Table of Contents

I veicoli aerei senza equipaggio (UAV) sono diventati strumenti indispensabili in numerose industrie, dall'ispezione agricola e infrastrutturale alle operazioni di ricerca e soccorso e applicazioni militari. Poiché queste piattaforme sono schierate per missioni sempre più complesse e e estese, la capacità di prevedere con precisione la durata della batteria è emersa come un fattore critico per garantire il successo della missione, la sicurezza operativa e la sicurezza dei costi-efficacia.

Comprendere l'importanza della prevenzione della vita della batteria per le operazioni UAV

L'affidabilità dei sistemi di batterie di stoccaggio dell'energia non equipaggiati (UAV) è fondamentale per garantire il loro funzionamento sicuro e l'esecuzione efficiente della missione, e ha il potenziale di avanzare significativamente le applicazioni nella logistica, nel monitoraggio e nella risposta di emergenza. La domanda di previsione accurata della durata della batteria si è intensificata come transizione degli UAV da brevi voli ricreativi a applicazioni professionali che richiedono lunghi periodi operativi.

A causa della loro limitata capacità della batteria, è necessario un corretto sistema di gestione della batteria (BMS) per evitare ritardi e crash di volo, che può essere molto costoso in termini di costo e tempo. Oltre alle preoccupazioni immediate di sicurezza, le previsioni della batteria inaccurate possono portare a missioni incomplete, risorse sprecate e potenziali danni alle attrezzature costose.

I sistemi BHM sono essenziali per garantire che gli obiettivi della missione possano essere raggiunti e per aiutare nelle attività decisionali online come la mitigazione dei guasti e il ripianto delle missioni. I moderni sistemi di gestione della batteria forniscono agli operatori l'intelligenza necessaria per prendere decisioni informate durante le operazioni di volo, consentendo le regolazioni di missione dinamiche basate sui dati di performance della batteria in tempo reale.

Tipi di modelli di prevenzione della durata della batteria

La previsione della durata della batteria per gli UAV si basa su diversi approcci di modellazione distinti, ciascuno con punti di forza e applicazioni uniche. La comprensione di queste diverse metodologie è essenziale per selezionare la strategia di previsione appropriata per specifiche esigenze operative.

Modelli empirici

I modelli empirici rappresentano l'approccio più semplice alla previsione della durata della batteria, basandosi sui dati storici e sui modelli di performance osservati. Questi modelli utilizzano relazioni statistiche derivate da test approfonditi in varie condizioni operative. Mentre i modelli empirici possono mancare della profondità teorica degli approcci basati sulla fisica, offrono vantaggi pratici in termini di efficienza computazionale e facilità di attuazione.

La forza primaria dei modelli empirici risiede nella loro capacità di catturare il comportamento della batteria nel mondo reale senza richiedere una conoscenza dettagliata dei processi elettrochimici interni.Analizzando modelli da migliaia di cicli di carica attraverso diversi profili di volo, questi modelli possono generare previsioni ragionevolmente accurate per condizioni operative simili. Tuttavia, la loro precisione diminuisce quando si incontrano scenari significativamente diversi dai dati di formazione.

Modelli basati sulla fisica

La tecnica qui presentata codifica i processi elettrochimici di base di una batteria al litio-polimero in un quadro avanzato di inferenza baieana per monitorare simultaneamente la batteria di stato-di-carica e sintonizzare il modello della batteria per fare previsioni accurate di vita utile.

Questi modelli rappresentano fattori come i tassi di diffusione ioni, elettrodi cinetici e cambiamenti di resistenza interni che si verificano durante lo scarico. simulando i processi fisici e chimici all'interno delle celle della batteria, i modelli basati sulla fisica possono prevedere le prestazioni attraverso una più ampia gamma di condizioni rispetto agli approcci puramente empirici.

Modelli ibridi

I modelli ibridi combinano i punti di forza di approcci sia empirici che fisici, offrendo una soluzione bilanciata che cattura il comportamento della batteria fondamentale rimanendo computazionalmente trattabili per applicazioni in tempo reale.

Le batterie sono modellate a tre diversi livelli di granulosità con distribuzioni di incertezza associate, codificando i processi elettrochimici di base di una batteria al litio-polimero. Questo approccio multi-livello consente ai modelli ibridi di adattarsi a diversi requisiti operativi, utilizzando rappresentazioni semplificate quando le risorse computazionali sono limitate, mantenendo la capacità di invocare calcoli basati sulla fisica più dettagliati quando l'accuratezza è fondamentale.

Modelli di apprendimento automatico e di data-drive

Deep Neural Networks (DNN) e Long Short-Term Memory (LSTM) sono utilizzati per la previsione SoC come problema di regressione, e Random Forest (RF) è stato utilizzato per la stima di SoH attraverso un problema di classificazione con quattro classi.

La stima di SoC utilizzando il modello DNN ha avuto un errore quadrato basso medio di 7,6E−4 e un punteggio di variazione elevato spiegato di 0,98. Inoltre, la previsione di SoC utilizzando il modello LSTM ha avuto un errore quadrato di basso medio di 0,023 e un alto punteggio di variazione spiegato di 0,97.

Le reti Long Short-Term Memory sono particolarmente adatte per la predizione della batteria perché possono catturare dipendenze temporali nel comportamento della batteria, riconoscendo come i modelli di utilizzo passati influenzano le prestazioni attuali e future.

Metriche chiave nella prevenzione della vita della batteria

La previsione efficace della durata della batteria richiede il monitoraggio e la stima di diversi parametri critici che descrivono collettivamente la salute della batteria e la capacità rimanente.

