六自由度运动平台电动缸故障诊断方法与流程

1.本发明涉及飞行模拟器技术领域，具体涉及一种使用固定字典极限学习机实现的六自由度运动平台电动缸故障诊断方法。


背景技术：

2.飞行模拟器能够模拟绝大部分飞行场景和任务，对于提升受训人员的技能水平有着极大的帮助。相较于传统的实装训练方式，使用飞行模拟器进行训练显然有着更广阔的使用前景以及更低的训练成本。
3.电动缸作为飞行模拟器中六自由度运动平台的重要执行部件，承担着提供动感模拟的重要任务，它的健康状态直接影响着飞行模拟器使用人员的受训效果和生命安全。然而，现有维持电动缸工作能力的手段主要为预防性维护，定期观察并更换电动缸内的润滑油，以及运行时靠人耳识别是否有异常噪声，这一方式无法对影响安全的电动缸故障模式进行诊断。
4.由于电动缸使用频率高、连续工作时间长、可靠性要求高，导致对其故障诊断技术有着极高的需求。同时电动缸本体上除了电机后端的编码器能够获得电机的转速及电动缸的行程外，难以加装更多的传感器，使得电动缸故障诊断难度增大。因此，必须引入新型诊断手段来解决这一问题。在飞行模拟器中，六自由度运动平台的动作完全依赖于受训飞行员的操作，内置传感器采集到的电压、电流、温度、编码器反馈转速等数据不具有规律性，缺乏分析价值。近年来普遍应用于故障诊断领域并且效果较好的神经网络故障诊断方法，在这种数据中难以得到有效的应用。


