تخمین مصرف انرژی و حاشیه زمان پرواز برای یک مأموریت پهپاد بر اساس سیستم های فازی

1،3 ،* و

مرکز تحقیقات و مطالعات پیشرفته انستیتوی ملی پلی تکنیک ، مکزیکو سیتی 07360 ، مکزیک

گروه مهندسی مکاترونیک ، دانشگاه پلی تکنیک Pachuca ، Hidalgo 43830 ، مکزیک شورای ملی علوم و فناوری ، مکزیکو سیتی 07360 ، مکزیک HeudiaSyc CNRS ، Université de Technologie de Compiègne ، 60319 Compiegne ، فرانسه نویسنده ای که مسئول است باید ذکر شود. فناوری های 2023 ، 11 (1) ، 12 ؛https://doi. org/10. 3390/technologies11010012

دریافت: 20 دسامبر 2022 / اصلاح شده: 6 ژانویه 2023 / پذیرفته شده: 9 ژانویه 2023 / منتشر شده: 12 ژانویه 2023

خلاصه

:

یک جنبه اساسی برای دستیابی به ایمنی با پهپاد این است که در محدوده توانایی های خود عمل می کند ، زمان پرواز موجود در هنگام برنامه ریزی و اجرای یک مأموریت ، جنبه اصلی دارد. زمان پرواز به رابطه بین انرژی موجود و انرژی مورد نیاز پهپاد برای تکمیل مأموریت بستگی دارد. در این مقاله به مشکل تخمین انرژی مورد نیاز برای انجام مأموریت می پردازد ، که برای آن یک سیستم فازی تاکاگی-سوژنو اجرا شده است ، که محل آنها با استفاده از C-Means فازی برای برآورد قدرت مورد نیاز در مراحل مختلف مأموریت توسعه یافته است. پارامترهای مورد استفاده در الگوریتم فازی C-means با استفاده از بهینه سازی ذرات بهینه سازی شد. از طرف دیگر ، از یک مدل مدار معادل یک باتری استفاده شده است که برای آن از مدل سازی فازی برای تعیین رابطه بین ولتاژ مدار باز و وضعیت شارژ باتری استفاده شده است ، که در رابطه با فیلتر کلمن گسترده امکان تعیینشارژ باتریعلاوه بر این ، ما یک روش برای تعیین حداقل سطح شارژ باتری مجاز ایجاد کردیم. از این طریق می توان زمان پرواز موجود را در پایان مأموریت تعریف شده به عنوان حاشیه زمان پرواز تعیین کرد. به منظور ارزیابی روش توسعه یافته ، یک آزمایش فیزیکی با استفاده از یک پهپاد شش ضلعی انجام شد و حداکثر خطای پیش بینی معادل انرژی مورد نیاز برای کار برای 7 ثانیه را بدست آورد ، که مربوط به 2 ٪ از کل زمان ماموریت است.

کلید واژه ها:

1. معرفی

پهپادها یک فناوری پررونق هستند ، زیرا آنها یک بستر همه کاره برای طیف گسترده ای از برنامه ها را نشان می دهند. این فناوری در صنایع انرژی ، ساخت و کشاورزی ، جایی که عمدتاً برای نقشه برداری ، بازرسی ، عکاسی و فیلمبرداری استفاده می شود ، پذیرش گسترده ای پیدا کرده است. این وضعیت باعث شده است که بازار جهانی هواپیماهای بدون سرنشین در سال 2022 30. 6 میلیارد دلار ارزش داشته باشد و تخمین زده می شود که این می تواند تا سال 2030 به 55. 8 میلیارد دلار برسد [1]. با این حال ، این سیستم عامل ها به دلیل مشکلات فنی و عملیاتی مانند عوامل محیطی ، دستکاری ، خرابی فنی و حتی حملات سایبری مستعد خطرات در حال ظهور هستند [2،3].

اگر رشد مداوم در استفاده از این سیستم عامل ها را با خطرات مرتبط با عملکرد آنها ترکیب کنیم ، بدیهی است که تعیین اقدامات ایمنی در عملیات آنها بسیار مهم است. این در قوانین و مقررات اتخاذ شده در سراسر جهان منعکس شده است ، که انواع وسایل نقلیه را به همراه مناطق مجاز پرواز و شرایط عملیاتی محدود می کنند [4،5].

یکی از عوامل اصلی تضمین یکپارچگی در طی یک عمل این است که کارهای اختصاص یافته با قابلیت های وسیله نقلیه مطابقت دارند. حداکثر زمان پرواز قابل دسترسی یک پارامتر اساسی است زیرا به منظور ایجاد یک مشخصات مأموریت امن ، علاوه بر تعیین زمان لازم برای تکمیل هر مرحله از ماموریت ، باید یک حاشیه انرژی ایمن در نظر گرفته شود تا بتواند برای مقدار اضافی کار کندزمان تکمیل موفقیت آمیز آن. این یک اقدام ایمنی در برابر تغییرات در مصرف انرژی یا موقعیت هایی است که در نظر گرفته نشده است که می تواند یکپارچگی هواپیما ، امنیت مردم و محیطی را که در آن مأموریت انجام می شود ، به خطر بیاندازد.