Stato di carica (SoC)

Di conseguenza, per garantire il funzionamento coerente degli UAV, il BMS dovrebbe consentire il monitoraggio delle batterie fornendo informazioni accurate di stato di carica (SoC) e di stato di salute (SoH).

A differenza di semplici indicatori basati sulla tensione, gli algoritmi sofisticati di stima SoC rappresentano fattori come il tasso di scarico, la temperatura e l'età della batteria per fornire stime affidabili anche in condizioni operative dinamiche.

Stato di salute (SoH)

Recenti progressi nell'intelligenza artificiale hanno spinto lo sviluppo di metriche predittive, come ad esempio lo stato di salute (SOH) e la vita utile rimanente (RUL), con algoritmi avanzati che riducono gli errori di stima all'interno del 3% e consentono un passaggio da manutenzione reattiva a proattiva.

Inoltre, il modello RF ha raggiunto un'elevata precisione di 0,92 a classificare SoH. Questo livello di precisione consente agli operatori di prendere decisioni informate sulla pensione e la sostituzione della batteria, impedendo inaspettate guasti durante le missioni critiche.

Vita utile rimanente (RUL)

Di conseguenza, abbiamo sviluppato un modello di scarico dettagliato per le batterie utilizzate e utilizzate in una tecnica di filtraggio basato su inferenza Bayesian (Particle Filtering) per generare la vita utile rimanente (RUL) distribuzioni Rimanere Previsione di Vita utile va oltre la semplice stima della capacità per prevedere quanto più lunga una batteria può continuare a funzionare prima di raggiungere la fine di scarico o richiedendo la sostituzione.

La stima della vita utile residua (RUL) e la previsione della capacità delle batterie Li-ion utilizzate all'interno dell'UAV è essenziale per prevenire diversi problemi, come la perdita di autonomia, che possono portare a incidenti o malfunzionamenti.

Predizione di scarico (EOD)

L'obiettivo è quello di poter prevedere l'evento end-of-discharge (EOD) che indica che il pacco batterie è esaurito per qualsiasi volo di una piattaforma UAV elettrica. La previsione EOD è particolarmente critica per le operazioni UAV, in quanto determina se una missione può essere completata in modo sicuro con la capacità della batteria disponibile.

La stima accurata del tempo di batteria Fine di scarico (EOD) in veicoli aerei senza equipaggio elettrici (UAVs) fornisce la certezza che una data missione può essere completata prima che l'energia immagazzinata nella batteria esaurisca, e aiuta processi decisionali come il ripianto di missione per mitigare le carenze associate all'energia disponibile.

Fattori che affettano le prestazioni della batteria nelle applicazioni UAV

La quantità di carica utilizzabile di una batteria per un dato profilo di scarico non dipende solo dallo stato di avviamento (SOC), ma anche altri fattori come la salute della batteria e il profilo di scarico o di carico imposto.

Condizioni di carico e Regimi di volo

Il consumo di energia negli UAV varia notevolmente in diverse fasi di volo. Le operazioni di decollo e di sbarco richiedono tipicamente il più alto pareggio di potenza, poiché i motori devono generare la massima spinta per superare la gravità e raggiungere l'ascensore verticale.

All'interno degli UAV, la corrente di scarico delle batterie viene modificata dalla velocità di viaggio. La corrente di scarico varia da un volo all'altro a seconda del carico trasportato, delle condizioni atmosferiche e della velocità di movimento. Questa variabilità rende la predizione accurata impegnativa, poiché i modelli devono tenere conto del profilo di missione specifico piuttosto che assumere tassi di scarico costanti.

Il peso del carico di pagamento influisce in modo significativo sui requisiti di potenza, con carichi più pesanti che richiedono maggiore energia per mantenere il volo. I pianificatori di missione devono bilanciare con attenzione la capacità di carico di carico rispetto ai requisiti di durata del volo, utilizzando modelli di previsione della batteria per ottimizzare questo trade-off per obiettivi operativi specifici.

Effetti di temperatura

La temperatura rappresenta uno dei fattori ambientali più significativi che influiscono sulle prestazioni della batteria. Le temperature estreme possono ridurre drasticamente l'efficienza della batteria e la capacità disponibile, con condizioni fredde generalmente con impatti più gravi rispetto al calore.

Il modello considera i fattori più influenti sulla precisione di stima, come temperatura, invecchiamento e auto-scarica. A basse temperature, le reazioni chimiche all'interno delle celle a batteria rallentano, aumentando la resistenza interna e riducendo la tensione e la corrente che possono essere consegnati. Questo effetto può ridurre la capacità utilizzabile del 15-35% nei climi freddi, che richiedono agli operatori di tenere conto della deformazione termica nella pianificazione della missione.

Grazie alla sua gamma di temperature ottimale, BMS aiuta a mantenere la sua efficienza, l'uscita di potenza e la longevità. I sistemi di gestione delle batterie avanzate incorporano le caratteristiche di gestione termica per mantenere le batterie entro intervalli di temperatura ottimali, anche se questa regolazione termica consuma energia che deve essere considerata come una previsione.

Età della batteria e degradazione

Durante il funzionamento, una batteria passa attraverso diversi cicli di carica, scarico completo o incompleto con diverse correnti di scarico e altri stati che diminuiscono la capacità. L'invecchiamento della batteria è un processo inevitabile che riduce progressivamente la capacità e aumenta la resistenza interna nel tempo.

