機電作動系統故障影響分析與故障檢測方法

楊建忠，楊珍書，孫曉哲

(中國民航大學天津市民用航空器適航與維修重點實驗室，天津 300300)

0 引 言

隨著多電飛機的發展與電傳飛控技術的成熟，電力作動系統以其高可靠性、無污染、便于維護等優點，已作為多電飛機作動系統的關鍵技術，成為新型作動系統的發展方向[1]。其中，機電作動系統(以下簡稱EMA)作為功率電傳的典型特征之一，逐漸取代液壓作動系統，已在新型民用客機的飛控作動系統中得到應用[2]。例如波音787和空客380已將EMA應用于水平安定面配平作動和擾流板作動。然而，目前在役民機仍以液壓作動系統為主要作動形式，因此，EMA尚未有足夠長的運行時間與足夠大的數據積累以得到可靠的故障統計數據。

中國民航規章CCAR 25.671(c)條款規定，必須用分析、試驗或兩者兼用來表明，在正常飛行包線內發生飛行操縱系統故障后，不需要特殊的駕駛技巧或體力，飛機仍能繼續安全飛行與著陸。EMA作為飛行操縱系統的安全-關鍵部件，對其進行故障模式及影響的研究十分必要[3-5]。

當前EMA故障影響及故障特征來源于工業技術報告、軍方報告的經驗數據，關于EMA的故障機理和故障影響分析仍鮮有文獻開展系統研究[6-8]。

本文基于EMA故障機理分析，選取典型的故障模式，通過故障仿真分析該種故障模式對EMA的故障影響。提出基于快速傅里葉變換的故障檢測方法，提取故障特征，為EMA故障檢測提供理論支持。

1 典型故障模式選取

1.1 EMA故障模式梳理

EMA集電磁機構、傳感器、電力電子線路多種部件為一體，其可能出現的故障模式復雜且各不相同。基于EMA的架構和工作原理，對其故障模式進行分析與整理，按照功能實現的分類原則將EMA的故障模式分為電子控制裝置故障、驅動器故障、無刷直流電動機故障、機械傳動故障和傳感器故障5個模塊，且故障特征的選取準則如下：

(1)故障特征之間差別大，但是特征樣本之間的差別小；

(2)故障特征對外界環境變量如噪聲、系統誤差等相對不敏感；

(3)故障特征與EMA其他故障模式的故障特征不關聯。

根據CCAR 25.671(c)的要求，基于EMA故障機理進行分析，并考慮若不及時糾正與診斷就會發展成為失效情況[9]，對EMA的故障模式整理與歸納如表1所示。

表1 EMA傳統故障模式

1.2 非指令信號

表1中的故障模式并未考慮到電子飛行控制系統和EMA的新穎獨特設計特征，而這也是適航審查的難點與關注重點，應對其新穎的故障模式及故障影響進行研究。

經驗表明，能夠對電子線路中傳輸信號產生干擾并修改指令信號的主要干擾有[10]：有害的瞬變、異步微處理器對信號的處理、傳輸延遲的有害影響、傳感器噪聲、不可靠的傳感器信號、失真效應、電磁效應等。基于對非指令信號故障機理分析，EMA非指令信號的產生位置及形式如表2所示。

表2 EMA非指令信號的產生位置與形式

以上綜合考慮CCAR 25.671和專用條件指令信號完整性的要求，對EMA的故障模式進行梳理。

綜上可得EMA典型故障模式如表3所示。基于選取的典型故障模式，建立故障模型并進行故障仿真。

表3 EMA典型故障模式

2 故障仿真

圖1為EMA故障模型仿真框圖。它主要由控制器、逆變模塊、驅動模塊、電機本體、機械傳動模塊等組成，感應電動勢計算模塊采用分段線性化的方法，電流閉環采用PWM控制。

圖1 EMA故障模型仿真框圖

對表3中的故障模式進行故障建模與仿真。采用S函數表述電機繞組短路、軸承卡阻等故障發生時系統參數的變化；考慮非指令信號為“液態”非指令信號[11]，即為正常信號與干擾信號的疊加，其故障注入原理圖如圖2所示。

圖2非指令信號故障注入原理圖

2.1 繞組匝間短路故障

已知應用于民用客機水平安定面的EMA驅動舵面作動時，最高配平速度為6.98×10-3rad/s，舵面最大軸向載荷為4 000 N，所需驅動轉矩峰值為3.2 N·m，因此EMA輸入舵偏指令為斜率k1=0.06斜坡信號，負載轉矩2.2 N·m。故障百分比Sa設為0.8，系統運行1 s時A相繞組發生匝間短路故障，故障時刻系統響應如圖3所示。

