CN111582740A - 一种多旋翼无人机风险评估系统 - Google Patents
一种多旋翼无人机风险评估系统 Download PDFInfo
- Publication number
- CN111582740A CN111582740A CN202010400283.4A CN202010400283A CN111582740A CN 111582740 A CN111582740 A CN 111582740A CN 202010400283 A CN202010400283 A CN 202010400283A CN 111582740 A CN111582740 A CN 111582740A
- Authority
- CN
- China
- Prior art keywords
- risk
- unmanned aerial
- aerial vehicle
- detection module
- data
- 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
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000003570 air Substances 0.000 claims description 5
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 239000012080 ambient air Substances 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 239000008358 core component Substances 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 238000000034 method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000024703 flight behavior Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Abstract
本发明公开了一种多旋翼无人机风险评估系统,涉及多旋翼无人机风险评估技术的领域。本发明提出的多旋翼无人机风险评估系统是以模糊评价控制器与失效保护控制器为核心组成部分。模糊评价控制器能够综合多种环境信息,做出智能识别与评判,确认风险等级,及时启动失效保护机制。失效保护控制器则是配合模糊评价控制器识别的风险信息与做出的判决,以及各种风险造成的约束,使无人机做出最优的控制决策,及时改出危险状态或脱离危险环境。
Description
技术领域
本发明涉及多旋翼无人机风险评估技术的领域,具体而言,涉及一种多旋翼无人机风险评估系统。
背景技术
无人机系统在应用环境下会遭遇各种风险,如碰撞、故障、能量不足、强风失控等,要求无人机能够根据运行情况和环境信息,进行有效识别与判决,确认风险,启动失效保护。
为了保证无人机飞行安全,避免因各种风险条件下无人机损坏炸机,需要对风险进行实时有效识别。
发明内容
由于无人机运行状态不确定,以及环境和故障状态复杂,本发明提出的多旋翼无人机风险评估系统能够综合多种信息,做出智能识别与评判,确认风险等级,及时启动失效保护机制。
由于无人机复杂的动态特性,在各种可能的飞行状态下,以及各种风险造成的约束,风险评估系统能使无人机做出最优的控制决策,及时改出危险状态或脱离危险环境。
本发明提供一种技术方案:一种多旋翼无人机风险评估系统,该评估系统包括:数据检测模块、模糊评价控制器和失效保护控制器;数据检测模块采集数据,然后输入给模糊评价控制器,模糊评价控制器根据收到的数据对多旋翼无人机的风险进行评估,失效保护控制器根据模糊评价控制器做出的判决结果对多旋翼无人机进行控制;
所述数据检测模块包括:红外测距模块、姿态信息检测模块、环境气压检测模块、电池电压检测模块、无人机电机转速检测模块;各模块分别获取无人机的周围障碍物信息、所处位置气压信息、电池电压信息、电机转速信息,分别用因素U1、U2、U3、U4、U5表示;
所述模糊评价控制器中的数据处理方法为:
步骤1:红外测距模块、姿态信息检测模块、环境气压检测模块、电池电压检测模块、无人机电机转速检测模块采集连续n个时刻的数据,并计算其与标准值之间的距离,然后根据该距离和事先设定的各等级间阈值量化为7个等级D={PB、PM、PS、ZO、NS、NM、NB},其中PB、PM、PS、ZO、NS、NM、NB分别表示正大,正中,正小,零,负小,负中,负大,零表示与标准值最接近;
步骤2:采用模糊关系矩阵R计算出五个采集数据分别对应的发生风险可能性评价V={V1,V2,V3,V4,V5},其中:V1表达为可忽略风险;V2表达为小风险;V3表达为中等风险;V4表达为较大风险;V5表达为特大风险;
其中U对V1的隶属度函数为:
其中U对V2的隶属度函数为:
其中U对V3的隶属度函数为:
其中U对V4的隶属度函数为:
其中U对V5的隶属度函数为:
式中:x为各因素U的实际测量值,a b c d e分别对应风险评价等级V={V1,V2,V3,V4,V5}的标准限定值;
步骤3:对得到的发生风险可能性评价V={V1,V2,V3,V4,V5}进行加权求和,得到最终的判决结果。
本发明公开的一种多旋翼无人机风险评估系统提出一种机载系统失效保护技术,能够综合多种信息,做出智能识别与评判,确认风险等级,及时启动失效保护控制算法,使无人机做出最优的控制决策,及时改出危险状态或脱离危险环境。
附图说明
图1为本发明一种多旋翼无人机风险评估系统的结构示意图。
具体实施方式
以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,“设置”、“连接”等术语应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图,对本发明的具体实施方式进行详细说明。
