CN115906295A - 基于数字孪生的无人机健康监测方法和装置 - Google Patents
基于数字孪生的无人机健康监测方法和装置 Download PDFInfo
- Publication number
- CN115906295A CN115906295A CN202310220971.6A CN202310220971A CN115906295A CN 115906295 A CN115906295 A CN 115906295A CN 202310220971 A CN202310220971 A CN 202310220971A CN 115906295 A CN115906295 A CN 115906295A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- motor
- model
- fault
- 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
- 230000036541 health Effects 0.000 title claims abstract description 107
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000001133 acceleration Effects 0.000 claims abstract description 95
- 238000004088 simulation Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000008439 repair process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开提供了一种基于数字孪生的无人机健康监测方法和装置，涉及无人机健康监测技术，基于无人机仿真数据、利用深度学习训练初步数字孪生模型，无人机仿真数据包括仿真健康加速度和仿真故障加速度，利用无人机的实测健康加速度和实测故障加速度对初步数字孪生模型进行循环特征修复，直至获取到最终数字孪生模型，最终数字孪生模型用于对无人机进行健康监测，并且最终数字孪生模型对无人机的健康监测结果与无人机的实测飞行数据相符，解决了现有技术中匹配器PULSE参数设定操作繁琐且维护成本高的问题。
Description
技术领域
本发明涉及无人机健康监测技术领域，具体涉及一种基于数字孪生的无人机健康监测方法及装置。
背景技术
随着科学技术的飞速发展，无人机被广泛应用于各种行业场景中，如军事、气象检测以及影像资料传输等领域。它能够在无人驾驶的情形下完成高难度的飞行任务。其机身的一体化强度要求较高，如果振动导致硬件连接异常，这是不能容忍的。同时，飞行器自身的振动会影响到飞行的稳定和航拍的效果。
无人机的旋翼是由电机的高速运转驱动的，在无人机飞行时，电机的转速可达到上万转每分钟，因此电机的电机长时间受到高负载、温度的恶劣工况，而转子是重要的承载和旋转部件，保证其健康、可靠的运行是保证无人机可靠、平稳飞行的关键。
现有对无人机微型电机的故障监测办法是采用事后诊断、计划维修的方式，这种方式不能及时的发现无人机电机发生故障的时间、地点、事件等要素，这阻碍了对无人机整机健康管理的优化。
发明内容
本发明要解决的技术问题在于克服现有无人机微型电机的故障监测技术中，采用事后诊断、计划维修的方式，这种方式不能及时的发现无人机电机发生故障的时间、地点、事件等要素，阻碍了对无人机整机健康管理优化的缺陷，从而提供一种基于数字孪生的无人机健康监测方法及装置。
为解决上述技术问题，本发明公开实施例至少提供一种基于数字孪生的无人机健康监测方法及装置。
第一方面，本发明公开实施例提供了一种基于数字孪生的无人机健康监测方法，包括：
基于无人机仿真数据、利用深度学习训练初步数字孪生模型，所述无人机仿真数据包括仿真健康加速度和仿真故障加速度，所述初步数字孪生模型用于通过无人机动力学模型、转子动力学模型和电机故障模型对所述无人机仿真数据进行故障数据识别；
利用无人机的实测健康加速度和实测故障加速度对所述初步数字孪生模型进行循环特征修复，直至获取到最终数字孪生模型，所述最终数字孪生模型用于对无人机进行健康监测，并且所述最终数字孪生模型对无人机的健康监测结果与无人机的实测飞行数据相符。
可选地，在所述基于无人机仿真数据、利用深度学习训练初步数字孪生模型之前，所述方法还包括：构建所述无人机动力学模型、所述转子动力学模型和所述电机故障模型；利用所述无人机动力学模型、所述转子动力学模型和所述电机故障模型计算所述无人机仿真数据。
可选地，所述利用无人机的实测健康加速度和实测故障加速度对所述初步数字孪生模型进行循环特征修复包括：获取无人机的实测健康标签和实测故障标签；将实测健康标签融合入实测健康加速度中，将实测故障标签融合入实测故障加速度中；将融入标签的所述实测健康加速度和所述实测故障加速度转换成与所述无人机仿真数据相同的数据格式；基于格式转换后的所述实测健康加速度和所述实测故障加速度对所述初步数字孪生模型进行循环特征修复。
可选地，通过以下过程构建所述电机故障模型：
局部故障对故障电机推力和力矩的影响视为参数不确定性，建模如下：
，
