CN117109957A - 一种火箭支架分布式电液促动器智能检测系统 - Google Patents
一种火箭支架分布式电液促动器智能检测系统 Download PDFInfo
- Publication number
- CN117109957A CN117109957A CN202310825558.2A CN202310825558A CN117109957A CN 117109957 A CN117109957 A CN 117109957A CN 202310825558 A CN202310825558 A CN 202310825558A CN 117109957 A CN117109957 A CN 117109957A
- Authority
- CN
- China
- Prior art keywords
- data
- intelligent
- subsystem
- module
- actuator
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000013399 early diagnosis Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000012423 maintenance Methods 0.000 claims abstract description 17
- 230000001360 synchronised effect Effects 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000007726 management method Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 34
- 238000006731 degradation reaction Methods 0.000 claims description 31
- 230000015556 catabolic process Effects 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000005299 abrasion Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 10
- 238000001816 cooling Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000001228 spectrum Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及航天技术领域，提供一种火箭支架分布式电液促动器智能检测系统，包括智能数据处理子系统、智能早期诊断预测子系统、智能检测子系统、集成单元促动器、应急促动器动力源和智能管理集成子系统；智能数据处理子系统通过所述智能检测子系统的数据传输；智能早期诊断预测子系统提取所述智能数据处理子系统的样本数据；智能检测子系统控制各个集成单元促动器和应急促动器动力源，并采集数据；集成单元促动器反馈数据至所述智能检测子系统和所述智能早期诊断预测子系统；智能管理集成子系统管理维护各个集成单元促动器。本发明解决火箭支架的精准同步控制、早期诊断、故障预测、寿命预测，从而优化控制系统，降低维护费用。
Description
技术领域
本发明涉及航天技术领域，具体涉及一种火箭支架分布式电液促动器智能检测系统。
背景技术
分布式智能检测系统是21世纪的新型控制系统。随着自动化技术的发展，智能检测-维护-管理集成系统ICMMS架构分布式智能检测系统应用到分散化、多路化、独立执行的并行系统。电液促动器将电机、泵、缸、电液控制系统集成了为一体，同时进一步集成了传感器与检测、控制、保护系统；实现了体积小、重量轻、噪声低，高精度、高频响，功率自适应的特征；多个电液促动器执行机构结合分布式智能检测系统，可实现对整套系统控制-维护-管理集成系统的智能检测管理。
传统常规液压控制系统，统一的大油源，分散且长管道输送，多阀台控制支路，无用功耗大和管道损失较高，响应慢和同步性差，系统管路和控制关联较多，不利于故障分析和故障预测。
发明内容
为克服传统常规液压控制系统相关技术中存在的问题，本发明的目的之一是提供一种火箭支架分布式电液促动器智能检测系统，本发明的系统针对火箭支架多个液压缸执行控制机构，采用集成单元促动器为执行机构，通过机电系统故障早期诊断及预测系统和智能数据处理系统，应用智能检测-维护-管理集成系统ICMMS架构分布式智能检测系统对整套系统运行控制及人机界面管理，实现精准同步控制、运行稳定、可靠性高和寿命保障等性能，液压系统动力源体积小，消除长管道及阀台从而节约液压油、减少泄漏点、减少故障点、消耗功率少，便于实现智能检测。本发明利用分布式电液促动器智能检测系统，解决火箭支架的精准同步控制、早期诊断、故障预测、寿命预测，实现控制-维护-管理系统性管理工作，从而优化了控制系统，降低维护费用。
本发明采用如下技术方案：
