UAV-viankäsittelymoduulin toimintatila

Tärkeimmät tekniset haasteet

Tällä hetkellä tehokkaan ja luotettavan viankäsittelyjärjestelmän saavuttaminen kohtaa seuraavat päähaasteet:

Monimutkaisuus vs. reaaliaikainen{0}}suorituskyky: UAV-järjestelmät sisältävät lukuisia antureita ja toimilaitteita, joissa voi esiintyä monimutkaisia ​​vikoja, joihin liittyy kytkentöä, samanaikaisuutta tai asteittaisia ​​muutoksia. Perinteinen lennonohjauksen tietokoneiden redundanssin hallinta ja vikojen eristäminen kuluttavat merkittäviä laskentaresursseja, mikä lisää järjestelmän kuormitusta ja vaikuttaa reaaliaikaiseen{2}}suorituskykyyn. Samanaikaisesti suljetun silmukan suorittaminen diagnoosista ohjaukseen millisekunnissa vaatii erittäin suurta algoritmin tehokkuutta.

Malliriippuvuus vs. ympäristön epävarmuus: Monet matemaattisiin malleihin perustuvat diagnostiset menetelmät (kuten Kalman-suodatus) ovat vahvasti riippuvaisia ​​mallin tarkkuudesta. Todellisuudessa UAV:t kohtaavat kuitenkin epävarmoja häiriöitä, kuten aerodynaamisten parametrien muutoksia, puuskia ja jäätymistä, sekä mekaanisen kulumisen ja ympäristövaikutusten (kuten jäätymisen) aiheuttamia tuntemattomia epälineaarisia vikoja toimilaitteissa ja antureissa. Nämä tekijät vaikeuttavat merkittävästi tarkkaa mallintamista ja vian eristämistä.

Sisäiset resurssirajoitukset vs. algoritmin käyttöönotto: UAV:n sisäinen laskentateho, tallennustila ja virrankulutus ovat tiukasti rajoitettuja. Kehittyneillä älykkäillä diagnostisilla algoritmeilla (kuten syväoppimismalleilla) on kuitenkin yleensä korkeat laskennalliset vaatimukset ja niitä on vaikea ottaa käyttöön suoraan. Algoritmin suorituskyvyn, monimutkaisuuden ja reaaliaikaisen{2}}suorituskyvyn välillä on löydettävä vaikea tasapaino.

Frontier Technologyn läpimurtoohjeet

1. Intelligent Fusion ja Advanced Diagnostics: Ydin on parantaa diagnostiikan tarkkuutta ja sopeutettavuutta. Esimerkiksi yhdistämällä radiaalisen perusfunktion (RBF) hermoverkot epälineaarisiin dynaamisiin käänteisohjaimiin (NDI) voidaan adaptiivisesti estimoida ja kompensoida ympäristötekijöiden, kuten jäätymisen, aiheuttamia dynaamisia, tuntemattomia toimilaite- ja anturikomposiittiviat. Lisäksi epälineaaristen häiriöhavaintojen (NDO) käyttäminen erilaisten häiriöiden "pakkaamiseen" ja arvioimiseen voi tehokkaasti parantaa järjestelmän kestävyyttä.

2. Erittäin tehokkaat viat-Tolerantit ohjausalgoritmit: Keskitytään maksimoimaan resurssien optimointi ja varmistamaan samalla vakauden. Esimerkiksi yhdistämällä dynaamisen tapahtuma{3}}laukaisun ohjauksen ennalta määritettyyn aikavakausteoriaan, järjestelmä voi kommunikoida ja laskea vain tarvittaessa. Aiheeseen liittyvät tutkimukset osoittavat, että perinteisiin aika{5}}laukaisemiin mekanismeihin verrattuna verkkoresurssien kulutusta voidaan vähentää 69,4 %. Lisäksi kiinteä-aika/ennalta määrätty-aikaohjaus varmistaa, että järjestelmän tila konvergoi esiasetetun ajan sisällä alkuperäisestä tilasta riippumatta, mikä tarjoaa tarkat suorituskyvyn rajat.

3. Järjestelmäarkkitehtuurin optimointi: Tavoitteena on parantaa luotettavuutta huipputason-suunnittelusta lähtien. Toisaalta erillinen usean-lähteen vikasietoinen-navigointilaskentajärjestelmä on suunniteltu erottamaan tehtävät, kuten signaalinkäsittely ja redundanssin hallinta, lennonohjaustietokoneesta, mikä vähentää sen kuormitusta ja parantaa yleistä luotettavuutta. Toisaalta hajautettu vikadiagnoosijärjestelmä on kehitetty rationaalisesti jakamaan diagnostiikkatehtävät lentokoneissa ja maa-asemissa hyödyntäen maan vahvempaa laskentatehoa-syväanalyysiin.