Table of Contents

Les véhicules aériens sans pilote (UAV) sont devenus des outils indispensables dans de nombreuses industries, de l'inspection de l'agriculture et de l'infrastructure aux opérations de recherche et sauvetage et aux applications militaires.Ces plates-formes étant déployées pour des missions de plus en plus complexes et étendues, la capacité de prévoir avec précision la durée de vie des batteries est devenue un facteur essentiel pour assurer le succès de la mission, la sécurité opérationnelle et la rentabilité.

Comprendre l'importance de la prévision de la durée de vie des batteries pour les opérations de l'UAV

La fiabilité des systèmes de stockage d'énergie des véhicules aériens sans pilote (UAV) est essentielle pour assurer leur fonctionnement sûr et leur exécution efficace en mission, et elle peut faire progresser considérablement les applications dans les domaines de la logistique, de la surveillance et de l'intervention d'urgence.

En raison de leur capacité limitée de la batterie, un système de gestion de la batterie (BMS) approprié est nécessaire pour éviter les retards de vol et les accidents, qui peuvent être très coûteux en termes de coûts et de temps. Au-delà des préoccupations immédiates en matière de sécurité, des prévisions inexactes de la batterie peuvent conduire à des missions incomplètes, des ressources gaspillées et des dommages potentiels à des équipements coûteux.

Les systèmes de gestion des batteries modernes fournissent aux exploitants les renseignements nécessaires pour prendre des décisions éclairées pendant les opérations de vol, ce qui permet de modifier les opérations en fonction des données de performance en temps réel.

Types de modèles de prédiction de la durée de vie des batteries

La prédiction de la durée de vie des batteries pour les UAV repose sur plusieurs approches de modélisation distinctes, chacune ayant des forces et des applications uniques.

Modèles empiriques

Les modèles empiriques représentent l'approche la plus simple de la prédiction de la durée de vie des batteries, en se fondant sur des données historiques et des modèles de performance observés. Ces modèles utilisent des relations statistiques dérivées de tests approfondis dans diverses conditions de fonctionnement.

La force première des modèles empiriques réside dans leur capacité à saisir le comportement réel de la batterie sans exiger une connaissance détaillée des processus électrochimiques internes. En analysant les modèles de milliers de cycles de décharge de charge sur différents profils de vol, ces modèles peuvent générer des prévisions raisonnablement précises pour des conditions de fonctionnement similaires.

Modèles basés sur la physique

La technique présentée ici encode les processus électrochimiques de base d'une batterie en polymère de lithium dans un cadre de référence Bayésien avancé pour suivre simultanément l'état de charge de la batterie ainsi que d'ajuster le modèle de batterie pour faire des prédictions précises de la durée de vie utile restante.

Ces modèles tiennent compte de facteurs tels que les taux de diffusion des ions, la cinétique des électrodes et les changements de résistance interne qui surviennent pendant le déchargement. En simulant les processus physiques et chimiques au sein des cellules de batterie, les modèles basés sur la physique peuvent prédire les performances dans un plus grand nombre de conditions que les approches purement empiriques.

Modèles hybrides

Les modèles hybrides combinent les forces des approches empiriques et des approches basées sur la physique, offrant une solution équilibrée qui capture le comportement fondamental de la batterie tout en restant calculablement extensible pour des applications en temps réel.

Les batteries sont modélisées à trois niveaux différents de granularité avec les distributions d'incertitude associées, en codant les processus électrochimiques de base d'une batterie en polymère de lithium. Cette approche multi-niveaux permet aux modèles hybrides de s'adapter à différentes exigences opérationnelles, en utilisant des représentations simplifiées lorsque les ressources de calcul sont limitées tout en maintenant la capacité d'invoquer des calculs plus détaillés basés sur la physique lorsque la précision est primordiale.

Apprentissage automatique et modèles data-driven

Les réseaux neuronaux profonds (RND) et la mémoire à court terme longue (LSTM) sont utilisés pour la prédiction de la SOC comme problème de régression, et Random Forest (RF) a été utilisé pour l'estimation de la SOH par un problème de classification avec quatre classes.

L'estimation de SoC à l'aide du modèle DNN a eu une faible erreur carrée moyenne de 7,6E−4 et un score de variance expliqué élevé de 0,98. De plus, la prédiction de SoC à l'aide du modèle LSTM a eu une faible erreur carrée moyenne de 0,023 et un score de variance expliqué élevé de 0,97. Ces mesures de précision impressionnantes démontrent le potentiel des techniques d'apprentissage automatique pour fournir des prédictions hautement fiables pour les applications critiques de mission.

Les réseaux de mémoire à court terme sont particulièrement adaptés pour la prédiction de la batterie car ils peuvent saisir les dépendances temporelles dans le comportement de la batterie, reconnaissant comment les modèles d'utilisation passés influencent les performances actuelles et futures.

Principaux paramètres de la prédiction de la durée de vie des batteries

La prédiction efficace de la durée de vie des batteries nécessite une surveillance et une estimation de plusieurs paramètres critiques qui décrivent collectivement la santé des batteries et la capacité résiduelle.

État de la charge (SoC)

Par conséquent, afin d'assurer le fonctionnement cohérent des UAV, le BMS devrait permettre la surveillance des batteries en fournissant des informations exactes sur l'état de charge et l'état de santé. L'état de charge représente le niveau d'énergie actuel de la batterie en pourcentage de sa capacité totale, analogue à un jaugeur de carburant dans les véhicules conventionnels.