一种火箭支架分布式电液促动器智能检测系统，包括：智能数据处理子系统、智能早期诊断预测子系统、智能检测子系统、集成单元促动器、应急促动器动力源和智能管理集成子系统；
所述智能数据处理子系统通过所述智能检测子系统的数据传输，采集筛选所述集成单元促动器的实时数据并记录存储，监控异常数据并分析反馈给智能检测子系统进行预警控制；
所述智能早期诊断预测子系统提取所述智能数据处理子系统的样本数据，分析从所述集成单元促动器和应急促动器动力源采集的数据、以及早期诊断预测子系统故障情况，反馈所述智能检测子系统应对处理；
所述智能检测子系统控制各个集成单元促动器和应急促动器动力源，并采集数据；
若干所述集成单元促动器反馈数据至所述智能检测子系统和所述智能早期诊断预测子系统；
所述应急促动器动力源与各集成单元促动器连接，集成单元促动器突发动力和信号故障时，通过智能检测子系统反馈控制，应急促动器动力源提供动力和控制信号。
所述智能管理集成子系统管理维护各个集成单元促动器。
进一步的，所述智能数据处理子系统包括等效试验样本数据库模块、智能数据采集筛选存储模块、监控实时异常数据模块、记录系统运行数据模块；
所述等效试验样本数据库模块存储泵磨损量对应振动信号数据，对磨损程度进行分类，测试不同磨损量对阶次分析特征的影响，对不同磨损状态的振动试验数据进行处理；
智能数据采集筛选存储模块对采集数据进行特征提取及数据筛选存储，并将采集和处理运行的参数发送到智能早期诊断预测子系统进行处理，智能早期诊断预测子系统将处理方案发送到智能检测子系统，智能检测子系统计算出最优运行方案指令发送执行机构；
监控实时异常数据模块对系统运行参数同步正常化数据对比监控，以及对异常数据进行分析；
记录系统运行数据模块对运行采集数据、分析反馈数据以及控制执行数据进行记录。
进一步的，所述智能早期诊断预测子系统包括强噪音特征提取模块、深度置信网络早期故障融合诊断模块、自联想神经网络多步故障预测模块；
所述强噪音特征提取模块基于泵性能退化数据识别运行泵的状态特征，提取振动信号和流量信号特征，识别泵的健康状态；
所述深度置信网络早期故障融合诊断模块利用重构信号，分析影响因子提取特征参数融合、降维处理，利用泵性能退化数据指标对贝叶斯正则化径向基函数神经网络进行训练，实现寿命预测；
所述自联想神经网络多步故障预测模块对分布式集成单元促动器的泵的可靠性模型数据分析收敛性进行判断，建立泵的可靠度曲线、寿命分布曲线和概率密度曲线，实现多步故障预测。
进一步的，所述强噪音特征提取模块基于变分模态分解和多尺度排列熵相结合的特征提取方法，通过传感器采集的运行数据，结合多种信号处理方法实现对原始信号的降噪处理，通过状态识别方法对提取的特征向量进行识别，实现不同故障类型以及健康状态诊断。
进一步的，所述智能检测子系统包括智能控制模块和智能人机界面操作模块；
所述智能控制模块对执行机构进行控制管理、数据传输和接收智能数据处理子系统、智能早期诊断预测子系统的数据分析判断反馈，执行控制、维护、管理程序，同时将整个系统的输入、输出的执行指令和检测接收的数据以及运行状态数据记录到原始数据存储反馈，并自动生成各种数据报表；
所述智能控制模块通过网络与智能人机界面操作模块连接，监测仪器数据显示以及输出诊断、预测、异常数据报告和预警显示，通过数据分析的数据给出合理的维护管理内容实时反馈给管理人员。
进一步的，所述集成单元促动器包括第一伺服模块、第一冷却模块、第一防护模块、第一数据采集和传输模块，所述第一伺服模块、第一冷却模块、第一防护模块以及第一数据采集和传输模块模块集成为一体。
进一步的，所述应急促动器动力源包括第二伺服模块、第二冷却模块、第二防护模块、第二数据采集和传输模块，所述应急促动器动力源与所有集成单元促动器连接提供应急动力。
进一步的，实时数据包括流量、压力、噪音、温度的传输和存储运行数据。
进一步的，基于变分模态分解和多尺度排列熵相结合的特征提取方法来提取振动信号和流量信号特征。
进一步的，所述神经网络进行训练，采用提取的退化性能指标及拉普拉斯矩阵为输入训练图神经网络模型，基于图神经网络对特征参数进行训练。
本发明的技术方案能够实现如下有益的技术效果：
本发明结合集成单元促动器和分布式智能检测子系统实现对多个电液促动器精准同步控制。
本发明采用机电系统故障早期诊断与预测，提供了可靠的系统运行预警和寿命预测功能。
本发明针对航天设备运行高可靠要求，实现早期诊断及预测故障，精准控制和智能化的控制、维护和管理。
本发明执行机构结构紧凑、维护简单、维护成本低以及元件可靠寿命长。
附图说明
图1是本发明的火箭支架分布式电液促动器智能检测系统结构示意图；
图2是本发明的火箭支架上的集成单元促动器位置示意图；
附图标记：1、100-主支架；2、101、105、106-集成单元促动器；3、102-上支架；4、103中支架；5、104下支架。
图3为本发明的泵寿命预测模型采用的自适应模糊神经网络(ANFIS)结构图；
图4为本发明的17MPa应力下IG模型参数后验分布概率密度及收敛图；
图5为本发明的可靠度曲线、寿命分布曲线和概率密度曲线表达图。
具体实施方式
下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
本发明提供了一种火箭支架分布式电液促动器智能检测系统，针对火箭支架的多个集成单元促动器作为执行机构，设计精准可靠运行系统，并实现集成化、智能化控制和智能化管理。
下面结合图1-2对本发明做进一步详细说明：
如图1所示，一种火箭支架分布式电液促动器智能检测系统，所述系统包括智能数据处理子系统、智能早期诊断预测子系统、智能检测子系统、若干集成单元促动器、应急促动器动力源、智能管理集成子系统。其中集成单元促动器安装在火箭支架上，如图2所示火箭与上支架102、中支架103、支架104连接固定支撑，主支架与上支架102、中支架103、支架104分别通过集成单元促动器101、105、106连接。
主支架100与上支架102连接，上支架102连接锁紧火箭头部，集成单元促动器101一端连接主支架100，另一端连接上支架102，通过集成单元促动器101的伸缩锁紧上支架102；主支架100与中支架103连接，中支架103连接锁紧火箭中部，集成单元促动器101一端连接主支架100，另一端连接中支架103，通过集成单元促动器101的伸缩锁紧中支架103；主支架100与下支架104连接，下支架104连接锁紧火箭底部，集成单元促动器105一端连接主支架100，另一端连接下支架104，通过集成单元促动器105的伸缩锁紧下支架104，集成单元促动器106两端连接下支架104，通过集成单元促动器106的伸缩进一步锁紧下支架104。
具体的，如图1所示，智能数据处理子系统包括等效试验样本数据库模块、智能数据采集筛选存储模块、监控实时异常数据模块、记录系统运行数据模块；
等效试验样本数据库模块存储泵磨损量对应振动信号数据，对磨损程度进行分类，测试不同磨损量对阶次分析特征的影响，对不同磨损状态的振动试验数据采用广义线性调频小波变换GLCT方法对试验数据进行处理，挑选频谱图中较为明显的频率成分作为试验研究对象，经过计算为啮合频率13倍频，对被测设备进行重采样，将角度域重采样后的数据进行傅里叶变换可以解决对采集的振动信号直接进行傅里叶变换的频谱模糊问题。针对振动信号在对泵的不同磨损状态下特征变化，对所采集信号数据处理，采用了无量纲指标峰值指标、脉冲指标和峭度指标来分析因磨损而导致的冲击能量的大小，建立对应不同健康状态的目标特征参量样本库；
具体的无量纲指标峰值指标、脉冲指标和峭度指标是针对变转速下齿轮泵试验为例，在齿轮泵不同严重程度的磨损损伤状态下，对于角度域振动信号阶次谱的振动能量强度差异，令角域振动信号s(l)(l＝1,2,…,L)阶次谱为Sl(m)，其中m表示阶次数据长度变量，取m＝1,2,…,Dmax，其中Dmax为最大阶次，则定义阶次谱均方根值：
采用Y1大小来衡量整个阶次谱的振动能量强度。
为了更好地表示不同磨损程度下的特征差异性，实例才采用阶次谱的11、22、33、44阶次对应下的幅值作为特征参量进行分析，在计算阶次谱过程中，每段信号不可能都在整数阶次上正好出现最大幅值，所以选取11、22、33、44阶次区间±0.15的平均值作为特征值完成选取，即：
式中，n为区间内阶次谱数据的个数。
对于变转速下齿轮泵的角域振动信号角域方面退化特征参量为X＝[无量纲指标峰值指标，脉冲指标，峭度指标]，阶次域的故障特征参量为Y＝[Y1,Y2,Y3,Y4,Y5]。所以总的特征参量为Z＝[无量纲指标峰值指标，脉冲指标，峭度指标Y1,Y2,Y3,Y4,Y5]，作为训练样本和测试样本。
首先对采集的四组振动信号的4×100组数据进行时频分析，进行角域度重采样消除转速影响得到角域振动信号和阶次域信号，然后在得到的角域振动信号和阶次域信号基础上提取故障特征参数，最后对其中80组进行训练和剩余的20组进行测试。由于篇幅所限，将变转速下齿轮泵四种健康状态的两组训练样本的特征向量以及目标标签列入下表1中。
表1测试样本及对应目标特征参量
表1中，无量纲指标峰值指标、脉冲指标、峭度指标、Y1、Y2、Y3、Y4、Y5作为优化分类算法的训练特征参数，对应的四种不同磨损状态。
智能数据采集筛选存储模块对采集数据进行特征提取及数据筛选存储，并将采集和处理运行的参数发送到智能早期诊断预测子系统进行处理，智能早期诊断预测子系统将处理方案发送到智能检测子系统，智能检测子系统计算出最优运行方案指令发送执行机构，所述执行机构包括集成单元促动器和应急促动器动力源；
监控实时异常数据模块对系统运行参数同步正常化数据对比监控，以及对异常数据进行分析；
记录系统运行数据模块对运行采集数据、分析反馈数据以及控制执行数据进行记录。
智能早期诊断预测子系统包括强噪音特征提取模块、深度置信网络早期故障融合诊断模块、自联想神经网络多步故障预测模块；
所述强噪音特征提取模块是基于泵性能退化数据识别运行泵的状态特征，提取运行系统中振动信号和流量信号特征，识别泵的健康状态；强噪音特征提取模块基于变分模态分解和多尺度排列熵相结合的特征提取方法。
其中，变分模态分解的建立，首先假设各个分量是含有中心频率有限的频率范围，那么变分问题可以描述为寻求k个分量函数uk(t)，且使各个分量的估计频率范围的总和为最小，且满足所有分量的总和等于输入信号f，具体步骤如下：
