CN115798269A - 一种面向大型无人机地面站的智能飞行监控方法 - Google Patents
一种面向大型无人机地面站的智能飞行监控方法 Download PDFInfo
- Publication number
- CN115798269A CN115798269A CN202211700472.9A CN202211700472A CN115798269A CN 115798269 A CN115798269 A CN 115798269A CN 202211700472 A CN202211700472 A CN 202211700472A CN 115798269 A CN115798269 A CN 115798269A
- Authority
- CN
- China
- Prior art keywords
- data
- remote control
- unmanned aerial
- aerial vehicle
- flight
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000004374 forensic analysis Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Selective Calling Equipment (AREA)
Abstract
本发明属于无人机地面测控软件技术领域，公开了一种面向大型无人机地面站的智能飞行监控方法，为了解决传统无人机地面指挥测控站的基础“显控”能力不足，无法满足无人机地面检查保障以及飞行任务需求，需要配套相应的智能化辅助决策飞行监控方法，帮助操作手进行故障管理、平台操控与飞行控制管理，以使得无人机发挥最大作战效能，本发明具体包括数据采集与分析处理、航前自动处理、消息智能推送和飞行任务评估。本发明将多种功能进行合理集成与分配设计，在利用数据分析处理得到的数据规律“特征”与可视化曲线基础上，进而扩展为智能化的飞行监控。
Description
技术领域
本发明属于无人机地面测控软件技术领域，具体涉及一种面向大型无人机地面站的智能飞行监控方法。
背景技术
无人机因具有尺寸小、费用低、机动性好、隐蔽性好、适应性强等优点，其应用正日益广泛，发展前景广阔，尤其是大型无人机，对于我国军事与民事领域有着重要意义，其主要用于军事侦察与打击、承担应急通信中继、进行人工增雨与气象探测以及物资运输等方面。
一套完整的无人机系统是由无人飞机平台本身和地面指挥测控站组成，其中无人机地面指挥测控站作为整个无人机系统的“神经中枢”对整个无人机系统起到至关重要的作用。国内各类高校、研究所以及军工类单位针对大型无人机的平台研制以及智能自主控制技术等开展了广泛的研究，但发展受限，而有关无人机地面指挥控制站的智能化研究变得尤为突出。
随着无人机技术的快速发展，应用日趋广泛，性能日益强大，使得地面飞行监控涉及更多的各种复杂的逻辑和操控，传统无人机地面指挥测控站的基础“显控”能力已经无法满足无人机地面检查保障以及飞行任务需求，需要配套相应的智能化辅助决策飞行监控方法，以帮助操作手减少精神的压力和负荷，降低决策与操作失误，为操作手提供智能化的飞行辅助决策方案，帮助其进行故障管理、平台操控与飞行控制管理，减轻其操作负担，以使得无人机发挥最大作战效能。
发明内容
本发明为了解决无人机系统的“神经中枢”地面指挥测控站飞行监控智能化处理方面的空白，使理论落地，完善传统地面站飞行“显控”存在的各种不足，为操作手提供智能化的飞行辅助决策方案，辅助操作手做出快速、准确的控制决策，构建一套面向大型无人机地面站的智能飞行监控系统。
本发明采取如下技术方案：
一种面向大型无人机地面站的智能飞行监控方法，具体包括以下步骤：
(1)读取遥控指令与遥测参数属性配置表，设定遥控指令和遥测参数对象格式标准统一化规则；
(2)按照步骤(1)设定的规则对输入数据进行数据采集、预处理以及分析，对遥控数据经数据处理分析得到整个飞行任务过程中的遥控操作，对遥测数据经数据处理分析得到数据的理想拟合曲线和趋势感知预测结果；
(3)对于起飞前地面等待阶段，将无人机飞行先验规律与步骤(2)得到的遥控操作特征和遥测理想拟合曲线结合，生成飞前地面等待阶段所需要进行的各个指令操作以及遥测状态反馈确认流程，并将处理分析结果融入结构帧对象属性中去，保存进步骤(1)中的属性配置表；
(4)对于空中任务阶段，将存储专家拟定告警规则的遥测参数结构帧对象融合步骤(2)经数据分析处理得到的遥控操作特征和遥测趋势感知预测结果，在特定参数异常或超限后，进行故障告警与指定遥控指令推送服务；
