Модели прогнозирования срока службы батареи для расширенных миссий Уав

Беспилотные летательные аппараты (БПЛА) стали незаменимыми инструментами во многих отраслях, от сельскохозяйственной и инфраструктурной инспекции до поисково-спасательных операций и военных приложений. Поскольку эти платформы развернуты для все более сложных и расширенных миссий, способность точно прогнозировать время автономной работы стала критическим фактором в обеспечении успеха миссии, эксплуатационной безопасности и экономической эффективности. Электрические БПЛА с питанием от батареи сталкиваются с уникальными проблемами, поскольку различные режимы полета, такие как взлет / посадка и круиз, имеют разные требования к мощности, а состояние «мертвой палки» (батарея отключается в полете) может иметь катастрофические последствия. Это всеобъемлющее руководство исследует сложные модели прогнозирования срока службы батареи, которые позволяют операторам БПЛА максимизировать продолжительность полета, оптимизировать планирование миссии и поддерживать безопасные операции в различных средах.

Понимание важности прогнозирования срока службы батареи для операций БПЛА

Надежность систем аккумуляторных батарей для хранения энергии беспилотных летательных аппаратов (БПЛА) имеет решающее значение для обеспечения их безопасной эксплуатации и эффективного выполнения миссии и может значительно продвинуть приложения в области логистики, мониторинга и реагирования на чрезвычайные ситуации.Спрос на точное прогнозирование срока службы батарей усилился по мере перехода БПЛА от коротких развлекательных полетов к профессиональным приложениям, требующим длительных эксплуатационных периодов.

Из-за их ограниченной емкости батареи требуется надлежащая система управления батареями (СУБД), чтобы избежать задержек и аварий, которые могут быть очень дорогими с точки зрения стоимости и времени. Помимо непосредственных проблем безопасности, неточные прогнозы батареи могут привести к неполным миссиям, потраченным впустую ресурсам и потенциальному повреждению дорогостоящего оборудования. Для коммерческих операторов эти сбои приводят непосредственно к потере дохода и снижению доверия клиентов.

Системы БХМ необходимы для обеспечения достижения цели (целей) миссии и оказания помощи в принятии решений в режиме онлайн, таких как смягчение последствий неисправностей и перепланировка миссий. Современные системы управления состоянием батареи предоставляют операторам информацию, необходимую для принятия обоснованных решений во время полетов, что позволяет динамически корректировать миссию на основе данных о производительности батареи в режиме реального времени.

Типы моделей прогнозирования срока службы батареи

Прогнозирование срока службы батареи для БПЛА основывается на нескольких различных подходах к моделированию, каждый из которых имеет уникальные сильные стороны и приложения. Понимание этих различных методологий имеет важное значение для выбора соответствующей стратегии прогнозирования для конкретных эксплуатационных требований.

Эмпирические модели

Эмпирические модели представляют собой наиболее простой подход к прогнозированию времени автономной работы, опираясь на исторические данные и наблюдаемые модели производительности. Эти модели используют статистические взаимосвязи, полученные в результате обширного тестирования в различных условиях эксплуатации. В то время как эмпирические модели могут не иметь теоретической глубины физических подходов, они предлагают практические преимущества с точки зрения вычислительной эффективности и простоты реализации.

Основная сила эмпирических моделей заключается в их способности фиксировать поведение батареи в реальном мире, не требуя подробного знания внутренних электрохимических процессов. Анализируя закономерности тысяч циклов заряда-разряда в разных профилях полета, эти модели могут генерировать достаточно точные прогнозы для аналогичных условий эксплуатации. Однако их точность уменьшается при столкновении со сценариями, значительно отличающимися от данных обучения.

Физика-базированные модели

Представленная здесь методика кодирует основные электрохимические процессы литий-полимерной батареи в расширенной байесовской схеме вывода для одновременного отслеживания состояния заряда батареи, а также настройки модели батареи для точного прогнозирования оставшегося срока полезного использования. Модели на основе физики обеспечивают более фундаментальное понимание поведения батареи, включая основные электрохимические принципы, регулирующие работу батареи.

Эти модели учитывают такие факторы, как скорость диффузии ионов, кинетика электродов и изменения внутреннего сопротивления, которые происходят во время разряда. Путем моделирования физических и химических процессов в аккумуляторных элементах, основанные на физике модели могут прогнозировать производительность в более широком диапазоне условий, чем чисто эмпирические подходы. Компромиссом является повышенная вычислительная сложность и необходимость подробных данных характеристики батареи.

Гибридные модели

Методы моделирования надежности включают математические, управляемые данными и гибридные модели, которые оцениваются на точность и эффективность в динамических условиях. Гибридные модели сочетают сильные стороны как эмпирического, так и физического подходов, предлагая сбалансированное решение, которое фиксирует фундаментальное поведение батареи, оставаясь вычислительно управляемой для приложений в реальном времени.

Батарейки моделируются на трех разных уровнях гранулярности с ассоциированными распределениями неопределенности, кодирующими основные электрохимические процессы литий-полимерной батареи.Этот многоуровневый подход позволяет гибридным моделям адаптироваться к различным эксплуатационным требованиям, используя упрощенные представления, когда вычислительные ресурсы ограничены, сохраняя при этом возможность вызывать более подробные расчеты на основе физики, когда точность имеет первостепенное значение.

Машинное обучение и модели, управляемые данными

Глубокие нейронные сети (DNN) и долговременная кратковременная память (LSTM) используются для прогнозирования SoC в качестве проблемы регрессии, а случайный лес (RF) использовался для оценки SoH с помощью проблемы классификации с четырьмя классами. Подходы машинного обучения произвели революцию в прогнозировании времени автономной работы, используя огромные объемы оперативных данных для выявления сложных моделей, которые традиционные модели могут пропустить.

Оценка SoC с использованием модели DNN имела низкую среднюю квадратную ошибку 7,6E-4 и высокую объясненную оценку дисперсии 0,98. Кроме того, предсказание SoC с использованием модели LSTM имело низкую среднюю квадратную ошибку 0,023 и высокую объясненную оценку дисперсии 0,97. Эти впечатляющие показатели точности демонстрируют потенциал методов машинного обучения для обеспечения высоконадежных прогнозов для критически важных приложений.

Сети с долговременной кратковременной памятью особенно хорошо подходят для прогнозирования заряда батареи, поскольку они могут фиксировать временные зависимости в поведении батареи, признавая, как прошлые модели использования влияют на текущую и будущую производительность. Эта временная осведомленность имеет решающее значение для приложений БПЛА, где история полета значительно влияет на оставшуюся емкость батареи.

Ключевые показатели в прогнозировании жизни батареи

Эффективное прогнозирование срока службы батареи требует мониторинга и оценки нескольких критических параметров, которые в совокупности описывают здоровье батареи и оставшуюся емкость.

Состояние зарядки (SoC)

В результате, для обеспечения согласованной работы БПЛА, СУБД должна позволять осуществлять мониторинг аккумуляторов путем предоставления точной информации о состоянии заряда (SoC) и состоянии здоровья (SoH). Состояние зарядки представляет текущий уровень энергии батареи в процентах от ее общей емкости, аналогичный топливному датчику в обычных транспортных средствах.

Точная оценка SoC имеет основополагающее значение для планирования миссии и принятия решений в полете.В отличие от простых индикаторов на основе напряжения, сложные алгоритмы оценки SoC учитывают такие факторы, как скорость разряда, температура и возраст батареи, чтобы обеспечить надежные оценки емкости даже в динамических условиях эксплуатации.

Состояние здоровья (SoH)

Последние достижения в области искусственного интеллекта привели к разработке прогнозных показателей, таких как состояние здоровья (SOH) и оставшийся срок полезного использования (RUL), с передовыми алгоритмами, снижающими ошибки оценки до 3% и позволяющими переходить от реактивного к активному обслуживанию. Состояние здоровья количественно определяет общее состояние батареи по сравнению с ее первоначальными спецификациями, обычно выраженными в процентах от первоначальной емкости.

Кроме того, модель RF достигла высокой точности 0,92 при классификации SoH. Этот уровень точности позволяет операторам принимать обоснованные решения о выходе из эксплуатации и замене батареи, предотвращая неожиданные сбои во время критических миссий.

Оставшаяся полезная жизнь (RUL)

Следовательно, мы разработали подробную модель разряда для используемых батарей и использовали ее в методе фильтрации на основе байесовского вывода (фильтрация частиц), чтобы генерировать остающиеся распределения полезного срока службы (RUL) прогнозирование оставшегося полезного срока службы выходит за рамки простой оценки емкости, чтобы предсказать, сколько времени батарея может продолжать работать до достижения окончания разряда или требует замены.

Оценка оставшегося полезного срока службы (RUL) и прогнозирование емкости литий-ионных батарей, используемых в БПЛА, имеет важное значение для предотвращения нескольких проблем, таких как потеря автономии, которая может привести к авариям или неисправностям. Прогнозы RUL позволяют осуществлять упреждающее планирование технического обслуживания и помогают операторам планировать закупку батарей, чтобы избежать сбоев в работе.

Предсказание конца разряда (EOD)

Цель состоит в том, чтобы иметь возможность предсказать событие окончания разряда (EOD), которое указывает на то, что аккумуляторная батарея исчерпала заряд для любого заданного полета электрической платформы БПЛА. Прогноз EOD особенно важен для операций БПЛА, поскольку он определяет, можно ли безопасно завершить миссию с доступной емкостью батареи.

Точная оценка времени окончания разряда батареи (EOD) в электрических беспилотных летательных аппаратах (БПЛА) обеспечивает уверенность в том, что данная миссия может быть завершена до того, как энергия, хранящаяся в батарее, иссякнет, и помогает процессам принятия решений, таким как перепланировка миссии, чтобы смягчить недостатки, связанные с доступной энергией.

Факторы, влияющие на производительность батареи в приложениях БПЛА

Количество полезного заряда батареи для данного профиля разряда зависит не только от начального состояния заряда (SOC), но и от других факторов, таких как здоровье батареи и наложенный профиль разряда или нагрузки. Понимание множества переменных, влияющих на производительность батареи, имеет важное значение для разработки точных моделей прогнозирования.

Условия загрузки и режимы полетов

Потребление энергии в БПЛА резко варьируется в зависимости от различных фаз полета. Операции взлета и посадки обычно требуют наибольшего напряжения мощности, поскольку двигатели должны генерировать максимальную тягу для преодоления гравитации и достижения вертикального подъема. Круизный полет обычно требует меньше энергии, хотя это значительно варьируется в зависимости от скорости полета, высоты и условий ветра.

В БПЛА ток разряда батарей изменяется по скорости движения. Таким образом, ток разряда изменяется от одного полета к другому в зависимости от перевозимой нагрузки, атмосферных условий и скорости движения. Эта изменчивость делает точный прогноз сложным, поскольку модели должны учитывать конкретный профиль миссии, а не предполагать постоянные скорости разряда.

Вес полезной нагрузки значительно влияет на потребности в электроэнергии, при этом более тяжелые нагрузки требуют больше энергии для поддержания полета. Планировщики миссий должны тщательно балансировать грузоподъемность полезной нагрузки с требованиями продолжительности полета, используя модели прогнозирования заряда батареи для оптимизации этого компромисса для конкретных оперативных целей.

Температурные эффекты

Температура представляет собой один из наиболее значительных факторов окружающей среды, влияющих на производительность батареи. Экстремальные температуры могут резко снизить эффективность батареи и доступную емкость, при этом холодные условия обычно оказывают более серьезное воздействие, чем тепло.

Модель рассматривает наиболее влияющие на точность оценки факторы, такие как температура, старение и саморазряд. При низких температурах химические реакции внутри батарейных элементов замедляются, увеличивая внутреннее сопротивление и снижая напряжение и ток, которые могут быть доставлены. Этот эффект может снизить полезную емкость на 15-35% в холодном климате, требуя от операторов учитывать температурное старение при планировании миссии.