پهپادهای Multirotor عمدتا باتری هستند و بنابراین حداکثر زمان پرواز آنها به انرژی باتری موجود و میزان تخلیه بستگی دارد. به نوبه خود ، همانطور که در [6] بیان شد ، میزان تخلیه به عوامل بسیاری بستگی دارد ، مانند:

طراحی وسیله نقلیه: طراحی آیرودینامیکی ، وزن ، تعداد محرک ها ، هواپیمایی و بهره وری انرژی. محیط عملیاتی: چگالی هوا ، سرعت باد ، جهت باد نسبی. دینامیک: سرعت ، شتاب و جهت حرکت. مأموریت: بار و منطقه کار.

علاوه بر این ، عوامل دیگری نیز وجود دارد که می تواند بر مصرف انرژی سیستم ، مانند روتور و خرابی سخت افزاری تأثیر بگذارد. در این سناریو ، روتورهای بی عیب باقیمانده مجبور به کار در منطقه ای از راندمان انرژی پایین تر هستند [7] ، و انرژی موجود باتری را به دلیل پدیده های اشباع در محرک ها کاهش می دهد. بنابراین ، اطلاعات ارائه شده توسط تولید کنندگان ، یا اطلاعاتی که از یک آزمون عملکرد در شرایط خاص به دست آمده است ، فقط باید در هنگام تعیین مشخصات ماموریت به عنوان مرجع در نظر گرفته شود.

به این معنا ، پیش بینی رفتار میزان تخلیه و انرژی موجود در یک باتری باعث می شود که آیا مأموریت برنامه ریزی شده می تواند با موفقیت انجام شود ، و حتی پیش بینی اینکه آیا می توان در شرایطی که باعث ایجاد تغییرات غیرقابل پیش بینی می شود ، انجام شود یا خیر. مصرف.

دو روش اصلی برای برآورد انرژی مورد نیاز برای تکمیل مسیر وجود دارد: (i) با استفاده از مدل های ریاضی که از ویژگی های فیزیکی وسیله نقلیه و سرعت عملیاتی آن استفاده می کند [8،9] ؛یا (ب) با استفاده از مدلهای تجربی با استفاده از رگرسیون برای یک مجموعه داده از پیش تعریف شده [10]. با این حال ، چنین تکنیک هایی نوسانات احتمالی در مصرف را در نظر نمی گیرند که می تواند بر ظرفیت تکمیل یک مأموریت با موفقیت تأثیر بگذارد.

نشان داده شده است که سیستم های فازی برای مدیریت جنبه های مرتبط با انرژی پهپادها مناسب هستند ، همانطور که در [11] مشاهده می شود ، جایی که یک سیستم فازی در رابطه با الگوریتم PSO برای مدیریت منبع تغذیه یک سیستم با قدرت هیبریدی استفاده شده است. نشان دادن نتایج مطلوب در مصرف سوخت ضمن حفظ استحکام در تغییرات در تغییر مصرف برق. علاوه بر این ، سیستم های فازی در سایر کارهای مرتبط با پهپادها ، مانند کنترل [12] و تصمیم گیری در طول مأموریت استفاده شده اند [13] ؛با این حال ، این سیستم ها برای محاسبه انرژی مورد نیاز در طی یک مأموریت استفاده نشده است.

به منظور ارائه راه حلی برای برآورد انرژی در یک پهپاد چند منظوره ، به طوری که می تواند تحت تغییرات مداوم در نیاز انرژی عمل کند ، ما یک روش مبتنی بر فازی را برای تعیین کل انرژی مورد نیاز برای تکمیل یک مأموریت خاص بر اساس عمودی و ایجاد کردیمسرعت افقی ، دوره ای که در طی آن به آن سرعت ها سفر می کند ، و خطای تخمین قدرت برای یک حالت معین از پهپاد.

روش پیشنهادی مبتنی بر سیستم های فازی است که برخی از روش های تجربی هستند. استفاده از سیستم های فازی Takag i-sugeno به دلیل توانایی آنها در بازآفرینی با دقت کافی عملکردهای موجود در بین پارامترهای مؤثر بر مصرف انرژی بود. علاوه بر این ، ساختار روش اجازه می دهد تا آن را گسترش دهد تا عوامل دیگری را که بر انرژی مورد نیاز بدون اصلاح عمده در ساختار تأثیر می گذارد ، شامل شود. بر خلاف آثار ارائه شده در ادبیات ، در هنگام اجرای مأموریت برای استفاده تصور شده است ، و نه تنها به عنوان راهی برای برآورد انرژی مورد نیاز پیشینی. این یک مزیت مهم برای عملکرد ایمن پهپادها را فراهم می کند ، زیرا نه تنها به کسی اجازه می دهد که آیا این مأموریت انجام شود امکان پذیر است ، بلکه ، پس از در حال انجام ، به فرد اجازه می دهد تا تغییرات در مصرف را پیش بینی کندعملیات را به خطر اندازد.

علاوه بر این ، با توجه به رابطه بین سیگنال کنترل رانش و ولتاژ باتری ، یک روش برای تعیین حداقل میزان بار که باتری را می توان به وجود آورد ، تهیه شده است. این امر به دانستن زمان پرواز موجود اجازه می دهد ، و علاوه بر این ، اگر این کار را با برآورد انرژی مورد نیاز برای اجرای یک مأموریت ترکیب کنیم ، می توانیم زمان پرواز را تعیین کنیم که در طی آن پهپاد قادر به کار با انرژی باقی مانده مورد انتظار خواهد بود.

سهم اصلی این کار تحقیق به شرح زیر است:

ما یک سیستم برآورد انرژی مورد نیاز ایجاد کردیم که قادر به سازگاری با تغییرات مداوم در مصرف انرژی بر اساس C فازی باشد.