(5)当飞行任务结束后，对全过程的数据存盘，并通过对遥控指令和遥测参数数据与步骤(2)得到的遥测理想拟合曲线对比，并结合步骤(4)中的告警规则，标记和统计出不合法的数据点，评估飞行任务完成度。
进一步的，步骤(2)具体包括以下步骤：
(2.1)对输入的源码数据进行判断和校验，然后进行解码处理，并封装为通用遥控指令和通用遥测参数对象类；
(2.2)对封装后的通用遥控指令和通用遥测参数对象类按照步骤(1)设定的规则进行预处理，包括数据标准化、平滑滤波处理、重采样、特征提取、异常检测和数据裁剪；
(2.3)对预处理后的数据提取特征和相关系数以及进行多参数可视化分析，并进行回归与拟合，生成分析结果；其中，对遥控数据剔除空指令无效数据后，得到整个飞行任务过程中的遥控操作，对遥测数据经数据处理分析得到数据的理想拟合曲线和趋势感知预测。
进一步的，所述步骤(2)数据输入采集的数据来源主要分为以下三种：
1)通过UDP和TCP网络以及本地COM串口接收的无人机测控数据；
2)原始遥控和遥测DAT数据文件；
3)批量导入的本地存储的经过处理后的CSV和XML文件。
飞行监控方法包含两种模式：实时任务模式与回放分析模式，任务模式时测控数据来源于1)，回放分析模式时来源于2)和3)。
本发明的优点和积极效果在于：
(1)与传统地面站飞行监控“显控”功能相比，设计无人机遥控指令/遥测参数对象通用结构，进行格式标准统一化，对地面站原始遥控遥测数据进行采集保存、处理分析，并对整个数据治理过程和分析结果进行了透明化、可视化的呈现，使得本发明的通用性和直观性增强；
(2)本发明引入数据分析处理，在此基础上，挖掘数据规律，进而建立飞机操控特征模型与故障预测告警模型，实现地面站智能化飞行监控；
(3)本发明融合了数据分析出的规律与专家先验知识，借助配置文件的形式将规则保存，面向用户，可按照用户指定的想法进行更改完善，使得本发明更加友好且灵活可配；
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。其中：
图1是本发明的技术方案流程示意图。
图2是本发明的数据分析处理工作流程示意图。
图3是本发明的多参数可视化联合印证分析示意图。
图4是本发明的无人机飞行阶段示意图。
图5是本发明的航前自动处理列表示意图。
图6是本发明的航前自动处理工作流程示意图。
图7是本发明的遥控指令消息推送示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清除、完整地描述。
本发明是一种面向大型无人机地面站的智能飞行监控方法，如图1所示采取的技术方案包括以下步骤，接下来对技术方案的每个步骤的具体内容作一个详细描述：
(1)遥控指令和遥测参数对象格式标准统一化；
对于目前使用的各型号大型无人机测控数据帧格式不同且格式不统一，导致上行遥控指令外发组帧、下行遥测参数解析检索工作变得形式多样且繁琐，此时就需要一个通用的数据对象描述方法适配于不同类型的数据帧格式。因此，本发明通过设计并读取通用化的遥控指令与遥测参数属性配置表，使得所有遥控指令/遥测参数对象具有统一的格式和描述方式。
1)对于上行遥控指令而言，本发明对每个遥控指令对象按照如下表1所示结构进行统一化描述，其中包括序号、指令名称、指令码、指令类型、数据长度、数据位置，以及是否加锁(需要二次确认的关键指令)。
表1遥控指令对象通用描述结构
2)对于下行遥测参数而言，本发明对每个遥测参数对象按照如下表2所示结构进行统一化描述，其中包括序号、参数名称、参数条件、参数类型、参数单位、大小端、起始位置、字节长度、参数范围、解析公式和告警规则。
表2遥测参数对象通用描述结构
(2)数据输入采集与处理分析；
无人机测控数据处理分析技术流程如图2所示，包括数据采集、预处理以及分析三个部分：
1)数据采集部分实现源码数据的输入、判断、校验以及通用参数解码；
2)数据预处理部分包括数据标准化、平滑虑波处理、重采样、特征提取、异常检测、数据裁剪等处理。由于不同的测控数据分析模型对输入数据有不同的要求，为满足后续分析需要，需对采集到的原始数据进行符合分析模型输入要求的各种预处理。
3)数据分析部分实现对输入预处理后数据的分析处理，并生成分析结果。
(2.1)本发明所针对的飞行测控数据来源主要分为以下三种类型：
1)通过UDP、TCP网络以及本地COM串口接收的无人机测控数据；
2)原始遥控和遥测DAT数据文件；
3)批量导入的本地存储的经过处理后的CSV和XML文件。