技术实现要素：

5.为满足对于六自由度运动平台电动缸的故障诊断需求，本发明提出了一种六自由度运动平台电动缸故障诊断方法，在飞行模拟器六自由度运动平台的上平台下方加装了轴向加速度传感器，并设置了诊断动作以获取具有周期性特点的振动数据；随后采用了复杂度较低、运行速度极快的单隐层前馈神经网络算法固定字典极限学习机(fd-elm)对传感器获得的振动数据进行分析，以达到电动缸故障诊断的目的。
6.本发明的发明目的通过以下技术方案实现：
7.一种六自由度运动平台电动缸故障诊断方法，包含以下步骤：
8.步骤一、在六自由度运动平台的上平台下方加装若干个采样频率为轴向的加速度传感器；
9.步骤二、对六自由度运动平台的运动特性进行分析，设置一套能获得周期性振动数据的动作为诊断动作；
10.步骤三、在六自由度运动平台上运行诊断动作，由加速度传感器获得电动缸在不同状态下的振动数据；
11.步骤四、使用fd-elm对振动数据进行学习并生成基于神经网络的故障诊断模型；
12.步骤五、在待诊断的六自由度运动平台开机及关机时自动运行诊断动作并由加速度传感器获取电动缸的振动数据；
13.步骤六、使用训练好的故障诊断模型对振动数据进行分析以判断电动缸处于正常或是故障状态。
附图说明
14.图1故障诊断方法原理；
15.图2传感器安装位置；
16.图3诊断动作示意图；
17.图4振动信号采集示例；
18.图5故障诊断流程图；
具体实施方式
19.下面将结合附图和具体实施方式对本发明作进一步的详细说明。
20.如图1所示，本实施例所示的一种六自由度运动平台电动缸故障诊断方法，具体步骤如下：
21.步骤一、在六自由度运动平台的上平台下方加装若干个采样频率为轴向的加速度传感器以获取电动缸的振动信号。
22.为节省成本，本实施例在六自由度运动平台的上平台下方加装3个加速度传感器，如图2所示，每个加速度传感器加装在相邻的二个电动缸的交接处。依照机械故障中，越接近故障点振动能量越高的普遍特点，对三个加速度传感器的振动信号所包含的能量大小进行分析就能快速找到故障电动缸的位置。本实施例使用较少传感器的情况下能够快速定位故障电动缸的位置并进行故障模式的识别。
23.步骤二、对六自由度运动平台的运动特性进行分析，设置一套能获得周期性振动数据的动作为诊断动作。
24.为解决飞行模拟器中六自由度运动平台获取到的数据缺乏规律性无法用作故障诊断分析的问题，如图3所示，本实施例使六自由度运动平台的上平台保持水平并运动到外径极限，随后使上平台以垂向轴为中心，并以的角速度沿顺时针做匀速运动，设置该动作为诊断动作，以获取有分析价值的振动信号。
25.步骤三、在六自由度运动平台上运行步骤二所述的诊断动作，由加速度传感器获得电动缸在不同状态下的振动数据。
26.在本实施例中，由加速度传感器获得电动缸在正常、关节铰链磨损、丝杠磨损、伸缩杆裂纹四种状态下的振动数据，采集到的振动数据如图4所示。
27.步骤四、使用fd-elm对步骤三获得的振动数据进行学习并生成基于神经网络的故障诊断模型。
28.算法步骤如下：
29.1)使用高斯平滑对振动数据进行平滑处理，消除能量较低的环境噪声；
30.2)将振动数据分为n个长度为m的数组作为神经节点并标记上对应的标签作为样
本；
31.3)初始化fd-elm并输入振动信号构成的样本集进行神经网络的训练：
32.fd-elm的公式可总结如下：
[0033][0034]
其中，x是输入的振动信号，α是输入权重矩阵，β是输出权重矩阵，g是激活函数，l为输入样本个数。
[0035]
使用公式(2)(3)初始化固定字典学习机的输入权重矩阵α。
[0036][0037][0038]
其中，c是编码矩阵，o、p和q是自变量。在本文中，它们的默认值分别是3，2和1.53。在不同的数据集中，3个变量的值应当根据数据集的特点进行调整。
[0039]
将n个有标签的样本输入固定字典学习机进行标签学习：
[0040]
使用广义逆矩阵法求解目标函数以获得输出权重矩阵β：
[0041]
minimize||f-t||＝||sigmoid(xm×n·
coden·m)
·
βm×
j-t||
ꢀꢀ
(4)
[0042]
其中，t是标签矩阵。
[0043]
4)公式(1)以及计算出的α矩阵和β矩阵，构成训练好的基于神经网络的故障诊断模型。
[0044]
步骤五、在待诊断的六自由度运动平台开机及关机时自动运行诊断动作并由加速度传感器获取电动缸的振动数据。
[0045]
步骤六、使用训练好的故障诊断模型对振动数据进行分析以判断电动缸处于正常或是故障状态，若是处于故障状态则分析三个传感器振动数据的能量特征以定位具体的故障电动缸。如图5所示：
[0046]
1)若电动缸的振动数据识别为正常：结束诊断并完成开机、关机动作。
[0047]
2)若电动缸的振动数据识别为关节铰链磨损、丝杠磨损、伸缩杆裂纹三种状态之一：通过公式(5)分别计算三个加速度传感器获得的振动数据的能量。选取能量最高的加速度传感器所对应的两个电动缸作为建议检修的电动缸，然后依照剩下两个传感器获得的振动数据的能量大小来确定具体发生故障的电动缸。随后将确定的电动缸和故障模式上报给维修人员进行检修。
[0048]
e＝∑|x|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0049]
其中，e为能量大小，x为振动信号。
[0050]
按照图1中的六自由度运动平台传感器安装位置，故障定位方法总结见表1。
[0051]
表1
[0052][0053]
以图1中加速度传感器2所在位置的两个电动缸为例：
[0054]
(1)若故障电动缸为加速度传感器2所在位置连接的电动缸，则三个传感器所获得的振动信号能量大小排序为：e2》e1、e3，e1≈e3。
[0055]
(2)若故障电动缸为加速度传感器2所在位置逆时针方向对应的电动缸，则三个传感器所获得的振动信号能量大小排序为：e2》e1》e3。
[0056]
本发明的有益效果在于：
[0057]
1)三个加速度传感器的布局设置配合步骤六的振动信号能量分析方法可以在保证电动缸能够快速故障定位的前提下，尽可能减少加速度传感器的数量，节省成本；
[0058]
2)诊断动作的设置可获取周期性较强的振动数据，从而使得神经网络算法能够在飞行模拟器六自由度运动平台的故障诊断领域中得以运用；
[0059]
3)使六自由度运动平台上平台绕垂向轴顺时针水平旋转的诊断动作能够使得每个电动缸得到充分的规律性动作，有利于发掘故障特征；
[0060]
4)不同于电动缸的传统电气检测，本发明按照电动缸在飞行模拟器中的使用场景将故障检测主要放在电动缸机械故障的检测上。这一做法有利于在电动缸功能降级或失效前获得维修且确保了设备和人员安全；
[0061]
5)自动化的检测方式节省了大量人工提高了检测效率，对于振动信号的分析，有利于发现电动缸的早期故障从而指导维护和维修；
[0062]
6)使用的固定字典极限学习机算法复杂度低、运行速度快、识别精度高，对于算力和内存资源的运用极为高效，十分适合用于飞行模拟器六自由度运动平台开机和关机时的电动缸故障诊断场景。