adi
基于IMU和地磁传感器的捷联惯性导航系统(2)
laoguo 发表了文章 • 1 个评论 • 974 次浏览 • 2021-07-16 12:11
上节内容:http://www.ganwen.net.cn/?/article/30
基于MSE的传感器融合
在上一节中,观测变量是
其中没有来自罗盘的信息。由于ω是角速率,我们只能使用四 元数来导入罗盘数据q. 我们使用MSE方法获得q, 即观测变量 中的组分。
我们将各变量定义如下:
mb和ab: 体坐标系里的罗盘磁值和加速度值。
mn和an: 导航坐标系里的罗盘磁值和加速度值。
mn0和an0: 导航坐标系里的初始静态罗盘磁值和加速度值。
为从体坐标系到导航坐标系的姿态转换矩阵,用四元数表示,可以写成
其给出了导航坐标系中初始值与实时从体坐标系映射到导航坐标系的值之间的误差ε。
根据之前的定义,MSE方法可用于求取最优值。
通过求方程8的最小值:
对f(q)求导并使其等于零,
我们将获得方差意义上的最优q。我们使用高斯-牛顿方法,用一阶梯度收敛来求解以上非线性方程。
通过组合角速率,我们将得到观测变量
其中融合了卡尔曼滤波器中的罗盘数据和IMU数据。
该过程可以简单地描述为图5中的框图。
图5. 使用MSE方法的传感器融合框图。
松耦合
如前所述,我们经常遇到无法使用罗盘传感器的情况。如果磁数据受到干扰,则求解的姿态精度将比仅使用IMU时更差。因此,我们使用松耦合来判断磁传感器是否可用。当磁传感器不可用时,我们只用IMU来求解姿态;当磁传感器可用时,我们将使用融合算法找到姿态,如图6所示。
图6. 姿态计算流程图。
在获得新数据之后或者在求解新的姿态时(在某些系统中,采样周期与姿态解算周期不同,但我们在此处进行的是单采样周期解算),我们计算加速度的大小,如果结果不等于1g, 我们 就不会使用加速器的输出进行姿态计算。然后我们计算罗盘输出的大小并将其与初始值进行比较。如果它们彼此不相等,我们就不会在此周期中使用地磁传感器的数据。当满足两个条件时,我们会使用卡尔曼滤波器并执行MSE融合。
使用ADIS16470进行航位推算(DR)
在导航中,航位推算是计算当前位置的过程,先使用先前确定的位置,然后在解算周期中基于已知或估计的速度或加速度更新该位置。这里将使用ADIS16470里的加速度计。基于上一节解出的姿态,我们可以得到捷联系统的移动方向,然后需要计算该方向上的距离,最后确定位置。
捷联航位推算需要使用基于加速度测量的比力方程来跟踪INS的位置。比力方程可以简单描述为等式10、等式11和等式12:
其中ae是地球坐标系里的加速度,ab 是体坐标系里的加速度,ve是地球坐标系里的速度,se是地球坐标系里的距离,ge 是 地球坐标系里的重力加速为[0 0 1],单位为 g。需要强调的是,地球坐标系与导航坐标系不同——地球坐标系是基于NED的。该 δtt是解算周期。
用第一个等式可以得到从IMU体坐标系到地球坐标系的加速度映射,如格式
第二个等式将加速度积分或累加为速度;然而,由于测量的加速度包含了重力分量,所以需要减去重力。
与等式11类似,等式12将速度积分成距离。
传统方法存在几个问题。
● 加速度计输出总是有偏置,与重力相结合后,难以从公式10中减去,因此更准确的表达式应为:
除非是用一些专业设备来测量该偏置,例如分度头。
● 基于数值积分的实现方式,通常使用零阶保持器方法(前一个值)进行积分。但是,对于连续移动,这将带来重大的误差。例如,我们来比较以下方法:
方法1:
(零阶保持器)
方法2:
(线性插值)
在5秒内加速度为为0.5 m/s2时,位移最高将相差4m。仿真结果如图7所示。
图7. 速度计算中的零阶保持与一阶积分方法比较。
基于前面的讨论,基于应用,我们修改了传统比例方程中的两个地方:
X 我们不使用地球坐标作为导航坐标系。相反,正如我们在计算先前姿态时所做的那样,我们用初始姿态
作为导航坐标系。通过这种方式,偏置和重力都可以轻松取消,如公式14所示:
虽然姿态中同时包含了偏置和重力分量,但这样我们就不需要将它们分开成单独的分量,而是直接一起减去它们。
基于零阶保持器与一阶插值之间的比较,我们使用一阶方法来获得更准确的积分结果。
运动学模式和零速更新技术(ZUPT)
通过使用IMU的初始值作为导航坐标系,我们可以消除一部分加速度的偏置影响。然而,即使我们在使用设备之前能用分度头准确测量偏置,仍然很难取消,除非使用另一个精确的传感器来定期校准它。这主要是由两个原因引起的:一是偏置不稳定,这意味着我们之前测量的偏置不是现在的实际偏置。二是速度随机游走,由加速度噪声积分而来。前面提到的不良特性会使我们计算的距离显著漂移。即使我们停止移动并保持静止,从加速度积分而来的速度仍然存在,距离仍会增加。
要解决这个问题,我们需要找到一种通过使用ZUPT技术重置速度的方法。ZUPT技术与具体的应用密切相关,因此我们需要获得系统和应用的运动学特征,然后给出一些算法规则。我们发现的运动学模式越多,结果就越准确。
我们通过移动带有SINS系统的转椅来进行实验。由于我们的研究不限于特定应用,我们使用以下运动学假设:
● 对于航位推算,导航坐标系中没有z轴移动。此限制仅适用于航位推算,不适用于姿态求解。显然,我们是在二维空间中移动系统。这有助于消除z轴误差。
● 所有转弯都发生在停止后。如果在移动时发生转弯,则会因为引入额外加速而干扰姿态求解。
● 如果系统正在移动,加速度不能保持不变超过500毫秒。速度不能保持不变超过2秒。由于我们在推动或拉动转椅,因此很难手动使力精确地保持不变超过500毫秒,并且个人很难以匀速持续推动转椅2秒以上。事实上,我们正是运用这一规则来实施ZUPT。
● 加速度不能大于±1 m/s2。该规则用于一些噪音过滤,后者基于我们施加于椅子上、不会很大的拉力或推力。
如图8所示,当系统在X方向上移动时(投影到导航坐标系后),Y方向也会产生加速度;积分后,Y方向速度不会为零,这意味着即使我们只是在X方向上移动,航位推算系统仍然会给我们带来Y分量。
图8. 导航坐标系中三个方向的加速度。
基于第三条运动学假设,我们可以使用ZUPT来消除此误差。经ZUPT处理之后的积分速度如图9所示。
图9. 导航坐标系中三个方向的速度。
虽然我们使用了第三条假设,如前所示,误差仍然无法完全取消。误差消除取决于设定的零加速度和零速度的判断阈值。但是,大多数误差已得到修正。
虽然使用了ZUPT,但有时仍然无法达到零速。这由两个因素导致:
● 我们无法用ZUPT完全消除偏置不稳定误差和速度随机游走。
● 我们求出的姿态有一些误差,结果将导致投影(从体坐标系到导航坐标系)后的加速度误差。
以图10为例。图10中的左图是ADIS16470的原始数据(体坐标系),图10中的右图是投影到导航坐标系的加速度。可以看出,停止移动时,投影加速度不为零。由于它总是在变化,我们此处称之为基线漂移。
图10. 体坐标系(左)和导航坐标系(右)的加速度。
为了消除基线漂移,我们需要实时连续获得偏移偏置并从投影加速度中减去该值。结果如图11所示
Figure图11. 基线漂移消除之前(上)和之后(下)的加速度。
上图是基线漂移消除前的加速度,下图中的绿色轨迹是我们计算的基线偏移,红色轨迹是基线偏移消除后的加速度。
可以使用图12中的框图简要描述航位推算过程。我们将体坐标系加速度ab和姿态转移矩阵(来自AHRS)输入
到DR系统。完成后,我们将获得导航坐标系中的位置。
图12. 航位推算流程图
实验结果与结论
实验结果
使用SPI端口,我们将ADIS16470评估板和RM3100罗盘评估板连接到ADI公司的ADuCM4050电路板,构建出我们的系统,如图13所示。ADuCM4050 调整数据格式并进行时间同步(因为IMU和罗盘的数据速率不同)。然后使用UART将捕获的数据传输到计算机。所有计算(包括校准、AHRS和DR在MATLAB)均在MATLAB®中执行。
图13. 实验平台设置。
将评估板和计算机放在转椅上,并在实验室中推着转椅绕圈。
● AHRS输出:姿态以四元数格式和DCM格式表示,如图14所示。
图14. 四元数格式(左)和DCM格式(右)的姿态。
● DR输出:带XYZ位置的航位推算结果和三维图如图15所示。
图15. 位置计算结果。
结论
本文介绍了使用ADI公司的IMU ADIS16470和地磁传感器RM3100构建捷联惯导系统的基本过程,介绍了我们使用的校准、AHRS和DR方法。在平台和实验环境等条件有限的情况下,很难进一步测试平台和算法。
有很多方法可用于改善结果,例如:
● 使用里程表或UWB距离测量方法与IMU中的加速度计融合,以在DR中获得更准确的距离值。
● 使用更复杂的运动学模型,从而在AHRS和DR中在传感器和系统层次引入更多特性,例如系统的振动、加速和减速模型、地面平整度等。这意味着为了提高导航结果的准确性,需要给出更多的边界条件。
● X 使用更精确的数值计算方法,比如用辛普森规则或三次样条插值在DR中进行积分,或者使用牛顿方法而非高斯-牛顿方法求解非线性MSE方程等。
最后但也是最重要的一点,我们在试验中发现INS与应用或运动学模型紧密相关。例如,我们在两个地方进行了实验:未铺地毯的实验室和铺有地毯的办公室。如果我们使用相同的参数集,DR结果会显示出巨大的差异。因此,无论哪种应用,例如患者跟踪、AGV导航或停车定位,或者对于同一应用中的不同条 件,我们都需要全面了解其运动学模型。
基于IMU和地磁传感器的捷联惯性导航系统(1)
laoguo 发表了文章 • 0 个评论 • 1360 次浏览 • 2021-07-16 11:05
简介
