买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉深圳市城市交通规划设计研究中心股份有限公司申请的专利无人机爬升过程的预测性维护方法、电子设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120447611B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510948548.7，技术领域涉及：G05D1/495；该发明授权无人机爬升过程的预测性维护方法、电子设备及存储介质是由张晓春;刘星;孟安鑫;程珙;李鋆元;庄蔚群;辛甜甜设计研发完成，并于2025-07-10向国家知识产权局提交的专利申请。

本无人机爬升过程的预测性维护方法、电子设备及存储介质在说明书摘要公布了：无人机爬升过程的预测性维护方法、电子设备及存储介质，属于无人机控制技术领域。为提升无人机作业能力，本发明包括采集无人机爬升过程的性能预测的输入参数并进行归一化处理，包括动力系统输入参数、运动状态输入参数和环境输入参数；构建一种无人机爬升过程的性能预测模型的主体层，采用动力特性层、状态响应层和层间交互层的三层架构；构建模型的输出指标，包括动态特性指标组和爬升能力指标组，采用全连接的方式建立模型主体层与输出指标之间的关联关系；构建一种无人机爬升过程的性能预测模型的损失函数；基于模型预测结果通过反归一化恢复为实际物理量，然后进行一种无人机爬升过程的预测性维护计算。本发明保证了维护的及时性和可靠性。

本发明授权无人机爬升过程的预测性维护方法、电子设备及存储介质在权利要求书中公布了：1.一种无人机爬升过程的预测性维护方法，其特征在于，包括如下步骤： S1.采集无人机爬升过程的性能预测的输入参数并进行归一化处理，包括动力系统输入参数、运动状态输入参数和环境输入参数； 步骤S1中无人机爬升过程的性能预测的输入参数具体如下： 动力系统输入参数包括电机输入电压A1、电机输入电流A2、螺旋桨转速A3、实测推力A4、电机表面温度A5、电机剩余容量A6、电机功率因数A7和电机电池内阻A8； 运动状态输入参数包括垂直速度A9、水平速度A10、瞬时高度A11、俯仰角A12、总重量A13、垂直加速度A14、动压A15和升力系数A16； 环境输入参数包括大气压力A17、环境温度A18、相对湿度A19、水平风速A20、垂直风速A21、空气密度A22、重力加速度A23、空气粘度A24、和雷诺数A25； S2.构建一种无人机爬升过程的性能预测模型的主体层，采用动力特性层、状态响应层和层间交互层的三层架构； 步骤S2的具体实现方法包括如下步骤： S2.1.构建动力特性层从电机输入、推重特性、能效特性和推力输出四个维度进行建模，加入权重系数和偏置项，电机输入子层重点关注基础动力输出能力；推重特性子层侧重功率分配效果；能效特性子层体现能量转换效率；推力输出子层反映最终的动力效果； S2.1.1.电机输入子层的设计采用ReLU激活函数进行非线性映射，其将全部动力系统输入参数和环境参数中的大气压力、环境温度、相对湿度分别与其对应的权重系数相乘后求和，并加入偏置项，最后通过ReLU函数得到电机输入子层的输出值； S2.1.2.推重特性子层采用ReLU激活函数关注推力与重量的关系，利用表征推重比特性，表征消耗功率与电池容量的关系，表征风速对推重特性的非线性影响，得到推重特征子层的输出值； S2.1.3.能效特性子层采用sigmoid激活函数关注能量转换效率，利用表征温度梯度对能量转换效率的影响，表征空气动力学效应对能量转换的影响，得到能效特征子层的输出值； S2.1.4.推力输出子层采用tanh函数关注最终输出效果，利用表征空气与重力荷载的耦合效应，得到推力输出子层的输出值； S2.1.5.构建动力特性层融合的输出，表达式为： ； 其中，、、、分别为电机输入子层、推重特性子层、能效特性子层和推力输出子层对应的权重系数； S2.2.