其中，Tif是电机总推力，Qif是电机总力矩，Ωi是第i个旋翼的速度，Ti是第i个电机的推力，Qi是第i个电机的力矩，b和d为推力参数和扭力参数，Δb极限值为，Δd极限值为，fi是第i个电机故障状态；
故障信号器uf产生的实际信号u如下：
，
其中，tf是故障发生的时间，，fi表示第i个电机的状态，fi＝0表示正常的电机，fi＝1表示完全失效的电机，T1、T2、T3、T4是四个电机产生的时间序列信号。
可选地，通过以下过程构建所述无人机动力学模型：
构建位置动力学模型：
；
构建姿态动力学模型：
；
构建欧拉方程：
；
其中，是惯性坐标系中的加速度向量，m是系统质量，和分别是世界坐标系中的总电机动力和总空气动力，是基地坐标系中的总力矩，指数E、aero和gyro分别与电机、空气动力学以及陀螺效应相关，是四旋翼的角速度矢量，J是惯性矩阵，p、q、r表示旋翼的三个角速度分量，θ、φ、ψ表示姿态角，表示俯仰、翻滚、偏航；
构建四旋翼的气动力和力矩定义如下：
，
常数参数kx、ky、kz是平移阻力系数，kφ、kθ、kψ是旋转阻力系数，转子的陀螺效应产生的力矩表示为，其中JT是每个电机的惯性矩，Ω表示螺旋桨总速度，如下所示：;
其中：
;
;
;
自动驾驶仪输出（U）转换为每个电机输入，以将信号发送到四旋翼速度控制装置，然后将相关PWM信号应用到每个四旋翼的电机。
可选地，根据以下过程构建所述转子动力学模型：
将电机产生的推力建模为一阶系统，得到转速变化方面的电机动力学：
；
其中，S是拉普拉斯变量，uic是第i个电机输入，K是电机增益，ω0是电机的带宽，电机的推力和扭矩取决于转速、螺旋桨直径以及叶片的空气动力学特性，公式如下：，式中，Ct、Cd为推力和阻力系数，ρ为空气密度，Ωi为第i台电机的转速，D为螺旋桨直径，b和d为推力参数和扭力参数，车身框架中的驱动输入基于转速表示如下：。
可选地，所述利用所述无人机动力学模型、所述转子动力学模型和所述电机故障模型计算所述无人机仿真数据包括：计算电机健康时无人机的健康升力，计算电机故障时无人机的故障升力；通过健康升力计算无人机健康飞行加速度，通过故障升力计算无人机故障飞行加速度。
第二方面，本发明公开实施例还提供一种基于数字孪生的无人机健康监测装置，包括：
初步数字孪生模型训练模块，用于基于无人机仿真数据、利用深度学习训练初步数字孪生模型，所述无人机仿真数据包括仿真健康加速度和仿真故障加速度，所述初步数字孪生模型用于通过无人机动力学模型、转子动力学模型和电机故障模型对所述无人机仿真数据进行故障数据识别；
最终数字孪生模型生成模块，用于利用无人机的实测健康加速度和实测故障加速度对所述初步数字孪生模型进行循环特征修复，直至获取到最终数字孪生模型，所述最终数字孪生模型用于对无人机进行健康监测，并且所述最终数字孪生模型对无人机的健康监测结果与无人机的实测飞行数据相符。
第三方面，本发明公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，存储器存储有处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，机器可读指令被处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
第四方面，本发明公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
本发明的实施例提供的技术方案可以具有以下有益效果：
利用无人机动力学模型、实测无人机飞行参数构建无人机的数字孪生健康监测模型。具体为：建立无人机的动力学模型、转子动力学模型、电机故障模型；利用以上建立的模型分别计算无人机健康和故障时的升力和加速度数据；利用该仿真数据训练基于深度学习的初步数字孪生模型，该初步数字孪生模型仅针对仿真数据具备故障识别能力；因此将实际无人机的健康和故障标签融合入实测加速度数据中，将实测的故障标签、健康标签和加速度数据命名为实测特征，将实测特征以和仿真数据相同的数据格式融入初步数字孪生模型进行特征修复，并对上面构建的初步数字孪生模型进行多重训练，直到初步数字孪生模型可以通过实测特征数据进行正确的健康监测；最后将多重训练后的最终数字孪生模型部署到无人机的机载电脑中，实现无人机的实时健康监测。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明公开实施例所提供的一种基于数字孪生的无人机健康监测方法的流程图；
图2示出了本发明公开实施例所提供的另一种基于数字孪生的无人机健康监测方法的流程图；
图3示出了本发明公开实施例所提供的一种基于数字孪生的无人机健康监测装置的结构示意图；
图4示出了本发明公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
实施例1
如图1所示，本发明公开实施例所提供的一种基于数字孪生的无人机健康监测方法的流程图，所述方法包括：
S11:基于无人机仿真数据、利用深度学习训练初步数字孪生模型，无人机仿真数据包括仿真健康加速度和仿真故障加速度，初步数字孪生模型用于通过无人机动力学模型、转子动力学模型和电机故障模型对无人机仿真数据进行故障数据识别。
S12:利用无人机的实测健康加速度和实测故障加速度对初步数字孪生模型进行循环特征修复，直至获取到最终数字孪生模型，最终数字孪生模型用于对无人机进行健康监测，并且最终数字孪生模型对无人机的健康监测结果与无人机的实测飞行数据相符。