一种多旋翼无人机风险评估系统,包括多旋翼无人机、环境检测模块、模糊评价控制器和失效保护控制器,所述环境检测模块和所述模糊评价控制器均设置在所述多旋翼无人机上,所述环境检测模块和所述模糊评价控制器均与所述多旋翼无人机电连接。所述环境检测模块与所述模糊评价控制器电连接。所述环境检测模块是为获得无人机在飞行过程中周围的环境信息,包括需要检测周围障碍物的信息、无人机飞行姿态信息和环境气压信息。
作为本发明的优选方式,模糊评价控制器的处理器为Intel Core i7-8550U,是酷睿i7八代处理器,具有四核八线程,作为机载控制的核心能够极大地满足实时性计算需求,对于环境数据能够做出快速地反应。
需要说明的是,在本实施例中,环境检测模块中的周围障碍物检测是通过红外测距模块进行检测,并且红外测距模块是安装在无人机支承平台朝前方向的两侧,每一侧都能检测三个方向。
需要说明的是,在本实施例中,环境检测模块中的无人机飞行姿态信息是通过将惯性模块将测得的姿态数据与视觉获得的估计姿态数据进行融合得到的无人机姿态数据。环境检测模块中的环境气压信息是通过气压计模块测量得到。
需要说明的是,在本实施例中,模糊评价控制器需要综合多种信息数据,需要结合红外测距数据、气压模块测量数据、无人机姿态测量数据、无人机电池电压数据和无人机电机转速与电流数据对无人机的风险进行评估。
需要说明的是,在本实施例中,风险的构成极为复杂,有分层关系也有隶属关系,相应之下,应对知识也与之对应,这样就形成了一种多层的非线性网络关系。
所述模糊评价控制器是在结合对输入的数据设定的一个评判对象标准值下,将输入数据量化为误差与误差变化量。对输入的误差(E)语言变量论域、误差变化(Ec)语言论域和数据量化(D)论域划分为七个程度等级为{正大,正中,正小,零,负小,负中,负大}。
即D={PB、PM、PS、ZO、NS、NM、NB}。
在本实施例中,在将实际的数据测量连续域转换到有限整数离散域之后,运用由高斯基隶属函数描述的隶属度向量来描述此数据量化的有效性。将语言变量的隶属度向量在由数据对应的知识构成的评价查询表中进行查询,对查询结果进行模糊推理得到无人机各个风险的程度等级值。
进一步地,定义无人机风险因素集U={U1U2U3U4U5}={碰撞,高度,强风,能量,桨叶},将模糊推理得出的关于各个风险的程度值通过重心法处理后作为风险因素集的数据量,并用模糊语言对无人机飞行中风险发生可能性评价目标进行分类表述,建立评价集V。
V={V1V2V3V4V5}。
其中:V1表达为可忽略风险;V2表达为小风险;V3表达为中等风险;V4表达为较大风险;V5表达为特大风险。
接下来,建立模糊评价矩阵R来进行单因素评判,以确定评判对象对被选评价元素的隶属程度。进行单因素评判,通过U到V的一个模糊映射f来得到模糊关系矩阵R,表示如下:
其中R为单因素评判矩阵;rij是U中的因素Ui对应V中的等级Vj的隶属关系,也就是第i个因素对该事物的单因素评判。
其中U对V1的隶属度函数为:
其中U对V2的隶属度函数为:
其中U对V3的隶属度函数为:
其中U对V4的隶属度函数为:
其中U对V5的隶属度函数为:
式中:x为各因素U的实际测量值,a、b、c、d、e分别对应风险评价等级V={V1,V2,V3,V4,V5}的标准限定值;其中a、b、c、d、e分别为0.16、0.32、0.48、0.64、0.8。
然后,引入各个风险及其应对知识的权重分配系数矩阵W。其中权重分配系数矩阵中的各个向量是通过深度学习的方式运用神经网络对各个风险因素的数据进行组合学习,并通过大量数据训练而得到的。
可以理解的是,那么无人机风险的模糊综合评价向量T就为以下表达式:
T=W·R
在本实施例中,模糊评价控制器对采集测量的运行数据进行模糊输入后,将测量的无人机运行环境数据与规则知识间的模糊信息通过模糊数学进行量化,将其推理验证后,利用模糊推理的归纳与演绎能力,得到新的关于无人机风险的信息与概念,然后再通过加权后的综合模糊评价矩阵对风险数据进行整体评价,从而对复杂的环境问题给出模糊定量的评估,以提供的模糊评估作为辅助决策的依据,最终对无人机运行过程中存在的风险做出智能识别与评判,确认风险等级,及时启动失效保护机制。
需要说明的是,在本实施例中,失效保护控制器表现为一个在约束条件下的实时最优避险路径规划或紧急迫降。在该算法中,整个多旋翼无人机的行为动态导航模型是一个由行为状态模型和行为模式模型耦合的非线性微分方程系统。在导航实时性能方面,假设行为变量相互独立,不考虑耦合关系。
多旋翼无人机的飞行行为由头部目标行为和风险行为组成。这些相互独立的行为方式称为行为模式。
需要理解的是,行为模式由行为变量、导航方向和无人机运动速度定义。
在本实施例中,多旋翼无人机在飞行过程中是有两种行为模式,头部目标模式和风险模式,无人机是通过行为模式的方式来控制的飞行航向。并且多旋翼无人机行为状态、行为方式的演变还会根据其环境风险判决而变化。因此失效保护控制器会根据多旋翼无人机飞行环境的风险评判数据建立无人机的风险行为模式,并通过调整各行为模式的系数来实现行为模式之间的竞争,通过行为间的竞争构建了基于动态方法的移动无人机导航模型,由模型确定应对不同风险等级的最优规避风险的路径。
本实施例提供的多旋翼无人机风险评估系统的有益效果:
本发明公开的一种多旋翼无人机风险评估系统提出一种机载系统失效保护技术,能够综合多种信息,做出智能识别与评判,确认风险等级,及时启动失效保护控制算法,使无人机做出最优的控制决策,及时改出危险状态或脱离危险环境,从而保证飞行器飞行安全并避免环境风险造成的损失。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种多旋翼无人机风险评估系统,该评估系统包括:数据检测模块、模糊评价控制器和失效保护控制器;数据检测模块采集数据,然后输入给模糊评价控制器,模糊评价控制器根据收到的数据对多旋翼无人机的风险进行评估,失效保护控制器根据模糊评价控制器做出的判决结果对多旋翼无人机进行控制;