Contrairement aux simples indicateurs de tension, les algorithmes sophistiqués d'estimation du SoC tiennent compte de facteurs tels que le débit de décharge, la température et l'âge de la batterie pour fournir des estimations de capacité fiables, même dans des conditions de fonctionnement dynamiques.

État de santé (SoH)

Les progrès récents de l'intelligence artificielle ont conduit à l'élaboration de mesures prédictives, comme l'état de santé (SOH) et la durée de vie utile restante (RUL), avec des algorithmes avancés réduisant les erreurs d'estimation à moins de 3 % et permettant un passage de l'entretien réactif à l'entretien proactif.

De plus, le modèle RF a obtenu une grande précision de 0,92 pour le classement de SoH. Ce niveau de précision permet aux opérateurs de prendre des décisions éclairées sur le retrait et le remplacement des batteries, en évitant les défaillances inattendues pendant les missions critiques.

Vie utile restante (RUL)

Nous avons donc développé un modèle détaillé de décharge pour les batteries utilisées et l'avons utilisé dans une technique de filtrage par inférence bayésienne (filtrage par particules) pour générer les distributions restantes de vie utile (RUL) La prédiction de la vie utile restante va au-delà de l'estimation de la capacité simple pour prévoir combien de temps une batterie peut continuer à fonctionner avant d'atteindre la fin de décharge ou d'exiger un remplacement.

Il est essentiel d'estimer la durée de vie utile résiduelle (VR) et de prévoir la capacité des batteries Li-ion utilisées dans l'UAV pour prévenir plusieurs problèmes, comme la perte d'autonomie, qui peuvent entraîner des accidents ou des dysfonctionnements.

Prédiction de fin de décharge (DOE)

L'objectif est de pouvoir prédire l'événement de fin de décharge (EOD) qui indique que le pack de batterie a été épuisé pour tout vol donné d'une plate-forme électrique UAV. La prévision EOD est particulièrement critique pour les opérations UAV, car elle détermine si une mission peut être effectuée en toute sécurité avec la capacité de batterie disponible.

L'estimation précise du temps de fin de décharge de la batterie (EOD) dans les véhicules aériens non habités électriques (UAV) donne l'assurance qu'une mission donnée peut être effectuée avant que l'énergie stockée dans la batterie ne s'épuise et aide les processus décisionnels tels que la planification de la mission pour atténuer les lacunes liées à l'énergie disponible. La précision du temps de la batterie prévu est fortement corrélée à la précision de la consommation d'énergie prévue pendant la mission.

Facteurs influant sur la performance des batteries dans les applications de l'UAV

La quantité de charge utilisable d'une batterie pour un profil de décharge donné dépend non seulement de l'état de charge initial (SOC), mais aussi d'autres facteurs comme la santé de la batterie et le profil de décharge ou de charge imposé.

Conditions de charge et régimes de vol

La consommation d'énergie dans les UAV varie considérablement selon les phases de vol. Les opérations de décollage et d'atterrissage exigent généralement la puissance la plus élevée, car les moteurs doivent générer une poussée maximale pour surmonter la gravité et atteindre une élévation verticale.

Dans les UAV, le courant de décharge des batteries est modifié par la vitesse de déplacement. Ainsi, le courant de décharge varie d'un vol à l'autre selon la charge transportée, les conditions atmosphériques et le rythme de déplacement. Cette variabilité rend la prédiction précise difficile, car les modèles doivent tenir compte du profil de mission spécifique plutôt que d'assumer des débits constants.

Les planificateurs de mission doivent soigneusement équilibrer la capacité de charge utile par rapport aux exigences de durée de vol, en utilisant des modèles de prévision de batterie pour optimiser ce compromis pour des objectifs opérationnels spécifiques.

Effets de la température

La température représente l'un des facteurs environnementaux les plus importants qui affectent les performances de la batterie. Les températures extrêmes peuvent réduire considérablement l'efficacité de la batterie et la capacité disponible, les conditions froides ayant généralement des impacts plus graves que la chaleur.

Le modèle tient compte des facteurs les plus déterminants de la précision de l'estimation, tels que la température, le vieillissement et l'autodécharge. À basse température, les réactions chimiques dans les piles à piles ralentissent, augmentent la résistance interne et réduisent la tension et le courant qui peuvent être livrés.

En assurant que la batterie fonctionne dans sa plage de température optimale, le BMS aide à maintenir son efficacité, sa puissance et sa longévité. Les systèmes avancés de gestion des batteries intègrent des fonctions de gestion thermique pour maintenir les batteries dans les plages de température optimales, bien que cette régulation thermique elle-même consomme de l'énergie qui doit être prise en compte dans les prévisions.

Âge et dégradation des batteries

La dégradation des batteries Li-ion est un processus non linéaire qui est influencé par la chimie de la batterie et les conditions de fonctionnement. Pendant le fonctionnement, une batterie passe par plusieurs cycles de charge, décharge complète ou incomplète avec différents courants de décharge ainsi que d'autres états qui diminuent la capacité.

Tous ces facteurs conduisent au vieillissement non linéaire tout au long de la vie. Ce modèle de dégradation non linéaire rend la prédiction à long terme difficile, car les batteries ne perdent pas simplement leur capacité à un rythme constant, mais connaissent plutôt une dégradation accélérée dans certaines conditions.