ما یک روش جدید را برای تعیین زمان پرواز هواپیما پیشنهاد می کنیم ، که به بهترین دانش ما ، اولین کسی است که تأثیر وضعیت شارژ باتری را بر روی سیگنال های کنترل در نظر می گیرد.

بقیه مقاله به شرح زیر سازماندهی شده است. بخش 2 آثار مربوط به تخمین انرژی مورد نیاز در طی پرواز و تخمین زمان پرواز را ارائه می دهد. بخش 3 روش پیشنهادی تقسیم شده به برآورد انرژی (بخش 3. 2) ، تخمین مدرن (بخش 3. 3) و تخمین زمان پرواز را نشان می دهد (بخش 3. 4). بخش 4 کاربرد روش پیشنهادی در پهپاد هگزاروتور را نشان می دهد. سرانجام ، بخش 5 نتیجه گیری و پیشرفت های آینده را ارائه می دهد که می تواند برای روش پیشنهادی اعمال شود.

2. کار مرتبط

در فرآیند تخمین انرژی مورد نیاز برای انجام یک ماموریت خاص، سه رویکرد مختلف قابل تشخیص است: (1) روش های مبتنی بر مدل های آیرودینامیکی، (ب) روش هایی با استفاده از رگرسیون، و (iii) روش هایی که مبتنی بر سیستم های هوشمند هستند. برخی از راه حل های اصلی که در زمینه تخمین انرژی ایجاد شده اند در زیر مورد بحث قرار می گیرند.

یکی از پرکاربردترین مدل ها در [14] ارائه شده است. این مدل روشی ساده برای تقریب توان مورد نیاز بر اساس وزن کل وسیله نقلیه، سرعت جابجایی آن، راندمان انتقال انرژی از موتور به پروانه و نسبت کشش به بالابر خودرو ارائه می دهد. به عبارتی مطابق با توان مصرفی وسایل الکترونیکی خودرو. در حالی که این روش روشی آسان برای تخمین انرژی مصرف شده ارائه می دهد، از عوامل مهمی مانند باد و چگالی هوا که می تواند بر مصرف انرژی خودرو تأثیر بگذارد، غفلت می کند. بنابراین، این روش باید در هنگام تعیین انرژی مورد نیاز برای یک ماموریت خاص با احتیاط مورد استفاده قرار گیرد.

در [15]، نویسندگان یک روش تخمین توان را پیشنهاد کردند که در آن حرکت وسیله نقلیه به اجزای افقی و عمودی آن تجزیه می شود. برای هر جزء، توان مورد نیاز با توجه به شتاب و سرعت حرکت آن ارزیابی می شود. اثر آیرودینامیکی با این فرض در نظر گرفته می شود که سطح مرجع ویژگی های یک صفحه تخت را داشته باشد. اگرچه مدل ارائه شده عملکرد مطلوبی را در شبیه سازی های عددی نشان داد، اما یافتن ناحیه تحت تاثیر جریان هوا، که به جهت پرواز و سرعت و جهت باد بستگی دارد، پیچیده است. علاوه بر این، پارامترهایی مانند سرعت نوک پروانه برای اکثر پهپادها در دسترس نیست.

یک مدل شبیه سازی در [16] ارائه شد که در آن مدل های آیرودینامیک، موتور و باتری در نظر گرفته می شوند. برای تخمین گشتاور مورد نیاز هر روتور از تئوری ممان المان تیغه استفاده می شود که توان مصرفی با توجه به راندمان موتور از آن تعیین می شود. با توجه به اینکه ظرفیت موثر با استفاده از ضریب تصحیح به عنوان تابعی از توان مورد نیاز تعیین می شود، از یک مدل مدار معادل برای باتری استفاده می شود. در نهایت زمان پرواز با تقسیم انرژی موثر باتری بر توان مورد نیاز محاسبه می شود. این روش، علیرغم رابطه مثبت بین نتایج اندازه گیری شده و نتایج به دست آمده از یک شبیه سازی، به عنوان روشی برای تخمین انرژی آنلاین در طول یک ماموریت تصور نشد.

روشهای برآورد مبتنی بر رگرسیون ، مانند روش ارائه شده در [17] ، انرژی مورد نیاز را بر اساس عملکرد وسیله نقلیه تخمین بزنید. نویسندگان مراحل مأموریت را به: حالت بیکار ، مسلح ، برخاستن ، پرواز عمودی و افقی و تأثیر بارگذاری تقسیم کردند. برای هر یک از این مراحل ، یک رگرسیون چند جمله ای بر اساس داده های به دست آمده از تست های آزمایشی انجام شد. اگرچه این روش راهی آسان برای برآورد انرژی مورد نیاز برای تکمیل یک مأموریت فراهم می کند ، اما قادر به سازگاری با شرایط متفاوت از پروازهایی نیست که در آن داده های مدل سازی به دست آمده است.

روش ارائه شده در [18] با استفاده از رگرسیون خالص الاستیک از مجموعه ای از رگرسیون ها استفاده می کند. رأی دهندگان در دو مرحله برای صعود ، نزول و حرکت افقی تنظیم شدند. مرحله اول زمان انجام یک مانور را تعیین می کند و مرحله دوم انرژی مورد نیاز را بر اساس زمان تعیین شده تعیین می کند. در مرحله دوم ، انرژی مورد نیاز برای لحظاتی که وسیله نقلیه در حال پرواز است اضافه می شود. اگرچه این روش دقت بالایی را در تخمین انرژی نشان داد ، اما این روش شامل راهی برای تطبیق تخمین خود بسته به عملکرد ماموریت نیست.