所述数据检测模块包括:红外测距模块、姿态信息检测模块、环境气压检测模块、电池电压检测模块、无人机电机转速检测模块;各模块分别获取无人机的周围障碍物信息、所处位置气压信息、电池电压信息、电机转速信息,分别用因素U1、U2、U3、U4、U5表示;
所述模糊评价控制器中的数据处理方法为:
步骤1:红外测距模块、姿态信息检测模块、环境气压检测模块、电池电压检测模块、无人机电机转速检测模块采集连续n个时刻的数据,并计算其与标准值之间的距离,然后根据该距离和事先设定的各等级间阈值量化为7个等级D={PB、PM、PS、ZO、NS、NM、NB},其中PB、PM、PS、ZO、NS、NM、NB分别表示正大,正中,正小,零,负小,负中,负大,零表示与标准值最接近;
步骤2:采用模糊关系矩阵R计算出五个采集数据分别对应的发生风险可能性评价V={V1,V2,V3,V4,V5},其中:V1表达为可忽略风险;V2表达为小风险;V3表达为中等风险;V4表达为较大风险;V5表达为特大风险;
其中U对V1的隶属度函数为:
其中U对V2的隶属度函数为:
其中U对V3的隶属度函数为:
其中U对V4的隶属度函数为:
其中U对V5的隶属度函数为:
式中:x为各因素U的实际测量值,a b c d e分别对应风险评价等级V={V1,V2,V3,V4,V5}的标准限定值;
步骤3:对得到的发生风险可能性评价V={V1,V2,V3,V4,V5}进行加权求和,得到最终的判决结果。
2.如权利要求1所述的一种多旋翼无人机风险评估系统,其特征在于所述模糊评价控制器中的数据处理方法的步骤2中a、b、c、d、e的取值分别为0.16、0.32、0.48、0.64、0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400283.4A CN111582740B (zh) | 2020-05-13 | 2020-05-13 | 一种多旋翼无人机风险评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400283.4A CN111582740B (zh) | 2020-05-13 | 2020-05-13 | 一种多旋翼无人机风险评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582740A true CN111582740A (zh) | 2020-08-25 |
CN111582740B CN111582740B (zh) | 2023-05-23 |
Family
ID=72124898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010400283.4A Active CN111582740B (zh) | 2020-05-13 | 2020-05-13 | 一种多旋翼无人机风险评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582740B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113031647A (zh) * | 2021-02-25 | 2021-06-25 | 浙江工业大学 | 一种基于模糊综合评判的供电式无人机最优路径规划方法 |
WO2021213541A1 (zh) * | 2020-10-09 | 2021-10-28 | 中国民航大学 | 无人机失控或失去动力故障状态坠地伤人风险评估方法 |
CN114020036A (zh) * | 2021-12-03 | 2022-02-08 | 南京大学 | 一种多无人机编队阵型变换时的防碰撞方法 |
CN115294487A (zh) * | 2022-10-09 | 2022-11-04 | 国网电力空间技术有限公司 | 一种无人机风险等级获取方法、存储介质及电子设备 |
CN115630531A (zh) * | 2022-12-19 | 2023-01-20 | 中南大学 | 无人机控制系统自动化安全评估方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427674B (zh) * | 2015-11-02 | 2017-12-12 | 国网山东省电力公司电力科学研究院 | 一种无人机飞行状态实时评估预警系统及方法 |
CN107590878A (zh) * | 2017-09-13 | 2018-01-16 | 中国人民解放军火箭军工程大学 | 一种无人机飞行安全预测评估装置及方法 |
CN108073088B (zh) * | 2017-12-21 | 2022-02-22 | 天津职业技术师范大学 | 基于内动态映射的无人机控制系统评估与仿真实现方法 |
CN109377034A (zh) * | 2018-10-11 | 2019-02-22 | 国网新疆电力有限公司信息通信公司 | 基于智能电网信息通信系统的风险态势评估方法 |
CN110989663A (zh) * | 2019-11-26 | 2020-04-10 | 中国电力科学研究院有限公司 | 一种对无人机进行控制的方法及系统 |
-
2020
- 2020-05-13 CN CN202010400283.4A patent/CN111582740B/zh active Active
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021213541A1 (zh) * | 2020-10-09 | 2021-10-28 | 中国民航大学 | 无人机失控或失去动力故障状态坠地伤人风险评估方法 |
CN113031647A (zh) * | 2021-02-25 | 2021-06-25 | 浙江工业大学 | 一种基于模糊综合评判的供电式无人机最优路径规划方法 |
CN114020036A (zh) * | 2021-12-03 | 2022-02-08 | 南京大学 | 一种多无人机编队阵型变换时的防碰撞方法 |