Cependant, avec le temps, les batteries des UAV se dégradent, ce qui pourrait entraîner de nombreux problèmes, notamment des retards de vol, des accidents forcés et des pertes de connexion. Ainsi, le fonctionnement fiable des UAV peut être entravé en raison de défaillances dans la batterie ou l'épuisement de la batterie.

Cycles de charge et modèles d'utilisation

Le nombre et la profondeur des cycles de décharge ont un impact significatif sur la longévité des batteries. Les décharges profondes, où les batteries sont drainées à des niveaux très bas, causent généralement plus de stress et de dégradation que les cycles peu profonds.

Les principaux facteurs contribuant aux dommages causés par les batteries sont un pourcentage de charge élevé approche de 100% et de température. Maintenir les batteries à pleine charge pendant de longues périodes peut également accélérer la dégradation, en particulier à des températures élevées.

La technologie de la batterie UAV peut supporter des cycles de charge. Le processus de décharge complète et de recharge après la dégradation de la capacité doit être suivi correctement pour maintenir la sécurité des drones. Les opérateurs peuvent également prédire quand une batterie se dégradera en planifiant correctement les cycles de charge.

Conditions environnementales

Au-delà de la température, divers facteurs environnementaux influent sur la performance de la batterie et doivent être intégrés aux modèles de prédiction. Les conditions du vent affectent de façon significative la consommation d'énergie, les vents de tête nécessitant beaucoup plus d'énergie pour maintenir les progrès vers l'avant.

Néanmoins, la plupart des mesures sont issues de conditions de laboratoire contrôlées, ce qui fait que des chercheurs se battent pour des scénarios complexes du monde réel qui impliquent des températures élevées, des altitudes élevées et de fortes interférences électromagnétiques.

L'humidité, les précipitations et la pression atmosphérique peuvent aussi influencer les performances de la batterie, bien qu'elles soient généralement inférieures à la température et au vent.

Chimie des piles et considérations technologiques

Les UAV dépendent principalement des batteries au lithium pour leur fonctionnement en raison de leur faible taux d'autodécharge et de leur forte densité d'énergie. La chimie spécifique des batteries utilisée dans un UAV influe de façon significative sur les caractéristiques de performance et la méthodologie de prédiction appropriée.

Batteries en polymer de lithium (LiPo)

Les drones utilisent principalement des batteries Lithium Polymer (LiPo). Ces batteries sont légères et offrent beaucoup d'énergie. Elles doivent être manipulées avec soin pour fonctionner bien pendant longtemps. Les batteries LiPo sont devenues le choix dominant pour les applications UAV en raison de leur excellent rapport puissance-poids et leur capacité à fournir des courants de décharge élevés.

Cependant, les batteries LiPo nécessitent une gestion soigneuse pour prévenir les dommages et les risques de sécurité. Elles sont sensibles aux surcharges, aux surcharges et aux dommages physiques, rendant les systèmes de gestion des batteries sophistiqués essentiels.

Batteries au lithium-ion

En raison de leurs avantages, une forte densité de puissance/énergie, un grand nombre de cycles de charge-décharge, un faible taux d'autodécharge, une large plage de température de fonctionnement, etc., les batteries Li-ion sont utilisées dans diverses applications. Les batteries Lithium-ion offrent des avantages en termes de durée de vie et de sécurité par rapport aux batteries LiPo, bien qu'elles aient généralement une densité de puissance légèrement inférieure.

Les batteries Li-ion présentent généralement des modèles de dégradation plus prévisibles que les batteries LiPo, ce qui peut simplifier la prédiction de capacité à long terme. Leur construction plus robuste les rend également moins susceptibles aux dommages résultant d'impacts physiques mineurs ou de légère surcharge.

Technologies émergentes de piles

La demande de batteries durables, à charge rapide et plus sûres est à l'origine de l'innovation dans les systèmes intelligents, les piles à combustible à hydrogène, les solutions au lithium-ion à film mince et les solutions hybrides, ce qui permet une plus grande efficacité et des opérations étendues.

Les piles à combustible à hydrogène offrent le potentiel de prolonger considérablement les temps de vol, bien qu'elles introduisent une complexité supplémentaire en termes de stockage du carburant et d'intégration des systèmes.

Mise en œuvre de modèles de prédiction de la durée de vie des batteries

La traduction de modèles de prédictions théoriques en systèmes opérationnels pratiques exige une attention particulière aux détails de mise en oeuvre, aux ressources informatiques et à l'intégration avec les systèmes d'UAV existants.

Collecte de données et intégration des capteurs

La surveillance continue de la tension, de la température et du débit de courant dans chaque cellule permet au BMS de détecter rapidement tout problème potentiel. La surveillance en temps réel de la batterie de drone est essentielle pour gérer efficacement la consommation d'énergie et assurer la sécurité des drones pendant le vol.

Les systèmes modernes de gestion de la batterie intègrent des capteurs pour l'impédance de la tension, du courant, de la température et parfois même de la cellule individuelle. Le débit d'échantillonnage et la précision de ces capteurs ont une incidence directe sur la qualité de la prédiction, avec des mesures à plus haute fréquence permettant des mises à jour de modèles plus réactives.

