论文部分内容阅读
预测健康管理(Prognosticsand HealthManagement,PHM)技术可有效提升设备服役可靠性、实现视情维修,电静压伺服系统(Electro-HydrostaticActuator,EHA)重载能力强、可靠性高、易维护,两者均已在国外成功应用于飞机中,并且美国F-35的EHA已配备初级的PHM。在我国两项技术都仍处于研究阶段,应用于EHA的PHM仍然是空白。本项目研究EHA-PHM,包括系统架构和技术实现路径,重点研究采用机器学习中最基本的主成分分析(Principal Component Analysis,PCA)方法提取EHA的健康特征。调研了可应用于EHA的PHM技术发展现状,梳理了主要数学工具,确定了从PCA方法入手,采用数据驱动而不是传统的单一测量量阈值模型的技术途径提取EHA健康和故障特征。分析了EHA-PHM系统架构,研究了故障模式库、传感器配置、特征提取、故障诊断、故障预测及维修决策等主要组成部分内容和实施途径。分析了EHA主要故障模式,选取了增压油箱漏气和油滤堵塞等两个相对容易实现模拟试验的故障模式进行研究。分析了PCA的特征提取和故障诊断方法。一般情况下,PCA是通过提取主元实现数据的降维处理,而用于健康和故障特征提取,主要是利用与主元子空间伴生的残差子空间,得到平方预测误差(Squared Prediction Error,SPE)统计量,捕捉故障引起的微小变化,同时辅以主元子空间的HotellingT ~2(T~2)统计量,可判断不同故障的表现模式。采用CFD分析了泵入口压力偏低的影响,表明增压油箱漏气造成的入口压力偏低会造成泵容积效率降低,从而影响EHA性能。建立EHA的AMEsim仿真模型,注入油滤堵塞故障,进行了性能仿真,表明,油滤堵塞导致的油路节流影响EHA性能;选取了作动器位移、速度、电机电流、电压、转速和作动器两腔压力作为多元分析变量,进行阶跃特性测试,对故障数据进行了PCA,表明提取的SPE和T~2统计量可表征健康和故障特征,同时与直接测量量相比,可提前且明显地判别出故障。搭建EHA试验平台,进行故障模拟试验研究。表明,PCA提取出的SPE和T~2统计量可表征增压油箱和油滤的健康和故障特征,并且随着故障恶化更加显著。在增压油箱漏气故障模拟试验中,依靠作动器位移、速度等直接量无法反映出故障,而SPE和T~2统计量在压力下降至最高压力的88%时即可表现出差异。在油滤堵塞模拟试验中,依靠直接量,油滤堵塞91%才能判别出性能差异,但依靠SPE统计量,33%就可以判别出故障。此外,两种故障模式下,SPE和T~2两个统计量的差异程度也不相同,表明PCA也具备EHA故障模式识别的潜力。讨论了基于退化趋势的故障预测或者剩余寿命预测技术途径,明确了完善故障模式库、特征提取方法深入研究、关键故障模式的退化模型试验和预测模型建立等重点研究内容。研究表明,PCA方法可提取EHA的健康特征并可用于故障诊断,相比直接测量量大幅度提高了判别有效性和准确性,也表明机器学习是EHA-PHM的重要技术手段。