CN113391621A - 一种电动仿真测试转台的健康状态评估方法 - Google Patents
一种电动仿真测试转台的健康状态评估方法 Download PDFInfo
- Publication number
- CN113391621A CN113391621A CN202110694914.2A CN202110694914A CN113391621A CN 113391621 A CN113391621 A CN 113391621A CN 202110694914 A CN202110694914 A CN 202110694914A CN 113391621 A CN113391621 A CN 113391621A
- Authority
- CN
- China
- Prior art keywords
- mfst
- value
- time
- srckf
- performance
- 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
Links
Images
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
一种电动仿真测试转台的健康状态评估方法,它涉及一种健康状态评估方法,具体涉及一种电动仿真测试转台的健康状态评估方法。本发明为了解决电动飞行仿真测试转台设备的妥善率和可靠性较低时则会造成测试计划延误,甚至被测设备损坏的问题。本发明的具体步骤如下:步骤一、分析电动仿真测试转台的关键性能及关键组件性能,给出各性能的评价标准及相关测试参数;步骤二、利用基于多重渐消因子的均方根容积卡尔曼滤波组成的循环推挽滤波器组方法实现控制系统内部器件重要参数的在线辨识以及伺服系统传感器的故障辨识;步骤三、基于数据与模型混合驱动的方法进行控制系统整体性能的评估。本发明属于机电设备控制及故障诊断与健康管理领域。
Description
技术领域
本发明涉及一种健康状态评估方法,具体涉及一种电动仿真测试转台的健康状态评估方法,属于机电设备控制及故障诊断与健康管理领域。
背景技术
飞行仿真转台是一种典型的,控制精度要求较高的伺服控制系统。飞行仿真转台是一种半实物仿真设备,是一种对惯性导航与制导系统性能检测评估的测试设备,对于飞行器控制系统的研发以及性能测试有着不可替代的重要作用,飞行仿真转台设备的研究具有巨大的经济价值和战略意义。
飞行器等设备的性能测试与验证受成本及研发时间所限,难以频繁的开展实际飞行测试,往往需要借助飞行仿真转台设备在地面进行半实物仿真测试,在充分地模拟其在真实环境下的运动特性的同时,大幅减少研发成本与时间,而这种情况下飞行转台设备的妥善率和可靠性较低时则会造成测试计划延误,甚至被测设备损坏等后果。所以提升地面测试设备的自我健康状态感知能力,并及时反馈给用户,提早察觉故障隐患,方便用户根据设备状态进行测试任务安排,并能够提前且更加灵活地进行维护,提升设备的可靠性和妥善率,减少财产以及时间的损失。
发明内容
本发明为解决电动飞行仿真测试转台设备的妥善率和可靠性较低时则会造成测试计划延误,甚至被测设备损坏的问题,而目前尚无有效方法实现此类设备较为完善的故障预测与健康管理功能,进而提出一种仿真测试转台的健康状态评估方法。
本发明为解决上述问题采取的技术方案是:本发明所述方法的具体步骤如下:
步骤一、分析电动仿真测试转台的关键性能及关键组件性能,给出各性能的评价标准及相关测试参数;
步骤二、利用基于多重渐消因子的均方根容积卡尔曼滤波组成的循环推挽滤波器组方法实现控制系统内部器件重要参数的在线辨识以及伺服系统传感器的故障辨识;
步骤三、基于数据与模型混合驱动的方法进行控制系统整体性能的评估。
进一步的,步骤一中仿真测试转台的性能指标包括时域性能指标、频域性能指标、稳态性能指标;其中时域性能指标包括峰值时间、调整时间、超调量;频域性能指标包括频带宽度、谐振峰值、相角裕度、幅值裕度;稳态性能指标包括速率误差、速率波动。
进一步的,步骤一中仿真测试转台的关键组件性能包括电机性能、驱动器性能、传感器性能;其中电机性能包括电枢电阻、电枢电感、反电势系数、电机动子粘滞摩擦系数;三相电流不平衡度、温度、振动信号;驱动器性能包括放大系数;传感器性能包括故障类型及程度。
进一步的,针对时域性能指标,对系统进行指定输入测试,利用阶跃信号作为输入指令,检测系统的位置输出响应,并从系统的阶跃跟踪信号中获取峰值时间tp,调整时间ts,超调量σp作为健康特征;
峰值时间tp指系统单位阶跃响应曲线超过其稳态值而达到第一个峰值所需要的时间
调整时间ts指输出阶跃响应进入稳态值ys±Δ误差带范围内所需要的时间,其中一般取Δ=0.02或Δ=0.05。
针对频域性能指标,对系统进行指定输入信号测试,扫频后获取系统闭环Bode图,并从中得到系统带宽ωc,谐振峰值Mr,幅值裕度h,相角裕度γ作为健康特征;
其中,系统带宽ωc计算方法为闭环Bode图中幅频曲线-20lg|System(jω)|=-3dB时的ω值,即ωc=ω,单位为Hz。
谐振峰值Mr计算方法为,取闭环Bode图中幅频曲线频率响应的最大值,单位为dB。
相角裕度γ计算方法为,将ωc代入γ=∠System(jωc)+180°即可得到相角裕度,单位为°。
针对稳态性能指标,对系统进行指定输入测试,利用斜坡信号作为输入指令,检测系统的位置输出响应,并从系统的斜坡跟踪信号中获取速率误差δω,速率波动σω作为健康特征;
速率波动σω计算方法为,取上述ωi=Δθ/Ti,i=1,2,…10的方差为σω。
针对电机需要利用传感器获取三相电流的不平衡度,以及电机运行温度,提取电机本体振动信号的时域下的峭度统计特征作为健康特征。
其中三相电流不平衡度计算方法为,在电机三相电流波形一个2π周期结束后,分别得到三相电流正负半波峰值IA-max,IA-min,IB-max,IB-min,IC-max,IC-min,单位为A。则三相不平衡量平均值为Iun=[(IA-max-IA-min)/2+(IB-max-IB-min)/2+(IC-max-IC-min)/2]/3。
其中电机运行温度需要实时采集,单位为℃。以监视电机运行状况和辅助修正运行正常发热导致的电枢电阻及反电势系数的变化。