1)通过希尔伯特变换得到各个分量函数uk(t)的解析信号，以得到单边频谱：
2)通过在各个分量解析信号中混合一预估中心频率实现将各个分量的频谱调节到各自相应的基频带：
3)计算上其梯度的平方L2范数，并估计出各个分量信号的频率范围，受约束时变分问题如下式：
其中，{uk}＝{u1,···,uk}，{ωk}＝{ω1,···,ωk}。
采用上述的变分模态分解并求解，对传感器采集的多种信号数据处理方法实现对原始信号的降噪处理，更加准确的研究该类信号数据，实现退化状态识别，然后通过状态识别方法对提取的特征向量进行识别，实现不同故障类型以及健康状态诊断，采用无量纲指标峰值指标、脉冲指标和峭度指标来分析因磨损而导致的冲击能量的大小，建立对应不同健康状态的目标特征参量样本库，诊断健康状态，该方法通过观察法确定VMD分解分量个数K的预设值，通过互信息法和Cao氏法确定多尺度排列熵参数的取值。最后利用高斯过程的多分类方法对所提取的特征向量进行识别训练训练模型实现对未知数据类别的有效分类；
所述深度置信网络早期故障融合诊断模块利用重构信号，分析影响因子提取特征参数融合、降维处理，利用泵性能退化数据指标对贝叶斯正则化径向基函数神经网络进行训练，实现寿命预测；该方法首先对其网络模型进行训练，训练数据为泵的退化融合指标和输出流量，利用训练好的模型，将测试数据代入该模型，并通过模型内部的运算得到输入特征向量的预测结果，采用预测精度高的Trainbr-BP算法对泵寿命进行预测，验证结果表明该算法的准确性和有效性较高。
所述自联想神经网络多步故障预测模块对分布式集成单元促动器的泵的可靠性模型数据分析收敛性进行判断，建立泵的可靠度曲线、寿命分布曲线和概率密度曲线，实现多步故障预测。所述可靠性模型数据分析基于逆高斯过程的退化模型为IG模型和基于威布尔退化模型评估的方法。通过研究对配流盘磨损过程和磨损机理，建立配流盘磨损量和泵泄漏流量关系的理论曲线，利用高斯过程回归对实验数据进行处理，拟合配流盘磨损量和泵泄漏流量关系的实际曲线，与理论曲线进行比较分析，泵容积效率下降5％的失效阈值预测由配流盘磨损而造成的泵失效结果；通过模糊理论和神经网络理论，泵寿命与多维特征的映射关系，构建泵寿命预测模型，以泵的输出流量作为齿轮失效的判别依据，从泵振动时域和频域的角度将多种退化特征与泵运转过程中的转速、转矩等指标进行融合处理，得到齿轮泵的退化评估指标后，对自适应模糊神经网络进行训练，并基于三次平滑预测对泵退化评估指标进行线性预测，构建了齿轮泵退化评估模型，最终基于逆矩估计法和蒙特卡罗样本扩充，确保预测寿命可靠且准确性。
具体的，如图3(a)和图3(b)所示，所述泵寿命预测模型采用自适应模糊神经网络模型，将二维度输入变量输入一维度输出模型；模糊神经网络则共分为5层：即模糊化层、规则推理层、归一化层、去模糊化层和输出层。
模糊化层负责将每个输入变量进行模糊化，将其变为模糊集合并得到每个输入变量隶属于模糊集合的程度，即隶属度函数。其计算过程可由下式表示：
式中a1i、b1i、c1i、a2i、b2i、c2i——决定隶属度函数的前件参数。
——输入变量相对于模糊集合的隶属度函数；
Ai、Bi——模糊化后的模糊集合；
x1、x2——每个节点的输入变量。
规则推理层负责将输入信号进行相乘处理，获得模糊规则的激励强度，可由下式表达为：
归一化层将上述激励强度进行归一化处理，其算法步骤可由式表达为：
去模糊化层负责将归一化后的结果进行去模糊化处理，即输出不再是模糊的，而是精确的结果。计算方法可由式表达为：
式中pi,qi,ri——后件参数；
最终的输出层负责计算整个网络的总输出结果。其计算过程可由式表达为：
所述构建齿轮泵退化评估模型，是基于性能退化的可靠性评估，具体步骤如下：
首先选取容积效率作为性能退化数据，为提高模型参数估计的精度，在等效的前提下，将其容积效率以及对应的退化数据失效阈值扩大为原值的100倍。将基于逆高斯过程的退化模型记为IG模型，参照基于威布尔退化模型评估齿轮泵的方法，将伪失效寿命服从威布尔的模型定义为Weibull模型。给参数θ指定独立的无信息先验分布，即a0～E(2)，a0～E(2)，δ～U(0,2)，γ～Ga(103,102)，由于确定无信息先验分布的方法较多，已不再是难点，因此在此不再赘述。在OpenBUGS软件中根据参数θ的不同初值采用MCMC-Gibbs抽样的方法抽取2条Markov链，从每条链的后验分布中抽取100000个样本，并且舍弃每条链的前25000个，剩余后75000个用于参数估计，采用0-1法对OpenBUGS算法整个过程描述。
利用IG模型在17MPa下的参数估计的均值、标准差等，如下表。
表217MPa应力下IG模型参数的MCMC抽样结果
上表数据的参数的后验分布概率密度函数及收敛性诊断结果，如图4所示。
齿轮退化评估模型，将Weibull模型在17MPa下的可靠性分析作为对比，进一步验证可靠性评估的准确性，Weibull模型的建模及可靠性评估流程如下：
1)模型假设：通过最小二乘法对常见退化模型进行检验，选取线性模型为退化轨迹模型，且齿轮泵的伪寿命服从两参数的Weibull分布且加速模型采用逆幂律模型，产品的特征寿命ηi与应力水平Si之间存在着如下关系：/>
