CN109661348A - 结冰控制系统 - Google Patents

结冰控制系统 Download PDF

Info

Publication number
CN109661348A
CN109661348A CN201780054454.9A CN201780054454A CN109661348A CN 109661348 A CN109661348 A CN 109661348A CN 201780054454 A CN201780054454 A CN 201780054454A CN 109661348 A CN109661348 A CN 109661348A
Authority
CN
China
Prior art keywords
aircraft
icing
algorithm
temperature
frozen
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201780054454.9A
Other languages
English (en)
Other versions
CN109661348B (zh
Inventor
K·T·博勒普
T·A·约翰森
K·L·索伦森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ubiq Aerospace
Original Assignee
Norwegian University of Science and Technology NTNU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Norwegian University of Science and Technology NTNU filed Critical Norwegian University of Science and Technology NTNU
Publication of CN109661348A publication Critical patent/CN109661348A/zh
Application granted granted Critical
Publication of CN109661348B publication Critical patent/CN109661348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D15/00—De-icing or preventing icing on exterior surfaces of aircraft
    • B64D15/20—Means for detecting icing or initiating de-icing
    • B64D15/22—Automatic initiation by icing detector
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D15/00—De-icing or preventing icing on exterior surfaces of aircraft
    • B64D15/12—De-icing or preventing icing on exterior surfaces of aircraft by electric heating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D15/00—De-icing or preventing icing on exterior surfaces of aircraft
    • B64D15/12—De-icing or preventing icing on exterior surfaces of aircraft by electric heating
    • B64D15/14—De-icing or preventing icing on exterior surfaces of aircraft by electric heating controlled cyclically along length of surface
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D15/00—De-icing or preventing icing on exterior surfaces of aircraft
    • B64D15/20—Means for detecting icing or initiating de-icing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U10/00—Type of UAV

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Control Of Resistance Heating (AREA)
  • Traffic Control Systems (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本文公开了一种确定飞行器的表面上是否发生了结冰的方法，该方法包括：对飞行器的表面进行加热；在加热停止之后，随表面冷却测量表面的温度；以及根据所测量的温度确定表面上是否发生了结冰。有利地，实施方式提供了用于结冰检测以及当形成结冰时结冰预防或减轻的改进的技术。实施方式当实现在自主和高能效操作特别重要的民用应用中的小型UAV上时特别有利。

