Разработка системы мониторинга силовых агрегатов беспилотных летательных аппаратов в режиме реального времени


Авторы

Синь М. 1*, Е Ч. 1, Цинь Х. 2, Дэн Ч. 1, Пэй М. 1, Чжоу А. 1, Сюй Ф. 1

1. Нанкинский университет аэронавтики и астронавтики, Нанкин, Китайская Народная Республика
2. Харбинский технологический институт, Сучжоу, Китайская Народная Республика

*e-mail: xinmai_xm@nuaa.edu.cn

Аннотация

Хотя беспилотники не являются новым видом оборудования, их преимущества в применении очень значительны, и они могут выполнять множество опасных и сложных операций. Этот вид оборудования широко используется в различных областях, как в военной, так и в гражданской сфере, обладая отличными характеристиками и отражая высокую прикладную ценность. Однако в отсутствие инженеров и техников для сопровождения, особенно в случае поломки, возникнет очень пассивная ситуация. Поэтому техническое обслуживание данного типа оборудования имеет огромное значение, а для гарантии работы двигателей БПЛА оно еще более важно. Поэтому необходимо использовать передовые технологии для мониторинга системы электропитания в режиме реального времени, прогнозировать возникновение сбоев и устранять их заранее, чтобы поддерживать оборудование в хорошем состоянии. Используя LABVIEW2022 в сочетании с различными алгоритмами технологии время-частотного анализа, эта исследовательская группа разрабатывает соответствующий инструмент анализа вибрационных сигналов для изучения сигналов и идентификации неисправностей. Мы разработали беспроводную систему передачи сигнала, основанную на различных технологиях, для эффективной передачи сигналов вибрации двигателя на различные расстояния.. Комбинируя вышеперечисленные инструменты анализа сигналов и системы передачи, удалось реализовать мониторинг и анализ состояния силовой системы БПЛА на различных расстояниях. Эксплуатационные параметры и показатели оборудования соответствуют потребностям инженерных приложений и позволяют эффективно решать задачи по исследованию двигательной системы беспилотного летательного аппарата. Многочисленные эксперименты доказали, что изучение сигналов вибрации двигателя, передаваемых БПЛА, является простым и интуитивно понятным методом обнаружения, а сочетание высокопроизводительных датчиков вибрации, высокоточных устройств передачи и мощных систем анализа позволяет реализовать вышеуказанные цели применения.