Un BMS intelligent communique des données telles que la tension, le courant, la température et les cycles de charge au drone ou au sol, permettant ainsi une meilleure prise de décision. Ces données de télémétrie permettent à la fois à bord de prendre des décisions autonomes et de surveiller à distance par les opérateurs, fournissant de multiples niveaux de sécurité et de sensibilisation opérationnelle.

Exécution en temps réel de l'algorithme

Les algorithmes de prédiction de batterie doivent être exécutés en temps réel sur des systèmes embarqués à ressources limitées dans l'UAV. Cette limitation de calcul nécessite souvent des modèles simplifiés ou des implémentations efficaces d'algorithmes plus complexes.

En ce qui concerne la mise en œuvre pratique, le système a été déployé par l'utilisation d'un drone, de microcontrôleurs ESP32, d'une passerelle Raspberry Pi et d'un serveur cloud, qui pr Les implémentations modernes distribuent souvent des tâches de calcul entre microcontrôleurs embarqués pour des prévisions critiques dans le temps et des systèmes basés au sol ou en nuage plus puissants pour une analyse détaillée et une formation aux modèles.

Les approches de calcul de bord permettent des prévisions sophistiquées sans nécessiter une connectivité constante, essentielle pour les UAV opérant dans des zones éloignées ou sous des contraintes de communication. Cependant, la connectivité périodique permet des mises à jour de modèles et l'intégration de l'apprentissage à l'échelle du parc.

Inférence bayésienne et filtration des particules

Cet article présente un cadre BHM basé sur le filtre à particules (PF) avec modules plug-and-play pour les modèles de batterie et la gestion de l'incertitude. Le filtrage des particules représente une technique puissante pour l'estimation de l'état de la batterie qui peut gérer la nature non linéaire et incertaine du comportement de la batterie.

Cette approche permet de créer simultanément le plan de vol optimal/sous-optimal simultanément avec la prédiction du RUL. La capacité de prévoir simultanément la durée de vie de la batterie et d'optimiser les plans de vol représente une avancée significative, permettant une adaptation dynamique de la mission basée sur l'état actuel de la batterie.

Étalonnage et adaptation du modèle

Les modèles de prédiction des batteries nécessitent un étalonnage périodique pour maintenir la précision à mesure que l'âge des batteries et les conditions de fonctionnement changent.

La paramétrisation du modèle a défini la dépendance des paramètres sensibles à l'estimation de l'état. L'identification des paramètres les plus significatifs de précision de prédiction d'impact permet des efforts d'étalonnage ciblés qui maximisent l'amélioration avec des frais généraux de calcul minimes.

Les algorithmes adaptatifs peuvent régler automatiquement les paramètres du modèle en fonction des données de performance continues, réduisant ainsi le besoin d'intervention manuelle.

Systèmes avancés de gestion de batterie pour UAV

Un système de gestion de batterie (BMS) est un composant crucial dans les batteries de drone modernes, assurant la sécurité, l'efficacité et la longévité. Il agit comme le « cerveau » derrière la batterie, la gestion et la surveillance de chaque cellule dans le pack de batterie.

Équilibre cellulaire

Les cellules d'équilibrage dans un pack de batteries au lithium-polymère (LiPo) empêchent les cellules plus faibles de se détériorer plus rapidement que les autres. Cette fonction contribue à maintenir la santé globale de la batterie du drone, améliorant la durée de vie de la batterie et assurant des performances cohérentes.

Passif: Brûle l'énergie excédentaire des cellules à haute tension via des résistances. Active: Transfère l'énergie entre les cellules à l'aide de condensateurs ou d'inducteurs. Les systèmes d'équilibrage actifs sont plus efficaces que les approches passives, bien qu'ils ajoutent complexité et coût au système de gestion de la batterie.

Fonctions de protection

Un BMS améliore la durée de vie de la batterie en empêchant la surcharge, la suralimentation et la surchauffe. Il assure également des tensions équilibrées de la pile, ce qui maximise la capacité utilisable de la batterie et prolonge sa durée de vie.

Ces fonctions de protection comprennent la détection des surintensités, la protection des courts-circuits et l'arrêt thermique. En prévenant ces conditions de défaillance, le BMS non seulement protège la batterie, mais améliore également la sécurité globale des UAV.

Capacités d'entretien prédictives

SYSTÈMES DE GESTION DES BATTERIES DE PETITE BATTERIE AI-ENABLE · 5.17.2 · MAINTENANCE PRÉDICTIF ET OPTIMISATION DES BATTERIES DE VIE DES CYCLES Les implémentations modernes de BMS intègrent de plus en plus des fonctions de maintenance prédictive qui prévoient le moment où les batteries devront être mises en service ou remplacées.

La méthode peut être mise en œuvre dans les systèmes de maintenance prédictive (PdM) des UAV. L'intégration avec les systèmes de maintenance prédictive permet une gestion proactive de la batterie, réduisant les défaillances inattendues et optimisant les calendriers de remplacement de la batterie pour minimiser les coûts opérationnels.

Cela peut permettre de prévoir les problèmes éventuels avec la batterie pour atténuer ces problèmes et augmenter la fiabilité du système. Par conséquent, la durée de vie de la batterie est prolongée, et les conséquences indésirables résultant du fonctionnement non surveillé des UAV sont évitées.

