CN113159386A - 一种无人机返航状态估计方法及系统 - Google Patents

一种无人机返航状态估计方法及系统 Download PDF

Info

Publication number
CN113159386A
CN113159386A CN202110303421.1A CN202110303421A CN113159386A CN 113159386 A CN113159386 A CN 113159386A CN 202110303421 A CN202110303421 A CN 202110303421A CN 113159386 A CN113159386 A CN 113159386A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
return
decision
power battery
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.)
Pending
Application number
CN202110303421.1A
Other languages
English (en)
Inventor
邸健
王利明
王兴虎
季海波
李鲲
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202110303421.1A priority Critical patent/CN113159386A/zh
Publication of CN113159386A publication Critical patent/CN113159386A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种无人机返航状态估计方法及系统，属于无人机的返航决策技术领域，包括：采集无人机动力电池参数和无人机相对起飞点的距离参数；将动力电池参数和距离参数输入到预先训练好的返航决策网络中，得到返航决策。本发明采用学习的策略来对带电水冲洗无人机的返航状态进行估计，能够有效降低传统的根据经验决策准确性较低的问题，并且在一定程度上降低了成本。

Description

一种无人机返航状态估计方法及系统
技术领域
本发明涉及无人机的返航决策技术领域，特别涉及一种无人机返航状态估计方法及系统。
背景技术
绝缘子是输电线路中一种用来固定带电导体的特殊绝缘控件。由于固定在电塔上的绝缘子长期暴露在野外环境中，其表面容易沾染灰尘形成污秽层，若不及时清洗极易造成供电系统短路故障。以往工作人员采用人工清洗的方法，但是这种方法成本较高且不安全。近年来，绝缘子清洗无人机开始受到电力行业的关注。无人机在执行作业的过程中，操作手必须时刻关注电池电量以作出正确的返航决策。但是在这个过程中往往面临着以下的问题：
(1)电池剩余电量估计困难。在飞行过程中，动力电池需要同时给飞行器动力系统供电以及给冲洗系统供电，冲洗系统频繁启停，对电池电量估计影响较大，随着冲洗系统工作，负载冲洗液变化，保持飞机悬停所需要的功率变化，也对电池电量估计提出挑战。
(2)无人机返航所需电量估计困难。无人机在距离起飞作业点，不同水平距离，不同垂直高度的情况下，所需要的返航电量不同，故而操作手在根据剩余电量判断是否要采取返航措施时很困难。
基于上述问题，传统的解决方案通常是通过读取电池电压或电流后根据经验判断电池剩余电量的多少：
(1)由操作手根据经验读取电池电压后估计电池剩余电量，但这种方法依赖操作手经验，且电池在不同使用寿命的情况下根据电压估计出的剩余电量不准确。且在实际实验中发现，无人机在重载情况且剩余电量不多的情况下，电压快速下降，无人机落地后，电池电压又快速回升，在这种情况下，无法根据电池电压判断无人机是否能二次起飞执行任务。
(2)安装电流计，使用电流计用安时法测量电池已经消耗的电量，并根据此电池标称值判断剩余电量的多少进而给出返航提示。但是电流计价格昂贵，且随着电池循环次数和工作条件的变化，电池总电量也会发生较大变化，因而对电量剩余情况估计不准，对是否要进行返航的判断不准确。
发明内容
本发明的目的在于克服上述背景技术中的不足，提高无人机返航决策的准确性。
为实现以上目的，一方面，采用一种无人机返航状态估计方法，包括：
采集无人机动力电池参数和无人机相对起飞点的距离参数；
将动力电池参数和距离参数输入到预先训练好的返航决策网络中，得到返航决策。
进一步地，所述动力电池参数包括所述无人机在t1～tn时刻，动力电池的电流、电压、标称容量及温度；所述距离参数包括所述无人机t1～tn时刻，相对起飞点的飞行高度、相对起飞点的飞行距离以及起飞点的海拔高度。
进一步地，所述返航决策网络包括低通滤波器、数据组织器以及卷积神经网络，低通滤波器的输入为所述动力电池参数和所述距离参数，低通滤波器的输出与数据组织器输入连接，数据组织器的输出与卷积神经网络的输入连接，卷积神经网络的输出为所述无人机的返航决策。
进一步地，所述低通滤波器采用高斯低通滤波器。
进一步地，所述卷积神经网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层及全连接层，所述数据组织器将t1～tn时刻的动力电池参数和距离参数合为数据矩阵并作为第一卷积层的输入，全连接层的输出为所述无人机返航决策。
另一方面，采用一种无人机返航状态估计系统，包括采集模块和决策模块，其中：
采集模块用于采集无人机动力电池参数和无人机相对起飞点的距离参数；
决策模块用于将动力电池参数和距离参数输入到预先训练好的返航决策网络中，得到返航决策。
进一步地，所述动力电池参数包括所述无人机在t1～tn时刻，动力电池的电流、电压、标称容量及温度；所述距离参数包括所述无人机t1～tn时刻，相对起飞点的飞行高度、相对起飞点的飞行距离以及起飞点的海拔高度。
进一步地，所述返航决策网络包括低通滤波器、数据组织器以及卷积神经网络，低通滤波器的输入为所述动力电池参数和所述距离参数，低通滤波器的输出与数据组织器输入连接，数据组织器的输出与卷积神经网络的输入连接，卷积神经网络的输出为所述无人机的返航决策。
进一步地，所述低通滤波器采用高斯低通滤波器。
