李勁澤 牛偉 王穎 張文豪

摘要：針對(duì)電動(dòng)無(wú)人飛行器（EUAS）的電子傳動(dòng)系統(tǒng)，本文采用了故障模式、影響和危害性分析（FMECA）與定性貝葉斯分析（QBA）相結(jié)合的方法。該方法可以對(duì)EUAS推進(jìn)系統(tǒng)中的關(guān)鍵組件和參數(shù)進(jìn)行識(shí)別，并根據(jù)識(shí)別結(jié)果建立一套基于模型的分布式故障診斷架構(gòu)。通過(guò)這種故障診斷方法，人們能夠在有限的數(shù)據(jù)下完成復(fù)雜系統(tǒng)的診斷，從而克服了傳統(tǒng)故障診斷方法需要從退化組件收集大量服役數(shù)據(jù)和性能數(shù)據(jù)的難點(diǎn)。

關(guān)鍵詞：電動(dòng)無(wú)人飛行器；FMECA；定性貝葉斯；故障診斷

一、引言

隨著電池技術(shù)的加速改進(jìn)，電動(dòng)無(wú)人飛行器被越來(lái)越多地用于物流運(yùn)送和醫(yī)療救援等高價(jià)值業(yè)務(wù)上。這些無(wú)人飛行器通常是完全或半自主的，自主性的加入對(duì)飛行器的安全性提出了更高要求，即電動(dòng)無(wú)人飛行系統(tǒng)（EUAS）應(yīng)能夠?qū)ζ洚?dāng)前的健康狀況作出準(zhǔn)確估計(jì)。而飛行器的電力推進(jìn)系統(tǒng)是EUAS的關(guān)鍵系統(tǒng)[1]，持續(xù)監(jiān)測(cè)和更新關(guān)鍵系統(tǒng)的健康狀態(tài)，對(duì)保證EUAS安全高效運(yùn)行至關(guān)重要。

電動(dòng)旋翼飛行器的電推進(jìn)系統(tǒng)基本部件包括關(guān)鍵的電氣部件（如電池、電機(jī)等）和功率電子器件（如電子速度控制器和飛行控制系統(tǒng)等）。在全電動(dòng)無(wú)人機(jī)Edge 540T[2]測(cè)試飛行中，發(fā)現(xiàn)電池出現(xiàn)異常大電流。經(jīng)過(guò)飛行數(shù)據(jù)分析和故障排除，證實(shí)該飛行器的一個(gè)電子速度控制器（ESC）已經(jīng)老化和退化，導(dǎo)致該EUAS操作性能下降。研究人員針對(duì)該型無(wú)人機(jī)的電力系統(tǒng)進(jìn)行FMECA分析，利用分析結(jié)果制定了健康監(jiān)測(cè)方案。但早期研究工作[1，3]集中在單個(gè)系統(tǒng)和組件的診斷和預(yù)測(cè)，為了實(shí)現(xiàn)診斷和預(yù)測(cè)功能，學(xué)者們研究了組件級(jí)退化對(duì)整個(gè)系統(tǒng)的影響[4-5]。他們通過(guò)開(kāi)發(fā)各組件模型并進(jìn)行集成，來(lái)研究和識(shí)別組件退化對(duì)級(jí)聯(lián)動(dòng)力傳動(dòng)系統(tǒng)的影響。例如，Hogge等[2]人利用該方法研究了EUAS中機(jī)載電池的剩余使用壽命預(yù)測(cè)，并證明了組件模型集成的可行性。

本文針對(duì)六旋翼EUAS的電推進(jìn)系統(tǒng)展開(kāi)研究，采用FMECA和定性貝葉斯分析QBA相結(jié)合的方法，以提升對(duì)關(guān)鍵子系統(tǒng)、組件和參數(shù)的識(shí)別能力。同時(shí)，將分布式故障診斷與健康管理相結(jié)合，以提高故障診斷效率，減少對(duì)機(jī)載計(jì)算機(jī)資源的需求。該EUAS動(dòng)力傳動(dòng)系統(tǒng)架構(gòu)示意如圖1所示，系統(tǒng)由六個(gè)電機(jī)（M1～M6）組成，它們由六個(gè)電子速度控制器（ESC）控制，所有的電機(jī)控制器都由電源控制器系統(tǒng)（PCS）控制。

二、FMECA和定性貝葉斯分析（QBA）

故障診斷的分析流程如圖2所示。對(duì)給定系統(tǒng)進(jìn)行功能危害性評(píng)估（FHA）是評(píng)估系統(tǒng)中故障風(fēng)險(xiǎn)的第一步，從功能危害性評(píng)估的輸出結(jié)果能夠獲得對(duì)不同類(lèi)型危險(xiǎn)及其發(fā)生概率的評(píng)估。

貝葉斯定理可以用定量和定性?xún)煞N方法來(lái)實(shí)現(xiàn)[6]，貝葉斯定理的應(yīng)用前提是掌握電機(jī)控制知識(shí)和系統(tǒng)故障的先驗(yàn)概率。EUAS系統(tǒng)的已知故障概率如表1所示，定性分析結(jié)果可分類(lèi)表示為低（＜10%）、中（10%～66%）、高（67%～90%）或極高（＞90%）。

從表1中可以看出，荷電狀態(tài)（SOC）有很高的故障概率，那么當(dāng)電壓下降時(shí)觀察到故障，則認(rèn)為該故障就是SOC故障。如果某故障概率屬于中級(jí)，則需要進(jìn)一步采用FMECA-QBA架構(gòu)進(jìn)行分析，并按照故障診斷架構(gòu)去檢測(cè)。檢測(cè)到故障并完成故障隔離后，還可以按照SOC閾值預(yù)測(cè)剩余使用壽命（RUL）。

二、電動(dòng)推進(jìn)系統(tǒng)建模

參照?qǐng)D2討論的無(wú)人機(jī)故障診斷步驟進(jìn)行模型的聯(lián)合計(jì)算，以此建立一個(gè)基于模型的故障檢測(cè)和診斷總體框架。為了實(shí)現(xiàn)多組件聯(lián)合仿真，需要建立電推進(jìn)系統(tǒng)的模型。在完成子系統(tǒng)和組件識(shí)別后，根據(jù)故障概率進(jìn)行排序，并根據(jù)順序?qū)ψ酉到y(tǒng)進(jìn)行模型開(kāi)發(fā)。本節(jié)參考表1順序分別為電池、ESC、無(wú)刷直流電機(jī)（BLDC）開(kāi)發(fā)了單獨(dú)的子系統(tǒng)模型，并將各子系統(tǒng)模型連接起來(lái)，形成整個(gè)電推進(jìn)系統(tǒng)模型，最后在MATLAB中進(jìn)行仿真。

（一）電池模型

采用狀態(tài)向量對(duì)電池進(jìn)行描述，對(duì)電池放電結(jié)束（EOD）時(shí)電池的狀態(tài)向量定義如下：

（1）

式中：qs，p、qb，p、qb，n、qs，n、V'o、V'η，p、V'η，n分別為正極表面電荷、正極體電荷、負(fù)極體電荷、負(fù)極表面電荷、電解質(zhì)歐姆電阻、正極表面過(guò)電位向量、負(fù)極表面過(guò)電位向量。

這些變量的表達(dá)式和參數(shù)值在Daigle等人[7]的研究中已經(jīng)詳細(xì)給出，本文不再贅述。

（二）電子速度控制系統(tǒng)（ESC）模型

在本文中，為了方便計(jì)算，將ESC建模為一個(gè)理想的功率逆變器，它可以對(duì)三相電流進(jìn)行正弦脈寬調(diào)制（SPWM）。其中，代表ESC電流換向功能的轉(zhuǎn)換函數(shù)塊中含有功率開(kāi)關(guān)器件的理想模型，因此可以研究開(kāi)關(guān)故障（開(kāi)路故障和短路故障）和開(kāi)關(guān)頻率故障（如穿透故障）。

