一种面向高海拔无人机的严酷环境模拟检测方法及系统
本技术涉及无人机环境适应性检测领域,尤其涉及一种面向高海拔无人机的严酷环境模拟检测方法及系统。
背景技术:
1、随着无人机在高原、山区等复杂地形中的广泛应用,其在新疆、西藏等高海拔地区的作业需求日益增加。高海拔地区具有气压低(可低至30 kpa)、气温变化剧烈(-40℃~+30℃)、风速大(瞬时可达20 m/s以上)、气流紊乱、gps信号易受干扰等严酷环境特征,对无人机的动力系统、控制系统、传感器系统及整机可靠性提出了极高要求。
2、目前,针对无人机的环境适应性测试主要依赖实地飞行测试或基于有限实测数据的单一条件模拟。然而,高海拔严酷环境的实测数据获取成本高、风险大,且难以覆盖所有极端工况,导致现有检测方法存在环境参数覆盖不全、考核不充分的问题,无法全面评估无人机在极端条件下的适应能力。尤为关键的是,现有方法缺乏对实测数据中真正具有考核价值的“严酷片段”的有效筛选与利用,大量平凡数据淹没了关键极端信息,难以在模拟环境中精准、高效地复现那些对无人机可靠性构成核心挑战的严酷工况,这已成为制约高海拔无人机环境适应性检测技术发展的瓶颈问题。
技术实现思路
1、本技术的目的在于:为了解决现有技术中因实测数据有限导致严酷环境参数覆盖不全、无法全面考核无人机在高海拔极端工况下适应性的技术问题,提供一种面向高海拔无人机的严酷环境模拟检测方法及系统。
2、本技术的上述目的是通过以下技术方案得以实现的:
3、s1:采集多维度环境数据;
4、s2:基于预设的严酷特征判据提取多维度环境数据的高变化率和高偏差度的数据片段,并利用异常检测算法进行数据筛选,构建高海拔严酷环境数据库;
5、s3:以高海拔严酷环境数据库为训练样本,采用包含非线性建模的动态贝叶斯网络学习环境参数之间的时序依赖关系与非线性耦合特征,并结合随机函数生成多条模拟环境路径,从中随机选取至少一条路径作为实体模拟的测试条件;
6、s4:根据所选路径的环境参数时序指令,通过实体环境模拟箱体并采用多场解耦控制策略动态复现高海拔严酷环境,对被测无人机进行环境适应性考核。
7、可选的,步骤s1包括:
8、利用搭载有传感器的无人机在高海拔地区实地飞行,同步采集多维度环境数据;
9、所述多维度环境数据包括:气压、温度、风速、振动和gps信号质量;
10、通过基于时间窗口和海拔高度修正的时空匹配方法,对多维度环境数据进行修正,具体步骤如下:
11、设无人机在某一时刻采集到气压()、温度(),对应的海拔高度为(),地理位置为(,);以为中心,在历史风速数据库中选取同一日历日期前后δ时间窗口内的所有风速记录,构成候选风速集合();
12、采用对数风廓线模型将候选风速集合中各记录的海拔风速值修正至无人机飞行海拔高度(),修正公式为:
13、
14、式中,为修正后的风速;为历史风速记录值,为对应观测站点的海拔高度,为地表粗糙度长度,典型高海拔下垫面取值:碎石地0.01m、高山草甸0.03m、永久积雪0.005m;
15、对于同一个时刻,将候选风速集合()中所有风速记录修正后,采用反距离加权插值法计算最终的风速匹配值:
16、
17、其中为第个无人机采样点(,)与第个历史风速记录站点(,)之间的水平距离;表示修正后的第个风速记录站点的历史风速;
18、计算风速数据序列与气压()、温度()在相邻时刻变化趋势的一致性;
19、若某一时刻的风速突变量超过该地区历史的风速数据中,表示历史风速均值,表示历史风速方差,且气压、温度在该时刻变化小于预设阈值,则判定为匹配异常,将标记为无效,并以邻近有效点的线性插值代替。
20、可选的,步骤s2包括:
21、数据筛选的具体方式为:
22、针对多维度环境数据的时间序列分别计算变化率和偏差度;
23、采用基于历史数据统计分布的自适应动态阈值和偏差度阈值,识别高变化率和高偏差度的多维度环境数据,截取连续时长大于预设阈值的数据片段作为初筛严酷环境片段;历史数据即为历史的多维度环境数据;
24、采用孤立森林算法对初筛严酷环境片段进行二次筛选,剔除异常分数最高的10%片段,构建高纯度的高海拔严酷环境数据库。
25、可选的,步骤s3包括:
26、生成模拟环境路径时采用马尔可夫链蒙特卡洛方法生成时间序列路径,采样过程中强制引入高于高海拔严酷环境数据库预设百分比分位数的极值片段,并进行物理约束校验;极值片段为高偏差度的数据片段;
27、所述物理约束校验包括气压与海拔关系约束:
28、
29、式中:为标准大气压,为海拔高度,为大气标高;表示在海拔高度h处的气压;表示自然对数的底数。
30、一种面向高海拔无人机的严酷环境模拟检测系统,所述系统包括:
31、数据采集模块,配置为利用搭载有传感器的无人机在高海拔地区实地飞行,同步采集多维度环境数据;所述多维度环境数据至少包括气压、温度、风速、振动及gps信号质量;
32、ai筛选与数据库构建模块,配置为接收所述数据采集模块输出的数据,基于预设的严酷特征判据提取高变化率和高偏差度的数据片段,并利用异常检测算法进行二次筛选,构建高海拔严酷环境数据库;
33、环境路径模拟模块,配置为基于所述高海拔严酷环境数据库,采用包含非线性建模的动态贝叶斯网络建模各环境参数之间的时序依赖关系,并结合随机函数生成多条模拟环境路径,并从多条模拟环境路径中随机选取至少一条路径;
