于正交电流I_q。

执行集合经验模态分解30涉及执行经验模态分解(EEMD)。

经验模态分解寻求将任意信号分解为一系列被称为本征模函数(IMF)的振荡分量。

每个振荡分量IMF代表一个频率范围上的现象。

任意信号y通过经验模态分解被如下分解：

其中IMF_j是振荡分量IMF。

信号r是残差信号，从该信号中不可能提取任何更多的振荡分量IMF。

以下给出适合于获得振荡分量IMF的EMD算法的示例。

这种类型的算法被称为“筛选”。

要提取的第一振荡分量IMF是信号y在高频处的振荡分量IMF，并且要提取的最后振荡分量IMF是信号y在低频处的振荡分量IMF。

执行集合经验模态分解30包括在信号的有噪实例上执行一定次数的经验模态分解，并随后对所生成的诸振荡分量IMF取平均。这产生了被称为“真实”的振荡分量IMF。

因此，使用EEMD算法，并且以下给出一示例。

使用集合经验模态分解30用于避免具有“模态混叠”，即对于给定振荡分量IMF，高频信号在低频信号上的叠加。

本发明的监视方法随后包括执行盲源分离(BSS)过程的步骤，该过程基于观察值来估计一组未知源。在该示例中，使用的盲源分离过程包括独立分量分析(ICA)40。独立分量分析40使用统计独立性准则作为其分离准则。

如以下所提及的，该示例中涉及的源是代表线性机电致动器所遭受的缺陷(即，第一缺陷def_A(电动机定子的短路)以及第二缺陷def_B(机械传动装置卡住))的信号。

对真实振荡分量(图2、4和5中的IMF 1至10)执行独立分量分析40，这些真实振荡分量构成用于向独立分量分析40提供输入的“虚拟”观察值。

因此，独立分量分析40与集合经验模态分解30耦合。

独立分量分析40的一般原理是通过定义分离矩阵W使得

来从一组观察值x中估计一组源

同时最小化分离准则(其在该示例中是统计独立性准则)。在该示例中，该组源

包括独立的源分量矢量IC₁、IC₂、IC₃、...、IC_n。

该耦合产生以下关系：

将集合经验模态分解30与独立分量分析40耦合的优点是与单独地且分开地使用集合经验模态分解30和独立分量分析40的情形相比，获得对线性机电致动器所遭受的第一缺陷def_A和第二缺陷def_B敏感得多的信号。该耦合产生通常对第一缺陷def_A和第二缺陷def_B更敏感10至20倍的信号。

参考图5，独立分量分析40如下执行。

采集虚拟观察值，即真实振荡分量IMF(IMF 1至10)。

执行ICA算法。

定义分离矩阵W(步骤41)。

分离矩阵W可由标量系数W_ij组成。这被称为“瞬时”情形。分离矩阵W还可由有限脉冲响应滤波器(FIR)组成。该情形随后被称为“卷积”。对于卷积情形，滤波器的阶数必须是先验已知的并且因此在执行独立分量分析之前被定义。

ICA算法寻求解决以下问题：

随后通过迭代过程来估计独立源分量IC₁、IC₂、IC₃、...、IC₁₀。

在每次迭代时重新评估统计独立性准则，并重新定义分离矩阵W。

本发明的监视方法随后包括自动地选择独立源分量IC₁、IC₂、IC₃、...、IC₁₀的步骤50。

自动选择50的目的是选择独立源分量IC₁、IC₂、IC₃、...、IC₁₀，以便区分最能代表第一缺陷def_A的独立源分量IC₁、IC₂、IC₃、...、IC₁₀和最能代表第二缺陷def_B的独立源分量IC₁、IC₂、IC₃、...、IC₁₀。

独立源分量IC₁、IC₂、IC₃、...、IC₁₀是基于选择准则来选择的。

选择准则可以基于各种统计特性：均值、方差、偏度系数、最大值、最小值、均方根(rms)值、峰度等。

选择准则是参考所考虑的缺陷(即参考第一缺陷def_A和第二缺陷def_B)来选择的。

在该示例中，选择准则基于计算峰度，其定义如下：

其中：

-N是样本大小；

-

是样本均值；以及

-σ是样本方差。

更具体地参考图4，自动选择50因此产生源分量集51，其包括源分量IC₁、IC₂、IC₃、...、IC₁₀。

此后，对源分量IC₁、IC₂、IC₃、...、IC₁₀进行峰度测试，并随后重新排列。

这产生了小峰度的第一源分量集52，其包括源分量IC₁、IC₂、IC₃、...、IC₉，和大峰度的第二源分量集53，其包括源分量IC₁₀。

此后，本发明的监视方法包括构建步骤60，其包括构建代表缺陷k(k因此代表第一缺陷def_A或第二缺陷def_B)的虚拟源信号

这给出：

其中IC_{select_k}对应于针对缺陷k选择的诸IC，即对应于第一源分量集52(针对第一缺陷def_A，k＝A)和第二源分量集53(针对第二缺陷def_B，k＝B)。