ESC模型運(yùn)行環(huán)境如圖3所示，從圖中可以看出，ESC模型的輸入包含了電池電壓輸入V、用于控制頻率的脈寬調(diào)制（PWM）輸入（經(jīng)過(guò)橋接驅(qū)動(dòng)器）和開(kāi)關(guān)晶體管組成的半導(dǎo)體換相電路輸入。F1、F2和F3是來(lái)自控制模塊的PWM信號(hào)，乘以輸入電壓V，這樣能夠放大驅(qū)動(dòng)三相逆變器的PWM信號(hào)[4]。該模型的輸出是三相電壓Va、Vb和Vc，與MATLAB提供的星型電機(jī)函數(shù)塊方程（2）聯(lián)立，可求得各相之間的繞組電壓Vab、Vbc和Vca。

（2）

式中：V是三相電壓Va、Vb和Vc的矢量表達(dá)。

（三）電機(jī)系統(tǒng)模型

該電機(jī)的動(dòng)態(tài)模型應(yīng)當(dāng)描述一個(gè)三相無(wú)刷直流電機(jī)，其定子為星形繞組，轉(zhuǎn)子為永磁體。該動(dòng)態(tài)模型假設(shè)電子速度控制器為三相端子提供了一個(gè)給定的輸入，并已知梯形波反電勢(shì)，則可以將無(wú)刷直流電機(jī)表達(dá)為動(dòng)力學(xué)方程形式：

（3）

式中：ωm為轉(zhuǎn)子角速度；J為轉(zhuǎn)動(dòng)慣量；B為摩擦系數(shù)；Te為電磁轉(zhuǎn)矩；Tl為負(fù)載轉(zhuǎn)矩。

轉(zhuǎn)子位置θm滿(mǎn)足：

（4）

式中：p是電機(jī)極點(diǎn)數(shù)。

三、基于模型的分布式診斷方法

采用基于模型的故障診斷方法，通過(guò)對(duì)系統(tǒng)重要組成部分運(yùn)行狀態(tài)的監(jiān)測(cè)、及時(shí)定位和隔離故障，能夠保證系統(tǒng)持續(xù)、安全、有效地運(yùn)行。大多數(shù)基于模型的診斷方案采用集中式算法，即將整個(gè)系統(tǒng)建為一個(gè)模型同時(shí)求解，這種方法存在固有的缺點(diǎn)，如計(jì)算復(fù)雜度高、單點(diǎn)故障難以定位和軟件可伸縮性差，而分布式健康監(jiān)測(cè)方法很好地解決了這些問(wèn)題[8]。分布式診斷方法架構(gòu)原理如圖4所示，不設(shè)集中調(diào)度模塊，各診斷引擎通過(guò)本地分析后，僅將部分分析結(jié)果與其他診斷引擎通信，生成全局診斷結(jié)果。

診斷引擎的設(shè)計(jì)基于文獻(xiàn)[8提出的算法，診斷引擎同時(shí)創(chuàng)建一個(gè)分區(qū)結(jié)構(gòu)和本地診斷器。各本地診斷器獨(dú)立實(shí)現(xiàn)基于粒子濾波器（PF）的推理算法，用于故障檢測(cè)、隔離和識(shí)別。分布式診斷方法如圖5所示，每個(gè)本地診斷器執(zhí)行三個(gè)主要步驟：（a）故障檢測(cè)、（b）定性故障隔離和（c）定量的假設(shè)故障分解和識(shí)別。該方法將定量診斷方案與定性故障隔離方案相結(jié)合，提高了診斷效率。

當(dāng)故障假設(shè)集被縮小至設(shè)定的大小k或模擬時(shí)間達(dá)到設(shè)定的時(shí)長(zhǎng)ts時(shí)，調(diào)用故障分解與識(shí)別模塊開(kāi)始定量的假設(shè)故障細(xì)化和識(shí)別工作。對(duì)此時(shí)仍存在的故障假設(shè)，本地診斷引擎通過(guò)將故障參數(shù)作為隨機(jī)變量引入系統(tǒng)標(biāo)準(zhǔn)模型（SNM）對(duì)其進(jìn)行擴(kuò)展，生成一個(gè)系統(tǒng)故障模型（SFM）。各故障模型通過(guò)粒子濾波算法跟蹤觀察到故障行為，并將td-Δmax時(shí)刻的估計(jì)測(cè)量值作為故障模型的輸入（Δmax≥td-tf是故障發(fā)生時(shí)間tf和故障檢測(cè)時(shí)間td之間可能出現(xiàn)的最大延遲），最后估算出子系統(tǒng)或部件的故障概率。

