Table of Contents

Veículos aéreos não tripulados (UAVs) tornaram-se ferramentas indispensáveis em inúmeras indústrias, desde inspeção de agricultura e infraestrutura até operações de busca e resgate e aplicações militares. Como essas plataformas são implantadas para missões cada vez mais complexas e estendidas, a capacidade de prever com precisão a vida da bateria surgiu como um fator crítico para garantir o sucesso da missão, segurança operacional e custo-efetividade.UAVs elétricos movidos a baterias enfrentam desafios únicos, uma vez que diferentes regimes de voo, como decolagem/descolagem e cruzeiro, têm diferentes requisitos de energia e uma condição de pau morto (bateria fechada em voo) pode ter consequências catastróficas.Este guia abrangente explora os sofisticados modelos de previsão de vida útil da bateria que permitem que os operadores de UAV maximizem a duração do voo, otimizem o planejamento da missão e mantenham operações seguras em diversos ambientes.

Compreender a importância da previsão de vida da bateria para operações UAV

A confiabilidade dos sistemas de bateria de armazenamento de energia de veículos aéreos não tripulados (UAV) é fundamental para garantir sua operação segura e execução eficiente da missão, e tem o potencial de avançar significativamente aplicações em logística, monitoramento e resposta de emergência. A demanda por previsão precisa da vida útil da bateria se intensificou à medida que os VANTs passam de voos de curta duração para aplicações profissionais que exigem períodos operacionais prolongados.

Devido à sua capacidade limitada de bateria, um sistema de gestão de bateria adequado (BMS) é necessário para evitar atrasos de voo e quedas, que podem ser altamente caros em termos de custo e tempo. Além das preocupações de segurança imediata, previsões de bateria imprecisas podem levar a missões incompletas, recursos desperdiçados e danos potenciais para equipamentos caros. Para os operadores comerciais, essas falhas se traduzem diretamente em receita perdida e diminuição da confiança do cliente.

Os sistemas BHM são essenciais para garantir que o objetivo da missão possa ser alcançado e para ajudar em atividades de tomada de decisão online, como a redução de falhas e replanejamento de missões. Os modernos sistemas de gestão de saúde de bateria fornecem aos operadores a inteligência necessária para tomar decisões informadas durante as operações de voo, permitindo ajustes dinâmicos de missão com base em dados de desempenho em tempo real de bateria.

Tipos de modelos de previsão de vida da bateria

A previsão da vida útil das baterias para VANTs depende de várias abordagens de modelagem distintas, cada uma com pontos fortes e aplicações únicas. Compreender essas diferentes metodologias é essencial para selecionar a estratégia de previsão adequada para requisitos operacionais específicos.

Modelos empíricos

Os modelos empíricos representam a abordagem mais direta da predição da vida útil da bateria, dependendo de dados históricos e padrões de desempenho observados. Estes modelos usam relações estatísticas derivadas de testes extensivos em várias condições operacionais. Embora os modelos empíricos possam não ter a profundidade teórica das abordagens baseadas em física, eles oferecem vantagens práticas em termos de eficiência computacional e facilidade de implementação.

A força primária dos modelos empíricos reside na sua capacidade de capturar o comportamento da bateria do mundo real sem exigir conhecimento detalhado dos processos eletroquímicos internos. Ao analisar padrões de milhares de ciclos de descarga de carga em diferentes perfis de voo, estes modelos podem gerar previsões razoavelmente precisas para condições operacionais semelhantes. No entanto, sua precisão diminui ao encontrar cenários significativamente diferentes dos dados de treinamento.

Modelos baseados em física

A técnica aqui apresentada codifica os processos eletroquímicos básicos de uma bateria de polímero de lítio em um quadro de inferência bayesiana avançado para acompanhar simultaneamente o estado de carga da bateria, bem como ajustar o modelo de bateria para fazer previsões precisas de vida útil remanescente. Modelos baseados em física fornecem uma compreensão mais fundamental do comportamento da bateria, incorporando os princípios eletroquímicos subjacentes que regem a operação da bateria.

Estes modelos são responsáveis por fatores como taxas de difusão de íons, cinética de eletrodos e mudanças de resistência interna que ocorrem durante a descarga. Ao simular os processos físicos e químicos dentro das pilhas de bateria, modelos baseados em física podem prever desempenho em uma gama mais ampla de condições do que abordagens puramente empíricas.

Modelos híbridos

Os métodos de modelagem para confiabilidade incluem modelos matemáticos, baseados em dados e híbridos, que são avaliados para precisão e eficiência em condições dinâmicas. Modelos híbridos combinam as forças de abordagens empíricas e baseadas em física, oferecendo uma solução equilibrada que captura o comportamento fundamental da bateria, mantendo-se computacionalmente tratável para aplicações em tempo real.

As baterias são modeladas em três níveis diferentes de granularidade com distribuições de incerteza associadas, codificando os processos eletroquímicos básicos de uma bateria de polímero de lítio. Esta abordagem multi-nível permite que modelos híbridos se adaptem a diferentes requisitos operacionais, usando representações simplificadas quando os recursos computacionais são limitados, mantendo a capacidade de invocar cálculos mais detalhados baseados em física quando a precisão é primordial.

Aprendizagem de máquina e modelos de dados

Redes Neural Profundas (DNN) e Memória de Longo Prazo (LSTM) são utilizadas para a predição de SoC como um problema de regressão, e Floresta Aleatória (RF) foi utilizada para estimar SoH através de um problema de classificação com quatro classes. As abordagens de aprendizagem de máquina revolucionaram a predição de vida da bateria, alavancando grandes quantidades de dados operacionais para identificar padrões complexos que os modelos tradicionais podem perder.

A estimativa do SoC utilizando o modelo DNN apresentou um baixo erro médio ao quadrado de 7,6E−4 e um alto escore de variância explicado de 0,98. Além disso, a predição do SoC utilizando o modelo LSTM teve um baixo erro médio ao quadrado de 0,023 e um alto escore de variância explicado de 0,97. Essas impressionantes métricas de precisão demonstram o potencial das técnicas de aprendizado de máquina para fornecer previsões altamente confiáveis para aplicações críticas à missão.