随着服务机器人市场和技术的发展,导航已成为研究和应用中的一个热点。与车辆、船舶或飞机相比,服务机器人体积小,成本低,因此它们的导航系统应该具有捷联和低成本的特点。传统的稳定平台导航系统通常要采用独立的加速度计和光纤或激光陀螺仪,所有传感器都机械且刚性地安装在与正在移动的车辆隔离的稳定平台上。这导致了尺寸大、可靠性差、成本高的缺点。相反,在捷联惯导系统中,惯性传感器直接固定在车辆本体上,这意味着传感器会与车辆一起旋转。这种捷联方法消除了稳定平台惯导的缺点。然而,平台惯导的准确性通常高于SINS。平台惯导往往可以达到战略级(0.0001°/时的陀螺仪偏置,1μg的加速器偏置)或军用级(0.005°/时的陀螺仪偏置,30μg的加速器偏置),而多数SINS只能到达导航级(0.01°/时的陀螺仪偏置,50μg的加速器偏置)或战术级(10°/时的陀螺仪偏置,1mg的加速器偏置)。对于大多数服务机器人或AGV导航应用,这一精度足够了。
导航方法很多,包括机器视觉、GPS、UWB、SLAM型激光雷达等。基于IMU的惯性导航始终是导航的重要组成部分。然而,由于这种传感器的限制——例如偏置误差、轴间误差、噪声,特别是零偏不稳定性——惯性导航通常需要采用一个伙伴传感器,定期为它提供参考或校准,本文将这种情况称为传感器融合。许多传感器都可以与IMU融合,例如摄像头和里程表,但在这些传感器中,地磁传感器是一种低成本的方案,可与IMU配合获得姿态信息。
在本文中,我们使用ADI的IMU ADIS16470和地磁传感器来开发平台和算法,实现捷联惯性导航系统。但是,地磁传感器只能提供姿态信息。对于航位推算或距离测量,我们只能使用IMU中的 加速度传感器。
ADIS16470 IMU简介
ADI公司的ADIS16470是一款微型MEMS IMU,集成了3轴陀螺仪和3轴加速度计。其陀螺仪零偏稳定性为8°/时,加速计零偏稳定性为13μg 其关键参数都经过出厂校准。此外,ADIS16470的 低价格在同级产品中具有吸引力,得到了许多客户的广泛使用。在本文中,我们使用微控制器与ADIS16470通过SPI接口进行通信。
地磁传感器介绍
地磁传感器是用于测量罗盘体坐标(即坐标系)中的地磁场的传感器,可为航向提供绝对参考。其x、y和z分量值由本地地磁场投影而来。这种传感器有两个主要缺点——一是精度和分辨 率不高——例如,常用的霍尼韦尔罗盘传感器HMC5883L的分辨率仅为12位。另一个缺点是传感器容易受到周围环境的干扰,因为地磁场非常弱,强度范围为毫高斯到8高斯。
尽管有这些缺点,仍然可以在许多情况下使用,例如户外、低EMI环境等。将地磁传感器与IMU进行松耦合,就可以在大多数环境中使用这类传感器。
在本文中,我们使用PNI传感器公司的高性能电子罗盘传感器RM3100,它提供了24位分辨率。PNI使用主动激励法来提高抗噪声能力。
罗盘传感器的校准
在使用罗盘传感器之前,需要对其进行校准以消除两个主要误差。一个是失调误差,这原本是由传感器和电路的失调误差引起的。另一个是标度误差。这两种误差都容易受到周围磁环境的干扰。例如,如果有一个x轴向的外部磁场施加到传感器上,就会给出外部x轴失调误差。同时,x轴标度也将与y轴和z轴不同。
通常用于校准磁传感器的方法是在xy平面上转动传感器绕圈,然后抽取数据。一个地点的地磁场强度是一个常数值,因此绘制的数据应该是一个圆;然而,事实上,我们将看到一个椭圆形,这意味着我们需要移动椭圆并重新缩放到以零为中心的圆。
上述2D校准方法有一些缺点,并且需要用加速器来测量其倾斜度。我们使用3D球面拟合方法来校准罗盘传感器。首先,我们需要将传感器旋转到x-y-z空间中的每个方向,并在3D坐标中绘制其值。然后我们需要使用最小平方误差(MSE)方法将数据拟合为椭球面。
椭球方程可以表示为
其中,X、Y和Z是罗盘输出在三个方向上的地磁分量。将这些值拟合为椭球面意味着,我们需要得到一组最优系数解。我们将系数定义为:
在拟合时,我们定义向量:
所以我们需要计算最优σ,并使用公式2来找出最小值:
这样我们就可以得到图1所示的拟合结果。
图1. 原始罗盘数据分布(左)和使用椭球拟合后的罗盘数据(右)。
为了校准传感器,我们需要拉伸或压缩拟合的椭球面并将其移至以零为中心的球面上。我们使用矩阵奇异值分解(SVD)方法来进行这种校准。校准后的球体如图2所示。1,2
图2. 用SVD方法进行球体校准后的罗盘数据。
校准后,我们可以看到,测得的磁场强度(球半径)几乎恒定不变,如图3所示。
图3. 校准前和校准后的磁场比较。
使用ADIS16470和罗盘的姿态和航向参考系统
AHRS由三个轴上的传感器组成,提供姿态信息,包括横滚角、俯仰角和偏航角。AHRS是一个来自飞机导航的概念。我们用它来描述方向,即姿态。
在介绍我们的方法之前,有必要首先解释为什么确定姿态需要进行融合。事实上,我们的系统现在有三种传感器:陀螺仪、加速器和罗盘(地磁传感器)。
陀螺仪提供围绕各轴的旋转角速度。通过角速率积分计算,我们可以得到旋转角度。如果我们知道初始航向,通过角度就始终能够得到航向姿态。积分将累积陀螺仪的不稳定零偏,这将导致角度误差。此外,来自陀螺仪的高斯分布噪声将积分成一个布朗运动过程,并导致随机游走误差。因此,我们很难长时 间使用陀螺仪,陀螺仪需要定期校准。
加速度计提供每个轴方向的移动加速度。在静态状态下,我们可以得到每个轴与重力加速度之间的角度。由于重力加速度在方向和值上恒定不变,我们可以获得相对于重力方向的航向姿态。然而,该方法使用重力加速度作为参考,因此不能解出围绕重力加速度旋转的角度。
罗盘提供从地磁场投影的每个轴的值。我们可以从每个轴与恒为常数向量的地磁场方向之间的关系推导出角度值。如前一节所述,由于对外部磁场的抗扰性较差,罗盘需要一个低干扰的环境。
从这一解释中,我们可以看到,很难靠一个传感器来找到姿态,我们需要组合使用两个或三个传感器并把信息融合起来。本文用加速度计、陀螺仪和地磁罗盘查找姿态。这种融合也被称为磁、角速率和重力(MARG)系统。
扩展卡尔曼滤波器的设计与传感器融合
有多种方法可以将IMU和罗盘数据融合起来,例如互补滤波器、统计学ARMA滤波器,卡尔曼滤波器等。我们在本文中使用的是扩展卡尔曼滤波器。
首先,我们需要介绍本文中使用的一些定义。
坐标定义
T航向或方向是两个坐标(即坐标系)之间的关系。一个坐标总在变化,另一个坐标保持不变。对于坐标定义方法,我们使用导航坐标和体坐标。与东北地(NED)坐标系或地理方法相反,我们将测量的初始体坐标值定义为导航坐标系,此后该坐标为恒定坐标。从体坐标到导航坐标的映射(投影)矩阵定义为
姿态定义
与欧拉角或方向余弦矩阵(DCM)不同,我们在这里使用四元数,定义为
常用于导航以避免奇异性。
用卡尔曼滤波器更新姿态
我们在本文中使用的运动学方程(即状态转移方程)是非线性微分方程,因此需要使用一个EKF,用于对该微分方程进行一阶近似。对于EKF设计,我们定义
一个1×7向量作为状态变量,其中
为角速率;
为姿态四元数。
一个1×7向量作为观测变量,与状态变量具有相同的分量。
一个7×7矩阵作为状态转移矩阵,其中,A的第一部分是角速率的数字化微分方程,第二部分是数字化四元数更新方程,后者从运动学方程推导而来。
一个7×7矩阵作为观察矩阵。
为误差协方差矩阵,这是一个7×7矩阵,其中e估计向量 x̂真实值xx之间的误差我们在测试中将初始误差设为相对较小的值。该值会自动收敛到一个小值。
R,Q被设为状态转移噪声和观测噪声的协方差矩阵。我们得到它们的初始值,
R0和Q0在保持IMU和罗盘处于静止状态的同时,通过测量陀螺仪和加速器的交流均方根值的平方得到。我们设
R0 = Q0
根据以上定义,卡尔曼滤波器将通过以下五个步骤完成:
步骤1:使用公式3计算卡尔曼增益K
步骤2:计算误差协方差矩阵,P:
步骤3:输出估算状态x̂:
步骤4:更新状态x̂–:
步骤5:更新误差协方差矩阵P–:
该过程可以简单地描述为图4中的框图。
图4. 用于更新姿态的卡尔曼滤波器流程图。
篇幅有限,可下载PDF原文阅读
选择最佳的振动传感器来进行风轮机状态监控
laoguo 发表了文章 • 0 个评论 • 714 次浏览 • 2021-07-15 12:18
据保守估计,目前全球至少安装了25万台风轮机。未来四年里,全球风轮机市场预计将增长278 GW的陆上容量、44.3 Gw的海上容 量。1 这相当于至少100,000台3 MW的风轮机。随着可再生能源呈现这种增长,加上国家电网的电力投入,风轮机(WT)装置的可靠运行已成为工业和政府结构着重研究的课题。对WT可靠性的量化研究显示,可靠性随时间不断提升。例如,2016年美国国家可再生能源实验室报告2 显示,在2007年至2013年间,包括变速箱在内的大多数WT子系统的可靠性都得到了提高,变速箱停机时间缩短了7倍。但是,在2018年,变速箱仍然是三大常见故障点之一,且材料成本最高。2,3 变速箱每次故障的平均成本最高,一次大型更换平均花费€230,000。4
变速箱组件的可靠性相对较差,因此需要重点对齿轮、轴承和轴实施状态监控。除了变速箱之外,转子叶片和发电机是WT系统中 故障率最高的组件。5,6 目前商用风轮机状态监控系统有很多,其中大部分使用振动传感器来实施变速箱分析。目前已经有一些 商用的转子叶片监控系统 7 ,但这个领域尚待继续研究。大量相关资料支持在风轮机中使用振动监控系统,包括详细调查和分 析各种系统的优势。8 但很少有资料会介绍风轮机应用对振动传感器的要求。本文从系统角度,提供关于风轮机组件、故障统计、 常见故障类型和故障数据收集方法等的见解。本文从WT组件上的常见故障入手,讨论振动传感器要求,例如带宽、测量范围和噪声密度等。
系统组件、故障和传感器要求