由圖3可知，電機轉速約0.12 s達到穩定，響應迅速；作動系統正常運行時，輸出舵偏平穩且能精確跟蹤指令信號，三相電流相差120°相位，輸出電磁轉矩在2.2 N·m附近波動。

(a) 電機相電流

(b) 輸出轉矩

(c) 電機角轉速

(d) 舵偏輸出

A相繞組發生匝間短路故障后，三相電流相位仍能正常切換，但短路相電流幅值增大，電流波形受電感影響發生畸變，輸出轉矩受短路環流影響發生劇烈脈動。由于閉環調節作用，輸出舵偏基本不受影響。若在此故障模式下持續長時間工作，三相不均衡電流可能導致系統內部溫升，影響電機作動性能，帶來不必要的軸承磨損甚至燒毀電路，為EMA帶來更嚴峻的故障影響。相比舵偏輸出值，驅動電機三相電流響應迅速，故障特征明顯，更應將其作為匝間短路的故障特征。

2.2 電機軸承卡阻故障

(a) 輸出電磁轉矩

(b) 電機轉速

(c) 舵偏輸出

2.3 載荷路徑間隙過大

由于載荷路徑間隙過大僅在系統反向作動時產生故障影響，因此EMA輸入舵偏指令為幅值0.6 rad、周期2 s的正弦信號，負載轉矩2.2 N·m，系統運行1 s時載荷傳遞路徑出現間隙過大故障，故障時刻系統響應如圖5所示。

(a) 輸出電磁轉矩

(b) 電機轉速

(c) 舵偏輸出

由圖5可知，在系統反向動態作動過程中，由于過大的間隙干擾，輸出舵偏不能精確跟蹤指令信號，控制器試圖通過調節驅動電機轉速不斷減小誤差，由此帶來輸出轉矩振蕩。在反向作動的動態調節過程中，間隙過大且干擾不斷累積，導致輸出舵偏產生大的誤差，直到反向作動完成，跟蹤性能存在0.7 s延遲。

2.4 傳感器輸出信號噪聲

EMA輸入舵偏指令為斜率k1=0.06斜坡信號，負載轉矩2.2 N·m，系統運行1 s時傳感器疊加高斯噪聲干擾，故障時刻系統響應如圖6所示。

(a) 輸出電磁轉矩

(b) 電機轉速

(c) 舵偏輸出

由圖6可知，位置傳感器輸出信號疊加噪聲干擾后，由于控制器閉環作用，系統誤差信號被放大且隨噪聲信號波動。驅動電機輸出轉速、系統輸出轉矩與輸出舵偏受到錯誤的誤差信號調節產生噪聲波動。輸出舵偏波動易造成舵面振蕩失效，影響舵面配平并對飛機結構造成衍生影響。

2.5 控制器輸出信號噪聲

EMA輸入舵偏指令為斜率k1=0.06斜坡信號，負載轉矩2.2 N·m，系統運行1 s時控制器疊加高斯噪聲干擾，故障時刻系統響應如圖7所示。

(a) 輸出電磁轉矩

(b) 電機轉速

(c) 舵偏輸出

由圖7可知，控制器輸出信號疊加噪聲干擾后，對驅動電機電流、轉速、輸出轉矩的調節部分產生噪聲干擾。由于控制器閉環作用，調節輸出舵偏跟蹤指令信號，減小誤差，輸出舵偏基本不受影響。相比舵偏輸出值，驅動電機輸出轉矩故障特征明顯，更應將其作為控制器噪聲信號干擾的故障特征。

通過以上故障仿真及影響分析可知，EMA各個部件發生典型故障后，雖會造成輸出電磁轉矩振蕩、電機轉速波動，但系統仍能夠帶故障運行，且某些故障(驅動電機繞組短路、控制器產生噪聲非指令信號)基本不影響舵偏輸出。雖然故障時刻舵偏輸出受故障影響較小，但此時系統作動性能變差，若不能根據有效的故障特征進行準確及時判斷，故障的衍生影響將進一步惡化系統性能，導致不可接受的故障響應。

