一种数据驱动的伺服作动系统模型辨识及故障监控方法

本发明属于飞行器伺服作动系统领域，涉及一种数据驱动的伺服作动系统模型辨识及故障监控方法。

背景技术：

1、伺服作动系统广泛应用于航空航天、自动化生产、机器人技术、汽车控制和医疗设备等多个领域。这些系统通过精确控制运动和位置，确保设备的高效运行。例如，在航空航天领域，伺服作动系统用于控制飞行器的舵面和推进系统，以实现精确的飞行姿态控制。在自动化生产中，它们用于机械手臂的精确定位和运动控制，从而提高生产效率和产品质量。伺服作动系统的可靠性和精度直接影响到整个系统的性能和安全性，因此对其故障检测和模型监控显得尤为重要。

2、尽管已有多种故障检测和模型监控方法，但现有技术仍存在一些不足之处。传统的故障检测方法往往依赖于经验法则，容易导致漏检和误报。此外，现有的模型监控方法通常使用静态模型，无法有效应对系统在不同工作条件下的动态变化。这使得在复杂环境中，尤其是高负载或极端条件下，系统的故障检测和监控能力受到限制，增加了潜在风险。

3、随着数据采集技术的发展和大数据分析工具的普及，数据驱动的方法在工程领域逐渐兴起。这些方法通过分析大量的实时数据，能够更准确地反映系统的状态和运行特征。数据驱动的故障检测和模型监控方法不仅可以提高检测的准确性，还能够实时适应系统的动态变化。例如，利用机器学习算法，可以从历史试飞数据中提取特征，建立更为精准的动态模型，从而提升故障检测的灵敏度和可靠性。这一趋势在航空航天、工业自动化等领域的应用中，展现出良好的前景和效果。

技术实现思路

1、本发明旨在提供一种数据驱动的伺服作动系统模型辨识及故障监控方法。本方法充分利用试飞过程中获取的实时数据，包括传感器数据、控制信号和系统状态信息。这些数据具有真实、动态和多样化的特点，能够反映系统在实际运行中的真实表现。通过对这些数据利用神经网络方法进行建模，建立高精度的数学模型，从而提升伺服作动系统的故障检测能力和模型监控效果，可以实现更为精准的监控和故障检测，及时识别潜在问题，降低系统故障风险，提升整体安全性和可靠性。创新点在于采用数据驱动的方法，结合神经网络辨识技术，设计模型监控框架，能够实时适应系统的动态变化，克服传统方法的不足，降低误报率和漏检率。

2、本发明的技术方案：

3、一种数据驱动的伺服作动系统模型辨识及故障监控方法，包括如下步骤：

4、步骤（1）飞机舵机电液伺服作动系统数学建模

5、（1.1）飞机舵机电液伺服作动系统基本方程

6、飞机舵机电液伺服作动系统主要由电液伺服阀和液压伺服作动器两部分组成。

7、（1.1.1）电液伺服阀传递函数方程

8、电液伺服阀通过电气信号控制液压流量，实现对液压系统的精准控制。

9、通过驱动电流可以求得阀芯位移，驱动电流和阀芯位移的关系可看作比例环节，传递函数为

10、(1)

11、式中，为阀芯位移；为电流；为电流-阀芯位移增益。

12、（1.1.2）滑阀流量方程

13、(2)

14、式中，为滑阀内油液的流量，为阀芯位移，为阀芯内油液的压力，为流量增益；为流量-压力系数。

15、位置伺服系统动态分析经常是在零位工作条件下进行的，此时增量和变量相等。由于液压伺服作动器的外泄漏和压缩性的影响，使流入液压伺服作动器进油腔的流量与流出液压伺服作动器回油腔的流量不相等，定义负载流量为

16、(3)

17、（1.1.3）液压伺服作动器流量连续性方程

18、通常假定：阀与液压伺服作动器的连接管道对称且短而粗，管道中的压力损失和管道动态可以忽略；液压伺服作动器每个工作腔内各处的压力相等，油温和体积弹性模量为常数；液压伺服作动器内、外泄漏均为层流流动。

