导语

空天系统不仅是人工智能科学与技术成果的重要应用领域，也是推动人工智能快速发展最强劲的动力之一！人们耳熟能详的空间交会对接、机械臂在轨服务、无人机导航制导及控制，以及相关的火箭发射、制造、运输、设备故障诊断和健康管理等方面都无一不在期待人工智能新理论、新方法、新技术的问世和应用。

本期专辑邀请了智能空天系统专业委员会重点研究方向上的著名学者对其最新成果作一介绍，包括非完备信息下无人机智能攻防决策技术研究现状与展望、航天发射安全性智能评估技术研究、深空探测航天器的自主运行技术、多电飞机飞行控制电静液作动器的智能化问题以及云边协同的智能制造系统5篇稿件，以期对感兴趣的读者有所帮助。

0 引言

飞机多电化是飞机发展的主要方向和研究热点，功率电传集成作动系统通过电导线，以电能量的方式完成二次能源系统到各执行机构之间的功率传输和驱动控制。电静液作动器（EHA）已经在A380、F35、A400M、A350等飞机上得到初步应用，集成机电作动器（EHA）作为B787的刹车系统、A320Neo的主飞控副翼作动器产生了巨大反响和效益。与传统液压作动系统相比，EHA安全性好、效率高、更加可靠和易于维护，而EMA结构更加简单、效率更高、功重比更大。采用功率电传伺服作动系统，可以提高民机的综合效益和战机的战场生存能力，以及提高飞机的可靠性和可维护性，是下一代飞机主要飞控作动系统形式。本文介绍EHA可能遇到的智能化问题，为功率电传集成电作动系统的深入研究及未来应用提供思路和支撑。

1 EHA的组成和原理

​

EHA兼具电力传输与液压作动的双重优点；功率传输可以实现远距离低损耗，输出速比、输出力比可以很大且可以无级调节，自抗过载自润滑，油液充满EHA内便于温度均匀。EHA采用功率电传技术和容积调速原理，有EHAVP电机泵恒转速油泵排量双向可控、EHA-VM油泵定排量电机泵双向转速可控和EHA-VPVM电机泵转速油泵排量均可控三种基本工作原理，如图1所示。

图1 EHA 的三种工作原理

图2所示是应用最多的成熟方案EHAVM，采用三环伺服控制，液压缸位置控制属于外环，转速控制是中环，设置的电流环是电机转速控制的内环，它保证电机不至于外负载过大而烧损电机；为了抑制电机电流并适当补偿负载变化，在位置环内还设置了压力补偿环节。电动机转动带动液压泵旋转，输出成比例流量的液压油，控制液压缸的速度，当液压缸位移传感器检测出与给定指令接近时，EHA 控制器调节后让电动机转速逐渐降低，直到达到控制误差范围，与维持液压缸要求位置的内泄露量相符。其他元部件不参与伺服控制。

图2 集成EHA的组成原理

​2 EHA智能化研究

​

​2.1 集成EHA的智能化设计

​

​2.1.1 设计参数智能估计方法

​

EHA的设计过程即是确定系统及元部件各参数的过程。EHA设计可分为架构设计、系统设计和详细设计三个阶段，其中架构设计和系统设计需要对比大量不同的设计方案，如果对每个设计选项都通过设计计算或者询问供应商等方式确定参数，由于需要反复更改参数会使设计工作周期大大延长，成本大幅上升。此外，由于架构设计和系统设计追求的是确定出可行的准最优方案，而不是确定每个参数的最终准确值，所以采用智能估算参数的方法可大大提高效率。

首先选取EHA最具代表性的参数，即最能显示其规格的参数，如电机的额定扭矩、液压泵的排量、液压缸的缸径等作为定义参数，其他所需参数则作为被动参数自动化生成，只更改少数定义参数，即可对比不同的设计选项，大幅提高设计及评估效率，如图3所示。

​

图3 采用自动参数生成的设计过程

​参数自动生成主要基于相似性原理量纲分析方法。对于已经较为成熟形成系列化的元部件，可采用相似性原理估算未知参数，或者直接建立数据库检索相应参数。而对于定制化元部件或结构的参数，一般难以满足相似性原理的假设，可以先确定定制化元部件或结构中需要调整的参数，之后对这些参数进行量纲分析，通过实验设计和回归分析推导出可对其他参数进行估算的经验公式，进而应用于图3所示的参数自动生成模块中。

​

2.1.2 智能化建模方法

​

​（1）基于知识工程等的自动三维建模方法

​

​在EHA设计过程中，三维几何模型是一个重要计算依据及设计结果，但三维建模是一项繁琐并且经常反复迭代的工作，常常会出现一个很小的设计更改便导致整个三维结构全部重新设计的情况，设计周期和成本大大提高。基于知识工程等的自动三维建模方法可明显改善这一问题，模型可用于架构设计和系统设计阶段，进行CFD、有限元或动力学分析，进而实现优化设计。