进一步地，所述卷积神经网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层及全连接层，所述数据组织器将t1～tn时刻的动力电池参数和距离参数合为数据矩阵并作为第一卷积层的输入，全连接层的输出为所述无人机返航决策。
与现有技术相比，本发明存在以下技术效果：本发明采用学习的策略来对带电水冲洗无人机的返航状态进行估计，将无人机的动力电池参数和距离参数作为输入数据输入至提前训练好的网络中，网络直接输出是否需要返航的结论。此方法能够有效降低传统的根据经验决策准确性较低的问题，并且在一定程度上降低了成本。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1是一种无人机返航状态估计方法的流程图；
图2是返航决策网络的输入数据示意图；
图3是返航决策网络的结构图；
图4是返航决策网络的训练流程图；
图5是一种无人机返航状态估计系统的结构图。
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1所示，本实施例公开了一种无人机返航状态估计方法，包括如下步骤：
S1、采集无人机动力电池参数和无人机相对起飞点的距离参数；
S2、将动力电池参数和距离参数输入到预先训练好的返航决策网络中，得到返航决策。
需要说明的是，所述动力电池参数包括所述无人机在t1～tn时刻，动力电池的电流、电压、标称容量及温度；所述距离参数包括所述无人机t1～tn时刻，相对起飞点的飞行高度、相对起飞点的飞行距离以及起飞点的海拔高度。其中，标称容量可以由电池说明书得到，电流、电压、温度、无人机的飞行高度、飞行距离、海拔高度均可以由机载传感器得到。
需要说明的是，由于电流、电压、标称容量及温度会影响剩余电量估计，相对起飞点的飞行高度、相对起飞点的飞行距离以及起飞点的海拔高度会影响对返航需要的电量的估计；本实施例将采集的无人机动力电池参数和无人机相对起飞点的距离参数作为嵌入在机载处理器中的网络的输入，由网络进行综合评估。
作为进一步优选的技术方案，返航决策网络的训练过程分为两个阶段：第一个阶段是历史数据由低层次向高层次传播的阶段，即前向传播阶段；另外一个阶段是在当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。
如图4所示，返航决策网络的训练过程包括如下步骤：
1)返航决策网络进行权值的初始化；
2)历史数据经过卷积层、全连接层的向前传播得到输出值，该历史数据包括无人机历史动力电池参数和无人机相对起飞点的历史距离参数；
3)求出返航决策网络的输出值与目标值之间的误差；
4)当误差大于期望值时，将误差传回网络中，依次求得全连接层，下采样层，卷积层的误差；当误差等于或小于期望值时，结束训练；
其中，各层的误差可以理解为对于网络的总误差，网络应承担多少。
5)根据求得误差进行权值更新，然后再进入到步骤2)。
作为进一步优选的技术方案，如图3所示，所述返航决策网络包括低通滤波器、数据组织器以及卷积神经网络，低通滤波器的输入为所述动力电池参数和所述距离参数，低通滤波器的输出与数据组织器输入连接，数据组织器的输出与卷积神经网络的输入连接，卷积神经网络的输出为所述无人机的返航决策。
其中，低通滤波器采用高斯低通滤波器，其作用是去除输入中的高频噪声，以平滑输入信号。
作为进一步优选的技术方案，高斯低通滤波器的表达式为：
Figure BDA0002987164730000061
其中，D0为通带的半径。
作为进一步优选的技术方案，如图2所示，所述数据组织器将输入的t1～tn时刻的每一列数据合为一个7×n矩阵数据作为卷积神经网络的输入。
作为进一步优选的技术方案，所述卷积神经网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层及全连接层，所述第一卷积层的输入与数据组织器的输出连接，全连接层的输出为所述无人机返航决策。
需要说明的是，所述卷积层的作用是用来提取特征，输入数据(7×n)与卷积核作内积，输出为提取的特征之一。此处将输入的7×n的数据类比成一张图像来处理，前一个卷积层的输出作为后一个卷积层的输入，越靠后的卷积层提取越高阶的特征，随着卷积层数的增加，提取到的特征更加全局化；所述卷积层卷积核的权重大小由以往的数据经过训练得到。
所述全连接层接受来自所述卷积层的输出，并输出一个N维向量，其中N为所有可能的类别的总数。在本实施例中，输出数据为是否执行返航的结论，因此N＝2，向量中的元素值代表属于某个类别的概率。即所述全连接层的作用是寻找最符合特定类别的特征，并且具有相应的权重，以得到正确的概率，本实施例将全连接层输出的N维向量中的最大概率对应的标签作为待分类数据的标签，即返航或不返航。
需要说明的是，本实施例中的返航决策网络的损失函数采用交叉熵损失函数。
如图5所示，本实施例公开了一种无人机返航状态估计系统，包括采集模块10和决策模块20，其中：
采集模块10用于采集无人机动力电池参数和无人机相对起飞点的距离参数；
决策模块20用于将动力电池参数和距离参数输入到预先训练好的返航决策网络中，得到返航决策。
作为进一步优选的技术方案，所述动力电池参数包括所述无人机在t1～tn时刻，动力电池的电流、电压、标称容量及温度；所述距离参数包括所述无人机t1～tn时刻，相对起飞点的飞行高度、相对起飞点的飞行距离以及起飞点的海拔高度。其中，标称容量可以由电池说明书得到，电流、电压、温度、无人机的飞行高度、飞行距离、海拔高度均可以由机载传感器得到。
作为进一步优选的技术方案，所述返航决策网络包括低通滤波器、数据组织器以及卷积神经网络，低通滤波器的输入为所述动力电池参数和所述距离参数，低通滤波器的输出与数据组织器输入连接，数据组织器的输出与卷积神经网络的输入连接，卷积神经网络的输出为所述无人机的返航决策。
作为进一步优选的技术方案，所述低通滤波器采用高斯低通滤波器。
作为进一步优选的技术方案，所述卷积神经网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层及全连接层，所述数据组织器将t1～tn时刻的动力电池参数和距离参数合为数据矩阵并作为第一卷积层的输入，全连接层的输出为所述无人机返航决策。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)