As redes de memória de curto prazo são particularmente adequadas para a previsão de baterias, pois podem capturar dependências temporais no comportamento da bateria, reconhecendo como os padrões de uso passado influenciam o desempenho atual e futuro. Essa consciência temporal é crucial para aplicações de VANT, onde o histórico de voo impacta significativamente a capacidade da bateria remanescente.

Métricas-chave na Previsão da Vida da Bateria

A previsão eficaz da vida útil da bateria requer monitoramento e estimativa de vários parâmetros críticos que descrevem coletivamente a saúde da bateria e a capacidade remanescente.

Estado da carga (SoC)

Como resultado, para garantir o funcionamento coerente dos VANT, o BMS deve permitir o monitoramento das baterias fornecendo informações precisas sobre o estado de carga (SoC) e o estado de saúde (SoH). O estado de carga representa o nível de energia atual da bateria em porcentagem de sua capacidade total, análoga a um medidor de combustível em veículos convencionais.

Estimativa precisa de SoC é fundamental para o planejamento da missão e tomada de decisão em voo. Ao contrário de indicadores simples baseados em tensão, algoritmos sofisticados de estimação de SoC são responsáveis por fatores como taxa de descarga, temperatura e idade da bateria para fornecer estimativas confiáveis de capacidade, mesmo em condições operacionais dinâmicas.

Estado de Saúde (SoH)

Avanços recentes na inteligência artificial têm impulsionado o desenvolvimento de métricas preditivas, como estado de saúde (SOH) e vida útil remanescente (RUL), com algoritmos avançados reduzindo erros de estimativa para dentro de 3% e permitindo uma mudança de manutenção reativa para proativa. Estado de Saúde quantifica a condição global de uma bateria em relação às suas especificações originais, tipicamente expressa como uma porcentagem de capacidade original.

Além disso, o modelo RF obteve uma alta precisão de 0,92 na classificação do SoH. Esse nível de precisão permite que os operadores tomem decisões informadas sobre aposentadoria e substituição de baterias, evitando falhas inesperadas durante missões críticas.

Vida Útil Resto (RUL)

Consequentemente, desenvolvemos um modelo detalhado de descarga para as baterias utilizadas e as usamos em uma técnica de filtragem baseada em inferência Bayesiana (Pécula Filtragem) para gerar distribuições de vida útil remanescente (RUL) A previsão de vida útil remanescente vai além da simples estimativa de capacidade para prever quanto tempo uma bateria pode continuar operando antes de atingir o fim de descarga ou de necessitar de substituição.

Estimar a Vida Útil Restante (RUL) e prever a capacidade das baterias de Li-ion utilizadas no VANT é essencial para evitar vários problemas, como perda de autonomia, que podem levar a acidentes ou a falhas. As previsões RUL permitem agendamento de manutenção proativo e ajudam os operadores a planejar a aquisição de baterias para evitar interrupções operacionais.

Previsão do fim da descarga (DEO)

O objetivo é ser capaz de prever o evento de fim de descarga (EOD) que indica que a bateria ficou sem carga para qualquer voo de uma plataforma elétrica de VANT. A previsão de DHE é particularmente crítica para operações de VANT, pois determina se uma missão pode ser concluída com segurança com a capacidade de bateria disponível.

Estimar com precisão o tempo de bateria Fim da descarga (EOD) em veículos aéreos elétricos não tripulados (UAVs) garante que uma determinada missão pode ser concluída antes que a energia armazenada na bateria se esgote, e ajuda a processos de tomada de decisão, como o replanejamento da missão para mitigar as deficiências associadas à energia disponível. A precisão do tempo previsto da bateria EOD está fortemente correlacionada com a precisão do consumo de energia esperado durante a missão.

Fatores que afetam o desempenho da bateria em aplicações UAV

A quantidade de carga utilizável de uma bateria para um determinado perfil de descarga não depende apenas do estado de carga inicial (SOC), mas também de outros fatores como a saúde da bateria e o perfil de descarga ou carga imposto. Compreender a infinidade de variáveis que influenciam o desempenho da bateria é essencial para o desenvolvimento de modelos de previsão precisos.

Condições de carga e regime de voo

O consumo de energia em VANTs varia drasticamente em diferentes fases de voo. As operações de descolagem e aterragem normalmente exigem o maior poder de atração, pois os motores devem gerar impulso máximo para superar a gravidade e alcançar o elevador vertical. O voo do cruzeiro geralmente requer menos energia, embora isso varie significativamente com base nas condições de velocidade, altitude e vento.

Dentro dos VANTs, a corrente de descarga das baterias é modificada pela velocidade de viagem. Assim, a corrente de descarga varia de um voo para outro, dependendo da carga transportada, das condições atmosféricas e da velocidade de movimento. Essa variabilidade torna desafiadora a previsão precisa, pois os modelos devem ser responsáveis pelo perfil específico da missão, em vez de assumir taxas de descarga constantes.

O peso da carga útil impacta significativamente os requisitos de energia, com cargas mais pesadas exigindo mais energia para manter o voo. Os planejadores da missão devem equilibrar cuidadosamente a capacidade da carga útil com os requisitos de duração do voo, usando modelos de previsão de bateria para otimizar esse trade-off para objetivos operacionais específicos.

Efeitos da temperatura

A temperatura representa um dos fatores ambientais mais significativos que afetam o desempenho da bateria. Temperaturas extremas podem reduzir drasticamente a eficiência da bateria e a capacidade disponível, com condições frias geralmente tendo impactos mais graves do que o calor.

O modelo considera os fatores mais influenciadores na precisão de estimativa, como temperatura, envelhecimento e auto-alta. Em baixas temperaturas, as reações químicas dentro das pilhas de bateria desaceleram, aumentando a resistência interna e reduzindo a tensão e corrente que podem ser fornecidas. Este efeito pode reduzir a capacidade utilizável em 15-35% em climas frios, exigindo que os operadores respondam por desatualizações relacionadas à temperatura no planejamento da missão.

Um BMS monitora continuamente as temperaturas das células e pode tomar medidas para evitar o superaquecimento ou o subesfriamento. Ao garantir que a bateria opera dentro de sua faixa de temperatura ideal, o BMS ajuda a manter sua eficiência, potência e longevidade. Sistemas avançados de gerenciamento de bateria incorporam recursos de gerenciamento térmico para manter as baterias dentro de faixas de temperatura ideais, embora esta regulação térmica em si consuma energia que deve ser fatorada em previsões.