图1和图2显示风轮机系统的主要组件,并提供风轮机变速箱的详细结构。下面几节将重点介绍变速箱、叶片和塔架对状态监 控的要求,重点介绍振动传感器。对于其他系统,例如偏航驱动、机械刹车和发电机,我们一般不使用振动传感器进行监控,而是监控扭矩、温度、润滑油参数和电信号。
图1. 风轮机系统组件
图2. 变速箱的结构
变速箱
风轮机变速箱将机械能从低转速的转子轮毂传输到高速发电机。同时,WT变速箱承受着不同风速带来的交替载荷,以及频 繁制动导致的瞬变脉冲。变速箱包括一个低速转子轴和主轴承,在风力驱动转子叶片时以0 rpm至20 rpm(不到0.3 Hz)的转速运 行。要捕获不断增加的振动信号,需要振动传感器使用直流电运行。行业认证指南特别指出,振动传感器的性能需要达到0.1 Hz。9 变速箱的高速轴通常以3200 rpm (53 Hz)的转速运行。为了提供足够带宽来捕捉轴承和齿轮故障的谐波,推荐低速和高速轴振动传感器的性能达到10 kHz及以上。9 这是因为无论转速多大,轴承谐振一般都在几千赫范围内。10
到目前为止,轴承故障是引发变速箱故障的最大原因。一些研究表明,轴承故障是引发灾难性齿轮故障的根本原因。 11 当高速轴上的后轴承失效时,高速轴发生倾斜,造成中间(中部)轴齿轮的传输不均。在这种情况下,齿轮的接触齿极易发生故障,如图3所示。
图3. 中轴齿轮断齿
轴承润滑(油)不足是导致主轴轴承故障的主要原因。可用的解决方案(例如SKF NoWear)包括特殊轴承涂层, 12 可将缺油运行时间提高6倍以上。
即使采用特殊的轴承涂层和其他变速箱改进方法,我们仍然需要使用合适的振动传感器来监控变速箱的主要轴承和高速轴承。振 动传感器的本底噪声需要足够低,以便能够检测到早期振动幅度(g范围)较低的轴承故障。较老的MEMS技术,例如ADXL001 ,其本底噪声为4 mg/√Hz,足以捕捉轴承外环的故障。13 图4显示,外环故障先出现约0.055 g的频率峰值,且轴承表现良好,从噪声密度角度来看,本底噪声低于2 mg/√Hz。参考的13数据采集系统的过程增益导致噪声大幅降低,因此测量得出2 mg/√Hz本底噪声。只有在DAQ 系统实现了足够的过程增益,且噪声为随机的情况下,才适合使用本底噪声为4 mg/√Hz的传感器。一般情况下,最好使用本底噪声 为100 µg/√Hz至200 µg/√Hz的振动传感器,而不是基于过程增益,后者只有在噪声为随机且不相关的情况下适用。
本底噪声在100 µg/√Hz至200 µg/√Hz之间的传感器在捕捉正常的轴承运行状况方面表现出色,在捕捉mg/√Hz范围内的早期故障时则 表现卓异。事实上,使用本底噪声为100 µg/√Hz的MEMS传感器甚至能够更早检测出轴承故障。
图4. 使用MEMS加速度计ADXL001测量轴承外环的故障
在不到0.1 g时,显示初始轴承损坏,而在达到1 g时,通常表示深度 轴承损坏,这会触发维护。 14 图5显示,当振动幅值超过6 g时,需维护变速箱和更换轴承。如前所述,轴承故障频率会在更高频率下 发生。在更高频率下实施测量需要使用g范围规格更大的传感器。这是因为测得的加速度重力值与频率成比例。因此,与在低频率下 相比,在更高频率下,相同的少量故障位移会导致更高的重力范围。一般指定在50 g至200 g时使用测量范围高达10 kHz、更高带宽的传感 器,尤其指定适用于风轮机应用.由于结构冲击或突然的机械断裂,振动传感器也需要涵盖冲击载荷工况。因此,一般将典型的商用振动监控系统的满量程定为至少为50 g至100 g。
图5. 振动幅度为6 g时的轴承位移
对于风轮机主轴承,要求至少使用一个单轴振动传感器,推荐使用两个,并在轴向和径向上测量。 9 轴承环上的轴向开裂可能使轴 承寿命缩短至仅一到两年。15
由于变速箱本身很复杂,如图2所示,所以建议使用至少6个振动传感器来实施状态监控。 9 在选择传感器的数量和位置时,应确保能够可靠测量所有齿轮啮合和缺陷/转动频率。监控变速箱的 低速级时,需要使用一个单轴传感器,放置在尽可能靠近环形齿轮的位置。监控变速箱的中间和高速级时,需要在中心齿轮、 中间轴和高速轴位置使用一个单轴传感器。高速和中速轴承内环的轴向开裂已成为影响风轮机变速箱寿命的主要原因。15
对于变速箱监控,未来要改善的状态监控领域包括无线振动监控系统的采用,但持续研究才能持续为这些解决方案提供支持。8
转子叶片
风轮机的转子叶片和轮毂组件在低速下捕捉风并传输扭矩。导致叶片故障的主要原因包括极端风荷载、结冰或雷电等环境 影响,以及不平衡。这些因素导致断裂和边缘开裂,以及径节系统故障。目前只有少量商用振动监控系统,可以分布在叶片外部和内部。 8 已经使用MEMS振动传感器在叶片上开展大量学术研究,比如Cooperman和Martinez的工作, 16 其中还包括陀螺仪和磁力仪。我们使用这些传感器的联合输出来确定风轮机叶片的方向和变形。相比之下,很少有商用振动监控系 Weidmuller BLADEcontrol®,17 ,它使用每个转子叶片内的振动传感器来测量每个叶片的自动振动行为的变化。BL ADEcontrol系统主要用于检测引起涡轮过度振动的转子叶片上的极端结冰状况。
一般来说,大型风轮机叶片(即直径40米以上的叶片)的首级固有频率在0.5 Hz至15 Hz之间。 18 对涡轮叶片 18 上的无线振动监控系统的可行性研究显示,因振动激励导致的叶片频率响应远高于基频。其他研究 19 表明,由叶片边缘变形引起的叶片频率与叶片扭转变形引起的叶片频率之间有显著差异。叶片边缘变形的固有频率在0.5 Hz至30 Hz之间,叶片扭转变形的固有频率高达700 Hz。用振动传感器测量基频以外的频率需要更大的带宽。DNVGL状态监控规范认证9建议对转子叶片使用振动传感器,它能够测量0.1 Hz至≥10 kHz的频率范围,其中一个传感器放在转子轴上,另一个放在横向方向上。振动传感器在转子叶片上可以实现高频率测量范围,它也必须具备至少50 g的大幅度测量范围,与变速箱轴承的要求类似。
带风机的塔
风轮机塔为风机外壳和转子叶片总成提供结构支撑。塔身会遭受冲击损坏,导致塔出现倾斜。塔倾斜之后,叶片与风向之间无法保持最佳角度。测量倾斜度需要使用操作功率可以低至0 Hz的传感器,如此在零风条件下,也可以检测到倾斜。
基座部分的结构破坏会导致塔摇晃。塔摇晃监控集成在一些涡轮状态监控系统中,与变速箱振动监控相比,可以商用的选项并不多。 8 Scaime状态监控系统 20 使用加速度计、位移传感器、应变传感器和温度传感器来监控叶片、塔和基座的状况。根据DNVGL规范,Scaime加速度计的满量程范围为±2 g, 20 监控频率范围为0.1 Hz至100 Hz。 9如前所述,在静态条件下(无风力),当塔架结构发生故障导致倾斜时,频率的最低限值降低至0 Hz。要实施倾斜测量,需要使用具有良好的直流稳定性能的传感器。MEMS传感器,例如ADXL355采 用气密封装,可以实现行业领先的0 g失调稳定性。
研究 21 证实,最小±2 g范围的振动传感器足以对塔实施监控。在正常运行模式下,25 mps的最大风速可产生小于1 g的加速度重力电平。事实上,在"基于现场测量和有限元分析的风轮机塔基础系统可识别应力状态" 21 研究中,额定风速为2 mps到25 mps,风轮机会在风速为25 mps时关断(停用)。
总结
表1基于风轮机应用需求提供振动传感器的需求摘要。DNVGL状态监控规范认证中给出了传感器的数量、测量方向和频率范围。 9 如 前所述,0 Hz性能对于监控塔架的结构问题非常重要。表1还根据本文提供的现场研究和测量总结了合适的幅度范围和噪声密度。
故障数据收集方法
所有大规模实体WT都有标准的监控控制和数据采集(SCADA)系统,主要用于实施参数监控。监控参数的示例包括变速箱轴承温度和润滑、主动功率输出和相电流。一些参考资料 6 讨论使用SCADA数据进行风轮机状态监控,以检测趋势。英国杜伦大学的一项调查 7 列出了多达10个商用状态监控系统,这些系统可以适配并与使用标准协议的现有SCADA系统完全集成。GE Energy ADAPT.Wind就是这样一个示例。 22 对未来技术趋势的广泛调查 7 显示,在风轮机上安装振动监控系统是一个明显的倾向。
用于风轮机状态监控的合适的振动传感器
在等于或低于0.3 Hz时,压电振动技术难以或无法捕获振动特征。这意味着无法对低速WT部件,例如转子叶片、主轴承、低速变速箱,塔等实施正常监控。基于MEMS的传感器的性能可以低至0 Hz,可以捕捉所有主要风轮机组件中的关键故障。这为客户提供了用 于WT的单一振动传感器解决方案,仅使用MEMS来测量从0 Hz到高达10 kHz及以上的故障。
除了能够捕捉所有关键故障之外,MEMS还具有以下优点:
宽重力测量范围和超低的µg/√Hz噪声密度,可以轻松满足表1中给出的要求。
MEMS具有内置自测(BIST)功能。系统操作员无需访问WT来测试/确保传感器正确运行,可以节约成本。相比之下,压电技术不具备BIST功能。
与基于压电的解决方案相比,MEMS接口在数据接口和电源供应方面更加灵活。在将高阻抗压电传感器输出解译到长电缆 时,可用的选项有限。最常采用的是双线IEPE接口,使用第二根接地线通过共享电源/数据线为压电传感器供电。IEPE使用与压电解决方案匹配的放大器来提供低阻抗电缆驱动解决方案。IEPE接口解决方案可以使用MEMS传感器,但MEMS传感器也能与使用现场总线(RS-485、CAN)或基于以太网的网络操作的现有系统轻松集成。这是因为MEMS传感器可以提供模拟输出或数字输出(SPI、IC),并轻松传输至其他协议。
环保性能:WT通常在-40˚C到+55˚C的温度下运行,而MEMS器件很容易满足这一要求。
