FDENN:基于特征增强深度弹性神经网络的机电执行器电力电子健康指标提取方法

《IEEE/ASME Transactions on Mechatronics》:FDENN: Health Indicator Extraction for Power Electronics of Electro-Mechanical Actuator Based on Feature-Enhanced Deep Elastic Neural Network

【字体: 大 中 小 】 时间:2026年04月20日 来源:IEEE/ASME Transactions on Mechatronics 7.3

编辑推荐:

  电机械作动器(EMA)的电力电子部件退化过程研究及其健康指标提取方法。摘要:针对EMA电力电子传感器不足导致特征提取受限的问题,提出基于混合逻辑动态模型与深度弹性神经网络的FDENN方法,通过仿真与实测验证其高效提取健康指标的能力。

  

摘要:

电机械执行器(EMA)在航空应用的机电一体化系统中越来越被视为关键的安全组件。作为EMA的核心组成部分,电力电子器件对于确保系统的安全稳定运行至关重要。因此,研究电力电子器件的退化过程可以显著提高EMA的可靠性。然而,在实际应用中传感器布置的局限性可能导致特征提取不足,从而难以捕捉特征与潜在退化过程之间的映射关系。这给准确评估EMA电力电子器件的退化特性带来了挑战。因此,研究无需添加专用传感器即可表征EMA电力电子器件退化的健康指标(HI)的方法具有很高的价值。在本文中,提出了一种基于特征增强型深度弹性神经网络(FDENN)的创新方法,该方法无需额外传感器即可整合EMA相电流的混合逻辑动态模型与深度弹性神经网络。通过使用仿真数据和实际数据进行实验,验证了所提出方法的有效性。结果表明,FDENN模型在提取EMA电力电子器件的健康指标方面表现出优异的性能。

引言

随着机电一体化技术的快速发展,电机械执行器(EMA)已成为电传操纵系统中的基本驱动机制。EMA消除了液压系统的中间传输环节,实现了从电气电路到机械组件的直接控制和驱动[1]。这种设计具有多种优势,包括轻量化设计、快速响应、能效提升、体积和重量减小、防止液体泄漏、高可靠性、安全性增强以及易于维护[2]、[3]。作为机电一体化系统的关键组件,EMA因其集成了机械、电气和控制系统而在航空应用中受到了广泛关注。近年来,针对EMA的研究取得了显著进展。例如,Liu等人[4]提出了一种新的有限时间收敛非线性函数以及创新的扩展状态观测器,以提升EMA的动态跟踪性能并提高高阶扰动的估计精度。Mercecorelli和Werner[5]研究了EMA的控制策略,并引入了一种基于共振原理的自适应控制方法。Mazzoleni等人[6]专注于小型飞机主控制面用EMA的设计,引入了新型传感器和先进的健康监测技术。这些研究推动了EMA在航空领域的进步,提高了系统的效率、可靠性和性能,同时也实现了对飞行动态的更精确控制。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号