故本飞行监控方法包含两种模式：实时任务模式与回放分析模式。任务模式时测控数据来源于1)，回放分析模式时来源于2)和3)。以上三种输入的无人机的测控信息通常通过消息队列输入，具体表现为帧格式二进制源码数据，根据步骤(1)给出的遥控指令和遥测参数对象通用描述结构，对经过判断和校验的帧格式二进制源码数据，即可将其进行解码处理，封装为通用遥控指令和通用遥测参数对象类，且这些参数对象类支持检索调取。
(2.2)数据预处理部分主要对数据进行如下的处理准备工作：
1)数据标准化，对读入参数进行归一化，把输入转到[0,1]或[-1,1]，原始数据经过数据标准化处理后，消除了参数之间的量纲影响，各参数处于同一数量级，适合进行综合对比评价与分析：
其中，u为所有样本数据的均值，σ为所有样本数据的标准差，x为输入参数，x′为输出。经过处理的数据符合标准正态分布，即均值为0，标准差为1。
2)平滑滤波处理，对标准化后的数据进行滤波处理，获取参数数据的低频信号分量，采用均值平滑滤波，令原始信号为I(t)，平滑滤波结果为I′(t)，计算公式如下：
其中，W为信号处理窗口，N(W)表示窗口宽度或窗口内离散信号帧数。通过滑动窗口可以实现信号平滑滤波。
3)对经过滤波处理后的数据进行重采样，保证数据结构的完整性；
4)异常检测野值剔除处理，利用滤波算法可有效剔除离群点，但滤波后原始信号重采样后被平滑，导致信息丢失，还需要对平滑后的数据进一步处理，精确计算离群点，并通过离群点剔除来恢复原始信号，可借助正态分布3σ准则来计算离群点。计算原始信号中的高频分量：
利用BOX-COX方式对
进行正态分布转换，
λ取值可通过最大似然估计获得。
将高频信号
进行正态分布转换后，再利用正态分布3σ准则计算离群检测阈值Th，
由此，恢复信号为
采用基于平滑滤波异常值检测结合BOX-COX的方法，对测控数据进行预处理可以获得较好的预处理结果，但是这种方法只适用于事后处理。如果想要实时进行数据预处理，则需要对以上流程进行“加窗”操作，利用前一个窗口的数据分布来估计当前数据的异常情况，W为信号处理窗口：
5)数据裁剪清除地面数据，无人机在“地面等待”阶段数据具有特殊性，部分设备、传感器未工作导致数据无效，在进行飞行任务部分数据分析时，可以选择去除地面数据。
(2.3)数据分析部分实现对输入预处理后数据的分析处理，并生成分析结果：
1)计算多参数协方差矩阵，进而计算相关系数，输出属性关联强度大的参数。相关系数的取值范围为(-1,1)，通过数字对变量的关系进行度量，并且带有方向性，1表示正相关，-1表示负相关，越靠近0相关性越弱。相关系数rxy计算公式如下：
其中，Sxy样本协方差计算公式：
其中，
和
为样本均值。Sx样本标准差计算公式：
Sy样本标准差计算公式：
2)多参数可视化分析，如图3所示本发明支持勾选多个参数对象类，以时间为横轴，参数值结果为纵轴，绘制多个参数的历史或者实时变化趋势图，支持多参数的可视化联合印证分析，支持同时多窗不同轴或者单窗同轴可视化多个参数，并进行拖拽、缩放、颜色自定义以及添加阈值线，标记统计超限数据。
3)数据统计分析，具备大数据统计分析能力，统计显示某段自选范围内参数的均值、方差、最值、标准差等数据特征。
4)神经网络回归，利用DNN神经网络算法模型，构建多个待分析参数的回归模型。记实时参数为vt，回归预测结果为
u1t,u2t,…unt是与vt属性关联的健康因子，则有：
其中，函数Γ(·)表示非线性拟合模型。
趋势分析建模，令
在时间轴上的特征描述函数记为
则参数vt的退化模型为：
设备的退化模型为：
其中，
设LΔm为第m次模型验证的平均误差。则令判决阈值为：
Th＝p·max(LΔm)
其中，p为设定虚警率。使用少量真实故障样本Sl对Th进行干预，得：
Th'＝p·max(LΔm)+εSl
如果Ω(t)>Th'则给出异常告警。
选取趋势外推算法模型K(·)，令
Ω(t+T)＝K(Ω(t))
如果Ω(t+T)＞Th'，则说明T时刻后系统将发生故障。
5)分阶段拟合，通过非线性拟合和线性拟合，对无人机各飞行阶段分段拟合，得到参数理想拟合曲线。
(3)航前自动处理；
针对无人机飞行任务的全过程而言，利用步骤(2)统计分析“飞行阶段”遥测参数，大致可分为如图4所示几个阶段。对于起飞前地面等待阶段，将无人机飞行先验规律与步骤(2)得到的遥控操作特征和遥测理想拟合曲线结合，生成飞前地面等待阶段所需要进行的各个指令操作以及遥测状态反馈确认流程，并将处理分析结果融入结构帧对象属性中去，保存进步骤(1)中的属性配置表。如图5所示航前自动处理模块通过列表形式，展现起飞前地面等待阶段所需要进行的各个指令操作以及状态反馈确认流程。当流程执行到对应阶段后，该模块通过推送待发送的指令弹窗内容置顶提示给操作手，其工作流程如图6所示。