Tutti questi fattori portano all'invecchiamento non lineare durante tutta la vita. Questo modello di degrado non lineare rende la previsione a lungo termine impegnativa, poiché le batterie non perdono semplicemente la capacità ad un tasso costante ma piuttosto l'esperienza di degrado accelerato in determinate condizioni.

Tuttavia, con il tempo, le batterie negli UAV si degradano, ciò potrebbe portare a molti problemi, tra cui ritardi di volo, arresti forzati e perdite di connessione.

Cicli di ricarica e modelli di utilizzo

Il numero e la profondità dei cicli di scarico della carica influiscono significativamente sulla longevità della batteria.Le scariche profonde, dove le batterie sono drenate a livelli molto bassi, generalmente causano più stress e degradazione rispetto ai cicli poco profondi. Tuttavia, il rapporto tra profondità del ciclo e degradazione è complesso e varia con la chimica della batteria.

I principali fattori che contribuiscono al danno della batteria sono un'elevata percentuale di carica che si avvicina al 100% e alla temperatura. Mantenere le batterie a pieno carico per periodi prolungati può anche accelerare il degrado, in particolare a temperature elevate.

La tecnologia della batteria UAV può resistere ai cicli di ricarica. Il processo di scarica completa e ricarica dopo il degrado della capacità deve essere adeguatamente monitorato per mantenere la sicurezza dei droni. Gli operatori possono anche prevedere quando una batteria si degrada pianificando correttamente i cicli di ricarica. La cronologia del ciclo di trasmissione consente previsioni più accurate di degrado e aiuta gli operatori a pianificare le sostituzioni della batteria prima che si verifichino guasti.

Condizioni ambientali

Oltre alla temperatura, diversi fattori ambientali influenzano le prestazioni della batteria e devono essere incorporati nei modelli di previsione. Le condizioni del vento influiscono significativamente sul consumo di energia, con i ventilatori che richiedono una maggiore energia per mantenere il progresso in avanti.

Tuttavia, la maggior parte delle metriche derivano da condizioni di laboratorio controllate, che si traduce in ricercatori che lottano per affrontare scenari complessi del mondo reale che coinvolgono alte temperature, altitudini e forti interferenze elettromagnetiche. Questo divario tra test di laboratorio e condizioni di campo rappresenta una sfida significativa per i modelli di previsione della batteria, che richiedono una validazione estesa del mondo reale per garantire l'accuratezza.

L'umidità, la precipitazione e la pressione atmosferica possono influenzare anche le prestazioni della batteria, anche se in genere a un grado inferiore alla temperatura e al vento.

Chimica della batteria e considerazioni tecnologiche

Gli UAV si affidano principalmente alle batterie al litio per il loro funzionamento a causa di un basso tasso di autoscarico e di alta densità di energia. La specifica chimica della batteria impiegata in un UAV influenza significativamente sia le caratteristiche di prestazione che la metodologia di previsione appropriata.

Batterie al polimero di litio (LiPo)

I tamburi usano principalmente batterie al litio Polymer (LiPo), queste batterie sono leggeri e imballano molta energia, hanno bisogno di un'attenta gestione per lavorare bene per molto tempo. Le batterie LiPo sono diventate la scelta dominante per le applicazioni UAV grazie al loro eccellente rapporto potenza-peso e alla capacità di fornire elevate correnti di scarico.

Le batterie LiPo richiedono una gestione attenta per prevenire danni e pericoli di sicurezza, sensibili alla sovraccarico, all'eccessiva scarica e ai danni fisici, rendendo essenziali i sofisticati sistemi di gestione delle batterie.

Batterie al litio-ione

Grazie ai loro vantaggi, ad alta potenza / densità energetica, un elevato numero di cicli di carica-scarica, bassa velocità di auto-scarica, ampia gamma di temperatura di esercizio, ecc, batterie Li-ion sono utilizzati in varie applicazioni. Le batterie agli ioni di litio offrono vantaggi in termini di durata del ciclo e sicurezza rispetto alle batterie LiPo, anche se in genere hanno una densità di potenza leggermente inferiore.

Le batterie agli ioni di litio presentano generalmente modelli di degrado più prevedibili rispetto alle batterie LiPo, che possono semplificare la previsione della capacità a lungo termine, e la loro costruzione più robusta li rende anche meno suscettibili di danni da impatti fisici minori o da una leggera sovraccarica.

Tecnologie della batteria emergenti

La domanda di batterie a lunga durata, veloci e sicure sta guidando l'innovazione in sistemi intelligenti, celle a combustibile a idrogeno, soluzioni ioni di litio a film sottile e ibride, consentendo una maggiore efficienza e operazioni prolungate. L'industria UAV continua ad esplorare tecnologie alternative della batteria che potrebbero superare i limiti dei sistemi basati su litio.

Le celle a combustibile idrogeno offrono il potenziale per tempi di volo notevolmente estesi, anche se introducono una maggiore complessità in termini di stoccaggio del carburante e integrazione del sistema. I sistemi ibridi che combinano batterie con celle a combustibile o motori a combustione ridotta possono fornire il meglio di entrambi i mondi, utilizzando batterie per manovre ad alta potenza e fonti di energia alternative per il volo da crociera sostenuto.

Implementazione di modelli di prevenzione della vita della batteria

Tradurre modelli di previsione teoriche in sistemi operativi pratici richiede un'attenta considerazione dei dettagli di implementazione, delle risorse computazionali e dell'integrazione con i sistemi UAV esistenti.