مشکل عدم سازگاری با تغییرات در مصرف نیز می تواند در [19] مشاهده شود ، جایی که نویسندگان از یک شبکه عصبی عمیق استفاده می کردند که به عنوان ورودی از سرعت ، شتاب ، ارتفاع ، سرعت باد ، وزن و سطح بار استفاده می شود. اگرچه روش پیشنهادی متغیرهای مختلفی را در نظر می گیرد ، که باعث افزایش دقت آن در تخمین انرژی می شود ، اما همچنین قادر به سازگاری با تغییراتی نیست که در آموزش مدل در نظر گرفته نشده است.

همانطور که در بررسی ادبیات مشاهده می شود ، روشهای تخمین انرژی مبتنی بر داده ، آنهایی که از تجزیه و تحلیل رگرسیون استفاده می کنند و آنهایی که از شبکه های عصبی استفاده می کنند ، عملکرد خوبی را برای کاربردهای تخمین انرژی در طی یک مأموریت نشان داده اند. با این حال ، لازم است که عدم سازگاری تکنیک های ارائه شده به شرایطی که در طول آموزش آنها در نظر گرفته نشده است ، حل شود.

با توجه به زمان پرواز ، به انرژی مورد نیاز و انرژی موجود بستگی دارد. برخی از روشهای اصلی توسعه یافته برای تعیین زمان پرواز در زیر مورد بحث قرار گرفته است.

در [20] ، روشی برای تخمین زمان پرواز با استفاده از رگرسیون و یادگیری عمیق ، با در نظر گرفتن عواملی مانند زمان پرواز شناخته شده بدون بار ، بار ، ظرفیت باتری و رایانه پردازنده ارائه شده است. با این حال ، این روش فقط یک تخمین پیشینی را امکان پذیر می کند ، زیرا راهی برای به روزرسانی تخمین در حین اجرای مأموریت ارائه نمی دهد.

در [21،22] ، زمان پرواز از تقسیم ظرفیت باتری با نرخ تخلیه بدست آمد ، جایی که فرض بر این بود که انرژی موجود شناخته شده است. با این حال ، عواملی وجود دارد که می توانند میزان انرژی باتری قابل استفاده را که باید در نظر گرفته شود برای تخمین دقیق زمان پرواز در نظر گرفته شود.

براساس روشهای فوق برای تخمین زمان پرواز ، می توان مشاهده کرد که با توجه به اینکه انرژی قابل استفاده ممکن است در شرایطی مانند افزایش وزن بار ، شرایط نامساعد آب و هوا یا شرایط نامطلوب تغییر کند ، باید راه حل هایی برای تطبیق پویا برآورد زمان پرواز داشته باشید. خرابی سیستم

3. روشها

برآورد انرژی برای یک مأموریت به دلیل عوامل و متغیرهای مختلف درگیر در فرآیند ، یک مشکل پیچیده است. با این وجود ، تخمین نیازهای انرژی برای تضمین امکان سنجی و ایمنی یک مأموریت بسیار مهم است. علاوه بر این ، با توجه به پویایی محیطی که در آن یک پهپاد چندتایی می تواند پرواز کند ، و تغییراتی که ممکن است با کاهش بهره وری انرژی به دلیل سایش اجزای آن یا نقص یکی از قسمت های آن مورد توجه قرار گیرد ، لازم است که به طور مداوم ارزیابی مجدد شود. انرژی لازم برای تکمیل مأموریت. علاوه بر این ، دانش مربوط به زمان پرواز که در طی آن پهپادهای چند منظوره می توانند به کار خود ادامه دهند ، می تواند در فرایند تصمیم گیری توسط یک سیستم خودمختار یا توسط یک اپراتور انسانی استفاده شود.

معماری سیستم پیشنهادی ما در شکل 1 نشان داده شده است. این سیستم با یک روش متشکل از سه بخش کار می کند ، که به شرح زیر است:

(i) قسمت اول روش شناسی با تخمین انرژی مورد نیاز در مأموریت پس از پرواز وسیله نقلیه ، بر اساس دانش سرعت افقی و عمودی که در آن در مراحل مختلف مأموریت حرکت می کند ، مطابقت دارد. و زمانی که در آن سرعت حرکت می کند. برای انجام این کار ، ما استفاده از یک سیستم فازی با آبشار Takagi-sugeno ، با استفاده از الگوریتم C-Means را برای فرضیه قوانین پیشنهاد می کنیم تا قدرت مورد نیاز برای حرکت با سرعت مشخص را تخمین بزنیم. از آگاهی از قدرت مورد نیاز برای حرکت با سرعت معین و زمانی که چنین عملی را انجام می دهد ، می توان انرژی مورد نیاز برای مأموریت را شناخت. همچنین پیشنهاد شده است از الگوریتم PSO برای بهینه سازی پارامترهای مورد استفاده در الگوریتم فازی C-means برای یافتن تعادل بین زمان اجرای سیستم ، که تحت تأثیر تعداد خوشه ها و دقت سیستم قرار دارد ، استفاده کنید.، که تحت تأثیر هم تعداد خوشه ها و هم از نظر وزن است.

(ب) بخش دوم این روش شامل تعیین وضعیت بار باتری است که برای آن پیشنهاد می شود از یک فیلتر کلمن گسترده بر اساس مدل مدار معادل باتری استفاده کند ، که برای آن پیشنهاد شده است از مدل سازی فازی استفاده کندبرای تعریف رابطه بین ولتاژ مدار باز و وضعیت شارژ.