温度修正后的电枢电阻为R=RT/[1+αT(T-T0)],其中R为导体在正常初始温度T0下的电阻值,RT为导体在运行温度T下的电阻值,αT为导体的电阻温度系数。
温度修正后的反电势系数为δBl=δBTl/[1+αBT(T-T0)],式中,δBl为永磁体材料在正常初始温度T0下的反电势系数,δBTl为永磁体材料在温度T下的反电势系数,αBT为材料的剩磁温度系数。
其中振动信号的时域下的峭度统计特征计算方法为,k=E(x-μ)4/σ4,在测得电机的振动信号基础上,以2s为滑动时间窗口,其中x为实时测得的振动加速度信号,单位为mm/s2,μ为时滑动间窗口内x的均值,E(·)表示期望值,σ为滑动时间窗口内x的标准差。
进一步的,步骤三中评估方法的具体步骤如下:
步骤a、结合健康指标体系内的各项指标在系统内安装相应的传感器以及完善相应数据获取途径;
步骤b、针对系统中基于模型驱动部分,建立电动飞行测试仿真转台的控制系统数学模型,基于多重渐消因子的均方根容积卡尔曼滤波(Multi Fading Strong Tracking-Square Root cubature Kalman Filter,MFST-SRCKF)组成的循环推挽滤波器组实现对控制系统内多参数的在线联合估计,以及控制系统中传感器的故障诊断,得到相应的指标数据;
步骤c、针对系统中基于数据驱动部分,通过相应的传感器获取各组件的运行状态数据电机本体性能参数指标,并以及定期的,利用多种指定输入信号对系统进行控制系统的性能测试,得到相应的时域性能指标、频域性能指标、稳态性能指标;
步骤d、在已得到上述评价指标体系中的各项数据的基础上,计算当前时刻的各特征指标与健康标称值之间的偏离程度,并结合模糊隶属度函数计算各指标表征下的系统健康状态隶属度;
步骤e、根据改进DS证据融合理论对各指标在多时间尺度条件下的健康状态隶属度,进行多维融合,得出在多重健康多时间尺度状态指标体系评估下的整体系统健康状态及其隶属度;
步骤f、将上述多项指标不断积累,形成历史数据序列,结合GRU神经网络算法利用历史数据,执行系统的健康状态预测功能。
进一步的,步骤b中一种多MFST-SRCKF的循环推挽结构算法,能够在不引入额外模型内部数学关系方程的条件下,通过对多个滤波器数学模型进行实时的更新,来实现多参数联合辨识的目标,且辨识精度也能够达到要求;其主要思想即将多个需要辨识观测参数合理分配给多个容积卡尔曼滤波器,每一个步长内只有一个滤波器在进行运算工作,同理,由于步长很短,可以在这个短暂的迭代过程中将其他滤波器的计算结果近似系数冻结,传递给当前工作的滤波器,即多个滤波器相互交替工作,且利用滤波器之间进行参数的互相传递交换实现最终的准确辨识。
进一步的,步骤b中的系统数学模型可写为如下形式
Kps为驱动器放大系数;Kv为电流放大系数;δBl为反电势系数;R为电枢电阻;L为电枢电感;m为等效负载质量;C为粘滞摩擦系数;f1为位置传感器的加性故障信号。对其中的Kps·Kv,δBl,R,L,C,f1六个参数进行辨识,将这些参数合理分配给多个容积卡尔曼滤波器。
进一步的,一种多MFST-SRCKF的循环推挽结构算法的具体流程为:循环结构首先从外部接收参数初值,由事先根据已知信息或通过测量给出,在本文中,假设外部初值能够被较为准确地给出,不会与实际值出现过大偏差导致系统发散;MFST-SRCKF模型1接收全部外部初值并根据指定工作时间步长开始工作,与此同时其余两个MFST-SRCKF模型停止运行等待至MFST-SRCKF模型1输出两个内部观测参数,由于故障缓变的参数漂移通常在很长的时间尺度上才能观测出来,因此在几秒内的单次运行可以将部分视为常值,MFST-SRCKF模型1将运行时间内的观测参数求取均值,与MFST-SRCKF模型2与MFST-SRCKF模型3进行观测参数与初始值的交换传递,并使MFST-SRCKF模型2继续根据指定步长继续运行,单次运行结束后与MFST-SRCKF模型1和MFST-SRCKF模型3继续交换相应参数,使MFST-SRCKF模型3得到MFST-SRCKF模型1和MFST-SRCKF模型2观测均值之后接替运行,单次运行结束后与MFST-SRCKF模型1和MFST-SRCKF模型2进行参数交换,至此一个单次链式推挽结束,并将当前时刻的模型参数更新信息传递给MFST-SRCKF模型4进行传感器的故障信号估计,最后分别将MFST-SRCKF模型1、MFST-SRCKF模型2、MFST-SRCKF模型3的观测值输出作为联合参数观测结果,MFST-SRCKF模型4的观测值输出作为传感器的故障信号估计结果;在以上过程当中可以根据实际情况适当调整3个MFST-SRCKF的工作步长,当某些观测参数变化比较明显需要实现较为精确的跟踪,而有些参数变化不明显或无变化,则可以指定该参数所隶属的MFST-SRCKF时间步长变大,其他MFST-SRCKF运行时间减小,将重点关注参数的刷新频率提高,从而实现同一工作周期内的观测重心转移,提高目标参数精度。
进一步的,步骤d中的偏离程度是一种服役时间较长的设备,如果仅凭单次监测数据作为评估其健康状态的依据显然具有一定的片面性,为此,需要引入多时间尺度上的指标作为依据,同时也要引入对评估指标进行归一量化处理的方法;归一量化方法应当包含三部分的数据源:当前时刻指标和历史指标平均值差异λhistory,当前时刻指标和上一时刻指标的差异λlast以及当前时刻指标和给定标称值的差异λstd,进一步对前文提到的三种不同时间尺度的衡量指标进行融合得出一个具有代表性的健康指数λ。
鉴于三者的计算方式相接近,以下仅列举当前时刻指标和标称数据差异的计算过程。
首先,计算当前辨识数据与标称数据均值的偏差的绝对值,然后对偏离值进行归一量化得到λstd,具体归一化方法选取如下非线性函数,函数表达式为:
δstd=|x-xstd|
式中,δ0为误差阈值,x表示当前辨识值;xstd表示标称数据值;
对于当前辨识值和上一时刻辨识值偏离程度的归一量化值λlast以及与当前辨识值与历史辨识值均值的归一量化值λhistory,均可参考上述方法进行处理。
进一步的,多时间尺度融合的健康指数λ计算方法如下:
可以利用系统性能与理想状态之间的偏移差异λ为基础,将系统中的内部参数或性能指标的与正常值的偏离状态大致分割为{优,良,中,中下,差,高发},6种健康状态等级,该状态的合集即为模糊集U。各个健康状态之间并无法进行十分明确具体的界限划分,不同的状态之间往往存在一个过渡的区域,这些模糊地带通常需要根据系统实际的性能退化进程与相关的专家经验知识进行定义,状态隶属度的判别采用了三角模糊隶属度函数的形式。
