⚡ electrical engineering

Surrogate-Assisted Multiobjective Co-Design of Fractional-Order Aerospace DC–DC Converters under Thermal, Transient, and Fault-Survivability Constraints

本文提出了一种用于分数阶控制航空航天直流-直流（DC-DC）变换器的代理辅助多目标协同设计框架，该框架集成了机器学习以实现高效的设计空间筛选，并结合严格的基于物理的验证，旨在严格的硬件约束下同时优化瞬态恢复、效率、热裕度以及故障生存能力。

原作者： Taylan Demi̇r, Atakan koçyiğit

发布于 2026-09-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Taylan Demi̇r, Atakan koçyiğit

原始论文采用 CC BY 4.0 许可（https://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

在苍穹之上，未来的飞行器正变得日益电动化。这些机器不再依赖沉重的液压管路和机械连杆来移动控制面或驱动动力系统，而是转向一种“更多电力”的架构，即由电力承担几乎所有的工作。这种转变带来了显著优势：它减轻了重量，简化了维护，并实现了更智能、响应更迅速的控制。然而，对电力的这种依赖给功率转换器——即那些将主母线上的高压电降压至特定组件所需低电压的设备——带来了巨大的负担。这些转换器必须具备极高的可靠性、效率和紧凑性。它们必须能在电力跌落时瞬间恢复，在不关断的情况下从突发的电气故障中幸存下来，并管理自身运行产生的剧烈热量。设计这类设备是一场复杂的平衡博弈。使组件变小往往会使其发热更高；使反应速度更快则可能导致能量损耗增加。几十年来，工程师们一直将物理硬件与其控制软件视为两个独立的问题，即先修复金属和线路，然后再调整软件。但在航空业这种高风险的环境中，这种顺序化的方法往往无法获得最优解。

一组研究人员通过将硬件与控制软件视为一个整体、同时进行设计的统一系统，解决了这一挑战。他们专注于一种用于将电压从 270 伏降至 28 伏（这是许多飞机系统的标准要求）的特定类型功率转换器，开发出一种新方法来寻找物理部件与控制设置之间的完美组合。他们的方法涉及一种复杂的计算机模拟，能够同时测试数千种不同的设计变体。研究人员不仅是在寻找一个可以工作的设计，更是在寻找四个竞争目标之间的最佳权衡：系统从扰动中恢复的速度、作为热量浪费掉的能量多少、电感器和电容器等无源元件的大小与重量，以及系统在发生故障时能持续运行的时间。为了应对庞大的可能性，他们采用了两步走的策略。首先，他们使用机器学习作为快速过滤器，迅速剔除明显不可能或危险的设计。然后，对于最有希望的候选方案，他们运行了详细的基于物理学的模拟，以高精度验证结果。这种方法使他们能够探索一个如果仅靠传统方法则过于耗时的广阔设计空间。

该研究聚焦于一种使用“分数阶”控制律的转换器，这是一种数学方法，它赋予控制器比标准控制器更灵活的过去误差记忆能力。通过在调整这种记忆的同时，调整物理元件的大小和系统开关的速度，研究人员构建了一个六变量设计问题。他们生成了 5,000 个初始设计样本来训练其机器学习模型，随后筛选了另外 60,000 个潜在设计。机器学习分类器表现得非常高效，能以 96.4% 的准确率正确识别哪些设计会无法满足安全和性能约束。然而，研究人员非常谨慎，并未仅仅依赖机器学习的预测来得出最终结果。由于这些系统的行为在运行极限附近可能会变得难以预测，每一个进入最终名单的设计都经过了原始严谨物理模型的重新评估。这确保了最终的建议是基于物理现实而非仅仅是统计近似。

通过这一大规模筛选过程，团队确定了 68 种代表了四个目标之间最佳折衷方案的独特设计。他们重点介绍了一种“平衡型”设计，该设计较传统基准有了显著改进。这种优化后的设计将电压在扰动后恢复的时间缩短了 13.8%，并将作为热量损失的总能量减少了 10.0%。它还提高了系统在故障期间的运行能力，将系统承受功率亏缺的时间从 0.150 毫秒延长到了 0.240 毫秒，韧性提升了 60.2%。无源元件的物理尺寸略有减小，且在模拟故障期间的电压降降低了 36.2%。这些增益是通过使用 246.23 kHz 的开关频率、22.53 微亨的电感、960.91 微法电容以及 0.9042 的分数阶控制阶数实现的。