Description

结冰控制系统
技术领域
本发明的领域包括检测飞行器表面上的结冰形成以及当检测到结冰时控制表面的加热。更具体地，提供了一种新的结冰控制系统，其允许以高能效的方式执行准确的结冰检测。还控制表面的加热以使得高效地执行任何结冰形成的去除。该结冰控制系统的特别有利的应用是在小型无人驾驶航空载具中。
背景技术
结冰是影响许多行业的天气危害，特别是航空业。对于所有飞行器，机翼表面上形成结冰会扰乱空气流动，是严重的问题。结冰可导致失去升力，阻力增加，并使得飞行器在更高的空速下失速。结冰还增加了飞行器的重量。结冰通常会降低机动性并增加飞行器的功耗。
无人驾驶航空载具(UAV)是没有人类飞行员的飞行器。UAV在商业、科学、娱乐和许多其它民用应用中的使用正在增加。例如，UAV的民用应用包括环境监测(例如，污染和天气)、森林火灾监测、交通监测、精准农业、救灾、临时通信网络、农村搜救、冰流监测和冰流跟踪。与人类驾驶飞行器相比UAV的优点是UAV的制造和运营成本低得多并且由于不存在对人类飞行员的任何风险，所以UAV固有地更安全。
由于其小尺寸和动力限制，对于UAV而言结冰是特别严重的问题。UAV还往往以相对低的空速和低空飞行，特别是在寒冷和多云天气条件下，这增加了形成冰的可能性。
人类驾驶飞行器中的结冰检测常常由飞行员视觉上进行，但是利用光学结冰检测器来自动检测结冰也是已知的。尽管可向UAV提供光学结冰检测器，但是这将增加UAV的成本和重量。
有众多在大型喷气式飞行器上实现的防结冰技术。例如，已知将来自喷气发动机的压缩机的热空气流提供到飞行器的外表面上方。然而，这种技术明显无法应用于由马达提供动力的典型小型UAV上。
因此一般需要提供用于解决UAV上的结冰形成的问题的技术。
发明内容
根据本发明的第一方面，提供了一种用于确定飞行器的表面上是否发生了结冰的方法，该方法包括：对飞行器的表面进行加热；在加热停止之后，随表面冷却测量表面的温度；以及根据所测量的温度确定表面上是否发生了结冰；其中，确定表面上是否发生了结冰的步骤包括：根据所测量的温度和参考温度计算残差；以及如果残差基本上不为零，则确定发生了结冰。
优选地，使用考虑对流传热系数的模型来定义残差。
优选地，通过表面中的加热元件来执行加热。
优选地，加热元件是电热源。
优选地，电热源布置成层。
优选地，电热源包括导电碳材料，其优选为碳纳米管和/或炭黑和石墨烯的混合物。
优选地，加热元件被集成在优选为层压结构的复合结构内。
优选地，表面是翼型、螺旋桨、旋翼或飞行器的任何其它部分的表面。
优选地，表面是机翼的表面；并且加热元件仅设置在机翼的前缘中。
优选地，通过对加热元件施加功率达预定时间长度来执行对表面的加热。
优选地，所述预定时间长度在1至15秒的范围内。
优选地，对于被加热元件覆盖的表面的每1m2，所施加的功率在1000W至10000W的范围内。
优选地，通过表面中和/或上的多个传感器来测量表面的温度。
优选地，所测量的温度是多个温度传感器的温度的平均值。
优选地，该方法还包括：使用随表面冷却所测量的温度以获得随表面冷却表面的温度曲线；其中，确定表面上发生了结冰根据所获得的温度曲线。
优选地，确定表面上是否发生了结冰根据从所测量的温度获得的温度曲线与参考曲线的比较。
优选地，根据在飞行器飞行期间，而非在飞行器飞行开始时所测量的温度生成所述温度曲线，该方法还包括：通过在飞行器飞行开始时对飞行器的表面进行加热来获得参考曲线；以及在加热停止之后，随表面冷却测量温度以获得参考曲线作为随表面冷却的表面的温度曲线。
优选地，该方法还包括：当发生了结冰时确定冰层有多厚。
优选地，还在表面正被加热时测量表面的温度。
优选地，确定表面上是否发生了结冰根据当表面被加热时以及当表面冷却时所测量的表面的温度。
优选地，该方法还包括：响应于确定开始结冰预防或结冰减轻，使用加热元件对表面进行加热。
优选地，该方法还包括：自动执行用于确定飞行器的表面上是否发生了结冰的所述方法；以及响应于确定发生了结冰和/或确定很可能发生结冰，自动开始结冰预防或结冰减轻。
优选地，该方法还包括：响应于确定环境条件适于发生结冰，自动执行用于确定飞行器的表面上是否发生了结冰的所述方法。
优选地，加热元件是多个单独的加热元件；多个加热元件中的每一个被布置为对表面的不同部分进行加热。
优选地，确定表面上发生了结冰的步骤包括：确定表面的哪些部分上发生了结冰；并且该方法仅包括利用被布置为对表面的发生了结冰的部分进行加热的加热元件对表面进行加热。
优选地，该方法还包括：响应于确定表面的多个部分上发生了结冰，依次对表面的所述多个部分中的每一个进行加热，使得表面的所述多个部分不全部同时被加热。
根据本发明的第二方面，提供了一种确定飞行器的哪些表面上发生了结冰的方法，该方法包括：针对飞行器的多个表面中的每一个，根据第一方面的方法来确定表面上是否发生了结冰。
优选地，飞行器是无人驾驶航空载具UAV。
根据本发明的第三方面，提供了一种飞行器的表面和用于检测飞行器的表面上的结冰的结冰控制系统，其中，该结冰控制系统包括计算系统，该计算系统被配置为根据第一或第二方面的方法来检测飞行器的表面上的结冰。
优选地，飞行器的表面包括在其表面中的加热元件。
优选地，加热元件是电热源。
优选地，电热源被布置成层。
优选地，电热源包括导电碳材料，优选为碳纳米管和/或炭黑和石墨烯的混合物。
优选地，飞行器的表面具有复合结构，优选为层压结构，并且加热元件被集成在该复合结构内。
优选地，飞行器的表面是翼型，优选为飞行器的机翼，并且加热元件仅被设置在该翼型的前缘中。
根据本发明的第四方面，提供了一种飞行器，该飞行器包括根据第三方面的飞行器的表面和结冰控制系统。
优选地，该飞行器是无人驾驶航空载具UAV。
根据本发明的第五方面，提供了一种生成飞行器的校准的大气数据估计的方法，该方法包括：接收飞行器的外部环境的传感器测量数据；使用所接收的传感器测量数据作为第一算法的输入，其中，该第一算法是由处理器执行的机器学习算法或参数估计算法；由第一算法根据传感器测量数据生成大气数据估计；使用所生成的大气数据估计作为第二算法的输入，其中，该第二算法是由处理器执行的观测器算法；以及由第二算法通过对由第一算法生成的大气数据估计应用校准来生成校准的大气数据估计。
优选地，传感器测量数据是压力和/或温度数据。
优选地，第二算法是非线性观测器算法。
优选地，对由第一算法生成的大气数据估计应用校准的步骤包括可选地通过以下步骤过滤大气数据估计：执行基于频率的信号添加；或者将第一算法当作虚拟大气数据参数传感器。
优选地，第一算法是神经网络。
优选地，在来自下列中的一个或更多个的数据上训练神经网络：风洞试验，可选地使用云台单元以变化迎角和/或侧滑角；训练飞行；以及软件仿真，可选地使用计算流体动力学软件或面元法软件。
优选地，第一算法是线性回归算法。
优选地，第二算法根据由第一算法生成的大气数据估计以及从下列中的一个或更多个接收的数据来生成校准的大气数据估计：飞行器的惯性测量单元、飞行器的卫星导航单元和飞行器的皮托管(pitot tube)。
优选地，第二算法根据飞行器的惯性测量单元来生成校准的大气数据估计，并且来自飞行器的惯性测量单元的数据包括关于飞行器的比力、角速率和磁场的数据。
优选地，大气数据估计包括飞行器的迎角、侧滑角和空速。
优选地，传感器测量数据接收自嵌入在飞行器的表面中的多个MEMS传感器，并且各个MEMS传感器可选地经由小型计算机系统接口并行接口(SPI)可选地连接到微控制器。
优选地，飞行器是无人驾驶航空载具UAV。
优选地，该方法还包括取第一和第二算法的输出以及可选地一个或更多个其它大气数据参数估计器算法作为卡尔曼滤波器的输入，该卡尔曼滤波器将所述输入当作Wiener过程、白噪声或Markov模型。
根据本发明第六方面的，提供了一种用于确定飞行器的表面上是否发生了结冰的基于模型的方法，该方法包括：接收飞行器的大气数据估计，其中，该大气数据估计包括飞行器的迎角、侧滑角和空速；接收飞行器的外部传感器测量数据，其中，该外部测量数据包括关于飞行器的比力、角速率、磁场和发动机速度的数据；使用所接收的大气数据估计和外部传感器测量数据来生成飞行器的模型；根据所生成的模型与参考数据的比较来确定飞行器的表面上发生了结冰。
优选地，该方法还包括根据第五方面的方法生成大气数据估计。
根据本发明的第七方面，提供了一种包括计算系统的结冰控制系统，该计算系统被配置为执行根据第五或第六方面的方法。
根据本发明的第八方面，提供了一种飞行器，该飞行器包括根据权利要求50所述的结冰控制系统。
优选地，该飞行器是无人驾驶航空载具UAV。
根据本发明的第九方面，提供了一种用于检测飞行器的表面上的结冰的方法，该方法包括：接收第一结冰检测系统的发生了结冰的确定；接收第二结冰检测系统的发生了结冰的确定，其中，该第二结冰检测系统使用与第一结冰检测系统不同的技术来检测结冰；以及根据从第一和第二结冰检测系统二者接收的确定，确定是否发生了结冰。
优选地，第一结冰检测系统根据随飞行器的表面冷却所测量的表面的温度曲线来检测结冰。
优选地，第一结冰检测系统根据第一方面的方法来检测结冰。
优选地，第二结冰检测系统根据飞行器的数学模型来检测结冰。
优选地，第二结冰检测系统根据第六方面的方法来检测结冰。
优选地，该方法包括：响应于确定存在潜在结冰条件，开始第二结冰检测系统的操作；响应于第二结冰检测系统检测到结冰，开始第一结冰检测系统的操作；以及响应于第一结冰检测系统确定发生了结冰，确定发生了结冰。
根据本发明的第十方面，提供了一种包括计算系统的结冰控制系统，该计算系统被配置为执行根据第九方面的方法。
根据本发明的第十一方面，提供了一种飞行器，该飞行器包括根据权利要求59所述的结冰控制系统。
优选地，该飞行器是无人驾驶航空载具UAV。
根据本发明的第十二方面，提供了一种在表面中包括加热元件的飞行器，其中，该加热元件是布置成层的电热源。
优选地，电热源包括导电碳材料，优选为碳纳米管和/或炭黑和石墨烯的混合物
附图说明
图1是根据实施方式的结冰控制系统的组件的框图；
图2示出根据实施方式的机翼上的电热源的布置；
图3示出根据实施方式的自校准大气数据参数估计器的组件和输入；
图4A和图4B示出翼型周围的气流分布；
图5示出根据实施方式的翼型上的探针位置；
图6示出温度曲线的仿真；
图7示出用于检测结冰的存在的信号的仿真；
图8是大气数据参数估计系统的实施方式的框图；以及
图9是根据实施方式的流程图。
具体实施方式
本发明的实施方式提供了用于结冰的检测以及当形成结冰时结冰的预防或减轻的改进的技术。实施方式当实现在自主和高能效操作特别重要的民用应用中的小型UAV上时特别有利。
本发明的实施方式包括一种结冰控制系统，其包括结冰检测器和加热元件(由电热源提供)。该结冰控制系统操作以准确地检测结冰形成。然后，当检测到结冰时控制电热源防止或减轻结冰。检测结冰形成以及防止或减轻结冰的操作均自动地执行，而无需人控制。另外，检测结冰形成和电热源的操作以高能效方式执行，以防止过度的功耗。该结冰控制系统被集成在飞行器设计内，从而导致很少或不会导致飞行器的性能的损失。该结冰控制系统还低成本和低重量。
本发明的实施方式还包括一种使用电热源检测结冰的新的技术。加热然后随着电热源由于其外部环境而冷却测量电热源的温度允许准确地检测电热源上的结冰形成。有利地，这提供了一种准确的方式来检测结冰。另外，相同的电热源用于结冰检测和结冰预防或结冰减轻二者。因此UAV的组件能够高效使用。
本发明的实施方式还包括一种使用机器学习技术结合自校准技术获得大气数据估计的新的技术。大气数据估计用于构建使用测量和估计的数据构建的飞行器的数学模型。如果建模的飞行器的行为不同于当不存在结冰时飞行器的预期行为，则检测到结冰。有利地，这种检测结冰的方式具有低功耗。
下面更详细地描述根据实施方式的结冰控制系统。
该结冰控制系统提供了智能结冰保护解决方案IPS，其使用智能算法来检测结冰以及控制用于防止或减轻UAV的暴露表面上的结冰形成的处理。该结冰控制系统包括多个组件。该系统的实现有利地小、可靠、重量轻并且由便宜的材料和组件组成。
图1示出结冰控制系统的组件。
应该注意的是，结冰控制系统的实施方式包括在控制单元中具有比图1所示更多的块以及在控制单元的外部具有更多的块的实现方式。优选实现方式包括如下的飞行器，即，该飞行器：仅具有提供大气传感器测量的一组传感器；仅具有提供外部传感器测量的一组传感器；仅具有提供大气数据估计(包括压力传感器测量)的一组传感器；仅具有一个电源；并且在控制单元内仅具有一个自校准大气数据参数估计器组件。控制单元内部和外部的所有其它组件优选具有一个或更多个备用件。例如，各个机翼具有自己的电热源和对应一组传感器以用于提供表面温度传感器测量。针对电热源和温度传感器的各个布置分别实现单独的结冰检测算法。
结冰控制系统包括以下主要元件：
1)控制单元，
2)电热源，以及
3)电源。
控制单元从机载传感器接收大气和其它环境条件的输入。如果检测到结冰，则智能控制算法按照适合于减轻冰形成并且还使功耗最小化的方式控制供应给电热源的功率。
如图1所示，有向控制单元提供测量的若干传感器测量组件。
外部传感器测量组件包括惯性测量单元IMU。IMU是测量并报告主体的比力、角速率和主体周围的磁场的电子装置。这些测量使用加速度计、陀螺仪和磁力计的组合来获得。IMU提供飞行器的比力和角速率的测量。外部传感器测量还包括提供飞行器的纵轴上的相对速度的测量的皮托-静压管；发动机速度传感器和控制面输入测量。外部传感器测量还包括用于从基于GNSS的地面速度测量获得位置数据的卫星接收器。
大气数据测量是来自若干传感器的数据，这些传感器围绕飞行器适当地定位，并提供压力测量，优选还提供温度测量。
大气传感器测量提供环境温度和相对湿度测量二者。
表面温度传感器测量由优选至少嵌入在各个机翼中的传感器阵列组成。这些传感器阵列向控制单元提供电热源的温度测量。
各个电热源是加热元件。各个电热源可由碳材料制成。优选地，各个电热源为通过液体载体按照层施加的导电碳纳米材料涂层的形式。涂层优选包括石墨烯、炭黑以及聚氨酯形式的粘结系统的混合物。
炭黑实际上是在受控条件下通过气态或液态烃的不完全燃烧或热分解生成的胶体颗粒形式的纯元素碳(纯度大约97％)。其外观为黑色、细碎的球团或粉末。
石墨烯是二维原子级蜂巢晶格形式的碳的同素异形体，其中一个原子形成各个顶点。它是包括石墨、木炭、碳纳米管和富勒烯的其它同素异形体的基本结构元素。石墨烯具有许多特别的性质。它比最坚固的钢还坚固约100倍。它高效地传导热和电并且几乎透明。