进一步的,步骤e中的DS证据融合理论采用基于局部冲突分配方法,在冲突处理方面,引入局部分配冲突的思想之后,表达式可以概括为:
式中,A,B,C代表隶属模糊事件,m(·)为该事件的模糊隶属度,c(A)表示局部冲突中分配给焦元A的冲突部分;合成算式为:
本发明的有益效果是:本发明具体涉及一种电动仿真测试转台的健康状态评估方法,将模型驱动与数据驱动相结合,同时实现伺服系统传感器故障诊断、伺服系统内部参数辨识、以及关键组件性能数据采集,将不便于安装传感器测量的参数与传感器测量参数相结合,获得更全面的系统健康评估特征参数。其中,模型驱动部分的MFST-SRCKF推挽循环算法实现利用较少的传感器测量信息获取更多的内部参数辨识和故障诊断结果,解决参数辨识中存在的欠秩问题,同时由于采用了多重渐消因子强跟踪功能改进的均方根容积卡尔曼滤波,使得其能很好的适应强非线性系统并且对系统模型内存在的不确定性及扰动具有较强的鲁棒性,参数辨识以及故障估计的精度得到很大的提高。数据驱动部分将控制系统性能的测试数据特征与硬件运行数据特征结合,得到了更为全面的健康评估准则。基于上述指标分别送入健康状态实时评估模块和健康状态预测模块。其中健康状态实时评估模块利用上述指标进行多时间尺度偏移程度计算,最后利用模糊隶属度计算、改进DS证据融合理论实现多指标多时间尺度条件下的健康状态评估。其中健康状态预测模块是利用GRU神经网络预测后的指标参数重复进行上述健康评估步骤,得到未来时刻的健康状态隶属度序列。经过上述方法实现了电动飞行测试仿真转台的健康管理功能,使得工程人员能够对设备的健康状态实时掌握以及有效预测,提升地面测试设备的自我健康状态感知能力,并及时反馈给用户,提早察觉故障隐患,方便用户根据设备状态进行测试任务安排,并能够提前且更加灵活地进行维护,提升设备的可靠性和妥善率,减少财产以及时间的损失。并且通过该方法得到的电动转台健康评估结果更为准确。
附图说明
图1是本发明的流程框图;
图2是多MFST-SRCKF的循环推挽结构算法流程框图;
图3是偏离程度计算流程框图。
图4是健康状态三角模糊隶属度函数图。
具体实施方式
具体实施方式一:结合图1至图4说明本实施方式,本实施方式所述一种仿真测试转台的健康状态评估方法的具体步骤如下:
步骤一、分析电动仿真测试转台的关键性能及关键组件性能,给出各性能的评价标准及相关测试参数;
步骤二、利用基于多重渐消因子的均方根容积卡尔曼滤波组成的循环推挽滤波器组方法实现控制系统内部器件重要参数的在线辨识以及伺服系统传感器的故障辨识;
步骤三、基于数据与模型混合驱动的方法进行控制系统整体性能的评估。
具体实施方式二:结合图1至图4说明本实施方式,本实施方式所述一种仿真测试转台的健康状态评估方法的步骤一中仿真测试转台的性能指标包括时域性能指标、频域性能指标、稳态性能指标;其中时域性能指标包括峰值时间、调整时间、超调量、上升时间;频域性能指标包括频带宽度、谐振峰值、相角裕度、幅值裕度;稳态性能指标包括定位精度、速率误差、速率波动、转矩波动。
具体实施方式三:结合图1至图4说明本实施方式,本实施方式所述一种仿真测试转台的健康状态评估方法的步骤一中仿真测试转台的关键组件性能包括电机性能、驱动器性能、传感器性能;其中电机性能包括电枢电阻、电枢电感、反电势系数、电机动子粘滞摩擦系数;三相电流不平衡度、温度、振动信号;驱动器性能包括放大系数;传感器性能包括故障类型及程度。
具体实施方式四:结合图1至图4说明本实施方式,本实施方式所述一种仿真测试转台的针对时域性能指标,对系统进行指定输入测试,利用阶跃信号作为输入指令,检测系统的位置输出响应,并从系统的阶跃跟踪信号中获取峰值时间tp,调整时间ts,超调量σp作为健康特征;
峰值时间tp指系统单位阶跃响应曲线超过其稳态值而达到第一个峰值所需要的时间
调整时间ts指输出阶跃响应进入稳态值ys±Δ误差带范围内所需要的时间,其中一般取Δ=0.02或Δ=0.05;
针对频域性能指标,对系统进行指定输入信号测试,扫频后获取系统闭环Bode图,并从中得到系统带宽ωc,谐振峰值Mr,幅值裕度h,相角裕度γ作为健康特征;
其中,系统带宽ωc计算方法为闭环Bode图中幅频曲线-20lg|System(jω)|=-3dB时的ω值,即ωc=ω,单位为Hz;
谐振峰值Mr计算方法为,取闭环Bode图中幅频曲线频率响应的最大值,单位为dB;
相角裕度γ计算方法为,将ωc代入γ=∠System(jωc)+180°即可得到相角裕度,单位为°;
针对稳态性能指标,对系统进行指定输入测试,利用斜坡信号作为输入指令,检测系统的位置输出响应,并从系统的斜坡跟踪信号中获取速率误差δω,速率波动σω作为健康特征;
速率波动σω计算方法为,取上述ωi=Δθ/Ti,i=1,2,…10的方差为σω;
针对电机需要利用传感器获取三相电流的不平衡度,以及电机运行温度,提取电机本体振动信号的时域下的峭度统计特征作为健康特征;
其中三相电流不平衡度计算方法为,在电机三相电流波形一个2π周期结束后,分别得到三相电流正负半波峰值IA-max,IA-min,IB-max,IB-min,IC-max,IC-min,单位为A。则三相不平衡量平均值为Iun=[(IA-max-IA-min)/2+(IB-max-IB-min)/2+(IC-max-IC-min)/2]/3;
其中电机运行温度需要实时采集,单位为℃。以监视电机运行状况和辅助修正运行正常发热导致的电枢电阻及反电势系数的变化;
温度修正后的电枢电阻为R=RT/[1+αT(T-T0)],其中R为导体在正常初始温度T0下的电阻值,RT为导体在运行温度T下的电阻值,αT为导体的电阻温度系数;
温度修正后的反电势系数为δBl=δBTl/[1+αBT(T-T0)],式中,δBl为永磁体材料在正常初始温度T0下的反电势系数,δBTl为永磁体材料在温度T下的反电势系数,αBT为材料的剩磁温度系数;
其中振动信号的时域下的峭度统计特征计算方法为,k=E(x-μ)4/σ4,在测得电机的振动信号基础上,以2s为滑动时间窗口,其中x为实时测得的振动加速度信号,单位为mm/s2,μ为时滑动间窗口内x的均值,E(·)表示期望值,σ为滑动时间窗口内x的标准差。
