嵌入式传感器数据融合和TinyML用于无人机聚合物电池的实时剩余使用寿命估计

科学领域:

• 嵌入式系统工程 嵌入式系统工程
• 人工智能的人工智能
• 电池技术 电池技术

背景情况:

• 对聚合物 (LiPo) 电池的准确剩余使用寿命 (RUL) 估计对于无人机 (UAV) 的安全性和效率至关重要.
• 在资源有限的嵌入式平台上实施实时RUL预测存在重大技术障碍.

研究的目的:

• 开发一个端到端的基于TinyML的框架,用于对无人机中的LiPo电池进行高效的RUL估计.
• 将嵌入式传感器数据融合与优化的前神经网络 (FFNN) 集成到微控制器上部署.

主要方法:

• 一个轻量级的数据融合管道收集了电压,放电时间和容量测量.
• 优化模型使用了Edge Impulse平台和EONTMCompiler.
• 一个前神经网络 (FFNN) 模型被训练并部署在Raspberry Pi RP2040微控制器上.

主要成果:

• 该框架在实验验证中实现了3.46周期的低平均绝对误差 (MAE) 和3.75周期的根平均平方误差 (RMSE).
• 量子化模型表现出高精度 (98.82%) 与最小的推理延迟 (2毫秒) 和内存足迹 (1.2KB RAM,11KB闪存).
• 该系统显示出强大的回归精度和稳定性,差异分数为0.99.

结论:

• 提议的TinyML框架可用于无人机电池健康管理的准确,低延迟和资源高效的实时RUL估计.
• 这种方法克服了硬件限制,证明了嵌入式设备上先进预测的可行性.