Raccolta dati e integrazione dei sensori

Il monitoraggio continuo della tensione, della temperatura e del flusso corrente all'interno di ogni cella consente al BMS di rilevare eventuali problemi in anticipo. Il monitoraggio della batteria del drone in tempo reale è fondamentale per la gestione efficiente del consumo energetico e per garantire la sicurezza del drone durante il volo.

I moderni sistemi di gestione della batteria incorporano sensori per la tensione, la corrente, la temperatura e talvolta anche l'impedenza individuale delle cellule. La velocità di campionamento e l'accuratezza di questi sensori influiscono direttamente sulla qualità della previsione, con misurazioni ad alta frequenza che consentono aggiornamenti più reattivi del modello.

Un intelligente BMS comunica dati come tensione, corrente, temperatura e cicli di carica al drone o al controllo del suolo, consentendo un migliore processo decisionale. Questi dati di telemetria consentono sia di prendere decisioni autonomi che di monitorare da remoto da parte degli operatori, fornendo più livelli di sicurezza e consapevolezza operativa.

Esecuzione in tempo reale dell'algoritmo

Gli algoritmi di previsione della batteria devono essere eseguiti in tempo reale sui sistemi incorporati estranei alle risorse all'interno dell'UAV. Questa limitazione computazionale richiede spesso modelli semplificati o implementazioni efficienti di algoritmi più complessi.

Per quanto riguarda l'implementazione pratica, il sistema è stato implementato attraverso l'utilizzo di un drone, microcontroller ESP32, un gateway Raspberry Pi e un server cloud, che pr Modern implementazioni spesso distribuiscono compiti computazionali tra i microcontroller di bordo per previsioni critiche e sistemi cloud più potenti per analisi dettagliate e formazione di modelli.

Gli approcci di calcolo Edge consentono di prevedere sofisticate senza dover richiedere una connettività costante, essenziale per gli UAV che operano in aree remote o sotto vincoli di comunicazione.

Inferenza Bayesiana e filtro particella

Questo documento presenta un framework BHM basato su particelle (PF) con moduli plug-and-play per modelli di batteria e gestione dell'incertezza. Il filtraggio a particelle rappresenta una potente tecnica per la stima dello stato della batteria che può gestire la natura non lineare e incerta del comportamento della batteria.

Questo è un primo passo nella formalizzazione delle tecniche di programmazione stocastica trattabili in modo da generare in modo ottimale i piani di volo in risposta alle previsioni della durata della batteria. Questo approccio sfrutta il framework PF per generare simultaneamente il piano di volo ottimale/sub-ottimo contemporaneamente con la previsione del RUL. La capacità di prevedere simultaneamente la durata della batteria e ottimizzare i piani di volo rappresenta un significativo progresso, consentendo l'adattamento dinamico della missione basato sullo stato attuale della batteria.

Calibrazione e adattamento del modello

I modelli di previsione della batteria richiedono una taratura periodica per mantenere l'accuratezza in quanto cambiano le condizioni di funzionamento e di età delle batterie. Questo processo di calibrazione comporta il confronto delle prestazioni prevedibili rispetto al comportamento osservato reale e la regolazione dei parametri del modello di conseguenza.

Identificare quali parametri la precisione di previsione di impatto più significativa consente di effettuare operazioni di calibrazione mirate che massimizzano il miglioramento con una minima sovraccarica computazionale.

Gli algoritmi adattivi possono sintonizzare automaticamente i parametri del modello in base ai dati delle prestazioni in corso, riducendo la necessità di interventi manuali. Tuttavia, alcuni livelli di supervisione umana rimane prezioso per rilevare anomalie e convalidare il comportamento del modello.

Sistemi di gestione della batteria avanzati per UAVs

Un sistema di gestione della batteria (BMS) è un componente cruciale nelle moderne batterie al drone, garantendo sicurezza, efficienza e longevità. Agisce come il "brain" dietro la batteria, la gestione e il monitoraggio di ogni cella all'interno del pacchetto della batteria.

Bilanciamento cellulare

Le celle di equilibratura all'interno di un pacchetto di batterie al litio polimerico (LiPo) impediscono alle cellule più deboli di deteriorarsi più velocemente di altre. Questa funzione aiuta a mantenere la salute della batteria complessiva del drone, migliorando la durata della batteria e garantendo prestazioni costanti.

Passivo: Brucia l'energia in eccesso dalle cellule ad alta tensione tramite resistenze. Attivo: Trasferisce l'energia tra le celle utilizzando condensatori o induttori. I sistemi di bilanciamento attivo sono più efficienti degli approcci passivi, anche se aggiungono complessità e costi al sistema di gestione della batteria.

Funzioni di protezione

Inoltre, assicura tensioni equilibrate delle cellule, che massimizza la capacità utilizzabile della batteria e estende la sua durata di vita. I circuiti di protezione all'interno del BMS impediscono condizioni operative pericolose che potrebbero danneggiare la batteria o creare rischi di sicurezza.

Queste funzioni di protezione includono rilevamento sovracorrente, protezione a corto circuito e arresto termico. Impedendo queste condizioni di guasto, il BMS non solo protegge la batteria ma migliora anche la sicurezza UAV generale.

Capacità di manutenzione predittiva

SISTEMI DI GESTIONE BATTERIE AI-ENABLED · 5.17.2 · MAINTENANCE PREDICTIVE E BATTERY LIFECYCLE OPTIMIZATION Modern BMS implementazioni incorporano sempre più caratteristiche di manutenzione predittiva che prevedono quando le batterie richiedono servizio o sostituzione.

L'integrazione con sistemi di manutenzione predittiva consente la gestione proattiva delle batterie, riducendo i guasti inaspettati e ottimizzando i programmi di sostituzione della batteria per ridurre al minimo i costi operativi.