(4)消息智能推送；
对于空中任务阶段，将存储专家拟定告警规则的遥测参数结构帧对象融合步骤(2)经数据分析处理得到的遥控操作特征和遥测趋势感知预测结果，在特定参数异常或超限后，进行故障告警与指定遥控指令推送服务。推送内容可分为两方面，一方面是上行遥控指令，一方面是下行遥测故障信息。推送形式如图7所示，其中针对综合告警内容支持多条件编辑，即推送某一告警内容需满足多个触发条件。综上，从而对飞机的遥控操作与故障告警预测提供辅助决策智能推送，且推送形式包含利用TTS模块中的QTextToSpeech类将文字转换成语音进而进行语音播报。
(5)飞行任务评估；
当飞行任务结束后，对全过程的数据以CSV/XML格式进行存盘，可提供整个飞行过程中飞机平台参数的回放显示。并通过对遥控指令和遥测参数数据与步骤(2)得到的遥测理想拟合曲线对比，并结合步骤(4)中的告警规则，标记和统计出不合法的数据点，评估飞行任务完成度。
Claims (3)
1.一种面向大型无人机地面站的智能飞行监控方法，其特征在于，具体包括以下步骤：
(1)读取遥控指令与遥测参数属性配置表，设定遥控指令和遥测参数对象格式标准统一化规则；
(2)按照步骤(1)设定的规则对输入数据进行数据采集、预处理以及分析，对遥控数据经数据处理分析得到整个飞行任务过程中的遥控操作，对遥测数据经数据处理分析得到数据的理想拟合曲线和趋势感知预测结果；
(3)对于起飞前地面等待阶段，将无人机飞行先验规律与步骤(2)得到的遥控操作特征和遥测理想拟合曲线结合，生成飞前地面等待阶段所需要进行的各个指令操作以及遥测状态反馈确认流程，并将处理分析结果融入结构帧对象属性中去，保存进步骤(1)中的属性配置表；
(4)对于空中任务阶段，将存储专家拟定告警规则的遥测参数结构帧对象融合步骤(2)经数据分析处理得到的遥控操作特征和遥测趋势感知预测结果，在特定参数异常或超限后，进行故障告警与指定遥控指令推送服务；
(5)当飞行任务结束后，对全过程的数据存盘，并通过对遥控指令和遥测参数数据与步骤(2)得到的遥测理想拟合曲线对比，并结合步骤(4)中的告警规则，标记和统计出不合法的数据点，评估飞行任务完成度。
2.根据权利要求1所述的一种面向大型无人机地面站的智能飞行监控方法，其特征在于，步骤(2)具体包括以下步骤：
(2.1)对输入的源码数据进行判断和校验，然后进行解码处理，并封装为通用遥控指令和通用遥测参数对象类；
(2.2)对封装后的通用遥控指令和通用遥测参数对象类按照步骤(1)设定的规则进行预处理，包括数据标准化、平滑滤波处理、重采样、特征提取、异常检测和数据裁剪；
(2.3)对预处理后的数据提取特征和相关系数以及进行多参数可视化分析，并进行回归与拟合，生成分析结果；其中，对遥控数据剔除空指令无效数据后，得到整个飞行任务过程中的遥控操作，对遥测数据经数据处理分析得到数据的理想拟合曲线和趋势感知预测。
3.根据权利要求1所述的一种面向大型无人机地面站的智能飞行监控方法，其中，所述步骤(2)数据输入采集的数据来源主要分为以下三种：
1)通过UDP和TCP网络以及本地COM串口接收的无人机测控数据；
2)原始遥控和遥测DAT数据文件；
3)批量导入的本地存储的经过处理后的CSV和XML文件。
飞行监控方法包含两种模式：实时任务模式与回放分析模式，任务模式时测控数据来源于1)，回放分析模式时来源于2)和3)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211700472.9A CN115798269A (zh) | 2022-12-29 | 2022-12-29 | 一种面向大型无人机地面站的智能飞行监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211700472.9A CN115798269A (zh) | 2022-12-29 | 2022-12-29 | 一种面向大型无人机地面站的智能飞行监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115798269A true CN115798269A (zh) | 2023-03-14 |
Family