BMS непрерывно контролирует температуру ячеек и может принимать меры для предотвращения перегрева или недостаточного охлаждения. Обеспечивая работу батареи в оптимальном температурном диапазоне, BMS помогает поддерживать ее эффективность, выходную мощность и долговечность. Передовые системы управления батареями включают функции управления температурой для поддержания батарей в оптимальных температурных диапазонах, хотя сама эта тепловая регуляция потребляет энергию, которая должна учитываться в прогнозах.

Возраст и деградация аккумуляторов

Деградация литий-ионных батарей — это нелинейный процесс, на который влияет химия батареи и условия эксплуатации.В процессе работы батарея проходит несколько циклов зарядки, полный или неполный разряд с разными токами разряда, а также другие состояния, которые уменьшают емкость. Старение батареи — неизбежный процесс, который постепенно снижает емкость и увеличивает внутреннее сопротивление с течением времени.

Хранение, время простоя и температура также способствуют снижению мощности литий-ионных батарей. Все эти факторы приводят к нелинейному старению на протяжении всей жизни. Эта нелинейная схема деградации делает долгосрочное прогнозирование сложным, так как батареи не просто теряют емкость с постоянной скоростью, а скорее испытывают ускоренную деградацию при определенных условиях.

Однако со временем батареи в БПЛА деградируют. Это может привести ко многим проблемам, включая задержки полёта, вынужденные аварии и потери соединения. Таким образом, надёжная работа БПЛА может быть затруднена из-за неисправностей в батарее или истощения батареи. Понимание и прогнозирование этого ухудшения имеет важное значение для поддержания эксплуатационной надёжности и предотвращения неожиданных сбоев.

Циклы зарядки и шаблоны использования

Количество и глубина циклов заряда-разряда существенно влияют на долговечность батареи. Глубокие разряды, когда батареи сливаются до очень низких уровней, обычно вызывают больше напряжения и деградации, чем мелкие циклы. Однако связь между глубиной цикла и деградацией сложна и варьируется в зависимости от химии батареи.

Основными факторами, способствующими повреждению батареи, являются высокий процент заряда, приближающийся к 100% и температуре. Поддержание батарей при полной зарядке в течение длительных периодов также может ускорить деградацию, особенно при повышенных температурах. Оптимальные стратегии управления батареями часто включают хранение батарей при частичном уровне заряда, когда они не используются.

Технология аккумуляторов БПЛА может выдерживать циклы зарядки. Процесс полного разряда и подзарядки после деградации емкости должен быть надлежащим образом отслежен для поддержания безопасности беспилотников. Операторы также могут предсказать, когда батарея будет разлагаться, правильно планируя циклы зарядки. История цикла отслеживания заряда позволяет более точные прогнозы деградации и помогает операторам планировать замену батареи до возникновения сбоев.

Условия окружающей среды

Помимо температуры, различные факторы окружающей среды влияют на производительность батареи и должны быть включены в модели прогнозирования. Условия ветра значительно влияют на потребление энергии, при этом встречные ветры требуют значительно больше энергии для поддержания прогресса вперед. Высота влияет на плотность воздуха, что, в свою очередь, влияет на эффективность пропеллера и требования к мощности двигателя.

Тем не менее, большинство показателей получены из контролируемых лабораторных условий, что приводит к тому, что исследователи изо всех сил пытаются решить сложные сценарии реального мира, которые включают высокие температуры, большие высоты и сильные электромагнитные помехи. Этот разрыв между лабораторными испытаниями и полевыми условиями представляет собой значительную проблему для моделей прогнозирования батареи, требуя обширной проверки в реальном мире для обеспечения точности.

Влажность, осадки и атмосферное давление также могут влиять на производительность батареи, хотя обычно в меньшей степени, чем температура и ветер. Всесторонние модели прогнозирования должны учитывать эти переменные окружающей среды, чтобы обеспечить надежные оценки в различных условиях эксплуатации.

Химия и технологические соображения батареи

БПЛА в основном полагаются на литиевые батареи для своей работы из-за низкой скорости саморазряда и высокой плотности энергии.Удельный химический состав батареи, используемый в БПЛА, значительно влияет как на эксплуатационные характеристики, так и на соответствующую методологию прогнозирования.

Литий-полимерные (LiPo) батареи

Дроны в основном используют литий-полимерные (LiPo) батареи. Эти батареи легкие и упаковывают много энергии. Им нужна тщательная управляемость, чтобы хорошо работать в течение длительного времени. Липо-батареи стали доминирующим выбором для приложений БПЛА из-за их превосходного соотношения мощности к весу и способности доставлять высокие токи разряда.

Однако батареи LiPo требуют тщательного управления для предотвращения повреждений и опасностей безопасности. Они чувствительны к перезарядке, перезарядке и физическому повреждению, что делает сложные системы управления батареями необходимыми. Модели прогнозирования для батарей LiPo должны учитывать их специфические характеристики разряда и кривые напряжения.

Литий-ионные батареи

Благодаря своим преимуществам, высокой плотности мощности / энергии, высокому количеству циклов заряда-разряда, низкой скорости саморазряда, широкому диапазону рабочих температур и т. Д. Литий-ионные батареи используются в различных приложениях. Литий-ионные батареи предлагают преимущества с точки зрения срока службы и безопасности цикла по сравнению с батареями LiPo, хотя они обычно имеют немного меньшую плотность мощности.

Литий-ионные батареи обычно демонстрируют более предсказуемые модели деградации, чем батареи LiPo, что может упростить прогнозирование долгосрочной емкости. Их более прочная конструкция также делает их менее восприимчивыми к повреждениям от незначительных физических воздействий или незначительной перезарядки.

Новые технологии батарей

Спрос на долговечные, быстрозаряжающиеся и более безопасные батареи стимулирует инновации в интеллектуальных системах, водородных топливных элементах, тонкопленочных литий-ионных и гибридных решениях, что позволяет повысить эффективность и расширить операции. Промышленность БПЛА продолжает изучать альтернативные технологии батарей, которые могут преодолеть ограничения существующих систем на основе лития.

Водородные топливные элементы предлагают потенциал для значительно увеличенного времени полета, хотя они вводят дополнительную сложность с точки зрения хранения топлива и системной интеграции. Гибридные системы, сочетающие батареи с топливными элементами или небольшими двигателями внутреннего сгорания, могут обеспечить лучшее из обоих миров, используя батареи для маневров высокой мощности и альтернативные источники энергии для устойчивого круизного полета.