1.一种无人机返航状态估计方法，其特征在于，包括：
采集无人机动力电池参数和无人机相对起飞点的距离参数；
将动力电池参数和距离参数输入到预先训练好的返航决策网络中，得到返航决策。
2.如权利要求1所述的无人机返航状态估计方法，其特征在于，所述动力电池参数包括所述无人机在t1～tn时刻，动力电池的电流、电压、标称容量及温度；所述距离参数包括所述无人机t1～tn时刻，相对起飞点的飞行高度、相对起飞点的飞行距离以及起飞点的海拔高度。
3.如权利要求1所述的无人机返航状态估计方法，其特征在于，所述返航决策网络包括低通滤波器、数据组织器以及卷积神经网络，低通滤波器的输入为所述动力电池参数和所述距离参数，低通滤波器的输出与数据组织器输入连接，数据组织器的输出与卷积神经网络的输入连接，卷积神经网络的输出为所述无人机的返航决策。
4.如权利要求3所述的无人机返航状态估计方法，其特征在于，所述低通滤波器采用高斯低通滤波器。
5.如权利要求3所述的无人机返航状态估计方法，其特征在于，所述卷积神经网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层及全连接层，所述数据组织器将t1～tn时刻的动力电池参数和距离参数合为数据矩阵并作为第一卷积层的输入，全连接层的输出为所述无人机返航决策。
6.一种无人机返航状态估计系统，其特征在于，包括采集模块和决策模块，其中：
采集模块用于采集无人机动力电池参数和无人机相对起飞点的距离参数；
决策模块用于将动力电池参数和距离参数输入到预先训练好的返航决策网络中，得到返航决策。
7.如权利要求6所述的无人机返航状态估计系统，其特征在于，所述动力电池参数包括所述无人机在t1～tn时刻，动力电池的电流、电压、标称容量及温度；所述距离参数包括所述无人机t1～tn时刻，相对起飞点的飞行高度、相对起飞点的飞行距离以及起飞点的海拔高度。
8.如权利要求6所述的无人机返航状态估计系统，其特征在于，所述返航决策网络包括低通滤波器、数据组织器以及卷积神经网络，低通滤波器的输入为所述动力电池参数和所述距离参数，低通滤波器的输出与数据组织器输入连接，数据组织器的输出与卷积神经网络的输入连接，卷积神经网络的输出为所述无人机的返航决策。
9.如权利要求8所述的无人机返航状态估计方法，其特征在于，所述低通滤波器采用高斯低通滤波器。
10.如权利要求8所述的无人机返航状态估计方法，其特征在于，所述卷积神经网络包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层及全连接层，所述数据组织器将t1～tn时刻的动力电池参数和距离参数合为数据矩阵并作为第一卷积层的输入，全连接层的输出为所述无人机返航决策。
CN202110303421.1A 2021-03-22 2021-03-22 一种无人机返航状态估计方法及系统 Pending CN113159386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110303421.1A CN113159386A (zh) 2021-03-22 2021-03-22 一种无人机返航状态估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110303421.1A CN113159386A (zh) 2021-03-22 2021-03-22 一种无人机返航状态估计方法及系统

