Betriebsmodus des UAV-Fehlerbehandlungsmoduls

Wichtige technische Herausforderungen

Derzeit steht die Schaffung eines effizienten und zuverlässigen Fehlerbehandlungssystems vor den folgenden Hauptherausforderungen:

Komplexität versus Echtzeitleistung: UAV-Systeme enthalten zahlreiche Sensoren und Aktoren, bei denen es zu komplexen Fehlern wie Kopplung, Parallelität oder allmählichen Änderungen kommen kann. Herkömmliche Redundanzverwaltung und Fehlerisolierung von Flugsteuerungscomputern verbrauchen erhebliche Rechenressourcen, erhöhen die Systemlast und beeinträchtigen die Echtzeitleistung. Gleichzeitig erfordert die Vervollständigung des geschlossenen Regelkreises von der Diagnose bis zur Steuerung innerhalb von Millisekunden eine äußerst hohe Algorithmeneffizienz.

Modellabhängigkeit versus Umweltunsicherheit: Viele Diagnosemethoden, die auf mathematischen Modellen basieren (z. B. Kalman-Filterung), hängen stark von der Genauigkeit des Modells ab. Im tatsächlichen Flug sind UAVs jedoch mit unsicheren Störungen wie Änderungen der aerodynamischen Parameter, Böen und Vereisung sowie unbekannten nichtlinearen Fehlern in Aktuatoren und Sensoren konfrontiert, die durch mechanischen Verschleiß und Umwelteinflüsse (wie Vereisung) verursacht werden. Diese Faktoren erschweren die genaue Modellierung und Fehlerisolierung erheblich.

Ressourceneinschränkungen an Bord im Vergleich zur Algorithmenbereitstellung: Die Rechenleistung, der Speicher und der Stromverbrauch an Bord von UAVs sind streng begrenzt. Fortschrittliche intelligente Diagnosealgorithmen (z. B. Deep-Learning-Modelle) stellen jedoch typischerweise einen hohen Rechenaufwand dar und lassen sich nur schwer direkt einsetzen. Es muss ein schwieriges Gleichgewicht zwischen Algorithmusleistung, Komplexität und Echtzeitleistung gefunden werden.

Durchbruchsrichtungen der Grenztechnologie

1. Intelligente Fusion und erweiterte Diagnose: Der Kern besteht darin, die Genauigkeit und Anpassungsfähigkeit der Diagnose zu verbessern. Beispielsweise können durch die Kombination von neuronalen Netzwerken mit radialer Basisfunktion (RBF) und nichtlinearen dynamischen inversen (NDI) Controllern dynamische, unbekannte Aktuator- und Sensorverbundfehler, die durch Umweltfaktoren wie Vereisung verursacht werden, adaptiv abgeschätzt und kompensiert werden. Darüber hinaus kann die Verwendung nichtlinearer Störungsbeobachter (NDOs) zum „Verpacken“ und Schätzen verschiedener Störungen die Systemrobustheit effektiv verbessern.

2. Hocheffiziente fehlertolerante Kontrollalgorithmen: Der Schwerpunkt liegt auf der Maximierung der Ressourcenoptimierung bei gleichzeitiger Gewährleistung der Stabilität. Durch die Kombination einer dynamischen, ereignisgesteuerten Steuerung mit einer vordefinierten Zeitstabilitätstheorie kann das System beispielsweise nur dann kommunizieren und Berechnungen durchführen, wenn dies erforderlich ist. Verwandte Untersuchungen zeigen, dass der Netzwerkressourcenverbrauch im Vergleich zu herkömmlichen zeitgesteuerten Mechanismen um 69,4 % reduziert werden kann. Darüber hinaus stellt die Steuerung mit fester-Zeit/vordefinierter-Zeit sicher, dass der Systemzustand unabhängig vom Anfangszustand innerhalb einer voreingestellten Zeit konvergiert, wodurch präzise Leistungsgrenzen bereitgestellt werden.

3. Optimierung der Systemarchitektur: Ziel ist es, die Zuverlässigkeit des Designs auf oberster{1}}Ebene zu verbessern. Einerseits ist ein dediziertes, multi{3}quellenredundantes, fehlertolerantes-Navigationscomputersystem dafür konzipiert, Aufgaben wie Signalverarbeitung und Redundanzmanagement vom Flugsteuerungscomputer zu trennen, dessen Belastung zu reduzieren und die Gesamtzuverlässigkeit zu verbessern. Andererseits wird ein verteiltes Fehlerdiagnosesystem entwickelt, um Diagnoseaufgaben rational auf Flugausrüstung und Bodenstationen zu verteilen und dabei die stärkere Rechenleistung des Bodens für eine detaillierte Analyse zu nutzen.