Библиографический список

  1. Гусейнов Г.А. и др. О точности прямого геореференцирования беспилотного летательного аппарата в зонах с различными климатическими условиями // Труды МАИ. 2022. № 126. URL: https://trudymai.ru/published.php?ID=169012. DOI: 10.34759/trd-2022-126-26
  2. Turner Cotterman et al. The transition to electrified vehicles: Evaluating the labor demand of manufacturing conventional versus battery electric vehicle powertrains // Energy Policy, 2024, vol. 188, pp. 114064. DOI： 10.1016/J.ENPOL.2024.114064
  3. Suman Saha, Partha Pratim Bandyopadhyay. Non-destructive measurement of MUCT in micro-milling using surface topography generated by bi-planer size effects // International Journal of Mechanical Sciences, 2024, vol. 275, pp. 109332. DOI：10.1016/J.IJMECSCI.2024.109332
  4. Mohamed Adel Gabry et al. Advanced Deep Learning for microseismic events prediction for hydraulic fracture treatment via Continuous Wavelet Transform // Geoenergy Science and Engineering, 2024, vol. 239, pp. 212983. DOI：10.1016/J.GEOEN.2024.212983
  5. Jae Ho Sim et al. Deep Learning Model for Cosmetic Gel Classification Based on a Short-Time Fourier Transform and Spectrogram // ACS applied materials & interfaces, 2024. DOI：10.1021/ACSAMI.4C03675
  6. Scott F Thrall et al. A comparison of wavelet-based action potential detection from the NeuroAmp and the Iowa Bioengineering Nerve Traffic Analysis system // Journal of neurophysiology, 2024. DOI：10.1152/JN.00448.2023
  7. Demi Ai, Duluan Zhang, Hongping Zhu. A damage localization approach for concrete structure using discrete wavelet transform of electromechanical admittance of bonded PZT transducers // Mechanical Systems and Signal Processing, 2024, vol. 218, pp. 111531. DOI: 10.1016/J.YMSSP.2024.111531
  8. Minesh K Joshi, Patel R R. Fault detection through discrete wavelet transforms and radial basis function neural network in shunt compensated distribution systems // Engineering Research Express, 2024, vol. 6.2. DOI：10.1088/2631-8695/AD46E7
  9. Benamira Nadir et al. Exploring the effects of overvoltage unbalances on three phase induction motors: Insights from motor current spectral analysis and discrete wavelet transform energy assessment // Computers and Electrical Engineering, 2024, vol. 117, pp. 109242. DOI：10.1016/J.COMPELECENG.2024.109242
  10. Alimagadov K.A., Umnyashkin S.V. White Noise Suppression Based on Wiener Filtering Using Neural Network Technologies in the Domain of the Discrete Wavelet Transform // Russian Microelectronics, 2024, vol. 52.7, pp. 722-729. DOI：10.1134/S106373972307003X
  11. Pavani Cherukuru, Mumtaz Begum Mustafa. CNN-based noise reduction for multi-channel speech enhancement system with discrete wavelet transform (DWT) preprocessing // PeerJ Computer science, 2024, vol. 10. DOI：10.7717/PEERJ-CS.1901
  12. Dash Sonali et al. Real Time Retinal Optic Disc Segmentation via Guided filter and Discrete Wavelet Transform // Journal of Physics: Conference Series, 2022, vol. 2312.1. DOI：10.1088/1742-6596/2312/1/012007
  13. Ravikumar M., Shivaprasad B.J., Guru D.S. Enhancement of MRI Brain Images Using Notch Filter Based on Discrete Wavelet Transform // International Journal of Image and Graphics, 2022, vol. 22.01. DOI：10.1142/S0219467822500103
  14. Goran Savić et al. Memory Efficient Hardware Architecture for 5/3 Lifting-Based 2-D Forward Discrete Wavelet Transform // Microprocessors and Microsystems, 2021, vol. 87, pp. 104176. DOI：10.1016/J.MICPRO.2021.104176
  15. Tong Hao et al. Automatic Detection of Subglacial Water Bodies in the AGAP Region, East Antarctica, Based on Short-Time Fourier Transform // Remote Sensing, 2023, vol. 15.2, pp. 363-363. DOI：10.3390/RS1502036
  16.  Patrick D. Cerna et al. Bisayan Dialect Short-time Fourier Transform Audio Recognition System using Convolutional and Recurrent Neural Network // International Journal of Advanced Computer Science and Applications (IJACSA), 2023, vol. 14.3. DOI：10.1456vol/9/IJACSA.2023.01403111
  17. Knutsen Helge. A fractal uncertainty principle for the short-time Fourier transform and Gabor multipliers // Applied and Computational Harmonic Analysis, 2023, vol. 62, pp. 365-389. DOI：10.1016/J.ACHA.2022.10.001
  18. Amiri Mohsen, Aghaeinia Hassan, Amindavar Hamid Reza. Automatic epileptic seizure detection in EEG signals using sparse common, spatial pattern and adaptive short-time Fourier transform-based synchrosqueezing transform // Biomedical Signal Processing and Control, 2023, vol. 79. DOI：10.1016/J.BSPC.2022.104022
  19. Zachary Huffman, Joana Rocha. The Derivation of an Empirical Model to Estimate the Power Spectral Density of Turbulent Boundary Layer Wall Pressure in Aircraft Using Machine Learning Regression Techniques // Aerospace, 2024, vol. 11.6, pp. 446. DOI：10.3390/AEROSPACE11060446
  20. Marius Bittner, Marco Behrendt, Michael Beer. Relaxed evolutionary power spectral density functions: A probabilistic approach to model uncertainties of non-stationary stochastic signals // Mechanical Systems and Signal Processing, 2024, vol. 211, pp. 111210. DOI：10.1016/J.YMSSP.2024.111210
  21. Jian Yu et al. Evolutionary power spectrum density of earthquake-induced rail geometric irregularities // Structure and Infrastructure Engineering, 2022, vol. 20 (3), pp. 1-16. DOI: 10.1080/15732479.2022.2103155
  22. Yoshiki Murayama et al. Characterization of larger-single-Lorentzian noise deviated from 1/f characteristics detected by a power-spectral-density-integration method // Japanese Journal of Applied Physics, 2024, vol. 63.3.
  23. WonsulKim et al. Cumulative power spectral density‐based damping estimation // Earthquake Engineering & Structural Dynamics, 2024, vol. 53.5, pp. 1787-1802. DOI：10.1002/EQE.4092
  24. Большаков Р.С, Гозбенко В.Е., Выонг К.Ч. Математическое моделирование динамических состояний вибрационных машин // Труды МАИ. 2023. № 133. URL: https://trudymai.ru/published.php?ID=177669
  25. Xuejiang Chen et al. A short time series rolling bearing fault diagnosis method based on FMTF-CNN // Engineering Research Express, 2024, vol. 6.2. DOI：10.1088/2631-8695/AD4957
  26. Зайцев Д.О., Павлов Д.А., Нестечук Е.А. Методика контроля технического состояния бортовых систем ракет-носителей на основе обработки быстроменяющихся параметров // Труды МАИ. 2021. № 121. URL: https://trudymai.ru/published.php?ID=162665. DOI: 10.34759/trd-2021- 121-18
  27. Герасимчук В.В., Жиряков А.В., Кузнецов Д.А., Телепнев П.П. Моделирование вибрационного фона космического аппарата // Труды МАИ. 2023. № 131. URL: https://trudymai.ru/published.php?ID=175908. DOI: 10.34759/trd-2023-131-02
  28. Альрубеи М.А. Сравнительный анализ способов интерполяции при оценке частоты дискретизированного гармонического сигнала // Труды МАИ. 2023. № 130. URL: https://trudymai.ru/published.php?ID=174612. DOI: 10.34759/trd-2023-130-15


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход