一种无人机机巢设备全生命周期管理系统及方法与流程

本发明属于无人机机巢领域，具体涉及一种无人机机巢设备全生命周期管理系统及方法。

背景技术：

1、随着无人机技术的迅速发展，无人机机巢(又称机场、机库)设备越来越多，但基于传统管理方式，无人机机巢设备运行效率低，安全性不高，且针对无人机合理储存及归置的机巢设备管理较为粗放，费用也高昂，因此，对无人机机巢设备进行管理显得尤为重要。数字孪生技术是一种新型的技术，将大数据、云计算、物联网等技术整合应用，有助于提升无人机机巢设备管理的效率，降低运行费用，提高安全性。

2、数字孪生最初是由密歇根大学的michael grieves博士创建的概念，展示了将两个世界连接在一起并创建虚拟副本的能力，该副本通过物联网(iot)反映设备的变化和信息更新。通过将iot数据实施到此过程，可以存储和处理大量核心元素和动态信息，从而全面反映对象的整个生命周期。通过这种详细的监控，数字孪生可以轻松地在长期生命周期管理中发挥关键作用。

3、无人机机巢设备的数量不断增加，尤其是用于载重的无人直升机等特种无人机装备机巢管理影响了设备作业时间的安全性能，管理这些设备的生命周期变得越来越具有挑战性。传统的技术手段已不足以完成这项任务，需要创新的解决方案和方法。

技术实现思路

1、本发明的目的在于解决上述背景技术问题，提供一种无人机机巢设备全生命周期管理系统及方法，通过使用数字孪生技术创建与无人机机巢设备相关的所有物理组件的虚拟副本，从而实现预测性维护、提高安全性和提高效率。

2、为实现上述目的，本发明的技术方案是：一种无人机机巢设备全生命周期管理系统，包括：

3、无人机机巢设备iot单元，获取无人机机巢设备物理实体的多模态数据；

4、无人机机巢设备数字孪生模型构建单元，基于所述多模态数据构建无人机机巢设备数字孪生模型；

5、无人机机巢设备管理单元，基于所述多模态数据、无人机机巢设备数字孪生模型对无人机机巢设备进行全生命周期管理。

6、在本发明一实施例中，所述无人机机巢设备iot单元包括通过通信网络互联的无人机机巢设备、用于处理无人机机巢设备数据的iot服务器。

7、在本发明一实施例中，所述通信网络包括下述中的至少一种：wi-fi、蓝牙、射频识别。

8、在本发明一实施例中，所述无人机机巢设备数字孪生模型包括：

9、仿真模型，提供测试和评估无人机机巢设备性能的环境；

10、逻辑模型，概述无人机机巢设备在与用户交互时采用的决策过程；

11、数据模型，定义无人机机巢设备存储、处理和管理数据的方式；以及，通过模型渲染创建无人机机巢设备及其组件的可视化表示。

12、在本发明一实施例中，所述无人机机巢设备管理单元包括：

13、系统应用模块，对无人机机巢设备进行全生命周期管理；

14、系统算力平台，为系统应用模块提供算力支持；

15、后台智能算法，为系统应用模块提供算法支持；

16、系统控制/显示终端，实现监控和管理无人机机巢设备。

17、在本发明一实施例中，所述对无人机机巢设备进行全生命周期管理，包括无人机机巢设备的故障诊断、4d检测、时序预测、决策支撑。

18、本发明还提供了一种无人机机巢设备全生命周期管理方法，包括：

19、获取无人机机巢设备物理实体的多模态数据；

20、基于所述多模态数据构建无人机机巢设备数字孪生模型；

21、基于所述多模态数据、无人机机巢设备数字孪生模型对无人机机巢设备进行全生命周期管理。

22、在本发明一实施例中，所述无人机机巢设备数字孪生模型包括：

23、仿真模型，提供测试和评估无人机机巢设备性能的环境；

24、逻辑模型，概述无人机机巢设备在与用户交互时采用的决策过程；

25、数据模型，定义无人机机巢设备存储、处理和管理数据的方式；以及，通过模型渲染创建无人机机巢设备及其组件的可视化表示。

26、在本发明一实施例中，所述对无人机机巢设备进行全生命周期管理，包括无人机机巢设备的故障诊断、4d检测、时序预测、决策支撑；其中，

27、故障诊断f(t)：

28、

29、其中，si(t)是无人机机巢设备第i个组件的当前状态，ri(t)是对应的性能退化预测，δsi是状态变化的阈值范围，th故障是预设的故障诊断阈值；故障诊断通过判断无人机机巢设备每个组件是否超出正常运行的阈值范围，以确定是否存在故障；

30、4d检测d4d(t)：

31、

32、其中，s(t′)是在时间t′的无人机机巢设备状态，s基线(t′)是对应时间的基线状态，t时间是时间间隔；4d检测通过计算无人机机巢设备状态随时间的变化程度，检测无人机机巢设备的长期性能变化；

33、时序预测p预测(t)：

34、p预测(t+δt)＝f(s(t)，h，θ)+∈(t)

35、其中，f是基于历史数据h和模型参数θ的预测模型，∈(t)是预测误差，δt是预测的时间间隔；时序预测预测无人机机巢设备在未来某一时间点的状态；

36、决策支撑d决策(t)：

37、

38、其中，a是可行操作的集合，c是操作α的成本函数，r是操作α带来的风险函数；决策支撑用于找到最优的操作决策，以最小化成本和风险的总和。

39、在本发明一实施例中，所述对无人机机巢设备进行全生命周期管理，包括进行设备健康评估、维护需求预测、资源分配优化、运行策略调整的过程，具体如下：

40、设备健康评估h(t)：

41、h(t)＝w1·q(t)+w2·p(t)+w3·e(t)

42、其中，h(t)是在时间t的设备健康指数，q(t)是设备的性能指标，p(t)是设备的压力水平，e(t)是设备的环境适应性指标，w1，w2，w3是权重系数，根据各项指标的重要性进行调整；

43、维护需求预测md(t)：

44、

45、其中，h基准和h最大分别是设备健康指数的基准值和最大值，m临界是触发维护的临界值，m当前是当前的维护水平；

46、资源分配优化ra(t)：

47、

48、其中，r是资源分配方案，c(r)是资源分配的成本函数，v(r)是资源分配带来的运行风险；

49、运行策略调整sa(t)：

50、

51、其中，th增频和th减频是预设的维护需求阈值；运行策略调整根据维护需求的预测结果来调整设备的运行策略。

52、相较于现有技术，本发明具有以下有益效果：

53、本发明通过数字孪生技术能够创建物理系统的虚拟模型，准确表示组件、流程和环境。该系统和方法利用该技术为无人机机巢设备创建全面的生命周期管理解决方案，包括配置管理、性能分析、维护调度、预测分析等。该系统可用于有效管理无人机机巢设备的整个生命周期，从设计和施工到运营，维护和退役。该系统使用数字孪生技术创建与无人机机巢设备相关的所有物理组件的虚拟副本，从而实现预测性维护、提高安全性和提高效率。通过模拟和预测实际组件的性能，该系统使操作员能够预测无人机机巢设备运行过程中可能出现的任何潜在问题。这种预测性维护方法还确保了与其他连接系统(如气象系统)的兼容性，从而进一步提高了准确性、可靠性和运营效率。因此，本发明提供了一种高效且具有成本效益的方法来优化无人机机巢设备生命周期的各个方面。