⚡ electrical engineering

Nonlinear System Identification of Variable-Pitch Propellers Using a Wiener Model

本文基于实验数据，提出了一种用于变距螺旋桨动力系统的维纳模型，该模型通过线性动态描述电机与变距执行机构、静态非线性映射描述推力生成，实现了兼顾精度、可解释性与计算效率的紧凑建模，适用于实时数字孪生与控制应用。

原作者： David Grasev, Miguel A. Mendez

发布于 2026-04-06

📖 1 分钟阅读☕ 轻松阅读

原作者： David Grasev, Miguel A. Mendez

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章讲述了一项关于如何让无人机（或飞行器）的螺旋桨变得更聪明、更灵活的研究。

想象一下，普通的无人机螺旋桨就像是一个老式电风扇：你只能控制它转得快还是慢（转速），以此来控制风力大小。如果你想让风力瞬间变大或变小，只能靠疯狂地加速或减速电机，这就像开车时只能靠踩油门和刹车来控制车速，反应比较慢，而且费油。

而这项研究中的可变桨距螺旋桨（VPP），就像是一个带有“角度调节”功能的智能风扇。它不仅知道转多快，还能瞬间改变扇叶的“倾斜角度”。这就好比开车时，你不仅可以用油门（转速），还可以同时用方向盘（桨距）来微调，让车子既快又稳，还能省油。

1. 核心挑战：太复杂了，怎么教电脑懂？

这种“双管齐下”（转速 + 角度）的螺旋桨非常厉害，但也非常复杂。转速和角度之间互相影响，加上空气动力学的变化，就像是在解一个超级复杂的数学谜题。如果模型太复杂，电脑算不过来，无人机就反应迟钝；如果模型太简单，又控制不准。

研究团队的目标是：给这个复杂的螺旋桨造一个“数字替身”（数字孪生）。这个替身要足够简单，能让电脑瞬间算出来，但又足够聪明，能准确预测螺旋桨会怎么动。

2. 解决方案：像“两层蛋糕”一样的模型

作者提出了一种叫**“维纳模型”（Wiener Model）的方法。我们可以把它想象成一个两层蛋糕**：

第一层（线性层）：处理“慢动作”
当你给电机发指令（比如“加速”或“改变角度”）时，电机和机械结构不会瞬间反应过来，它们有惯性，就像推一辆大卡车，推一下不会马上动，需要一点时间加速。这一层负责模拟这种**“延迟”和“惯性”**。
- 比喻：就像你按了电梯按钮，电梯不会瞬间出现，它需要时间启动和运行。
第二层（非线性层）：处理“魔法转换”
当转速和角度确定后，它们如何变成推力（升力）？这不是简单的加法，而是一个复杂的魔法公式。比如，转速快一点，推力可能不是快一倍，而是快很多；角度变一点，推力变化也很大。这一层负责模拟这种**“非线性”的复杂关系**。
- 比喻：就像厨师做菜，火候（转速）和调料（角度）加在一起，产生的味道（推力）不是简单的 1+1=2，而是会有奇妙的化学反应。

这个模型的妙处在于： 它把“慢吞吞的机械反应”和“复杂的空气魔法”分开了。这样，电脑可以先算出机械怎么动，再算出推力是多少，既快又准。

3. 实验过程：像“调音”一样微调

为了训练这个模型，研究人员做了一个实验台：

搭建舞台：他们造了一个特殊的螺旋桨，可以随意改变角度，并连接了传感器来测量推力、转速和角度。
收集数据：他们让螺旋桨做各种动作：突然加速、突然减速、突然改变角度，记录下所有的反应。这就像是在教一个学生做数学题，给他看各种例题。
微调模型（Fine-tuning）：刚开始，模型算出来的结果和实际测量有偏差。研究人员就像调音师一样，利用一种叫“梯度下降”的算法，不断微调模型里的参数（比如时间常数、系数），直到模型预测的推力曲线和实际测量的曲线几乎重合。
- 结果：经过 350 次“调音”，模型的准确度提升了近 40%。