Idade da bateria e degradação

A degradação das baterias de Li-ion é um processo não linear que é influenciado pela química da bateria e condições de operação. Durante a operação, uma bateria passa por vários ciclos de carga, descarga completa ou incompleta com diferentes correntes de descarga, bem como outros estados que diminuem a capacidade. O envelhecimento da bateria é um processo inevitável que reduz progressivamente a capacidade e aumenta a resistência interna ao longo do tempo.

O armazenamento, o tempo de ociosidade e a temperatura também contribuem para a diminuição da potência das baterias de Li-ion. Todos esses fatores levam ao envelhecimento não linear ao longo da vida. Este padrão de degradação não linear torna a previsão de longo prazo desafiador, uma vez que as baterias não perdem simplesmente a capacidade a uma taxa constante, mas experimentam uma degradação acelerada sob certas condições.

No entanto, com o tempo, as baterias em UAVs degradam-se. Isso pode levar a muitos problemas, incluindo atrasos de voo, quebras forçadas e perdas de conexão. Assim, a operação confiável de UAVs pode ser prejudicada devido a falhas na bateria ou esgotamento da bateria. Compreender e prever esta degradação é essencial para manter a confiabilidade operacional e evitar falhas inesperadas.

Ciclos de carregamento e padrões de uso

O número e a profundidade dos ciclos de descarga impactam significativamente a longevidade das baterias. As descargas profundas, onde as baterias são drenadas para níveis muito baixos, geralmente causam mais estresse e degradação do que ciclos rasos. No entanto, a relação entre a profundidade do ciclo e a degradação é complexa e varia com a química das baterias.

Os principais fatores que contribuem para o dano da bateria são uma elevada porcentagem de carga aproximando-se de 100% e temperatura. Manter as baterias a plena carga por períodos prolongados também pode acelerar a degradação, particularmente em temperaturas elevadas. Estratégias de gerenciamento de baterias ótimas muitas vezes envolvem armazenar baterias em níveis de carga parcial quando não está em uso.

A tecnologia de bateria UAV pode suportar ciclos de carregamento. O processo de descarga total e recarga após a degradação da capacidade deve ser devidamente monitorado para manter a segurança do drone. Os operadores também podem prever quando uma bateria irá se degradar planejando ciclos de carregamento corretamente. O histórico de ciclo de carga de rastreamento permite previsões de degradação mais precisas e ajuda os operadores a programar substituições de bateria antes que ocorram falhas.

Condições ambientais

Além da temperatura, vários fatores ambientais influenciam o desempenho da bateria e devem ser incorporados em modelos de previsão. As condições de vento afetam significativamente o consumo de energia, com ventos de cabeça exigindo substancialmente mais energia para manter o progresso em frente. Altitude afeta a densidade do ar, que por sua vez afeta a eficiência da hélice e os requisitos de energia do motor.

No entanto, a maioria das métricas são derivadas de condições laboratoriais controladas, o que resulta em pesquisadores lutando para abordar cenários complexos do mundo real que envolvem altas temperaturas, altas altitudes e forte interferência eletromagnética.Esta lacuna entre testes laboratoriais e condições de campo representa um desafio significativo para modelos de predição de baterias, exigindo validação extensiva do mundo real para garantir precisão.

A umidade, precipitação e pressão atmosférica também podem influenciar o desempenho da bateria, embora tipicamente em menor grau do que a temperatura e o vento. Modelos abrangentes de previsão devem ser responsáveis por essas variáveis ambientais para fornecer estimativas confiáveis em diversas condições operacionais.

Química da Bateria e Considerações Tecnológicas

Os VANTs dependem principalmente de baterias baseadas em lítio para sua operação devido à baixa taxa de auto-desempenho e alta densidade de energia. A química específica da bateria empregada em um VANT influencia significativamente tanto as características de desempenho quanto a metodologia de previsão adequada.

Baterias de polímero de lítio (LiPo)

Os drones usam principalmente baterias de polímero de lítio (LiPo). Estas baterias são leves e embalam muita energia. Eles precisam de cuidado para funcionar bem por um longo tempo. As baterias de LiPo tornaram-se a escolha dominante para aplicações de VANT devido à sua excelente relação potência-peso e capacidade de fornecer correntes de descarga elevadas.

No entanto, as baterias LiPo requerem uma gestão cuidadosa para evitar danos e riscos de segurança. São sensíveis a sobrecarga, descarga excessiva e danos físicos, tornando essenciais sistemas sofisticados de gestão de baterias. Modelos de previsão para baterias LiPo devem ser responsáveis por suas características específicas de descarga e curvas de tensão.

Baterias de lítio-Ião

Devido às suas vantagens, alta densidade de energia, um elevado número de ciclos de carga-descarga, baixa taxa de auto-descarga, ampla faixa de temperatura operacional, etc., baterias de iões de lítio são usadas em várias aplicações. Baterias de iões de lítio oferecem vantagens em termos de vida útil e segurança em relação às baterias de LiPo, embora normalmente tenham densidade de energia ligeiramente menor.

As baterias de lítio geralmente exibem padrões de degradação mais previsíveis do que as baterias de LiPo, o que pode simplificar a previsão de capacidade a longo prazo. Sua construção mais robusta também as torna menos suscetíveis a danos causados por pequenos impactos físicos ou um leve excesso de carga.

Tecnologias emergentes de baterias

A demanda por baterias de longa duração, de carregamento rápido e mais seguras está impulsionando a inovação em sistemas inteligentes, células a combustível de hidrogênio, iões de lítio de filme fino e soluções híbridas, permitindo maior eficiência e operações estendidas. A indústria de VANT continua a explorar tecnologias alternativas de baterias que poderiam superar as limitações dos atuais sistemas baseados em lítio.

As células de combustível de hidrogênio oferecem o potencial para tempos de voo drasticamente prolongados, embora introduzam complexidade adicional em termos de armazenamento de combustível e integração do sistema. Sistemas híbridos que combinam baterias com células de combustível ou pequenos motores de combustão podem fornecer o melhor dos dois mundos, usando baterias para manobras de alta potência e fontes de energia alternativas para vôo de cruzeiro sustentado.