19、流入液压伺服作动器进油腔的流量为

20、(4)

21、式中，为进油腔内油液的压力，为回油腔内油液的压力。

22、流入液压伺服作动器回油腔的流量为

23、(5)

24、式中，为液压伺服作动器的位移；为液压伺服作动器的横截面积；为液压伺服作动器内泄漏系数；为液压伺服作动器外泄漏系数；为液压伺服作动器进油腔的容积；为液压伺服作动器回油腔的容积：为有效体积弹性模量。

25、在式(4)和式(5)中，是推动伺服作动器运动所需的流量，是伺服作动器的进油腔和回油腔的内泄漏流量， 、分别是伺服作动器的进油腔和回油腔的外泄漏流量，和分别是进油腔和回油腔因油液压缩和腔内变形所需的流量，称为进油腔压缩流量和回油腔压缩流量。

26、液压伺服作动器进油腔和回油腔的容积为

27、(6)

28、(7)

29、式中，为进油腔的初始容积；为回油腔的初始容积；

30、由式(3)、式(4)、式(5)、式(6)、式(7)得流量连续性方程为

31、(8)

32、式中，进油腔和回油腔的外泄漏流量和通常很小，可以忽略不计。如果进油腔压缩流量和回油腔压缩流量相等，则。因为阀是匹配对称的，所以通过进油腔阀口和回油腔阀口的流量也相等。因此动态时总压力仍近似适用。由于进油腔压力和回油腔之间的差值，即压降，所以，。从而有

33、(9)

34、要使压缩流量相等，就应使液压伺服作动器两腔的初始容积和相等，即

35、(10)

36、式中，为液压伺服作动器进油腔和回油腔两腔的平均容积；为总压缩容积。

37、由于，，则式(8)可简化为

38、(11)

39、式中，为液压伺服作动器总泄露系数，。

40、式(11)中，是推动液压伺服作动器运动所需的流量，是总泄漏流量，是总压缩流量。

41、（1.1.4）液压伺服作动器负载力平衡方程

42、液压伺服作动器动力元件的动态特性受负载特性的影响。负载力一般包括惯性力、粘性阻尼力、弹性力和任意外负载力。

43、液压伺服作动器的输出力与负载力的平衡方程为

44、(12)

45、式中，为液压伺服作动器的输出力，为液压伺服作动器和负载折算到作动器上的总质量；为液压伺服作动器和负载的粘性阻尼系数；为负载的弹性刚度；为作用在液压伺服作动器上的外负载力。

46、此外还存在库仑摩擦力等造成的非线性负载，但相比较外负载力矩，这些因素的影响很小，在采用线性化的方法分析系统的动态特性时，可将这些非线性负载忽略。

47、（1.2）传递函数推导

48、对式(2)、式(11)、式(12)取拉式变换得

49、(13)

50、(14)

51、(15)

52、式(14)、式(15)中的是一个复变量，通常表示为 ，其中是实部，是虚部，是虚数单位，在此处可以被看作是微分算子，时域中的微分对应于复频域中的乘以。式(13)、(14)、(15)中、、、分别为时域中、、、的频域形式。

53、式(13)、式(14)、式(15)完全描述了伺服作动系统得动态特性。消除中间变量和，可以求得阀芯位移和外负载力同时作用时，伺服作动器总的输出位移表示为：

54、(16)

55、式中，为总流量压力系数。阀芯位移是系统的输入量，外加负载力矩是干扰量，外干扰量也是一种输入量，只是它的作用与输入量的作用相反。从式(16)中可以看出液压伺服作动器对阀的位移和外负载力输入的响应特性。

56、（1.3）传递函数简化

57、在式(16)中，考虑了惯性负载、粘性摩擦负载、弹性负载以及油液的压缩性和液压伺服作动器的泄露等因素的，实际系统的负载可能比较简单，可以对其进行忽略，对传递函数进一步简化。