4. 最终成果：更聪明的控制

有了这个精准的“数字替身”，研究人员尝试用它来控制螺旋桨：

对比测试：他们让螺旋桨执行一个任务（比如突然增加推力）。
- 普通模式：只靠改变转速，反应慢，容易 overshoot（冲过头）。
- 智能模式：同时改变转速和角度。
结果：智能模式反应极快，几乎没有延迟，也没有 overshoot，就像一位经验丰富的赛车手，既能踩油门又能精准打方向，瞬间达到目标速度。

总结

这篇论文的核心就是：我们找到了一种简单又聪明的方法（维纳模型），把复杂的可变桨距螺旋桨“翻译”成了电脑能轻松理解的指令。

这就像给无人机装上了一个**“超级大脑”**，让它不仅能飞，还能像老手一样灵活地控制动力。未来，这种技术可以让无人机飞得更稳、更省电，甚至能在更复杂的环境中执行任务（比如救援、送货）。这也是“数字孪生”技术（在电脑里造一个虚拟的实物来模拟和训练）在航空领域的一个精彩应用。

论文技术总结：基于 Wiener 模型的变距螺旋桨非线性系统辨识

1. 研究背景与问题定义

背景：变距螺旋桨（VPP）为无人机（UAV）提供了额外的自由度（通过调节桨距角 $\beta$ 和转速 $\omega$ 共同控制推力），相比传统定距螺旋桨（FPP），在敏捷性、效率和故障容错方面具有显著优势。然而，VPP 的动力系统涉及电机、执行器与空气动力学的强非线性耦合，且存在非定常气动效应，使得建立精确且适用于实时控制的模型极具挑战性。
核心问题：
1. 如何构建一个既紧凑又准确的 VPP 动力系统模型，能够涵盖从 PWM 信号到推力生成的完整链条？
2. 如何在保证计算轻量（适合实时数字孪生和控制）的同时，捕捉系统的非线性动态特性？
3. 如何将该模型应用于基于强化学习（Reinforcement Twinning, RT）的框架中？

2. 方法论

2.1 实验设置与数据采集

硬件平台：基于 von Karman 研究所（VKI）定制的 VPP 测试台。
- 螺旋桨：基于标准 1045 螺旋桨切片改造，保留原始气动几何。
- 驱动：T-Motors AT3520 无刷电机（24V）+ 70A 电调（ESC）；线性执行器（Actuonix P8-25-50-12-P, 15V）用于调节桨距。
- 传感器：单轴 10kg 称重传感器（推力）、红外 LED 传感器（转速）、Arduino 与 Raspberry Pi 进行数据采集。
控制架构：
- 转速环：PI 控制器（闭环反馈）。
- 桨距环：PD 控制器（闭环反馈）。
- 数据采集：进行了静态推力映射（10x10 网格，RPM 2000-6000，桨距 -10°至 10°）和动态阶跃响应测试（5 次上升/5 次下降，不同幅值和初始状态）。

2.2 建模策略：Wiener 模型架构
作者提出了一种Wiener 型架构，将系统分解为“线性动态部分”和“静态非线性部分”：

线性动态部分（输入层）：
- 假设电子执行器（PWM 到电机/执行器电流）的响应速度远快于机械响应，且气动扭矩的非定常耦合在测试工况下可忽略。
- 将转速 $\omega$ 和桨距 $\beta$ 的动态响应简化为两个一阶滞后环节（二阶系统近似），分别由参考输入 $\omega_{ref}$ 和 $\beta_{ref}$ 驱动。
- 状态空间模型仅包含 4 个待辨识的时间常数参数： $\{\tau_{\omega,1}, \tau_{\omega,2}, \tau_{\beta,1}, \tau_{\beta,2}\}$ 。
静态非线性部分（输出层）：
- 推力 $T$ 是状态 $\omega$ 和 $\beta$ 的静态非线性函数 $h(\omega, \beta)$ 。
- 采用多项式形式： $\hat{T} = c_{20}\omega^2 + c_{11}\omega\beta + c_{21}\omega^2\beta + c_{12}\omega\beta^2 + c_{30}\omega^3$ 。
- 创新点：该非线性映射并非基于固定的气动理论（如 BEMT），而是通过动态数据驱动进行辨识和修正，从而补偿模型简化带来的误差（如非定常气动效应）。