Implementando modelos de previsão de vida da bateria

A tradução de modelos teóricos de predição em sistemas operacionais práticos requer cuidadosa consideração de detalhes de implementação, recursos computacionais e integração com sistemas UAV existentes.

Coleta de dados e integração do sensor

O monitoramento contínuo da tensão, temperatura e fluxo de corrente dentro de cada célula permite que o BMS detecte quaisquer problemas potenciais precocemente. O monitoramento em tempo real de bateria de drones é fundamental para gerenciar o consumo de energia de forma eficiente e garantir a segurança do drone durante o voo. Modelos de previsão eficazes requerem dados de alta qualidade em tempo real de vários sensores monitorando parâmetros da bateria.

Os modernos sistemas de gerenciamento de bateria incorporam sensores para tensão, corrente, temperatura e, às vezes, até impedância celular individual. A taxa de amostragem e precisão desses sensores impactam diretamente a qualidade da previsão, com medições de alta frequência permitindo atualizações mais responsivas do modelo.

Um BMS inteligente comunica dados como ciclos de tensão, corrente, temperatura e carga ao drone ou controle de solo, permitindo uma melhor tomada de decisão.Este dados de telemetria permite tanto a bordo tomada de decisão autônoma e monitoramento remoto pelos operadores, proporcionando várias camadas de segurança e consciência operacional.

Execução do Algoritmo em Tempo Real

Algoritmos de predição de bateria devem ser executados em tempo real em sistemas incorporados restritos a recursos dentro do UAV. Essa limitação computacional muitas vezes requer modelos simplificados ou implementações eficientes de algoritmos mais complexos.

Quanto à implementação prática, o sistema foi implantado através da utilização de um drone, microcontroladores ESP32, um gateway Raspberry Pi e um servidor de nuvem, que pr Implementações modernas frequentemente distribuem tarefas computacionais entre microcontroladores a bordo para previsões críticas do tempo e sistemas de solo mais poderosos ou de nuvem para análise detalhada e treinamento de modelos.

As abordagens de computação de bordas permitem previsões sofisticadas sem exigir conectividade constante, essencial para UAVs operando em áreas remotas ou sob restrições de comunicação. No entanto, conectividade periódica permite atualizações de modelo e incorporação de aprendizado em toda a frota.

Filtragem de inferências e partículas Bayesianas

Este artigo apresenta uma estrutura BHM baseada em Filtro de Partículas (PF) com módulos plug-and-play para modelos de bateria e gerenciamento de incertezas. A filtragem de partículas representa uma poderosa técnica para estimativa de estado de bateria que pode lidar com a natureza não linear e incerta do comportamento da bateria.

Isto é um primeiro passo na formalização de técnicas de programação estocásticas computacionalmente tratáveis para gerar planos de voo de forma otimizada em resposta às previsões de vida da bateria. Esta abordagem aproveita a estrutura PF para gerar simultaneamente o plano de voo ideal/subótimo simultaneamente com a previsão do RUL. A capacidade de prever simultaneamente a vida útil da bateria e otimizar os planos de voo representa um avanço significativo, permitindo uma adaptação dinâmica da missão com base no estado atual da bateria.

Calibração e adaptação do modelo

Os modelos de predição de baterias requerem calibração periódica para manter a precisão conforme a idade das baterias e as condições de operação mudam. Este processo de calibração envolve comparar o desempenho previsto com o comportamento observado e ajustar os parâmetros do modelo de acordo.

A parametrização do modelo definiu a dependência de parâmetros sensíveis na estimativa do estado. Identificar quais parâmetros mais significativamente impactam a precisão da predição permite esforços de calibração focados que maximizam a melhoria com o mínimo de sobrecarga computacional.

Algoritmos adaptativos podem ajustar automaticamente parâmetros de modelo com base em dados de desempenho contínuos, reduzindo a necessidade de intervenção manual. No entanto, algum nível de supervisão humana permanece valioso para detectar anomalias e validar o comportamento do modelo.

Sistemas avançados de gerenciamento de baterias para VANTs

Um Sistema de Gestão de Baterias (BMS) é um componente crucial nas baterias de drones modernos, garantindo segurança, eficiência e longevidade. Ele atua como o "cérebro" por trás da bateria, gerenciando e monitorando cada célula dentro da bateria. Sistemas modernos de gerenciamento de baterias vão muito além do monitoramento de tensão simples para fornecer gerenciamento abrangente de saúde de bateria.

Equilíbrio de Células

O equilíbrio das células dentro de uma bateria de polímero de lítio (LiPo) impede que as células mais fracas se deteriorem mais rapidamente do que outras. Esta função ajuda a manter a saúde global da bateria do drone, aumentando a duração da bateria e garantindo um desempenho consistente. O equilíbrio celular garante que todas as células dentro de uma carga de bateria e descarga uniformemente, impedindo que as células individuais sejam estressadas.

Passivo: Queima o excesso de energia das células de alta tensão através de resistores. Activo: Transfere energia entre as células usando condensadores ou indutores. Sistemas de equilíbrio ativo são mais eficientes do que abordagens passivas, embora eles adicionam complexidade e custo ao sistema de gerenciamento de baterias.

Funções de Proteção

Um BMS melhora a duração da bateria, evitando sobrecarga, sobrecarga e superaquecimento. Ele também garante tensões celulares equilibradas, que maximiza a capacidade útil da bateria e prolonga a sua duração. Circuitos de proteção dentro do BMS evitam condições operacionais perigosas que podem danificar a bateria ou criar riscos de segurança.

Essas funções de proteção incluem detecção de sobrecorrente, proteção de curto-circuito e desligamento térmico. Ao evitar essas condições de falha, o BMS não só protege a bateria, mas também melhora a segurança geral do VANT.

Capacidades de Manutenção Preditiva

SISTEMAS DE GESTÃO DE BATERIAS SMART AI-ENABLED · 5.17.2 · MANUTENÇÃO PREDITIVA E OPTIMIZAÇÃO DE CÍCULO DE BATERIA As implementações modernas do BMS incorporam cada vez mais características de manutenção preditivas que prevêem quando as baterias requerem serviço ou substituição.

