کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10677646 1012361 2015 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Neural network-based fault detection method for aileron actuator
ترجمه فارسی عنوان
روش تشخیص گسل مبتنی بر شبکه عصبی برای محرک ایلونون
کلمات کلیدی
محرک ایلونون، تشخیص گسل، شبکه عصبی، شرایط متغیر، مشاهده کننده،
ترجمه چکیده
تشخیص گسل برای موتورهای ایلئون عمدتا شامل افزایش قابلیت اطمینان و قابلیت تحمل خطا می باشد. در این مطالعه یک روش تشخیص خطا برای محرک ایلونون در شرایط متغیر پیشنهاد شده است. در این رویکرد، سه شبکه عصبی برای تشخیص خطا و محلی سازی خطا استفاده می شود. اولین شبکه عصبی، که به عنوان ناظر کار می کند، برای نظارت بر عملگر ایلونون و برآورد خروجی سیستم ایجاد می شود. شبکه عصبی دوم، آستانه انطباق متناظر را همزمان سازی می کند. آخرین شبکه عصبی به عنوان یک ناظر فعلی موتور نیرو استفاده می شود و خروجی نیروی نیروی تخمین زده می شود. گسل ها با مقایسه خطای باقی مانده (مقدار اختلاف بین خروجی واقعی و برآورد شده) و آستانه یا مقایسه جریان فعلی موتور و جریان نیروی برآورد تخمین زده می شود. با درنظر گرفتن شرایط متغیر، بارهای آیرودینامیکی به شبکه عصبی معرفی می شوند و طیف های سفارش آموزش طراحی می شوند. در نهایت، اثربخشی پیشنهاد شده توسط یک مدل شبیه سازی با گسل های مختلف نشان داده شده است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مکانیک محاسباتی
پیش نمایش مقاله
روش تشخیص گسل مبتنی بر شبکه عصبی برای محرک ایلونون
چکیده انگلیسی
Fault detection for aileron actuators mainly involves the enhancement of reliability and fault tolerant capability. A fault detection method for aileron actuator under variable conditions is proposed in this study. In the approach, three neural networks are used for fault detection and preliminary fault localization. The first neural network, which is employed as an observer, is established to monitor the aileron actuator and estimate the system output. The second neural network generates the corresponding adaptive threshold synchronously. The last neural network is used as a force motor current observer, and outputs estimated force motor current. Faults are detected by comparing the residual error (the difference value between the actual and estimated output) and the threshold, or comparing the force motor current and the estimated force motor current. In considering of the variable conditions, aerodynamic loads are introduced to the neural network, and the training order spectrums are designed. Finally, the effectiveness of the proposed scheme is demonstrated by a simulation model with different faults.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Mathematical Modelling - Volume 39, Issue 19, 1 October 2015, Pages 5803-5815
نویسندگان
, , , ,