سرانجام ، (iii) بخش سوم این روش شامل تعیین حاشیه زمان پرواز با توجه به تأثیر تغییر ولتاژ باتری در هنگام تخلیه بر روی سیگنال کنترل رانش است. برای این مرحله ، برای تعیین رابطه بین ولتاژ باتری و سیگنال کنترل رانش به منظور تعیین حداقل ولتاژ که در آن وسیله نقلیه می تواند با توجه به حداکثر مقدار برای میانگین مقدار رانش کار کند ، استفاده می شود. سیگنال کنترل. از این ولتاژ ، ما با توجه به محدودیت های داده شده توسط اپراتور ، میزان بار باتری مرتبط را نیز تعیین می کنیم. سرانجام ، بر اساس دانش انرژی مورد نیاز برای تکمیل مأموریت ، شارژ باتری و حداقل سطح بار مجاز ، ما حاشیه زمان پرواز را محاسبه می کنیم.

روشهای مورد استفاده در هر یک از مراحل در زیر شرح داده شده است.

3. 1مقدمات

مقدمه ای مختصر در مورد سیستم های فازی Takagi-Sugeno با مکانهایی که توسط توابع عضویت ذوزنقه داده شده و استفاده از روش C-Means ارائه شده است ، و راهی برای تعیین مقادیر پارامترهای متعاقب قوانین فازی بر اساس مقادیر عضویت و مقادیر خروجی از مقادیر خروجیمجموعه داده های آموزشی. علاوه بر این ، ما عملکرد الگوریتم بهینه سازی SWARM ذرات را با یک عامل محدودیت بر سرعت ذرات ارائه می دهیم.

3. 1. 1. سیستم های فازی تاکاگی-سوژنو با c فازی

سیستم های فازی Takagi-Sugeno (T-S) در چندین برنامه کاربردی اتخاذ شده است ، زیرا آنها قادر به عملکردی با دقت کافی در یک مجموعه بسته هستند ، ساختاری را حفظ می کنند که به لطف شفافیت بالا آن آسان است و از پیچیدگی محاسباتی کم استفاده می کند.[23]. این سیستم ها توسط مجموعه ای از قوانین M به شکل تعریف می شوند:

اگر x من باشد ، پس y i = a i x + b i

در جایی که فرضیه این قانون با ورودی سیستم X و فازی تنظیم می شود ، و متعاقب آن قانون به عنوان y i تعریف می شود ، یک پارامترهای طراحی I و B I است.

خروجی سیستم فازی T-S توسط y = ∑ i = 1 m u i y i ∑ i = 1 m u i

جایی که شما ∈ [0 ، 1] نشان می دهد میزان عضویت در ورودی X به هر یک از مجموعه های فازی یک i.

شکل تعیین میزان عضویت به نحوه تعریف مجموعه فازی بستگی دارد. یکی از متداول ترین روشهای استفاده شده برای تعریف مجموعه فازی با یک عملکرد ذوزنقه ای است [24] ، مانند مواردی که در شکل 2 نشان داده شده است.

در این مجموعه ها ، سطح عضویت به این صورت محاسبه می شود: u i = m a x m i n x - a b - a ، 1 ، d - x d - c ، 0

راه دیگر برای تعیین مجموعه های فازی از طریق روش فازی C-Means است که مقدار عضویت x ∈ R n را به یک مجموعه فازی ، از نزدیکی تا مرکز خوشه ، تعیین شده توسط یک بردار v ∈ R n [25] تعیین می کند. بشربرای مجموعه ای از داده های n ، گروه بندی شده در مجموعه های فازی ، ما باید عملکرد را به حداقل برسانیم

j m = ∑ k = 1 n ∑ i = 1 m (u i k) m ∥ x k - v i ∥ 2

where m>1 از وزنه برداری است ، که یک پارامتر طراحی است که عملکرد روش فازی C-Means را تغییر می دهد.

مقدار عضویت مورد استفاده در (4) توسط u i = 1 ∑ j = 1 m ∥ x i - v i ∥ ∥ x i - v j ∥ 2 m - 1

در جایی که مقادیر بهینه مراکز V برای تعداد معینی از خوشه M و نمایانگر M از طریق فرآیند تکراری ارائه شده در [25] بدست می آید.

3. 1. 2. محاسبه پارامترها برای پیامدهای موجود در سیستم های T-S

مجموعه ای از داده های ورودی آموزش x ∈ R n × n را در نظر بگیرید ، که مقدار عضویت در آن u i ∈ R n مربوط به هر یک از مجموعه های فازی M شناخته شده است ، و خروجی مورد انتظار سیستم فازی y ∈ R n است. می توان از روش کمترین مربعات برای تعیین پارامترهای طراحی I و B I از هر یک از قوانین فازی به شرح زیر استفاده کرد [26].

بگذارید ماتریس گسترده X E را به عنوان: x e = x 1

جایی که 1 ∈ R n بردار آن ها است. سپس با استفاده از ماتریس X E و مقادیر عضویت U I ، ماتریس زیر تشکیل می شود:

x ′ = diag (u 1) x e ⋯ diag (u m) x e

سرانجام ، با یک رویکرد جهانی با استفاده از ماتریس X ، ، بردار پارامترهای مربوط به پیامدها به شرح زیر محاسبه می شود.