58、在大多数情况下伺服作动系统是以惯性负载为主，所以可以将弹性负载以及受粘性阻尼影响的情况忽略不计，即

59、(17)

60、式中，为液压的固有频率；为液压阻尼比。

61、通常粘性系数很小，所以。

62、液压伺服作动器的位移对阀芯位移的传递函数为

63、(18)

64、步骤（2）基于试飞数据的飞行器伺服作动系统模型的神经网络辨识方法

65、为得到准确的飞机舵机电液伺服作动系统模型，采用bp神经网络方法，利用飞机舵机电液伺服作动系统传感器采集的试飞数据，通过步骤（1）建立的飞机舵机电液伺服作动系统数学计算获得飞机舵机电液伺服作动系统的输入输出数据，对飞机舵机电液伺服作动系统进行辨识，得到输出更加精准的飞机舵机电液伺服作动系统神经网络模型，具体流程为：

66、（2.1）试飞数据采集

67、数据采集通常在多个飞行阶段进行，包括起飞、巡航、机动和着陆等，以确保覆盖所有可能的工作状态。

68、飞机舵机电液伺服作动系统的试飞数据主要包括以下几个：

69、飞机舵机控制指令、电液伺服阀控制指令、电液伺服阀电流采集值、电液伺服阀电压采集值、电液伺服阀阀芯位移、作动器控制的舵面偏转角度。

70、（2.2）数据的处理

71、对电液伺服阀的阀芯输出信号、作动器的输出位移信号等数据进行滤波和重采样处理后，再进行神经网络辨识训练。

72、采用的滤波处理方式为移动平均滤波，移动平均滤波是一种常用的信号处理技术，尤其在时间序列数据的平滑和噪声抑制中具有重要作用。

73、数据经过一次移动平均滤波之后，再进行重采样操作，降低因为采用频率降低而导致的误差；然后在进行一次移动平均滤波，再次抑制数据的抖动现象，降低误差。

74、（2.3）神经网络模型构建与辨识

75、模型：飞机舵机电液伺服作动系统模型。

76、该模型分为两个部分，分别为电液伺服阀神经网络模型和作动器神经网络模型。

77、电液伺服阀神经网络模型的输入层为：舵面控制指令和电液伺服阀指令，输出层为阀芯位移。

78、作动器神经网络模型的输入层为：舵面控制指令、电液伺服阀指令和电液伺服阀阀芯位移，输出层为作动器输出的舵面偏转角度。

79、两个神经网络模型分开训练，都采用具有激活函数的隐藏神经元和线性输出神经元的两层前馈网络的反向传播(back-propagation)神经网络算法。

80、步骤（3）基于试飞数据的飞机舵机电液伺服作动系统动态监控结构设计

81、对步骤（2）获得的电液伺服阀神经网络模型和作动器神经网络模型，设计相应的伺服作动系统模型监控模块，实施实时监控，利用建立的动态模型对系统状态进行持续评估，设定监控指标和阈值，具体流程为：

82、（3.1）模型监控外回路结构设计

83、飞机舵机电液伺服作动系统模型监控模块外回路针对步骤（2）所建立的飞机电液伺服作动系统模型所设计，对模型的输入和输出进行监控，将其与实际飞机上的伺服作动系统的输入和输出数据作对比，达到监控飞机飞行过程中伺服作动系统状态的功能，同时对两者输出数据进行对比分析，实现对飞机伺服作动系统的故障检测。

84、外回路模型监控是监控整个飞机舵机电液伺服作动系统模型，即回路输入为飞机控制指令信号、输出为作动系统的输出位移或者偏转角度。外回路中的模型对应步骤(2)中的作动器神经网络模型。

85、模型监控中的数学模型输出与试飞数据采集到的数据判故条件：

86、(19)