Ciò può consentire la previsione di possibili problemi con la batteria per mitigare tali problemi e aumentare l'affidabilità del sistema. Pertanto, la durata della batteria è estesa, e le conseguenze indesiderate derivanti dal funzionamento non monitorato di UAV sono evitate.

Integrazione di apprendimento automatico e di intelligenza artificiale

Con l'aumento dell'intelligenza artificiale e dell'apprendimento automatico, i sistemi di gestione delle batterie di nuova generazione probabilmente incorporano analisi predittive, consentendo ai droni di gestire il potere in modi più intelligenti basati su volo o attività specifici.

La telemetria di precisione stabilita in BMS funge da base per la gestione dell'energia ottimizzata dall'IA, consentendo agli operatori di prevedere la fatica della batteria prima di avviare un abortio di missione. I sistemi basati sull'IA possono imparare dai dati operativi a livello della flotta per migliorare continuamente la precisione di previsione e identificare i modelli sottili che indicano problemi di sviluppo.

Pianificazione e ottimizzazione delle missioni

La predizione accurata della durata della batteria consente una pianificazione sofisticata della missione che massimizza l'efficienza operativa mantenendo i margini di sicurezza.

Analisi delle Missioni Pre-Flight

Prima di lanciare una missione UAV, gli operatori possono utilizzare i modelli di previsione della batteria per valutare se il profilo di volo pianificato è raggiungibile con la capacità della batteria disponibile.

La parte migliore della mappa Pilot è la sua capacità di aiutare i mappatori a valutare e ottimizzare il percorso di volo necessario per mappare una determinata area. Il software di pianificazione delle missioni può ottimizzare automaticamente i percorsi di volo per ridurre al minimo il consumo energetico, regolare l'altitudine, la velocità e il percorso per massimizzare la copertura all'interno dei vincoli della batteria.

Strategie Missionarie Multi-Battery

Le batterie intelligenti dei droni Phantom 3 e Inspire 1 sanno quanto potere li porterà a casa. Quando l'aereo si rende conto che è più lontano di quanto ha il potere di tornare a casa, si dirigerà immediatamente per casa e disegnare un punto di abbandono sulla mappa pilota della mappa.Per missioni che richiedono più resistenza di una singola batteria in grado di fornire, strategie multi-battery consentono operazioni prolungate attraverso gli swaps della batteria pianificati.

Alcuni sistemi impiegano anche "hot swapping" dove una fonte di energia esterna mantiene l'elettronica di bordo del drone attiva durante il cambio della batteria, impedendo qualsiasi perdita di dati. Questa capacità è rivoluzionaria per missioni di lunga durata, consentendo ai droni di operare per ore anziché minuti. La tecnologia di ondulazione calda elimina la necessità di riavviare i sistemi tra i cambiamenti della batteria, riducendo drasticamente i tempi di fermo e consentendo operazioni quasicontinuo.

Ripianificazione della missione dinamica

Le previsioni della batteria in tempo reale consentono di regolare la missione dinamica quando le prestazioni effettive si discostano dalle stime pre-flight. Se il consumo di batteria supera le previsioni dovute a ventole inaspettate o ad altri fattori, l'UAV può modificare automaticamente la sua missione per garantire un ritorno sicuro.

Queste opzioni dovranno essere convalidate da prove di volo in cui si possono valutare la robustezza delle condizioni ambientali come temperatura e densità dell'aria e velocità del vento. La nozione di tolleranza al rischio può essere introdotta attraverso le funzioni oggettive appropriate, consentendo così un rischio non zero della condizione della chiavetta morta per utilizzare più potenza della batteria.

Metrics e standard di performance di affidabilità

Basato su standard internazionali, l'affidabilità comprende stabilità delle prestazioni, adattabilità ambientale e ridondanza di sicurezza, che comprende metriche come il tasso di ritenzione della capacità, il tempo medio tra guasti (MTBF), e il tempo di avvertimento del runaway termico.

Predizione Accuratezza Metrica

L'accuratezza delle previsioni sulla durata della batteria può essere quantificata utilizzando varie metriche statistiche. Errore assoluto medio (MAE) e errore quadrato medio (RMSE) misurano la deviazione media tra prestazioni della batteria prevedibili e reali.

A livello di sistema, la disponibilità (mezzo tempo tra guasti, MTBF) e il tasso di completamento della missione sono più pratici, con UAV commerciali spesso che richiedono una disponibilità del sistema di batterie che supera il 98% all'anno.

Capacità di conservazione e vita del ciclo

A livello cellulare, la durata del ciclo e la velocità di ritenzione della capacità sono indicatori fondamentali. Il tasso di ritenzione della capacità misura la quantità della capacità della batteria originale rimane dopo un numero specificato di cicli o periodo di utilizzo.

I miglioramenti continui nella chimica cellulare e nell'architettura consentono una lunga durata del volo, una maggiore gestione termica e scalabilità attraverso diverse piattaforme di droni. I progressi nella tecnologia della batteria continuano a migliorare sia la capacità iniziale che la ritenzione a lungo termine, estendendo l'utile vita dei sistemi di batteria UAV.

Considerazioni pratiche per le missioni UAV estesa

Distribuire UAV per missioni estese introduce sfide uniche che richiedono strategie di gestione della batteria e approcci di previsione specializzati.