Intégration de l'IA et de l'apprentissage automatique

Avec l'essor de l'intelligence artificielle et de l'apprentissage machine, les systèmes de gestion de batterie de nouvelle génération intégreront probablement l'analyse prédictive, permettant aux drones de gérer la puissance de manière plus intelligente en fonction du vol ou de la tâche spécifique.

La télémétrie de précision établie dans BMS sert de base à la gestion de l'énergie optimisée par l'IA, permettant aux opérateurs de prédire la fatigue de la batterie avant qu'elle ne déclenche une interruption de mission.

Planification et optimisation de la mission

La prévision précise de la durée de vie des batteries permet une planification de mission sophistiquée qui maximise l'efficacité opérationnelle tout en maintenant des marges de sécurité.

Analyse avant le vol de la mission

Avant de lancer une mission d'UAV, les opérateurs peuvent utiliser des modèles de prévision de la batterie pour estimer si le profil de vol prévu est réalisable avec la capacité de la batterie disponible.

La meilleure partie de Map Pilot est sa capacité à aider les mappers à estimer et optimiser la trajectoire de vol nécessaire pour cartographier une zone donnée. Le logiciel de planification de mission peut automatiquement optimiser les trajectoires de vol pour minimiser la consommation d'énergie, ajuster l'altitude, la vitesse et la route pour maximiser la couverture dans les limites des contraintes de batterie.

Stratégies de mission multibatterie

Les batteries intelligentes des drones Phantom 3 et Inspire 1 savent combien de puissance il leur faudra pour rentrer chez eux. Lorsque l'avion se rend compte qu'il est plus loin qu'il n'a de puissance pour rentrer chez lui, il se dirige immédiatement vers la maison et dessine un point d'abandon sur la carte du pilote Map.

Certains systèmes utilisent même un « échange de données à chaud » où une source d'énergie externe maintient l'électronique embarquée du drone actif pendant le changement de batterie, empêchant toute perte de données. Cette capacité est révolutionnaire pour les missions de longue durée, permettant aux drones de fonctionner pendant des heures plutôt que des minutes. La technologie de remblayage élimine la nécessité de redémarrer les systèmes entre les changements de batterie, réduisant considérablement les temps d'arrêt et permettant des opérations quasi continues.

Replanification dynamique de la mission

Si la consommation de la batterie dépasse les prévisions en raison de vents de tête inattendus ou d'autres facteurs, l'UAV peut modifier automatiquement sa mission pour assurer un retour en toute sécurité.

Ces options devront être validées par des essais en vol où la robustesse aux conditions environnementales, telles que la température et la densité de l'air ainsi que la vitesse du vent, peuvent être évaluées. La notion de tolérance au risque peut être introduite par des fonctions objectives appropriées, permettant ainsi un risque non nul de l'état de la barre morte afin d'utiliser plus de puissance de batterie.

Normes de fiabilité et normes de rendement

Sur la base des normes internationales, la fiabilité englobe la stabilité des performances, l'adaptabilité environnementale et la redondance en matière de sécurité, incluant des paramètres tels que le taux de rétention de la capacité, le temps moyen entre les défaillances (MTBF) et le temps d'avertissement de fuite thermique.

Mesure de l'exactitude de la prévision

La précision des prédictions de la durée de vie des batteries peut être quantifiée à l'aide de diverses mesures statistiques. L'erreur absolue moyenne (EAM) et l'erreur carrée moyenne racine (EMR) mesurent l'écart moyen entre la performance prévue et la performance réelle des batteries.

Au niveau du système, la disponibilité (temps moyen entre les défaillances, MBBF) et le taux d'achèvement de la mission sont plus pratiques, les UAV commerciaux nécessitant souvent une disponibilité de batteries supérieure à 98 % par an. Pour les opérations commerciales, le taux d'achèvement de la mission représente une mesure critique qui a une incidence directe sur la viabilité opérationnelle et la satisfaction de la clientèle.

Maintien de la capacité et durée de vie du cycle

Au niveau des cellules, le taux de conservation de la capacité et de la durée de vie du cycle est un indicateur fondamental, qui mesure la capacité de la batterie d'origine après un nombre précis de cycles ou de périodes d'utilisation.

Les améliorations continues de la chimie et de l'architecture des cellules permettent une durée de vol prolongée, une gestion thermique améliorée et une évolutivité sur diverses plates-formes de drones.

Considérations pratiques concernant les missions élargies d'UAV

Le déploiement d'UAV pour des missions prolongées pose des défis uniques qui exigent des stratégies de gestion des batteries spécialisées et des méthodes de prévision.

Solutions de charge sur le terrain

Les chargeurs rapides spécialisés sont conçus pour réduire considérablement les temps de charge. De nombreux chargeurs offrent des capacités multiports permettant la charge simultanée de plusieurs batteries et accessoires. Par exemple, le chargeur de batterie DJI Mavic 3 5-en-1 et l'UD2 EV-Peak, qui peuvent charger plusieurs batteries en un minimum de 15-90 minutes selon le modèle.

Lors de la sélection et de la mise en œuvre de solutions de charge de batterie de drones pour les opérations SAR prolongées, plusieurs aspects pratiques doivent être pris en compte : Portabilité et Poids : Les équipements doivent être facilement transportables, en particulier sur des terrains accidentés ou éloignés.

Adaptation environnementale

Résistance aux intempéries et aux intempéries : Les équipements de terrain doivent résister à des conditions environnementales difficiles, notamment des températures extrêmes (par exemple, -20°C à 45°C), de la pluie et de la poussière.

Les systèmes de batterie personnalisés pour les UAV peuvent également être optimisés pour des environnements uniques, tels que les conditions de haute altitude ou les drones sous-marins, où le maintien de l'intégrité de la batterie est critique.

Gestion de la flotte de batteries

Les organisations qui exploitent plusieurs UAV doivent gérer efficacement les parcs de batteries pour assurer une capacité adéquate pour les missions prévues tout en minimisant les coûts d'inventaire, ce qui exige de suivre la santé des batteries individuelles, le nombre de cycles et les antécédents de performance.

Pour maintenir les accords de niveau de service (SLA), nous mettons en œuvre une politique de gestion des batteries à trois niveaux, appuyée par le système BMS Cloud-linked Herewin : un système de filtrage DCIR prédictif : notre système affiche tout pack présentant une augmentation de +25% du DCIR (Résistance interne actuelle directe) par rapport à la médiane de la flotte. Ces packs sont automatiquement rebinés pour les missions utilitaires à moindre contrainte.

Optimisation de la durée de vie et des performances des batteries

Au-delà de la prédiction précise, les opérateurs peuvent prendre des mesures proactives pour maximiser la durée de vie et les performances de la batterie, en étendant la durée de vol individuelle et la durée de vie globale de la batterie.

Pratiques exemplaires opérationnelles

Pour prolonger la durée de vie de la batterie, éviter les décharges profondes en atterrissage le drone avec 20%-30% restant plutôt que de la piloter jusqu'à ce que la batterie soit complètement vide. Avoir cette limite peut protéger la santé chimique de la batterie et l'aider à être correctement rechargé jusqu'à la prochaine opération de vol. Éviter les décharges profondes représente l'une des stratégies les plus efficaces pour prolonger la durée de vie de la batterie, bien qu'il nécessite une planification de mission minutieuse pour assurer des réserves adéquates.

Les opérateurs peuvent améliorer le temps de vol des drones en volant dans des conditions optimales. Cela implique des missions de vol à températures modérées et des vents calmes pour minimiser les efforts requis par les moteurs. Les conditions environnementales sont en effet imprévisibles, mais il est toujours fortement suggéré de voler dans un climat calme et dans un environnement afin de réduire la charge de travail des contrôleurs de vol. Lorsque le calendrier de la mission permet de la flexibilité, planifier des vols dans des conditions météorologiques favorables peut considérablement prolonger la durée de vie des batteries et améliorer la précision des prévisions.

Optimisation du poids

L'élimination de tout accessoire non essentiel est l'un des conseils importants pour économiser la batterie de drone. Les protecteurs pro, le train d'atterrissage supplémentaire et les filtres à lentille lourde peuvent être inutiles dans certains cas, et réduire le poids de charge utile peut grandement améliorer le rapport puissance-poids. Chaque gramme de poids inutile réduit le temps de vol et l'efficacité, faisant de l'optimisation du poids une considération critique pour les missions prolongées.

Les sources communes de déchets, comme les hélices inefficaces et le poids inutile, peuvent être gérées en sélectionnant des composants légers de haute qualité. La sélection des composants a un impact significatif sur l'efficacité globale du système, avec des moteurs, des hélices et des régulateurs de vitesse électroniques de haute qualité offrant une meilleure performance par watt consommé.

Améliorations aérodynamiques

De plus, les améliorations aérodynamiques – comme la conception du corps et les réglages de l'hélice – peuvent réduire considérablement la traînée, réduisant ainsi l'énergie nécessaire pour maintenir le vol. L'optimisation aérodynamique peut générer des gains d'efficacité considérables, particulièrement pour les UAV fonctionnant à des vitesses plus élevées ou en mode de vol avant.

La sélection et l'accordage des hélices représentent une zone particulièrement percutante pour l'optimisation, car leur efficacité influe directement sur la consommation de puissance dans tous les régimes de vol.

Optimisation du contrôle moteur

Le freinage régénératif capte l'énergie généralement perdue pendant le freinage et la rend plus efficace. Les techniques avancées de contrôle moteur peuvent récupérer l'énergie pendant la décélération et la descente, prolongeant le temps de vol grâce à une efficacité globale améliorée du système.

Les techniques de réduction de la consommation d'énergie au ralenti, comme l'optimisation des réglages du moteur pendant les périodes de faible activité, permettent de conserver davantage d'énergie.

Tendances futures de la prévision et de la gestion des piles

Le champ de prédiction de la durée de vie des batteries pour les UAV continue d'évoluer rapidement, plusieurs tendances émergentes étant prêtes à transformer les capacités opérationnelles.

Apprentissage de la flotte en nuage

L'utilisation de ML est intégrée à Internet des objets (IoT) et des systèmes cloud pour surveiller automatiquement et sans problème la batterie. La connectivité Cloud permet d'apprendre à l'échelle de la flotte, où les modèles de prédiction s'améliorent sur la base de données de centaines ou de milliers d'UAV fonctionnant dans des conditions diverses.

Cette approche de renseignement collectif permet aux UAV individuels de profiter des expériences de l'ensemble de la flotte, accélérant considérablement le raffinement du modèle et permettant une adaptation rapide à de nouveaux types de batteries ou conditions d'exploitation.