可以理解的是，本实施例提供的技术方案，基于无人机仿真数据、利用深度学习训练初步数字孪生模型，无人机仿真数据包括仿真健康加速度和仿真故障加速度，利用无人机的实测健康加速度和实测故障加速度对初步数字孪生模型进行循环特征修复，直至获取到最终数字孪生模型，最终数字孪生模型用于对无人机进行健康监测，并且最终数字孪生模型对无人机的健康监测结果与无人机的实测飞行数据相符，解决了现有技术中匹配器PULSE参数设定操作繁琐且维护成本高的问题。
实施例2
如图2所示，本发明公开实施例所提供的另一种基于数字孪生的无人机健康监测方法的流程图，该方法包括：
S21:构建无人机动力学模型、转子动力学模型和电机故障模型。
在一些可选实施例中，可以但不限于通过以下过程构建电机故障模型。
局部故障对故障电机推力和力矩的影响视为参数不确定性，建模如下：
，
其中，Tif是电机总推力，Qif是电机总力矩，Ωi是第i个旋翼的速度，Ti是第i个电机的推力，Qi是第i个电机的力矩，b和d为推力参数和扭力参数，Δb极限值为，Δd极限值为，fi是第i个电机故障状态；
故障信号器（uf）产生的实际信号（u）如下：
，
其中，tf是故障发生的时间，，fi表示第i个电机的状态，fi＝0表示正常的电机，fi＝1表示完全失效的电机，T1、T2、T3、T4是四个电机产生的时间序列信号。
在一些可选实施例中，可以但不限于通过以下过程构建无人机动力学模型。
构建位置动力学模型：
；
构建姿态动力学模型：
；
构建欧拉方程：
；
其中，是惯性坐标系中的加速度向量，m是系统质量，和分别是世界坐标系中的总电机动力和总空气动力，是基地坐标系中的总力矩，指数E、aero和gyro分别与电机、空气动力学以及陀螺效应相关，是四旋翼的角速度矢量，J是惯性矩阵，p、q、r表示旋翼的三个角速度分量，θ、φ、ψ表示姿态角，表示俯仰、翻滚、偏航；
构建四旋翼的气动力和力矩定义如下：
，
常数参数kx、ky、kz是平移阻力系数，kφ、kθ、kψ是旋转阻力系数，转子的陀螺效应产生的力矩表示为，其中JT是每个电机的惯性矩，Ω表示螺旋桨总速度，如下所示：。
其中：
;
;
;
自动驾驶仪输出（U）转换为每个电机输入，以将信号发送到四旋翼速度控制装置，然后将相关PWM信号应用到每个四旋翼的电机。
在一些可选实施例中，可以但不限于根据以下过程构建转子动力学模型。
将电机产生的推力建模为一阶系统，得到转速变化方面的电机动力学：
；
其中，S是拉普拉斯变量，uic是第i个电机输入，K是电机增益，ω0是电机的带宽，电机的推力和扭矩取决于转速、螺旋桨直径以及叶片的空气动力学特性，公式如下：，式中，Ct、Cd为推力和阻力系数，ρ为空气密度，Ωi为第i台电机的转速，D为螺旋桨直径，b和d为推力参数和扭力参数，车身框架中的驱动输入基于转速表示如下：。
S22:利用无人机动力学模型、转子动力学模型和电机故障模型计算无人机仿真数据。
S23:基于无人机仿真数据、利用深度学习训练初步数字孪生模型，无人机仿真数据包括仿真健康加速度和仿真故障加速度，初步数字孪生模型用于通过无人机动力学模型、转子动力学模型和电机故障模型对无人机仿真数据进行故障数据识别。
S24:利用无人机的实测健康加速度和实测故障加速度对初步数字孪生模型进行循环特征修复，直至获取到最终数字孪生模型，最终数字孪生模型用于对无人机进行健康监测，并且最终数字孪生模型对无人机的健康监测结果与无人机的实测飞行数据相符。
在一些可选实施例中，S24可以通过但不限于以下过程实现（图中未示出）：
S241:获取无人机的实测健康标签和实测故障标签。
S242:将实测健康标签融合入实测健康加速度中，将实测故障标签融合入实测故障加速度中。
S243:将融入标签的实测健康加速度和实测故障加速度转换成与无人机仿真数据相同的数据格式。
基于格式转换后的实测健康加速度和实测故障加速度对初步数字孪生模型进行循环特征修复。
在一些可选实施例中，S22可以但不限于通过以下过程实现（图中未示出）：
S221:计算电机健康时无人机的健康升力，计算电机故障时无人机的故障升力。
S222:通过健康升力计算无人机健康飞行加速度，通过故障升力计算无人机故障飞行加速度。
为便于读着理解，下面对本发明实施例中涉及的技术细节进行详细说明。
1.无人机动力学建模：
四旋翼在机身框架中的平移和旋转方程在方程（1）和（2）中给出。将四个旋翼分别编号为1，2，3，4，1、2号电机为对角电机，3、4号电机为对角电机。1号和2号电机分别以速度Ω1、Ω2逆时针旋转，而3号和4号电机以速度Ω3、Ω4逆时针旋转。
位置动力学：
（1），
姿态动力学：
（2），
欧拉方程：
（3），
其中是惯性坐标系中的加速度向量，m是系统质量，和分别是世界坐标系中的总电机动力和总空气动力，是基地坐标系中的总力矩，指数E、aero和gyro分别与电机、空气动力学以及陀螺效应相关。是四旋翼的角速度矢量，J是惯性矩阵，p、q、r表示旋翼的三个角速度分量，θ、φ、ψ表示姿态角，表示俯仰、翻滚、偏航。
四旋翼的气动力和力矩定义如下：
，
常数参数kx、ky、kz是平移阻力系数，kφ、kθ、kψ是旋转阻力系数，转子的陀螺效应产生的力矩表示为，其中JT是每个电机的惯性矩，Ω表示螺旋桨总速度，如下所示：，
其中：
，
，
，
自动驾驶仪输出（U）必须转换为每个电机输入，以将信号发送到四旋翼速度控制装置，然后将相关PWM信号应用到每个四旋翼的电机。