Soluzioni di ricarica sul campo

Molti caricatori offrono funzionalità multi-port, consentendo la ricarica simultanea di diverse batterie e accessori. Esempi includono il caricabatterie DJI Mavic 3 5-in-1 e l'EV-Peak UD2, che può caricare completamente più batterie in meno di 15-90 minuti a seconda del modello. La tecnologia di ricarica rapida consente tempi di rotazione più rapidi, anche se gli operatori devono bilanciare la velocità di ricarica contro la longevità della batteria.

Quando si selezionano e implementano soluzioni di ricarica della batteria del drone per operazioni SAR prolungate, si devono considerare diversi aspetti pratici: Portabilità e Peso: L'attrezzatura deve essere facilmente trasportabile, soprattutto in terreni robusti o remoti. Le batterie e i sistemi di ricarica più leggeri sono sempre preferiti, permettendo ai droni di trasportare più carichi o volare più a lungo.

Adattamento ambientale

Resistenza alle intemperie e alle intemperie: le attrezzature da campo devono sopportare condizioni ambientali difficili, comprese le temperature estreme (ad esempio, da -20°C a 45°C), la pioggia e la polvere. I casi rigidi protettivi con resistenza agli urti, le guarnizioni a tenuta stagna e la protezione contro la polvere sono essenziali.

I sistemi a batteria personalizzati per gli UAV possono anche essere ottimizzati per ambienti unici, come condizioni ad alta quota o droni subacquei, dove il mantenimento dell'integrità della batteria è fondamentale.

Gestione delle pile a batteria

Le organizzazioni che operano più UAV devono gestire efficacemente le flotte di batterie per garantire una capacità adeguata per le missioni pianificate, riducendo al minimo i costi di inventario, ciò richiede il monitoraggio della salute delle batterie, dei conteggi dei cicli e della cronologia delle prestazioni.

Per mantenere gli accordi di livello di servizio (SLAs), implementiamo una politica di gestione delle batterie a tre livelli supportata da BMS: Predictive DCIR Screening: Il nostro sistema segnala qualsiasi pacchetto che esibisce un aumento del +25% in DCIR (Direct Current Internal Resistance) rispetto alla mediana della flotta. Questi pacchetti vengono automaticamente ri-binati per missioni di utilità a basso carico.

Ottimizzazione della durata e delle prestazioni della batteria

Oltre alla predizione accurata, gli operatori possono adottare misure proattive per massimizzare la durata e le prestazioni della batteria, estendendo sia la durata del volo individuale che la durata della batteria.

Migliori pratiche operative

Per prolungare la durata della batteria del drone, evitare lo scarico profondo atterrando il drone con il 20%-30% rimanente piuttosto che volarlo fino a quando la batteria non è completamente vuota. Avendo questo limite può proteggere la salute chimica della batteria e aiutarlo ad essere ricaricato in modo affidabile fino alla prossima operazione di volo.

Gli operatori possono migliorare il tempo di volo dei droni volando in condizioni ottimali. Ciò comporta la conduzione di missioni di volo in temperature moderate e venti calmi per ridurre al minimo gli sforzi richiesti dai motori. Le condizioni ambientali sono davvero imprevedibili, ma è ancora altamente consigliato di volare in condizioni meteorologiche calme e dintorni al fine di ridurre il carico di lavoro dai controllori di volo.

Ottimizzazione del peso

Le protezioni prop, l'equipaggiamento di atterraggio extra e i filtri per le lenti pesanti possono essere inutili per alcuni casi, e ridurre il peso del carico utile può migliorare notevolmente il rapporto di potenza-peso. Ogni grammo di peso non necessario riduce il tempo di volo e l'efficienza, rendendo l'ottimizzazione del peso una considerazione critica per le missioni estese.

Le fonti comuni di rifiuti, come eliche inefficienti e peso non necessario, possono essere gestite selezionando componenti leggeri di alta qualità. La selezione dei componenti influisce significativamente sull'efficienza complessiva del sistema, con motori di alta qualità, eliche e controllori elettronici di velocità che forniscono prestazioni migliori per watt consumati.

Miglioramenti aerodinamici

Inoltre, i miglioramenti aerodinamici, come la progettazione e le regolazioni del corpo ottimizzate e dell'elica, possono ridurre significativamente la resistenza, riducendo l'energia necessaria per mantenere il volo.

La selezione e la messa a punto del propulsore rappresentano un'area particolarmente impattante per l'ottimizzazione, poiché l'efficienza dell'elica influisce direttamente sul consumo energetico di tutti i regimi di volo.

Ottimizzazione del controllo del motore

Il controllo orientato al campo (FOC) fornisce un controllo preciso sulla coppia e la velocità, migliorando l'efficienza energetica e prolungando la durata della batteria. La frenata rigenerativa cattura l'energia tipicamente persa durante la frenata e la restituisce alla batteria, migliorando l'efficienza.

Le tecniche per ridurre il consumo energetico inattivo, come l'ottimizzazione delle impostazioni motorie durante i periodi di bassa attività, la conservazione ulteriore dell'energia.

Tendenze future nella prevenzione e nella gestione della batteria

Il campo della previsione della durata della batteria per gli UAV continua ad evolversi rapidamente, con diverse tendenze emergenti in grado di trasformare le capacità operative.

Apprendimento della flotta su cloud

L'utilizzo di ML è integrato con internet di cose (IoT) e sistemi basati su cloud per monitorare automaticamente e senza soluzione di continuità la batteria. La connettività Cloud consente l'apprendimento a livello di flotta, dove i modelli di previsione migliorano in base ai dati di centinaia o migliaia di UAV che operano in diverse condizioni.