CN114020036B (zh) * | 2021-12-03 | 2023-12-12 | 南京大学 | 一种多无人机编队阵型变换时的防碰撞方法 |
CN115294487A (zh) * | 2022-10-09 | 2022-11-04 | 国网电力空间技术有限公司 | 一种无人机风险等级获取方法、存储介质及电子设备 |
CN115294487B (zh) * | 2022-10-09 | 2023-01-31 | 国网电力空间技术有限公司 | 一种无人机风险等级获取方法、存储介质及电子设备 |
CN115630531A (zh) * | 2022-12-19 | 2023-01-20 | 中南大学 | 无人机控制系统自动化安全评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111582740B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582740B (zh) | 一种多旋翼无人机风险评估系统 | |
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
Kumarawadu et al. | Neuroadaptive combined lateral and longitudinal control of highway vehicles using RBF networks | |
CN105787563A (zh) | 一种基于自学习机制的快速匹配模糊推理方法 | |
US11594138B1 (en) | Systems and methods for optimizing a controlled flight plan | |
CN110216680B (zh) | 一种服务机器人云地协同故障诊断系统和方法 | |
Ghazali et al. | Vibration-based fault detection in drone using artificial intelligence | |
US11393342B1 (en) | Systems and methods for digital communication of flight plan | |
US11482118B1 (en) | System and method for flight selective tracking, categorization, and transmission of flight data of an electric aircraft | |
CN111339851B (zh) | 一种基于场景熟悉度的无人车远程接管方法 | |
US11577848B1 (en) | Systems and methods for estimating flight range of an electric aircraft | |
CN111460676A (zh) | 多旋翼飞行器在大气紊流扰动下的健康性能评估方法 | |
CN113496343A (zh) | 用于管理风险和警报的方法和装置 | |
CN113848984B (zh) | 一种无人机集群控制方法及系统 | |
Tsintotas et al. | The MPU RX-4 project: Design, electronics, and software development of a geofence protection system for a fixed-wing vtol uav | |
Cui et al. | Intelligent health management of fixed-wing UAVs: A deep-learning-based approach | |
US11936214B2 (en) | Wireless charging of an electric aircraft | |
US11618331B1 (en) | Proximity detection systems and methods for facilitating charging of electric aircraft | |
Al-Mahadin et al. | Neuro-fuzzy techniques for the identification of aircraft wake vortex encounters | |
Hussain et al. | Aircraft sensor estimation for fault tolerant flight control system using fully connected cascade neural network | |
Mei et al. | A hybrid prognostic approach based on UKF and optimized RBF | |
Su et al. | A data-driven FCE method for UAV condition risk assessment based on feature engineering and variable weight coefficients | |
Zhang et al. | Difference-based Deep Convolutional Neural Network for Simulation-to-reality UAV Fault Diagnosis | |
CN112001124B (zh) | 基于er规则的船舶电力推进系统关键功能单元辨识方法 | |
Zhang et al. | Simulation-to-reality UAV Fault Diagnosis with Deep Learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |