旋翼无人机电池荷电状态和剩余使用寿命估计的机器学习与深度学习模型比较研究

《Drones》：A Comparative Study of Machine Learning and Deep Learning Models for State of Charge and Remaining Useful Life Estimation on a Rotary-Wing UAV Battery

　　

电池状态估计是电动旋翼无人机（UAVs）的主要安全约束：任务决策同时依赖于瞬时荷电状态（SOC）和剩余使用寿命（RUL）。本研究比较了七种机器学习和深度学习模型（线性回归（LR）、支持向量机（SVM）、k近邻（k-NN）、梯度提升树（GBT）、集成学习（EL）、长短期记忆（LSTM）和简化版接受加权键值（RWKV）），数据来自配备Pixhawk自动驾驶仪和NVIDIA Jetson Nano任务计算机的旋翼直升机试验台的实测飞行数据。数据集包含1310个样本（约262秒），来自九个机载传感器信号。任务型RUL定义为SOC达到安全着陆阈值之前的预计时间。所有模型使用80/20随机划分、五种回归指标（均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）、均方误差（MSE）、百分比均方根误差（PRMSE））和五个随机种子。GBT在SOC任务上胜出，取得，MAE，以及在工作站CPU上每样本推理时间秒；这一延迟为机载任务规划留有裕量。电池温度和电压共同承载超过的预测信号。GBT在RUL任务上再次胜出（，MAE秒）。相同的排序（树集成 ? 循环 ? 线性）适用于两个任务；剩余的RUL差距反映了单次飞行数据集。SOC标签来源于机载自动驾驶仪的基于库仑计量的燃油表估计器，因此SOC数值应被理解为在亚微秒推理延迟下对机载轨迹的复现，而非独立精度；无需校准的库仑计量基线在同一任务上达到略高的（，MAE）。

论文解读文章

**研究背景与问题**
电动旋翼无人机的电池状态估计是安全飞行的核心约束，因放电电流大且动态性强，瞬时荷电状态（SOC）和剩余使用寿命（RUL）直接影响任务规划与紧急着陆决策。现有研究多基于仿真或实验室数据，缺乏真实飞行平台上的统一模型比较，且SOC与RUL的联合评估较少。本研究针对这一空白，利用真实旋翼直升机飞行数据，系统比较七种机器学习和深度学习模型，评估其在SOC和任务型RUL（定义为SOC降至安全着陆阈值之前的预计时间）上的表现，论文发表在《Drones》。

**主要研究方法**
研究人员使用装备Pixhawk飞行控制器和NVIDIA Jetson Nano任务计算机的Align T-Rex 600直升机，采集单次约262秒飞行日志，共1310个样本，特征包括九维机载传感器信号（陀螺仪、垂直速度、GPS高度、加速度、电压、电流、气压高度、温度、振动）。SOC标签来自机载库仑计量燃油表估计器，RUL标签由SOC轨迹和瞬时放电率合成。所有模型采用80/20随机划分、五重随机种子（42,7,13,23,99）及五种回归指标（RMSE、MAE、R²、MSE、PRMSE）。模型包括线性回归（LR）、支持向量机（SVM）、k近邻（k-NN）、梯度提升树（GBT）、集成学习（EL）、长短期记忆（LSTM）及简化版接受加权键值（RWKV），其中序列模型使用10步滑动窗口。

**研究结果**
**3.1 State of Charge (SOC) Prediction**
通过五重随机种子测试，GBT取得最优结果（R²=0.9943±0.0014，MAE=0.25%，RMSE=0.34%），推理延迟约4.38微秒/样本，远超5 Hz采样率要求。EL（R²=0.9930）、LSTM（R²=0.9920）紧随其后，所有模型R²均超过0.99。特征重要性分析显示，电池温度和电压联合贡献超过90%的Gini重要性，但此排序为模型级排名而非因果分解。库仑计量基线（无需校准）在相同标签上达到略高R²=0.9950，表明数据驱动方法在SOC绝对值上无提升，其价值在于推理延迟、对初始SOC和标称容量的独立性，以及自然扩展至RUL任务。