具体实施方式五:结合图1至图4说明本实施方式,本实施方式所述一种仿真测试转台的步骤三中评估方法的具体步骤如下:
步骤a、结合健康指标体系内的各项指标在系统内安装相应的传感器以及完善相应数据获取途径;
步骤b、针对系统中基于模型驱动部分,建立电动飞行测试仿真转台的控制系统数学模型,基于多重渐消因子的均方根容积卡尔曼滤波(MFST-SRCKF)组成的循环推挽滤波器组实现对控制系统内多参数的在线联合估计,以及控制系统中传感器的故障诊断,得到相应的指标数据;
步骤c、针对系统中基于数据驱动部分,通过相应的传感器获取各组件的运行状态数据电机本体性能参数指标,并以及定期的,利用多种指定输入信号对系统进行控制系统的性能测试,得到相应的时域性能指标、频域性能指标、稳态性能指标;
步骤d、在已得到上述评价指标体系中的各项数据的基础上,计算当前时刻的各特征指标与健康标称值之间的偏离程度,并结合模糊隶属度函数计算各指标表征下的系统健康状态隶属度;
步骤e、根据改进DS证据融合理论对各指标在多时间尺度条件下的健康状态隶属度,进行多维融合,得出在多重健康多时间尺度状态指标体系评估下的整体系统健康状态及其隶属度;
步骤f、将上述多项指标不断积累,形成历史数据序列,结合GRU神经网络算法利用历史数据,执行系统的健康状态预测功能。
具体实施方式六:结合图1至图4说明本实施方式,本实施方式所述一种电动仿真测试转台的步骤b中一种多MFST-SRCKF的循环推挽结构算法,能够在不引入额外模型内部数学关系方程的条件下,通过对多个滤波器数学模型进行实时的更新,来实现多参数联合辨识的目标,且辨识精度也能够达到要求;其主要思想即将多个需要辨识观测参数合理分配给多个容积卡尔曼滤波器,每一个步长内只有一个滤波器在进行运算工作,同理,由于步长很短,可以在这个短暂的迭代过程中将其他滤波器的计算结果近似系数冻结,传递给当前工作的滤波器,其运行结构与推挽式电路工作方式较为类似,即多个滤波器相互交替工作,且利用滤波器之间进行参数的互相传递交换实现最终的准确辨识。
具体实施方式七:结合图1至图4说明本实施方式,本实施方式所述步骤b中的系统数学模型可写为如下形式
Kps为驱动器放大系数;Kv为电流放大系数;δBl为反电势系数;R为电枢电阻;L为电枢电感;m为等效负载质量;C为粘滞摩擦系数;f1为位置传感器的加性故障信号;对其中的Kps·Kv,δBl,R,L,C,f1六个参数进行辨识,将这些参数合理分配给多个容积卡尔曼滤波器。
具体实施方式八:结合图1至图4说明本实施方式,本实施方式所述一种电动仿真测试转台的健康状态评估方法的一种多MFST-SRCKF的循环推挽结构算法的具体流程为:循环结构首先从外部接收参数初值,由我们事先根据已知信息或通过测量给出,在本文中,假设外部初值能够被较为准确地给出,不会与实际值出现过大偏差导致系统发散;MFST-SRCKF模型1接收全部外部初值并根据指定工作时间步长开始工作,与此同时其余两个MFST-SRCKF模型停止运行等待至MFST-SRCKF模型1输出两个内部观测参数,由于故障缓变的参数漂移通常在很长的时间尺度上才能观测出来,因此在几秒内的单次运行可以将部分视为常值,MFST-SRCKF模型1将运行时间内的观测参数求取均值,与MFST-SRCKF模型2与MFST-SRCKF模型3进行观测参数与初始值的交换传递,并使MFST-SRCKF模型2继续根据指定步长继续运行,单次运行结束后与MFST-SRCKF模型1和MFST-SRCKF模型3继续交换相应参数,使MFST-SRCKF模型3得到MFST-SRCKF模型1和MFST-SRCKF模型2观测均值之后接替运行,单次运行结束后与MFST-SRCKF模型1和MFST-SRCKF模型2进行参数交换,至此一个单次链式推挽结束,并将当前时刻的模型参数更新信息传递给MFST-SRCKF模型4进行传感器的故障信号估计,最后分别将MFST-SRCKF模型1、MFST-SRCKF模型2、MFST-SRCKF模型3的观测值输出作为联合参数观测结果,MFST-SRCKF模型4的观测值输出作为传感器的故障信号估计结果;在以上过程当中可以根据实际情况适当调整3个MFST-SRCKF的工作步长,当某些观测参数变化比较明显需要实现较为精确的跟踪,而有些参数变化不明显或无变化,则可以指定该参数所隶属的MFST-SRCKF时间步长变大,其他MFST-SRCKF运行时间减小,将重点关注参数的刷新频率提高,从而实现同一工作周期内的观测重心转移,提高目标参数精度。
具体实施方式九:结合图1至图4说明本实施方式,本实施方式所述一种电动仿真测试转台的健康状态评估方法的步骤d中的偏离程度是一种服役时间较长的设备,如果仅凭单次监测数据作为评估其健康状态的依据显然具有一定的片面性,为此,我们需要引入多时间尺度上的指标作为依据,同时也要引入对评估指标进行归一量化处理的方法;归一量化方法应当包含三部分的数据源:当前时刻指标和历史指标平均值差异λhistory,当前时刻指标和上一时刻指标的差异λlast以及当前时刻指标和给定标称值的差异λstd,进一步对前文提到的三种不同时间尺度的衡量指标进行融合得出一个具有代表性的健康指数λ;
当前时刻指标和标称数据差异的计算过程。
首先,计算当前辨识数据与标称数据均值的偏差的绝对值,然后对偏离值进行归一量化得到λstd,具体归一化方法选取如下非线性函数,函数表达式为:
δstd=|x-xstd|
式中,δ0为误差阈值,x表示当前辨识值;xstd表示标称数据值;
对于当前辨识值和上一时刻辨识值偏离程度的归一量化值λlast以及与当前辨识值与历史辨识值均值的归一量化值λhistory,均可参考上述方法进行处理。
进一步的,多时间尺度融合的健康指数λ计算方法如下:
可以利用系统性能与理想状态之间的偏移差异λ为基础,将系统中的内部参数或性能指标的与正常值的偏离状态大致分割为{优,良,中,中下,差,高发},6种健康状态等级,该状态的合集即为模糊集U。各个健康状态之间并无法进行十分明确具体的界限划分,不同的状态之间往往存在一个过渡的区域,这些模糊地带通常需要根据系统实际的性能退化进程与相关的专家经验知识进行定义,状态隶属度的判别采用了三角模糊隶属度函数的形式。