87、式中，为试飞数据的输出或者真实的作动系统的输出；为模型监控中的数学模型的输出；为故障阈值，当超出该值，则可以判断真实的作动系统出现故障。

88、式(19)是简单的基于阈值和残差分析的模型监控方法，没有考虑模型监控系统计算所需要的时间以及数据传输过程中所消耗的时间，所以需要考虑时间上两者之间的输出的时间差。所以在此基础上，再加上时间的判断条件，如下：

89、(20)

90、式中，为从不满足到满足时刻；为从满足到不满足的时刻；为时间阈值。意义为，当的时间过长，超过，则认为有故障。

91、（3.2）模型监控内回路结构设计

92、外回路模型监控是监控整个伺服作动系统模型，内回路模型监控来实现对伺服作动系统中各个部件的监控。内回路能够把外回路的中间过程给描述出来，增加了中间数据的监控环节。

93、内回路模型监控分为三个部分，分别为：控制电信号模型监控、电液伺服阀模型监控和作动器模型监控。内回路中，控制电信号模块基准模型为电液伺服阀中力矩马达的线圈电阻，取其额定值为参考模型。电液伺服阀模型监控和作动器模型监控中的模型对应步骤(2)中的电液伺服阀神经网络模型和作动器神经网络模型，取两者的输入和输出为监控模型。

94、控制电信号模型监控对象：控制电压和控制电流。

95、飞机舵机电液伺服阀中的力矩马达的线圈电阻的故障判断条件：

96、(21)

97、式中，为力矩马达的线圈电阻，，为力矩马达的线圈电阻额定值，为电阻故障阈值。

98、电液伺服阀模型监控对象：电液伺服阀控制信号、阀芯位移。

99、电液伺服阀阀芯位移的故障判断条件：

100、(22)

101、式中，为飞机舵机传感器采集到的阀芯位移，为神经网络模型输出的阀芯位移，为阀芯位移故障阈值。

102、作动器模型监控对象：作动器驱动的舵面偏转角度。

103、作动器的故障判断条件：

104、(23)

105、式中，为飞机舵机传感器采集到的舵面偏转角度，为神经网络模型输出的舵面偏转角度，为舵面偏转角度故障阈值。其中，舵面偏转角度与作动器输出位移的关系为：

106、(24)

107、式中，为作动器位移-角度比例系数。

108、上述监控对象通过步骤（2）中的神经网络模型搭建而成，将其与试飞数据作对比，分析两者之间的残差情况来实现故障监控功能。

109、本发明的有益效果：

110、本发明首先在传统的伺服作动系统模型的基础上，通过分析大量的实时数据，辨识得到飞机舵机电液伺服作动系统神经模型，能够更准确地反映系统的状态和运行特征，使模型更准确，更接近真实系统。在此基础上，建立飞机舵机电液伺服作动系统模型监控模块，设计故障诊断算法，通过对比神经网络模型的输出，能够及时反馈真实系统的输出状态，实现对真实飞机舵机电液伺服作动系统的故障诊断，提升故障检测的灵敏度和可靠性。

技术特征：

1. 一种数据驱动的伺服作动系统模型辨识及故障监控方法，其特征在于，包括如下步骤：

技术总结
本发明属于飞行器伺服作动系统领域，涉及一种数据驱动的伺服作动系统模型辨识及故障监控方法，包括步骤1、飞机舵机电液伺服作动系统数学建模；步骤2、采用BP神经网络方法，利用采集的试飞数据，通过飞机舵机电液伺服作动系统数学计算获得飞机舵机电液伺服作动系统的输入输出数据，对飞机舵机电液伺服作动系统进行辨识，得到输出更加精准的飞机舵机电液伺服作动系统神经网络模型；步骤3、设计相应的伺服作动系统模型监控模块，实施实时监控，利用建立的动态模型对系统状态进行持续评估。本发明可以实现更为精准的监控和故障检测，及时识别潜在问题，降低系统故障风险，能够实时适应系统的动态变化，提升整体安全性和可靠性。

技术研发人员：王虎祥,吴国强,刘哲辰
受保护的技术使用者：大连理工大学
技术研发日：
技术公布日：2024/12/5