ID=85428035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211700472.9A Pending CN115798269A (zh) | 2022-12-29 | 2022-12-29 | 一种面向大型无人机地面站的智能飞行监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115798269A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576920A (zh) * | 2024-01-19 | 2024-02-20 | 山东字节信息科技有限公司 | 基于无人机的交通控制系统 |
-
2022
- 2022-12-29 CN CN202211700472.9A patent/CN115798269A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576920A (zh) * | 2024-01-19 | 2024-02-20 | 山东字节信息科技有限公司 | 基于无人机的交通控制系统 |
| CN117576920B (zh) * | 2024-01-19 | 2024-04-12 | 山东字节信息科技有限公司 | 基于无人机的交通控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110221558B (zh) | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 | |
| CN109743356B (zh) | 工业互联网数据采集方法及装置、可读存储介质和终端 | |
| CN115798269A (zh) | 一种面向大型无人机地面站的智能飞行监控方法 | |
| CN112367273B (zh) | 基于知识蒸馏的深度神经网络模型的流量分类方法及装置 | |
| CN116224925B (zh) | 一种智能加工管理系统 | |
| CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
| CN115200554B (zh) | 一种基于图片识别技术的无人机摄影测量监管系统及方法 | |
| US20230014095A1 (en) | Method and system for recognizing environmental protection equipment based on deep hierarchical fuzzy algorithm | |
| CN110262340A (zh) | 一种基于边缘计算的物联接入与监测方法 | |
| CN113723338A (zh) | 传感器异常检测方法、装置及计算机可读存储介质 | |
| CN114049893A (zh) | 一种基于空管语音识别的管制员违规操作监控与分析方法 | |
| CN114547376A (zh) | 基于大数据的机场报文数据智能处理方法、装置及介质 | |
| CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
| CN112613790A (zh) | 应用于多站融合环境下的协同数据处理方法、设备及介质 | |
| CN108600046B (zh) | 基于感知哈希的设备状态监测终端、系统及方法 | |
| CN116931596A (zh) | 一种飞行程序自动编排的无人机飞行系统 | |
| CN114996343B (zh) | 一种低速风洞试验数据处理方法、设备及存储介质 | |
| CN116056117A (zh) | 网络异常预测方法、装置及存储介质 | |
| CN117692610B (zh) | 一种ar车间巡检系统 | |
| CN114353936B (zh) | 一种基于互联网的工业设备安全分析装置 | |
| CN116886582B (zh) | 一种基于bp神经网络的网络安全测评记录方法及系统 | |
| CN113726854B (zh) | 一种信息处理方法、装置、存储介质、调试设备及车辆 | |
| CN117933909A (zh) | 一种分布式云边协同任务管理系统及方法 | |
| CN114421628A (zh) | 一种变电所辅助监控系统的调试系统、方法 | |
| CN116775567A (zh) | 一种基于多维数据的安全运维数据分析方法 |
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 |