Publications (1)

Publication Number Publication Date
CN113159386A true CN113159386A (zh) 2021-07-23

Family

ID=76887882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110303421.1A Pending CN113159386A (zh) 2021-03-22 2021-03-22 一种无人机返航状态估计方法及系统

Country Status (1)

Country Link
CN (1) CN113159386A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107219469A (zh) * 2016-11-17 2017-09-29 深圳市海盈科技股份有限公司 适用于无人机电池的续航电量预测方法
CN109656265A (zh) * 2017-10-12 2019-04-19 株式会社拓普康 数据处理装置、无人机及其控制装置、方法及处理用程序
CN110488861A (zh) * 2019-07-30 2019-11-22 北京邮电大学 基于深度强化学习的无人机轨迹优化方法、装置和无人机
CN110889085A (zh) * 2019-09-30 2020-03-17 华南师范大学 基于复杂网络多元在线回归的废水智能监控方法及系统
US20200164763A1 (en) * 2017-07-21 2020-05-28 Quantumscape Corporation Predictive model for estimating battery states
CN111462108A (zh) * 2020-04-13 2020-07-28 山西新华化工有限责任公司 一种基于机器学习的头面部产品设计工效学评估操作方法
CN112345956A (zh) * 2020-11-24 2021-02-09 广州橙行智动汽车科技有限公司 一种电池组荷电状态检测方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107219469A (zh) * 2016-11-17 2017-09-29 深圳市海盈科技股份有限公司 适用于无人机电池的续航电量预测方法
US20200164763A1 (en) * 2017-07-21 2020-05-28 Quantumscape Corporation Predictive model for estimating battery states
CN109656265A (zh) * 2017-10-12 2019-04-19 株式会社拓普康 数据处理装置、无人机及其控制装置、方法及处理用程序
CN110488861A (zh) * 2019-07-30 2019-11-22 北京邮电大学 基于深度强化学习的无人机轨迹优化方法、装置和无人机
CN110889085A (zh) * 2019-09-30 2020-03-17 华南师范大学 基于复杂网络多元在线回归的废水智能监控方法及系统
CN111462108A (zh) * 2020-04-13 2020-07-28 山西新华化工有限责任公司 一种基于机器学习的头面部产品设计工效学评估操作方法
CN112345956A (zh) * 2020-11-24 2021-02-09 广州橙行智动汽车科技有限公司 一种电池组荷电状态检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
熊典等: "基于 SOC 的无人机巡检剩余续航时间预测方法", 《电源技术》 *

Similar Documents

Publication Publication Date Title
CN109655754B (zh) 一种基于充电过程多维分阶的电池性能评估方法
US8521408B2 (en) Method for estimating remaining travel distance of electric vehicle
CN108304661B (zh) 基于tdp模型的诊断预测方法
CN111856287B (zh) 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法
CN107944648B (zh) 一种大型船舶航速油耗率预测方法
US20230013544A1 (en) Method, Apparatus and System for Detecting Abnormal Operating States of a Device
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN114356641B (zh) 一种增量式的软件缺陷预测方法、系统、设备及存储介质
CN112782594B (zh) 考虑内阻的数据驱动算法估算锂电池soc的方法
CN113406496B (zh) 基于模型迁移的电池容量预测方法、系统、装置及介质
CN115407211B (zh) 一种电动汽车锂电池健康状态在线预测方法及系统
CN117054892B (zh) 一种储能电站电池健康状态的评估方法、装置及管理方法
CN111537888A (zh) 一种数据驱动的梯次电池soc预测方法
CN116562405A (zh) 一种增程式插电混合动力汽车预约充电智能方法、装置及计算机系统
CN113406503A (zh) 基于深度神经网络的锂电池soh在线估算方法
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
CN118191628A (zh) 一种基于机器学习的矿用锂离子电池soc预测方法和系统
Jiang et al. A battery capacity estimation method based on the equivalent circuit model and quantile regression using vehicle real-world operation data
CN113159386A (zh) 一种无人机返航状态估计方法及系统
CN115407217B (zh) 一种电动汽车锂电池荷电状态在线估计方法及系统
CN116184215A (zh) 一种电动汽车剩余放电量估计方法、系统、设备及介质
CN112327804A (zh) 牵引控制单元的故障诊断方法、装置、系统和列车
CN116151792A (zh) 一种基于cps的多旋翼无人机健康管理系统及方法
CN113269678A (zh) 接触网输电线路的故障点定位方法
CN114676582B (zh) 外太空服役电源系统性能退化评估方法、存储介质及设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210723