电热源也可由碳纳米管构造而成。碳纳米管(CNT)是无缝圆柱形中空纤维，由单片纯石墨(碳的六角晶格，类似于链节围栏)组成，直径为0.7至50纳米，长度通常在几十微米的范围内。作为完全由碳组成的中空管，其重量也极其轻。将碳原子保持在一起的键的类型非常强，加上原子本身的六角图案产生了称为电子非定域化的现象。这意味着在正确的条件下，电荷可在纳米管中自由移动。原子的规则排列还可按照高效地使热穿过管的方式振动，因此导热性以及导电性高。在单独的管级别，这些独特的结构表现出钢的200倍的强度和5倍的弹性；铜的5倍的导电性、15倍的导热性和1000倍的电流容量。该结构还具有铝的几乎一半的密度。
用于UAV的优选构造材料是碳纤维。碳纤维由沿长轴排列的碳晶体制成。这些蜂巢状晶体组织成长的扁平带。这种晶体排列使得带在长轴上强。继而，这些带在纤维内排列。纤维形状是用于生成碳纤维的材料(其前体)的原始形状。
作为层状碳材料提供电热源允许与层压碳纤维结构的良好集成。然而，实施方式还包括使用其它已知类型的电热源，例如基于铝或铜的电热源。
对于层状电热源，内部电阻率以及因此由电热源提供的加热取决于所施加的层的厚度和所述层的表面积。
用于实施方式的电热源的可能构造在以下文献中提供：“Carbon nanomaterial-based wing temperature control system for inflight anti-icing and de-icing ofunmanned aerial vehicles”(等人，2015IEEE Aerospace Conference，2015年3月7日至14日，印刷ISBN：978-1-4799-5379-0；http://ieeexplore.ieee.org/xpl/login.jsp？tp＝&arnumber＝7119206&url＝http％3A％2F％2Fieeexplore.ieee.org％2Fxpls％2Fabs_all.jsp％3Farnumber％3D7119206)(在2016年10月8日查阅)，其完整内容通过引用并入本文。
电热源的另一可能构造在以下文献中提供：“Carbon Nanotube(CNT)Enhancements for Aerosurface State Awareness”(Metis Design Corporation的Kessler和Dunn；MIT的Wicks、Guzman de Villoria和Wardle，IWSHM-2011；https://dspace.mit.edu/openaccess-disseminate/1721.1/81249，在2016年7月11日查阅)。
图2示出机翼上的电热源的优选布置以及如何向电热源供应功率。
从剖面图可以看出，在此实施方式中，电热源仅被设置在机翼的前缘(机翼的最有可能经历结冰的部分)上。
俯视图示出将电热源作为层施加在机翼上的处理中的四个步骤。步骤1是在机翼的表面上施加一层电绝缘体。然后在步骤2中，将导电汇流条(优选为铜)设置在绝缘体层上。然后在步骤3中，将电热源按照层施加在汇流条上面。在步骤4中，在电热源上面施加另一层电绝缘体。通过汇流条向电热源供应功率。电热源的功耗以及因此机翼表面的加热取决于电热源的厚度、位置和布局。
优选地，电热源至少被定位在飞行器的各个机翼中。然而，电热源也可被设置在飞行器的任何其它表面上，在所述表面上防止或减轻结冰特别重要和/或如果已知所述表面很可能经历结冰。
各个电热源的电源可以是电池组，例如锂聚合物电池。另选地或另外，可供应源自飞行器发动机的电力。
控制单元从包括测量传感器的外部组件接收输入。这些输入由控制单元的内部组件处理以向控制算法提供输入，以使得控制算法可确定如何以及何时控制电源以对各个电热源加热。
下面描述控制单元的内部组件。
自校准大气数据参数估计器组件从围绕飞行器适当地设置的传感器阵列获得测量。传感器由大气数据测量组件组成并提供用于估计飞行器的迎角(AOA)、侧滑角(SSA)和空速(通常统称为大气数据参数)的数据。这些参数与飞行器的性能直接相关。对于给定机翼剖面，AOA将例如确定机翼何时处于失速条件下，其导致升力的显著下降和机翼背后的流分离的大幅增加。作为与飞行安全条件相关的大气数据参数的示例，在结冰条件下飞行可导致机翼上的冰堆积，这将改变空气动力学能力。如果AOA已知，则可检测这种性能下降。
各个传感器优选地提供压力测量和温度测量。至少压力测量，优选压力和温度测量二者用作提供大气数据估计(即，迎角、侧滑角和空速)的机器学习算法(优选为神经网络算法)的输入。这些神经网络获得的大气数据估计由非线性观测器算法处理，该算法使用飞行器的模型以及可选地由外部传感器测量组件提供的实时数据(例如，IMU测量和/或位置数据(例如，来自卫星导航组件))。这使得非线性观测器算法能够估计飞行器模型的校正项和神经网络大气数据估计，因此提供一种用于完整大气数据估计的在线校准的方法。图3中提供了自校准大气数据参数估计器组件的内部组件的例示。
基于模型的结冰检测算法接收来自外部传感器测量组件的例如角速度、比力和发动机速度测量形式的输入以及由自校准大气数据参数估计器组件提供的估计。基于模型的结冰检测算法使用这些输入来生成用于检测结冰的数学模型。
基于模型的结冰检测算法在飞行操作期间在飞行器上形成冰时检测冰。其使用飞行器的数学模型(空气动力学模型)来检测指示形成了结冰的结构或空气动力学故障。该算法使用在标准飞行条件下获得的空气动力学参数的估计作为参考数据，并使用飞行器的数学模型。假如空气动力学参数与数学模型之间的差异变得显著和/或发生非预期的改变，则检测到结构故障。如果结构故障指示在例如飞行器的机翼的前缘上形成结冰，则该算法生成向中央故障诊断算法组件警示风险的信号。基于模型的结冰检测算法可使用推力和偏转角的特定控制信号。这些可以是命令的或测量的。
基于模型的结冰检测算法优选通过实现如以下文献中所公开的结冰检测技术来检测结冰：K.L.M.Blanke、T.A.Johansen；“Diagnosis of Wing Icing ThroughLift and Drag Coefficient Change Detection for Small Unmanned Aircraft”；法国巴黎，IFAC Safeprocess'15；第48卷；第21期；第541-546页；ISSN：1474-6670，其完整内容通过引用并入本文。
用于基于模型的结冰检测算法的自校准大气数据参数估计器组件的操作稍后在本文献中更详细地描述。
基于电热的检测算法提供用于结冰检测的另一技术。由基于电热的检测算法执行的结冰检测和基于模型的结冰检测算法是独立地确定是否发生了结冰的单独的处理。
基于电热的检测算法不使用飞行器的空气动力学模型。其相反使用飞行器机翼和电热源周围的系统的热力学模型。该系统的热力学模型包括各个机翼和各个机翼中的电热源的复合结构、机翼周围的气流、水层和冰层。基于电热的检测算法的输入由嵌入在各个机翼和/或各个电热源中的表面温度传感器供应。
如早前参照图2描述的，各个电热源优选被定位在飞行器机翼的前缘上。机翼表面的温度改变的速率取决于是否形成了冰。基于电热的结冰检测算法在电热源对机翼表面进行了加热之后获得机翼表面温度的测量。然后这些用于随机翼由于环境而冷却确定温度梯度。如果温度梯度相对于参考梯度显著不同和/或非预期地改变，则检测到形成结冰并且该算法生成警示中央故障诊断算法的信号。
基于电热的检测算法的操作稍后在本文献中更详细地描述。
控制算法组件优选包括中央故障诊断算法组件，其从控制单元的基于模型的结冰检测算法组件和基于电热的检测算法组件接收并评估警示信号。实施方式还包括作为与控制算法分离的组件提供的中央故障诊断算法组件。中央故障诊断算法组件使用外部测量和参考数据来自动地评估当前情况并确定是否发生了和/或很可能发生结冰。如果外部测量指示推力减小，需要更多推力以实现期望的高度，或者需要更多推力以维持期望的空速，而结冰检测算法发出了警报，则适于确定发生了结冰并且结冰是需要更多推力的原因。
如果中央故障诊断算法组件确定发生了结冰和/或很可能发生结冰，则它输出将这告知控制算法组件的信号。然后控制算法组件可改变其操作模式，以使得任何结冰形成被适当地减轻或预防。
控制算法具有控制电源向电热源的功率供应的目的。功率供应被控制为足以按照所需方式执行基于电热的结冰检测。如果检测到结冰，则功率供应被控制为足以按照所需方式执行结冰预防或结冰减轻。通过确保仅所需功率用于特定和必要的任务，由于提供结冰解决方案而导致的功耗被最小化。
当需要表面的加热时，控制算法向电源组件发送指定多少电流应该流过表面中的电热源以及持续多长时间段的信号。控制算法的操作取决于电源以及电热源的内部组成和结构布局。控制算法对电源的控制可取决于电源中剩余的电量和/或在该特定时间电源能够提供的功率。
控制算法从中央故障诊断算法组件接收告知它是否检测到结冰的信号。控制算法还接收来自大气传感器测量组件的通过环境温度和相对湿度测量指示可能结冰条件的输入以及来自表面温度传感器的输入。控制算法可根据所接收的数据自动地改变其操作模式。
控制算法从大气传感器测量组件接收的数据允许控制算法确定当前天气条件是不是会发生或很可能发生结冰的条件。如果控制算法从大气传感器测量组件接收的数据指示不太可能发生结冰，则控制算法优选在不执行结冰检测或预防/减轻的模式下操作。有利地，这防止了在不太可能发生结冰时由操作结冰检测和结冰预防/减轻系统而导致的不必要的功耗。控制算法从大气传感器测量组件接收的数据一旦指示会发生或很可能发生结冰，则控制算法优选开始操作根据实施方式的结冰检测算法中的一者或二者。
控制算法可根据需要在不同的模式下操作以用于：
1)结冰检测；
2)防结冰；以及
3)除冰。
结冰检测模式提供基于电热的结冰检测算法和控制算法的组合操作。控制算法通过控制电源组件向电热源提供导致电热源的对应加热的快速功率突发来提供电热源的加热。基于电热的结冰检测算法使用该加热模式来获得表面温度梯度的估计，从而检测是否发生了结冰。这可以是控制算法在所有飞行条件下的默认操作模式，直至控制算法的模式由于检测到结冰而改变。
防结冰模式通过确保电热源对表面进行加热以将表面温度维持在冰点以上的指定水平来防止在表面上形成结冰。这可通过反馈控制来实现，其中控制算法使用从表面温度传感器测量接收的输入以及预定义的温度设定点(即，期望的电热源温度)。此模式仅在已就绪(即，启用)时才有效。启用可响应于来自大气传感器测量的反馈执行。
除冰模式的目的在于通过减轻，而非防止冰形成来降低功耗。
允许冰形成在表面上。一旦检测到结冰，就启用除冰过程并且控制算法向电源生成信号。作为响应，电源向电热源提供一连串较短的功率突发，各个突发之后跟随有电源不供应功率的较长时段。此处理应该导致表面上的短期冰形成，随后是表面的快速温度增加以及因此空气动力学冰脱落。
防结冰过程通常具有比除冰过程更低的峰值功率要求。然而，由于两种不同的过程的本质，防结冰需要比除冰更大的平均功率，因此对电源的消耗更大。
防结冰过程仅需要来自电源的最大功率以实现期望的设定点温度。一旦实现了该温度，维持期望的温度所需的功耗低于最大值(主要取决于大气条件和电热源布局)。除冰过程需要最大功率以实现期望的设定点温度，类似防结冰方法。然而，除冰的设定点温度更高并且需要更多时间的最大功率。仅需要最大功率直至达到了设定点温度，或者直至结冰脱落。与防结冰方法的不同之处在于，并非贯穿结冰条件下的操作维持除冰方法的设定点温度。只有当存在结冰时除冰才有效，然后仅需要较短突发(通常小于60秒)的功率，随后是冷却时段，其中允许在暴露表面上形成潜在结冰。
有利地，结冰控制系统包括用于以高能效方式自动检测结冰并自动防止或减轻结冰的存在的组件。
可通过基于模型的结冰检测算法和/或基于电热的检测算法检测结冰。基于模型的结冰检测算法的优点在于，其不需要电热源的加热，因此需要比基于电热的检测算法更少的功率。基于电热的检测算法的优点在于，其通常可预期比基于模型的结冰检测算法更准确，因为检测基于来自期望检测结冰的实际表面的温度测量，而非表面处的任何条件的模型。
实施方式包括基于模型的结冰检测算法和基于电热的检测算法，一旦确定开始结冰检测(可从飞行开始或者响应于检测到潜在结冰条件)，二者就同时并彼此并行操作。然后结冰控制系统根据两种检测算法的输出来确定是否发生了结冰。然而，实施方式还包括另选地仅与基于模型的结冰检测算法或仅与基于电热的检测算法一起操作的结冰控制系统，并且仅基于模型的结冰检测算法和基于电热的检测算法中的一个用于结冰检测。
操作根据实施方式的结冰控制系统的优选方式是一旦飞行开始，或者优选地，一旦检测到具有结冰可能的大气条件，基于模型的结冰检测算法就连续地操作。需要更多能量来操作的基于电热的检测算法最初不经常操作，或者优选地，根本不操作。响应于基于模型的结冰检测算法检测到结冰，基于电热的检测算法然后自己操作或者与基于模型的结冰检测算法一起操作，以便证实基于模型的结冰检测算法的确定。实施方式还包括基于电热的检测算法更频繁地操作，例如一旦飞行开始，或者一旦检测到具有结冰可能的大气条件就连续地操作。只有基于电热的检测算法检测到结冰，才开始除冰或防结冰模式。
有利地，以高能效方式执行结冰检测，因为更准确但功耗更高的基于电热的检测算法仅在已经通过基于模型的结冰检测算法检测到发生或很可能发生结冰之后才频繁地使用。
有利地，结冰控制系统高度适合于在小型UAV上实现。
因此，实施方式提供了一种作为智能结冰保护解决方案IPS的结冰控制系统，其使用智能算法来检测结冰以及控制用于防止或减轻UAV的暴露表面上的结冰形成的处理。该结冰保护解决方案基于以下主要元件：1)电热源、2)智能控制单元和3)电源。控制单元通过测量周围环境条件的机载大气传感器封装来做好准备。一旦确立结冰风险，就启用并行工作的两种冰检测算法。此方法确保了鲁棒性和准确性。如果检测到结冰，则控制算法控制向电热源的功率供应，从而实现各个热源的温度控制，同时使功耗最小化。
是否执行防结冰或除冰可在每次飞行之前基于天气条件来预定，或者在飞行期间基于天气条件自动确定。例如，如果在操作高度有许多云，则仅执行防结冰将是适当的，因为结冰风险将或多或少是持久的。然而，如果操作高度高于云层，则仅执行除冰将是适当的，因为仅在穿过云层爬升或下降时结冰才是问题。
下面更详细地描述提供了使用电热源来检测结冰的新技术的本发明的实施方式。
基于电热的结冰检测算法所作的确定基于各个电热源周围的热力学系统、对应飞行器表面和环境条件。该算法使用残差和统计变化检测来确定是否发生了冰形成。
当飞行器在非结冰条件下操作时，存在包括飞行器机翼、电热源、水层(取决于大气条件)以及飞行器周围的气流的热力学系统。当发生结冰时，则热力学系统包括另一元素，这导致系统中的能量流的显著改变。基于电热的结冰检测算法正是使用能量流的这种改变来确定发生了结冰。
