考虑方波电流与机械损耗的无人机推进BLDC电机综合性能预测方法

《Actuators》：Integrated Performance Prediction Method for Drone Propulsion BLDC Motor Considering Square Wave Current and Mechanical Losses

　　

本文提出了一种用于无人机推进的无刷直流电机(BLDC)的性能预测过程，该过程考虑了实际驱动电流特性和机械损耗。无人机推进BLDC电机需要在有限的电源条件下实现高功率密度和高效率，因此其性能应在实际运行条件下进行预测。然而，在基于电子调速器(ESC)的驱动环境中，电流波形随运行条件而变化，且诸如通风与轴承损耗等机械损耗会影响输入功率和效率的估算，特别是在高速运行时。所提出的过程集成了逆变器仿真、有限元分析(FEA)和基于测试的机械损耗模型。在所提出的过程中，BLDC驱动条件下的电流响应被反映在电磁分析中，并且通过考虑电磁和机械损耗来估算电机的输入功率、输出功率和效率。此外，机械损耗从负载测试结果中分离出来，并被表述为依赖于转速的损耗模型，以用于性能预测过程。通过与在不同油门条件下获得的测试结果进行比较，检验了所提出方法的有效性。所提出的方法将输入功率预测误差从26.61%降低至2.62%，将效率预测误差从36.27%p降低至2.55%p，证明了其在预测实际运行条件下无人机推进BLDC电机性能的有效性。

研究背景与意义：近年来，无人机在物流、灾害响应、航空摄影和城市空中交通等领域得到了广泛应用。由于无人机系统必须在有限的电池容量下保证充足的飞行时间，提高推进系统的效率和功率密度已成为关键的设计要求。其中，无刷直流电机(BLDC)由于其高功率密度、快速的动态响应和相对简单的驱动结构，被广泛应用于无人机推进系统。在这些推进系统中，电机的输入功率、输出功率和效率特性直接影响总体的飞行时间和系统性能，因此必须准确预测电机在实际运行条件下的性能。然而，无人机的实际运行环境基于电子调速器(ESC)的开关驱动，电机电流受逆变器开关特性的影响，呈现出方波电流波形。这些电流特性会导致电磁转矩和损耗发生变化，进而影响电机的输出和效率。此外，对于在较宽转速范围内运行的空冷无人机推进电机，通风与轴承损耗等机械损耗会显著影响输入功率和效率的预测精度。以往的研究分别对基于有限元分析(FEA)的电磁损耗、电流谐波的影响以及机械损耗的估算进行了精确的独立分析，但未能将基于逆变器的电流分析、基于FEA的电磁分析与机械损耗分析在一个统一的框架内建立联系，以共同预测无人机电机的整体性能。因此，研究人员开展了这项研究，提出了一种综合考虑实际方波驱动电流与机械损耗的无人机推进BLDC电机综合性能预测方法。该研究为在实际运行条件下进行小型BLDC电机的性能分析和设计提供了实用工具，具有重要的工程应用价值，论文发表在《Actuators》期刊上。

关键技术方法：研究人员提出一种综合性能预测流程，整合了三大核心技术。首先，建立基于MATLAB/Simulink的逆变器仿真模型，根据电机等效电路和六步换向逻辑计算反映实际PWM(脉宽调制)开关特性的方波线电流响应。其次，利用JMAG-Designer软件进行二维瞬态电磁有限元分析(FEA)，将仿真得到的电流波形作为激励源，计算电磁转矩以及铜损、铁损和永磁体涡流损耗等电磁损耗。最后，基于负载测试平台（配备测功机、扭矩传感器、功率分析仪及FLAME 60A 12S V2.0 ESC控制器）分离出机械输出功率与电磁损耗并从输入功率中扣除，进而将提取的机械损耗拟合为依赖于转速的二次函数模型。将该机械损耗模型代入仿真计算等效机械损耗扭矩，从而实现了电磁与机械物理场的耦合计算。

电机模型与性能预测流程：目标电机被设计为适用于高速运行的外转子表面永磁同步电机(SPMSM)结构，采用28极24槽的集中绕组配置。在24 V电压条件下，其最大转速、最大扭矩和最大输出功率分别为5600 rpm、1.05 Nm和600 W。预测流程首先估计电阻、电感和反电动势(BEMF)常数等电气参数以及转动惯量，并将其输入逆变器仿真模块。该模块计算稳态下的线电流波形、转速和机械损耗，其中电流波形被用作FEA的输入激励条件。通过电磁分析得出的电磁转矩与各项损耗，再结合估算的机械损耗，最终计算出轴输出功率、输入功率和电机效率。

电机损耗分析：电机损耗被划分为电磁损耗与机械损耗。电磁损耗中，铜损通过相电流有效值与相电阻解析求得；铁损利用JMAG内置的FFT(快速傅里叶变换)方法评估时变磁通密度带来的磁滞与涡流损耗；永磁体涡流损耗则通过二维瞬态FEA进行计算。机械损耗难以通过FEA解析计算，因此通过负载测试分离得出。在50%和100%油门测试条件下，将实测输入功率减去机械输出功率和基于FEA的电磁损耗得到机械损耗。在50%油门工况下，机械损耗占总损耗的77.77%；在100%油门工况下占51.00%。实验估测的机械损耗被拟合为关于转速的二次方程，其拟合误差在5460 rpm时为3.91%，该模型被整合入逆变器仿真中。

预测流程的性能验证：研究人员在相同输出功率条件下，对比了考虑与不考虑机械损耗时的仿真值与实测值。在50%油门低速工况（Case 1）下，未考虑机械损耗时假设电磁输出功率等于实测输出功率，导致所需电流偏小，输入功率和效率误差分别高达26.61%和36.27%p；当引入机械损耗模型时，所需电流误差减小至4.14%，输入功率和效率误差分别降至2.62%和2.55%p。在100%油门高速工况（Case 2）下，未考虑机械损耗同样导致低估输入功率和高估效率，误差分别为9.45%和10.44%p；考虑机械损耗后，输入功率和效率误差进一步降至1.40%和1.38%p。在整个运行区间内，低速区机械损耗占比较大，而高速区电磁损耗占比显著增加，预测的轴扭矩在全工况范围内与实测值高度吻合。

结论：本文提出了一种用于600 W无人机推进BLDC电机的性能预测流程，通过耦合逆变器电流分析、FEA电磁分析与基于测试的机械损耗模型，该流程能够有效预测电机的实际性能。研究表明，在低速运行条件下，机械损耗在总损耗中占有较大比例，若忽略机械损耗，将导致输入功率被严重低估且效率被大幅高估。结合电磁特性和机械损耗模型，预测的电流特性与实测结果相近，显著降低了输入功率与效率的预测误差，验证了该方法在分析实际运行条件下无人机推进电机性能的有效性。研究也存在一定局限性，目前方法仅在两个工况点得到验证，且忽略了PWM引起的损耗，未来研究将在更宽的运行范围内进行验证并引入PWM损耗以进一步提升预测精度。