2.转子动力学建模
将电机产生的推力建模为一阶系统，以说明转速变化方面的电机动力学：
，其中S是拉普拉斯变量，uic是第i个电机输入，即电机的PWM参考信号，K是电机增益，ω0是电机的带宽。电机的推力和扭矩取决于转速、螺旋桨直径以及叶片的空气动力学特性，公式如下：
，
式中，Ct、Cd为推力和阻力系数，ρ为空气密度，Ωi为每台电机的转速（单位：rpm），D为螺旋桨直径。b和d为推力参数和扭力参数。因此，车身框架中的驱动输入基于转速表示如下：。
3.电机故障建模
电机性能下降或转子损坏可被视为执行机构的局部故障。第i个执行器的局部故障会导致推力损失，从而产生不必要的侧倾、俯仰和偏航力矩。因此，局部故障对故障电机推力和力矩的影响被视为参数不确定性，其建模如下：
，
为了保证无人机在发生故障时不出现坠机的现象，Tif是电机总推力，Qif是电机总力矩，Ωi是第i个旋翼的速度，Ti是第i个电机的推力，Qi是第i个电机的力矩，b和d为推力参数和扭力参数，Δb极限值为-，Δd极限值为，fi是第i个电机故障状态。
故障信号器（uf）产生的实际信号（u）如下：
，
在上式中，tf是故障发生的时间，，fi表示第i个电机的状态，fi＝0表示正常的电机，fi＝1表示完全失效的电机，T1、T2、T3、T4是四个电机产生的时间序列信号。
4.计算加速度数据
基于上述无人机动力学模型计算无人机正常状态工作的升力T正常和电机转子发生故障时无人机的升力T故障。通过升力计算出无人机在正常和故障下工作的加速度。并将无人机健康的标签和故障的标签分别嵌入到其对应工况的加速度数据中，将这些数据按类别建立一个无人机虚拟仿真的数据平台。
5.初步训练数字孪生模型
利用第4步构建的无人机数据集，利用深度学习技术建立起端到端的数字孪生健康监测模型。该数字孪生模型可以通过无人机、转子动力学模型、电机故障模型计算的加速度来快速的判断出无人机的健康状况。
6.特征修复、多重训练、部署模型
收集无人机实际工作的加速度数据和健康的状况信息，将该加速度数据和健康信息作为无人机的新的数据特征（称为实测特征），利用实测特征对第5步的数组孪生模型进行多重训练，以对初步的数字孪生模型进行特征修复，直到多重训练后的数字孪生模型可以准确的检测无人机的实际健康状况。此时构建的数字孪生模型不受无人机的底层动力学模型和控制算法的改变而失去作用。将此时的数字孪生模型部署到无人机的机载电脑中，实现无人机的实时健康监测。
可以理解的是，本实施例提供的技术方案，利用无人机动力学模型、实测无人机飞行参数构建无人机的数字孪生健康监测模型。具体为：建立无人机的动力学模型、转子动力学模型、电机故障模型；利用以上建立的模型分别计算无人机健康和故障时的升力和加速度数据；利用该仿真数据训练基于深度学习的初步数字孪生模型，该初步数字孪生模型仅针对仿真数据具备故障识别能力；因此将实际无人机的健康和故障标签融合入实测加速度数据中，将实测的故障标签、健康标签和加速度数据命名为实测特征，将实测特征以和仿真数据相同的数据格式融入初步数字孪生模型进行特征修复，并对上面构建的初步数字孪生模型进行多重训练，直到初步数字孪生模型可以通过实测特征数据进行正确的健康监测；最后将多重训练后的最终数字孪生模型部署到无人机的机载电脑中，实现无人机的实时健康监测。
实施例3
如图3所示，本发明实施例还提供一种基于数字孪生的无人机健康监测装置，包括：
初步数字孪生模型训练模块31，用于基于无人机仿真数据、利用深度学习训练初步数字孪生模型，无人机仿真数据包括仿真健康加速度和仿真故障加速度，初步数字孪生模型用于通过无人机动力学模型、转子动力学模型和电机故障模型对无人机仿真数据进行故障数据识别。
最终数字孪生模型生成模块32，用于利用无人机的实测健康加速度和实测故障加速度对初步数字孪生模型进行循环特征修复，直至获取到最终数字孪生模型，最终数字孪生模型用于对无人机进行健康监测，并且最终数字孪生模型对无人机的健康监测结果与无人机的实测飞行数据相符。
在一些可选实施例中，如图3中部分所示，该装置还包括：
无人机仿真数据计算模块33，用于构建无人机动力学模型、转子动力学模型和电机故障模型；利用无人机动力学模型、转子动力学模型和电机故障模型计算无人机仿真数据。
在一些可选实施例中，如图3中部分所示，最终数字孪生模型生成模块32包括：
标签获取子模块321，用于获取无人机的实测健康标签和实测故障标签。
标签融合子模块322，用于将实测健康标签融合入实测健康加速度中，将实测故障标签融合入实测故障加速度中。
格式转换子模块323，用于将融入标签的实测健康加速度和实测故障加速度转换成与无人机仿真数据相同的数据格式。
特征修复子模块324，用于基于格式转换后的实测健康加速度和实测故障加速度对初步数字孪生模型进行循环特征修复。
在一些可选实施例中，无人机仿真数据计算模块33通过以下过程构建电机故障模型。
局部故障对故障电机推力和力矩的影响视为参数不确定性，建模如下：
，
其中，Tif是电机总推力，Qif是电机总力矩，Ωi是第i个旋翼的速度，Ti是第i个电机的推力，Qi是第i个电机的力矩，b和d为推力参数和扭力参数，Δb极限值为，Δd极限值为，fi是第i个电机故障状态；
故障信号器（uf）产生的实际信号（u）如下：
，
其中，tf是故障发生的时间，，fi表示第i个电机的状态，fi＝0表示正常的电机，fi＝1表示完全失效的电机，T1、T2、T3、T4是四个电机产生的时间序列信号。
在一些可选实施例中，无人机仿真数据计算模块33通过以下过程构建无人机动力学模型：
构建位置动力学模型：
；
构建姿态动力学模型：
；
构建欧拉方程：
；
其中，是惯性坐标系中的加速度向量，m是系统质量，和分别是世界坐标系中的总电机动力和总空气动力，是基地坐标系中的总力矩，指数E、aero和gyro分别与电机、空气动力学以及陀螺效应相关，是四旋翼的角速度矢量，J是惯性矩阵，p、q、r表示旋翼的三个角速度分量，θ、φ、ψ表示姿态角，表示俯仰、翻滚、偏航；
构建四旋翼的气动力和力矩定义如下：
，
常数参数kx、ky、kz是平移阻力系数，kφ、kθ、kψ是旋转阻力系数，转子的陀螺效应产生的力矩表示为，其中JT是每个电机的惯性矩，Ω表示螺旋桨总速度，如下所示：;
其中：
;
;
;
自动驾驶仪输出（U）转换为每个电机输入，以将信号发送到四旋翼速度控制装置，然后将相关PWM信号应用到每个四旋翼的电机。
在一些可选实施例中，无人机仿真数据计算模块33根据以下过程构建转子动力学模型。
将电机产生的推力建模为一阶系统，得到转速变化方面的电机动力学：
；
其中，S是拉普拉斯变量，uic是第i个电机输入，K是电机增益，ω0是电机的带宽，电机的推力和扭矩取决于转速、螺旋桨直径以及叶片的空气动力学特性，公式如下：，式中，Ct、Cd为推力和阻力系数，ρ为空气密度，Ωi为第i台电机的转速，D为螺旋桨直径，b和d为推力参数和扭力参数，车身框架中的驱动输入基于转速表示如下：。
在一些可选实施例中，无人机仿真数据计算模块33包括：
升力计算子模块331，用于计算电机健康时无人机的健康升力，计算电机故障时无人机的故障升力。
加速度计算子模块332，用于通过健康升力计算无人机健康飞行加速度，通过故障升力计算无人机故障飞行加速度。
可以理解的是，本实施例提供的技术方案，利用无人机动力学模型、实测无人机飞行参数构建无人机的数字孪生健康监测模型。具体为：建立无人机的动力学模型、转子动力学模型、电机故障模型；利用以上建立的模型分别计算无人机健康和故障时的升力和加速度数据；利用该仿真数据训练基于深度学习的初步数字孪生模型，该初步数字孪生模型仅针对仿真数据具备故障识别能力；因此将实际无人机的健康和故障标签融合入实测加速度数据中，将实测的故障标签、健康标签和加速度数据命名为实测特征，将实测特征以和仿真数据相同的数据格式融入初步数字孪生模型进行特征修复，并对上面构建的初步数字孪生模型进行多重训练，直到初步数字孪生模型可以通过实测特征数据进行正确的健康监测；最后将多重训练后的最终数字孪生模型部署到无人机的机载电脑中，实现无人机的实时健康监测。
实施例4
基于同一技术构思，本申请实施例还提供了一种计算机设备，包括存储器1和处理器2，如图4所示，所述存储器1存储有计算机程序，所述处理器2执行所述计算机程序时实现上述所述的基于数字孪生的无人机健康监测方法。
其中，存储器1至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器1在一些实施例中可以是基于数字孪生但无人机健康监测系统的内部存储单元，例如硬盘。存储器1在另一些实施例中也可以是基于数字孪生但无人机健康监测系统的外部存储设备，例如插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）等。进一步地，存储器1还可以既包括基于数字孪生但无人机健康监测系统的内部存储单元也包括外部存储设备。存储器1不仅可以用于存储安装于基于数字孪生但无人机健康监测系统的应用软件及各类数据，例如基于数字孪生但无人机健康监测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。处理器2在一些实施例中可以是一中央处理器（Central Processing Unit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器1中存储的程序代码或处理数据，例如执行基于数字孪生的无人机健康监测程序等。
可以理解的是，本实施例提供的技术方案，利用无人机动力学模型、实测无人机飞行参数构建无人机的数字孪生健康监测模型。具体为：建立无人机的动力学模型、转子动力学模型、电机故障模型；利用以上建立的模型分别计算无人机健康和故障时的升力和加速度数据；利用该仿真数据训练基于深度学习的初步数字孪生模型，该初步数字孪生模型仅针对仿真数据具备故障识别能力；因此将实际无人机的健康和故障标签融合入实测加速度数据中，将实测的故障标签、健康标签和加速度数据命名为实测特征，将实测特征以和仿真数据相同的数据格式融入初步数字孪生模型进行特征修复，并对上面构建的初步数字孪生模型进行多重训练，直到初步数字孪生模型可以通过实测特征数据进行正确的健康监测；最后将多重训练后的最终数字孪生模型部署到无人机的机载电脑中，实现无人机的实时健康监测。
本发明公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的基于数字孪生的无人机健康监测方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本发明公开实施例所提供的基于数字孪生的无人机健康监测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的基于数字孪生的无人机健康监测方法的步骤，具体可参见上述方法实施例，在此不再赘述。