Реализация моделей прогнозирования срока службы батареи

Перевод теоретических моделей прогнозирования в практические операционные системы требует тщательного рассмотрения деталей реализации, вычислительных ресурсов и интеграции с существующими системами БПЛА.

Сбор данных и интеграция с датчиками

Непрерывный мониторинг напряжения, температуры и тока внутри каждой ячейки позволяет BMS выявлять любые потенциальные проблемы на ранней стадии. Мониторинг аккумуляторов дронов в режиме реального времени имеет решающее значение для эффективного управления энергопотреблением и обеспечения безопасности дронов во время полета. Эффективные модели прогнозирования требуют высококачественных данных в режиме реального времени от нескольких датчиков, контролирующих параметры батареи.

Современные системы управления батареями включают датчики напряжения, тока, температуры, а иногда и импеданса отдельных элементов. Скорость отбора проб и точность этих датчиков напрямую влияют на качество прогнозирования, а измерения более высокой частоты позволяют более оперативно реагировать на обновления моделей.

Умная BMS передает данные, такие как циклы напряжения, тока, температуры и заряда, беспилотнику или наземному управлению, что позволяет лучше принимать решения. Эти данные телеметрии позволяют операторам как автономно принимать решения, так и удаленно контролировать их, обеспечивая несколько уровней безопасности и оперативной осведомленности.

Выполнение алгоритма в реальном времени

Алгоритмы прогнозирования батареи должны выполняться в режиме реального времени на ограниченных ресурсами встроенных системах в БПЛА. Это вычислительное ограничение часто требует упрощенных моделей или эффективных реализаций более сложных алгоритмов.

Что касается практической реализации, то система была развернута с помощью дрона, микроконтроллеров ESP32, шлюза Raspberry Pi и облачного сервера, которые в современных реализациях часто распределяют вычислительные задачи между бортовыми микроконтроллерами для критически важных прогнозов времени и более мощными наземными или облачными системами для детального анализа и обучения модели.

Подходы к вычислениям на грани позволяют делать сложные прогнозы, не требуя постоянного подключения, что необходимо для БПЛА, работающих в отдаленных районах или в условиях ограничений связи. Однако периодическое подключение позволяет обновлять модели и включать обучение в масштабах всего парка.

Байесовский вывод и фильтрация частиц

В этой статье представлен фреймворк BHM на основе фильтра частиц (PF) с модулями plug-and-play для моделей батарей и управления неопределенностью. Фильтрация частиц представляет собой мощный метод оценки состояния батареи, который может обрабатывать нелинейный и неопределенный характер поведения батареи.

Это означает, что это первый шаг в формализации вычислительно тяговых методов стохастического программирования для оптимального формирования планов полета в ответ на прогнозы срока службы батареи. Этот подход использует преимущества рамок PF для одновременного создания оптимального / субоптимального плана полета одновременно с прогнозированием RUL. Возможность одновременного прогнозирования срока службы батареи и оптимизации планов полета представляет собой значительное продвижение, позволяющее динамическую адаптацию миссии на основе текущего состояния батареи.

Модель калибровки и адаптации

Модели прогнозирования аккумуляторов требуют периодической калибровки для поддержания точности при изменении возраста и условий эксплуатации батарей. Этот процесс калибровки включает в себя сравнение прогнозируемой производительности с фактически наблюдаемым поведением и соответствующую корректировку параметров модели.

Параметризация модели определила зависимость чувствительных параметров от оценки состояния.Выявление того, какие параметры наиболее существенно влияют на точность прогнозирования, позволяет осуществлять целенаправленные калибровочные усилия, которые максимизируют улучшение при минимальных вычислительных накладных расходах.

Адаптивные алгоритмы могут автоматически настраивать параметры модели на основе текущих данных о производительности, уменьшая необходимость ручного вмешательства.Однако некоторый уровень человеческого надзора остается ценным для выявления аномалий и проверки поведения модели.

Передовые системы управления батареями для БПЛА

Система управления батареями (СУБД) является важнейшим компонентом в современных батареях дронов, обеспечивая безопасность, эффективность и долговечность. Она действует как «мозг» за батареей, управляя и контролируя каждую ячейку в аккумуляторной батарее. Современные системы управления батареями выходят далеко за рамки простого мониторинга напряжения, чтобы обеспечить комплексное управление здоровьем батареи.

Балансировка клеток

Балансировка ячеек в литий-полимерном (LiPo) аккумуляторном блоке предотвращает ухудшение более слабых ячеек быстрее, чем другие. Эта функция помогает поддерживать общее состояние батареи дрона, увеличивая срок службы батареи и обеспечивая постоянную производительность. Балансировка ячеек гарантирует, что все ячейки в аккумуляторном блоке заряжаются и разряжаются равномерно, предотвращая перенапряжение отдельных ячеек.

Пассивный: сжигает избыточную энергию от высоковольтных ячеек через резисторы. Активный: переносит энергию между ячейками с помощью конденсаторов или индукторов. Активные балансирующие системы более эффективны, чем пассивные подходы, хотя они добавляют сложности и стоимость системе управления батареей.

Функции защиты

BMS улучшает срок службы батареи, предотвращая перезарядку, перезарядку и перегрев. Она также обеспечивает сбалансированное напряжение ячеек, что максимизирует полезную емкость батареи и увеличивает срок ее службы. Защитные цепи в BMS предотвращают опасные условия эксплуатации, которые могут повредить батарею или создать угрозу безопасности.

Эти функции защиты включают обнаружение тока, защиту от короткого замыкания и отключение тепла. Предотвращая эти условия неисправности, BMS не только защищает батарею, но и повышает общую безопасность БПЛА.

Предсказательные возможности технического обслуживания

5.17.2 • ПРЕДИКТИВНАЯ МАНЕНЦИЯ И ОПТИМИЗАЦИЯ БАТЕРИИ Современные реализации BMS все чаще включают в себя функции предиктивного обслуживания, которые прогнозируют, когда батареи потребуют обслуживания или замены.