2.3 参数辨识与优化

初始估计：利用阶跃响应数据，通过最小二乘法拟合线性时间常数。
精细调节（Fine-tuning）：
- 构建包含所有参数（时间常数 + 多项式系数）的向量 $p$ 。
- 定义代价函数 $J(p)$ 为预测推力与实测推力之间的均方误差。
- 使用前向灵敏度梯度下降法（Forward Sensitivity Gradient Descent）进行离线优化，迭代更新参数以最小化误差。

2.4 控制验证

设计了基于模型的推力控制器（双 PID 结构，分别输出 $\omega_{ref}$ 和 $\beta_{ref}$ ）。
使用 Nelder-Mead 单纯形算法优化控制器增益，以最小化推力跟踪误差。

3. 关键结果

静态推力图：
- 实验数据与 3 阶多项式拟合的 $R^2$ 达到 0.996。
- 推力系数 $C_T$ 随转速变化较小，表明螺旋桨主要工作在叶片翼型的线性升力区。
动态模型性能：
- 参数辨识：辨识出的时间常数反映了系统的惯性（如 $\tau_{\beta,2} \approx 0.374s$ 反映了执行器的延迟）。
- 精度提升：经过 350 次迭代精细调节后，代价函数降低了 38.3%，显著提高了模型在动态工况下的预测精度。
- 拟合效果：模型能够准确复现转速阶跃和桨距阶跃下的推力响应，特别是在处理非线性耦合（如同时改变转速和桨距）时表现良好。
控制性能：
- 双输入控制优势：与仅控制转速的定距螺旋桨相比，VPP 结合双输入（转速 + 桨距）的优化控制表现出更快的响应速度和无超调的特性。
- 响应时间：在推力阶跃测试中（归一化推力 0.1 到 0.8），设定值在约 0.5 秒 内达到，且无超调。
- 下冲能力：在推力减小（Step down）工况下，VPP 利用桨距快速减小推力的能力显著优于仅靠减速的 FPP。

4. 主要贡献

提出了适用于 VPP 的简化 Wiener 模型：成功将复杂的机电 - 气动耦合系统简化为“线性动态 + 静态非线性”结构，参数少（仅 9 个核心参数），计算轻量，适合实时应用。
数据驱动的非线性修正：不依赖复杂的气动理论公式，而是通过实验数据直接辨识静态非线性映射，有效捕捉了传统准定常模型忽略的非定常气动效应。
验证了 RT 框架的可行性：证明了该模型可作为“数字孪生”的核心，用于强化学习（RT）框架中的策略训练和物理一致性约束。
展示了 VPP 的控制潜力：通过实验验证了双输入控制在敏捷性和响应速度上对传统单输入控制的显著优势。

5. 意义与局限性

意义：
- 为变距螺旋桨无人机的实时控制和数字孪生提供了一种高效、可解释的建模范式。
- 为“强化孪生”（Reinforcement Twinning）项目奠定了物理模型基础，使得在虚拟环境中训练控制策略成为可能。
- 证明了即使使用简化的线性动态假设，配合数据驱动的非线性修正，也能获得高精度的系统辨识结果。
局限性与未来工作：
- 硬件限制：实验受限于线性执行器（LAC）的响应延迟和噪声，导致部分小幅度阶跃响应出现异常。
- 传感器精度：推力传感器处于量程低端，信噪比低；转速传感器为红外式，分辨率有限。
- 未来计划：升级硬件（高精度编码器、三轴力/扭矩传感器、改进执行器控制），并将模型进一步集成到强化学习闭环中进行在线自适应更新。

总结：该论文成功开发了一种基于 Wiener 架构的 VPP 系统辨识方法，平衡了模型的物理可解释性、计算效率与数据驱动的精度，为下一代高敏捷性、高能效无人机控制系统的开发提供了坚实的理论基础和实验验证。