診斷引擎在訓(xùn)練過(guò)程中，各粒子濾波器使用Z檢驗(yàn)來(lái)確定粒子濾波器估計(jì)的測(cè)量值與相應(yīng)實(shí)際觀測(cè)值的偏差是否具有統(tǒng)計(jì)學(xué)意義。隨著觀測(cè)值數(shù)量的增加，若使用的故障模型正確，則粒子濾波器在被調(diào)用時(shí)間步長(zhǎng)sd內(nèi)將收斂到觀測(cè)值；若故障模型不正確，則粒子濾波器計(jì)算結(jié)果將偏離觀測(cè)值。由于各故障模型都將故障概率作為隨機(jī)變量包含在內(nèi)，因此可以認(rèn)為故障的大小（指偏離正常值百分比）就是故障模型中粒子濾波算法給出的估計(jì)值。

圖6和圖7展示了分布式和集中式故障診斷情況下，計(jì)算結(jié)果的收斂情況和CPU占用情況。可以發(fā)現(xiàn)，分布式計(jì)算能夠更快地完成計(jì)算并收斂到觀測(cè)值，然后完成模型的訓(xùn)練，且此過(guò)程中占用的計(jì)算資源更少。

四、結(jié)束語(yǔ)

本文對(duì)EUAS電推進(jìn)系統(tǒng)健康監(jiān)測(cè)和診斷方法進(jìn)行了研究，將FMECA和定性貝葉斯分析（QBA）與基于模型的分布式故障診斷結(jié)合，形成了一種新的故障診斷架構(gòu)。通過(guò)利用FMECA和QBA對(duì)組成EUAS電推進(jìn)系統(tǒng)的子系統(tǒng)和組件故障概率的識(shí)別，能夠使診斷程序更快識(shí)別和隔離故障系統(tǒng)和組件。在EUAS上應(yīng)用本文提出的基于模型的分布式機(jī)載診斷架構(gòu)，不僅能最大程度減少需監(jiān)測(cè)的子系統(tǒng)和組件數(shù)量，還能夠通過(guò)分布式的計(jì)算處理能力，有效降低機(jī)載計(jì)算機(jī)資源需求。

作者單位：李勁澤 牛偉 王穎 張文豪 中國(guó)航空工業(yè)集團(tuán)公司西安航空計(jì)算技術(shù)研究所

參考文獻(xiàn)

[1] 方淳，巨亞鴿，李巍，等.大型飛機(jī)電力推進(jìn)系統(tǒng)關(guān)鍵技術(shù)[J].海南師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2021，34（2）：195-203.

[2] Hogge E，Bole B，Vazquez S， et al.Verification of Prognostic Algorithms to Predict Remaining Flying Time for Electric Unmanned Vehicles[J].IJPHM，2018，9（1）.

[3] 王永強(qiáng)，律方成.基于貝葉斯網(wǎng)絡(luò)的電容型設(shè)備故障診斷[J].電網(wǎng)技術(shù)，2009（17）：4.

[4] Gorospe G， Kulkarni C S， Hogge E，et al. A study of the degradation of electronic speed controllers for brushless DC motors[C]// Asia Pacific Conference of the Prognostics and Health Management Society 2017. 2017 （ARC-E-DAA-TN42858）.

[5] 徐田鎮(zhèn).航空發(fā)動(dòng)機(jī)退化狀態(tài)參數(shù)估計(jì)與控制技術(shù)研究[D].南京航空航天大學(xué)，2017.

[6] Medow， Mitchell， A， et al. A qualitative approach to Bayes theorem[J]. Evidence Based Medicine， 2011.

[7]Daigle M，Kulkarni C S.Electrochemistry-based Battery Modeling for Prognostics[J]. 2013.

[8] 張莉，袁海文.飛機(jī)電源多Agent預(yù)測(cè)與健康管理系統(tǒng)研究[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（19）：5.