Questo approccio di intelligenza collettiva permette ai singoli UAV di trarre vantaggio dalle esperienze dell'intera flotta, accelerando notevolmente la raffinatezza del modello e consentendo un rapido adattamento a nuovi tipi di batteria o condizioni operative.

Multi-Physics accoppiato modellazione

La ricerca futura dovrebbe dare priorità alla modellazione multi-physics-coupled, alle tecniche predittive basate su AI e alla sicurezza informatica per migliorare l'affidabilità e l'intelligenza dei sistemi di batteria al fine di supportare lo sviluppo sostenibile dei sistemi non pilotati.

Questi sofisticati modelli miglioreranno le complesse interazioni tra diversi meccanismi di degradazione e condizioni operative, migliorando l'accuratezza delle predizioni in particolare per le batterie che operano vicino ai loro limiti di prestazione.

Gestione dell'energia autonoma

Un sistema di gestione dell'energia automatizzato per veicoli aerei senza equipaggio (UAV) che operano in uno spazio vicino che consente tempi di volo prolungati. I sistemi UAV futuri incorporano sempre più capacità di gestione dell'energia autonoma che ottimizzano il consumo energetico in tempo reale senza intervento umano.

La telemetria di precisione stabilita in BMS funge da base per la gestione dell'energia ottimizzata dall'AI, consentendo agli operatori di prevedere la fatica della batteria prima di innescare un abortio di missione. Questa autonomia sarà particolarmente preziosa per operazioni di oltre-visual-line-of-sight (BVLOS) e servizi di consegna autonomi dove l'uomo è sovraccaricato.

Integrazione energetica alternativa

I sistemi ibridi mescolano la batteria e l'energia solare per voli ancora più lunghi. Ciò significa che i droni possono rimanere nell'aria più a lungo senza dover ricaricare spesso. L'integrazione di fonti energetiche alternative come pannelli solari e celle a combustibile consentirà durate di missione notevolmente prolungate per alcune applicazioni.

Il sistema ha una configurazione ibrida parallela con motori multipli, generatori, batterie e motori. I motori, generatori e batterie sono integrati e condividono raffreddamento/lubrificazione. Il sistema gestisce in modo intelligente l'allocazione di potenza tra motori, batterie e motori basati sulla modalità di volo e sulla posizione dell'acceleratore. I sistemi di alimentazione ibridi che combinano più fonti di energia richiedono algoritmi di gestione dell'energia sofisticati per ottimizzare il contributo da ogni sorgente in base alle attuali condizioni operative e ai requisiti di missione.

Applicazioni e studi di casi

I modelli di previsione della durata della batteria consentono applicazioni UAV in diversi settori, ognuno con requisiti e sfide uniche.

Operazioni di ricerca e soccorso

L'evoluzione delle soluzioni di ricarica della batteria del drone è fondamentale per realizzare il pieno potenziale di UAS nelle operazioni di ricerca e salvataggio prolungate. Levando le centrali elettriche portatili, i sistemi di batteria a caldo, i caricabatterie veloci avanzati, la gestione intelligente della batteria e le soluzioni integrate nel veicolo, i team SAR possono estendere significativamente la resistenza della missione e ridurre i tempi di fermo critici.

Accurata previsione della batteria consente ai team SAR di distribuire con fiducia gli UAV per i modelli di ricerca estesi mantenendo riserve adeguate per il ritorno sicuro. La capacità di prevedere esattamente quando saranno necessari swap di batterie consente un coordinamento efficiente delle risorse di supporto del terreno.

Servizi di consegna commerciali

Il costo diretto per missione è paragonabile, ma il vincitore commerciale è determinato dalla densità di reddito.Se una consegna contratta guadagna $3.80 per sortie, la capacità di scalare da 12 missioni a 28 missioni per drone al giorno sposta fondamentalmente il periodo di rimborso.

La gestione delle batterie precisa consente agli operatori di consegna di massimizzare il numero di consegne al giorno, migliorando notevolmente il rendimento sugli investimenti e il posizionamento competitivo nel mercato di consegna dei droni in rapida crescita.

Monitoraggio dell'agricoltura

Le operazioni agricole UAV spesso comportano l'indagine su grandi aree che possono richiedere più modifiche alla batteria o più UAV che lavorano in coordinamento. I modelli di previsione della batteria consentono una pianificazione efficiente della missione che garantisce una copertura completa, riducendo al minimo il numero di swaps di batteria richiesti.

Queste batterie sono ampiamente utilizzate nelle applicazioni UAV di consegna, agricoltura e tattica in cui l'efficienza e le operazioni sostenute sono essenziali. La capacità di prevedere con precisione la durata della batteria consente agli operatori agricoli di ottimizzare i modelli di indagine e tempistiche per massimizzare la copertura dell'area per volo.

Ispezione delle infrastrutture

Le missioni di ispezione delle infrastrutture, come le indagini sulle linee elettriche o le ispezioni sui ponti, seguono spesso percorsi predefiniti che possono essere ottimizzati in base alle previsioni della batteria.

I fusti progettati per lunghi tempi di volo, come quelli utilizzati per la sorveglianza o la consegna, richiedono una gestione ottimizzata della batteria per massimizzare la loro gamma operativa. Le missioni di ispezione a lunga durata beneficiano in particolare di una gestione sofisticata della batteria, poiché spesso operano ai limiti della capacità della batteria per massimizzare l'efficienza.

Sfide e limitazioni

Nonostante i progressi significativi, la previsione della durata della batteria per gli UAV affronta ancora diverse sfide che limitano l'accuratezza e l'affidabilità in alcuni scenari.