Modélisation combinée multi-physique

Les recherches futures devraient donner la priorité à la modélisation couplée à plusieurs disciplines, aux techniques de prévision de l'IA et à la cybersécurité afin d'améliorer la fiabilité et l'intelligence des systèmes de batteries afin de soutenir le développement durable de systèmes sans pilote.

Ces modèles sophistiqués permettront de mieux saisir les interactions complexes entre les différents mécanismes de dégradation et les conditions de fonctionnement, améliorant ainsi la précision de prédiction, en particulier pour les batteries fonctionnant près de leurs limites de performance.

Gestion autonome de l'énergie

Un système automatisé de gestion de l'énergie pour les véhicules aériens sans pilote (UAV) fonctionnant dans un espace proche, qui permet des temps de vol prolongés. Les systèmes futurs de UAV intégreront des capacités de gestion de l'énergie de plus en plus autonomes qui optimisent la consommation d'énergie en temps réel sans intervention humaine.

La télémétrie de précision établie dans BMS sert de base à la gestion de l'énergie optimisée par l'IA, permettant aux opérateurs de prévoir la fatigue de la batterie avant qu'elle ne déclenche une interruption de mission. Cette autonomie sera particulièrement précieuse pour les opérations hors ligne de vue (BVLOS) et les services de livraison autonomes où la surveillance humaine est minimale.

Intégration des énergies de remplacement

Les drones solaires changent le jeu. Ils ont des panneaux solaires pour attraper le soleil et ajouter de l'énergie. Les systèmes hybrides mélangent batterie et énergie solaire pour des vols encore plus longs. Cela signifie que les drones peuvent rester dans l'air plus longtemps sans avoir à se recharger souvent.

Le système a une configuration hybride parallèle avec plusieurs moteurs, générateurs, batteries et moteurs. Les moteurs, générateurs et batteries sont intégrés et partagent le refroidissement/lubrification. Le système gère intelligemment l'allocation de puissance entre moteurs, batteries et moteurs en fonction du mode de vol et de la position de l'accélérateur.

Applications industrielles et études de cas

Les modèles de prédiction de la durée de vie des batteries permettent des applications UAV dans diverses industries, chacune avec des exigences et des défis uniques.

Opérations de recherche et sauvetage

L'évolution des solutions de charge de batterie de drones est essentielle pour réaliser le plein potentiel de la SAU dans les opérations de recherche et sauvetage prolongées. En exploitant les centrales portables, les systèmes de batterie à chaud, les chargeurs rapides avancés, la gestion intelligente des batteries et les solutions intégrées aux véhicules, les équipes SAR peuvent étendre considérablement l'endurance de la mission et réduire les temps critiques d'arrêt.

La prévision précise des batteries permet aux équipes SAR de déployer avec confiance des UAV pour des modèles de recherche étendus tout en maintenant des réserves adéquates pour un retour sûr. La capacité de prédire exactement quand des échanges de piles seront nécessaires permet une coordination efficace des ressources de soutien au sol.

Services de livraison commerciale

Si une livraison sous contrat gagne 3,80 $ par sortie, la capacité d'échelle de 12 missions à 28 missions par drone par jour déplace fondamentalement la période de récupération. Un pad à trois drones fonctionnant à 28 sorties/jour donne 84 livraisons par jour. L'augmentation de contribution par rapport à une installation à charge rapide (~36 livraisons/jour) rembourse l'investissement de 41,4 k $ en environ 3 à 5 mois, selon l'utilisation et le partage de la main-d'oeuvre.

Une gestion précise des batteries permet aux opérateurs de livraison de maximiser le nombre de livraisons par drone par jour, améliorant considérablement le rendement des investissements et le positionnement concurrentiel sur le marché en pleine croissance.

Surveillance agricole

Les opérations agricoles d'UAV impliquent souvent des relevés de grandes zones qui peuvent nécessiter de multiples changements de batterie ou plusieurs UAV travaillant en coordination. Les modèles de prévision de batterie permettent une planification efficace de la mission qui assure une couverture complète tout en minimisant le nombre d'échange de batterie requis.

Ces batteries sont largement utilisées dans les applications de livraison, d'agriculture et d'UAV tactique où l'efficacité et les opérations soutenues sont essentielles. La capacité de prédire avec précision la durée de vie des batteries permet aux exploitants agricoles d'optimiser les modèles d'enquête et le moment de maximiser la couverture de la zone par vol.

Inspection des infrastructures

Les missions d'inspection de l'infrastructure, comme les relevés de lignes électriques ou les inspections de ponts, suivent souvent des itinéraires prédéterminés qui peuvent être optimisés en fonction des prévisions de la batterie.

Les drones conçus pour des temps de vol prolongés, tels que ceux utilisés pour la surveillance ou la livraison, nécessitent une gestion optimisée de la batterie pour maximiser leur portée opérationnelle. Les missions d'inspection de longue durée bénéficient particulièrement d'une gestion sophistiquée de la batterie, car elles fonctionnent souvent à la limite de la capacité de la batterie pour maximiser l'efficacité.

Défis et limites

Malgré des progrès importants, la prédiction de la durée de vie des batteries pour les UAV reste confrontée à plusieurs défis qui limitent la précision et la fiabilité dans certains scénarios.