然而，研究明确指出，这些改进并非没有代价。在追求速度、效率和故障容限方面表现卓越的设计，是以接受更高水平的电流纹波为代价的——即在正常运行期间发生的微小、快速的电流波动。在这一平衡设计中，电流纹波相比基准增加了约 116%，从约 2.09 安培上升到 4.52 安培。虽然这种较高的纹波仍处于研究人员设定的 8 安培安全限值之内，但它说明了设计过程的一个基本真理：你无法同时改进系统的每一个方面。研究人员证明，通过将硬件与控制软件作为一个整体进行优化，而不是分开优化，他们可以找到一个在几乎所有指标上都更优的配置，前提是愿意接受一个特定的、可控的权衡。

研究人员对他们的发现局限性做了明确说明。所呈现的结果完全基于计算机模拟和数学模型，而非物理硬件原型。所使用的热模型是简化的屏幕而非复杂的多维热图，且故障场景是活跃相数减少后的理想化简化，而非现实世界中混乱的失效。该研究并不声称已认证了某个可在实际飞机上使用的特定组件。相反，它作为一种关于功率电子设计新思维方式的概念验证。它表明，通过使用机器学习作为导航广阔设计空间的筛选工具，并用严谨的物理学验证优胜者，工程师可以发现那些原本会被隐藏起来的设计折衷方案。这项工作表明，航空航天动力系统的未来在于这种集成式方法，即转换器的物理形态与其控制器的数学逻辑共同诞生，并作为一个整体进行优化，以满足飞行中严苛且相互冲突的要求。

技术摘要：面向航空航天分数阶 DC–DC 变换器的代理辅助多目标协同设计

问题陈述
面向电推进飞机（MEA）的功率变换器设计面临着无法通过优化单一性能指标来满足的相互竞争的需求。设计人员必须同时实现快速总线电压恢复、低半导体损耗、适中的无源元件尺寸、充足的热裕量以及故障穿越能力。传统的设计方法通常在确定控制器之前就固定了功率级硬件，或者依赖于隐藏了关键权衡关系的单目标优化。此外，宽禁带半导体（SiC, GaN）的集成扩展了设计空间，但也引入了复杂的散热和可靠性约束。本文解决的具体挑战是针对一个三相交错式 270 V 转 28 V、800 W DC–DC 变换器的协同设计，其中硬件参数（开关频率、电感、电容）与分数阶控制参数（积分阶数 $\lambda$ 、增益）在严格的热、瞬态和故障生存约束下进行同步优化。

研究方法
作者提出了一种代理辅助的多目标优化框架，该框架将机器学习视为一种筛选工具，而非物理定律的替代品。工作流程包含以下阶段：

系统建模：
- 变换器： 使用了基于物理的基于平均值的三相交错降压变换器模型。该模型考虑了连续导通模式、寄生电阻以及在某一相暂时丢失（模拟故障）时的重构场景。
- 控制器： 采用了分数阶 PI $\lambda$ 控制器，其中积分阶数 $\lambda$ ( $0 < \lambda \le 1$ ) 是一个设计变量。分数阶积分在数值模拟中采用因果近似。
- 测试序列： 一个固定的 20 ms 轨迹使系统经历负载阶跃、相位丢失（故障）和输入电压跌落，以评估动态性能。
多目标公式化：
该问题定义为最小化四个目标的向量：
- 瞬态性能 ( $J_{tr}$ )： 一个结合了时间加权误差、电压过冲和欠冲的复合指数。
- 总损耗 ( $P_\Sigma$ )： 对导通、开关、栅极和纹波损耗的估计。
- 无源元件尺寸 ( $S_{pass}$ )： 基于电感和电容值的归一化指数。
- 故障穿越能力 ( $t_{ride}$ )： 对输出电容在电流缺失期间维持负载能力的保守估计。
- 约束条件： 硬性约束包括结温（ $<125^\circ$ C）、相电流纹波（ $<8$ A）和输出电压范围（$20 $–$ 38$ V）。
代理辅助工作流：
- 数据生成： 使用非线性物理模型评估 5,000 个拉丁超立方采样点，以创建训练数据库。
- 可行性分类： 训练了一个树集成分类器，用于预测设计是否满足动态和硬件约束。该分类器达到了 96.4% 的准确率、99.0% 的精确度和 96.0% 的召回率。
- 瞬态代理模型： 使用多层感知器（MLP）来逼近高成本的瞬态目标 ( $J_{tr}$ )。虽然其达到了 7.18% 的平均绝对百分比误差（MAPE），但作者指出其准确度在饱和边界附近会发生退化。
- 筛选与优化： 生成了 60,000 个候选设计。分类器过滤掉不可行区域（保留了 26,209 个候选方案）。使用一组服从狄利克雷分布的权重向量对目标进行标量化，识别出 68 个权衡设计。
- 验证： 至关重要的是，所有 68 个保留的设计都使用原始非线性物理模型进行了重新评估。代理模型从未被用于认证最终性能。

