一种无人机全生命周期健康管理方法、系统及介质与流程

摘要: 本发明属于无人机健康管控的,具体涉及一种无人机全生命周期健康管理方法、系统及介质。背景技术:1、无人机在电力巡检、物流配送、应急救援和复杂环境探测等场景中广泛应...
一种无人机全生命周期健康管理方法、系统及介质与流程

本发明属于无人机健康管控的,具体涉及一种无人机全生命周期健康管理方法、系统及介质。

背景技术:

1、无人机在电力巡检、物流配送、应急救援和复杂环境探测等场景中广泛应用,其健康状态直接影响任务安全和运行成本。为了保障无人机的安全稳定运行,需要对无人机的健康状态进行评估,现有无人机phm方案通常分为三类:一类侧重端侧传感和阈值告警,但难以对个体退化趋势进行持续校准;一类侧重云端建模和数据驱动预测,但在小样本、工况漂移和隐私受限条件下稳定性不足;还有一类侧重数字孪生,但多停留在单机仿真层面,缺少机群共性规律对个体模型的反哺机制。上述方案往往存在采集可得但识别精度不足、预测可得但参数不可回调、参数可回调但跨机一致性不足等问题。

2、综上,现有的无人机健康评估技术主要存在以下问题:

3、1、各个无人机的运行数据分散在不同无人机个体上,海量来自于不同无人机的运行数据集中汇聚会带来隐私、带宽和安全风险;

4、2、现有无人机健康评估依赖纯数据驱动模型,往往忽略物理退化规律,在样本不足或工况突变时容易出现非物理预测;

5、3、现有无人机健康评估采用的传统数字孪生多依赖固定模型参数,难以适应不同无人机的个体差异和长期漂移;

6、4、在面对新机型、新场景或极端环境下,历史故障样本不足,导致健康评估和维护决策缺乏稳定依据。

7、针对现有的无人机健康评估存在的上述不足,本发明公开了一种无人机全生命周期健康管理方法、系统及介质。

技术实现思路

1、本发明公开了一种无人机全生命周期健康管理方法、系统及介质,能够将端侧压缩、数字孪生校准、物理一致性联邦学习和群体规律反哺组织为一个闭环,使同一套健康信息既能服务于个体估计,也能服务于群体学习,从而减少模型漂移和维护误判。

2、具体技术方案如下:

3、一种无人机全生命周期健康管理方法,包括以下步骤:

4、步骤1、在无人机载端采集多模态运行数据,对多模态运行数据执行时间同步与弹性对齐,得到统一时序的边缘健康特征;

5、步骤2、对边缘健康特征进行隐私压缩后上传至云端,并在云端建立与单机对应的层次化状态空间数字孪生模型;

6、步骤3、基于边缘健康特征对层次化状态空间数字孪生模型中的退化状态变量和隐式物理参数进行在线校准,得到包含退化状态估计值、物理参数估计值和估计协方差的单机健康状态表征,并将单机健康状态表征输入本地健康管理模型;

7、步骤4、在机群范围内部将本地健康管理模型作为全局模型的本地副本,并对本地健康管理模型进行联邦训练,根据数字孪生物理方程计算物理约束正则项及其雅可比矩阵,基于物理约束正则项及其雅可比矩阵对本地健康管理模型的本地梯度进行约束投影得到物理一致梯度,将物理一致梯度上传至全局模型,使得全局模型满足预设的物理一致性条件;

8、步骤5、基于全局模型提取无人机的群体退化规律,并将群体退化规律反哺至层次化状态空间数字孪生模型,同时利用单机健康状态表征的估计协方差对反哺强度进行加权,最终通过层次化状态空间数字孪生模型输出无人机的剩余寿命、健康指数和维护决策。

9、为了更好的实现本发明,进一步的,所述步骤4中的物理一致梯度满足:

10、;

11、其中:表示雅可比矩阵;表示物理残差对本地健康管理模型参数的偏导;表示物理约束投影矩阵;i表示单位矩阵;表示正则化系数;表示雅可比矩阵的转置;表示物理一致梯度;表示本地健康管理模型的本地梯度。