θ = [(x ′) t x ′] - 1 (x ′) t y جایی که مقادیر به دست آمده در بردار پارامتر ساختار زیر را دارند: θ = a 1 b 1 ⋯ a m b m که مطابق با پارامترهای طراحی مورد نیاز در نتیجه هر یک از قوانین است.

3. 1. 3. بهینه سازی ازدحام ذرات

روش بهینه سازی swarm ذرات (PSO) یک روش بهینه سازی بیولوژیکی است که در [27] ارائه شده است. در این روش ، مجموعه ای از ذرات p i ∈ R n پیشنهاد شده است که از طریق یک فضای جستجو منتقل می شوند تا حداقل (یا حداکثر) یک عملکرد j (p i) را پیدا کنند. جابجایی بر اساس بهترین راه حل های موجود توسط هر یک از ذرات انجام می شود ، که با مقادیر تصادفی در یک فضای جستجو آغاز می شوند.

در [28] ، یک نوع از روش اصلی PSO برای بهبود قابلیت های همگرایی تهیه شده است. در این نوع ، سرعت هر ذره v i در فوری k به این صورت محاسبه می شود:

V I [K] = χ (V I [K - 1] + C 1 RAND () (P B I - P I [K - 1]) + C 2 RAND () (P B G - P I [K - 1]))

جایی که χ یک عامل محدودیت سرعت است ، C 1 و C 2 ثابت هستند که اثر اجزای شناختی و اجتماعی را وزن می کنند ، P B I مقدار ذره ای است که حداقل آن ذرات را ایجاد می کند ، و P B G مقدار ذره ای است کهحداقل جهانی را در بین ذرات ایجاد کرد. فاکتور χ به عنوان تابعی از C 1 و C 2 به عنوان: محاسبه می شود:

χ = 2 | 2 − ϕ − ϕ 2 − 4 ϕ | , ϕ = c 1 + c 2 , ϕ> 4 با توجه به سرعت هر ذره ، موقعیت هر ذره به روز می شود: P i [k] = v i [k] + p i [k - 1]

به منظور یافتن حداقل J (P I) ، یک فرآیند تکراری از محاسبه سرعت و به روزرسانی موقعیت هر ذره انجام می شود که در آن مقادیر P B I و P B G به دست می آیند. به روزرسانی P B G می تواند همزمان انجام شود - یعنی ، این مقدار وقتی عملکرد هزینه برای همه ذرات ارزیابی می شود ، به روز می شود. یا می تواند ناهمزمان باشد ، جایی که مقدار P B G هر بار که حداقل جهانی جدید با آن روبرو می شود ، صرف نظر از اینکه تکرار به پایان نرسیده است ، به روز می شود. عملکرد روشهای همزمان و ناهمزمان در [29] مورد بررسی قرار گرفت ، جایی که نشان داده شد که روش ناهمزمان سرعت همگرایی روش را بهبود می بخشد.

3. 2تخمین انرژی مورد نیاز در پرواز

همانطور که در بالا مورد بحث قرار گرفت ، مصرف انرژی یک پهپاد چند منظوره به عوامل متنوعی بستگی دارد ، و از آنجا که تکنیک فازی C-Means برای سیستم ها تا حدود 20 بعد عملکرد خوبی دارد [30] ، در توسعه تخمین انرژی استفاده می شودسیستم.

3. 2. 1. سیستم برای برآورد انرژی مورد نیاز

برای برآورد انرژی مورد نیاز در طی یک مأموریت ، فرض بر این است که در حین توسعه یک مأموریت با ناوبری اتوماتیک ، وسیله نقلیه یک سری از ایستگاه های راه را دنبال می کند ، که شامل مختصات مربوط به اطلاعات مربوط به ارتفاع پرواز ، سرعت و زمان شناور است. برای پوشاندن نقاط تعریف شده در یک مسیر مورد نظر ، وسیله نقلیه به دنبال پروفایل های سرعت حرکت می کند ، که می تواند در اجزای عمودی و افقی آنها تجزیه شود. بر اساس رفتار الگوریتم ناوبری مورد استفاده ، می توان مشخصات سرعت موجود در طول مسیر را پیش بینی کرد و بنابراین ، سیستم تخمین انرژی پیشنهادی از این اطلاعات استفاده می کند. این شامل دو زیر سیستم آبشار است که از خوشه بندی فازی استفاده می کنند ، همانطور که در شکل 3 نشان داده شده است.

زیر سیستم اول وضعیت فعلی سیستم را ارزیابی می کند ، با توجه به اینکه سرعت عمودی V V را در جهت نزولی مثبت می کند. و سرعت افقی ، V H ≥ 0. خروجی برای وضعیت فعلی وسیله نقلیه با برآورد قدرت (P ^) مطابقت دارد. چنین برآورد قدرت با توسعه پرواز به طور مداوم انجام می شود. مقدار p ^ از مجموعه ای از قوانین فازی m 1 از فرم تعیین می شود

اگر [V V V H] A I باشد ، پس Y I = A 1 I V V + A 2 I V V + B I

از قوانین تعریف شده ، مقدار p ^ = y با استفاده از معادله (2) محاسبه می شود. خروجی زیر سیستم اول در ترکیب با اندازه گیری قدرت P ، به دست آمده از سنسورهای پهپاد ، برای محاسبه خطای تخمین توان به عنوان:

E P = P - P ^ خطای تخمین E P با یک فیلتر متوسط متحرک (MAF) که توسط: e ˜ p = 1 j ∑ i = k - j k e p جایی که J با تعداد نمونه های داده مورد استفاده در فیلتر مطابقت دارد.