本发明公开实施例还提供一种计算机程序，该计算机程序被处理器执行时实现前述实施例的任意一种方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包（Software DevelopmentKit，SDK）等等。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于数字孪生的无人机健康监测方法，其特征在于，包括：
基于无人机仿真数据、利用深度学习训练初步数字孪生模型，所述无人机仿真数据包括仿真健康加速度和仿真故障加速度，所述初步数字孪生模型用于通过无人机动力学模型、转子动力学模型和电机故障模型对所述无人机仿真数据进行故障数据识别；
利用无人机的实测健康加速度和实测故障加速度对所述初步数字孪生模型进行循环特征修复，直至获取到最终数字孪生模型，所述最终数字孪生模型用于对无人机进行健康监测，并且所述最终数字孪生模型对无人机的健康监测结果与无人机的实测飞行数据相符。
2.根据权利要求1所述的基于数字孪生的无人机健康监测方法，其特征在于，在所述基于无人机仿真数据、利用深度学习训练初步数字孪生模型之前，所述方法还包括：
构建所述无人机动力学模型、所述转子动力学模型和所述电机故障模型；
利用所述无人机动力学模型、所述转子动力学模型和所述电机故障模型计算所述无人机仿真数据。
3.根据权利要求2所述的基于数字孪生的无人机健康监测方法，其特征在于，所述利用无人机的实测健康加速度和实测故障加速度对初步数字孪生模型进行循环特征修复包括：
获取无人机的实测健康标签和实测故障标签；
将实测健康标签融合入实测健康加速度中，将实测故障标签融合入实测故障加速度中；
将融入标签的所述实测健康加速度和所述实测故障加速度转换成与所述无人机仿真数据相同的数据格式；
基于格式转换后的所述实测健康加速度和所述实测故障加速度对所述初步数字孪生模型进行循环特征修复。
4.根据权利要求3所述的基于数字孪生的无人机健康监测方法，其特征在于，通过以下过程构建所述电机故障模型：
局部故障对故障电机推力和力矩的影响视为参数不确定性，建模如下：
，
其中，是电机总推力，是电机总力矩，是第i个旋翼的速度，Ti是第i个电机的推力，Qi是第i个电机的力矩，b和d为推力参数和扭力参数，Δb极限值为，Δd极限值为，fi是第i个电机故障状态；
故障信号器uf产生的实际信号u如下：
，
其中，tf是故障发生的时间，，fi表示第i个电机的状态，fi＝0表示正常的电机，fi＝1表示完全失效的电机，T1、T2、T3、T4是四个电机产生的时间序列信号。
5.根据权利要求4所述的基于数字孪生的无人机健康监测方法，其特征在于，通过以下过程构建所述无人机动力学模型：
构建位置动力学模型：
；
构建姿态动力学模型：
；
构建欧拉方程：
；
其中，是惯性坐标系中的加速度向量，m是系统质量，和分别是世界坐标系中的总电机动力和总空气动力，是基地坐标系中的总力矩，指数E、aero和gyro分别与电机、空气动力学以及陀螺效应相关，是四旋翼的角速度矢量，J是惯性矩阵，p、q、r表示旋翼的三个角速度分量，θ、φ、ψ表示姿态角，表示俯仰、翻滚、偏航；
构建四旋翼的气动力和力矩定义如下：
；
其中，常数参数kx、ky、kz是平移阻力系数，kφ、kθ、kψ是旋转阻力系数，转子的陀螺效应产生的力矩表示为，其中JT是每个电机的惯性矩，Ω表示螺旋桨总速度，如下所示：;
其中：
;
;
;
自动驾驶仪输出电压转换为每个电机输入，以将信号发送到四旋翼速度控制装置，然后将相关PWM信号应用到每个四旋翼的电机。
6.根据权利要求5所述的基于数字孪生的无人机健康监测方法，其特征在于，根据以下过程构建所述转子动力学模型：
将电机产生的推力建模为一阶系统，得到转速变化方面的电机动力学：
；其中，S是拉普拉斯变量，uic是第i个电机输入，K是电机增益，ω0是电机的带宽，电机的推力和扭矩取决于转速、螺旋桨直径以及叶片的空气动力学特性，公式如下：，式中，Ct、Cd为推力和阻力系数，ρ为空气密度，Ωi为第i台电机的转速，D为螺旋桨直径，b和d为推力参数和扭力参数，车身框架中的驱动输入基于转速表示如下：。
7.根据权利要求6所述的基于数字孪生的无人机健康监测方法，其特征在于，所述利用所述无人机动力学模型、所述转子动力学模型和所述电机故障模型计算所述无人机仿真数据包括：
计算电机健康时无人机的健康升力，计算电机故障时无人机的故障升力；
通过健康升力计算无人机健康飞行加速度，通过故障升力计算无人机故障飞行加速度。
8.一种基于数字孪生的无人机健康监测装置，其特征在于，包括：
初步数字孪生模型训练模块，用于基于无人机仿真数据、利用深度学习训练初步数字孪生模型，所述无人机仿真数据包括仿真健康加速度和仿真故障加速度，所述初步数字孪生模型用于通过无人机动力学模型、转子动力学模型和电机故障模型对所述无人机仿真数据进行故障数据识别；
最终数字孪生模型生成模块，用于利用无人机的实测健康加速度和实测故障加速度对所述初步数字孪生模型进行循环特征修复，直至获取到最终数字孪生模型，所述最终数字孪生模型用于对无人机进行健康监测，并且所述最终数字孪生模型对无人机的健康监测结果与无人机的实测飞行数据相符。