12、为了更好的实现本发明,进一步的,所述步骤4中的联邦训练包括本地训练损失函数,所述本地训练损失函数为:

13、;

14、其中:表示本地训练总损失;表示数据拟合损失;表示物理一致性损失;为动态调节系数。

15、为了更好的实现本发明,进一步的,所述步骤4中,所述联邦训练采用拜占庭鲁棒聚合策略,对本地健康管理模型的更新进行中位数筛选、相似度筛选和距离筛选,以剔除更新过程中偏离群体分布的异常更新。

16、为了更好的实现本发明,进一步的,所述步骤3中,采用深度卡尔曼滤波框架对层次化状态空间数字孪生模型中的退化状态变量和隐式物理参数进行在线校准,所述退化状态变量满足:

17、;

18、其中:表示时刻t对应的退化状态变量;表示时刻t对应的端侧特征映射得到的观测量;表示状态转移函数;表示观测函数;表示时刻t-1对应的退化状态变量;表示时刻t对应的工况输入;表示时刻t对应的隐式物理参数;表示时刻t对应的过程噪声;表示时刻t对应的观测噪声。

19、为了更好的实现本发明,进一步的,所述步骤1中,对无人机载端的传感器采集的多模态运行数据进行统一时间戳标定,并采用多尺度动态时间规整对不同采样频率或不同相位偏移的数据窗口进行对齐,以消除传感器的转速波动、振动扰动、通信延迟引起的时序偏差。

20、为了更好的实现本发明,进一步的,所述步骤2中,对边缘健康特征进行不可逆的语义压缩,并在压缩或上传阶段中引入差分隐私噪声,使得边缘健康特征的原始运行波形不能通过云端特征逆向恢复。

21、为了更好地实现本发明,进一步地,所述步骤5中,对层次化状态空间数字孪生模型执行随机前向抽样,所述剩余寿命包括剩余寿命预测均值和预测标准差,所述剩余寿命预测均值和预测标准差满足:

22、;

23、;

24、其中:表示第m次抽样得到时刻t的剩余寿命预测均值,1≤m≤m;表示预测标准差;m表示对层次化状态空间数字孪生模型执行的随机前向抽样次数,m≥2;表示第m次抽样得到时刻t的剩余寿命预测值;

25、所述健康指数包括单项健康度和全局健康指数,所述单项健康度和全局健康指数满足:

26、;

27、;

28、其中:表示第j个状态量在时刻t的单项健康度;表示时刻t的全局健康指数;表示第j个状态量的健康基准值;表示第j个状态量的健康失效阈值;表示第j个状态量在时刻t的健康估计值;p表示与退化具有单调关系的状态量个数;表示第j和状态量的调节权重,且;表示,;

29、当或时,输出维护建议、保守任务包线调整建议或人工复核建议;

30、其中:表示剩余寿命预测标准差触发阈值,表示健康指数触发阈值。

31、一种无人机全生命周期健康管理系统,用于执行无人机全生命周期健康管理方法,包括机载边缘计算模块、云端数字孪生模块、联邦训练模块、参数反哺模块和决策输出模块,所述机载边缘计算模块用于采集多模态运行数据、执行时间同步、弹性对齐和隐私压缩;所述云端数字孪生模块用于建立与单机对应的数字孪生模型并执行在线校准;所述联邦训练模块用于在机群范围内执行引入物理约束的联邦学习和鲁棒聚合;所述参数反哺模块用于将群体退化规律映射为单机数字孪生的先验参数;所述决策输出模块用于输出剩余寿命、健康指数及维护决策。

32、一种无人机全生命周期健康管理介质,所述介质中存储有计算机可读的程序,所述程序被读取执行时能够实现无人机全生命周期健康管理方法。

33、本发明与现有技术相比,具有以下优点及有益效果:

34、(1)本发明通过物理约束正则项和梯度投影,降低模型输出偏离客观退化规律的风险;

35、(2)本发明通过机群协同和参数反哺,缓解小样本和冷启动条件下的健康评估不稳定问题;

36、(3)本发明通过不确定性驱动的维护决策,提高健康管理结果的可解释性和安全性;

37、(4)本发明通过端侧压缩与隐私保护,减少原始运行数据外泄风险并降低通信负担。