O método pode ser implementado dentro dos sistemas de Manutenção Preditiva (PdM) dos VANTs. A integração com sistemas de manutenção preditiva permite o gerenciamento de baterias proativas, reduzindo falhas inesperadas e otimizando os horários de substituição de baterias para minimizar custos operacionais.

Isso pode permitir a previsão de possíveis problemas com a bateria para mitigar tais problemas e aumentar a confiabilidade do sistema. Portanto, a vida útil da bateria é estendida, e as consequências indesejáveis resultantes da operação não monitorada de VANTs são evitadas.

Integração de IA e aprendizagem de máquina

Com o aumento da inteligência artificial e aprendizado de máquina, sistemas de gerenciamento de bateria de próxima geração provavelmente incorporarão análises preditivas, permitindo que drones gerenciem energia de forma mais inteligente com base no voo ou tarefa específica. Inteligência artificial está transformando o gerenciamento de bateria de monitoramento reativo para otimização proativa.

A telemetria de precisão estabelecida no BMS funciona como a base para o gerenciamento de energia otimizado por IA, permitindo que os operadores prevejam a fadiga da bateria antes de desencadear um abortamento de missão. Os sistemas orientados por IA podem aprender com dados operacionais de toda a frota para melhorar continuamente a precisão de previsão e identificar padrões sutis que indicam problemas em desenvolvimento.

Planejamento e otimização de missões

Previsão precisa da vida útil da bateria permite planejamento de missão sofisticado que maximiza a eficiência operacional, mantendo margens de segurança.

Análise de Missão Pré-Voo

Antes de lançar uma missão UAV, os operadores podem usar modelos de previsão de bateria para estimar se o perfil de voo planejado é realizável com a capacidade disponível de bateria. Esta análise considera a rota específica, as condições de vento esperadas, o peso da carga útil e a saúde atual da bateria.

A melhor parte do Map Pilot é sua capacidade de ajudar mappers a estimar e otimizar o trajeto de voo necessário para mapear uma determinada área. O software de planejamento de missões pode otimizar automaticamente os caminhos de voo para minimizar o consumo de energia, ajustar a altitude, velocidade e rota para maximizar a cobertura dentro das restrições de bateria.

Estratégias de Missão de Multi-Bateria

As baterias inteligentes no Phantom 3 e Inspire 1 drones sabem quanta energia eles vão levar para chegar em casa. Quando o avião perceber que está mais longe do que tem energia para chegar em casa, ele irá imediatamente para casa e desenhar um Ponto de Abandono no mapa do Piloto do Mapa. Para missões que exigem mais resistência do que uma única bateria pode fornecer, estratégias de multi-bateria permitem operações estendidas através de troca de bateria planejada.

Alguns sistemas até mesmo empregam "troca quente" onde uma fonte de energia externa mantém a eletrônica de bordo ativa durante a mudança de bateria, evitando qualquer perda de dados. Esta capacidade é revolucionária para missões de longa duração, permitindo que os drones operem por horas em vez de minutos. A tecnologia de troca de calor elimina a necessidade de reiniciar os sistemas entre as mudanças de bateria, reduzindo drasticamente o tempo de parada e permitindo operações quase contínuas.

Replanejamento dinâmico da missão

As previsões de bateria em tempo real permitem ajustes dinâmicos da missão quando o desempenho real se desvia das estimativas pré-voo. Se o consumo de bateria exceder as previsões devido a ventos dianteiros inesperados ou outros fatores, o UAV pode modificar automaticamente sua missão para garantir um retorno seguro.

Estas opções terão de ser validadas através de testes de voo, onde se pode avaliar a robustez às condições ambientais, como a temperatura e densidade do ar e a velocidade do vento. A noção de tolerância ao risco pode ser introduzida através de funções objectivas apropriadas, permitindo assim um risco não-zero da condição de palitos mortos, a fim de utilizar mais energia da bateria. Os sistemas avançados podem até incorporar parâmetros de tolerância ao risco, permitindo aos operadores especificar quanta margem de segurança necessitam para diferentes tipos de missão.

Métricas de Confiabilidade e Padrões de Desempenho

Com base em padrões internacionais, a confiabilidade engloba estabilidade de desempenho, adaptabilidade ambiental e redundância de segurança, englobando métricas como a taxa de retenção de capacidade, tempo médio entre falhas (MTBF) e tempo de alerta térmico. Estabelecer métricas padronizadas para precisão e confiabilidade de predição de bateria permite comparações significativas entre diferentes sistemas e abordagens.

Métricas de Previsão

A precisão das previsões de vida útil da bateria pode ser quantificada usando várias métricas estatísticas. Erro absoluto médio (MAE) e erro quadrado médio (RMSE) medem o desvio médio entre o desempenho da bateria previsto e o desempenho real. Essas métricas fornecem avaliações objetivas da qualidade do modelo.

No nível do sistema, a disponibilidade (tempo médio entre falhas, MTBF) e taxa de conclusão da missão são mais práticas, com VANTs comerciais exigindo frequentemente uma disponibilidade do sistema de bateria que excede 98% anualmente. Para operações comerciais, a taxa de conclusão da missão representa uma métrica crítica que impacta diretamente a viabilidade operacional e a satisfação do cliente.

Capacidade de Retenção e Vida em Ciclo

No nível celular, a vida útil do ciclo e a taxa de retenção de capacidade são indicadores fundamentais. A taxa de retenção de capacidade mede quanto da capacidade da bateria original permanece após um número específico de ciclos ou período de uso. Esta métrica ajuda os operadores a planejarem horários de substituição de bateria e orçamento para os custos contínuos da bateria.

Melhorias contínuas na química e arquitetura de células estão permitindo durações de voo prolongadas, gerenciamento térmico aprimorado e escalabilidade em diversas plataformas de drones. Avanços na tecnologia de bateria continuam a melhorar tanto a capacidade inicial quanto a retenção de longo prazo, prolongando a vida útil dos sistemas de bateria UAV.

Considerações Práticas para as Missões de VANT Extensíveis

O envio de VANTs para missões estendidas introduz desafios únicos que exigem estratégias especializadas de gerenciamento de baterias e abordagens de previsão.