优秀状态表示系统健康状态非常好,能够长时间以设计性能指标运行,满足长期使用的需求;良好状态表示系统健康状态仍属正常,虽然与优秀状态相比有一定恶化,但影响较轻微,不影响实际运行;中状态表示系统健康状态相比初始状态已出现稍明显的退化,使用时应当注意观察;中下状态表示系统健康状态退化十分明显,是整体状态演化的标志性分水岭,应减少超负荷使用;差状态表示系统健康状态严重恶化,短期内极易出现故障;高发状态表示系统健康状态已无法正常使用,需要立即停机并实施维护。
DS证据融合理论采用基于局部冲突分配方法,在冲突处理方面,引入局部分配冲突的思想之后,表达式可以概括为:
式中,A,B,C代表隶属模糊事件,m(·)为该事件的模糊隶属度,c(A)表示局部冲突中分配给焦元A的冲突部分。合成算式为:
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (9)
1.一种电动仿真测试转台的健康状态评估方法,其特征在于:所述一种电动仿真测试转台的健康状态评估方法的具体步骤如下:
步骤一、分析电动仿真测试转台的关键性能及关键组件性能,给出各性能的评价标准及相关测试参数;
步骤二、利用基于多重渐消因子的均方根容积卡尔曼滤波组成的循环推挽滤波器组方法实现控制系统内部器件重要参数的在线辨识以及伺服系统传感器的故障辨识;
步骤三、基于数据与模型混合驱动的方法进行控制系统整体性能的评估。
2.根据权利要求1所述一种电动仿真测试转台的健康状态评估方法,其特征在于:步骤一中仿真测试转台的性能指标包括时域性能指标、频域性能指标、稳态性能指标;其中时域性能指标包括峰值时间、调整时间、超调量、上升时间;频域性能指标包括频带宽度、谐振峰值、相角裕度、幅值裕度;稳态性能指标包括定位精度、速率误差、速率波动、转矩波动。
3.根据权利要求1所述一种电动仿真测试转台的健康状态评估方法,其特征在于:步骤一中仿真测试转台的关键组件性能包括电机性能、驱动器性能、传感器性能;其中电机性能包括电枢电阻、电枢电感、反电势系数、电机动子粘滞摩擦系数;三相电流不平衡度、温度、振动信号;驱动器性能包括放大系数;传感器性能包括故障类型及程度。
4.根据权利要求2或3所述一种电动仿真测试转台的健康状态评估方法,其特征在于:针对时域性能指标,对系统进行指定输入测试,利用阶跃信号作为输入指令,检测系统的位置输出响应,并从系统的阶跃跟踪信号中获取峰值时间tp,调整时间ts,超调量σp作为健康特征;
峰值时间tp指系统单位阶跃响应曲线超过其稳态值而达到第一个峰值所需要的时间
调整时间ts指输出阶跃响应进入稳态值ys±Δ误差带范围内所需要的时间,其中一般取Δ=0.02或Δ=0.05。
针对频域性能指标,对系统进行指定输入信号测试,扫频后获取系统闭环Bode图,并从中得到系统带宽ωc,谐振峰值Mr,幅值裕度h,相角裕度γ作为健康特征;
其中,系统带宽ωc计算方法为闭环Bode图中幅频曲线-20lg|System(jω)|=-3dB时的ω值,即ωc=ω,单位为Hz;
谐振峰值Mr计算方法为,取闭环Bode图中幅频曲线频率响应的最大值,单位为dB;
相角裕度γ计算方法为,将ωc代入γ=∠System(jωc)+180°即可得到相角裕度,单位为°;
针对稳态性能指标,对系统进行指定输入测试,利用斜坡信号作为输入指令,检测系统的位置输出响应,并从系统的斜坡跟踪信号中获取速率误差δω,速率波动σω作为健康特征;
速率波动σω计算方法为,取上述ωi=Δθ/Ti,i=1,2,…10的方差为σω;
针对电机需要利用传感器获取三相电流的不平衡度,以及电机运行温度,提取电机本体振动信号的时域下的峭度统计特征作为健康特征;
其中三相电流不平衡度计算方法为,在电机三相电流波形一个2π周期结束后,分别得到三相电流正负半波峰值IA-max,IA-min,IB-max,IB-min,IC-max,IC-min,单位为A。则三相不平衡量平均值为Iun=[(IA-max-IA-min)/2+(IB-max-IB-min)/2+(IC-max-IC-min)/2]/3;
其中电机运行温度需要实时采集,单位为℃;以监视电机运行状况和辅助修正运行正常发热导致的电枢电阻及反电势系数的变化;
温度修正后的电枢电阻为R=RT/[1+αT(T-T0)],其中R为导体在正常初始温度T0下的电阻值,RT为导体在运行温度T下的电阻值,αT为导体的电阻温度系数;
温度修正后的反电势系数为δBl=δBTl/[1+αBT(T-T0)],式中δBl为永磁体材料在正常初始温度T0下的反电势系数,δBTl为永磁体材料在温度T下的反电势系数,αBT为材料的剩磁温度系数;
其中振动信号的时域下的峭度统计特征计算方法为,k=E(x-μ)4/σ4,在测得电机的振动信号基础上,以2s为滑动时间窗口,其中x为实时测得的振动加速度信号,单位为mm/s2,μ为时滑动间窗口内x的均值,E(·)表示期望值,σ为滑动时间窗口内x的标准差。
5.根据权利要求1所述一种电动仿真测试转台的健康状态评估方法,其特征在于:步骤三中评估方法的具体步骤如下:
步骤a、结合健康指标体系内的各项指标在系统内安装相应的传感器以及完善相应数据获取途径;
步骤b、针对系统中基于模型驱动部分,建立电动飞行测试仿真转台的控制系统数学模型,基于多重渐消因子的均方根容积卡尔曼滤波(MFST-SRCKF)组成的循环推挽滤波器组实现对控制系统内多参数的在线联合估计,以及控制系统中传感器的故障诊断,得到相应的指标数据;
步骤c、针对系统中基于数据驱动部分,通过相应的传感器获取各组件的运行状态数据电机本体性能参数指标,并以及定期的,利用多种指定输入信号对系统进行控制系统的性能测试,得到相应的时域性能指标、频域性能指标、稳态性能指标;
步骤d、在已得到上述评价指标体系中的各项数据的基础上,计算当前时刻的各特征指标与健康标称值之间的偏离程度,并结合模糊隶属度函数计算各指标表征下的系统健康状态隶属度;
步骤e、根据改进DS证据融合理论对各指标在多时间尺度条件下的健康状态隶属度,进行多维融合,得出在多重健康多时间尺度状态指标体系评估下的整体系统健康状态及其隶属度;
步骤f、将上述多项指标不断积累,形成历史数据序列,结合GRU神经网络算法利用历史数据,执行系统的健康状态预测功能。
