Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 恭喜大连理工大学王虎祥获国家专利权

恭喜大连理工大学王虎祥获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网恭喜大连理工大学申请的专利一种数据驱动的伺服作动系统模型辨识及故障监控方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN119065254B

龙图腾网通过国家知识产权局官网在2025-01-17发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202411554150.7,技术领域涉及:G05B13/04;该发明授权一种数据驱动的伺服作动系统模型辨识及故障监控方法是由王虎祥;吴国强;刘哲辰设计研发完成,并于2024-11-04向国家知识产权局提交的专利申请。

一种数据驱动的伺服作动系统模型辨识及故障监控方法在说明书摘要公布了: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。

本发明授权一种数据驱动的伺服作动系统模型辨识及故障监控方法在权利要求书中公布了: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:步骤(1)飞机舵机电液伺服作动系统数学建模(1.1)飞机舵机电液伺服作动系统基本方程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;(1.1.1)电液伺服阀传递函数方程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;通过驱动电流求得阀芯位移,驱动电流和阀芯位移的关系看作比例环节,传递函数为 1式中,为阀芯位移;为电流;为电流-阀芯位移增益;(1.1.2)滑阀流量方程 2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;位置伺服系统动态分析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 3(1.1.3)液压伺服作动器流量连续性方程管道中的压力损失和管道动态忽略;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;流入液压伺服作动器进油腔的流量为 4式中,为进油腔内油液的压力,为回油腔内油液的压力;流入液压伺服作动器回油腔的流量为 5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;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;液压伺服作动器进油腔和回油腔的容积为 6 7式中,为进油腔的初始容积;为回油腔的初始容积;由式3、式4、式5、式6、式7得流量连续性方程为 8式中,进油腔和回油腔的外泄漏流量和忽略不计;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 9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 10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;由于,,则式8简化为 11式中,为液压伺服作动器总泄露系数,;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;(1.1.4)液压伺服作动器负载力平衡方程液压伺服作动器的输出力与负载力的平衡方程为 12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;(1.2)传递函数推导对式2、式11、式12取拉式变换得 13 14 15式14、式15中的是一个复变量,表示为,其中是实部,是虚部,是虚数单位,在此处被看作是微分算子,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;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,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: 16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;(1.3)传递函数简化伺服作动系统是以惯性负载为主,所以将弹性负载以及受粘性阻尼影响的情况忽略不计,即 17式中,为液压的固有频率;为液压阻尼比;粘性系数很小,所以;液压伺服作动器的位移对阀芯位移的传递函数为 18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:(2.1)试飞数据采集数据采集在多个飞行阶段进行,包括起飞、巡航、机动和着陆,以确保覆盖所有可能的工作状态;飞机舵机电液伺服作动系统的试飞数据包括以下几个: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;(2.2)数据的处理对电液伺服阀的阀芯输出信号、作动器的输出位移信号数据进行滤波和重采样处理后,再进行神经网络辨识训练;(2.3)神经网络模型构建与辨识模型:飞机舵机电液伺服作动系统模型;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;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;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;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BP神经网络算法;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:(3.1)模型监控外回路结构设计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;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;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: 19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,则判断真实的作动系统出现故障;式19是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;因此,再加上时间的判断条件,如下: 20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;(3.2)模型监控内回路结构设计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;控制电信号模型监控对象:控制电压和控制电流;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: 21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;电液伺服阀模型监控对象:电液伺服阀控制信号、阀芯位移;电液伺服阀阀芯位移的故障判断条件: 22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;作动器模型监控对象:作动器驱动的舵面偏转角度;作动器的故障判断条件: 23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: 24式中,为作动器位移-角度比例系数;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。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人大连理工大学,其通讯地址为:116000 辽宁省大连市甘井子区凌工路2号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。