现在考虑一个具体实施方式，其中存在嵌入在电热源/机翼中的提供飞行器机翼的表面温度测量的K型热电偶的阵列。按照特定开/关模式启用电热源，其中整个电热源加热或者电热源不加热。加热模式允许温度梯度估计。
下面证明热力学理论。
假设电热源的平均温度TETS仅仅取决于对流冷却和焦耳加热，即，
式1基于给定热力学系统的热能平衡。在式1中，离开系统的能量被假设为仅仅是热对流的结果，并且所生成的能量来自于电热源的电加热。热对流的速率可等于主体体积(即，电热源的体积)随时间的温度下降，如式2所示。
其中ρ和cp分别是电热源的密度和比热容。V和A分别是电热源的体积和面积。
是对流传热系数。
式2的线性时不变系统可按照以下形式投射：
其中热时间常数τ由下式给出：
这是热力学系统的集总容量分析方法或集总系统分析的特征。应用此方法基于这样的假设：对传热的内部传导热阻显著大于外部对流传热。此假设与毕奥模数有关，其可被表示成：
其中k是电热源的热导率。通常应用的规则是对于小于或等于0.1的Bi值，集总系统分析中固有的误差将小于5％。
式3表明电热源与周围环境之间的差异作为时间的函数由下式给出：
ΔT(t)＝ΔT0e-t/τ 式6
其中ΔT0是仿真时间t＝0的温度差异。式6是表明电热源假设周围环境的温度按照由热时间常数τ控制的指数衰减速率的数学表达式。
为了检测，包括式4的理论热时间常数的式6右侧的表达式用作参考。式6的左侧是可测量的量。因此，所得残差可被定义为：
r≡ΔT0e-t/τ-ΔT(t) 式7
其中当没有发生结冰时r≈0，当发生了结冰时r≠0。鲁棒的标准应该评估在停用电热源之后给定时间窗口上的平均值|r|。
为了说明，7中的项ΔTQe-t/τ是理论(或标称)响应，ΔT(t)是其测量的响应。当所测量的温度响应(或特征)偏离标称响应时，认为存在结冰。
由于流体的扩散和整体(或宏观)运动，随着能量传递发生热对流。这种运动归因于大量分子共同移动或作为聚集体移动。在存在温度梯度的情况下，这种运动有助于热能的传递。随着聚集体中的分子维持其随机运动，由于通过分子的随机运动和流体的整体运动的能量转移的叠加而产生组合的热传递。
热对流的物理过程的另一种描述如下。考虑冷流体流过热主体。紧邻主体的流体形成厚度δ的层，其以减小的速度流动。该层被称为边界层。热被传导到边界层中，边界层将其输送到更下游，在那里其与更冷的自由流流动流体混合。通过移动流体输送热的这一过程被称为对流。艾萨克·牛顿爵士的对流数学表示由下式给出
其中ΔT≡(Ts-T∞)。式8是牛顿冷却定律的稳态形式，其中Ts是固体的表面温度，T∞是迎面流的温度。系数被称为对流传热系数。对流传热系数是要预测的高度复杂的量，其与被加热或冷却的主体周围流动的流体的运动紧密联系。
边界层可处于湍流或层流状态，其中后者的特征在于流体在平行层中流动，即，在平行层之间不存在流体颗粒的转移，也没有任何涡流或涡漩。关于层流状态的性质是高扩散动量和较低的对流动量。我们这里假设给定翼型的相关区域周围的流动为层流。
显然，热对流与流体动力学高度相关，因此需要引入重要的参数。一个这样的参数是无量纲量，其帮助不同流动状态的表征和量化并且被称为雷诺数Re，其被定义为动量力与粘性力之比。层流通常发生在低雷诺数下(尽管对于翼型仍在Re>104下，其中粘性力更占优势或者流速不占优势)。对于翼型周围的流动，Re被定义为
其中V∞是自由流流速，xc是特性线性尺寸(对于翼型，这对应于弦线)，v是翼型在其中操作的流体的运动粘度。
普朗特数(Pr)是另一重要参数。其可被概况为分子运动粘度与分子热扩散率之比，并且被定义为
普朗特数的值指示边界层的厚度δ与热边界层的厚度δt之间的相互关系。如果Pr＝1，则指示δ＝δt，此外当并且相反，当直观地说，这是合理的，因为高粘度导致厚边界层，并且高热扩散率应该表明厚热边界层。
当固体与流过的流体的自由流之间存在温度差异时，存在热边界层，其厚度为δt，不同于边界层的厚度δ。表面处的传热通过传导，因此
其中kf是流体的电导率，T是热边界层中的给定点处的温度，y是距固体表面的垂直距离。等式左侧的项对应于一维空间中的(热传导的)傅立叶定律。重新整理式11并与特性线性尺寸的倒数相乘，得到
这被称为努塞尔数(Nu)并且可被概况为流体的传导热阻与对流热阻之比。
对于强制对流，努塞尔数也可被表示成雷诺数和普朗特数的函数
接近1的努塞尔数表示层流，其中较大的Nu值对应于湍流。
热对流通常被分为两大类。这些与引起流动的驱动力有关。对于本文献中提出的工作，焦点被限于强制对流，而不是自由或自然对流。强制对流是为了描述对流而应用的分类，其中流体循环由外部因素(例如，风、风扇或者主体穿过流体的强制移动)产生。
与通常依赖于简单温度变化或静态热传导参数的其它解决方案相比，在所提出的模型中使用对流传热系数允许更加动态、明智的且鲁棒的结冰检测方法。
与由于输入能量供应熔融潜热，通过检测温度响应何时变平以熔化来检测结冰的方法相比，诸如此类的基于针对非结冰条件将响应与已知响应比较来检测结冰的方法的益处在于需要更少的能耗。。
下面提供为了证明基于电热的结冰检测的性能而进行的仿真的结果。
仿真环境基于以下假设：
1)模型的所有物理元素，(即，热源、翼型表面、翼型芯和表面冰)被假设为完美热接触。
2)翼型附近的流动为层流的。
3)仿真环境中的气压恒定。
4)环境温度恒定(自由流流动温度T∞＝恒定)。
5)沿着翼型跨度的条件均匀。因此，假设2D仿真环境以获取系统的热响应的所有主要方面。这是合理假设，因为与弦向贡献相比，不同跨度方向贡献的影响将忽略不计。
6)式5的毕奥模数小于或等于0.1。
7)电热源的平均温度仅仅取决于对流冷却和电加热。
模型参数如下：
·供应给电热源的功率为q·ETS＝500W/m2
·电热源的表面积上的平均对流传热系数为
·所施加的电热源的面积大小为A＝0：0638m2。
·电热源体积为V＝1.2750×10-5m3
·电热源的密度为ρ＝1300kg/m3
·电热源的比热容为cp＝1100J/kg·K
电热源的电导率为k＝1.00W/m·K
电热源的上述参数如材料供应商所规定。
使用商业COMSOL Multiphysics有限元软件包来生成仿真环境。COMSOL支持全瞬态、多维、非线性、热有限元建模，包括温度依赖材料性质和复杂边界条件。
开发的仿真环境模仿了结冰风洞。入口空速Vin为Vin＝V∞＝20ms-1，周围温度(或环境温度)Ta为Ta＝T∞＝-20℃。通过供应P＝500W/m2达10秒，以启用电热源来对仿真进行初始化。这样施加的功率迫使热力学系统离开平衡状态并进入瞬态阶段。总仿真时间为60秒，对于仿真时段的其余时间，电热源未被供应任何电力，使得在足够的时间之后，热力学系统返回平衡。
结冰检测至少基于一旦电热源的加热停止(即，当表面的温度由于表面通过其外部环境冷却而下降时)就开始的温度曲线。冷却阶段的温度曲线优于加热阶段的温度曲线，因为其取决于热对流系数的改变，而非比热系数。也就是说，加热阶段的温度曲线由表面的热容支配。冷却阶段期间的温度曲线更多受从表面到环境的热对流影响。另外，冷却阶段期间的温度曲线可在比加热阶段更长的时间段内确定，因此更多受对流影响并且更长的测量时段允许其被更准确地确定。使用冷却阶段期间的温度曲线还不需要电热源的加热的准确控制并且当以可变且未知量的功率间歇地对电热源加热时仍获得用于确定是否发生了结冰的温度曲线。
在结冰层施加到翼型的前缘的状态下获得了一个仿真数据集，并且在相同条件但没有结冰层的状态下获得了另一数据集。结冰层最厚处(与翼型的前缘一致)为2mm。
图4A和图4B示出在冰层施加到X8 Skywalker的翼型的前缘的状态下的仿真环境。X8 Skywalker是一种用于民用应用的市售UAV。参见例如：http://www.fpvmodel.com/latest-version-skywalker-black-x8-flying-wing-_g632.html(在2016年10月8日查阅)。X8 Skywalker是一种可集成根据实施方式的结冰控制系统的UAV以便改进UAV在结冰条件下的性能。
图4A示出X8 Skywalker的翼型周围的气流分布。图4B是翼型的前缘的近视图并示出施加的冰层。
为了在电热源的面积上获得温度测量，探针(即，虚拟传感器)被嵌入在翼型中，覆盖电热源的物理范围。其位置在表1中提供并示出于图5中。在表1中，位置由“a”(“atop”)(即，在顶表面上)或“u”(“under”)(即，在底表面上)以及由从翼型的前缘的弦线长度表示。
探针编号 弦线长度(mm) 位置(a/u)
[1,9] [45.00,5.00] a
10 0.00 -
[11,14] [20.00,5.00] u
表1
尽管为了结冰检测，测量气温可能是有效的，但是飞行器表面的温度是可接受的替代物。设置传感器以测量飞行器表面(而非周围空气)的温度允许防结冰和除冰模式下的更准确的温度控制。因此，在飞行器表面上/中设置传感器意指仅需要一组传感器以用于结冰检测和防结冰/除冰控制二者。
仿真的结果示出于图6中。在图6所示的响应中，当从在结冰条件下进行的仿真获得时来自探针1、2和3的响应显示出与其它传感器不同类型的行为。这是因为结冰层没有覆盖这三个特定探针。并非对被冰层覆盖的所有虚拟传感器进行建模是适当的，因为其对实际结冰条件下的可能情况进行建模。除了这三个偏离的虚拟传感器响应之外，数据中存在清晰的热模式。最相关的是当在结冰和非结冰条件下时各个响应的曲线的比较。这些温度曲线清楚地显示出冰层对热时间常数的影响。可在数据中看出的另一特性是位于最前缘的虚拟传感器与其余传感器的温度偏差。
图7示出在非结冰和结冰条件下获得的数据集的平均温度的仿真响应。该图还示出仿真残差信号。
表示为的响应是针对非结冰条件进行的仿真的平均电热源温度，而由标识的响应显示出针对结冰条件进行的仿真的电热源的平均温度。是见于式6中的表达式的响应，热常数由式4确定。此后一种响应用作非结冰条件的温度曲线的参考。两个信号rn和ri分别表示非结冰和结冰条件的残差信号。
当没有发生结冰时的温度曲线可以是预定曲线，其被持久地存储并用于所有结冰检测测量。对于具有特定电热源和温度传感器布置的所有特定类型的UAV，该预定曲线可相同。另选地，可针对各个特定UAV通过测量非结冰条件下的温度曲线然后存储该曲线来确定预定温度曲线。然而，优选实现方式是由UAV通过在飞行开始时测量温度曲线来为每次飞行测量温度曲线，因为已知此时基本上没有发生结冰。所测量的温度然后被存储并稍后重用作没有发生结冰时的温度曲线。
在图7中，清楚的是当发生了结冰时残差具有非常不同的特性，因此可用于检测结冰。例如，如果在加热停止之后2秒与加热停止之后5秒之间的时间段内残差的平均大小大于或等于0.5，则算法可确定发生了结冰，如果在加热停止之后2秒与加热停止之后5秒之间的时间段内残差的平均大小小于0.5，则确定没有发生结冰。这些检测标准是示例性的，实施方式包括基于所测量的温度的许多其它结冰检测标准，和/或使用所测量的温度曲线。例如，发生了结冰的确定可根据与当发生了或没有发生结冰时响应的一个或更多个参考曲线的比较来进行。参考曲线可从先前针对飞行器测量的数据或理论上计算的数据来生成。
实施方式还包括当发生了结冰时使用任何上述技术来进一步估计冰层有多厚。冰层的厚度的估计从温度曲线的梯度/形状来获得，温度曲线取决于冰层的厚度。
优选实现方式是在UAV的各个机翼的前缘上设置单独的电热源。各个电热源被设置在机翼的表面中。
优选地，各个电热源是如本文献中早前描述的碳材料层。优选地，各个电热源被集成在机翼内，机翼本身具有层压结构并由碳纤维制成。
操作布置在UAV的表面上的各个电热源的最适当的时间段和功率取决于UAV的类型、电热源布置在UAV的哪个表面上以及表面上的电热源的具体布置。
然而，电热源被加热的时间长度优选在1至15秒的范围内，更优选小于10秒。对于被加热元件覆盖的表面的每1m2，施加给电热源的功率优选在1000W至10000W的范围内。
优选地，存在布置在各个机翼的表面上和/或中的温度传感器，其覆盖机翼的由电热源加热的区域。温度曲线优选基于随着机翼的表面冷却多个温度传感器的一些或所有温度的平均值。
优选地，当表面正被加热时也测量表面的温度。然后可根据当表面被加热时以及当表面冷却时所测量的表面的温度来确定表面上是否发生了结冰。尽管可仅仅基于随着表面冷却的温度数据来进行准确确定，此实施方式允许基于更多测量的温度数据来确定。
实施方式还包括在同一机翼中提供多个电热源，各个电热源被布置为对机翼的表面的不同部分进行加热。通过针对各个电热源操作单独的结冰检测处理，可确定机翼的哪些表面上发生了结冰。这允许执行高效的防结冰或除冰，因为仅需要加热机翼的发生了结冰的表面。另外，如果在由多个电热源加热的表面上检测到结冰，则电热源优选依次加热(单独地或成组)，以使得不同时向所有电热源供应功率。有利地，这降低了电热源的电源必须提供给电热源的峰瞬时功率，并且允许电源更容易实现和更高效操作。
实施方式还包括应用如以下文献中公开的技术：K.L.A.S、Helland、T.A.Johansen；“Carbon nanomaterial-based wing temperature control system forin-flight anti-icing and de-icing of unmanned aerial vehicles”；2015IEEEAerospace Conference；2015年3月7至14日；第1-6页；ISSN：1095-323X；印刷ISBN：978-1-4799-5379-0，其完整内容通过引用并入本文。
实施方式还包括应用如以下文献中公开的技术：K.L.A.S、T.A.Johansen；“Thermodynamics of a Carbon nano-materials based icing protection system forunmanned aerial vehicle”；2016IEEE Aerospace Conference；2016年3月5至12日；第1-10页；INSPEC登录号：16121843，其完整内容通过引用并入本文。
下面更详细地描述本发明的实施方式，其为用于检测结冰的基于模型的结冰检测算法提供了新的自校准大气数据参数估计器组件(更一般地，大气数据估计组件)。
具有人类飞行员的大型飞行器常常配备有大气数据参数传感器，例如叶片和多孔皮托探针。然而，由于对尺寸、重量、功耗和价格的严格限制，在UAV，特别是小型UAV上设置这种设备不实际。
实施方式通过提供一种大气数据参数估计系统来解决此问题，其仅需要可针对UAV通过标准传感器套件测量与嵌入在UAV的表面中的小型传感器的组合获得的测量。根据实施方式的基于模型的技术基于机器学习算法(优选地，神经网络(NN)算法)与大气数据参数状态估计器的组合。