​

（2）代理模型

​

​EHA性能核算一般需要采用多域耦合分析方法，所需计算量大，是设计工作中较大的负担。代理模型技术采用简洁的代数模型近似基于数学物理理论建立的仿真模型，较好解决了复杂模型仿真效率的问题，在保证精度的前提下可缩短计算时间，提高设计效率。

​

2.1.3 智能化优化设计方法

​

​优化设计是提高EHA产品竞争力的必然选择，而EHA的多学科高指标要求的特点，导致必须采用先进的多学科多目标优化设计方法。

​

多学科耦合模型相比传统的各学科单独模型能更真实地模拟系统的特性，但求解更为复杂，难点在于保证学科间耦合变量的一致性。多学科可行法是常用的多学科优化方法，缺点是当不同学科间存在双向耦合状态变量时需进行多学科分析，导致计算复杂度大大增加，可通过消除EHA优化设计中的双向耦合变量来实现高效的优化求解。

​

多目标优化以基于单项指标加权的综合指标作为目标函数，也可以通过专门的多目标优化算法先得到Pareto最优解集，再根据综合指标最终确定最优解。在优化算法方面已有丰富成果，如进化算法、模拟退火算法、蚁群算法等。

​

一种EHA系统级多学科多目标优化设计方法如图4所示，建立不包含和包含热特性的两套多学科模型，分别用于迭代优化设计和单独的热设计。内层采用智能优化算法如遗传算法，需要执行的模型仿真次数较多；但由于去除了热特性仿真，所以消耗的仿真时间是可承受的。外层主要用于进行后续热设计，对于可能出现的热特性要求无法满足的情形，采用增大安全系数的方法进行少数迭代就可最终满足要求，这样既可保证足够优化，又不至于仿真计算负担过重无法承受。

​

图4 EHA系统级多学科多目标优化设计流程

​2.2 集成EHA的智能化控制

​

EHA的应用场合和需求指标注定其设计指标中存在着相当的矛盾。90%的工作时间内，EHA处于很低工作载荷下，只有10%需要EHA处于大出力，或者高速工作状态下且要在极短时间内做到大出力并迅速恢复到正常状态。此外，EHA还存在死区、滞环等非线性因素和环境影响下参数不确定性。因此，智能控制逐渐在 EHA中得以应用，如模糊控制、鲁棒控制，包括H∞、反馈线性化、状态观测器和扰动估计器、backstepping控制、自适应控制、阻抗控制等，还包括应用机器学习和神经网络等的高级智能算法。由于篇幅限制，本节主要论述常用的鲁棒控制算法、阻抗控制算法、高级智能控制算法及其在不同EHA应用场合的效果。

（1）鲁棒智能控制

​

SMC是EHA最为常用的鲁棒控制算法，其本质是一种非线性的不连续控制，将系统从不同的状态引向预先设定的滑模面，而最终趋于有界稳定。但这种不连续性会产生抖动，造成能量损失和机械损耗，抑制滑模抖振的方法，至今仍是研究热点。

北京航空航天大学杨荣荣等在EHA上应用一种新型滑模控制算法，用以抑制扰动和系统参数和结构等不确定性，其原理如图5所示。

​

图5 EHA系统原理图

算法充分利用了系统的可测量状态，省掉了SMC控制中常用的状态观测器，并设计了新型的滑模扰动观测器（DSMO）来观测EHA的非匹配扰动，如

​通过对比证明了新型到达率对抖振抑制的有效性。图6和图7展示了算法取得的效果。从图6可看出，普通的滑模控制（绿色曲线）有明显振动，而黑色曲线振动区域较小。从图7可看出，PID控制在位置过零点有死区造成的停滞，随着输入信号频率升高，跟踪性能下降；而滑模控制算法很好地抑制了死区造成的影响，并在高频时也保证了EHA的跟踪性能。

图6 与普通SMC输出抖振效果对比

图 7 扰动下的正弦跟踪曲线

（2）阻抗控制

​

​阻抗控制具有柔顺驱动特性，被广泛应用于工业抓取机器人、康复机器人和多足机器人等。阻抗控制架构与传统EHA三环控制不同，主要包括位置环和力伺服控制环。巴斯大学在康复辅助机器人上使用的阻抗控制算法中其最外环为力控制环，实现了用EHA来代替假肢帮助腿部残疾人士正常行走。北京航空航天大学周国哲给出了一种阻抗控制器的设计方法，在力伺服控制器设计中，根据预先选取的频率阵列，采用尼科尔斯图拟合方法得到力控制器。

​

（3）高级智能算法

​

​① 粒子群

​粒子群算法追求全局寻优，即遍历一定范围内所有可能性，逐步求取最优解。马六甲马来西亚技术大学将粒子群算法应用在PID滑模面的参数整定优化上，以提高EHA的动态性能。该算法缩小了粒子群的寻优范围，一定程度上减少了运算量。但粒子群算法遍历特性的运算量依旧对EHA这类实时控制系统的硬件算力提出了挑战。

​

② 机器学习

​韩国蔚山大学在EHA系统的力控制器设计中，尝试使用了灰度预测和机器学习的方法。灰度预测方法用来估计系统下一时刻的输出；通过重新定义系统误差，使用基于误差的机器学习方法修正PID参数以达到优化的效果。