3 故障檢測方法

通過分析故障模式的原始故障信號不能夠提取故障特征，因此，需要通過必要的時域分析、頻域分析或者時頻域分析提取故障特征。時域分析包括時域統計分析、高階統計量和短脈沖等方法，該種方法僅能夠對系統的故障特征及表現進行基本的描述與分析。時頻域分析方法包括小波變換、短時傅里葉變換等，該方法從濾波器組結構中尋找故障信號的主頻帶，能夠從干擾噪聲信號中精確提取故障特征。頻域故障特征分析方法包括高階頻譜分析、包絡分析、快速傅里葉變換等，該種分析方法能夠有效地從故障信息中提取重要故障特征[12]。其中，快速傅里葉變換(FFT)分析能夠提取時域分析中隱藏的重要信息[13]，且理論成熟適用范圍廣，基于頻域分析，總諧波失真值(THD)能夠體現系統的故障特征[14]，因此FFT方法成為有效的故障特征提取方法。基于故障仿真模型，利用FFT技術方法，通過分析EMA輸出電磁轉矩和驅動電機定子電流的諧波，提取故障特征，為故障定位與檢測提供理論基礎。

當EMA發生匝間繞組短路故障時，驅動電機A相電流、輸出電磁轉矩的頻譜特性規律基本不變，但其諧波幅度隨短路故障程度增加而減小，如圖8～圖10所示。

(a) A相相電流FFT分析

(b) 輸出轉矩FFT分析

(a) A相相電流FFT分析

(b) 輸出轉矩FFT分析

(a) A相相電流FFT分析

(b) 輸出轉矩FFT分析

因此，發生同一故障時，A相電流、電磁轉矩頻譜特性規律基本不變，但THD值隨故障嚴重程度的增加而增大，如表4所示。

表4 A相電流與電磁轉矩的THD值

由于驅動電機的故障信號存在調制現象，系統軸承輸出信號中存在噪聲干擾，通過FFT分析直接觀察其故障頻率的分量可能無法正確檢測到相應故障。Hilbert-Huang Transform (HHT)和Spectral Kurtosis (SK)僅在故障信號標定的頻帶進行故障特征分析，雖能夠降低由于噪聲帶來的干擾，但是由于濾波器的限制，這些方法所確定故障信號的主頻帶可能不與故障頻帶匹配，不能及時發現故障。因此，EMA多種故障模式及噪聲干擾對其故障的檢測有一定難度。文獻[15]采用模擬退火和譜峰度的綜合方法對最佳頻段進行定位，這種方法通過模擬退火使頻譜峰度最大化來實現頻帶優化，進而解決局部單一故障因調制與干擾不易被檢測的問題。FFT分析方法成熟，為能夠減小信號調制及噪聲對FFT分析結論的干擾，以此準確提取故障特征，明確多種故障模式及其影響之間的對應關系，本文以電機軸承卡阻(圖11)、載荷路徑間隙過大(圖12)、傳感器信號干擾故障(圖13)、控制器信號干擾故障(圖14)為例，分別對EMA典型故障模式進行FFT分析，對比不同故障模式下故障特征的差異，總結規律性結論如表5所示，能夠對多種故障模式進行準確的故障特征提取。

(a) A相相電流FFT分析

(b) 輸出轉矩FFT分析

(a) A相相電流FFT分析

(b) 輸出轉矩FFT分析

(a) A相相電流FFT分析

(b) 輸出轉矩FFT分析

(a) A相相電流FFT分析

(b) 輸出轉矩FFT分析

由表5可知，不同故障模式導致的A相電流、輸出轉矩頻譜特性的變化規律各不相同，通過總結分析可以得出以下規律：

EMA發生機械故障(軸承卡阻、載荷路徑間隙過大)相較電氣電子故障(表中其它故障)，A相電流諧波幅度變化大，THD值約為電氣電子故障的7倍。因此，A相電流THD值能夠作為基本的故障特征以判斷發生的故障為機械或電氣電子類型。

表5 各故障模A相電流與電磁轉矩FFT分析

當機械故障引起的A相電流THD值變化基本相同時，分析輸出轉矩THD值的變化規律。電機軸承卡阻時輸出轉矩THD值約為載荷路徑間隙過大時輸出轉矩THD值的4倍。同理，在電氣電子部分故障中，傳感器信號噪聲干擾故障時輸出轉矩THD值約為控制器信號噪聲干擾故障的9倍。因此，輸出轉矩THD值能夠作為另一故障特征，區分同類故障(機械或電氣電子)中不同的故障模式。

除THD值作為故障特征之外，電流及輸出轉矩的頻譜特性可輔助確定導致故障發生的故障模式。例如，電機軸承發生卡阻故障時，A相電流頻譜分布規律同正常狀態，但其輸出轉矩頻譜分布規律恰與正常狀態相反；控制器輸出信號產生干擾故障時，除輸出轉矩低頻率諧波增大一倍外，相電流、輸出轉矩頻譜分布規律基本同正常狀態。