Метод может быть реализован в системах предварительного технического обслуживания (PdM) БПЛА. Интеграция с системами прогнозного обслуживания позволяет осуществлять упреждающее управление батареей, уменьшая неожиданные сбои и оптимизируя графики замены батареи, чтобы минимизировать эксплуатационные расходы.

Это может позволить прогнозировать возможные проблемы с батареей, смягчить такие проблемы и повысить надежность системы, поэтому срок службы батареи продлевается, а нежелательных последствий, возникающих в результате неконтролируемой работы БПЛА, избегают.

Интеграция ИИ и машинного обучения

С ростом искусственного интеллекта и машинного обучения системы управления батареями следующего поколения, вероятно, будут включать в себя прогнозную аналитику, позволяя дронам управлять питанием более умными способами на основе конкретного полета или задачи. Искусственный интеллект преобразует управление батареями из реактивного мониторинга в проактивную оптимизацию.

Точная телеметрия, установленная в BMS, служит основой для оптимизированного для ИИ управления энергией, позволяя операторам прогнозировать усталость батареи до того, как она вызовет прерывание миссии. Системы, управляемые ИИ, могут учиться на основе оперативных данных всего парка, чтобы постоянно улучшать точность прогнозирования и выявлять тонкие шаблоны, которые указывают на развивающиеся проблемы.

Планирование и оптимизация миссий

Точное прогнозирование срока службы батареи позволяет осуществлять сложное планирование миссии, которое максимизирует операционную эффективность при сохранении запаса прочности.

Анализ предполетной миссии

Перед запуском миссии БПЛА операторы могут использовать модели прогнозирования заряда батареи для оценки того, достижим ли запланированный профиль полета с доступной емкостью батареи. Этот анализ учитывает конкретный маршрут, ожидаемые условия ветра, массу полезной нагрузки и текущее состояние батареи.

Лучшая часть Map Pilot - это его способность помочь картографам оценить и оптимизировать маршрут полета, необходимый для отображения данной области.Программное обеспечение планирования миссии может автоматически оптимизировать маршруты полета, чтобы минимизировать потребление энергии, регулируя высоту, скорость и маршрут, чтобы максимизировать покрытие в пределах ограничений батареи.

Стратегии многобатареиных миссий

Умные батареи в беспилотниках Phantom 3 и Inspire 1 знают, сколько энергии им потребуется, чтобы добраться домой. Когда самолет осознает, что он находится дальше, чем у него есть силы, чтобы добраться домой, он немедленно направится домой и нарисует точку отказа на карте пилота. Для миссий, требующих большей выносливости, чем может обеспечить одна батарея, многобатаречные стратегии позволяют расширенные операции через запланированные замены батарей.

Некоторые системы даже используют «горячую замену», когда внешний источник питания поддерживает бортовую электронику дрона активной во время смены батареи, предотвращая любую потерю данных. Эта возможность является революционной для долгосрочных миссий, позволяя дронам работать в течение нескольких часов, а не минут. Технология горячей замены устраняет необходимость перезагрузки систем между изменениями батареи, резко сокращая время простоя и позволяя почти непрерывные операции.

Динамическая перепланировка миссии

Прогнозы батареи в реальном времени позволяют динамически корректировать миссию, когда фактическая производительность отклоняется от оценок перед полетом.Если потребление батареи превышает прогнозы из-за неожиданных встречных ветров или других факторов, БПЛА может автоматически изменить свою миссию, чтобы обеспечить безопасное возвращение.

Эти варианты должны быть подтверждены летными испытаниями, в которых можно оценить устойчивость к условиям окружающей среды, таким как температура воздуха и плотность, а также скорость ветра. Понятие толерантности к риску может быть введено с помощью соответствующих объективных функций, что позволяет использовать ненулевой риск состояния «мертвой палки» для использования большей мощности батареи. Передовые системы могут даже включать параметры толерантности к риску, позволяя операторам определять, сколько запаса безопасности им требуется для различных типов миссий.

Метрики надежности и стандарты производительности

На основе международных стандартов надежность охватывает стабильность производительности, приспособляемость к окружающей среде и избыточность безопасности, охватывая такие показатели, как скорость удержания емкости, среднее время между отказами (MTBF) и время предупреждения о тепловом сбое. Установление стандартизированных показателей для точности и надежности прогнозирования заряда батареи позволяет проводить значимые сравнения между различными системами и подходами.

Точность прогнозирования

Точность прогнозов срока службы батареи можно количественно оценить с помощью различных статистических показателей. Средняя абсолютная ошибка (MAE) и корневая средняя квадратная ошибка (RMSE) измеряют среднее отклонение между прогнозируемой и фактической производительностью батареи. Эти показатели обеспечивают объективную оценку качества модели.

На системном уровне доступность (среднее время между отказами, MTBF) и скорость завершения миссии более практичны, при этом коммерческим БПЛА часто требуется наличие аккумуляторной системы, которая превышает 98% в год. Для коммерческих операций скорость завершения миссии представляет собой критически важный показатель, который непосредственно влияет на операционную жизнеспособность и удовлетворенность клиентов.

Сохранение потенциала и цикличность жизни

На уровне ячеек основными показателями являются срок службы и коэффициент удержания емкости. Скорость удержания емкости измеряет, сколько первоначальной емкости батареи остается после определенного количества циклов или периода использования. Этот показатель помогает операторам планировать графики замены батареи и бюджет для текущих расходов на аккумулятор.

Непрерывные улучшения в химии и архитектуре ячеек позволяют увеличить продолжительность полета, улучшить управление температурой и масштабируемость на различных платформах беспилотных летательных аппаратов.Достижения в области аккумуляторных технологий продолжают улучшать как начальную емкость, так и долгосрочное удержание, продлевая срок службы систем батарей БПЛА.

Практические соображения для расширенных миссий БПЛА

Развертывание БПЛА для расширенных миссий ставит уникальные задачи, требующие специализированных стратегий управления батареями и подходов к прогнозированию.