与基于压电的传感器相比,MEMS在长时间使用时具有更好的灵敏度和线性度。ADI加速度计的非线性程度很低,通常可以 忽略不计。例如, ADXL1001 MEMS加速度计在满量程范围内具有小于0.025%的典型非线性规格。相比之下,对基于压电传感器的标准化测量的学术研究显示,非线性度为0.5%或更低。23
如今可用的基于MEMS的振动传感器和解决方案
传感器
使用 ADXL1002、 ADXL1003、 ADXL1005、 和 ADcmXL3021 MEMS传感器(如图2 所示)可以轻松满足风轮机应用的振动监控对带宽、范围和噪 声密度的要求。 ADXL355 和 ADXL357 也适合用于实施风轮机塔监控, 具有较低的带宽和范围测量性能。ADXL355/ADXL357具有良好的直流稳定性,这对于测量风轮机塔的倾斜度非常重要。ADXL355/ ADXL357的气密封装保证了良好的长期稳定性。在10年使用寿命中,ADXL355的重复性在±3.5 mg以内,为倾斜测量提供了高度精准的 传感器。
风轮机状态监控解决方案
无线
ADI提供一套完整的验证参考设计、评估系统和即插即用机器健康传感器模块,以加速客户的设计进度。图6显示ADI无线振动监控评估平台。 该系统解决方案整合了机械附件、硬件、固件和PC软件,可以快速部署和评估单轴振动监测解决方案。该模块可以通过磁性方式或螺柱直接连接到电机或固定装置。作为基于状态的监控(CbM)系统的一部分,它也可以与同一无线Mesh网络上的其他模块组合使用,以提供具有多个传感器节点的范围更广的图像。
图6. 无线振动监控评估平台
CbM硬件信号链包含一个安装在模块底座上的单轴ADXL1002加 速度计。将ADXL1002的输出读入 ADuCM4050低功耗微控制器,并在此对其进行缓冲,转换至频域并传输至SmartMesh® IP终端。将ADXL1002的输出从SmartMesh芯片无线传输到SmartMesh IP管理器。管理器连接到PC,可以进行可视化处理和数据保存。数据显示为原始时域数据和FFT数据。还提供了有关时间汇总数据的其他摘要统计信息。提供了PC端GUI的完整Python®代码以及部署于模块上的C语言固件,以便客户修改。
有线
ADI的 Pioneer 1有线CbM评估平台 为 ADcmXL3021 三轴振动传感器提 供工业有线链接解决方案。CbM硬件信号链由三轴ADcmXL3021加速度计和Hirose flex PCB连接器组成。带有SPI和中断输出的ADcmXL3021 Hirose连接器与接口PCB相连,通过数米长的电缆将发送至RS-485物理层的SPI转化发送至远程主控制器板。SPI到RS-485 物理层的转换可以使用隔离或非隔离的接口PCB实现,其中包括 iCoupler® 隔离 (ADuM5401/ADuM110N)和RS-485/RS-422收发器(ADM4168E/ADM3066E)。该解决方案通过一根标准电缆将电能和数据结合在一起,从而降低了远程MEMS传感器节点的电缆和连接器成本。专用软件GUI可以简单配置ADcmXL3021器件,并在长电缆上捕捉振动数据。GUI软件将数据可视化显示为原始时间域或FFT波形。
图7. 有线振动监控评估平台
结论
本文证明基于MEMS的传感器可以测量风轮机的关键系统中的所有关键故障。MEMS传感器的带宽、测量范围、直流稳定性和噪声 密度均妥善指定,在风轮机应用中具有出色性能。
MEMS内置自测(BIST)、灵活的模拟/数字接口,以及长时间使用过程中的出色的灵敏度/线性度,这是MEMS传感器成为最佳风轮机 状态监控解决方案的另外一些原因。基于振动检测早期故障的维护系统是一项现代技术,可以防止整个风轮机出现成本高昂的停机。
转自EETOP
ADI adxl203ce倾角传感器与Kionix KXR94-2050的区别
laoguo 发表了文章 • 1 个评论 • 842 次浏览 • 2021-06-03 13:17
由于RoHM收购Kionix后,对于Kionix的产品线进行了大量的调整,目前Kionix KXR94-2050已经停产,订不了货。 很多朋友问模拟输出的倾角传感器替代方案,这里我们针对ADI的一款常见的ADXL203CE与之对比,希望有所帮忙。
型号 | ADXL203CE | KXR94-2050 |
品牌 | Analog Devices Inc. | Kionix Inc. |
供应商 | Analog Devices Inc. | Kionix Inc. |
描述 | ACCELEROMETER 1.7G ANALOG 8LCC | ACCELEROMETER 2G ANALOG 14DFN |
电压 - 供电 | 3V ~ 6V | 2.5V ~ 5.25V |
轴 | X,Y | X,Y,Z |
加速度范围 | ±1.7g | ±2g |
零点输出 | 2.5V | 1.65V |
零点温漂 | 0.1mg/°C | 0.2mg/°C |
灵敏度 | 1000mV/g | 660mV/g |
噪声 | 110ug/√Hz | 45ug/√Hz |
带宽 | 0.5Hz ~ 2.5kHz | 800Hz |
输出类型 | 模拟电压 | 模拟电压 |
特性 | 可调带宽 | 可调带宽,可选低通滤波器 |
工作温度 | -40°C ~ 125°C(TA) | -40°C ~ 85°C(TA) |
安装类型 | 表面贴装型 | 表面贴装型 |
封装/外壳 | 8-CLCC | 14-LFDFN 裸露焊盘 |
供应商器件封装 | 8-LCC(5x5mm) | 14-DFN(5x5mm) |
基于IMU和地磁传感器的捷联惯性导航系统(1)
laoguo 发表了文章 • 0 个评论 • 1360 次浏览 • 2021-07-16 11:05
简介
随着服务机器人市场和技术的发展,导航已成为研究和应用中的一个热点。与车辆、船舶或飞机相比,服务机器人体积小,成本低,因此它们的导航系统应该具有捷联和低成本的特点。传统的稳定平台导航系统通常要采用独立的加速度计和光纤或激光陀螺仪,所有传感器都机械且刚性地安装在与正在移动的车辆隔离的稳定平台上。这导致了尺寸大、可靠性差、成本高的缺点。相反,在捷联惯导系统中,惯性传感器直接固定在车辆本体上,这意味着传感器会与车辆一起旋转。这种捷联方法消除了稳定平台惯导的缺点。然而,平台惯导的准确性通常高于SINS。平台惯导往往可以达到战略级(0.0001°/时的陀螺仪偏置,1μg的加速器偏置)或军用级(0.005°/时的陀螺仪偏置,30μg的加速器偏置),而多数SINS只能到达导航级(0.01°/时的陀螺仪偏置,50μg的加速器偏置)或战术级(10°/时的陀螺仪偏置,1mg的加速器偏置)。对于大多数服务机器人或AGV导航应用,这一精度足够了。
导航方法很多,包括机器视觉、GPS、UWB、SLAM型激光雷达等。基于IMU的惯性导航始终是导航的重要组成部分。然而,由于这种传感器的限制——例如偏置误差、轴间误差、噪声,特别是零偏不稳定性——惯性导航通常需要采用一个伙伴传感器,定期为它提供参考或校准,本文将这种情况称为传感器融合。许多传感器都可以与IMU融合,例如摄像头和里程表,但在这些传感器中,地磁传感器是一种低成本的方案,可与IMU配合获得姿态信息。
在本文中,我们使用ADI的IMU ADIS16470和地磁传感器来开发平台和算法,实现捷联惯性导航系统。但是,地磁传感器只能提供姿态信息。对于航位推算或距离测量,我们只能使用IMU中的 加速度传感器。
ADIS16470 IMU简介
ADI公司的ADIS16470是一款微型MEMS IMU,集成了3轴陀螺仪和3轴加速度计。其陀螺仪零偏稳定性为8°/时,加速计零偏稳定性为13μg 其关键参数都经过出厂校准。此外,ADIS16470的 低价格在同级产品中具有吸引力,得到了许多客户的广泛使用。在本文中,我们使用微控制器与ADIS16470通过SPI接口进行通信。
地磁传感器介绍
地磁传感器是用于测量罗盘体坐标(即坐标系)中的地磁场的传感器,可为航向提供绝对参考。其x、y和z分量值由本地地磁场投影而来。这种传感器有两个主要缺点——一是精度和分辨 率不高——例如,常用的霍尼韦尔罗盘传感器HMC5883L的分辨率仅为12位。另一个缺点是传感器容易受到周围环境的干扰,因为地磁场非常弱,强度范围为毫高斯到8高斯。
尽管有这些缺点,仍然可以在许多情况下使用,例如户外、低EMI环境等。将地磁传感器与IMU进行松耦合,就可以在大多数环境中使用这类传感器。
在本文中,我们使用PNI传感器公司的高性能电子罗盘传感器RM3100,它提供了24位分辨率。PNI使用主动激励法来提高抗噪声能力。
罗盘传感器的校准
在使用罗盘传感器之前,需要对其进行校准以消除两个主要误差。一个是失调误差,这原本是由传感器和电路的失调误差引起的。另一个是标度误差。这两种误差都容易受到周围磁环境的干扰。例如,如果有一个x轴向的外部磁场施加到传感器上,就会给出外部x轴失调误差。同时,x轴标度也将与y轴和z轴不同。
通常用于校准磁传感器的方法是在xy平面上转动传感器绕圈,然后抽取数据。一个地点的地磁场强度是一个常数值,因此绘制的数据应该是一个圆;然而,事实上,我们将看到一个椭圆形,这意味着我们需要移动椭圆并重新缩放到以零为中心的圆。
上述2D校准方法有一些缺点,并且需要用加速器来测量其倾斜度。我们使用3D球面拟合方法来校准罗盘传感器。首先,我们需要将传感器旋转到x-y-z空间中的每个方向,并在3D坐标中绘制其值。然后我们需要使用最小平方误差(MSE)方法将数据拟合为椭球面。
椭球方程可以表示为
其中,X、Y和Z是罗盘输出在三个方向上的地磁分量。将这些值拟合为椭球面意味着,我们需要得到一组最优系数解。我们将系数定义为:
在拟合时,我们定义向量:
所以我们需要计算最优σ,并使用公式2来找出最小值:
这样我们就可以得到图1所示的拟合结果。
图1. 原始罗盘数据分布(左)和使用椭球拟合后的罗盘数据(右)。
为了校准传感器,我们需要拉伸或压缩拟合的椭球面并将其移至以零为中心的球面上。我们使用矩阵奇异值分解(SVD)方法来进行这种校准。校准后的球体如图2所示。1,2
图2. 用SVD方法进行球体校准后的罗盘数据。
校准后,我们可以看到,测得的磁场强度(球半径)几乎恒定不变,如图3所示。
图3. 校准前和校准后的磁场比较。
使用ADIS16470和罗盘的姿态和航向参考系统
AHRS由三个轴上的传感器组成,提供姿态信息,包括横滚角、俯仰角和偏航角。AHRS是一个来自飞机导航的概念。我们用它来描述方向,即姿态。
在介绍我们的方法之前,有必要首先解释为什么确定姿态需要进行融合。事实上,我们的系统现在有三种传感器:陀螺仪、加速器和罗盘(地磁传感器)。
陀螺仪提供围绕各轴的旋转角速度。通过角速率积分计算,我们可以得到旋转角度。如果我们知道初始航向,通过角度就始终能够得到航向姿态。积分将累积陀螺仪的不稳定零偏,这将导致角度误差。此外,来自陀螺仪的高斯分布噪声将积分成一个布朗运动过程,并导致随机游走误差。因此,我们很难长时 间使用陀螺仪,陀螺仪需要定期校准。
加速度计提供每个轴方向的移动加速度。在静态状态下,我们可以得到每个轴与重力加速度之间的角度。由于重力加速度在方向和值上恒定不变,我们可以获得相对于重力方向的航向姿态。然而,该方法使用重力加速度作为参考,因此不能解出围绕重力加速度旋转的角度。
罗盘提供从地磁场投影的每个轴的值。我们可以从每个轴与恒为常数向量的地磁场方向之间的关系推导出角度值。如前一节所述,由于对外部磁场的抗扰性较差,罗盘需要一个低干扰的环境。
从这一解释中,我们可以看到,很难靠一个传感器来找到姿态,我们需要组合使用两个或三个传感器并把信息融合起来。本文用加速度计、陀螺仪和地磁罗盘查找姿态。这种融合也被称为磁、角速率和重力(MARG)系统。
扩展卡尔曼滤波器的设计与传感器融合
有多种方法可以将IMU和罗盘数据融合起来,例如互补滤波器、统计学ARMA滤波器,卡尔曼滤波器等。我们在本文中使用的是扩展卡尔曼滤波器。
首先,我们需要介绍本文中使用的一些定义。
坐标定义
T航向或方向是两个坐标(即坐标系)之间的关系。一个坐标总在变化,另一个坐标保持不变。对于坐标定义方法,我们使用导航坐标和体坐标。与东北地(NED)坐标系或地理方法相反,我们将测量的初始体坐标值定义为导航坐标系,此后该坐标为恒定坐标。从体坐标到导航坐标的映射(投影)矩阵定义为
姿态定义
与欧拉角或方向余弦矩阵(DCM)不同,我们在这里使用四元数,定义为
常用于导航以避免奇异性。
用卡尔曼滤波器更新姿态
我们在本文中使用的运动学方程(即状态转移方程)是非线性微分方程,因此需要使用一个EKF,用于对该微分方程进行一阶近似。对于EKF设计,我们定义
一个1×7向量作为状态变量,其中
为角速率;
为姿态四元数。
一个1×7向量作为观测变量,与状态变量具有相同的分量。
一个7×7矩阵作为状态转移矩阵,其中,A的第一部分是角速率的数字化微分方程,第二部分是数字化四元数更新方程,后者从运动学方程推导而来。
一个7×7矩阵作为观察矩阵。
为误差协方差矩阵,这是一个7×7矩阵,其中e估计向量 x̂真实值xx之间的误差我们在测试中将初始误差设为相对较小的值。该值会自动收敛到一个小值。
R,Q被设为状态转移噪声和观测噪声的协方差矩阵。我们得到它们的初始值,
R0和Q0在保持IMU和罗盘处于静止状态的同时,通过测量陀螺仪和加速器的交流均方根值的平方得到。我们设
R0 = Q0
根据以上定义,卡尔曼滤波器将通过以下五个步骤完成:
步骤1:使用公式3计算卡尔曼增益K
步骤2:计算误差协方差矩阵,P:
步骤3:输出估算状态x̂:
步骤4:更新状态x̂–:
步骤5:更新误差协方差矩阵P–:
该过程可以简单地描述为图4中的框图。
图4. 用于更新姿态的卡尔曼滤波器流程图。
篇幅有限,可下载PDF原文阅读
基于IMU和地磁传感器的捷联惯性导航系统(2)
laoguo 发表了文章 • 1 个评论 • 974 次浏览 • 2021-07-16 12:11
上节内容:http://www.ganwen.net.cn/?/article/30
基于MSE的传感器融合
在上一节中,观测变量是
其中没有来自罗盘的信息。由于ω是角速率,我们只能使用四 元数来导入罗盘数据q. 我们使用MSE方法获得q, 即观测变量 中的组分。
我们将各变量定义如下:
mb和ab: 体坐标系里的罗盘磁值和加速度值。
mn和an: 导航坐标系里的罗盘磁值和加速度值。
mn0和an0: 导航坐标系里的初始静态罗盘磁值和加速度值。
为从体坐标系到导航坐标系的姿态转换矩阵,用四元数表示,可以写成
其给出了导航坐标系中初始值与实时从体坐标系映射到导航坐标系的值之间的误差ε。
根据之前的定义,MSE方法可用于求取最优值。
通过求方程8的最小值:
对f(q)求导并使其等于零,
我们将获得方差意义上的最优q。我们使用高斯-牛顿方法,用一阶梯度收敛来求解以上非线性方程。
通过组合角速率,我们将得到观测变量
其中融合了卡尔曼滤波器中的罗盘数据和IMU数据。
该过程可以简单地描述为图5中的框图。
图5. 使用MSE方法的传感器融合框图。
松耦合
如前所述,我们经常遇到无法使用罗盘传感器的情况。如果磁数据受到干扰,则求解的姿态精度将比仅使用IMU时更差。因此,我们使用松耦合来判断磁传感器是否可用。当磁传感器不可用时,我们只用IMU来求解姿态;当磁传感器可用时,我们将使用融合算法找到姿态,如图6所示。
图6. 姿态计算流程图。
在获得新数据之后或者在求解新的姿态时(在某些系统中,采样周期与姿态解算周期不同,但我们在此处进行的是单采样周期解算),我们计算加速度的大小,如果结果不等于1g, 我们 就不会使用加速器的输出进行姿态计算。然后我们计算罗盘输出的大小并将其与初始值进行比较。如果它们彼此不相等,我们就不会在此周期中使用地磁传感器的数据。当满足两个条件时,我们会使用卡尔曼滤波器并执行MSE融合。
使用ADIS16470进行航位推算(DR)
在导航中,航位推算是计算当前位置的过程,先使用先前确定的位置,然后在解算周期中基于已知或估计的速度或加速度更新该位置。这里将使用ADIS16470里的加速度计。基于上一节解出的姿态,我们可以得到捷联系统的移动方向,然后需要计算该方向上的距离,最后确定位置。
捷联航位推算需要使用基于加速度测量的比力方程来跟踪INS的位置。比力方程可以简单描述为等式10、等式11和等式12:
其中ae是地球坐标系里的加速度,ab 是体坐标系里的加速度,ve是地球坐标系里的速度,se是地球坐标系里的距离,ge 是 地球坐标系里的重力加速为[0 0 1],单位为 g。需要强调的是,地球坐标系与导航坐标系不同——地球坐标系是基于NED的。该 δtt是解算周期。
用第一个等式可以得到从IMU体坐标系到地球坐标系的加速度映射,如格式
第二个等式将加速度积分或累加为速度;然而,由于测量的加速度包含了重力分量,所以需要减去重力。
与等式11类似,等式12将速度积分成距离。
传统方法存在几个问题。
● 加速度计输出总是有偏置,与重力相结合后,难以从公式10中减去,因此更准确的表达式应为:
除非是用一些专业设备来测量该偏置,例如分度头。
● 基于数值积分的实现方式,通常使用零阶保持器方法(前一个值)进行积分。但是,对于连续移动,这将带来重大的误差。例如,我们来比较以下方法:
方法1:
(零阶保持器)
方法2:
(线性插值)
在5秒内加速度为为0.5 m/s2时,位移最高将相差4m。仿真结果如图7所示。
图7. 速度计算中的零阶保持与一阶积分方法比较。
基于前面的讨论,基于应用,我们修改了传统比例方程中的两个地方:
X 我们不使用地球坐标作为导航坐标系。相反,正如我们在计算先前姿态时所做的那样,我们用初始姿态
作为导航坐标系。通过这种方式,偏置和重力都可以轻松取消,如公式14所示:
虽然姿态中同时包含了偏置和重力分量,但这样我们就不需要将它们分开成单独的分量,而是直接一起减去它们。
基于零阶保持器与一阶插值之间的比较,我们使用一阶方法来获得更准确的积分结果。
运动学模式和零速更新技术(ZUPT)
通过使用IMU的初始值作为导航坐标系,我们可以消除一部分加速度的偏置影响。然而,即使我们在使用设备之前能用分度头准确测量偏置,仍然很难取消,除非使用另一个精确的传感器来定期校准它。这主要是由两个原因引起的:一是偏置不稳定,这意味着我们之前测量的偏置不是现在的实际偏置。二是速度随机游走,由加速度噪声积分而来。前面提到的不良特性会使我们计算的距离显著漂移。即使我们停止移动并保持静止,从加速度积分而来的速度仍然存在,距离仍会增加。
要解决这个问题,我们需要找到一种通过使用ZUPT技术重置速度的方法。ZUPT技术与具体的应用密切相关,因此我们需要获得系统和应用的运动学特征,然后给出一些算法规则。我们发现的运动学模式越多,结果就越准确。
我们通过移动带有SINS系统的转椅来进行实验。由于我们的研究不限于特定应用,我们使用以下运动学假设:
● 对于航位推算,导航坐标系中没有z轴移动。此限制仅适用于航位推算,不适用于姿态求解。显然,我们是在二维空间中移动系统。这有助于消除z轴误差。
● 所有转弯都发生在停止后。如果在移动时发生转弯,则会因为引入额外加速而干扰姿态求解。
● 如果系统正在移动,加速度不能保持不变超过500毫秒。速度不能保持不变超过2秒。由于我们在推动或拉动转椅,因此很难手动使力精确地保持不变超过500毫秒,并且个人很难以匀速持续推动转椅2秒以上。事实上,我们正是运用这一规则来实施ZUPT。
