A Robust Model-Based Strategy for Real-Time Fault Detection and Diagnosis in an Electro-Hydraulic Actuator Using Updated Interactive Multiple Model Smooth Variable Structure Filter
Notice bibliographique
Résumé
Abstract In industries where harsh environments and stringent safety requirements are prevalent, the widespread use of applications has made it essential to focus on fault detection and diagnosis (FDD) in hydraulic actuators. To achieve this, model-based FDD techniques are utilized, which employ estimation tools like observers and filters. However, for many applications, particularly in fluid power systems, observability, and parameter uncertainty pose constraints to extracting information and estimating parameters. To address these issues, an efficient form of interactive multiple model (IMM), called updated IMM (UIMM), is applied to an electro-hydraulic actuator (EHA) to detect and isolate persisting friction and leakage faults. UIMM method progresses through a series of models that correspond to the fault condition's progression instead of considering all models at once (as is done in IMM). This reduces the number of models running simultaneously, providing two significant benefits: enhanced computational efficiency and avoidance of the combinatorial explosion. The smooth variable structure filter with variable boundary layer (SVSF-VBL) is used for state and parameter estimation in conjunction with UIMM. SVSF-VBL is a reliable suboptimal estimation method that performs better than the Kalman filter regarding uncertainties related to the system and modeling. The performance of the UIMM method is validated by the simulation of fault conditions for a typical EHA. A fault tolerable control system (FTCS) has been designed to demonstrate the use of the proposed FDD strategy for fault management in a closed-loop system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».