34、实体环境模拟模块,包括一个可控环境箱体,箱体配置为根据所述环境路径模拟模块选取的路径所对应的环境参数时序数据,通过多场解耦控制策略动态调节内部气压、温度、风速、振动及gps信号强度,形成高海拔严酷环境的物理模拟条件,用于对被测无人机进行环境适应性考核。
35、可选的,所述数据采集模块中包括:气压传感器、温度传感器、风速传感器和振动传感器;
36、所述气压传感器的量程为30~110kpa,采样频率≥10hz;
37、所述温度传感器的量程为-50℃~+80 ℃,采样频率≥1hz;
38、所述风速传感器的量程为0~30m/s,采样频率≥10hz;
39、所述振动传感器为三轴加速度计,量程±16g,采样频率≥100hz;
40、各传感器通过gps或精确时间协议实现时间同步;
41、所述ai筛选与数据库构建模块采用以下方式进行数据筛选:
42、对多维度环境数据中的任一环境参数随时间变化的时间序列,计算其变化率,当时判定为高变化率数据,其中判定阈值,式中为该参数在全部历史飞行数据中变化率的均值,为变化率的标准差;
43、计算偏差度,当时判定为极值数据,式中和分别为在标准大气条件下采集的平稳数据的均值和标准差;
44、将连续时长大于预设阈值且满变化率或偏差度满足预设条件的数据片段作为初筛严酷环境片段;
45、采用孤立森林算法对所述初筛严酷环境片段进行二次筛选;
46、所述环境路径模拟模块中,动态贝叶斯网络的状态变量集合为,其中分别表示时刻的气压、温度、风速、振动幅值和gps信号载噪比;
47、动态贝叶斯网络的联合概率分布分解为:
48、
49、其中:表示从时刻1到时刻t的全部状态变量的集合;表示初始时刻t=1的状态变量;表示当前时刻t的状态变量;表示时间序列的总长度;
50、对于气压和温度,采用改进型线性高斯模型:
51、
52、
53、式中为常数项参数向量,为2×2系数矩阵,为过程噪声协方差矩阵;
54、对于风速和振动幅值,采用高斯过程条件概率模型,其条件概率依赖自身历史、气压及温度;
55、
56、其中,权重参数、、和满足非负约束与归一化约束:,权重参数通过最大化边际似然与高斯过程超参数联合训练优化得到;均值函数和协方差函数通过高斯过程从高海拔严酷环境数据库中学习;
57、对于gps信号载噪比,采用物理模型与数据驱动残差相结合的方式建模:
58、
59、其中为基于卫星几何分布和大气传播损耗计算的理论载噪比,为采用高斯过程建模的残差项。
60、可选的,所述gps信号的理论载噪比的计算公式为:
61、
62、其中表示可见卫星数量;表示第颗卫星的载噪比;表示卫星信号载波功率;表示噪声功率谱密度。
63、可选的,所述实体环境模拟模块包括:
64、气压调节系统,调节范围30~101kpa,控制精度±0.5kpa;
65、温度调节系统,调节范围-40℃~+50℃,控制精度±1℃;
66、风速模拟系统,调节范围0~20m/s,控制精度±0.5m/s;
67、振动模拟系统,频率范围5~2000hz,加速度范围0.5~10g;
68、gps信号模拟器,可输出不同强度及可见卫星数的gps信号;
69、所述实体环境模拟模块采用多变量解耦控制策略,通过静态解耦矩阵实现前馈解耦,式中为系统稳态增益矩阵,并采用多时间尺度分层控制:振动与风速回路为快回路,采样频率≥100hz;气压回路为中速回路,采样频率≥10hz;温度回路为慢回路,采样频率≥1hz。
70、本技术提供的技术方案带来的有益效果是:
71、1.本技术以严酷环境数据筛选为核心创新,提出了“高变化率动态阈值初筛+孤立森林二次异常检测”的两阶段智能筛选机制。该机制从海量实测数据中精准提取具有真实考核价值的极端工况片段,经实测验证可有效剔除约70%的伪严酷数据,使数据库有效利用率提升约3倍,解决了现有方法中严酷数据被平凡数据淹没、利用效率低的关键技术问题,为高海拔无人机环境适应性检测提供了高质量的数据基础。
72、2.以高纯度数据库驱动非线性动态贝叶斯网络生成模拟路径,模型学习自真实且纯净的严酷数据,生成的路径与真实极端工况的分布相似度(mmd指标)较传统方法提升约25%,物理不可行路径比例由约8%降至1%以下,有效覆盖高海拔地区复杂非线性环境组合,同时避免了生成物理上不可能的参数组合。
73、3.采用多场解耦控制策略在实验室环境箱中高保真复现严酷工况,解决了多物理场耦合干扰下的多参数同步控制难题,控制系统的分回路适配设计与分层协调架构保障了模拟环境对目标路径的复现精度和动态响应能力,避免了实地测试的高风险与不可控因素,测试过程可精确重复。
74、4.显著降低测试成本,提升测试安全性与可重复性。以实验室模拟替代大部分高风险、高成本的实地飞行测试,综合测试成本降低60%以上,同时测试条件可精确控制和复现,考核结果的可比性和可信度大幅提升。
75、5.本技术方法具有良好的通用性与可扩展性。方法核心——数据筛选算法与路径生成模型——不依赖于特定机型或作业场景。针对不同类型无人机或不同高海拔应用场景,仅需调整传感器适配方案、采集区域选择及环境箱初始物理参数范围,即可快速迁移部署,适应多种检测需求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com