Решения для зарядки полей

Специализированные быстрые зарядные устройства предназначены для значительного сокращения времени зарядки. Многие зарядные устройства предлагают многопортовые возможности, позволяющие одновременно заряжать несколько батарей и аксессуаров. Примеры включают в себя зарядное устройство DJI Mavic 3 5-в-1 и UD2 EV-Peak, которое может полностью заряжать несколько батарей всего за 15-90 минут в зависимости от модели. Технология быстрой зарядки позволяет быстрее выполнять задачи, хотя операторы должны сбалансировать скорость зарядки с долголетием батареи.

При выборе и внедрении решений для зарядки дронов для расширенных операций SAR необходимо учитывать несколько практических аспектов: Портативность и вес: Оборудование должно быть легко транспортируемым, особенно в пересеченной или удаленной местности. Всегда предпочтительны более легкие батареи и системы зарядки, позволяющие дронам нести больше полезной нагрузки или летать дольше. Для полевых операций портативность и прочность зарядного оборудования могут быть столь же важны, как скорость зарядки.

Экологическая адаптация

Прочность и устойчивость к погодным условиям: Полевое оборудование должно выдерживать суровые условия окружающей среды, включая экстремальные температуры (например, от -20 ° C до 45 ° C), дождь и пыль. Защитные жесткие случаи с ударопрочностью, водонепроницаемыми уплотнениями и пылезащитой необходимы. Расширенные миссии часто происходят в сложных условиях, которые требуют надежных систем батарей, способных надежно работать в широких температурных диапазонах.

Пользовательские аккумуляторные системы для БПЛА также могут быть оптимизированы для уникальных сред, таких как высотные условия или подводные дроны, где поддержание целостности батареи имеет решающее значение. Специализированные приложения могут потребовать пользовательских решений для батарей, разработанных специально для уникальных требований конкретных операционных сред.

Управление флотом батарей

Организации, эксплуатирующие несколько БПЛА, должны эффективно управлять парком батарей, чтобы обеспечить адекватную емкость для запланированных миссий при минимизации затрат на инвентаризацию. Это требует отслеживания состояния отдельных батарей, количества циклов и истории производительности.

Для поддержания соглашений об уровне обслуживания (SLA) мы реализуем трехуровневую политику управления батареями, поддерживаемую облачной BMS Herewin: Прогнозный скрининг DCIR: наша система отображает любой пакет, демонстрирующий увеличение на +25% DCIR (прямого текущего внутреннего сопротивления) по сравнению со средней скоростью парка. Эти пакеты автоматически переоборудованы для миссий с более низким стрессом. Интеллектуальные системы управления парком могут автоматически назначать батареи для миссий на основе их текущего состояния здоровья, используя деградированные батареи для менее требовательных приложений, сохраняя при этом лучшие батареи для критических миссий.

Оптимизация жизни и производительности батареи

Помимо точного прогнозирования, операторы могут предпринять активные шаги для максимального срока службы батареи и производительности, увеличивая как индивидуальную продолжительность полета, так и общий срок службы батареи.

Оперативные лучшие практики

Чтобы продлить срок службы батареи дрона, избегайте глубокого разряда, посадив дрон с 20%-30% оставшимся, а не летающим, пока батарея полностью не опустеет. Наличие этого лимита может защитить химическое здоровье батареи и помочь ей надежно заряжаться до следующей операции полета. Избегание глубоких разрядов представляет собой одну из самых эффективных стратегий продления срока службы батареи, хотя для обеспечения достаточных запасов требуется тщательное планирование миссии.

Операторы могут улучшить время полета дрона, летая в оптимальных условиях. Это предполагает проведение полетных миссий при умеренных температурах и спокойном ветре, чтобы минимизировать усилия, требуемые двигателями. Условия окружающей среды действительно непредсказуемы, но все же настоятельно рекомендуется летать в спокойную погоду и окружение, чтобы уменьшить рабочую нагрузку от диспетчеров полета. Когда время полета позволяет гибкость, планирование полетов в благоприятных погодных условиях может значительно продлить срок службы батареи и повысить точность прогнозирования.

Оптимизация веса

Удаление любых несущественных аксессуаров является одним из примечательных советов по экономии батареи дрона. Охрана, дополнительные шасси и фильтры тяжелых объективов могут быть ненужными для определенных случаев, а снижение веса полезной нагрузки может значительно улучшить соотношение мощности к весу. Каждый грамм ненужного веса снижает время полета и эффективность, что делает оптимизацию веса критически важным фактором для расширенных миссий.

Общими источниками отходов, такими как неэффективные пропеллеры и ненужный вес, можно управлять, выбирая высококачественные, легкие компоненты.Выбор компонентов значительно влияет на общую эффективность системы, с высококачественными двигателями, пропеллерами и электронными контроллерами скорости, обеспечивающими лучшую производительность на ватт.

Аэродинамические улучшения

Кроме того, аэродинамические улучшения, такие как упрощенная конструкция кузова и корректировка винта, могут значительно снизить сопротивление, уменьшая энергию, необходимую для поддержания полета. Аэродинамическая оптимизация может обеспечить существенное повышение эффективности, особенно для БПЛА, работающих на более высоких скоростях или в режимах переднего полета.

Выбор и настройка пропеллера представляют собой особенно эффективную область для оптимизации, поскольку эффективность пропеллера напрямую влияет на потребление энергии во всех режимах полета. Соответствие характеристик пропеллера конкретным профилям миссий может обеспечить измеримое улучшение выносливости.

Оптимизация управления двигателем

Управление, ориентированное на поле (FOC), обеспечивает точный контроль крутящего момента и скорости, повышает энергоэффективность и увеличивает время автономной работы. Регенеративное торможение захватывает энергию, обычно теряемую во время торможения, и возвращает ее к батарее, повышая эффективность. Передовые методы управления двигателем могут восстанавливать энергию во время замедления и спуска, продлевая время полета за счет повышения общей эффективности системы.

Методы снижения потребления энергии в режиме холостого хода, такие как оптимизация параметров двигателя в периоды низкой активности, дополнительно экономят энергию. Минимизация паразитного потребления энергии в периоды низкой активности гарантирует, что емкость батареи зарезервирована для продуктивных полетов, а не тратится впустую на ненужные системные накладные расходы.