9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一项所述基于数字孪生的无人机健康监测方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7中任一项所述基于数字孪生的无人机健康监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310220971.6A CN115906295B (zh) | 2023-03-09 | 2023-03-09 | 基于数字孪生的无人机健康监测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310220971.6A CN115906295B (zh) | 2023-03-09 | 2023-03-09 | 基于数字孪生的无人机健康监测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115906295A true CN115906295A (zh) | 2023-04-04 |
| CN115906295B CN115906295B (zh) | 2023-05-12 |
Family
ID=85728486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310220971.6A Active CN115906295B (zh) | 2023-03-09 | 2023-03-09 | 基于数字孪生的无人机健康监测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115906295B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894190A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 轴承故障诊断方法、装置、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103076745A (zh) * | 2012-12-12 | 2013-05-01 | 上海市电力公司 | 常规电力系统仿真软件中风电机组模型的仿真方法 |
| CN111275182A (zh) * | 2020-01-13 | 2020-06-12 | 西北工业大学 | 基于云计算的深度学习模拟巩固方法 |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN115617628A (zh) * | 2022-09-20 | 2023-01-17 | 上海科梁信息科技股份有限公司 | 一种数字孪生系统、研发方法、设备和存储介质 |
-
2023
- 2023-03-09 CN CN202310220971.6A patent/CN115906295B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103076745A (zh) * | 2012-12-12 | 2013-05-01 | 上海市电力公司 | 常规电力系统仿真软件中风电机组模型的仿真方法 |
| CN111275182A (zh) * | 2020-01-13 | 2020-06-12 | 西北工业大学 | 基于云计算的深度学习模拟巩固方法 |
| WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN115617628A (zh) * | 2022-09-20 | 2023-01-17 | 上海科梁信息科技股份有限公司 | 一种数字孪生系统、研发方法、设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| J. J. TONG: "Machine Learning for UAV Propeller Fault Detection based on a Hybrid Data Generation Model", 《ARXIV》 * |
| MICHAEL G. KAPTEYN: "Toward predictive digital twins via component-based reduced-order models and interpretable machine learning", 《AIAA SCITECH 2020 FORUM》 * |
| YAN XU: "A Digital-Twin-Assisted Fault Diagnosis Using Deep Transfer Learning", 《EEE ACCESS》 * |
| YUANLIN YANG: "A Digital Twin Simulation Platform for Multi-rotor UAV", 《2020 7TH INTERNATIONAL CONFERENCE ON INFORMATION, CYBERNETICS, AND COMPUTATIONAL SOCIAL SYSTEMS》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894190A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 轴承故障诊断方法、装置、电子设备和存储介质 |
| CN116894190B (zh) * | 2023-09-11 | 2023-11-28 | 江西南昌济生制药有限责任公司 | 轴承故障诊断方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115906295B (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018110598A1 (ja) | 無人航空機、無人航空機の制御装置、無人航空機の制御方法、及び無人航空機の障害検出装置 | |
| Madani et al. | Sliding mode observer and backstepping control for a quadrotor unmanned aerial vehicles | |
| CN108614573B (zh) | 六旋翼无人机的自动容错姿态控制方法 | |
| Szafranski et al. | Modeling and identification of electric propulsion system for multirotor unmanned aerial vehicle design | |
| CN115906295B (zh) | 基于数字孪生的无人机健康监测方法和装置 | |
| CN110888451A (zh) | 一种多旋翼无人机容错控制方法及系统 | |
| US20230315124A1 (en) | Multi-rotor unmanned aerial vehicle and control method thereof, control apparatus and computer-readable storage medium | |
| CN112327896A (zh) | 旋翼容错控制方法、装置、计算机存储介质及计算机设备 | |
| Wang et al. | Hybrid modeling based double-granularity fault detection and diagnosis for quadrotor helicopter | |
| CN113467244B (zh) | 基于控制矩阵重分配的多旋翼无人机容错控制方法及装置 | |
| Talaeizadeh et al. | Deployment of model-based design approach for a mini-quadcopter | |
| Yi et al. | Fault diagnosis of an unmanned quadrotor helicopter based on particle filter | |
| CN117492383B (zh) | 一种基于半实物仿真的无人机自动化测试系统及方法 | |
| Fang et al. | Design and nonlinear control of an indoor quadrotor flying robot | |
| Bulgakov et al. | Automation of 3D building model generation using quadrotor | |
| Ke et al. | Full envelope dynamics modeling and simulation for tail-sitter hybrid UAVs | |
| Barve et al. | Modelling, simulation and altitude-range-analysis of quad-copter uav | |
| CN113238572A (zh) | 基于预设性能控制的预设时间四旋翼无人机姿态跟踪方法 | |
| Miller et al. | Development and testing of a coaxial helicopter controlled by shifting the center of gravity | |
| Marantos et al. | Robust stabilization control of unknown small-scale helicopters | |
| CN113296527B (zh) | 一种小型旋翼空中机器人在非零初始状态下的飞行控制方法 | |
| CN112441253A (zh) | 一种多旋翼无人机实时尾迹的仿真分析系统及方法 | |
| Kato et al. | Design of a Gain-scheduled Rotor Thrust Controller Using Airspeed and Rotor Angular Velocity | |
| CN113110107B (zh) | 无人机飞行控制仿真系统、设备及存储介质 | |
| Peng et al. | Comprehensive modeling of quadrotors for maneuvering flight control design |
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 |