有利地，实施方式提供了一种为UAV估计大气数据参数的准确、鲁棒和低成本的方法。根据实施方式的技术特别适合于UAV，但是也可被应用于UAV以外的其它飞行器。
实施方式提供了一种估计大气数据参数的两层方法。第一层是应用机器学习算法。第二层是应用一种或更多种状态估计算法，其在机器学习算法的输出上操作。与大气数据参数状态估计器比较，ML方法通常与更高的准确性关联，但是伴随着对传感器设置的结构改变敏感的弱点。如果一个传感器输出由于磨损或传感器的位置/排列的微小改变而略微改变，则ML组件的输出可能显著劣化。
机器学习算法将UAV上的压力分布(优选地还有温度分布)映射到大气数据参数。ML组件使用包含关于这些输入-输出关系的信息的数据进行训练，并近似从输入至输出的隐含未知数学函数，以使得如果给定一组压力测量，则ML组件能够提供一组大气数据参数估计。特别优选的实施方式是机器学习算法为神经网络，并且本文中呈现机器算法为神经网络的实施方式。使用两种不同的ML算法，人工神经网络(NN)和线性回归(LR)测试了该方法。然而，实施方式包括使用能够将UAV上的压力和/或温度映射到大气数据参数的任何参数估计算法。例如，实施方式包括使用遗传算法、逻辑回归和支持向量机。
多个压力和/或温度传感器被设置在UAV的外表面上并嵌入在其中。实施方式的优点在于，在传感器放置方面非常灵活，因此实施方式可用于UAV的大范围的尺寸和设计。根据实现方式的对象飞行器，这潜在地允许UAV配备大气数据参数估计器系统，其中其它解决方案不可行。示例可以是由飞行器的机头上的螺旋桨驱动的UAV，其无法使用机头嵌入式大气数据感测(FADS)系统。可选择解决方案的宽范围的可能布局以适应其设计用于的UAV的确切需求。
另外，将优选向UAV的各个特定设计上的各个特定传感器布置提供用于神经网络的新的一组训练数据。有利地，下面描述的大气数据参数估计技术的第二层校正具有相同设计和传感器布置的各个UAV之间的较小的不准确。因此不需要单独地校准各个单独的UAV，因此根据实施方式的技术高度可扩展。
各个传感器优选为基于MEMS的压阻式压力传感器。特别优选的传感器的示例是Bosch280：https://www.bosch-sensortec.com/bst/products/all_products/bmp280(在2016年8月16日查阅)。这是一种成本低、尺寸小且功耗低的组合压力和温度传感器。这种类型的传感器可用于小型UAV，而大且昂贵的皮托探针不能。其可例如经由SCSI(小型计算机系统接口)并行接口(SPI)连接到微控制器。有线通信解除了连接到昂贵的压力扫描仪的橡胶管的设置。
在根据实施方式的UAV的表面上设置传感器是在每个机翼的顶部四个传感器，在每个机翼的底部一个传感器，在UAV的机头顶部三个传感器，在UAV的机头的前侧两个传感器，在UAV的机头的底部一个传感器。因此在策略上选择传感器的设置以使得传感器被设置在最适当的位置以用于测量温度和/或压力。
用于神经网络的训练数据可从在风洞中测量的数据、在实际飞行期间测量的数据或者从例如使用计算流体动力学(CFD)软件或面元法软件创建的软件仿真中的一个或更多个获得。在风洞测试中，使用云台单元(PTU)允许AOA和SSA变化。这允许快速收集数据点并且可生成关于PTU位置之间的动态转变的数据。由于可调节许多不同的参数(大气数据参数、温度、空气密度等)，软件仿真可生成大的数据集。
神经网络的输入优选具有很少过滤和高更新率。尽管这至少在最初将导致神经网络的估计不太准确，但是其将为高度动态的飞行条件下更准确的估计提供基础。
第一层神经网络组件的输出是UAV的大气数据参数的估计。此输出被提供给根据实施方式的大气数据参数估计技术的第二层，该第二层自动地对大气数据参数估计应用校准。通过由第二层应用的校准来有利地补偿由于磨损或对UAV应用传感器设置(神经网络没有具体针对其进行训练)而导致的传感器输出的任何不准确，从而提供鲁棒和容错的系统。
优选地，除了如上所述用于提供主要大气数据估计之外，第一层算法实现另外的单独的神经网络。该另外的神经网络被配置为检测传感器测量是否彼此相干并且排除任何故障传感器读数。这允许训练若干新的单独的神经网络以应对存在传感器的特定损失的情况。例如，如果传感器之一开始输出被估计为故障的测量，则网络使用其它传感器进行训练并用于大气数据参数估计。
大气数据参数估计器系统的第二层可以是基于信号或基于模型的观测器。根据实施方式，其为状态估计器组件结构。此组件由同时运行的一个或更多个状态估计算法组成，其使用UAV的数学模型以及可选地传感器测量来过滤神经网络组件估计，以校正神经网络组件估计的任何不准确。状态估计器可通过基于频率的信号添加或者通过使状态估计器组件将ML组件当作虚拟大气数据参数传感器来与ML组件组合。
如果存在已知神经网络组件没有提供良好的大气数据估计的条件，则状态估计组件优选被配置为使用不利用神经网络组件估计的不同状态估计算法来获得大气数据参数的估计。这提供了能够应对UAV可能经历的任何情况的完整大气数据参数估计系统。
图8中示出大气数据参数估计系统的实施方式的框图。若干不同的状态估计器并行设置并且不同的状态估计器可同时操作。除了图8中具体示出的那些之外，实施方式还包括使用其它状态估计算法来获得大气数据参数的估计。
惯性测量单元(IMU)、全球导航卫星系统(GNNS)接收器和差压皮托静压探针作为传感器套件设置在UAV上。需要注意的是，差压皮托静压探针仅提供UAV的前向方向上的相对速度测量。实施方式的大气数据估计系统获得所有三个维度上的大气数据估计。
在图8中，持久激励状态估计器组件优选通过实现如以下文献中公开的技术来估计大气数据参数：Johansen,T.A.、Cristofaro,A.、K.L、Hansen,J.M.和Fossen,T.I.(2015年6月)；“On estimation of wind velocity,angle-of-attack and sideslipangle of small UAVs using standard sensors”；2015international conference onunmanned aircraft systems(icuas)；(第510-519页).IEEE，其完整内容通过引用并入本文。
持久激励状态估计器组件是观测器组件，其仅需要标准传感器而不依赖于飞行器的数学模型。尽管观测器组件需要一致地激励的飞行模式，但来自于环境和正常飞行包络的激励足够了。此外，将ML组件实现为虚拟传感器消除了此要求。
持久激励状态估计器组件还优选通过实现如以下文献中公开的技术来估计大气数据参数：A.W.Wenz、T.A.Johansen、A.Cristofaro；“Combining model-free and model-based Angle of Attack estimation for small fixed-wing UAVs using a standardsensor suite”；2016International Conference on Unmanned Aircraft Systems(ICUAS)；2016年6月7至10日；第624-632页；其完整内容通过引用并入本文。此状态估计器还包括升力系数估计。
在图8中，基于模型的状态估计器组件优选通过实现如以下文献中公开的用于估计大气数据参数的技术来估计大气数据参数：K.L.M.Blanke、T.A.Johansen；“Diagnosis of Wing Icing Through Lift and Drag Coefficient Change Detectionfor Small Unmanned Aircraft”；法国巴黎，IFAC Safeprocess'15；第48卷；第21期；第541-546页；ISSN：1474-6670，或者Borup,K.T.、Fossen,T.I和Johansen,T.A.(2016)“′ANonlinear Model-Based Wind Velocity Observer for Unmanned Aerial Vehicles InNon-linear control systems(nolcos)”，其完整内容通过引用并入本文。这依赖于UAV的数学模型、标准传感器套件和飞行器控制信号。相对于此估计器的激励，对飞行模式不存在限制。
在图8中，NN校准状态估计器组件是基于模型的状态估计器，其接收神经网络组件大气数据参数估计作为输入。此状态估计器使用来自UAV传感器套件的测量以及飞行器控制信号。具体地，NN校准状态估计器可使用推力和偏转角的特定控制信号。这些可以是命令的或测量的。状态估计器用作神经网络组件大气数据参数估计的过滤器。所得输出是更准确的大气数据参数估计，其包括校正由于压力传感器设置的改变(例如，当在新的UAV上安装压力传感器时发生的小的结构差异)导致的不准确的自校准。
在图8中，决策结构组件接收状态估计器的输出作为输入，并根据所接收的输入中的一个或更多个确定生成状态估计(大气数据参数的估计)作为其输出，该确定取决于输入数据和UAV的当前飞行轨迹。从决策结构组件输出的大气数据参数可与决策结构组件所接收的输入之一相同，决策结构组件的确定仅仅是给定当前飞行条件，选择输出所接收的大气数据参数中的哪一个。
因此，实施方式有利地通过多种技术之一来获得大气数据参数估计，包括将机器学习或参数估计技术与基于观测器理论的状态估计算法组合的新技术。这为各个传感器设置之间的小的结构改变提供了自校准并减小了由微小传感器劣化导致的任何误差的影响。实施方式高度可扩展，并且允许压力/温度传感器的灵活放置。
该方法的可能增强是向估计器结构添加第三层(在决策结构之前或并入决策结构中)。这可由卡尔曼滤波器组成，其取任何数量的大气数据参数估计器作为输入并将该输入当作Wiener过程、白噪声或Markov模型。此方法允许模块化方法来估计大气数据参数，其中上面提及的估计器的任何数量的组合可被组合成单个输出结构，其中基于输入估计器的性能特性来选择卡尔曼滤波器的细节。例如，基于传感器的大气数据参数估计器和自校准大气数据参数估计器二者可连接到第三层卡尔曼滤波器，卡尔曼滤波器继而生成增强系统的最终输出。此结构可由任何数量的不同配置组成(例如，自校准大气数据参数估计器与两个基于模型的估计器并行，以及三个基于传感器的估计器被并入第三层卡尔曼滤波器中)。
图9是示出根据实施方式的用于确定飞行器的表面上是否发生了结冰的处理的流程图。在步骤901中，该处理开始。在步骤903中，对飞行器的表面进行加热。在步骤905中，在加热停止之后，随表面冷却测量表面的温度。在步骤907中，根据所测量的温度确定表面上是否发生了结冰。在步骤909中，该处理结束。
根据实施方式的结冰控制系统包括用于实现根据实施方式的所有算法和其它处理的计算系统。具体地，本文所描述的方法和处理可被具体实现为代码(例如，软件代码)和/或数据。这种代码和数据可被存储在一个或更多个计算机可读介质上，其可包括可存储代码和/或数据以便于计算机系统使用的任何装置或介质。当计算机系统读取并执行存储在计算机可读介质上的代码和/或数据时，计算机系统执行具体实现为存储在计算机可读存储介质内的数据结构和代码的方法和处理。在某些实施方式中，本文所描述的方法和处理的步骤中的一个或更多个可由处理器(例如，计算机系统或数据存储系统的处理器)执行。本领域技术人员应该理解，计算机可读介质包括可用于存储信息(例如，计算机可读指令、数据结构、程序模块以及由计算系统/环境使用的其它数据)的可移除和不可移除结构/装置。计算机可读介质包括(但不限于)：易失性存储器，例如随机存取存储器(RAM、DRAM、SRAM)；以及非易失性存储器，例如闪存、各种只读存储器(ROM、PROM、EPROM、EEPROM)、磁和铁磁/铁电存储器(MRAM、FeRAM)以及磁和光学存储装置(硬盘驱动器、磁带、CD、DVD)；网络装置；或者现在已知或以后开发的能够存储计算机可读信息/数据的其它介质。计算机可读介质不应被解释为包括任何传播信号。
实施方式包括对如上所述的实施方式的若干修改和变化。
如上所述，实施方式优选实现基于模型的结冰检测算法和基于电热的检测算法二者。使用两种算法增加了系统的鲁棒性和可靠性。然而，实施方式包括仅实现这些算法之一的结冰控制系统。
实施方式可用于检测和/或防止飞行器的任何表面上的结冰。这些包括飞行器的机翼、旋翼、稳定器、螺旋桨、旋翼、暴露的测量仪器(例如，皮托管)和天线中的任一个。
实施方式包括使用不止一个电源。例如，用于对电热源加热的电源可与用于为结冰控制系统的处理供电的电源分离。
如图1所示的控制单元可包括不止一个所示的任何块。例如，可针对布置在飞行器中的多个电热源中的每一个存在用于实现基于电热的检测算法的相应单独的块。
如图1所示的中央故障诊断算法被配置为检测与结冰有关的故障。实施方式还包括此组件检测可能发生的所有故障，而不仅仅是与结冰有关的故障。非结冰故障的示例是丢失传感器测量。因此结冰只是可通过控制系统减轻或预防的多种故障中的一种。
实施方式还包括将机器学习组件(优选地，神经网络)用于其它应用。实施方式的大气数据参数估计系统提供三个维度的准确测量。然而，对于某些应用，这可能不是必要的。对于结冰检测技术，可在紧接在起飞之后的巡航期间进行AOA和空速估计，然后可在UAV转变为可导致结冰的未知飞行条件之后连续地在这些值上运行改变检测算法。这导致消除估计偏差和不准确，从而提供用于检测结冰的简单手段。在此实施方式中，机器学习组件能够用作独立算法，其输出直接连接到结冰检测算法。
实施方式特别适合于在UAV中，更具体地，在小型UAV中实现。然而，实施方式也适用于其它飞行器，包括标准人类驾驶飞行器。
实施方式包括使用上述以外的任何其它类型的电热源。实施方式还包括不存在电热源并且基于电热的检测算法在通过替代加热源执行加热之后操作以检测结冰。例如，如果飞行器具有喷气发动机，则可通过暂时地将来自喷气发动机的热施加到要检测结冰的表面上来执行加热。
实施方式包括结冰检测和结冰控制技术被应用在航空以外的其它行业中。这些行业包括海运、通信行业中的塔的结冰预防以及发电和输电行业(例如，风力发电机的结冰预防)。
本文中的流程图及其描述不应被理解为规定执行其中所描述的方法步骤的固定次序。相反，方法步骤可按照可行的任何次序来执行。尽管已结合具体示例性实施方式描述了本发明，但是应该理解，在不脱离如所附权利要求书中阐述的本发明的精神和范围的情况下，可对所公开的实施方式进行对本领域技术人员而言显而易见的各种改变、替换和更改。