2)参数估计：采用最佳线性无偏估计(BLUE)方法求威布尔分布在17MPa和24MPa两种应力下的m和η的估计值，其中17MPa下
3)寿命计算：将失效阈值定义为D＝80，即齿轮泵额定压力下容积效率退化到80％认为发生失效，计算伪失效寿命；
4)可靠性评估：采用威布尔分布对齿轮泵进行可靠度评估，得出可靠度函数图R(t)，寿命分布F(t)，概率密度函数f(t)，等可靠性评估指标。
为直观的比较IG模型和Weibull模型之间的区别，根据模型参数将两模型的可靠度曲线、寿命分布曲线和概率密度曲线表达，如图5所示，其中，从寿命分布曲线图可以看出，两种模型在寿命分布的离散程度上存在较大区别，IG模型和Weibull模型在17MPa下，最短寿命出现在3万次和15万次；可靠度分布曲线图可知，IG模型在冲击次数为15万次时可靠度低于1，而Weibull模型在3万次可靠度低于1；寿命分布曲线可看出，17MPa下齿轮泵容积效率退化曲线中可知齿轮泵冲击40万次后并未发生失效。因此，相比于Weibull模型，IG模型中数据拟合效果最好，可靠度评估较为合理。综合以上分析，能够描述泵性能退化过程，退化中个体差异，随机效应等的IG模型为两者中较为准确的模型，该批次泵在17MPa使用压力下，平均寿命、特征寿命和中位寿命以及B10寿命，如下表为泵的寿命预测结果。
| 17MPa/(万次) | |
| B10 | 55.7 |
| 特征寿命 | 103.1 |
| 中位寿命 | 93.1 |
| 平均寿命 | 93.4 |
具体的，智能检测子系统包括智能控制模块和智能人机界面操作模块，所述智能控制模块是采用智能检测-维护-管理集成系统ICMMS构架分布式控制模块。
所述智能控制模块对执行机构进行控制管理、数据传输和接收智能数据处理子系统、智能早期诊断预测子系统的数据分析判断反馈，执行控制、维护、管理程序，同时将整个系统的输入、输出的执行指令和检测接受的数据以及运行状态数据记录到原始数据存储反馈，并自动生成各种数据报表，通过网络与智能人机界面操作模块连接，监测仪器数据显示以及输出诊断、预测、异常数据报告和预警显示，通过数据分析的数据给出合理的维护管理内容实时反馈给管理人员；ICMMS架构分布式控制管理，运用FCS现场总线技术将现场执行机构及相关传感器连接起来，运用人工智能、智能检测、神经网络、自适应信息控制及管理等，将控制、维护、管理三个领域集成到一个模块中，形成一个有机整体。
具体的，智能检测子系统基于专用的工业控制机和后台服务器，之间通过工业以太网连接组网，从传感器采集大量的状态信息并转换为数字信号，防止错误信号影响系统运行，处理后的数字信号通过SERCOS、EtherCAT、或EthernetPOWERLINK等高速、确定性的网络传递到智数据。
集成单元促动器包括第一伺服模块、第一冷却模块、第一防护模块、第一数据采集和传输模块，所述第一伺服模块是电机、泵、缸、电液伺服模块，所述第一数据采集和传输模块是温度、压力、噪音数据采集和传输模块。所述集成单元促动器将第一伺服模块、第一冷却模块、第一防护模块以及第一数据采集和传输模块模块集成为一体。
具体的，应急促动器动力源包括第二伺服模块、第二冷却模块、第二防护模块、第二数据采集和传输模块，其中，第二伺服模块是电机、泵、电液伺服模块，第二数据采集和传输模块是压力、流量数据采集和传输模块；所述应急促动器动力源与所有集成单元促动器连接提供应急动力。
具体的，智能数据处理子系统通过智能检测子系统的数据传输，采集筛选集成单元促动器的实时数据并记录存储，并监控异常数据分析反馈给智能检测子系统预警控制；
智能早期诊断预测子系统提取智能数据处理子系统的样本数据，分析从集成单元促动器和应急促动器动力源采集的数据、以及早期诊断预测子系统故障情况，反馈智能检测子系统应对处理。
智能检测子系统控制各项集成单元促动器和应急促动器动力源，并采集压力、流量、温度数据，智能管理集成子系统管理维护各项集成单元促动器。
所述若干集成单元促动器分布分块放置，独自反馈温度、压力、噪音数据至智能检测子系统和智能早期诊断预测子系统。
具体的，实时数据包括流量、压力、噪音、温度的传输和存储运行数据。提取振动信号和流量信号方法，是基于变分模态分解和多尺度排列熵相结合的特征提取方法。
具体的，神经网络进行训练，提取的退化性能指标及拉普拉斯矩阵为输入训练图神经网络模型，基于图神经网络(GNN)对特征参数进行训练。
综上所述，本发明涉及航天技术领域，提供了一种火箭支架分布式电液促动器智能检测系统，包括智能数据处理子系统、智能早期诊断预测子系统、智能检测子系统、集成单元促动器、应急促动器动力源和智能管理集成子系统；所述智能数据处理子系统通过所述智能检测子系统的数据传输，采集筛选所述集成单元促动器的实时数据并记录存储，监控异常数据并分析反馈给智能检测子系统进行预警控制；所述智能早期诊断预测子系统提取所述智能数据处理子系统的样本数据，分析从所述集成单元促动器和应急促动器动力源采集的数据、以及早期诊断预测子系统故障情况，反馈所述智能检测子系统应对处理；所述智能检测子系统控制各个集成单元促动器和应急促动器动力源，并采集数据；若干所述集成单元促动器反馈数据至所述智能检测子系统和所述智能早期诊断预测子系统；所述智能管理集成子系统管理维护各个集成单元促动器。本发明利用分布式电液促动器智能检测系统，解决火箭支架的精准同步控制、早期诊断、故障预测、寿命预测，实现控制-维护-管理系统性管理工作，从而优化了控制系统，降低维护费用。