6.根据权利要求5所述一种电动仿真测试转台的健康状态评估方法,其特征在于:步骤b中一种多MFST-SRCKF的循环推挽结构算法,能够在不引入额外模型内部数学关系方程的条件下,通过对多个滤波器数学模型进行实时的更新,来实现多参数联合辨识的目标,且辨识精度也能够达到要求;其主要思想即将多个需要辨识观测参数合理分配给多个容积卡尔曼滤波器,每一个步长内只有一个滤波器在进行运算工作,同理,由于步长很短,可以在这个短暂的迭代过程中将其他滤波器的计算结果近似系数冻结,传递给当前工作的滤波器,其运行结构与推挽式电路工作方式较为类似,即多个滤波器相互交替工作,且利用滤波器之间进行参数的互相传递交换实现最终的准确辨识。
8.根据权利要求6所述一种电动仿真测试转台的健康状态评估方法,其特征在于:一种多MFST-SRCKF的循环推挽结构算法的具体流程为:循环结构首先从外部接收参数初值,由我们事先根据已知信息或通过测量给出,在本文中,假设外部初值能够被较为准确地给出,不会与实际值出现过大偏差导致系统发散;MFST-SRCKF模型1接收全部外部初值并根据指定工作时间步长开始工作,与此同时其余两个MFST-SRCKF模型停止运行等待至MFST-SRCKF模型1输出两个内部观测参数,由于故障缓变的参数漂移通常在很长的时间尺度上才能观测出来,因此在几秒内的单次运行可以将部分视为常值,MFST-SRCKF模型1将运行时间内的观测参数求取均值,与MFST-SRCKF模型2与MFST-SRCKF模型3进行观测参数与初始值的交换传递,并使MFST-SRCKF模型2继续根据指定步长继续运行,单次运行结束后与MFST-SRCKF模型1和MFST-SRCKF模型3继续交换相应参数,使MFST-SRCKF模型3得到MFST-SRCKF模型1和MFST-SRCKF模型2观测均值之后接替运行,单次运行结束后与MFST-SRCKF模型1和MFST-SRCKF模型2进行参数交换,至此一个单次链式推挽结束,并将当前时刻的模型参数更新信息传递给MFST-SRCKF模型4进行传感器的故障信号估计,最后分别将MFST-SRCKF模型1、MFST-SRCKF模型2、MFST-SRCKF模型3的观测值输出作为联合参数观测结果,MFST-SRCKF模型4的观测值输出作为传感器的故障信号估计结果;在以上过程当中可以根据实际情况适当调整3个MFST-SRCKF的工作步长,当某些观测参数变化比较明显需要实现较为精确的跟踪,而有些参数变化不明显或无变化,则可以指定该参数所隶属的MFST-SRCKF时间步长变大,其他MFST-SRCKF运行时间减小,将重点关注参数的刷新频率提高,从而实现同一工作周期内的观测重心转移,提高目标参数精度。
9.根据权利要求5所述一种电动仿真测试转台的健康状态评估方法,其特征在于:步骤d中的偏离程度是一种服役时间较长的设备,如果仅凭单次监测数据作为评估其健康状态的依据显然具有一定的片面性,为此,我们需要引入多时间尺度上的指标作为依据,同时也要引入对评估指标进行归一量化处理的方法;归一量化方法应当包含三部分的数据源:当前时刻指标和历史指标平均值差异λhistory,当前时刻指标和上一时刻指标的差异λlast以及当前时刻指标和给定标称值的差异λstd;
当前时刻指标和标称数据差异的计算过程;
首先,计算当前辨识数据与标称数据均值的偏差的绝对值,然后对偏离值进行归一量化得到λstd,具体归一化方法选取如下非线性函数,函数表达式为:
δstd=|x-xstd|
式中,δ0为误差阈值,x表示当前辨识值;xstd表示标称数据值;
对于当前辨识值和上一时刻辨识值偏离程度的归一量化值λlast以及与当前辨识值与历史辨识值均值的归一量化值λhistory,均可参考上述方法进行处理;
可以利用系统性能与理想状态之间的偏移差异为基础,将系统中的内部参数或性能指标的与正常值的偏离状态大致分割为{优,良,中,中下,差,高发},6种健康状态等级,该状态的合集即为模糊集U。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694914.2A CN113391621B (zh) | 2021-06-23 | 2021-06-23 | 一种电动仿真测试转台的健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694914.2A CN113391621B (zh) | 2021-06-23 | 2021-06-23 | 一种电动仿真测试转台的健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113391621A true CN113391621A (zh) | 2021-09-14 |
CN113391621B CN113391621B (zh) | 2022-03-25 |
Family
ID=77623660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694914.2A Active CN113391621B (zh) | 2021-06-23 | 2021-06-23 | 一种电动仿真测试转台的健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113391621B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985280A (zh) * | 2021-11-01 | 2022-01-28 | 上海汽车变速器有限公司 | 永磁同步电机测试方法、装置、设备及存储介质 |
CN114157902A (zh) * | 2021-12-02 | 2022-03-08 | 瑞森网安(福建)信息科技有限公司 | 一种无线投屏方法、系统及存储介质 |
CN114202212A (zh) * | 2021-12-15 | 2022-03-18 | 北京中科智易科技有限公司 | 一种防化装备数据采集及分析评估方法及系统 |
CN114372436A (zh) * | 2022-01-07 | 2022-04-19 | 西安海云物联科技有限公司 | 一种基于WiFi6 PA动态EVM的仿真设计测试方法 |