Soluções de carregamento de campo

Carregadores rápidos especializados são projetados para reduzir significativamente os tempos de carregamento. Muitos carregadores oferecem recursos multi-portas, permitindo carregamento simultâneo de várias baterias e acessórios. Exemplos incluem o carregador de bateria 5-em-1 DJI Mavic 3 e o carregador de bateria EV-Peak UD2, que pode carregar totalmente várias baterias em apenas 15-90 minutos, dependendo do modelo. Tecnologia de carregamento rápido permite tempos de giro mais rápidos da missão, embora os operadores devem equilibrar a velocidade de carregamento contra a longevidade da bateria.

Ao selecionar e implementar soluções de carregamento de bateria de drones para operações de SAR estendidas, vários aspectos práticos devem ser considerados: Portabilidade e Peso: O equipamento deve ser facilmente transportável, especialmente em terreno robusto ou remoto. Baterias mais leves e sistemas de carregamento são sempre preferidos, permitindo que drones carreguem mais carga ou voem mais tempo. Para operações de campo, a portabilidade e robustez do equipamento de carregamento pode ser tão importante quanto a velocidade de carregamento.

Adaptação Ambiental

Resistência à Rugidez e ao Tempo: Os equipamentos de campo devem suportar condições ambientais severas, incluindo temperaturas extremas (por exemplo, -20°C a 45°C), chuva e poeira. Casos de proteção duros com resistência ao impacto, vedações estanques e à prova de poeira são essenciais. Missões estendidas ocorrem frequentemente em ambientes desafiadores que exigem sistemas robustos de bateria capazes de operação confiável em amplas faixas de temperatura.

Sistemas personalizados de bateria para UAVs também podem ser otimizados para ambientes exclusivos, como condições de alta altitude ou drones subaquáticos, onde a manutenção da integridade da bateria é fundamental. Aplicações especializadas podem exigir soluções personalizadas de bateria projetadas especificamente para as demandas únicas de ambientes operacionais particulares.

Gestão da Frota de Baterias

As organizações que operam vários VANTs devem gerenciar as frotas de baterias de forma eficiente para garantir capacidade adequada para missões planejadas, minimizando os custos do inventário.Isso requer rastrear a saúde individual das baterias, as contagens de ciclos e o histórico de desempenho.

Para manter os Acordos de Nível de Serviço (SLAs), implementamos uma política de gerenciamento de bateria de três níveis suportada pela rede de nuvem BMS da Herewin: Triagem DCIR preditiva: Nosso sistema sinaliza qualquer pacote que apresente um aumento de +25% no DCIR (Resistência Interna de Corrente Direta) em relação à mediana da frota. Esses pacotes são automaticamente religados para missões de utilidade de menor tensão. Sistemas inteligentes de gerenciamento de frota podem automaticamente atribuir baterias a missões com base em seu estado de saúde atual, usando baterias degradadas para aplicações menos exigentes, enquanto reservam as melhores baterias para missões críticas.

Otimizando a vida e o desempenho da bateria

Além da previsão precisa, os operadores podem tomar medidas proativas para maximizar a duração e o desempenho da bateria, estendendo tanto a duração individual do voo quanto a duração total da bateria.

Melhores práticas operacionais

Para prolongar a duração da bateria do drone, evite a descarga profunda ao pousar o drone com 20%-30% de sobra em vez de voar até que a bateria esteja completamente vazia. Tendo este limite pode proteger a saúde química da bateria e ajudá-lo a ser recarregado de forma confiável até a próxima operação de voo. Evitar descargas profundas representa uma das estratégias mais eficazes para prolongar a duração da bateria, embora exija planejamento cuidadoso da missão para garantir reservas adequadas.

Os operadores podem melhorar o tempo de voo do drone voando em condições ideais. Isto envolve a condução de missões de voo em temperaturas moderadas e ventos calmos para minimizar os esforços exigidos pelos motores. As condições ambientais são realmente imprevisíveis, mas ainda é altamente sugerido voar em clima calmo e ambiente, a fim de reduzir a carga de trabalho dos controladores de voo. Quando o tempo de missão permite flexibilidade, o agendamento de voos durante condições climáticas favoráveis pode prolongar significativamente a vida útil da bateria e melhorar a precisão de previsão.

Otimização do Peso

Remover quaisquer acessórios não essenciais é uma das notáveis dicas de economia de bateria de drone.Prop guards, trem de pouso extra e filtros de lentes pesadas podem ser desnecessários para certos casos, e reduzir o peso da carga útil pode melhorar muito a relação potência-peso. Cada grama de peso desnecessário reduz o tempo de voo e eficiência, tornando a otimização de peso uma consideração crítica para missões estendidas.

Fontes comuns de resíduos, como hélices ineficientes e peso desnecessário, podem ser gerenciadas selecionando componentes leves e de alta qualidade. A seleção de componentes impacta significativamente a eficiência geral do sistema, com motores de alta qualidade, hélices e controladores eletrônicos de velocidade proporcionando melhor desempenho por watt consumido.

Melhorias Aerodinâmicas

Além disso, melhorias aerodinâmicas – como o design de corpo simplificado e ajustes de hélices – podem reduzir significativamente o arrasto, reduzindo a energia necessária para manter o voo. A otimização aerodinâmica pode gerar ganhos substanciais de eficiência, particularmente para VANTs operando em velocidades mais altas ou em modos de voo para frente.

A seleção e ajuste de hélices representa uma área particularmente impactante para otimização, pois a eficiência da hélice afeta diretamente o consumo de energia em todos os regimes de voo. As características da hélice correspondentes a perfis específicos de missão podem proporcionar melhorias mensuráveis na resistência.

Otimização do controle motor

O controle orientado ao campo (FCO) fornece controle preciso sobre o torque e a velocidade, melhorando a eficiência energética e prolongando a duração da bateria. A frenagem regenerativa capta a energia tipicamente perdida durante a frenagem e retorna-a à bateria, aumentando a eficiência. Técnicas avançadas de controle motor podem recuperar energia durante a desaceleração e descida, estendendo o tempo de voo através de uma melhoria na eficiência geral do sistema.

Técnicas para reduzir o consumo de energia ociosa, como otimizar as configurações do motor durante períodos de baixa atividade, conservar ainda mais energia. Minimizar o consumo de energia parasitária durante períodos de baixa atividade garante que a capacidade da bateria é reservada para operações de voo produtivas, em vez de desperdiçada em sobrecarga desnecessária do sistema.

Tendências futuras na previsão e gestão de baterias

O campo de previsão de vida útil das baterias para VANTs continua a evoluir rapidamente, com várias tendências emergentes prontas para transformar capacidades operacionais.

Aprendizagem de Frotas Baseadas em Nuvem

A utilização do ML é integrada com a internet de coisas (IoT) e sistemas baseados em nuvem para monitorar automaticamente e sem problemas a bateria. A conectividade em nuvem permite o aprendizado de toda a frota, onde os modelos de previsão melhoram com base em dados de centenas ou milhares de UAVs operando em diversas condições.

Esta abordagem de inteligência coletiva permite que os VANT individuais se beneficiem das experiências de toda a frota, acelerando drasticamente o refinamento do modelo e permitindo uma rápida adaptação a novos tipos de bateria ou condições operacionais.

Modelação em conjunto de múltiplos físicos

Pesquisas futuras devem priorizar a modelagem multi-física-acoplada, técnicas preditivas orientadas por IA e cibersegurança para melhorar a confiabilidade e inteligência dos sistemas de bateria, a fim de apoiar o desenvolvimento sustentável de sistemas não tripulados. Modelos de previsão de próxima geração integrarão múltiplos fenômenos físicos, incluindo efeitos térmicos, elétricos e mecânicos, para fornecer previsões mais abrangentes e precisas.

Estes modelos sofisticados irão melhor captar as complexas interações entre diferentes mecanismos de degradação e condições operacionais, melhorando a precisão de previsão, particularmente para baterias que operam perto de seus limites de desempenho.

Gestão Autónoma da Energia

Um sistema automatizado de gerenciamento de energia para veículos aéreos não tripulados (UAVs) operando em espaço próximo que permite tempos de voo prolongados. Os futuros sistemas de UAV incorporarão capacidades de gerenciamento de energia cada vez mais autônomas que otimizam o consumo de energia em tempo real sem intervenção humana.

Como a transição logística de drones para operações 24/7 não vigiadas, o foco muda de confiabilidade de hardware para inteligência de frota orientada por dados.A telemetria de precisão estabelecida no BMS funciona como a base para o gerenciamento de energia otimizado por IA, permitindo aos operadores prever a fadiga da bateria antes de desencadear um abortamento de missão.Esta autonomia será particularmente valiosa para operações além da linha de visão (BVLOS) e serviços de entrega autônomos onde a supervisão humana é mínima.

Integração alternativa de energia

Os drones solares estão mudando o jogo. Eles têm painéis solares para capturar a luz solar e adicionar energia. Sistemas híbridos misturam bateria e energia solar para voos ainda mais longos. Isto significa que os drones podem ficar no ar mais tempo sem precisar recarregar muitas vezes. Integração de fontes de energia alternativas, como painéis solares e células de combustível irá permitir durações de missão drasticamente estendidas para certas aplicações.

O sistema tem uma configuração híbrida paralela com vários motores, geradores, baterias e motores. Os motores, geradores e baterias são integrados e compartilham refrigeração/lubrificação. O sistema gerencia inteligentemente a alocação de energia entre motores, baterias e motores com base no modo de voo e posição do acelerador. Sistemas de energia híbrida que combinam múltiplas fontes de energia exigem algoritmos sofisticados de gerenciamento de energia para otimizar a contribuição de cada fonte com base nas atuais condições operacionais e requisitos de missão.

Aplicações e Estudos de Casos da Indústria

Os modelos de previsão de vida útil das baterias permitem aplicações UAV em diversas indústrias, cada uma com requisitos e desafios únicos.

Operações de Busca e Resgate

A evolução das soluções de carregamento de bateria de drones é fundamental para realizar todo o potencial do UAS em operações de busca e resgate estendidas. Ao alavancar centrais elétricas portáteis, sistemas de bateria deswappáveis a quente, carregadores rápidos avançados, gerenciamento inteligente de bateria e soluções integradas a veículos, as equipes de SAR podem estender significativamente a resistência da missão e reduzir o tempo de inatividade crítico. As missões de busca e resgate exigem máxima confiabilidade e resistência, uma vez que as falhas de bateria podem ter consequências de vida ou morte.

A previsão precisa de baterias permite que as equipes de SAR implementem com confiança os VANTs para padrões de busca estendidos, mantendo reservas adequadas para retorno seguro. A capacidade de prever exatamente quando as trocas de bateria serão necessárias permite uma coordenação eficiente dos recursos de suporte em solo.

Serviços de entrega comercial

O custo direto por missão é comparável, mas o vencedor comercial é determinado pela densidade de receita.Se uma entrega contratada ganha US$3,80 por sorte, a capacidade de escalar de 12 missões para 28 missões por drone por dia muda fundamentalmente o período de retorno.Uma plataforma de três drones operando em 28 ordens/dia produz 84 entregas diárias. A elevação da contribuição em comparação com uma configuração de carga rápida (~36 entregas/dia) paga o investimento da estação de US$41,4k em aproximadamente 3-5 meses, dependendo da utilização e compartilhamento de mão de obra.Para operações de entrega comercial, a previsão de bateria impacta diretamente a economia operacional, permitindo a máxima densidade da missão.

O gerenciamento preciso de baterias permite que os operadores de entrega maximizem o número de entregas por drone por dia, melhorando drasticamente o retorno do investimento e o posicionamento competitivo no mercado de entrega de drones em rápido crescimento.

Controlo agrícola

Operações de VANT agrícola muitas vezes envolvem levantamento de grandes áreas que podem exigir múltiplas mudanças de bateria ou vários VANTs trabalhando em coordenação. Modelos de previsão de bateria permitem planejamento eficiente da missão que garante cobertura completa, minimizando o número de trocas de bateria necessárias.

Essas baterias são amplamente utilizadas em aplicações de entrega, agricultura e UAV táticas, onde a eficiência e operações sustentadas são essenciais.A capacidade de prever com precisão a vida útil da bateria permite que os operadores agrícolas otimizem os padrões de pesquisa e o tempo de operação para maximizar a cobertura da área por voo.

Inspecção das infra-estruturas

Missões de inspeção de infraestrutura, como pesquisas de linhas de energia ou inspeções de pontes, muitas vezes seguem rotas pré-determinadas que podem ser otimizadas com base em previsões de bateria. Modelos precisos permitem que os inspetores planejem rotas que maximizem a cobertura, garantindo o retorno seguro à base.