Claims (66)

1.一种确定飞行器的表面上是否发生了结冰的方法，该方法包括以下步骤：
对飞行器的表面进行加热；
在加热停止之后，随所述表面冷却测量所述表面的温度；以及
根据所测量的温度确定所述表面上是否发生了结冰；
其中，确定所述表面上是否发生了结冰的步骤包括：
根据所测量的温度和参考温度计算残差；以及
如果所述残差基本上非零，则确定发生了结冰。
2.根据权利要求1所述的方法，其中，使用考虑了对流传热系数的模型来定义所述残差。
3.根据权利要求1或2所述的方法，其中，由所述表面中的加热元件执行加热。
4.根据权利要求23所述的方法，其中，所述加热元件是电热源。
5.根据权利要求4所述的方法，其中，所述电热源被布置成层。
6.根据权利要求4或5所述的方法，其中，所述电热源包括导电碳材料，所述导电碳材料优选为碳纳米管和/或炭黑和石墨烯的混合物。
7.根据权利要求3至6中的任一项所述的方法，其中，所述加热元件被集成在复合结构内，该复合结构优选为层压结构。
8.根据任何前述权利要求所述的方法，其中，所述表面是翼型、螺旋桨、旋翼或飞行器的任何其它部分的表面。
9.根据任何前述权利要求所述的方法，其中，所述表面是机翼的表面，并且所述加热元件仅被设置在所述机翼的前缘中。
10.根据权利要求3或从属于权利要求3的任何权利要求所述的方法，其中，对表面进行加热的步骤是通过在预定时间长度中向所述加热元件施加功率来执行的。
11.根据权利要求10所述的方法，其中，所述预定时间长度在1至15秒范围内。
12.根据权利要求10或11所述的方法，其中，对于被所述加热元件覆盖的表面的每1m2，所施加的功率在1000W至10000W范围内。
13.根据任何前述权利要求所述的方法，其中，通过所述表面中和/或所述表面上的多个传感器来测量所述表面的温度。
14.根据权利要求13所述的方法，其中，所测量的温度是所述多个温度传感器的温度的平均值。
15.根据任何前述权利要求所述的方法，该方法还包括使用随所述表面冷却所测量的温度来获得随着所述表面冷却的所述表面的温度曲线，其中，所述表面上发生了结冰的确定取决于所获得的温度曲线。
16.根据权利要求15所述的方法，其中，根据从所测量的温度获得的温度曲线与参考曲线的比较来确定所述表面上是否发生了结冰。
17.根据权利要求15所述的方法，其中，根据在所述飞行器飞行的期间而非所述飞行器的飞行开始时所测量的温度来生成所述温度曲线，该方法还包括：
通过在所述飞行器的飞行开始时对所述飞行器的表面进行加热来获得参考曲线；以及
在加热停止之后，随所述表面冷却测量温度以获得所述参考曲线作为随着所述表面冷却的所述表面的温度曲线。
18.根据任何前述权利要求所述的方法，该方法还包括当发生了结冰时，确定冰层有多厚。
19.根据任何前述权利要求所述的方法，其中，当所述表面正被加热时也测量所述表面的温度。
20.根据权利要求19所述的方法，其中，根据当所述表面被加热时以及当所述表面冷却时所测量的所述表面的温度来确定所述表面上是否发生了结冰。
21.根据权利要求3或从属于权利要求3的任何权利要求所述的方法，该方法还包括响应于确定开始结冰预防或结冰减轻，使用所述加热元件对所述表面进行加热。
22.根据任何前述权利要求所述的方法，该方法包括：
自动执行用于确定飞行器的表面上是否发生了结冰的所述方法；以及
响应于确定发生了结冰和/或确定可能发生结冰，自动开始结冰预防或结冰减轻。
23.根据权利要求22所述的方法，该方法还包括：
响应于确定环境条件适于发生结冰，自动执行用于确定飞行器的表面上是否发生了结冰的所述方法。
24.根据权利要求3或从属于权利要求3的任何权利要求所述的方法，其中，所述加热元件是多个单独的加热元件，并且所述多个加热元件中的每一个被布置为对所述表面的不同部分进行加热。
25.根据权利要求24所述的方法，其中，确定所述表面上发生了结冰的步骤包括确定所述表面的哪些部分上发生了结冰，并且该方法包括仅利用被布置为对所述表面的发生了结冰的部分进行加热的加热元件来对所述表面进行加热。
26.根据权利要求24或25所述的方法，该方法还包括响应于确定所述表面的多个部分上发生了结冰，依次加热所述表面的所述多个部分中的每一个，使得不同时对所述表面的所述多个部分全部进行加热。
27.一种确定飞行器的哪些表面上发生了结冰的方法，该方法包括针对所述飞行器的多个表面中的每一个表面，根据任何前述权利要求所述的方法来确定该每一个表面上是否发生了结冰。
28.根据任何前述权利要求所述的方法，其中，所述飞行器是无人驾驶航空载具UAV。
29.一种飞行器的表面和用于检测所述飞行器的表面上的结冰的结冰控制系统，其中，该结冰控制系统包括计算系统，该计算系统被配置为根据任何前述权利要求所述的方法来检测所述飞行器的表面上的结冰。
30.根据权利要求29所述的飞行器的表面和结冰控制系统，其中，所述飞行器的表面包括其表面中的加热元件。
31.根据权利要求29或30所述的飞行器的表面和结冰控制系统，其中，所述加热元件是电热源。
32.根据权利要求29至31中的任一项所述的飞行器的表面和结冰控制系统，其中，所述电热源被布置成层。
33.根据权利要求29至32中的任一项所述的飞行器的表面和结冰控制系统，其中，所述电热源包括导电碳材料，所述导电碳材料优选为碳纳米管、和/或炭黑和石墨烯的混合物。
34.根据权利要求29至33中的任一项所述的飞行器的表面和结冰控制系统，其中，所述飞行器的表面具有复合结构，该复合结构优选为层压结构，并且所述加热元件被集成在所述复合结构内。
35.根据权利要求29至34中的任一项所述的飞行器的表面和结冰控制系统，其中，所述飞行器的表面是翼型，该翼型优选为飞行器的机翼，并且所述加热元件仅被设置在所述翼型的前缘中。
36.一种飞行器，该飞行器包括根据权利要求29至35中的任一项所述的飞行器的表面和结冰控制系统。
37.根据权利要求36所述的飞行器，其中，所述飞行器是无人驾驶航空载具UAV。
38.一种生成飞行器的校准的大气数据估计的方法，该方法包括以下步骤：
接收飞行器的外部环境的传感器测量数据；
使用所接收的传感器测量数据作为第一算法的输入，其中，该第一算法是由处理器执行的机器学习算法或参数估计算法；
由所述第一算法根据所述传感器测量数据生成大气数据估计；
使用所生成的大气数据估计作为第二算法的输入，其中，该第二算法是由处理器执行的观测器算法；以及
由所述第二算法通过对由所述第一算法生成的所述大气数据估计应用校准来生成校准的大气数据估计。
39.根据权利要求38所述的方法，其中，所述传感器测量数据是压力和/或温度数据。
40.根据权利要求38或39所述的方法，其中，所述第二算法是非线性观测器算法。
41.根据权利要求38至40中的任一项所述的方法，其中，对由所述第一算法生成的大气数据估计应用校准的步骤包括可选地通过以下步骤过滤所述大气数据估计：
执行基于频率的信号添加；或者
将所述第一算法当作虚拟大气数据参数传感器。
42.根据权利要求38至41中的任一项所述的方法，其中，所述第一算法是神经网络。
43.根据权利要求42所述的方法，其中，在来自下列中的一个或更多个的数据上训练所述神经网络：
风洞试验，可选地使用云台单元以变化迎角和/或侧滑角；
训练飞行；以及
软件仿真，可选地使用计算流体动力学软件或面元法软件。
44.根据权利要求38至41中的任一项所述的方法，其中，所述第一算法是线性回归算法。
45.根据权利要求38至44中的任一项所述的方法，其中，所述第二算法根据由所述第一算法生成的大气数据估计以及从下列中的一个或更多个接收的数据来生成校准的大气数据估计：所述飞行器的惯性测量单元、所述飞行器的卫星导航单元和所述飞行器的皮托管。
46.根据权利要求45所述的方法，其中，所述第二算法根据所述飞行器的惯性测量单元来生成校准大气数据估计，并且来自所述飞行器的所述惯性测量单元的数据包括关于所述飞行器的比力、角速率和磁场的数据。
47.根据权利要求38至46中的任一项所述的方法，其中，所述大气数据估计包括所述飞行器的迎角、侧滑角和空速。
48.根据权利要求38至47中的任一项所述的方法，其中，所述传感器测量数据接收自嵌入在所述飞行器的表面中的多个MEMS传感器，并且各个MEMS传感器可选地经由小型计算机系统接口并行接口(SPI)可选地连接到微控制器。
49.根据权利要求38至48中的任一项所述的方法，其中，所述飞行器是无人驾驶航空载具UAV。
50.根据权利要求38至49中的任一项所述的方法，该方法还包括把所述第一算法和所述第二算法的输出以及可选地一个或更多个其它大气数据参数估计器算法的输出作为卡尔曼滤波器的输入，该卡尔曼滤波器将所述输入当作Wiener过程、白噪声或Markov模型。
51.一种用于确定飞行器的表面上是否发生了结冰的基于模型的方法，该方法包括以下步骤：
接收飞行器的大气数据估计，其中，该大气数据估计包括所述飞行器的迎角、侧滑角和空速；
接收所述飞行器的外部传感器测量数据，其中，该外部测量数据包括关于所述飞行器的比力、角速率、磁场和发动机速度的数据；
使用所接收的大气数据估计和外部传感器测量数据来生成所述飞行器的模型；以及
根据所生成的模型与参考数据的比较来确定所述飞行器的表面上发生了结冰。
52.根据权利要求51所述的方法，该方法还包括根据权利要求38至50中的任一项所述的方法生成所述大气数据估计。
53.一种包括计算系统的结冰控制系统，该计算系统被配置为执行根据权利要求38至52中的任一项所述的方法。
54.一种飞行器，该飞行器包括根据权利要求53所述的结冰控制系统。
55.根据权利要求54所述的飞行器，其中，该飞行器是无人驾驶航空载具UAV。
56.一种用于检测飞行器的表面上的结冰的方法，该方法包括以下步骤：
接收由第一结冰检测系统做出的发生了结冰的确定；
接收由第二结冰检测系统做出的发生了结冰的确定，其中，该第二结冰检测系统使用与所述第一结冰检测系统不同的技术来检测结冰；以及
根据从所述第一结冰检测系统和所述第二结冰检测系统二者接收的确定，确定是否发生了结冰。
57.根据权利要求56所述的方法，其中，所述第一结冰检测系统根据随所述飞行器的表面冷却所测量的所述表面的温度曲线来检测结冰。
58.根据权利要求56或权利要求57所述的方法，其中，所述第一结冰检测系统根据权利要求1至28中的任一项所述的方法来检测结冰。
59.根据权利要求56至58中的任一项所述的方法，其中，所述第二结冰检测系统根据所述飞行器的数学模型来检测结冰。
60.根据权利要求56至59中的任一项所述的方法，其中，所述第二结冰检测系统根据权利要求51或52所述的方法来检测结冰。
61.根据权利要求56至60中的任一项所述的方法，该方法包括：
响应于确定存在潜在结冰条件，开始所述第二结冰检测系统的操作；
响应于所述第二结冰检测系统检测到结冰，开始所述第一结冰检测系统的操作；以及
响应于所述第一结冰检测系统确定发生了结冰，确定发生了结冰。
62.一种包括计算系统的结冰控制系统，该计算系统被配置为执行根据权利要求56至61中的任一项所述的方法。
63.一种飞行器，该飞行器包括根据权利要求62所述的结冰控制系统。
64.根据权利要求63所述的飞行器，其中，该飞行器是无人驾驶航空载具UAV。
65.一种在表面中包括加热元件的飞行器，其中，该加热元件是布置成层的电热源。
66.根据权利要求65所述的飞行器，其中，所述电热源包括导电碳材料，所述导电碳材料优选为碳纳米管、和/或炭黑和石墨烯的混合物。
CN201780054454.9A 2016-08-22 2017-08-22 结冰控制系统 Active CN109661348B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB1614339.8 2016-08-22
GB1614339.8A GB2554062A (en) 2016-08-22 2016-08-22 Icing control system
PCT/EP2017/071172 WO2018037022A1 (en) 2016-08-22 2017-08-22 Icing control system