**3.2 Remaining Useful Life (RUL) Prediction**
RUL标签范围223–3075秒，难度显著高于SOC。GBT再次领先（R²=0.4643±0.0287，MAE=473.27秒，RMSE=734.28秒），EL次之（R²=0.2688），SVM、LR等线性模型则低于均值预测器。LSTM和简化RWKV种子间方差极大，平均R²分别为0.1354和0.0886。库仑计量基线在此任务上表现灾难性（R²=?0.0579），凸显数据驱动方法在RUL上的必要性。排序一致（树集成 ? 循环 ? 线性），但绝对误差远大于SOC，反映RUL作为SOC余量与瞬时放电率商的目标结构困难。

**3.3 Temporal Blocked-Split Robustness Check**
为评估随机划分的乐观性，采用时间阻塞划分（前80%训练，后20%测试）。所有经典模型R²降至负值，其中LR退化最小，GBT过度拟合训练分布最严重。序列模型同样崩溃（LSTM：SOC R²=?3.75，RUL R²=?5.12），表明单次飞行数据下时间分布偏移的严重影响，需多飞行数据改善泛化。

**3.4 Comparison with the Literature**
与文献对比，本研究在真实旋翼飞行数据上达到与领先研究相当的SOC精度（误差百分级），而任务型RUL定义新颖，直接服务于机载任务规划，现有研究多基于循环寿命或实验室数据，难以直接比较。

**3.5 Synthesis**
跨任务排序一致，GBT为首选训练模型；SOC精度接近库仑计量基线，但数据驱动方法在推理延迟和RUL上不可或缺；RUL显著更困难，需多飞行数据或物理信息输入。

**3.6 Limitations**
主要局限包括：单次飞行（约262秒）缺乏多轨迹交叉验证；SOC标签来自机载估计器而非独立参考；RUL标签由瞬时放电率合成，继承SOC偏差；随机划分混合邻近样本；简化RWKV未调优；实验在温和天气下进行，未考虑风、载荷等环境因素。

**结论**
本研究比较了七种机器学习和深度学习模型（LR、SVM、k-NN、GBT、EL、LSTM和简化RWKV），针对装备Pixhawk–Jetson Nano航电系统的旋翼无人机的两个电池状态预测任务：瞬时SOC和任务型RUL（定义为SOC降至20%安全着陆阈值前的预计时间）。所有模型基于同一九维特征输入向量，来自1310个样本（约262秒）的真实飞行日志，采用80/20随机划分和五种统计指标（RMSE、MAE、R²、MSE、PRMSE）。对于SOC，梯度提升树（GBT）在七个可训练模型中排名第一（R²=0.9943±0.0014，MAE=0.25%，RMSE=0.34%，五随机种子均值），其次是集成学习（EL）模型（R²=0.9930）和LSTM架构（R²=0.9920）。所有七种模型均超过R²=0.99，证实九个机载传感器信号足以实现百分级SOC估计。无需校准的库仑计量基线在同一标签上达到略高的R²（0.9950）：本研究所用SOC标签来源于机载自动驾驶仪的基于库仑计量的燃油表估计器，因此SOC结果应被理解为在亚微秒推理延迟下对机载轨迹的复现，而非对物理基线的精度提升。GBT特征重要性分析显示，电池温度和封装电压在相关九维特征集上共同承载超过90%的Gini重要性，此排序为模型级排名而非因果分解（第3.1节）。RUL预测难度显著更大：GBT再次领先（R²=0.4643±0.0287，MAE=473.27秒），EL次之（R²=0.2688）；线性与核相似性基线低于平凡均值预测器，两个序列模型显示出很高的种子间变异性。均值排序在两项任务中一致（树集成 ? 循环深度模型 ? 局部或线性方法），但绝对PRMSE从SOC的约0.4%升至RUL的约43%，反映目标同时依赖SOC余量和瞬时放电率的更困难结构。这些发现应被视为初步步骤而非完全代表性表征：它们来自单次约262秒的飞行，因此报告的模型排名和误差水平在真实旋翼飞行数据上建立了可行性，但在做出任何泛化代表性声明之前需要多飞行验证，如第3.6节所述。最具体的下一步是收集覆盖不同任务剖面的多飞行数据，因为这是当前RUL精度背后的主要限制。进一步优先事项包括：(i) 将瞬时放电率作为显式特征的物理信息RUL公式，(ii) 在Jetson Nano任务计算机上对排名靠前模型（GBT和LSTM）进行机载实时部署，(iii) 混合树集成与循环组件的模型架构，以及(iv) 在输入特征空间中系统纳入环境因素如风速、风向、载荷质量和动态任务剖面。