CN116702510A (zh) * | 2023-08-01 | 2023-09-05 | 聊城市誉林工业设计有限公司 | 基于工业信息和数据处理的换向器超速性能仿真计算方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120304164A1 (en) * | 2011-05-25 | 2012-11-29 | Honeywell International Inc. | Systems and methods to configure condition based health maintenance systems |
EP2837983A1 (en) * | 2013-08-14 | 2015-02-18 | BAE Systems PLC | Assessment of structural health of aircraft |
GB2517174A (en) * | 2013-08-14 | 2015-02-18 | Bae Systems Plc | Assessment of structural health |
CN107065551A (zh) * | 2017-04-24 | 2017-08-18 | 哈尔滨工大航博科技有限公司 | 一种基于模型参数精确辨识的仿真转台自校正控制方法 |
CN107785624A (zh) * | 2016-08-30 | 2018-03-09 | 郑州思辩科技有限公司 | 一种评估锂电池性能的方法 |
CN109814529A (zh) * | 2019-01-23 | 2019-05-28 | 北京博得交通设备有限公司 | 一种列车门故障预测与健康管理系统 |
CN110441694A (zh) * | 2019-07-23 | 2019-11-12 | 哈尔滨工业大学(威海) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 |
CN111880100A (zh) * | 2020-08-07 | 2020-11-03 | 同济大学 | 基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法 |
CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
-
2021
- 2021-06-23 CN CN202110694914.2A patent/CN113391621B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120304164A1 (en) * | 2011-05-25 | 2012-11-29 | Honeywell International Inc. | Systems and methods to configure condition based health maintenance systems |
EP2837983A1 (en) * | 2013-08-14 | 2015-02-18 | BAE Systems PLC | Assessment of structural health of aircraft |
GB2517174A (en) * | 2013-08-14 | 2015-02-18 | Bae Systems Plc | Assessment of structural health |
CN107785624A (zh) * | 2016-08-30 | 2018-03-09 | 郑州思辩科技有限公司 | 一种评估锂电池性能的方法 |
CN107065551A (zh) * | 2017-04-24 | 2017-08-18 | 哈尔滨工大航博科技有限公司 | 一种基于模型参数精确辨识的仿真转台自校正控制方法 |
CN109814529A (zh) * | 2019-01-23 | 2019-05-28 | 北京博得交通设备有限公司 | 一种列车门故障预测与健康管理系统 |
CN110441694A (zh) * | 2019-07-23 | 2019-11-12 | 哈尔滨工业大学(威海) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 |
CN111880100A (zh) * | 2020-08-07 | 2020-11-03 | 同济大学 | 基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法 |
CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
Non-Patent Citations (3)
Title |
---|
ZE YANG, BAOQING YANG, JIE MA: "Improved ADRC controller based on model information and special filter parameter methods", <2019 INTERNATIONAL CONFERENCE ON TESTING TECHNOLOGY AND INDUSTRIAL ENGINEERING> * |
彭宇,刘大同,彭喜元: "故障预测与健康管理技术综述", 《电子测量与仪器学报》 * |
杨泽: "基于状态估计与融合预测的PHM方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985280A (zh) * | 2021-11-01 | 2022-01-28 | 上海汽车变速器有限公司 | 永磁同步电机测试方法、装置、设备及存储介质 |
CN114157902A (zh) * | 2021-12-02 | 2022-03-08 | 瑞森网安(福建)信息科技有限公司 | 一种无线投屏方法、系统及存储介质 |
CN114157902B (zh) * | 2021-12-02 | 2024-03-22 | 瑞森网安(福建)信息科技有限公司 | 一种无线投屏方法、系统及存储介质 |
CN114202212A (zh) * | 2021-12-15 | 2022-03-18 | 北京中科智易科技有限公司 | 一种防化装备数据采集及分析评估方法及系统 |