● 加速度不能大于±1 m/s2。该规则用于一些噪音过滤,后者基于我们施加于椅子上、不会很大的拉力或推力。
如图8所示,当系统在X方向上移动时(投影到导航坐标系后),Y方向也会产生加速度;积分后,Y方向速度不会为零,这意味着即使我们只是在X方向上移动,航位推算系统仍然会给我们带来Y分量。
图8. 导航坐标系中三个方向的加速度。
基于第三条运动学假设,我们可以使用ZUPT来消除此误差。经ZUPT处理之后的积分速度如图9所示。
图9. 导航坐标系中三个方向的速度。
虽然我们使用了第三条假设,如前所示,误差仍然无法完全取消。误差消除取决于设定的零加速度和零速度的判断阈值。但是,大多数误差已得到修正。
虽然使用了ZUPT,但有时仍然无法达到零速。这由两个因素导致:
● 我们无法用ZUPT完全消除偏置不稳定误差和速度随机游走。
● 我们求出的姿态有一些误差,结果将导致投影(从体坐标系到导航坐标系)后的加速度误差。
以图10为例。图10中的左图是ADIS16470的原始数据(体坐标系),图10中的右图是投影到导航坐标系的加速度。可以看出,停止移动时,投影加速度不为零。由于它总是在变化,我们此处称之为基线漂移。
图10. 体坐标系(左)和导航坐标系(右)的加速度。
为了消除基线漂移,我们需要实时连续获得偏移偏置并从投影加速度中减去该值。结果如图11所示
Figure图11. 基线漂移消除之前(上)和之后(下)的加速度。
上图是基线漂移消除前的加速度,下图中的绿色轨迹是我们计算的基线偏移,红色轨迹是基线偏移消除后的加速度。
可以使用图12中的框图简要描述航位推算过程。我们将体坐标系加速度ab和姿态转移矩阵(来自AHRS)输入
到DR系统。完成后,我们将获得导航坐标系中的位置。
图12. 航位推算流程图
实验结果与结论
实验结果
使用SPI端口,我们将ADIS16470评估板和RM3100罗盘评估板连接到ADI公司的ADuCM4050电路板,构建出我们的系统,如图13所示。ADuCM4050 调整数据格式并进行时间同步(因为IMU和罗盘的数据速率不同)。然后使用UART将捕获的数据传输到计算机。所有计算(包括校准、AHRS和DR在MATLAB)均在MATLAB®中执行。
图13. 实验平台设置。
将评估板和计算机放在转椅上,并在实验室中推着转椅绕圈。
● AHRS输出:姿态以四元数格式和DCM格式表示,如图14所示。
图14. 四元数格式(左)和DCM格式(右)的姿态。
● DR输出:带XYZ位置的航位推算结果和三维图如图15所示。
图15. 位置计算结果。
结论
本文介绍了使用ADI公司的IMU ADIS16470和地磁传感器RM3100构建捷联惯导系统的基本过程,介绍了我们使用的校准、AHRS和DR方法。在平台和实验环境等条件有限的情况下,很难进一步测试平台和算法。
有很多方法可用于改善结果,例如:
● 使用里程表或UWB距离测量方法与IMU中的加速度计融合,以在DR中获得更准确的距离值。
● 使用更复杂的运动学模型,从而在AHRS和DR中在传感器和系统层次引入更多特性,例如系统的振动、加速和减速模型、地面平整度等。这意味着为了提高导航结果的准确性,需要给出更多的边界条件。
● X 使用更精确的数值计算方法,比如用辛普森规则或三次样条插值在DR中进行积分,或者使用牛顿方法而非高斯-牛顿方法求解非线性MSE方程等。
最后但也是最重要的一点,我们在试验中发现INS与应用或运动学模型紧密相关。例如,我们在两个地方进行了实验:未铺地毯的实验室和铺有地毯的办公室。如果我们使用相同的参数集,DR结果会显示出巨大的差异。因此,无论哪种应用,例如患者跟踪、AGV导航或停车定位,或者对于同一应用中的不同条 件,我们都需要全面了解其运动学模型。
基于IMU和地磁传感器的捷联惯性导航系统(1)
laoguo 发表了文章 • 0 个评论 • 1360 次浏览 • 2021-07-16 11:05
简介
随着服务机器人市场和技术的发展,导航已成为研究和应用中的一个热点。与车辆、船舶或飞机相比,服务机器人体积小,成本低,因此它们的导航系统应该具有捷联和低成本的特点。传统的稳定平台导航系统通常要采用独立的加速度计和光纤或激光陀螺仪,所有传感器都机械且刚性地安装在与正在移动的车辆隔离的稳定平台上。这导致了尺寸大、可靠性差、成本高的缺点。相反,在捷联惯导系统中,惯性传感器直接固定在车辆本体上,这意味着传感器会与车辆一起旋转。这种捷联方法消除了稳定平台惯导的缺点。然而,平台惯导的准确性通常高于SINS。平台惯导往往可以达到战略级(0.0001°/时的陀螺仪偏置,1μg的加速器偏置)或军用级(0.005°/时的陀螺仪偏置,30μg的加速器偏置),而多数SINS只能到达导航级(0.01°/时的陀螺仪偏置,50μg的加速器偏置)或战术级(10°/时的陀螺仪偏置,1mg的加速器偏置)。对于大多数服务机器人或AGV导航应用,这一精度足够了。
导航方法很多,包括机器视觉、GPS、UWB、SLAM型激光雷达等。基于IMU的惯性导航始终是导航的重要组成部分。然而,由于这种传感器的限制——例如偏置误差、轴间误差、噪声,特别是零偏不稳定性——惯性导航通常需要采用一个伙伴传感器,定期为它提供参考或校准,本文将这种情况称为传感器融合。许多传感器都可以与IMU融合,例如摄像头和里程表,但在这些传感器中,地磁传感器是一种低成本的方案,可与IMU配合获得姿态信息。
在本文中,我们使用ADI的IMU ADIS16470和地磁传感器来开发平台和算法,实现捷联惯性导航系统。但是,地磁传感器只能提供姿态信息。对于航位推算或距离测量,我们只能使用IMU中的 加速度传感器。
ADIS16470 IMU简介
ADI公司的ADIS16470是一款微型MEMS IMU,集成了3轴陀螺仪和3轴加速度计。其陀螺仪零偏稳定性为8°/时,加速计零偏稳定性为13μg 其关键参数都经过出厂校准。此外,ADIS16470的 低价格在同级产品中具有吸引力,得到了许多客户的广泛使用。在本文中,我们使用微控制器与ADIS16470通过SPI接口进行通信。
地磁传感器介绍
地磁传感器是用于测量罗盘体坐标(即坐标系)中的地磁场的传感器,可为航向提供绝对参考。其x、y和z分量值由本地地磁场投影而来。这种传感器有两个主要缺点——一是精度和分辨 率不高——例如,常用的霍尼韦尔罗盘传感器HMC5883L的分辨率仅为12位。另一个缺点是传感器容易受到周围环境的干扰,因为地磁场非常弱,强度范围为毫高斯到8高斯。
尽管有这些缺点,仍然可以在许多情况下使用,例如户外、低EMI环境等。将地磁传感器与IMU进行松耦合,就可以在大多数环境中使用这类传感器。
在本文中,我们使用PNI传感器公司的高性能电子罗盘传感器RM3100,它提供了24位分辨率。PNI使用主动激励法来提高抗噪声能力。
罗盘传感器的校准
在使用罗盘传感器之前,需要对其进行校准以消除两个主要误差。一个是失调误差,这原本是由传感器和电路的失调误差引起的。另一个是标度误差。这两种误差都容易受到周围磁环境的干扰。例如,如果有一个x轴向的外部磁场施加到传感器上,就会给出外部x轴失调误差。同时,x轴标度也将与y轴和z轴不同。
通常用于校准磁传感器的方法是在xy平面上转动传感器绕圈,然后抽取数据。一个地点的地磁场强度是一个常数值,因此绘制的数据应该是一个圆;然而,事实上,我们将看到一个椭圆形,这意味着我们需要移动椭圆并重新缩放到以零为中心的圆。
上述2D校准方法有一些缺点,并且需要用加速器来测量其倾斜度。我们使用3D球面拟合方法来校准罗盘传感器。首先,我们需要将传感器旋转到x-y-z空间中的每个方向,并在3D坐标中绘制其值。然后我们需要使用最小平方误差(MSE)方法将数据拟合为椭球面。
椭球方程可以表示为
其中,X、Y和Z是罗盘输出在三个方向上的地磁分量。将这些值拟合为椭球面意味着,我们需要得到一组最优系数解。我们将系数定义为:
在拟合时,我们定义向量:
所以我们需要计算最优σ,并使用公式2来找出最小值:
这样我们就可以得到图1所示的拟合结果。
图1. 原始罗盘数据分布(左)和使用椭球拟合后的罗盘数据(右)。
为了校准传感器,我们需要拉伸或压缩拟合的椭球面并将其移至以零为中心的球面上。我们使用矩阵奇异值分解(SVD)方法来进行这种校准。校准后的球体如图2所示。1,2
图2. 用SVD方法进行球体校准后的罗盘数据。
校准后,我们可以看到,测得的磁场强度(球半径)几乎恒定不变,如图3所示。
图3. 校准前和校准后的磁场比较。
使用ADIS16470和罗盘的姿态和航向参考系统
AHRS由三个轴上的传感器组成,提供姿态信息,包括横滚角、俯仰角和偏航角。AHRS是一个来自飞机导航的概念。我们用它来描述方向,即姿态。
在介绍我们的方法之前,有必要首先解释为什么确定姿态需要进行融合。事实上,我们的系统现在有三种传感器:陀螺仪、加速器和罗盘(地磁传感器)。
陀螺仪提供围绕各轴的旋转角速度。通过角速率积分计算,我们可以得到旋转角度。如果我们知道初始航向,通过角度就始终能够得到航向姿态。积分将累积陀螺仪的不稳定零偏,这将导致角度误差。此外,来自陀螺仪的高斯分布噪声将积分成一个布朗运动过程,并导致随机游走误差。因此,我们很难长时 间使用陀螺仪,陀螺仪需要定期校准。
加速度计提供每个轴方向的移动加速度。在静态状态下,我们可以得到每个轴与重力加速度之间的角度。由于重力加速度在方向和值上恒定不变,我们可以获得相对于重力方向的航向姿态。然而,该方法使用重力加速度作为参考,因此不能解出围绕重力加速度旋转的角度。
罗盘提供从地磁场投影的每个轴的值。我们可以从每个轴与恒为常数向量的地磁场方向之间的关系推导出角度值。如前一节所述,由于对外部磁场的抗扰性较差,罗盘需要一个低干扰的环境。