زیر سیستم دوم به عنوان ورودی مجموعه های سرعت عمودی v v m = استفاده می کندو سرعت افقی v h m =از بخش های S که مشخصات سرعت مورد انتظار را برای بقیه مأموریت تشکیل می دهند ، و E ˜ p. این زیر سیستم توسط مجموعه ای از قوانین فازی m 2 شکل شکل می گیرد:

اگر [v v i v h i e p] یک I است ، پس y i = a 1 i v v + a 2 i v h + a 3 i e p + b i

خروجی این زیر سیستم ، که توسط معادله (2) داده شده است ، مربوط به قدرت مورد نیاز برای پرواز در سرعت های تعریف شده در مراحل مختلف ماموریت P ^ M = است

.

سرانجام ، تخمین انرژی مورد نیاز برای تکمیل یک مأموریت توسط e ^ r = ∑ i = 1 s p ^ m i t i جایی که T من با دوره در طول پهپادهای مولتیوتور با سرعت V V V I و V H I مطابقت دارد.

3. 2. 2. محاسبه پارامترهای سیستم تخمین قدرت

عملکرد زیر سیستم های پیشنهادی برای برآورد قدرت به کیفیت مجموعه آموزش ، تعداد خوشه ها و نمایانگر فازی انتخاب شده (M) بستگی دارد. همچنین بین تعداد خوشه ها و صحت تخمین قدرت تجارت وجود دارد ، زیرا تعداد بیشتری از خوشه ها می توانند به نتایج دقیق تری منجر شوند ، اما ، در یک برنامه محدود شده از منابع ، مانند سیستم های تعبیه شده ، این استلازم است برای استفاده از الگوریتم هایی با هزینه محاسباتی پایین که می تواند در یک دوره زمانی کوتاه اجرا شود. به منظور یافتن تعادل بین دقت تخمین قدرت و سرعت اجرای ، ما استفاده از روش PSO ارائه شده در بخش 3. 1. 3 را پیشنهاد می کنیم.

به این معنا ، ساختار ذرات مورد استفاده در طی فرآیند بهینه سازی به شرح زیر تعریف می شود:

p i = m i ′ m i

جایی که M I ′ یک متغیر کمکی است که به فرد اجازه می دهد تعداد خوشه ها را تعریف کند ، و M I نماینده وزنی است که با ذرات مرتبط است. به منظور انجام الگوریتم PSO ، عملکرد هزینه زیر پیشنهاد شده است:

j = w 1 1 n ∑ i = 1 n |E P |+ W 2 ⌊ M I ′

در جایی که n تعداد نمونه های موجود در مجموعه اعتبار سنجی است ، و W 1 و W 2 ثابت هستند که نشان دهنده تجارت بین دقت سیستم و سرعت اجرای است. عملکرد ⌊ · ⌉ مقدار گرد به نزدیکترین عدد صحیح را نشان می دهد. اگرچه عملکرد فوق به صراحت شامل پارامتر M I ذرات نیست ، اما از طریق E P منعکس می شود.

برای اولین زیر سیستم ، مجموعه داده های آموزش از سرعت عمودی v v = تشکیل می شود، سرعت افقی v h =، و قدرت اندازه گیری P =

بشربرای اعمال روش PSO در زیر سیستم ، فرآیند خوشه بندی [25] با x = [v v i v h i] و y = p i انجام می شود. تعداد خوشه ها توسط m 1 = ⌊ m i ′ ⌉ و نماینده وزنه برداری m 1 = m i داده می شود.

با استفاده از مراکز خوشه ای به دست آمده v i ، مقادیر عضویت با معادله (5) برای مجموعه آموزش محاسبه می شود ، به دست آوردن مجموعه U I =برای هر خوشهمقادیر به دست آمده در روش حداقل مربعات ارائه شده در بخش 3. 1. 2 با x = [v v v h] و y = p ، برای به دست آوردن پارامترهای متعاقب قاعده نشان داده شده در معادله (13) استفاده می شود. هنگامی که پارامترهای قوانین m 1 با استفاده از معادله (2) تعیین شد ، مقادیر p ^ =

برای مجموعه اعتبار سنجی محاسبه می شود. سرانجام ، عملکرد (19) با مقادیر E P محاسبه می شود ، همانطور که در (14) بین اندازه گیری های مجموعه اعتبار سنجی و تخمین های قدرت آورده شده است.

فرآیند توضیح داده شده در بالا برای هر ذره انجام می شود تا زمانی که حداکثر تعداد تکرار مشخص شود. مقادیر m 1 y m 1 با آخرین مقدار به دست آمده برای p b g مطابقت دارد.

برای آموزش زیر سیستم دوم ، مجموعه e ˜ p = را محاسبه می کنیمبا استفاده از معادله (15) برای مقادیر E P به دست آمده از فرآیند ارزیابی قدرت مجموعه داده های آموزش مورد استفاده در زیر سیستم اول.

آموزش زیر سیستم دوم با استفاده از مجموعه داده های آموزش زیر سیستم اول ، با E P ، x = [v v i v h i e p i] و y = p i انجام می شود. فرایند آموزش با استفاده از روش نشان داده شده برای زیر سیستم یک برای به دست آوردن M 2 و M 2 و پارامترهای متعاقب هر قانون (16) انجام می شود.