本发明利用分布式智能检测子系统、智能早期诊断预测子系统、智能数据处理子系统以及集成单元促动器群组，解决火箭支架分散执行机构精准同步控制和早期预警及寿命预测。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种火箭支架分布式电液促动器智能检测系统，其特征在于，包括：智能数据处理子系统、智能早期诊断预测子系统、智能检测子系统、集成单元促动器、应急促动器动力源和智能管理集成子系统；
所述智能数据处理子系统通过所述智能检测子系统的数据传输，采集筛选所述集成单元促动器的实时数据并记录存储，监控异常数据并分析反馈给智能检测子系统进行预警控制；
所述智能早期诊断预测子系统提取所述智能数据处理子系统的样本数据，分析从所述集成单元促动器和应急促动器动力源采集的数据、以及早期诊断预测子系统故障情况，反馈所述智能检测子系统应对处理；
所述智能检测子系统控制各个集成单元促动器和应急促动器动力源，并采集数据；
若干所述集成单元促动器反馈数据至所述智能检测子系统和所述智能早期诊断预测子系统；
所述应急促动器动力源与各集成单元促动器连接，集成单元促动器突发动力和信号故障时，通过智能检测子系统反馈控制，应急促动器动力源提供动力和控制信号；
所述智能管理集成子系统管理维护各集成单元促动器。
2.根据权利要求1所述的火箭支架分布式电液促动器智能检测系统，其特征在于，所述智能数据处理子系统包括等效试验样本数据库模块、智能数据采集筛选存储模块、监控实时异常数据模块、记录系统运行数据模块；
所述等效试验样本数据库模块存储泵磨损量对应振动信号数据，对磨损程度进行分类，测试不同磨损量对阶次分析特征的影响，对不同磨损状态的振动试验数据进行处理；
智能数据采集筛选存储模块对采集数据进行特征提取及数据筛选存储，并将采集和处理运行的参数发送到智能早期诊断预测子系统进行处理，智能早期诊断预测子系统将处理方案发送到智能检测子系统，智能检测子系统计算出最优运行方案指令发送执行机构；
监控实时异常数据模块对系统运行参数同步正常化数据对比监控，以及对异常数据进行分析；
记录系统运行数据模块对运行采集数据、分析反馈数据以及控制执行数据进行记录。
3.根据权利要求2所述的火箭支架分布式电液促动器智能检测系统，其特征在于，所述智能早期诊断预测子系统包括强噪音特征提取模块、深度置信网络早期故障融合诊断模块、自联想神经网络多步故障预测模块；
所述强噪音特征提取模块基于泵性能退化数据识别运行泵的状态特征，提取振动信号和流量信号特征，识别泵的健康状态；
所述深度置信网络早期故障融合诊断模块利用重构信号，分析影响因子提取特征参数融合、降维处理，利用泵性能退化数据指标对贝叶斯正则化径向基函数神经网络进行训练，实现寿命预测；
所述自联想神经网络多步故障预测模块对分布式集成单元促动器的泵的可靠性模型数据分析收敛性进行判断，建立泵的可靠度曲线、寿命分布曲线和概率密度曲线，实现多步故障预测。
4.根据权利要求3所述的火箭支架分布式电液促动器智能检测系统，其特征在于，所述强噪音特征提取模块基于变分模态分解和多尺度排列熵相结合的特征提取方法，通过传感器采集的运行数据，结合多种信号处理方法实现对原始信号的降噪处理，通过状态识别方法对提取的特征向量进行识别，实现不同故障类型以及健康状态诊断。
5.根据权利要求3所述的火箭支架分布式电液促动器智能检测系统，其特征在于，所述智能检测子系统包括智能控制模块和智能人机界面操作模块；
所述智能控制模块对执行机构进行控制管理、数据传输和接收智能数据处理子系统、智能早期诊断预测子系统的数据分析判断反馈，执行控制、维护、管理程序，同时将整个系统的输入、输出的执行指令和检测接收的数据以及运行状态数据记录到原始数据存储反馈，并自动生成各种数据报表；
所述智能控制模块通过网络与智能人机界面操作模块连接，监测仪器数据显示以及输出诊断、预测、异常数据报告和预警显示，通过数据分析的数据给出合理的维护管理内容实时反馈给管理人员。
6.根据权利要求5所述的火箭支架分布式电液促动器智能检测系统，其特征在于，所述集成单元促动器包括第一伺服模块、第一冷却模块、第一防护模块、第一数据采集和传输模块，所述第一伺服模块、第一冷却模块、第一防护模块以及第一数据采集和传输模块集成为一体。
7.根据权利要求6所述的火箭支架分布式电液促动器智能检测系统，其特征在于，所述应急促动器动力源包括第二伺服模块、第二冷却模块、第二防护模块、第二数据采集和传输模块，所述应急促动器动力源与所有集成单元促动器连接提供应急动力。
8.根据权利要求1所述的火箭支架分布式电液促动器智能检测系统，其特征在于，实时数据包括流量、压力、噪音、温度的传输和存储运行数据。
9.根据权利要求3所述的火箭支架分布式电液促动器智能检测系统，其特征在于，基于变分模态分解和多尺度排列熵相结合的特征提取方法来提取振动信号和流量信号特征。
10.根据权利要求3所述的火箭支架分布式电液促动器智能检测系统，其特征在于，所述神经网络进行训练，采用提取的退化性能指标及拉普拉斯矩阵为输入训练图神经网络模型，基于图神经网络对特征参数进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310825558.2A CN117109957B (zh) | 2023-07-06 | 2023-07-06 | 一种火箭支架分布式电液促动器智能检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310825558.2A CN117109957B (zh) | 2023-07-06 | 2023-07-06 | 一种火箭支架分布式电液促动器智能检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117109957A true CN117109957A (zh) | 2023-11-24 |
| CN117109957B CN117109957B (zh) | 2024-03-26 |
Family
ID=88802784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310825558.2A Active CN117109957B (zh) | 2023-07-06 | 2023-07-06 | 一种火箭支架分布式电液促动器智能检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117109957B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001036837A1 (en) * | 1999-11-18 | 2001-05-25 | Skf Engineering And Research Centre B.V. | Actuator having a central support, and brake calliper comprising such actuator |
| KR20070101080A (ko) * | 2006-04-11 | 2007-10-16 | 이광섭 | 로터리펌프 및 이를 이용한 모터 |
| JP2008301567A (ja) * | 2007-05-29 | 2008-12-11 | Shin Meiwa Ind Co Ltd | ブラシ摩耗検知装置を備える流体圧装置 |
| CN104863991A (zh) * | 2014-02-21 | 2015-08-26 | 格特拉格传动机构和齿轮工厂赫尔曼·哈根迈尔有限公司&两合公司 | 离合器构造、机动车传动系以及离合器控制方法 |
| CN207906203U (zh) * | 2018-02-11 | 2018-09-25 | 中国科学院国家天文台 | 一种大射电液压油检测过滤和更换的便携装置 |
| CN113007158A (zh) * | 2021-01-04 | 2021-06-22 | 江苏恒立液压科技有限公司 | 液压促动器压力补偿的控制系统和方法 |
| CN215812203U (zh) * | 2021-08-10 | 2022-02-11 | 联合汽车电子有限公司 | 基于压电促动器的微动磨损测试装置 |
-
2023
- 2023-07-06 CN CN202310825558.2A patent/CN117109957B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001036837A1 (en) * | 1999-11-18 | 2001-05-25 | Skf Engineering And Research Centre B.V. | Actuator having a central support, and brake calliper comprising such actuator |
| CN1378624A (zh) * | 1999-11-18 | 2002-11-06 | Skf工程研究中心公司 | 具有中心支承的促动器和包括该促动器的制动卡钳 |
| KR20070101080A (ko) * | 2006-04-11 | 2007-10-16 | 이광섭 | 로터리펌프 및 이를 이용한 모터 |
| JP2008301567A (ja) * | 2007-05-29 | 2008-12-11 | Shin Meiwa Ind Co Ltd | ブラシ摩耗検知装置を備える流体圧装置 |
| CN104863991A (zh) * | 2014-02-21 | 2015-08-26 | 格特拉格传动机构和齿轮工厂赫尔曼·哈根迈尔有限公司&两合公司 | 离合器构造、机动车传动系以及离合器控制方法 |
