多旋翼无人机系统组成(七)(电源系统详解)

多旋翼无人机的动力来自电池,但真正让整机稳定工作的,并不只是“有电”这么简单

一架无人机在飞行过程中,电源系统同时承担着两类完全不同的任务:

  • 为电机提供大功率输出
  • 为飞控和电子设备提供稳定低压供电

前者决定推力是否足够,后者决定控制系统是否可靠

实际工程里,很多飞行异常表面上看像控制问题,最后定位下来却发现是供电链路中的某一个环节已经不稳定

例如:

  • 大油门时飞控重启
  • GPS 突然掉星
  • 图传画面出现干扰
  • 电压报警提前触发

这些问题往往都和电源系统直接相关

所以对于多旋翼来说:

电源系统不是附属部分,而是整个飞控系统正常工作的基础

一些读者可能会觉得,电源系统似乎并不复杂,无非就是把锂电池接上,让整机通电,似乎没有太多可讲的

但真正进入工程应用后会发现,电源问题远没有看起来那么简单

它和结构系统其实很像:

在小型多旋翼上,很多方案都已经高度标准化,直接按成熟配置使用,通常不会暴露太多问题。但随着无人机尺寸增大、载荷增加、功率提升,原本不起眼的电源细节会逐渐变成影响整机可靠性的关键因素

很多时候,一些飞行异常看起来像控制问题,最终却追溯到供电链路中的某一个细节

所以电源系统真正要看的,不只是“有没有电”,而是整条供电链路在飞行过程中是否始终稳定

接下来,就按照无人机电源在机上的实际流向,把整个电源系统分成几个部分来看:

电池 → 配电 → 稳压 → 监测 → 冗余 → 常见故障

一、电池

无人机最基础的电源来自电池

目前多旋翼最常见的是:

Lithium polymer battery

也就是常说的 LiPo 电池

它被广泛使用的原因很直接:

  • 能量密度高
  • 放电能力强
  • 重量相对较轻

对于多旋翼这种需要短时间输出大电流的系统,LiPo 仍然是目前最适合的方案之一


电压的实际变化范围

电池标称电压并不是飞行全过程中的真实电压

以 6S 电池为例:

                                ​​​​​​​                        

3.7V \times 6 = 22.2V

这是标称值

满电时实际是:

        ​​​​​​​        ​​​​​​​                                        

4.2V \times 6 = 25.2V

而飞行后段通常会下降到:

约 19V 左右

也就是说:

无人机整个飞行过程中,供电电压始终在变化

这也是为什么同一架飞机在起飞和飞行后段动力表现并不完全一样


放电倍率比容量更重要

很多人选电池只看容量,比如 10000mAh、16000mAh

但对于多旋翼来说,更关键的是:

电池能否承受瞬时大电流输出

这由 C 倍率决定:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

I_{max}=C \times Capacity

例如:

10000mAh,10C 电池:

最大持续输出约 100A

如果实际负载超过这个能力,最先出现的问题不是没电,而是:

  • 电压快速下陷
  • 推力下降
  • 飞控低压报警提前触发

内阻决定动态表现

电池不是理想电源

内部存在内阻

当电流增大时:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

V = V_0 - IR

所以:

大油门瞬间最容易看到电压明显下降

这就是工程里常说的:

电压塌陷

老化电池最典型的问题就是:

静态测量正常,但一拉油门电压掉得很快


二、配电

电池出来的电能不会直接进入所有设备,而是先经过配电系统

大型多旋翼通常使用:

Power distribution board

即 PDB

它的作用不仅仅是把一组电压分到多个电调,更重要的是承担整机主电流汇流


为什么配电板很关键

多旋翼电流非常大

例如 25kg 级无人机,在大油门阶段瞬时总电流很容易超过 100A

如果配电铜层设计不足,会出现:

  • 局部温升
  • 电压损耗
  • 接点发热

所以工业机的配电板往往比消费级无人机厚很多


主线线径不能只看能不能导通

动力线设计核心不是能接上,而是:

是否能长期承受峰值电流

损耗关系:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

P=I^2R

电流平方决定发热速度

所以线径不足时:

看起来能飞,

但长时间高载荷温升会很快积累


三、稳压

飞控不能直接使用主电池电压

因为主电池通常是:

  • 6S
  • 12S
  • 更高

而飞控内部工作电压一般是:

  • 5V
  • 3.3V

所以必须经过稳压模块


BEC 的作用

Battery eliminator circuit

BEC 的任务是:

将主电池稳定转换成低压输出


稳压能力比标称电流更重要

很多 BEC 标称 5A,但动态能力不足

例如:

图传启动瞬间,

GPS 加热启动,

都会产生瞬时电流变化

如果稳压响应慢:

5V 会掉

表现通常是:

  • 飞控重启
  • GPS 断连
  • 罗盘异常

这类问题现场最难排查,因为表面看起来像模块故障

现在很多飞控都提供两个 GPS 接口,其实可以做一个很直观的实验:

分别测试:

  • 不接 GPS
  • 接一个 GPS
  • 接两个 GPS

观察整机启动时供电变化

尤其是带加热功能的 GPS,在双模块同时启动时,电流冲击会比单模块明显得多

如果供电设计余量不足,往往就在这个阶段出现启动异常

所以工程上通常不会只看稳压器“额定几安培”,而更关注:

它在动态负载变化时,电压能不能稳得住

四、监测

飞控并不是简单“用电”,同时还在持续监测电源状态


电压监测

飞控实时读取主电压

用于:

  • 低压报警
  • 自动返航触发
  • 着陆保护

电流监测

真正的剩余电量估算更多依赖电流积分:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

Q=\int I dt

因为单看电压并不能准确判断剩余容量

尤其负载变化时误差很大


五、干扰

电源系统不仅提供能量,还会带来噪声

尤其开关电源和电调工作时,高频纹波很容易进入敏感设备


GPS 最怕纹波

GPS 功耗不大,但对供电干净程度要求很高

纹波大时容易:

  • 卫星数下降
  • 定位精度变差

图传最怕电调干扰

典型现象:

画面横纹

尤其大电流切换时最明显

工程里通常给图传单独滤波


六、冗余

大型工业无人机常用双电池设计

目的不是飞更久,而是:

防止单一路供电失效导致整机掉电

双电池最核心的价值

如果一块电池接插件失效,

另一块仍能维持供电

这属于可靠性设计,而不是续航设计


七、接插件

很多电源故障其实不发生在电池内部,而发生在连接处

常见接插件:

XT60
XT90


接插件老化的典型问题

长期大电流后:

接触电阻增加

然后形成:

发热 → 电阻更大 → 更热

最终恶化非常快

所以工程里经常出现:

电池正常,

但插头先发热


八、总结

电源系统看起来不像飞控那样复杂,但它直接决定整机稳定性

真正需要关注的是:

  • 电池是否能承受负载
  • 配电是否足够可靠
  • 稳压是否稳定
  • 监测是否准确
  • 干扰是否被控制

因为很多飞行问题最后都不是控制算法失效,而是:

电源链路已经先失去了稳定

Read more

Claude Cowork 新手一步步指南:从零开始,彻底上手这个改变工作方式的 AI 助手

上周我准备一场演讲,脑子里已经有了想法、研究资料和大致提纲,唯独缺的就是时间。于是我打开 Claude Cowork,用大白话描述了我想做的演示文稿,把笔记文件夹指给它,然后就去忙别的事了。 回来一看,一套完整的幻灯片已经做好了:结构清晰、分节合理、演讲者备注一应俱全,连面向当地观众的表达逻辑都调得特别贴切。那场演讲反响特别好,大家都说“哇哦”,而老实说,用传统方式从零做起,我至少得花一整天。 那一刻我彻底明白了:Cowork 不是“理论上能干”,而是真正能在高压下帮你把活干完的工具。 我在 AI 和产品圈混了这么久,一眼就能看出什么是真不一样,什么是只是营销吹得不一样。Cowork 属于前者。它不是“聊天机器人加点功能”,而是完全不同类别的新工具。大多数听说过它的人,其实还没真正搞懂它到底能干什么、怎么才能用出最高效的结果。 这篇指南,就是专门为你们准备的。 大多数人用 Claude 的时候,都是当聊天机器人使:输入问题,它给答案,你复制粘贴,自己再去干活。

