基于模型的電推進系統故障診斷方法研究

李勁澤 牛偉 王穎 張文豪

摘要：針對電動無人飛行器（EUAS）的電子傳動系統，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）相結合的方法。該方法可以對EUAS推進系統中的關鍵組件和參數進行識別，并根據識別結果建立一套基于模型的分布式故障診斷架構。通過這種故障診斷方法，人們能夠在有限的數據下完成復雜系統的診斷，從而克服了傳統故障診斷方法需要從退化組件收集大量服役數據和性能數據的難點。

關鍵詞：電動無人飛行器；FMECA；定性貝葉斯；故障診斷

一、引言

隨著電池技術的加速改進，電動無人飛行器被越來越多地用于物流運送和醫療救援等高價值業務上。這些無人飛行器通常是完全或半自主的，自主性的加入對飛行器的安全性提出了更高要求，即電動無人飛行系統（EUAS）應能夠對其當前的健康狀況作出準確估計。而飛行器的電力推進系統是EUAS的關鍵系統[1]，持續監測和更新關鍵系統的健康狀態，對保證EUAS安全高效運行至關重要。

電動旋翼飛行器的電推進系統基本部件包括關鍵的電氣部件（如電池、電機等）和功率電子器件（如電子速度控制器和飛行控制系統等）。在全電動無人機Edge 540T[2]測試飛行中，發現電池出現異常大電流。經過飛行數據分析和故障排除，證實該飛行器的一個電子速度控制器（ESC）已經老化和退化，導致該EUAS操作性能下降。研究人員針對該型無人機的電力系統進行FMECA分析，利用分析結果制定了健康監測方案。但早期研究工作[1，3]集中在單個系統和組件的診斷和預測，為了實現診斷和預測功能，學者們研究了組件級退化對整個系統的影響[4-5]。他們通過開發各組件模型并進行集成，來研究和識別組件退化對級聯動力傳動系統的影響。例如，Hogge等[2]人利用該方法研究了EUAS中機載電池的剩余使用壽命預測，并證明了組件模型集成的可行性。

本文針對六旋翼EUAS的電推進系統展開研究，采用FMECA和定性貝葉斯分析QBA相結合的方法，以提升對關鍵子系統、組件和參數的識別能力。同時，將分布式故障診斷與健康管理相結合，以提高故障診斷效率，減少對機載計算機資源的需求。該EUAS動力傳動系統架構示意如圖1所示，系統由六個電機（M1～M6）組成，它們由六個電子速度控制器（ESC）控制，所有的電機控制器都由電源控制器系統（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。對給定系統進行功能危害性評估（FHA）是評估系統中故障風險的第一步，從功能危害性評估的輸出結果能夠獲得對不同類型危險及其發生概率的評估。

貝葉斯定理可以用定量和定性兩種方法來實現[6]，貝葉斯定理的應用前提是掌握電機控制知識和系統故障的先驗概率。EUAS系統的已知故障概率如表1所示，定性分析結果可分類表示為低（＜10%）、中（10%～66%）、高（67%～90%）或極高（＞90%）。

從表1中可以看出，荷電狀態（SOC）有很高的故障概率，那么當電壓下降時觀察到故障，則認為該故障就是SOC故障。如果某故障概率屬于中級，則需要進一步采用FMECA-QBA架構進行分析，并按照故障診斷架構去檢測。檢測到故障并完成故障隔離后，還可以按照SOC閾值預測剩余使用壽命（RUL）。

二、電動推進系統建模

參照圖2討論的無人機故障診斷步驟進行模型的聯合計算，以此建立一個基于模型的故障檢測和診斷總體框架。為了實現多組件聯合仿真，需要建立電推進系統的模型。在完成子系統和組件識別后，根據故障概率進行排序，并根據順序對子系統進行模型開發。本節參考表1順序分別為電池、ESC、無刷直流電機（BLDC）開發了單獨的子系統模型，并將各子系統模型連接起來，形成整個電推進系統模型，最后在MATLAB中進行仿真。

（一）電池模型

采用狀態向量對電池進行描述，對電池放電結束（EOD）時電池的狀態向量定義如下：

（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、負極體電荷、負極表面電荷、電解質歐姆電阻、正極表面過電位向量、負極表面過電位向量。

這些變量的表達式和參數值在Daigle等人[7]的研究中已經詳細給出，本文不再贅述。

（二）電子速度控制系統（ESC）模型

在本文中，為了方便計算，將ESC建模為一個理想的功率逆變器，它可以對三相電流進行正弦脈寬調制（SPWM）。其中，代表ESC電流換向功能的轉換函數塊中含有功率開關器件的理想模型，因此可以研究開關故障（開路故障和短路故障）和開關頻率故障（如穿透故障）。