3. 3تخمین وضعیت شارژ باتری

در این بخش مدل ریاضی مدار معادل استفاده شده برای باتری ها با استفاده از یک بار ثابت ، استفاده از مدل سازی فازی برای رابطه بین ولتاژ مدار باز باتری و وضعیت شارژ را ارائه می دهد. پس از آن ، برآورد وضعیت بار با استفاده از فیلتر کلمن گسترده مورد بررسی قرار می گیرد.

3. 3. 1. مدل مدار معادل باتری ها

باتری برقی عنصری است که انرژی را به صورت شیمیایی ذخیره می کند ، که می تواند به روش کنترل شده آزاد شود. مدلی که برای تعیین رفتار آن به طور گسترده مورد استفاده قرار گرفته است ، مدل مدار معادل آن است [31]. شکل 4 مدل یک زمان ثابت را نشان می دهد ، که امکان مطالعه رفتار خود را با درجه ای از دقت مناسب فراهم می کند که هدف تخمین وضعیت بار (S O C) برای کاربردهای عملی باشد [32].

در سمت چپ ، یک خازن C T از ظرفیت شارژ باتری مدل می کند و یک منبع فعلی که جریان آن برابر است با آن که از طریق بار در پایانه های باتری I b جریان می یابد. ظرفیت C T توسط:

c t = 3600 q b η

در جایی که Q B ظرفیت باتری بیان شده در H و η عاملی است که به دما و سلامت باتری بستگی دارد. ولتاژ C T ، که مقدار آن بین صفر و یک است ، نشان دهنده S O C باتری است و توسط: محاسبه می شود:

s o c (t) = s o c (t 0) - 1 c t ∫ t 0 t i b (τ) d τ

در سمت راست ، یک منبع ولتاژ ولتاژ مدار باز V O C را به عنوان تابعی از S O C مدل می کند. R I مقاومت داخلی است و جفت R D C D نشان دهنده رفتار گذرا باتری است. پویایی ولتاژ V ˙ D در R D C D ، و ولتاژ ترمینال باتری V B ، توسط:

v ˙ d = i b c d - v d r d c d V B = V O C (S O C) - I B R I - V D

عملکرد بین V O C و S O C از مجموعه ای از توابع خطی یا توابع چند جمله ای تقریبی شده است [33،34]. در کار حاضر ، پیشنهاد شده است که چنین عملکردی را با یک مدل فازی Takag i-sugeno با قوانین فرم ارائه شده در معادله (1) تقریب دهید ، همانطور که در شکل 5 نشان داده شده است. می توان مشاهده کرد که این عملکرد با استفاده از فازی ذوزنقه ای تقسیم می شودمجموعهاین تقریب اجازه می دهد تا سادگی توسط مجموعه ای از توابع خطی ضمن حفظ صاف بودن انتقال بین مناطق منحنی ، همانطور که در تقریبی چند جمله ای مشاهده می شود ، فراهم شود.

هر عملکرد عضویت مجموعه ای از قوانین تعریف توابع v o c (s o c) یا s o c (v o c) توسط چهار نکته ارائه می شود همانطور که در شکل 2 مشاهده می شود ، که ارزش عضویت آنها توسط معادله (3) داده می شود. خروجی مدل توسط معادله (2) داده می شود.

3. 3. 2. تخمین S o c

یک روش گسترده استفاده شده برای برآورد S O C باتری ، استفاده از فیلتر کالمن است که برخلاف تعداد کولوم ، امکان جبران اختلاف بین تخمین اولیه S O C و واقعی را فراهم می آورد. علاوه بر این ، آسیب پذیری کمتری در برابر نویز در اندازه گیری های فعلی نشان می دهد [35].

برای اجرای فیلتر کلمن گسترده (EKF) [36] ، معادلات (21) و (22) با استفاده از روش اویلر گسسته می شوند و به شرح زیر گروه بندی می شوند:

s o c [k] v d [k] ︸ x [k] = 1 0 0 1 - Δ t r d c d ︸ a s o c [k - 1] v d [k - 1] ︸ x [k - 1] + - Δ t c t Δ t c d ︸ b i b [k - 1] ︸ u [k - 1]

جایی که Δ T فاصله زمان نمونه برداری است. در معادله (24) ، شرایط باتری حالت-فضای X ، U ، A و B به دست می آید. علاوه بر این ، از خطی شدن معادله (23) ، ما به دست می آوریم:

v b [k] ︸ y [k] = ∂ v o c ∂ s o c [k] - 1 ︸ c [k] s o c [k] v d [k] ︸ x [k] + v o c (s o c (s oc [k]) - ∂ v o c ∂ s o c [k] s o c [k] - r i ︸ d i b [k] ︸ u [k]

با استفاده از اصطلاحات به دست آمده در (24) و (25) ، S O C باتری با استفاده از EKF در الگوریتم 1 محاسبه می شود ، جایی که P ماتریس خطای کواریانس است ، K افزایش برآوردگر است ، q نویز فرآیند استکواریانس ، و R کواریانس اندازه گیری سر و صدا است. مقدار ∂ V O C ∂ S O C را می توان از مدل فازی برای عملکرد V O C (S O C) با استفاده از مشتق جزئی از نتیجه آن بدست آورد.

3. 4تخمین حاشیه زمان پرواز

در این بخش ، تجزیه و تحلیل رابطه بین بار باتری و سیگنال کنترل رانش ارائه شده است ، که از آن یک روش برای تعیین حداقل سطح بار که در آن امکان استفاده از پهپادهای مولتیروتور و زمانی که می تواند پس از آن کار کند ، ایجاد شده است. پایان مأموریت خود با انرژی باقیمانده.