Os drones projetados para tempos de voo prolongados, como os usados para vigilância ou entrega, requerem gerenciamento otimizado de baterias para maximizar sua faixa operacional. Missões de inspeção de longa duração se beneficiam particularmente de gerenciamento sofisticado de baterias, pois muitas vezes operam nos limites da capacidade da bateria para maximizar a eficiência.

Desafios e Limitações

Apesar dos avanços significativos, a previsão de vida útil da bateria para VANT ainda enfrenta vários desafios que limitam a precisão e confiabilidade em certos cenários.

Disponibilidade e Qualidade dos Dados

Como as implantações de VANT são relativamente novas, há uma falta de dados de voo estatisticamente significativos para motivar as abordagens orientadas por dados.A relativa novidade das operações de VANT elétricas significa que dados históricos abrangentes para treinamento de modelos permanecem limitados, particularmente para novas farmácias de bateria e plataformas de VANT.

Problemas de qualidade dos dados, incluindo ruído do sensor, deriva de calibração e medições em falta, podem degradar a precisão da previsão. Algoritmos robustos devem ser responsáveis por essas imperfeições, enquanto ainda fornecem estimativas confiáveis.

Complexidade do Modelo vs. Recursos Computacionais

Os modelos de previsão mais precisos muitas vezes requerem recursos computacionais substanciais que podem exceder as capacidades de sistemas embarcados em pequenos VANTs. Isso cria um trade-off fundamental entre precisão de previsão e desempenho em tempo real.

Equilibrar sofisticação do modelo contra recursos computacionais disponíveis requer engenharia cuidadosa e muitas vezes envolve implementar modelos simplificados para previsões de bordo em tempo real, enquanto usa modelos mais complexos para análise e planejamento offline.

Quantificação da incerteza

Todas as previsões de bateria envolvem inerentemente incerteza devido a fatores imprevisíveis, como condições futuras de vento, variações de temperatura e comportamento aleatório da bateria. Efetivamente comunicar essa incerteza aos operadores e incorporá-la na tomada de decisão continua sendo um desafio.

As abordagens probabilísticas de previsão que fornecem intervalos de confiança em vez de estimativas de ponto único oferecem informações mais completas, mas requerem interpretação mais sofisticada e podem complicar os sistemas de tomada de decisão automatizados.

Considerações sobre regulamentação e segurança

À medida que as operações de VANT se expandem, os quadros regulatórios abordam cada vez mais os requisitos de segurança e desempenho das baterias, influenciando o projeto e implementação do sistema de previsão.

Requisitos de certificação

A Organização Internacional da Aviação Civil (ICAO) prevê um aumento de 10 vezes no número de VANTs civis globais até 2030, com drones multirotores elétricos dominando o mercado. Este crescimento explosivo está impulsionando o desenvolvimento de padrões de certificação para sistemas de baterias de VANT, incluindo requisitos para precisão de previsão e margens de segurança.

Os operadores comerciais de VANT podem precisar demonstrar que seus sistemas de gerenciamento de baterias atendem a padrões de desempenho específicos, incluindo métricas de precisão mínima de previsão e confiabilidade.

Margens de segurança e gestão de riscos

Os quadros regulamentares normalmente exigem que os operadores de VANT mantenham margens de segurança específicas para a capacidade da bateria, garantindo que a vida útil prevista da bateria inclua reservas adequadas para condições inesperadas.

Os quadros de gestão de riscos ajudam os operadores a equilibrar os requisitos de segurança com a eficiência operacional, utilizando previsões de bateria para quantificar e gerir os riscos associados aos diferentes perfis de missão e condições de funcionamento.

Conclusão

Modelos de previsão de vida útil de baterias tornaram-se ferramentas indispensáveis para missões de VANT estendidas, permitindo operações seguras, eficientes e economicamente viáveis em diversas aplicações.A evolução de indicadores baseados em tensão simples para modelos sofisticados de aprendizado de máquina que incorporam múltiplos fenômenos físicos representa um avanço notável na tecnologia de VANT.

À medida que as farmácias de bateria melhoram, algoritmos de previsão se tornam mais sofisticados e os recursos computacionais se expandem, a precisão e confiabilidade das previsões de vida útil das baterias continuarão a aumentar.A integração da inteligência artificial, a aprendizagem de frotas baseadas em nuvem e a modelagem multifísica promete oferecer sistemas de previsão que podem se adaptar a praticamente qualquer condição operacional, mantendo a precisão necessária para aplicações críticas à missão.

Para os operadores de VANT, investir em sistemas avançados de previsão e gerenciamento de baterias oferece benefícios tangíveis em termos de taxas de sucesso da missão, eficiência operacional e segurança. À medida que a tecnologia amadurece e se torna mais acessível, mesmo os operadores de pequena escala poderão alavancar recursos de previsão sofisticados que já foram disponíveis apenas para programas de pesquisa bem financiados.

O futuro das operações de VANT depende fundamentalmente da gestão de energia confiável, e os modelos de previsão de vida útil das baterias estão no centro desta capacidade crítica. Ao continuar a refinar esses modelos e integrá-los mais profundamente em sistemas VANT, a indústria pode desbloquear novas aplicações e paradigmas operacionais que antes eram impossíveis devido às limitações da bateria.

Para aqueles interessados em explorar ainda mais sistemas de gestão de baterias, recursos como o Jornal MDPI sobre confiabilidade de bateria de UAV e Pesquisa da ScienceDirect sobre gerenciamento de bateria baseada em aprendizado de máquina fornecem informações técnicas valiosas. Além disso, organizações industriais como Tecnologia de Sistemas Unmanned oferecem orientações práticas sobre a implementação desses sistemas em ambientes operacionais.

Como a tecnologia UAV continua sua rápida evolução, a previsão de vida útil das baterias continuará sendo um facilitador crítico de operações seguras, eficientes e economicamente sustentáveis.A pesquisa e desenvolvimento contínuos neste campo promete oferecer sistemas cada vez mais capazes que empurram os limites do que os UAVs podem realizar, abrindo novas possibilidades para aplicações que beneficiam a sociedade em inúmeros domínios.