Az UAV hibakezelő modul működési módja

Főbb műszaki kihívások

Jelenleg egy hatékony és megbízható hibakezelő rendszer megvalósítása a következő fő kihívásokkal néz szembe:

Komplexitás és valós idejű teljesítmény A hagyományos repülésvezérlő számítógépes redundancia-kezelés és a hibaleválasztás jelentős számítási erőforrásokat emészt fel, növelve a rendszerterhelést és kihat a valós idejű teljesítményre. Ezzel egyidejűleg a zárt hurok a diagnózistól a vezérlésig ezredmásodperceken belüli befejezése rendkívül magas algoritmus-hatékonyságot igényel.

Modellfüggőség versus környezeti bizonytalanság: Számos matematikai modelleken alapuló diagnosztikai módszer (például a Kálmán-szűrés) nagymértékben támaszkodik a modell pontosságára. A tényleges repülés során azonban az UAV-k bizonytalan zavarokkal szembesülnek, mint például az aerodinamikai paraméterek változásai, széllökések és jegesedés, valamint az aktuátorok és érzékelők ismeretlen nemlineáris hibái, amelyeket mechanikai kopás és környezeti hatások (például jegesedés) okoznak. Ezek a tényezők jelentősen megnehezítik a pontos modellezést és a hibaleválasztást.

Fedélzeti erőforrás-korlátozások az algoritmus telepítéséhez képest: Az UAV fedélzeti számítási teljesítménye, tárolása és energiafogyasztása szigorúan korlátozott. A fejlett intelligens diagnosztikai algoritmusok (például a mélytanulási modellek) azonban általában nagy számításigényűek, és nehéz közvetlenül telepíteni őket. Nehéz egyensúlyt kell találni az algoritmus teljesítménye, összetettsége és valós idejű{2}}teljesítménye között.

Frontier Technology áttörési irányok

1. Intelligens Fusion és Advanced Diagnostics: A lényeg a diagnosztika pontosságának és alkalmazkodóképességének javítása. Például a radiális bázisfüggvény (RBF) neurális hálózatok és a nemlineáris dinamikus inverz (NDI) vezérlők kombinálása adaptívan megbecsülheti és kompenzálhatja a környezeti tényezők, például a jegesedés által okozott dinamikus, ismeretlen működtető és érzékelő kompozit hibákat. Ezenkívül a nemlineáris zavarfigyelők (NDO-k) használata a különböző zavarok "csomagolására" és becslésére hatékonyan növelheti a rendszer robusztusságát.

2. Rendkívül hatékony hiba{1}}toleráns vezérlőalgoritmusok: A hangsúly az erőforrás-optimalizálás maximalizálásán van, miközben biztosítja a stabilitást. Például a dinamikus esemény{3}}vezérlés és az előre meghatározott időstabilitási elmélet kombinálása lehetővé teszi, hogy a rendszer csak akkor kommunikáljon és számoljon, ha szükséges. A kapcsolódó kutatások azt mutatják, hogy a hagyományos idő{5}}mechanizmusokhoz képest a hálózati erőforrás-fogyasztás 69,4%-kal csökkenthető. Ezenkívül a rögzített -idő/előre meghatározott-időszabályozás biztosítja, hogy a rendszer állapota a kezdeti állapottól független előre beállított időn belül konvergáljon, pontos teljesítményhatárokat biztosítva.

3. Rendszerarchitektúra optimalizálása: A megbízhatóság növelése a legfelső szintű-szintű tervezéstől. Egyrészt egy dedikált, több-forrású redundáns hibatűrő-navigációs számítástechnikai rendszert úgy terveztek, hogy a feladatokat, például a jelfeldolgozást és a redundanciakezelést elkülönítse a repülésvezérlő számítógéptől, csökkentve annak terhelését és javítva az általános megbízhatóságot. Másrészt egy elosztott hibadiagnosztikai rendszert fejlesztettek ki a diagnosztikai feladatok ésszerű elosztása érdekében a fedélzeti berendezések és a földi állomások között, felhasználva a föld erősebb számítási teljesítményét a mélyreható elemzéshez.