从这一解释中,我们可以看到,很难靠一个传感器来找到姿态,我们需要组合使用两个或三个传感器并把信息融合起来。本文用加速度计、陀螺仪和地磁罗盘查找姿态。这种融合也被称为磁、角速率和重力(MARG)系统。
扩展卡尔曼滤波器的设计与传感器融合
有多种方法可以将IMU和罗盘数据融合起来,例如互补滤波器、统计学ARMA滤波器,卡尔曼滤波器等。我们在本文中使用的是扩展卡尔曼滤波器。
首先,我们需要介绍本文中使用的一些定义。
坐标定义
T航向或方向是两个坐标(即坐标系)之间的关系。一个坐标总在变化,另一个坐标保持不变。对于坐标定义方法,我们使用导航坐标和体坐标。与东北地(NED)坐标系或地理方法相反,我们将测量的初始体坐标值定义为导航坐标系,此后该坐标为恒定坐标。从体坐标到导航坐标的映射(投影)矩阵定义为
姿态定义
与欧拉角或方向余弦矩阵(DCM)不同,我们在这里使用四元数,定义为
常用于导航以避免奇异性。
用卡尔曼滤波器更新姿态
我们在本文中使用的运动学方程(即状态转移方程)是非线性微分方程,因此需要使用一个EKF,用于对该微分方程进行一阶近似。对于EKF设计,我们定义
一个1×7向量作为状态变量,其中
为角速率;
为姿态四元数。
一个1×7向量作为观测变量,与状态变量具有相同的分量。
一个7×7矩阵作为状态转移矩阵,其中,A的第一部分是角速率的数字化微分方程,第二部分是数字化四元数更新方程,后者从运动学方程推导而来。
一个7×7矩阵作为观察矩阵。
为误差协方差矩阵,这是一个7×7矩阵,其中e估计向量 x̂真实值xx之间的误差我们在测试中将初始误差设为相对较小的值。该值会自动收敛到一个小值。
R,Q被设为状态转移噪声和观测噪声的协方差矩阵。我们得到它们的初始值,
R0和Q0在保持IMU和罗盘处于静止状态的同时,通过测量陀螺仪和加速器的交流均方根值的平方得到。我们设
R0 = Q0
根据以上定义,卡尔曼滤波器将通过以下五个步骤完成:
步骤1:使用公式3计算卡尔曼增益K
步骤2:计算误差协方差矩阵,P:
步骤3:输出估算状态x̂:
步骤4:更新状态x̂–:
步骤5:更新误差协方差矩阵P–:
该过程可以简单地描述为图4中的框图。
图4. 用于更新姿态的卡尔曼滤波器流程图。
篇幅有限,可下载PDF原文阅读
选择最佳的振动传感器来进行风轮机状态监控
laoguo 发表了文章 • 0 个评论 • 714 次浏览 • 2021-07-15 12:18
据保守估计,目前全球至少安装了25万台风轮机。未来四年里,全球风轮机市场预计将增长278 GW的陆上容量、44.3 Gw的海上容 量。1 这相当于至少100,000台3 MW的风轮机。随着可再生能源呈现这种增长,加上国家电网的电力投入,风轮机(WT)装置的可靠运行已成为工业和政府结构着重研究的课题。对WT可靠性的量化研究显示,可靠性随时间不断提升。例如,2016年美国国家可再生能源实验室报告2 显示,在2007年至2013年间,包括变速箱在内的大多数WT子系统的可靠性都得到了提高,变速箱停机时间缩短了7倍。但是,在2018年,变速箱仍然是三大常见故障点之一,且材料成本最高。2,3 变速箱每次故障的平均成本最高,一次大型更换平均花费€230,000。4
变速箱组件的可靠性相对较差,因此需要重点对齿轮、轴承和轴实施状态监控。除了变速箱之外,转子叶片和发电机是WT系统中 故障率最高的组件。5,6 目前商用风轮机状态监控系统有很多,其中大部分使用振动传感器来实施变速箱分析。目前已经有一些 商用的转子叶片监控系统 7 ,但这个领域尚待继续研究。大量相关资料支持在风轮机中使用振动监控系统,包括详细调查和分 析各种系统的优势。8 但很少有资料会介绍风轮机应用对振动传感器的要求。本文从系统角度,提供关于风轮机组件、故障统计、 常见故障类型和故障数据收集方法等的见解。本文从WT组件上的常见故障入手,讨论振动传感器要求,例如带宽、测量范围和噪声密度等。
系统组件、故障和传感器要求
图1和图2显示风轮机系统的主要组件,并提供风轮机变速箱的详细结构。下面几节将重点介绍变速箱、叶片和塔架对状态监 控的要求,重点介绍振动传感器。对于其他系统,例如偏航驱动、机械刹车和发电机,我们一般不使用振动传感器进行监控,而是监控扭矩、温度、润滑油参数和电信号。
图1. 风轮机系统组件
图2. 变速箱的结构
变速箱
风轮机变速箱将机械能从低转速的转子轮毂传输到高速发电机。同时,WT变速箱承受着不同风速带来的交替载荷,以及频 繁制动导致的瞬变脉冲。变速箱包括一个低速转子轴和主轴承,在风力驱动转子叶片时以0 rpm至20 rpm(不到0.3 Hz)的转速运 行。要捕获不断增加的振动信号,需要振动传感器使用直流电运行。行业认证指南特别指出,振动传感器的性能需要达到0.1 Hz。9 变速箱的高速轴通常以3200 rpm (53 Hz)的转速运行。为了提供足够带宽来捕捉轴承和齿轮故障的谐波,推荐低速和高速轴振动传感器的性能达到10 kHz及以上。9 这是因为无论转速多大,轴承谐振一般都在几千赫范围内。10
到目前为止,轴承故障是引发变速箱故障的最大原因。一些研究表明,轴承故障是引发灾难性齿轮故障的根本原因。 11 当高速轴上的后轴承失效时,高速轴发生倾斜,造成中间(中部)轴齿轮的传输不均。在这种情况下,齿轮的接触齿极易发生故障,如图3所示。
图3. 中轴齿轮断齿
轴承润滑(油)不足是导致主轴轴承故障的主要原因。可用的解决方案(例如SKF NoWear)包括特殊轴承涂层, 12 可将缺油运行时间提高6倍以上。
即使采用特殊的轴承涂层和其他变速箱改进方法,我们仍然需要使用合适的振动传感器来监控变速箱的主要轴承和高速轴承。振 动传感器的本底噪声需要足够低,以便能够检测到早期振动幅度(g范围)较低的轴承故障。较老的MEMS技术,例如ADXL001 ,其本底噪声为4 mg/√Hz,足以捕捉轴承外环的故障。13 图4显示,外环故障先出现约0.055 g的频率峰值,且轴承表现良好,从噪声密度角度来看,本底噪声低于2 mg/√Hz。参考的13数据采集系统的过程增益导致噪声大幅降低,因此测量得出2 mg/√Hz本底噪声。只有在DAQ 系统实现了足够的过程增益,且噪声为随机的情况下,才适合使用本底噪声为4 mg/√Hz的传感器。一般情况下,最好使用本底噪声 为100 µg/√Hz至200 µg/√Hz的振动传感器,而不是基于过程增益,后者只有在噪声为随机且不相关的情况下适用。
本底噪声在100 µg/√Hz至200 µg/√Hz之间的传感器在捕捉正常的轴承运行状况方面表现出色,在捕捉mg/√Hz范围内的早期故障时则 表现卓异。事实上,使用本底噪声为100 µg/√Hz的MEMS传感器甚至能够更早检测出轴承故障。
图4. 使用MEMS加速度计ADXL001测量轴承外环的故障
在不到0.1 g时,显示初始轴承损坏,而在达到1 g时,通常表示深度 轴承损坏,这会触发维护。 14 图5显示,当振动幅值超过6 g时,需维护变速箱和更换轴承。如前所述,轴承故障频率会在更高频率下 发生。在更高频率下实施测量需要使用g范围规格更大的传感器。这是因为测得的加速度重力值与频率成比例。因此,与在低频率下 相比,在更高频率下,相同的少量故障位移会导致更高的重力范围。一般指定在50 g至200 g时使用测量范围高达10 kHz、更高带宽的传感 器,尤其指定适用于风轮机应用.由于结构冲击或突然的机械断裂,振动传感器也需要涵盖冲击载荷工况。因此,一般将典型的商用振动监控系统的满量程定为至少为50 g至100 g。
图5. 振动幅度为6 g时的轴承位移
对于风轮机主轴承,要求至少使用一个单轴振动传感器,推荐使用两个,并在轴向和径向上测量。 9 轴承环上的轴向开裂可能使轴 承寿命缩短至仅一到两年。15
由于变速箱本身很复杂,如图2所示,所以建议使用至少6个振动传感器来实施状态监控。 9 在选择传感器的数量和位置时,应确保能够可靠测量所有齿轮啮合和缺陷/转动频率。监控变速箱的 低速级时,需要使用一个单轴传感器,放置在尽可能靠近环形齿轮的位置。监控变速箱的中间和高速级时,需要在中心齿轮、 中间轴和高速轴位置使用一个单轴传感器。高速和中速轴承内环的轴向开裂已成为影响风轮机变速箱寿命的主要原因。15
对于变速箱监控,未来要改善的状态监控领域包括无线振动监控系统的采用,但持续研究才能持续为这些解决方案提供支持。8
转子叶片
风轮机的转子叶片和轮毂组件在低速下捕捉风并传输扭矩。导致叶片故障的主要原因包括极端风荷载、结冰或雷电等环境 影响,以及不平衡。这些因素导致断裂和边缘开裂,以及径节系统故障。目前只有少量商用振动监控系统,可以分布在叶片外部和内部。 8 已经使用MEMS振动传感器在叶片上开展大量学术研究,比如Cooperman和Martinez的工作, 16 其中还包括陀螺仪和磁力仪。我们使用这些传感器的联合输出来确定风轮机叶片的方向和变形。相比之下,很少有商用振动监控系 Weidmuller BLADEcontrol®,17 ,它使用每个转子叶片内的振动传感器来测量每个叶片的自动振动行为的变化。BL ADEcontrol系统主要用于检测引起涡轮过度振动的转子叶片上的极端结冰状况。
一般来说,大型风轮机叶片(即直径40米以上的叶片)的首级固有频率在0.5 Hz至15 Hz之间。 18 对涡轮叶片 18 上的无线振动监控系统的可行性研究显示,因振动激励导致的叶片频率响应远高于基频。其他研究 19 表明,由叶片边缘变形引起的叶片频率与叶片扭转变形引起的叶片频率之间有显著差异。叶片边缘变形的固有频率在0.5 Hz至30 Hz之间,叶片扭转变形的固有频率高达700 Hz。用振动传感器测量基频以外的频率需要更大的带宽。DNVGL状态监控规范认证9建议对转子叶片使用振动传感器,它能够测量0.1 Hz至≥10 kHz的频率范围,其中一个传感器放在转子轴上,另一个放在横向方向上。振动传感器在转子叶片上可以实现高频率测量范围,它也必须具备至少50 g的大幅度测量范围,与变速箱轴承的要求类似。