核心贡献

六维协同设计向量： 本研究引入了一个统一的设计向量 $\theta = (f_s, L, C, \lambda, K_p, K_i)$ ，同时优化硬件和分数阶控制参数。
显式权衡公式化： 四个相互竞争的目标被同时处理，并将约束作为可行性过滤器，避免了标量代价函数所固有的对权衡关系的抑制。
物理感知机器学习： 本文展示了一种工作流，即利用机器学习加速大规模设计空间的筛选，但明确地将最终验证交给基于物理的仿真。这解决了代理模型在关键稳定性或饱和边界附近可能存在的准确性风险。
可复现性： 研究提供了具体的随机种子、样本量和积分步长，确保了数值实验是完全可复现的。

结果
优化产生了一组经过验证的帕累托最优设计（Pareto-optimal designs）。为了展示协同设计相对于传统基准（ $f_s=300$ kHz, $L=40$ $\mu$ H, $C=600$ $\mu$ F, $\lambda=1$ ）的优势，文中选择了一个“平衡型”设计进行说明：

性能提升： 平衡型设计（ $f_s=246.23$ $f_{s} = 246.23$ kHz, $L=22.53$ $L = 22.53$ $\mu$ $μ$ H, $C=960.91$ $C = 960.91$ $\mu$ $μ$ F, $\lambda=0.9042$ $λ = 0.9042$ ）实现了：
- 瞬态性能指数 ( $J_{tr}$ ) 降低了 13.8%。
- 估计的变换器损耗 ( $P_\Sigma$ ) 降低了 10.0%。
- 模拟的故障电压跌落降低了 36.2%。
- 保守的电容穿越时间（从 0.150 ms 增加到 0.240 ms）提升了 60.2%。
- 归一化无源元件尺寸指数轻微降低了 2.1%。
权衡关系： 这些收益是以显著增加相电流纹波为代价的（从 2.09 A 增加到 4.52 A，增幅约 116%）。然而，该纹波仍保持在 8 A 的限制范围内。
分数阶的效用： 最优分数阶在整个帕累托集合中各不相同（范围在 0.8283 到 0.9753 之间），这表明 $\lambda$ 是一个连续的记忆整形参数，而非固定常数。

意义与主张
本文将自身定位为“设计筛选环境”，而非硬件认证研究。其主要意义在于：

揭示隐藏的折衷： 研究明确暴露了单目标调优往往会掩盖的权衡关系（例如，纹波与瞬态恢复之间的关系）。
验证协同设计： 它证明了将分数阶控制参数与硬件同步优化，比顺序设计能获得更优的系统级性能。
方法论的严谨性： 通过将机器学习视为次要的筛选工具，并使用物理模型重新验证所有结果，作者建立了一个适用于安全关键型航空航天应用的可靠工作流。

作者明确指出，数值结果是用于证明其方法论和所识别的权衡关系，而非证明特定变换器符合认证标准。他们指出，未来的工作将需要组件数据库、详细的电热模型、EMI 分析以及硬件在环验证。

技术摘要：面向航空航天分数阶 DC–DC 变换器的代理辅助多目标协同设计

类似论文