Будущие тенденции в прогнозировании и управлении аккумуляторами

Область прогнозирования срока службы батареи для БПЛА продолжает быстро развиваться, и несколько новых тенденций готовы преобразовать эксплуатационные возможности.

Облачное обучение флоту

Использование ML интегрировано с Интернетом вещей (IoT) и облачными системами для автоматического и беспрепятственного мониторинга батареи. Облачная связь позволяет обучаться в масштабах всего парка, где модели прогнозирования улучшаются на основе данных сотен или тысяч БПЛА, работающих в различных условиях.

Такой подход коллективного интеллекта позволяет отдельным БПЛА извлекать выгоду из опыта всего флота, значительно ускоряя доработку модели и позволяя быстро адаптироваться к новым типам батарей или условиям эксплуатации.

Мультифизическое моделирование

Будущие исследования должны уделять приоритетное внимание мультифизическому моделированию, прогностическим методам на основе ИИ и кибербезопасности для повышения надежности и интеллекта аккумуляторных систем в целях поддержки устойчивого развития беспилотных систем. Модели прогнозирования следующего поколения будут интегрировать несколько физических явлений, включая тепловые, электрические и механические эффекты, чтобы обеспечить более всеобъемлющие и точные прогнозы.

Эти сложные модели лучше улавливают сложные взаимодействия между различными механизмами деградации и условиями эксплуатации, улучшая точность прогнозирования, особенно для батарей, работающих вблизи пределов производительности.

Автономное управление энергией

Автоматизированная система управления энергией для беспилотных летательных аппаратов (БПЛА), работающих в ближнем космосе, которая обеспечивает увеличенное время полета. Будущие системы БПЛА будут включать все более автономные возможности управления энергией, которые оптимизируют потребление энергии в режиме реального времени без вмешательства человека.

По мере перехода логистики беспилотников к операциям без присмотра 24/7 фокус смещается от надежности оборудования к интеллекту флота, управляемому данными. Точная телеметрия, установленная в BMS, действует как основа для оптимизированного для ИИ управления энергией, позволяя операторам прогнозировать усталость батареи, прежде чем она вызовет прерывание миссии. Эта автономия будет особенно ценна для операций вне визуальной линии зрения (BVLOS) и автономных служб доставки, где человеческий надзор минимален.

Альтернативная энергетика

Солнечные дроны меняют игру. У них есть солнечные панели, чтобы поймать солнечный свет и добавить энергию. Гибридные системы смешивают батарею и солнечную энергию для еще более длительных полетов. Это означает, что беспилотники могут оставаться в воздухе дольше, не нуждаясь в частой подзарядке. Интеграция альтернативных источников энергии, таких как солнечные панели и топливные элементы, позволит значительно увеличить продолжительность миссии для определенных применений.

Система имеет параллельную гибридную настройку с несколькими двигателями, генераторами, батареями и двигателями. Двигатели, генераторы и батареи интегрированы и совместно используют охлаждение/смазку. Система разумно управляет распределением мощности между двигателями, батареями и двигателями на основе режима полета и положения ускорителя. Гибридные энергетические системы, которые объединяют несколько источников энергии, требуют сложных алгоритмов управления энергией для оптимизации вклада от каждого источника на основе текущих условий эксплуатации и требований миссии.

Промышленные приложения и тематические исследования

Модели прогнозирования срока службы батареи позволяют применять БПЛА в различных отраслях промышленности, каждая из которых имеет уникальные требования и проблемы.

Поисково-спасательные операции

Эволюция решений для зарядки дронов является ключевой для реализации полного потенциала БАС в расширенных операциях поиска и спасения. Используя портативные электростанции, системы батарей с горячей заменой, передовые быстрые зарядные устройства, интеллектуальное управление батареями и интегрированные решения для транспортных средств, команды SAR могут значительно увеличить выносливость миссии и сократить критические простои. Поисковые и спасательные миссии требуют максимальной надежности и выносливости, поскольку отказы батареи могут иметь последствия для жизни или смерти.

Точное прогнозирование заряда батареи позволяет командам SAR уверенно развертывать БПЛА для расширенных моделей поиска при сохранении достаточных резервов для безопасного возврата. Возможность точно предсказать, когда потребуются замены батарей, позволяет эффективно координировать ресурсы наземной поддержки.

Коммерческие услуги доставки

Прямая стоимость за миссию сопоставима, но коммерческий победитель определяется плотностью доходов.Если контрактная поставка зарабатывает 3,80 долларов США за вылет, способность масштабировать от 12 миссий до 28 миссий на беспилотник в день фундаментально сдвигает период окупаемости. Три беспилотные площадки, работающие на 28 вылетов / день, дают 84 поставки ежедневно. Повышение вклада по сравнению с быстрой зарядкой (~ 36 поставок / день) окупает инвестиции в станцию в размере 41,4 тыс. долларов США примерно за 3-5 месяцев, в зависимости от использования и разделения труда. Для коммерческих операций доставки прогноз батареи напрямую влияет на операционную экономику, обеспечивая максимальную плотность миссии.

Точное управление батареями позволяет операторам доставки максимизировать количество поставок на дрон в день, значительно улучшая отдачу от инвестиций и конкурентное позиционирование на быстро растущем рынке доставки дронов.

Сельскохозяйственный мониторинг

Сельскохозяйственные операции БПЛА часто включают в себя съемку больших площадей, которые могут потребовать нескольких изменений батареи или нескольких БПЛА, работающих в координации. Модели прогнозирования батареи позволяют эффективно планировать миссию, что обеспечивает полное покрытие при минимизации количества необходимых замен батарей.

Эти батареи широко используются в системах доставки, сельском хозяйстве и тактических БПЛА, где важна эффективность и устойчивая работа. Возможность точного прогнозирования времени автономной работы позволяет сельскохозяйственным операторам оптимизировать схемы обследования и сроки для максимального охвата территории за полет.

Инспекция инфраструктуры

Инфраструктурные инспекционные миссии, такие как обследования линий электропередач или проверки мостов, часто следуют заранее определенным маршрутам, которые могут быть оптимизированы на основе прогнозов батареи. Точные модели позволяют инспекторам планировать маршруты, которые максимизируют покрытие, обеспечивая безопасное возвращение на базу.