Disponibilité et qualité des données

Comme les déploiements d'UAV sont relativement nouveaux, il n'y a pas de données de vol statistiquement significatives pour motiver les approches fondées sur les données. La nouveauté relative des opérations d'UAV électrique signifie que les données historiques complètes pour la formation des modèles demeurent limitées, en particulier pour les nouvelles piles et les plates-formes d'UAV.

Les problèmes de qualité des données, notamment le bruit des capteurs, la dérive d'étalonnage et les mesures manquantes, peuvent dégrader la précision de la prédiction.

Complexité du modèle par rapport aux ressources informatiques

Les modèles de prédiction les plus précis exigent souvent des ressources informatiques importantes qui peuvent dépasser les capacités des systèmes embarqués dans les petits UAV, ce qui crée un compromis fondamental entre la précision de la prédiction et les performances en temps réel.

L'équilibre entre la sophistication des modèles et les ressources informatiques disponibles exige une ingénierie minutieuse et implique souvent la mise en œuvre de modèles simplifiés pour les prévisions embarquées en temps réel tout en utilisant des modèles plus complexes pour l'analyse et la planification hors ligne.

Quantité d'incertitude

Toutes les prédictions de batterie impliquent intrinsèquement l'incertitude en raison de facteurs imprévisibles tels que les conditions de vent, les variations de température et le comportement aléatoire de la batterie.

Les méthodes de prédiction probabiliste qui fournissent des intervalles de confiance plutôt que des estimations ponctuelles offrent des renseignements plus complets, mais nécessitent une interprétation plus sophistiquée et peuvent compliquer les systèmes automatisés de prise de décisions.

Considérations en matière de réglementation et de sécurité

À mesure que les opérations de l'UAV se développent, les cadres réglementaires traitent de plus en plus des exigences en matière de sécurité et de rendement des batteries, ce qui influe sur la conception et la mise en oeuvre du système de prévision.

Exigences de certification

L'Organisation de l'aviation civile internationale (OACI) prévoit une augmentation de 10 fois du nombre d'UAV civils mondiaux d'ici 2030, les drones multirotor électriques dominant le marché. Cette croissance explosive est à l'origine de l'élaboration de normes de certification pour les systèmes de batteries UAV, y compris des exigences de précision de prédiction et de marges de sécurité.

Les exploitants commerciaux d'UAV peuvent avoir besoin de démontrer que leurs systèmes de gestion de la batterie répondent à des normes de performance précises, y compris des mesures de précision et de fiabilité minimales de prédiction.

Marges de sécurité et gestion des risques

Les cadres réglementaires exigent généralement des exploitants d'UAV qu'ils maintiennent des marges de sécurité précises pour la capacité des batteries, en veillant à ce que la durée de vie prévue des batteries comporte des réserves suffisantes pour les conditions imprévues, lesquelles doivent être intégrées aux modèles de prévision et aux systèmes de planification des missions.

Les cadres de gestion des risques aident les exploitants à équilibrer les exigences de sécurité par rapport à l'efficacité opérationnelle, en utilisant les prévisions de batteries pour quantifier et gérer les risques associés aux différents profils de mission et conditions d'exploitation.

Conclusion

Les modèles de prédiction de la durée de vie des batteries sont devenus des outils indispensables pour des missions étendues de l'UAV, permettant des opérations sûres, efficaces et économiquement viables dans diverses applications. L'évolution de simples indicateurs de tension vers des modèles d'apprentissage machine sophistiqués intégrant de multiples phénomènes physiques représente une avancée remarquable dans la technologie de l'UAV.

À mesure que les chimies des batteries s'améliorent, que les algorithmes de prédiction deviennent plus sophistiqués et que les ressources informatiques s'étendent, la précision et la fiabilité des prédictions de la durée de vie des batteries continueront d'augmenter. L'intégration de l'intelligence artificielle, de l'apprentissage en nuage de la flotte et de la modélisation multiphysique promet de fournir des systèmes de prédiction qui peuvent s'adapter à pratiquement n'importe quelle condition d'exploitation tout en maintenant la précision requise pour les applications critiques de la mission.

Pour les exploitants d'UAV, investir dans des systèmes avancés de prévision et de gestion des batteries procure des avantages tangibles en termes de taux de réussite de la mission, d'efficacité opérationnelle et de sécurité.

L'avenir des opérations de l'UAV dépend fondamentalement de la gestion fiable de l'énergie, et les modèles de prédiction de la durée de vie des batteries sont au centre de cette capacité critique. En continuant à affiner ces modèles et à les intégrer plus profondément dans les systèmes de l'UAV, l'industrie peut débloquer de nouvelles applications et des paradigmes opérationnels qui étaient auparavant impossibles en raison des limitations de la batterie.

Pour ceux qui souhaitent explorer davantage les systèmes de gestion de la batterie, des ressources telles que la revue MDPI sur la fiabilité de la batterie UAV et ScienceDirect fournissent des informations techniques précieuses sur la gestion de la batterie par apprentissage automatique.

Alors que la technologie UAV continue d'évoluer rapidement, la prédiction de la durée de vie des batteries restera un facteur essentiel de sécurité, d'efficacité et de viabilité économique. La recherche et le développement en cours dans ce domaine promet de fournir des systèmes de plus en plus capables qui repoussent les limites de ce que les UAV peuvent accomplir, ouvrant de nouvelles possibilités d'applications qui profitent à la société dans d'innombrables domaines.