Disponibilità e qualità dei dati

Poiché le implementazioni UAV sono relativamente nuove, non vi è una mancanza di dati statistici significativi per motivare gli approcci basati sui dati. La relativa novità delle operazioni UAV elettriche significa che i dati storici completi per la formazione dei modelli rimangono limitati, in particolare per le più recenti piattaforme di chemistries e UAV.

I problemi di qualità dei dati, tra cui il rumore dei sensori, la deriva della calibrazione e le misurazioni mancanti, possono degradare l'accuratezza delle previsioni.

Complesso di modello vs. Risorse computazionali

I modelli di previsione più accurati richiedono spesso risorse computazionali sostanziali che possono superare le capacità dei sistemi incorporati in piccoli UAV, creando un trade-off fondamentale tra precisione di previsione e prestazioni in tempo reale.

Il modello di equilibratura sofisticazione contro le risorse computazionali disponibili richiede un'attenta ingegneria e spesso comporta l'implementazione di modelli semplificati per le previsioni in tempo reale a bordo, utilizzando modelli più complessi per l'analisi e la pianificazione offline.

Quantificazione dell'incertezza

Tutte le previsioni della batteria comportano intrinsecamente l'incertezza a causa di fattori imprevedibili come le condizioni del vento futuro, le variazioni di temperatura e il comportamento della batteria casuale.

Gli approcci probabilistici di previsione che forniscono intervalli di fiducia piuttosto che le stime a singolo punto offrono informazioni più complete, ma richiedono un'interpretazione più sofisticata e possono complicare i sistemi decisionali automatizzati.

Considerazioni di regolazione e sicurezza

Mentre le operazioni UAV si espandono, i quadri normativi affrontano sempre più i requisiti di sicurezza e prestazioni della batteria, influenzando la progettazione e l'implementazione del sistema di previsione.

Requisiti di certificazione

L'International Civil Aviation Organization (ICAO) prevede un aumento di 10 volte del numero di UAV civili globali entro il 2030, con i droni multirotori elettrici che dominano il mercato. Questa crescita esplosiva sta guidando lo sviluppo di standard di certificazione per i sistemi di batterie UAV, compresi i requisiti per l'accuratezza di previsione e i margini di sicurezza.

Gli operatori commerciali UAV possono avere bisogno di dimostrare che i loro sistemi di gestione della batteria soddisfano standard specifici di prestazioni, tra cui la precisione minima di previsione e metriche di affidabilità.

Margine di sicurezza e gestione dei rischi

I quadri normativi richiedono agli operatori UAV di mantenere margini di sicurezza specifici per la capacità della batteria, assicurando che la durata prevista della batteria include riserve adeguate per condizioni inaspettate, che devono essere incorporate nei modelli di previsione e nei sistemi di pianificazione della missione.

I framework di gestione del rischio aiutano gli operatori a bilanciare i requisiti di sicurezza contro l'efficienza operativa, utilizzando le previsioni della batteria per quantificare e gestire i rischi associati a diversi profili di missione e condizioni operative.

Conclusioni

I modelli di previsione della durata della batteria sono diventati strumenti indispensabili per missioni UAV estese, consentendo operazioni sicure, efficienti ed economicamente sostenibili in diverse applicazioni. L'evoluzione da semplici indicatori basati sulla tensione a sofisticati modelli di apprendimento automatico che incorporano molteplici fenomeni fisici rappresenta un notevole progresso nella tecnologia UAV.

Mentre le chemistrie della batteria migliorano, gli algoritmi di previsione diventano più sofisticati e le risorse computazionali si espandono, l'accuratezza e l'affidabilità delle previsioni sulla durata della batteria continueranno ad aumentare. L'integrazione dell'intelligenza artificiale, dell'apprendimento della flotta su cloud e della modellazione multi-fisica promette di fornire sistemi di previsione che possono adattarsi a qualsiasi condizione operativa pur mantenendo l'accuratezza necessaria per applicazioni mission-critical.

Per gli operatori UAV, investire in sistemi avanzati di predizione e gestione della batteria offre vantaggi tangibili in termini di tassi di successo della missione, efficienza operativa e sicurezza. Poiché la tecnologia matura e diventa più accessibile, anche gli operatori di piccola scala saranno in grado di sfruttare sofisticate capacità di previsione che una volta erano disponibili solo a programmi di ricerca ben finanziati.

Il futuro delle operazioni UAV dipende fondamentalmente dalla gestione energetica affidabile e i modelli di previsione della durata della batteria si trovano al centro di questa capacità critica. Continuando a perfezionare questi modelli e integrarli più profondamente nei sistemi UAV, l'industria può sbloccare nuove applicazioni e paradigmi operativi che erano precedentemente impossibili a causa delle limitazioni della batteria.

Per coloro che sono interessati ad esplorare ulteriormente i sistemi di gestione delle batterie, risorse come la MDPI rivista sull'affidabilità della batteria UAV[ e ScienceDirect ricerca sulla gestione della batteria basata sull'apprendimento automatico[[]]] fornire preziose informazioni tecniche. Inoltre, organizzazioni industriali come ]

La tecnologia UAV continua la sua rapida evoluzione, la previsione della durata della batteria rimarrà un fattore critico per le operazioni sicure, efficienti ed economicamente sostenibili. La ricerca e lo sviluppo in corso in questo campo promette di fornire sistemi sempre più capaci che spingono i confini di ciò che gli UAV possono realizzare, aprendo nuove possibilità per applicazioni che beneficiano della società in innumerevoli domini.