CN114372436A (zh) * | 2022-01-07 | 2022-04-19 | 西安海云物联科技有限公司 | 一种基于WiFi6 PA动态EVM的仿真设计测试方法 |
CN114372436B (zh) * | 2022-01-07 | 2024-04-05 | 西安海云物联科技有限公司 | 一种基于WiFi6 PA动态EVM的仿真设计测试方法 |
CN116702510A (zh) * | 2023-08-01 | 2023-09-05 | 聊城市誉林工业设计有限公司 | 基于工业信息和数据处理的换向器超速性能仿真计算方法 |
CN116702510B (zh) * | 2023-08-01 | 2023-10-20 | 聊城市誉林工业设计有限公司 | 基于工业信息和数据处理的换向器超速性能仿真计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113391621B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113391621B (zh) | 一种电动仿真测试转台的健康状态评估方法 | |
Wang et al. | Fault prognostics using dynamic wavelet neural networks | |
Cattaneo et al. | A digital twin proof of concept to support machine prognostics with low availability of run-to-failure data | |
US20140067327A1 (en) | Similarity curve-based equipment fault early detection and operation optimization methodology and system | |
EP2653944A2 (en) | Hybrid virtual load monitoring system and method | |
EP3367198B1 (en) | Method for monitoring and diagnosing rotating machines based on signature analysis of electrical signals | |
CN109948860A (zh) | 一种机械系统剩余寿命预测方法及系统 | |
US20070168157A1 (en) | Virtual load monitoring system and method | |
CN102393726B (zh) | 火电机组agc控制器性能评估方法 | |
CN103649858A (zh) | 用于预测组件或系统状况的方法和设备及计算机程序产品 | |
JP6310722B2 (ja) | システムのパラメータ同定方法 | |
US20160012651A1 (en) | Method and a system for merging health indicators of a device | |
EP2345894B1 (en) | Trending of vibration data taking into account torque effect | |
Bittencourt et al. | Modeling and identification of wear in a robot joint under temperature uncertainties | |
CN104091056A (zh) | 一种实验室设备使用寿命预测系统和方法 | |
Sun et al. | BLDC motor speed control system fault diagnosis based on LRGF neural network and adaptive lifting scheme | |
CN112884051A (zh) | 数据驱动的轻量级无人机多部件在线复杂故障诊断方法 | |
Mrugalska | A bounded-error approach to actuator fault diagnosis and remaining useful life prognosis of Takagi-Sugeno fuzzy systems | |
CN116893643A (zh) | 一种基于数据分析的智能机器人行驶轨迹安全管控系统 | |
CN112989587B (zh) | 一种电容式电压互感器劣化成因在线分析方法及系统 | |
Song et al. | A sliding sequence importance resample filtering method for rolling bearings remaining useful life prediction based on two Wiener-process models | |
Zhang et al. | Fault diagnosis and prognosis based on lebesgue sampling | |
Dixon et al. | Application of condition monitoring to an electromechanical actuator: a parameter estimation based approach | |
CA3167167C (en) | Method for estimating load by energy meter including load estimation model based on neural network and energy meter using the same | |
KR102484471B1 (ko) | 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치 |
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 |