Дроны, предназначенные для длительного времени полета, например, используемые для наблюдения или доставки, требуют оптимизированного управления батареей для максимального увеличения их рабочего диапазона. Для инспекционных миссий с длительным сроком службы особенно полезно сложное управление батареей, поскольку они часто работают на пределах емкости батареи для максимизации эффективности.

Проблемы и ограничения

Несмотря на значительные достижения, прогнозирование срока службы батареи для БПЛА по-прежнему сталкивается с рядом проблем, которые ограничивают точность и надежность в определенных сценариях.

Доступность и качество данных

Поскольку развертывание БПЛА является относительно новым, существует нехватка статистически значимых данных о полетах для мотивации подходов, основанных на данных.Относительная новизна операций с электрическими БПЛА означает, что всеобъемлющие исторические данные для обучения моделей остаются ограниченными, особенно для новых химических элементов батареи и платформ БПЛА.

Проблемы качества данных, включая шум датчиков, дрейф калибровки и недостающие измерения, могут ухудшить точность прогнозирования. Надежные алгоритмы должны учитывать эти недостатки, все еще предоставляя надежные оценки.

Модельная сложность vs. вычислительные ресурсы

Наиболее точные модели прогнозирования часто требуют значительных вычислительных ресурсов, которые могут превышать возможности встроенных систем в небольших БПЛА. Это создает фундаментальный компромисс между точностью прогнозирования и производительностью в реальном времени.

Балансировка сложности модели с доступными вычислительными ресурсами требует тщательной инженерии и часто включает в себя внедрение упрощенных моделей для бортовых прогнозов в режиме реального времени при использовании более сложных моделей для автономного анализа и планирования.

Количественная неопределенность

Все прогнозы по аккумуляторам по своей сути связаны с неопределенностью из-за непредсказуемых факторов, таких как будущие условия ветра, колебания температуры и случайное поведение батареи.Эффективное сообщение этой неопределенности операторам и включение ее в процесс принятия решений остается сложной задачей.

Вероятностные подходы к прогнозированию, которые обеспечивают доверительные интервалы, а не одноточечные оценки, предлагают более полную информацию, но требуют более сложной интерпретации и могут осложнить автоматизированные системы принятия решений.

Нормативно-правовые аспекты и соображения безопасности

По мере расширения операций БПЛА нормативные рамки все чаще затрагивают требования к безопасности и производительности аккумуляторов, влияя на проектирование и внедрение системы прогнозирования.

Требования к сертификации

Международная организация гражданской авиации (ИКАО) прогнозирует 10-кратное увеличение числа глобальных гражданских БПЛА к 2030 году, при этом на рынке доминируют электрические многороторные дроны. Этот взрывной рост стимулирует разработку стандартов сертификации систем батарей БПЛА, включая требования к точности прогнозирования и запасам прочности.

Коммерческим операторам БПЛА, возможно, потребуется продемонстрировать, что их системы управления батареями соответствуют конкретным стандартам производительности, включая минимальные показатели точности прогнозирования и надежности. Эти требования влияют на процессы проектирования и проверки системы.

Маржи безопасности и управление рисками

В нормативных рамках операторы БПЛА обычно должны поддерживать определенные пределы безопасности для емкости аккумулятора, гарантируя, что прогнозируемое время автономной работы включает достаточные резервы для непредвиденных условий. Эти пределы должны быть включены в модели прогнозирования и системы планирования миссий.

Рамки управления рисками помогают операторам сбалансировать требования безопасности с операционной эффективностью, используя прогнозы батареи для количественной оценки и управления рисками, связанными с различными профилями миссий и условиями эксплуатации.

Заключение

Модели прогнозирования срока службы батареи стали незаменимыми инструментами для расширенных миссий БПЛА, позволяющих безопасно, эффективно и экономически жизнеспособно работать в различных приложениях.Эволюция от простых индикаторов на основе напряжения до сложных моделей машинного обучения, включающих в себя несколько физических явлений, представляет собой замечательное продвижение в технологии БПЛА.

По мере совершенствования химии аккумуляторов алгоритмы прогнозирования становятся все более изощренными, а вычислительные ресурсы расширяются, точность и надежность предсказаний срока службы аккумуляторов будут продолжать расти. Интеграция искусственного интеллекта, облачного обучения флоту и мультифизического моделирования обещает предоставить системы прогнозирования, которые могут адаптироваться практически к любому рабочему состоянию, сохраняя точность, необходимую для критически важных приложений.

Для операторов БПЛА инвестиции в передовые системы прогнозирования и управления батареями обеспечивают ощутимые преимущества с точки зрения показателей успеха миссии, операционной эффективности и безопасности. По мере того, как технология созревает и становится более доступной, даже мелкие операторы смогут использовать сложные возможности прогнозирования, которые когда-то были доступны только для хорошо финансируемых исследовательских программ.

Будущее эксплуатации БПЛА в основном зависит от надежного управления энергией, и модели прогнозирования срока службы батареи находятся в центре этой критической способности.Продолжая совершенствовать эти модели и более глубоко интегрировать их в системы БПЛА, отрасль может открыть новые приложения и операционные парадигмы, которые ранее были невозможны из-за ограничений батареи.

Для тех, кто заинтересован в дальнейшем изучении систем управления батареями, такие ресурсы, как журнал MDPI о надежности батарей БПЛА и ScienceDirect, посвященный исследованию управления батареями на основе машинного обучения , предоставляют ценную техническую информацию. Кроме того, отраслевые организации, такие как Технологии беспилотных систем , предлагают практические рекомендации по внедрению этих систем в операционных средах.

Поскольку технология БПЛА продолжает свою быструю эволюцию, прогнозирование срока службы батареи останется критическим фактором безопасных, эффективных и экономически устойчивых операций.Продолжающиеся исследования и разработки в этой области обещают предоставить все более эффективные системы, которые расширяют границы того, что могут выполнить БПЛА, открывая новые возможности для приложений, которые приносят пользу обществу в бесчисленных областях.