​

先进智能算法逐渐在EHA位置伺服和力伺服控制中趋于成熟和应用，并在模型不确定性预测、抗外部扰动和抑制死区等方面均有了长足发展，也取得了相当的成果。但如前文所提，在某些方面依旧存在问题需要解决，是今后研究热点。

​

随 着 硬 件 的 不 断 发 展， 高 性 能DSP和FPGA在嵌入式控制系统中的应用，逐渐弱化了复杂智能算法对算力需求和系统对实时性要求间的矛盾。以神经网络为代表的机器学习，记忆蚁群、粒子群等算法为代表的高级智能算法、人工智能算法在EHA控制领域的应用，代表了未来的发展方向。

​

2.3 EHA的智能化检测与维护

​

​为了准确快速地实现EHA系统状态的识别，进行EHA故障诊断与定位，预测EHA的故障和剩余寿命，需要对EHA的智能检测和维护方法进行研究。

​

EHA作为典型的机电一体化系统，在进行状态监测时利用了多种传感器，从多个不同的信息源获得有关系统状态的特征参数。合理利用这些参数及其变化特性，将这些信息进行有效整合和识别，进而实现EHA的智能化检测与维护。

​

(1) EHA检测系统的多传感器信息融合

​

​EHA作为机电液一体化的综合性、自动化信息集成体，信号采集及类型如表1所示，可以采用多传感器信息融合的检测方法，对传感器信息进行有效的集成与融合，准确地获取系统的工作状态。EHA可以充分利用不同时间与空间的多传感器信息，对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对EHA的一致性解释与描述，准确地获取系统的工作状态，能够很好地应对传感器及外部环境信息的不确定性，不仅使系统获得更优越的性能，还可以在一定程度上修正传感器故障带来的影响，保证系统的正常运行。

表1 EHA信号采集及类型

除了对EHA工作参数的监测，还应检测EHA的输出力、振动（加速度传感器）、油液污染度等。然而更多传感器的引入必然带来硬件成本的增加，同时多传感器信息融合智能算法需要占用大量的芯片资源和存储空间，对EHA控制器硬件算力和数据存储能力提出了高要求。

(2) EHA预测健康管理

​

​EHA健康管理是指对EHA（包括其子系统及零部件）工作的健康状态进行管理的相关活动，即进行故障监测，依据诊断结果，判断出当前的健康状况，并且预测出其剩余的有效寿命，最终有效隔离与处置故障。而目前EHA的健康管理技术研究处于起步阶段，利用统计数据分析进行故障诊断的研究还很少，技术尚不成熟，需要深入开展EHA特有的故障模式及其故障诊断方法的研究工作，为最终实现EHA的健康管理打下坚实的基础。表2列出了EHA主要的故障类型。

传统的故障诊断方法通常需要按照EHA的故障模式逐一对故障进行相应的检测，耗费大量的时间和资源，故提出如下一种基于传感器的智能维护方法，对传感器的信号进行分析，将出现的各种波形进行分类编码，然后对应各种故障现象建成专家库，只要对比传感器信号编码和专家库，即可快速实现EHA的故障诊断。

表2 EHA故障类型

信号的编码方式如下：1-信号下溢、2-信号上溢、3-信号跳变、4-信号一段时间持续为零、5-信号一段时间保持某值 ( 不为零 )、6-信号出现脉动、7-信号超过正常、8-信号快速下降、0-信号正常；同时把电动机的速度值和作动筒的位移值的比较值进行编码：0-正常范围、1-小于正常范围内、2-超出正常范围。对各种故障进行列表分析，如表3所示。

表3 故障发生时传感器编码

基于初步的传感器信号编码，后续再通过模型仿真获得数据，扩充故障和相应的传感器信号编码，不断完善专家系统的知识库。同时结合实际传感器信号对仿真模型参数进行优化，提升工作状态检测的准确性，更有效地对EHA进行相应的维护。

​

随着EHA技术研究的不断推进，以及计算机技术的发展，未来可在EHA控制器内建立作动器健康管理系统，评估EHA目前的工作状态，决定是否对出现故障或即将发生故障的系统和部件进行替换和维护，确保EHA安全可靠运行。

3 结束语

飞机多电化全电化是必然趋势，欧美等发达国家的技术和产品已经证明了这种趋带来的巨大效益，正在逐渐推广应用。功率电传作动器是多电飞机等的重要特征，EHA作为一种功率电传作动器，已经在飞机主飞控作动面上得到推广应用，可以使飞机作动系统在提高可靠性的前提下，体积重量有效减小，性能大幅度提高。给EHA增加智能化元素，可以有效提升其应用的安全可靠性。

​

本文给出的EHA的智能化设计理论方法、智能控制理论及EHA智能化检测与维护，可为EHA的健康管理等深入研究，研制开发和推广应用提供理论和技术支撑。

（参考文献略）

选自《中国人工智能学会通讯》

2021年第11卷第2期

智能空天系统专题