根據上述分析可知：

(1)同一故障模式下，相電流和輸出轉矩的THD值隨故障嚴重程度的增加而增大。

(2)相電流THD值作為故障特征判斷故障發生的類型：傳遞路徑機械故障時相電流THD值約為電信號故障的7倍；輸出轉矩THD值作為另一故障特征判斷同類故障中不同故障模式：傳感器非指令信號故障時系統輸出轉矩THD值約為控制器非指令信號故障的9倍。

(3)除THD值作為故障特征之外，不同故障模式下電流及輸出轉矩的頻譜特征可協助確定故障模式。

由此，確定系統驅動電機相電流、輸出轉矩為故障特征，定義諧波失真的變化閾值，建立故障判斷條件，作為故障檢測的推理規則。

4 結 語

EMA是機電一體化的復雜系統，故障模式不明確，本文基于EMA的工作原理與故障機理，梳理出典型的故障模式并歸類，通過模型仿真分析EMA系統各環節的故障響應及變化。并提出將FFT分析方法應用于故障特征提取，將系統驅動電機相電流、輸出轉矩的THD值作為重要評價指標。通過FFT分析與THD值的比較，能夠獲取顯著的故障特征與變化閾值，為帶故障運行的在線檢測與診斷提供理論基礎。

[1] MAZZOLENI M,MACCARANA Y,PREVIDI F,et al.Development of a reliable electro-mechanical actuator for primary control surfaces in small aircrafts[C]//2017 IEEE International Conference on Advanced Intelligent Mechatronics (AIM).IEEE,2017:1142-1147.

[2] CAO W,MECROW B C,ATKINSON G J,et al.Overview of electric motor technologies used for more electric aircraft (MEA)[J].IEEE Transactions on Industrial Electronics,2012,59(9): 3523-353.

[3] 東華,銀忠.現代故障診斷與容錯控制[M].北京：清華大學出版社,2000.

[4] BALABAN E,SAXENA A,NARASIMHAN S,et al.Experimental validation of a prognostic health management system for electro-mechanical actuators[C]//AIAA Infotech@Aerospace,St.Louis,Missouri.2013:329-344.

[5] VINSON G,COMBACAU M,PRADO T.Synchronous machine faults detection and diagnosis for electro-mechanical actuators in aeronautics[J].IFAC Proceedings Volumes,2012,45(20): 770-775.

[6] BORELLO L,VILLERO G,VEDOVA M D.Redundant hydraulic secondary flight control systems behavior in failure conditions[C]//27th International Congress of the Aeronautical Sciences,2010.

[7] 邢琰,吳宏鑫,王曉磊,等.航天器故障診斷與容錯控制技術綜述[J].宇航學報,2003,24(3): 221-226.

[8] 李璠,毛海濤.飛機機電作動系統故障模式分析與故障診斷方法[J].航空維修與工程,2016,(3):47-50.

[9] BALABAN E,BANSAL P,STOELTING P,et al.A diagnostic approach for electro-mechanical actuators in aerospace systems[C]// Aerospace Conference.IEEE,2009:1-13.

[10] Docket No.NM305,Special Conditions No.25-316-SC.Special Conditions: Airbus Model A380-800 Airplane [S].Federal Aviation Administration，2006.

[11] URBANO S.Early and robust detection of oscillatory failure cases (OFC) in the flight control system:A data driven technique[C]//Aiaa Aerospace Sciences Meeting.2015.

[12] TIAN J,MORILLO C,PECHT M G.Rolling element bearing fault diagnosis using simulated annealing optimized spectral kurtosis[C]//2013 IEEE Conference on Prognostics and Health Management (PHM).2013:1-5.

[13] Moosavi S S,Djerdir A,Ait-Amirat Y,et al.ANN based fault diagnosis of permanent magnet synchronous motor under stator winding shorted turn[J].Electric Power Systems Research,2015(125): 67-82.

[14] Chen Y,Wang L,Wang Z,et al.FEM simulation and analysis on stator winding inter-turn fault in DFIG[C]//2015 IEEE 11th International Conference on the Properties and Applications of Dielectric Materials.2015: 244-247.

[15] TIAN J,MORILLO C,PECHT M G.Rolling element bearing fault diagnosis using simulated annealing optimized spectral kurtosis[C]//2013 IEEE Conference on Prognostics and Health Management (PHM).2013:1-5.