带风机的塔
风轮机塔为风机外壳和转子叶片总成提供结构支撑。塔身会遭受冲击损坏,导致塔出现倾斜。塔倾斜之后,叶片与风向之间无法保持最佳角度。测量倾斜度需要使用操作功率可以低至0 Hz的传感器,如此在零风条件下,也可以检测到倾斜。
基座部分的结构破坏会导致塔摇晃。塔摇晃监控集成在一些涡轮状态监控系统中,与变速箱振动监控相比,可以商用的选项并不多。 8 Scaime状态监控系统 20 使用加速度计、位移传感器、应变传感器和温度传感器来监控叶片、塔和基座的状况。根据DNVGL规范,Scaime加速度计的满量程范围为±2 g, 20 监控频率范围为0.1 Hz至100 Hz。 9如前所述,在静态条件下(无风力),当塔架结构发生故障导致倾斜时,频率的最低限值降低至0 Hz。要实施倾斜测量,需要使用具有良好的直流稳定性能的传感器。MEMS传感器,例如ADXL355采 用气密封装,可以实现行业领先的0 g失调稳定性。
研究 21 证实,最小±2 g范围的振动传感器足以对塔实施监控。在正常运行模式下,25 mps的最大风速可产生小于1 g的加速度重力电平。事实上,在"基于现场测量和有限元分析的风轮机塔基础系统可识别应力状态" 21 研究中,额定风速为2 mps到25 mps,风轮机会在风速为25 mps时关断(停用)。
总结
表1基于风轮机应用需求提供振动传感器的需求摘要。DNVGL状态监控规范认证中给出了传感器的数量、测量方向和频率范围。 9 如 前所述,0 Hz性能对于监控塔架的结构问题非常重要。表1还根据本文提供的现场研究和测量总结了合适的幅度范围和噪声密度。
故障数据收集方法
所有大规模实体WT都有标准的监控控制和数据采集(SCADA)系统,主要用于实施参数监控。监控参数的示例包括变速箱轴承温度和润滑、主动功率输出和相电流。一些参考资料 6 讨论使用SCADA数据进行风轮机状态监控,以检测趋势。英国杜伦大学的一项调查 7 列出了多达10个商用状态监控系统,这些系统可以适配并与使用标准协议的现有SCADA系统完全集成。GE Energy ADAPT.Wind就是这样一个示例。 22 对未来技术趋势的广泛调查 7 显示,在风轮机上安装振动监控系统是一个明显的倾向。
用于风轮机状态监控的合适的振动传感器
在等于或低于0.3 Hz时,压电振动技术难以或无法捕获振动特征。这意味着无法对低速WT部件,例如转子叶片、主轴承、低速变速箱,塔等实施正常监控。基于MEMS的传感器的性能可以低至0 Hz,可以捕捉所有主要风轮机组件中的关键故障。这为客户提供了用 于WT的单一振动传感器解决方案,仅使用MEMS来测量从0 Hz到高达10 kHz及以上的故障。
除了能够捕捉所有关键故障之外,MEMS还具有以下优点:
宽重力测量范围和超低的µg/√Hz噪声密度,可以轻松满足表1中给出的要求。
MEMS具有内置自测(BIST)功能。系统操作员无需访问WT来测试/确保传感器正确运行,可以节约成本。相比之下,压电技术不具备BIST功能。
与基于压电的解决方案相比,MEMS接口在数据接口和电源供应方面更加灵活。在将高阻抗压电传感器输出解译到长电缆 时,可用的选项有限。最常采用的是双线IEPE接口,使用第二根接地线通过共享电源/数据线为压电传感器供电。IEPE使用与压电解决方案匹配的放大器来提供低阻抗电缆驱动解决方案。IEPE接口解决方案可以使用MEMS传感器,但MEMS传感器也能与使用现场总线(RS-485、CAN)或基于以太网的网络操作的现有系统轻松集成。这是因为MEMS传感器可以提供模拟输出或数字输出(SPI、IC),并轻松传输至其他协议。
环保性能:WT通常在-40˚C到+55˚C的温度下运行,而MEMS器件很容易满足这一要求。
与基于压电的传感器相比,MEMS在长时间使用时具有更好的灵敏度和线性度。ADI加速度计的非线性程度很低,通常可以 忽略不计。例如, ADXL1001 MEMS加速度计在满量程范围内具有小于0.025%的典型非线性规格。相比之下,对基于压电传感器的标准化测量的学术研究显示,非线性度为0.5%或更低。23
如今可用的基于MEMS的振动传感器和解决方案
传感器
使用 ADXL1002、 ADXL1003、 ADXL1005、 和 ADcmXL3021 MEMS传感器(如图2 所示)可以轻松满足风轮机应用的振动监控对带宽、范围和噪 声密度的要求。 ADXL355 和 ADXL357 也适合用于实施风轮机塔监控, 具有较低的带宽和范围测量性能。ADXL355/ADXL357具有良好的直流稳定性,这对于测量风轮机塔的倾斜度非常重要。ADXL355/ ADXL357的气密封装保证了良好的长期稳定性。在10年使用寿命中,ADXL355的重复性在±3.5 mg以内,为倾斜测量提供了高度精准的 传感器。
风轮机状态监控解决方案
无线
ADI提供一套完整的验证参考设计、评估系统和即插即用机器健康传感器模块,以加速客户的设计进度。图6显示ADI无线振动监控评估平台。 该系统解决方案整合了机械附件、硬件、固件和PC软件,可以快速部署和评估单轴振动监测解决方案。该模块可以通过磁性方式或螺柱直接连接到电机或固定装置。作为基于状态的监控(CbM)系统的一部分,它也可以与同一无线Mesh网络上的其他模块组合使用,以提供具有多个传感器节点的范围更广的图像。
图6. 无线振动监控评估平台
CbM硬件信号链包含一个安装在模块底座上的单轴ADXL1002加 速度计。将ADXL1002的输出读入 ADuCM4050低功耗微控制器,并在此对其进行缓冲,转换至频域并传输至SmartMesh® IP终端。将ADXL1002的输出从SmartMesh芯片无线传输到SmartMesh IP管理器。管理器连接到PC,可以进行可视化处理和数据保存。数据显示为原始时域数据和FFT数据。还提供了有关时间汇总数据的其他摘要统计信息。提供了PC端GUI的完整Python®代码以及部署于模块上的C语言固件,以便客户修改。
有线
ADI的 Pioneer 1有线CbM评估平台 为 ADcmXL3021 三轴振动传感器提 供工业有线链接解决方案。CbM硬件信号链由三轴ADcmXL3021加速度计和Hirose flex PCB连接器组成。带有SPI和中断输出的ADcmXL3021 Hirose连接器与接口PCB相连,通过数米长的电缆将发送至RS-485物理层的SPI转化发送至远程主控制器板。SPI到RS-485 物理层的转换可以使用隔离或非隔离的接口PCB实现,其中包括 iCoupler® 隔离 (ADuM5401/ADuM110N)和RS-485/RS-422收发器(ADM4168E/ADM3066E)。该解决方案通过一根标准电缆将电能和数据结合在一起,从而降低了远程MEMS传感器节点的电缆和连接器成本。专用软件GUI可以简单配置ADcmXL3021器件,并在长电缆上捕捉振动数据。GUI软件将数据可视化显示为原始时间域或FFT波形。
图7. 有线振动监控评估平台
结论
本文证明基于MEMS的传感器可以测量风轮机的关键系统中的所有关键故障。MEMS传感器的带宽、测量范围、直流稳定性和噪声 密度均妥善指定,在风轮机应用中具有出色性能。
MEMS内置自测(BIST)、灵活的模拟/数字接口,以及长时间使用过程中的出色的灵敏度/线性度,这是MEMS传感器成为最佳风轮机 状态监控解决方案的另外一些原因。基于振动检测早期故障的维护系统是一项现代技术,可以防止整个风轮机出现成本高昂的停机。
转自EETOP
ADI adxl203ce倾角传感器与Kionix KXR94-2050的区别
laoguo 发表了文章 • 1 个评论 • 842 次浏览 • 2021-06-03 13:17
由于RoHM收购Kionix后,对于Kionix的产品线进行了大量的调整,目前Kionix KXR94-2050已经停产,订不了货。 很多朋友问模拟输出的倾角传感器替代方案,这里我们针对ADI的一款常见的ADXL203CE与之对比,希望有所帮忙。
型号 | ADXL203CE | KXR94-2050 |
品牌 | Analog Devices Inc. | Kionix Inc. |
供应商 | Analog Devices Inc. | Kionix Inc. |
描述 | ACCELEROMETER 1.7G ANALOG 8LCC | ACCELEROMETER 2G ANALOG 14DFN |
电压 - 供电 | 3V ~ 6V | 2.5V ~ 5.25V |
轴 | X,Y | X,Y,Z |
加速度范围 | ±1.7g | ±2g |
零点输出 | 2.5V | 1.65V |
零点温漂 | 0.1mg/°C | 0.2mg/°C |
灵敏度 | 1000mV/g | 660mV/g |
噪声 | 110ug/√Hz | 45ug/√Hz |
带宽 | 0.5Hz ~ 2.5kHz | 800Hz |
输出类型 | 模拟电压 | 模拟电压 |
特性 | 可调带宽 | 可调带宽,可选低通滤波器 |
工作温度 | -40°C ~ 125°C(TA) | -40°C ~ 85°C(TA) |
安装类型 | 表面贴装型 | 表面贴装型 |
封装/外壳 | 8-CLCC | 14-LFDFN 裸露焊盘 |
供应商器件封装 | 8-LCC(5x5mm) | 14-DFN(5x5mm) |
ADI是业界卓越的半导体公司,在模拟信号、混合信号和数字信号处理的设计与制造领域都发挥着十分重要的作用.同时具有丰富的MEMS传感器:加速度传感器,倾角传感器,陀螺仪,地磁传感器,温度传感器以及光学传感器。