ESC模型運行環境如圖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制（PWM）輸入（經過橋接驅動器）和開關晶體管組成的半導體換相電路輸入。F1、F2和F3是來自控制模塊的PWM信號，乘以輸入電壓V，這樣能夠放大驅動三相逆變器的PWM信號[4]。該模型的輸出是三相電壓Va、Vb和Vc，與MATLAB提供的星型電機函數塊方程（2）聯立，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。

（三）電機系統模型

該電機的動態模型應當描述一個三相無刷直流電機，其定子為星形繞組，轉子為永磁體。該動態模型假設電子速度控制器為三相端子提供了一個給定的輸入，并已知梯形波反電勢，則可以將無刷直流電機表達為動力學方程形式：

（3）

式中：ωm為轉子角速度；J為轉動慣量；B為摩擦系數；Te為電磁轉矩；Tl為負載轉矩。

轉子位置θm滿足：

（4）

式中：p是電機極點數。

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，通過對系統重要組成部分運行狀態的監測、及時定位和隔離故障，能夠保證系統持續、安全、有效地運行。大多數基于模型的診斷方案采用集中式算法，即將整個系統建為一個模型同時求解，這種方法存在固有的缺點，如計算復雜度高、單點故障難以定位和軟件可伸縮性差，而分布式健康監測方法很好地解決了這些問題[8]。分布式診斷方法架構原理如圖4所示，不設集中調度模塊，各診斷引擎通過本地分析后，僅將部分分析結果與其他診斷引擎通信，生成全局診斷結果。

診斷引擎的設計基于文獻[8提出的算法，診斷引擎同時創建一個分區結構和本地診斷器。各本地診斷器獨立實現基于粒子濾波器（PF）的推理算法，用于故障檢測、隔離和識別。分布式診斷方法如圖5所示，每個本地診斷器執行三個主要步驟：（a）故障檢測、（b）定性故障隔離和（c）定量的假設故障分解和識別。該方法將定量診斷方案與定性故障隔離方案相結合，提高了診斷效率。

當故障假設集被縮小至設定的大小k或模擬時間達到設定的時長ts時，調用故障分解與識別模塊開始定量的假設故障細化和識別工作。對此時仍存在的故障假設，本地診斷引擎通過將故障參數作為隨機變量引入系統標準模型（SNM）對其進行擴展，生成一個系統故障模型（SFM）。各故障模型通過粒子濾波算法跟蹤觀察到故障行為，并將td-Δmax時刻的估計測量值作為故障模型的輸入（Δmax≥td-tf是故障發生時間tf和故障檢測時間td之間可能出現的最大延遲），最后估算出子系統或部件的故障概率。

診斷引擎在訓練過程中，各粒子濾波器使用Z檢驗來確定粒子濾波器估計的測量值與相應實際觀測值的偏差是否具有統計學意義。隨著觀測值數量的增加，若使用的故障模型正確，則粒子濾波器在被調用時間步長sd內將收斂到觀測值；若故障模型不正確，則粒子濾波器計算結果將偏離觀測值。由于各故障模型都將故障概率作為隨機變量包含在內，因此可以認為故障的大小（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值。

圖6和圖7展示了分布式和集中式故障診斷情況下，計算結果的收斂情況和CPU占用情況。可以發現，分布式計算能夠更快地完成計算并收斂到觀測值，然后完成模型的訓練，且此過程中占用的計算資源更少。

四、結束語

本文對EUAS電推進系統健康監測和診斷方法進行了研究，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合，形成了一種新的故障診斷架構。通過利用FMECA和QBA對組成EUAS電推進系統的子系統和組件故障概率的識別，能夠使診斷程序更快識別和隔離故障系統和組件。在EUAS上應用本文提出的基于模型的分布式機載診斷架構，不僅能最大程度減少需監測的子系統和組件數量，還能夠通過分布式的計算處理能力，有效降低機載計算機資源需求。

作者單位：李勁澤 牛偉 王穎 張文豪 中國航空工業集團公司西安航空計算技術研究所

參考文獻

[1] 方淳，巨亞鴿，李巍，等.大型飛機電力推進系統關鍵技術[J].海南師范大學學報：自然科學版，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，律方成.基于貝葉斯網絡的電容型設備故障診斷[J].電網技術，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.航空發動機退化狀態參數估計與控制技術研究[D].南京航空航天大學，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.飛機電源多Agent預測與健康管理系統研究[J].計算機工程與應用，2010，46（19）：5.