《The Aeronautical Journal》:Energy-aware trajectory planning considering multi-physics dynamics for fuel cell-powered rotary-wing unmanned aerial vehicles
编辑推荐:
**专业术语摘要翻译**
电动垂直起降(eVTOL)无人航空器(UAVs)由于其动力系统部件中的能量与功率约束,导致飞行时间和航程受限。本文提出一种面向氢动力旋翼无人机的新型能量感知轨迹生成方法,通过考虑推进系统的动态行为来优化燃料电池能量消耗。所提方法融合
**专业术语摘要翻译**
电动垂直起降(eVTOL)无人航空器(UAVs)由于其动力系统部件中的能量与功率约束,导致飞行时间和航程受限。本文提出一种面向氢动力旋翼无人机的新型能量感知轨迹生成方法,通过考虑推进系统的动态行为来优化燃料电池能量消耗。所提方法融合了燃料电池、电子调速器(ESC)、电机、无人机动力学及螺旋桨的多物理效应。在基于文献验证燃料电池推进模型之后,研究人员利用CasADi和OptimTraj框架构建并求解了能量感知轨迹优化问题。研究考察了两种燃料电池动力拓扑的能量最优轨迹规划:半主动式(配置A)与直接式(配置B)。研究选取燃料电池的关键特性,即电压降(Ed)与燃料电池电容电压(Vd),以表征两种不同燃料电池在任务过程中的动态行为,该任务起点位于x方向40 m、z方向20 m处。仿真结果表明,相较于配置A,配置B具有更低的瞬态电流波动和更稳定的功率曲线,这通过燃料电池电流导数与氢消耗率的降低得以证实。研究显示,能量感知轨迹生成通过优化垂直与前向速度剖面降低了累计能量消耗,从而提升了旋翼无人机的续航能力。综上所述,本研究通过将推进系统动力学纳入飞行规划,为燃料电池动力无人机提出了一种能量感知轨迹优化的新方法,而这一方面在现有氢动力旋翼无人机文献中在很大程度上被忽视了。
**论文解读**
**1. 研究背景与问题提出**
小型无人机(UAV)按机翼类型可分为固定翼与旋翼两类,其中旋翼无人机凭借优越的机动性与垂直起降能力,在监测、物流、应急救援及空中摄影等领域具有广泛应用。然而,旋翼无人机在悬停、起飞和降落阶段功耗相对较高,其续航时间与航程长期受制于动力系统的能量与功率约束。燃料电池尤其是质子交换膜燃料电池(PEMFC),因其高比能量密度、快速启动特性和较低工作温度,被视为延长小型无人机续航时间的关键技术。尽管燃料电池与氢储存技术不断进步,针对氢动力无人机的能量管理与能量感知轨迹规划研究仍存在空白。现有轨迹规划研究多集中于纯电池动力旋翼无人机,而燃料电池动力旋翼无人机中推进部件动态行为对飞行规划的影响机理尚不明确。推进系统中的燃料电池、电子调速器(ESC)、电机与螺旋桨并非独立运行,其动态相互作用直接影响无人机整体能耗。然而,已有的多物理轨迹生成研究主要面向电池驱动的旋翼平台,针对混合氢燃料电池-电池旋翼无人机的相关研究仍十分有限。为此,本研究旨在建立考虑多物理效应的燃料电池旋翼无人机动态模型,并据此开发能量感知轨迹规划方法,以最小化任务全程的能耗。
**2. 研究内容与关键结论**
研究人员提出了一种面向燃料电池动力旋翼无人机的能量感知轨迹规划框架。该框架整合了燃料电池电化学动态、ESC与电机的机电动态以及螺旋桨空气动力学,并与无人机刚体动力学模型耦合,从而建立统一的多物理推进系统模型。在此模型基础上,研究构建了以最小化燃料电池电能消耗为目标函数的轨迹优化问题,并对比了半主动式(配置A,六旋翼,含DC/DC变换器)与直接式(配置B,八旋翼,无变换器)两种混合拓扑的性能差异。研究发现,配置A在较高的燃料电池电压(31–36 V)下运行,电流波动较小,氢消耗率相对平稳;配置B系统电压较低(17–28 V),瞬态电流变化更显著,但后期氢消耗率降至更低水平。轨迹优化结果表明,配置A以10.7 kJ的累计能耗在7.18 s内到达目标位置,而配置B耗时7.26 s且能耗约15.5 kJ。该研究首次系统地比较了两种燃料电池混合拓扑在能量感知轨迹规划框架下的动态特性与能耗表现,揭示了推进拓扑与飞行轨迹之间的交互作用对氢消耗的定量影响,为氢动力旋翼无人机的推进系统选型与飞行任务规划提供了设计指导。
**3. 主要关键技术方法**
研究基于文献[1,2]建立并验证了包含PEMFC、ESC、电机与螺旋桨的多物理推进系统模型,其中燃料电池模型考虑了双电层充电效应、系统延迟效应及温度恒定条件下的等效电路动态。螺旋桨气动力模型结合动量理论与叶素理论计算推力与扭矩,并通过求解四次多项式获得诱导速度。无人机刚体模型仅考虑二维平面(x-z)内的运动,包含水平加速度、垂直加速度与俯仰角加速度方程。能量感知轨迹优化问题分别采用CasADi与OptimTraj框架求解,其中OptimTraj采用梯形配点法(50个网格点)结合fmincon内点算法,最大迭代1000次,最优性与约束容差设为10
-6。研究中配置A选用H3Dynamics A-1200 LV燃料电池(质量2.15 kg),配置B选用Spectronik PROTIUM-1000燃料电池(质量4 kg),两者工作电压范围均为17–25 V。推进模型推力、扭矩和角速度的验证结果与基准研究对比,在1300 PWM处最大偏差分别为6.15%、11.53%和2%。
**4. 研究结果与讨论**
**4.1 多物理推进模型输出特性**
通过向推进模型输入PWM(1250–1650,步长50)、前向速度v
x(?0.5至0.5 m/s)、垂直速度v
z(0至2 m/s)及电压V
b(17–25 V),获得了推力、电流、扭矩和角速度的响应数据。结果表明,螺旋桨最大推力约为21 N,对应电流约15 A。
**4.2 求解器性能对比**
针对从原点到达x=50 m、z=20 m的基准任务,GPOPS-2、CasADi与OptimTraj三种算法到达目标位置的时间分别为7 s、6.9 s和7.3 s,对应能耗约为7.7 kJ、6.7 kJ和8.4 kJ。OptimTraj生成的俯仰角轨迹较其他两者更为平滑。需注意,由于CasADi无法在优化迭代中直接调用查找表,其解仅用于对比参考。
**4.3 配置A与配置B的燃料电池动态响应**
配置A运行过程中,燃料电池电容电压介于1400–2800 mV,电压降保持在±0.05 V以内,DC/DC变换器效率随时间与功率变化。配置B无变换器,燃料电池与电池直接连接,电压响应在?0.05至0.125 V范围内波动。两种配置的电流导数在整个仿真过程中大多位于±50 A/s区间内,仅在起始与结束阶段出现突变尖峰。
**4.4 氢消耗与轨迹结果对比**
配置A的氢消耗率大部分时间稳定在5.0–5.5×10
-6 mol/s范围内,在4–7 s时段逐步降至约3.0×10
-6 mol/s。配置B初始约为5.5×10
-6 mol/s,在5–6 s降至约2.5×10
-6 mol/s,6.5–7.2 s时段进一步降至接近0–1×10
-6 mol/s。两条轨迹的前向速度剖面相似,峰值约9 m/s,俯仰角在?0.35至0.4 rad之间变化。配置A到达目标位置的时间更短(7.18 s vs 7.26 s),累计能耗更低(10.7 kJ vs 15.5 kJ)。
**5. 总结与结论**
本研究将多物理推进系统动力学纳入飞行规划,提出了面向混合氢动力旋翼无人机的能量感知轨迹规划新方法,扩展了先前基于电池的框架。研究比较了半主动式(配置A)与直接式(配置B)两种混合拓扑,揭示了不同拓扑在能量管理方面的功率分配特性差异。研究得到的主要结论为:半主动式拓扑提供更稳定的功率输出,而直接式拓扑在氢经济性方面表现更好。集成模型与基准研究的最大偏差出现在1300 PWM处,推力、扭矩与角速度偏差分别为6.15%、11.53%和2%,其他PWM值下的偏差更小。单旋翼电流需求介于1.5–15 A之间。在能量最优轨迹优化中,六旋翼无人机(8.34 kg)以10.7 kJ能耗在7.18 s内到达目标位置(40 m, 20 m),八旋翼无人机(11.51 kg)则在7.26 s内完成相同轨迹,消耗15.5 kJ能量。未来研究可在此基础上集成能量管理算法于全主动推进拓扑中,并将燃料电池退化动态与任务时间约束纳入目标函数,进一步扩展到城市空中交通、长航时监视与货物运输等应用场景。