Publications (2)

Publication Number Publication Date
CN109661348A true CN109661348A (zh) 2019-04-19
CN109661348B CN109661348B (zh) 2023-07-28

Family

ID=57045676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780054454.9A Active CN109661348B (zh) 2016-08-22 2017-08-22 结冰控制系统

Country Status (6)

Country Link
US (1) US11034457B2 (zh)
EP (1) EP3500491B1 (zh)
CN (1) CN109661348B (zh)
CA (1) CA3034546A1 (zh)
GB (1) GB2554062A (zh)
WO (1) WO2018037022A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969238A (zh) * 2019-12-31 2020-04-07 安徽建筑大学 一种校准用电数据的方法及装置
CN111874234A (zh) * 2020-07-22 2020-11-03 南京航空航天大学 一种基于Ic指数和相对涡度的积冰预测方法和机载设备
CN112046761A (zh) * 2020-08-04 2020-12-08 中国空气动力研究与发展中心计算空气动力研究所 一种基于统计检验和滤波的飞机结冰在线探测方法
CN113420503A (zh) * 2021-06-11 2021-09-21 中国民航大学 基于温度序列相似性度量的积冰检测方法、系统、终端及应用
CN113899527A (zh) * 2021-12-06 2022-01-07 中国空气动力研究与发展中心低速空气动力研究所 一种试验模型表面温度的修正方法
CN114117822A (zh) * 2021-12-06 2022-03-01 大连理工大学 一种基于管壁温度条件检测瞬态增压供水管道结冰厚度方法
CN114166460A (zh) * 2022-02-11 2022-03-11 中国空气动力研究与发展中心低速空气动力研究所 飞行器进气道试验装置、系统和热气防冰试验判稳方法
CN114295079A (zh) * 2021-12-16 2022-04-08 大连理工大学 一种基于管壁热流条件检测增压供水管道结冰厚度方法
CN114313272A (zh) * 2022-02-07 2022-04-12 中国商用飞机有限责任公司 结冰探测器、电子设备和结冰探测方法
CN114353708A (zh) * 2021-12-24 2022-04-15 大连理工大学 一种适用于低气温环境增压供水系统低流量供水工况管道结冰厚度检测方法