| CN207906203U (zh) * | 2018-02-11 | 2018-09-25 | 中国科学院国家天文台 | 一种大射电液压油检测过滤和更换的便携装置 |
| CN113007158A (zh) * | 2021-01-04 | 2021-06-22 | 江苏恒立液压科技有限公司 | 液压促动器压力补偿的控制系统和方法 |
| CN215812203U (zh) * | 2021-08-10 | 2022-02-11 | 联合汽车电子有限公司 | 基于压电促动器的微动磨损测试装置 |
Non-Patent Citations (2)
| Title |
|---|
| JIANJUN QI 等: "Internal Leakage Detection of Hydraulic Cylinder Based on Wavelet Analysis and Backpropagation Neural Network", 2020 GLOBAL RELIABILITY AND PROGNOSTICS AND HEALTH MANAGEMENT (PHM-SHANGHAI), 16 October 2020 (2020-10-16) * |
| 曹登庆等: "大型柔性航天器动力学与振动控制研究进展", 力学学报, 31 January 2019 (2019-01-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117109957B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nasiri et al. | Fracture mechanics and mechanical fault detection by artificial intelligence methods: A review | |
| Byington et al. | Data-driven neural network methodology to remaining life predictions for aircraft actuator components | |
| CN109033930B (zh) | 基于故障机理和统计模型在线学习的设备故障诊断方法 | |
| CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
| CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| CN109211548A (zh) | 一种机械故障诊断方法 | |
| CN109710983B (zh) | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN108709744B (zh) | 一种变负载工况下电机轴承故障诊断方法 | |
| CN109443766A (zh) | 一种重载车辆变速箱齿轮安全性分析方法 | |
| CN112487910A (zh) | 核电汽轮机系统故障预警方法及系统 | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| Salunkhe et al. | Prediction of Remaining Useful Life of mechanical components-a Review | |
| CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
| CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
| CN115526375A (zh) | 一种航天装备预测性维护系统 | |
| CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
| CN111637045A (zh) | 一种海洋平台空气压缩机故障诊断方法 | |
| CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及系统 | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| Li et al. | A decision-based framework for predictive maintenance technique selection in industry 4.0 | |
| CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
| CN117109957B (zh) | 一种火箭支架分布式电液促动器智能检测系统 | |
| CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 |
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 |