人工智能:深度学习模型的优化策略与实战调参

人工智能:深度学习模型的优化策略与实战调参

人工智能:深度学习模型的优化策略与实战调参 💡 学习目标:掌握深度学习模型的核心优化方法,理解调参的底层逻辑,能够独立完成模型从欠拟合到高性能的调优过程。 💡 学习重点:正则化技术的应用、优化器的选择与参数调整、批量大小与学习率的匹配策略。 48.1 模型优化的核心目标与常见问题 在深度学习项目中,我们训练的模型往往会出现欠拟合或过拟合两种问题。优化的核心目标就是让模型在训练集和测试集上都能达到理想的性能,实现泛化能力的最大化。 ⚠️ 注意:模型优化不是一次性操作,而是一个“诊断-调整-验证”的循环过程,需要结合数据特性和任务需求逐步迭代。 48.1.1 欠拟合的识别与特征 欠拟合是指模型无法捕捉数据中的潜在规律,表现为训练集和测试集的准确率都偏低。 出现欠拟合的常见原因有以下3点: 1. 模型结构过于简单,无法拟合复杂的数据分布。 2. 训练数据量不足,或者数据特征维度太低。 3. 训练轮次不够,模型还未充分学习到数据的特征。 48.1.2 过拟合的识别与特征 过拟合是指模型在训练集上表现极好,但在测试集上性能大幅下降。 出现过拟合的常见原因有以下3点:

飞算JavaAI赋能企业级电商管理系统开发实践——一位资深开发者的技术选型与落地总结

飞算JavaAI赋能企业级电商管理系统开发实践——一位资深开发者的技术选型与落地总结

目录 * 一、背景与选型考量 * 二、开发环境与工具适配 * 1. 基础环境搭建 * 2. 飞算JavaAI插件配置 * 3. 版本控制与协作配置 * 三、核心模块设计与实现 * 1. 需求分析与模块拆分 * 2. 核心代码实现与技术亮点 * (1)实体类设计(带审计字段与枚举约束) * (2)服务层实现(带事务控制与业务校验) * (3)控制器实现(带权限控制与参数校验) * (4)网页端 * 四、系统架构与扩展性设计 * 1. 分层架构设计 * 2. 接口设计规范 * 3. 扩展性保障 * 五、资深开发者视角的工具评价 * 1. 代码规范性与可维护性 * 2. 对企业级业务的理解深度 * 3. 与资深开发者工作流的适配性 * 六、项目成果与经验总结 一、背景与选型考量 作为一名从业20余年的开发者,我亲历了从JSP+

黄仁勋力荐:OpenClaw不止是下一个ChatGPT,更是AI“动手时代”的破局者

黄仁勋力荐:OpenClaw不止是下一个ChatGPT,更是AI“动手时代”的破局者

在2026年GTC大会上,英伟达创始人兼CEO黄仁勋抛出了一个振聋发聩的判断:“OpenClaw绝对是下一个ChatGPT”。 这一评价并非夸大其词,而是精准点出了AI产业的核心演进方向——从“被动回答”的语言交互,转向“主动行动”的任务执行。ChatGPT开启了大语言模型(LLM)的普及时代,让AI具备了理解和生成人类语言的能力,但它始终停留在“军师”的角色,只能提供方案建议;而OpenClaw的出现,彻底打破了这一局限,将AI变成了能动手干活的“数字员工”,完成了AI从“认知”到“执行”的关键跃迁,成为连接AI能力与现实场景的核心桥梁。 下面我将从技术本质出发,拆解OpenClaw的核心架构、关键技术实现,结合代码示例、架构图与流程图,深入解析其如何实现“行动型AI”的突破,以及为何能被黄仁勋寄予厚望,成为AI产业的下一个里程碑。 一、认知跃迁:从“回答型AI”到“行动型AI”的本质区别 要理解OpenClaw的价值,首先需要明确它与ChatGPT这类“回答型AI”的核心差异。