因此，构建步骤60包括将第一集合52乘以W^-1(步骤61)，以及将第二集合53乘以W^-1(步骤62)。

此后，构建步骤60包括对在将第一集合52乘以W^-1之后获得的诸分量求和(步骤63)，以及对在将第二集合53乘以W^-1之后获得的诸分量求和(步骤64)。

这产生：

-

其是呈现对第一缺陷def_A的最大敏感度的第一虚拟缺陷信号；以及

-

其是呈现对第二缺陷def_B的最大敏感度的第二虚拟缺陷信号。

此后，本发明的监视方法包括提取签名的步骤70。签名提取步骤70包括从第一虚拟缺陷信号

中提取第一签名sign_A以及从第二虚拟缺陷信号

中提取第二签名sign_B。

可以使用第一类型和第二类型的方法来提取签名。

第一类型的方法包括计算第一虚拟缺陷信号

和第二虚拟缺陷信号

上的“全局”统计参数。全局统计参数可以是例如平均值、最大值、峰度、过零数等。

第二类型的方法包括定义经组合参数，这些参数得自将全局参数彼此组合。

因此，使用第二类型的方法，从第二虚拟缺陷信号

(卡住)构建以下签名：

Sign＝NbPeaks*AmpPP

其中：

-NbPeaks是第二虚拟缺陷信号

在样本中超过预定义阈值的次数；以及

-AmpPP是第二虚拟缺陷信号

的两个峰之间的最大峰间振幅。

作为示例，针对第一缺陷def_A的其他类型的签名如下：

-过零数。仅当信号的振幅大于某个阈值∈₁时才对过零进行计数；

-rms值，计算如下：

其中T是信号的长度，且t是时间；以及

-能量，计算如下：

作为示例，针对第二缺陷def_B的其他签名可如下：

-rms值，计算如下：

其中T是信号的长度，且t是时间；以及

-能量，计算如下：

最终，本发明的监视方法可包括计算诸缺陷的严重性的步骤80。

可以用各种方式来执行严重性计算。

因此，可以对签名(例如，对第一签名sign_A)使用度量：

其中sign_A0是在线性机电致动器首次投入使用时针对第一缺陷def_A的第一签名的值。

参考图6，还可以应用依赖于人工智能工具的过程81(例如，使用神经网络、支持向量机、贝叶斯网络的过程)。

过程81被应用于多个签名sign_A0、...、sign_AN以便获得严重性sev(def_A)。

这用于以更准确和更稳健的方式估计严重性。

当然，本发明不限于所描述的实现，而是覆盖落在由所附权利要求限定的本发明的范围内的任何变型。

尽管在应用于线性机电致动器方面描述了本发明，但本发明自然适用于任何其他类型的装备。

尽管该描述适用于关于三相电动机的定子中的短路的缺陷和包括机械传动装置卡住的缺陷，但本发明自然适用于其他缺陷和某其他数目的缺陷。

在以上示例中用于第一缺陷的签名(和严重性计算)也可被用于第二缺陷，反之亦然。

Claims (11)

1.一种用于监视机电致动器类型的装备的监视方法，所述装备包括三相电动机，所述监视方法包括以下步骤：

-测量为所述三相电动机供电的三相电流(I_a,b,c)；

-将所述三相电流投影到Park参考系中以便获得正交电流(I_q)；

-与盲源分离过程(40)相耦合地对所述正交电流执行集合经验模态分解过程(30)以便获得源分量(IC₁、…、IC₁₀)；

-通过使用选择准则来从所述源分量中自动地选择(50)对第一缺陷敏感的第一源分量集(IC₁、…、IC₉)(52)、以及对第二缺陷敏感的第二源分量集(IC₁₀)(53)，所述第一缺陷和所述第二缺陷潜在地使所述装备的操作降级，其中所述自动选择是通过使用参考所述第一缺陷和所述第二缺陷且参考基于所述第一源分量集和所述第二源分量集的统计特性选择的选择准则来执行的；

-从所述第一源分量集构建(60)第一虚拟缺陷信号

且从所述第二源分量集构建(60)第二虚拟缺陷信号

以及

-从所述第一虚拟缺陷信号中提取(70)代表所述第一缺陷的第一签名集，以及从所述第二虚拟缺陷信号中提取(70)代表所述第二缺陷的第二签名集。

2.根据权利要求1所述的监视方法，其特征在于，所述盲源分离过程包括使用统计独立性准则作为其分离准则的独立分量分析。

3.根据权利要求1所述的监视方法，其特征在于，所述统计特性是峰度。

4.根据权利要求1所述的监视方法，其特征在于，所述第一签名和/或所述第二签名sign_k使得sign_k＝NbPeaks*AmpPP，其中NbPeaks是对应的第一虚拟缺陷信号或第二虚拟缺陷信号变得大于预定义阈值的次数，并且其中AmpPP是对应的第一虚拟缺陷信号或第二虚拟缺陷信号的两个峰之间的最大峰间振幅。

5.根据权利要求1所述的监视方法，其特征在于，来自所述第一签名集或所述第二签名集中的诸签名之中的签名是使用下式来计算的rms值：

其中

是对应的第一虚拟缺陷信号或第二虚拟缺陷信号，T是

的历时，且t是时间。

6.根据权利要求1所述的监视方法，其特征在于，来自所述第一签名集或所述第二签名集之中的签名是使用下式来计算的能量：

其中

是对应的第一虚拟缺陷信号或第二虚拟缺陷信号，T是

的历时，且t是时间。

7.根据权利要求1所述的监视方法，其特征在于，还包括计算所述第一缺陷的严重性sev(def_A)和所述第二缺陷的严重性sev(def_B)的步骤。

8.根据权利要求7所述的监视方法，其特征在于，所述第一缺陷或所述第二缺陷的严重性sev(def_k)如下根据对应的第一缺陷或第二缺陷的签名sign_k来计算：

其中sign_k0是在所述装备开始被投入使用时针对对应的第一缺陷或第二缺陷的签名的值。

9.根据权利要求8所述的监视方法，其特征在于，所述严重性是通过神经网络、支持向量机、贝叶斯网络来计算的。

10.根据权利要求1所述的监视方法，其特征在于，所述第一缺陷或所述第二缺陷是电动机定子的短路。

11.根据权利要求1所述的监视方法，其特征在于，所述第一缺陷或所述第二缺陷是机械传动装置卡住。

Images