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016111902A1 (de) * 2016-06-29 2018-01-04 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren und Assistenzsystem zur Detektion einer Flugleistungsdegradierung
RU2666886C1 (ru) * 2017-11-14 2018-09-12 Акционерное общество "Объединенная двигателестроительная корпорация" (АО "ОДК") Способ управления противообледенительной системой воздухозаборника газотурбинного двигателя самолета
US11209816B2 (en) * 2018-01-26 2021-12-28 Above Daas, Inc. Autonomous long range aerial vehicles and fleet management system
US20190377064A1 (en) * 2018-06-06 2019-12-12 GM Global Technology Operations LLC Method and apparatus for deicing of sensor systems in a vehicle
US11119507B2 (en) * 2018-06-27 2021-09-14 Intel Corporation Hardware accelerator for online estimation
EP3620379A1 (en) * 2018-09-10 2020-03-11 INTA, Instituto Nacional de Technica Aeroespacial System and method for detecting ice formation on a body
CN109375642B (zh) * 2018-09-20 2021-06-22 太原理工大学 一种无人机节能控制方法
US11618575B2 (en) * 2019-07-11 2023-04-04 Goodrich Corporation Ice detector apparatus, system, and method
EP4036565A1 (en) * 2021-01-27 2022-08-03 Université Libre de Bruxelles Device and method for detecting the formation of ice
GB2603814B (en) 2021-02-16 2023-06-28 Ubiq Aerospace As Electrical power transmission for propeller deicing
CN113093183B (zh) * 2021-04-02 2022-03-08 国家卫星海洋应用中心 阈值确定方法、海冰厚度反演方法、装置、设备及介质
US20240061444A1 (en) * 2022-08-17 2024-02-22 Beta Air, Llc Apparatus for pre-flight preparation for an electric aircraft
CN113777931B (zh) * 2021-11-09 2022-02-11 中国空气动力研究与发展中心计算空气动力研究所 结冰翼型气动模型构造方法、装置、设备及介质
CN114476079B (zh) * 2021-12-27 2023-10-20 武汉航空仪表有限责任公司 一种基于结冰条件判断的传感器及方法
CN114476083A (zh) * 2021-12-31 2022-05-13 中国航空工业集团公司西安飞机设计研究所 一种保形式结冰探测系统及方法
CN114625159B (zh) * 2022-01-21 2023-07-28 中国空气动力研究与发展中心计算空气动力研究所 一种基于被控变量的结冰飞机控制方法
CN114180072B (zh) * 2022-02-16 2022-04-12 中国空气动力研究与发展中心低速空气动力研究所 一种结冰厚度探测方法
US11970971B2 (en) 2022-04-27 2024-04-30 General Electric Company Heat transfer system for gas turbine engine
CN117906900B (zh) * 2024-02-22 2024-05-14 中国空气动力研究与发展中心低速空气动力研究所 一种结冰风洞试验中旋转帽罩的残留冰获取方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB665291A (en) * 1949-01-19 1952-01-23 Napier & Son Ltd Apparatus for detecting the occurrence or approach of icing conditions
US5191791A (en) * 1989-01-10 1993-03-09 Gerardi Joseph J Piezoelectric sensor
US20110240621A1 (en) * 2010-01-26 2011-10-06 Metis Design Corporation Multifunctional cnt-engineered structures
US20120266669A1 (en) * 2009-11-24 2012-10-25 Qinetiq Limited Sensor Arrangement
US20140191084A1 (en) * 2012-12-05 2014-07-10 Mesocribe Technologies, Inc. Ice detection and mitigation device
KR20140092638A (ko) * 2013-01-16 2014-07-24 한국항공우주산업 주식회사 전산해석기능이 구비된 항공기 방제빙시스템 및 그 처리방법
WO2014132073A1 (en) * 2013-02-28 2014-09-04 Gkn Aerospace Services Limited Ice detection
US9221548B1 (en) * 2011-09-27 2015-12-29 Rockwell Collins, Inc. Engine system and method using a mode for icing conditions

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1582673A (en) * 1977-02-18 1981-01-14 Gauting Gmbh Apparatebau Ice detector
US6328467B1 (en) * 1999-05-07 2001-12-11 University Of Tennessee Research Corp. Method and apparatus for detecting ice or frost deposition
US8550402B2 (en) * 2005-04-06 2013-10-08 Sikorsky Aircraft Corporation Dual-channel deicing system for a rotary wing aircraft
GB0823121D0 (en) * 2008-12-18 2009-01-28 Penny & Giles Controls Ltd Ice detection system
DE102008064038A1 (de) * 2008-12-22 2010-07-01 Ksb Aktiengesellschaft Vorrichtung und Verfahren zur Detektion von Belägen
WO2010118342A1 (en) * 2009-04-09 2010-10-14 Schlumberger Technology Corporation Method and system for detection of fluid invasion in an annular space of flexible pipe
GB2511343B (en) * 2013-02-28 2015-07-22 Gkn Aerospace Services Ltd Ice protection system
WO2014181186A2 (en) * 2013-03-15 2014-11-13 Amir Snir Methods and system for deicing a surface
US9284043B2 (en) * 2013-11-21 2016-03-15 Aai Corporation Evaluating aileron deflection while an unmanned aerial vehicle is in flight
US9957053B2 (en) * 2014-08-21 2018-05-01 Northrop Grumman Systems Corporation Helicopter rotor icing detection system and method
IT201600069279A1 (it) * 2016-07-04 2018-01-04 Leonardo Spa Elemento strutturale con riscaldatore per un veicolo, metodo di fabbricazione e metodo di funzionamento

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB665291A (en) * 1949-01-19 1952-01-23 Napier & Son Ltd Apparatus for detecting the occurrence or approach of icing conditions
US5191791A (en) * 1989-01-10 1993-03-09 Gerardi Joseph J Piezoelectric sensor
US20120266669A1 (en) * 2009-11-24 2012-10-25 Qinetiq Limited Sensor Arrangement
US20110240621A1 (en) * 2010-01-26 2011-10-06 Metis Design Corporation Multifunctional cnt-engineered structures
US9221548B1 (en) * 2011-09-27 2015-12-29 Rockwell Collins, Inc. Engine system and method using a mode for icing conditions
US20140191084A1 (en) * 2012-12-05 2014-07-10 Mesocribe Technologies, Inc. Ice detection and mitigation device
KR20140092638A (ko) * 2013-01-16 2014-07-24 한국항공우주산업 주식회사 전산해석기능이 구비된 항공기 방제빙시스템 및 그 처리방법
WO2014132073A1 (en) * 2013-02-28 2014-09-04 Gkn Aerospace Services Limited Ice detection

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
易贤等: "飞机三维结冰模型及其数值求解方法", 《航空学报》 *
王起达等: "基于XML技术的结冰后飞机纵向稳定性计算", 《飞机设计》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969238A (zh) * 2019-12-31 2020-04-07 安徽建筑大学 一种校准用电数据的方法及装置
CN111874234A (zh) * 2020-07-22 2020-11-03 南京航空航天大学 一种基于Ic指数和相对涡度的积冰预测方法和机载设备
CN112046761A (zh) * 2020-08-04 2020-12-08 中国空气动力研究与发展中心计算空气动力研究所 一种基于统计检验和滤波的飞机结冰在线探测方法
CN113420503A (zh) * 2021-06-11 2021-09-21 中国民航大学 基于温度序列相似性度量的积冰检测方法、系统、终端及应用
CN113420503B (zh) * 2021-06-11 2022-08-12 中国民航大学 基于温度序列相似性度量的积冰检测方法、系统、终端及应用
CN113899527B (zh) * 2021-12-06 2022-03-01 中国空气动力研究与发展中心低速空气动力研究所 一种试验模型表面温度的修正方法
CN114117822A (zh) * 2021-12-06 2022-03-01 大连理工大学 一种基于管壁温度条件检测瞬态增压供水管道结冰厚度方法
CN113899527A (zh) * 2021-12-06 2022-01-07 中国空气动力研究与发展中心低速空气动力研究所 一种试验模型表面温度的修正方法
CN114117822B (zh) * 2021-12-06 2024-04-12 大连理工大学 一种基于管壁温度条件检测瞬态增压供水管道结冰厚度方法
CN114295079A (zh) * 2021-12-16 2022-04-08 大连理工大学 一种基于管壁热流条件检测增压供水管道结冰厚度方法
CN114295079B (zh) * 2021-12-16 2023-11-17 大连理工大学 一种基于管壁热流条件检测增压供水管道结冰厚度方法
CN114353708A (zh) * 2021-12-24 2022-04-15 大连理工大学 一种适用于低气温环境增压供水系统低流量供水工况管道结冰厚度检测方法
CN114313272A (zh) * 2022-02-07 2022-04-12 中国商用飞机有限责任公司 结冰探测器、电子设备和结冰探测方法
CN114166460A (zh) * 2022-02-11 2022-03-11 中国空气动力研究与发展中心低速空气动力研究所 飞行器进气道试验装置、系统和热气防冰试验判稳方法
CN114166460B (zh) * 2022-02-11 2022-04-19 中国空气动力研究与发展中心低速空气动力研究所 飞行器进气道试验装置、系统和热气防冰试验判稳方法

Also Published As

Publication number Publication date
GB201614339D0 (en) 2016-10-05
CN109661348B (zh) 2023-07-28
EP3500491B1 (en) 2024-02-28
GB2554062A (en) 2018-03-28
WO2018037022A1 (en) 2018-03-01
EP3500491A1 (en) 2019-06-26
US20190202568A1 (en) 2019-07-04
CA3034546A1 (en) 2018-03-01
US11034457B2 (en) 2021-06-15

Similar Documents

Publication Publication Date Title
CN109661348A (zh) 结冰控制系统
González-Rocha et al. Sensing wind from quadrotor motion
Hann et al. Experimental heat loads for electrothermal anti-icing and de-icing on UAVs
Liu et al. Experimental investigation on the dynamic icing process over a rotating propeller model
CN102682144B (zh) 直升机旋翼飞行结冰的数值模拟方法
RU2011129689A (ru) Система и способ применения датчика обледенения
Mark et al. Review of microscale flow-sensor-enabled mechanosensing in small unmanned aerial vehicles
Chen et al. Reconstruction of atmospheric properties from Mars Science Laboratory entry, descent, and landing
Samad et al. An experimental investigation of the convective heat transfer on a small helicopter rotor with anti-icing and de-icing test setups
Lian et al. Three-dimensional fluid-structure interactions of a membrane wing for micro air vehicle applications
Leitzke et al. Wireless differential pressure measurement for aircraft
Villeneuve et al. Design and development of an experimental setup of electrically powered spinning rotor blades in icing wind tunnel and preliminary testing with surface coatings as hybrid protection solution
Jäckel et al. A review on Pitot tube icing in aeronautics: Research-design and characterization–future trends
Fei et al. Aircraft flight parameter detection based on a neural network using multiple hot-film flow speed sensors
Oleskiw et al. In-flight icing simulation capabilities of NRC's altitude icing wind tunnel
Zhao et al. Design and implementation of an innovative airborne electric propulsion measure system of fixed-wing UAV
Johansen Flight test results for autonomous icing protection solution for small unmanned aircraft
Cristofaro et al. An unknown input observer approach to icing detection for unmanned aerial vehicles with linearized longitudinal motion
Müller et al. UAV icing: Development of an ice protection system for the propeller of a small UAV
Borobia‐Moreno et al. Identification of kite aerodynamic characteristics using the estimation before modeling technique
Samad et al. A numerical and experimental investigation of the convective heat transfer on a small helicopter rotor test setup
Simon et al. Fast-response hot-wire flow sensors for wind and gust estimation on UAVs
Sharma et al. Hermes-wind energy harvesting wireless system for sensing AoA and wind speed
Tjhai Developing stochastic model of thrust and flight dynamics for small UAVs
Hann et al. Experimental Heat Loads for Electrothermal Anti-Icing and De-Icing on UAVs. Aerospace 2021, 8, 83

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210308

Address after: Trondheim

Applicant after: Ubiq Aerospace

Address before: Trondheim

Applicant before: NORWEGIAN University OF SCIENCE AND TECHNOLOGY (NTNU)

GR01 Patent grant
GR01 Patent grant