构建状态响应层从速度响应子层、加速度响应子层、姿态响应子层和能量效率子层来描述无人机在爬升过程的响应特性，并引入LSTM结构捕捉时序演化规律； S2.2.1.速度响应子层整合电机工作参数、飞行状态参数和环境参数，采用ReLU激活函数捕捉速度变化过程中的动态特征，利用反映电机输入功率与速度响应之间的直接关系，得到速度响应子层的输出值； S2.2.2.加速度响应子层采用tanh函数描述加速过程中的动态特性，综合考虑推力系统参数、空气动力学特性，实现对加速性能的准确建模，考虑载重变化对加速特性的影响，反应无人机的加速能力，得到加速度响应子层的输出值； S2.2.3.姿态响应子层使用sigmoid函数刻画姿态调整过程，将飞行姿态参数与环境因素的影响进行耦合，构建姿态动态响应模型，表征飞行器在垂直运动过程中受到的水平风扰动强度，直接影响姿态稳定性；反映上升气流或下沉气流对飞行器水平运动的干扰强度，影响姿态控制需求，得到姿态响应子层的输出值； S2.2.4.能量效率子层通过ReLU函数建立能效模型，将电机特性、推力特性和环境参数相结合，反映能量转换过程中的效率变化规律，考虑环境扰动下的能量转换效率，利用反映在给定风场条件下推力输出的有效性，即推力输出对抗空气动能损失的能力，得到能量效率子层的输出值； S2.2.5.采用LSTM网络处理速度响应子层、加速度响应子层、姿态响应子层和能量效率子层的输出序列，对状态响应时序特征进行深度挖掘，得到时序特性嵌入层的输出值，表达式为： ； 其中，为长短期记忆神经网络模块； S2.2.6.构建状态响应层融合的输出，表达式为： ； 其中，为时序特性嵌入层输出值的权重系数，为速度响应子层、加速度响应子层、姿态响应子层和能量效率子层特征融合的权重系数； S2.3.层间交互层首先提取环境影响特征、动力状态特征和运动特征，然后进行特征融合； S2.3.1.环境影响特征子层对环境输入参数配备相应的权重系数，通过ReLU函数处理加权后的环境输入参数之和，得到环境影响特征子层的输出值E； S2.3.2.动力状态特征子层对动力系统输入参数配备相应的权重系数，通过ReLU函数处理加权后的动力系统输入参数之和，得到动力状态特征子层的输出值F； S2.3.3.运动特征子层对运动状态输入参数配备相应的权重系数，通过ReLU函数处理加权后的运动状态输入参数之和，得到运动特征子层的输出值G； S2.3.4.构建层间交互层融合的输出，表达式为： ； 其中，、、、、分别为动力特性层融合输出、状态响应层融合输出、环境影响特征子层输出、动力状态特征子层输出和运动特征子层输出对应的权重系数； S3.基于步骤S2得到的一种无人机爬升过程的性能预测模型的主体层构建模型的输出指标，包括动态特性指标组和爬升能力指标组，采用全连接的方式建立模型主体层与输出指标之间的关联关系； S4.构建一种无人机爬升过程的性能预测模型的损失函数，包括基础损失、功率动态映射损失、状态迁移损失和响应特征损失，并通过综合映射损失进行模型的整体优化； S5.基于步骤S1确定的无人机爬升过程的性能预测的输入参数数据及步骤S3得到的归一化处理后的输出指标数据，构建训练集、验证集和测试集； S6.对步骤S2-步骤S4构建的一种无人机爬升过程的性能预测模型进行参数设置，然后利用步骤S5得到的训练集对一种无人机爬升过程的性能预测模型进行训练，利用验证集进行验证，利用测试集对验证后的一种无人机爬升过程的性能预测模型进行测试； S7.采用无人机监测管理平台获取无人机爬升过程的性能预测的输入参数，然后输入到步骤S6训练好的一种无人机爬升过程的性能预测模型中，得到的预测结果通过反归一化恢复为实际物理量，然后进行一种无人机爬升过程的预测性维护计算。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人深圳市城市交通规划设计研究中心股份有限公司，其通讯地址为：518100 广东省深圳市龙华区民治街道北站社区龙华设计产业园总部大厦1栋1101；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。