Estimate The Battery Levels of UAVs Using Machine Learning

Abstract

Rotary wing unmanned aerial vehicles (UAVs) attract attention due to the flexibility they provide in various applications. The biggest obstacle to the widespread use of rotary wing UAVs, which are used in a wide range of areas, is seen as the short duration of their airtime due to the short discharge of their batteries. Another disadvantage of lithium polymer (Lipo) batteries used in rotary wing UAVs is their service life. The battery level, which is an indicator of the total current that Lipo batteries can provide, is not constantly checked and this level falling below 20% shortens the battery life and sometimes completely damages the UAV by causing various breakdowns. Especially for rotary wing UAVs that are intended to be operated continuously and autonomously, extending the battery life and safely landing autonomously at the nearest charging station when they reach a certain battery level are important. In this context, in the study conducted, the amount of battery level decrease of a UAV flying autonomously along a specified route while approaching the landing platform horizontally and landing vertically on this platform was estimated using machine learning algorithms. At the end of the flight, the UAV is aimed to land safely at the desired battery level. During horizontal navigation, estimates were made using instant data on the route points. During vertical landing, estimates were made using image processing techniques and data obtained from the UAV landed from different altitudes. Tests were carried out with the UAV designed within the scope of the study under real field conditions and at different altitudes. Before take-off, a certain battery level was reported to the UAV and the flight was started. After the flight, the battery level of the UAV was checked and the differences between the initial level were observed. In the tests, the highest 3% and the lowest 0% battery level difference was reached.

Keywords

• UAV
• battery level
• machine learning
• prediction
• autonomous

İHA’ların Batarya Seviyelerinin Makine Öğrenmesi ile Tahmini

Öz

Döner kanatlı insansız hava araçları (İHA), çeşitli uygulamalarda sağladıkları esneklik nedeniyle dikkat çekmektedir. Çeşitli alanlarda, geniş bir yelpazede kullanılan döner kanatlı İHA’ların daha fazla yaygınlaşmasının önündeki en büyük engel, bataryalarının kısa sürede deşarj olmasından dolayı havada kalma sürelerinin kısa olması olarak görülmektedir. Döner kanat İHA’lar da kullanılan lityum polimer (Lipo) bataryaların bir diğer dezavantajlı durumu ise kullanım ömrüdür. Lipo bataryaların toplam verebildiği akım miktarının bir göstergesi olan pil seviyesi sürekli kontrol edilmemesi ve bu seviyenin 20%’nin altına düşüşü pil ömrünü kısaltmakta ve zaman zaman yapısını tamamen bozarak İHA’yı çeşitli kırımlara uğratabilmektedir. Özellikle otonom olarak sürekli görevlerde kesintisiz çalıştırılmak istenen döner kanatlı İHA'ların; pil ömrünün uzatılması ve belirli bir pil seviyesine indiğinde otonom olarak en yakın şarj istasyonuna güvenli inişleri önem taşımaktadır. Bu çerçevede yapılan çalışmada, belirlenen bir güzergah boyunca otonom uçan bir İHA'nın iniş platformuna yatay olarak yaklaşırken ve bu platforma dikey iniş yaparken batarya seviyesindeki azalma miktarı, makine öğrenmesi algoritmaları kullanılarak tahmin edilmiştir. Uçuş sonunda, İHA'nın güvenli bir şekilde istenilen batarya seviyesinde yere iniş yapması hedeflenmiştir. Yatay seyir sırasında, güzergah noktaları üzerinde anlık veriler kullanılarak tahminler yapılmıştır. Dikey iniş esnasında ise, görüntü işleme teknikleri kullanılarak, farklı irtifalardan indirilen İHA'dan elde edilen verilerle tahminler gerçekleştirilmiştir. Çalışma kapsamında tasarlanan İHA ile gerçek saha koşullarında ve farklı irtifalarda testler gerçekleştirilmiştir. Kalkış öncesinde, İHA’ya belirli bir batarya seviyesi bildirilmiş ve uçuşa başlanmıştır. Uçuş sonrasında ise İHA’nın batarya seviyesi kontrol edilerek başlangıç seviyesi ile arasındaki farklar gözlemlenmiştir. Yapılan testlerde, en yüksek 3%, en düşük ise 0% batarya seviyesi farkına ulaşılmıştır.Bu çerçevede yapılan çalışmada, belirlenen bir güzergah boyunca otonom uçan bir İHA'nın iniş platformuna yatay olarak yaklaşırken ve bu platforma dikey iniş yaparken batarya seviyesindeki azalma miktarı, makine öğrenmesi algoritmaları kullanılarak tahmin edilmiştir. Uçuş sonunda, İHA'nın güvenli bir şekilde istenilen batarya seviyesinde yere iniş yapması hedeflenmiştir. Yatay seyir sırasında, güzergah noktaları üzerinde anlık veriler kullanılarak tahminler yapılmıştır. Dikey iniş esnasında ise, görüntü işleme teknikleri kullanılarak, farklı irtifalardan indirilen İHA'dan elde edilen verilerle tahminler gerçekleştirilmiştir. Çalışma kapsamında tasarlanan İHA ile gerçek saha koşullarında ve farklı irtifalarda testler gerçekleştirilmiştir. Kalkış öncesinde, İHA’ya belirli bir batarya seviyesi bildirilmiş ve uçuşa başlanmıştır. Uçuş sonrasında ise İHA’nın batarya seviyesi kontrol edilerek başlangıç seviyesi ile arasındaki farklar gözlemlenmiştir. Yapılan testlerde, en yüksek 3%, en düşük ise 0% batarya seviyesi farkına ulaşılmıştır.

Anahtar Kelimeler

• İHA
• batarya seviyesi
• makine öğrenmesi
• tahmin
• otonom

Kaynakça

1. Alyassi, R., Khonji, M., Karapetyan, A., Chau, S., C. -K., Elbassioni, K., & Tseng, C. -M., (2023). Autonomous Recharging and Flight Mission Planning for Battery-Operated Autonomous Drones. IEEE Transactions on Automation Science and Engineering, vol. 20, no. 2, pp. 1034-1046, April 2023, doi: 10.1109/TASE.2022.3175565.
2. Amanor-Boadu, J. M., & Guiseppi-Elie, A. (2020). Improved performance of li-ion polymer batteries through improved pulse charging algorithm. Applied Sciences, 10(3), 895.
3. Boon, M. A., Drijfhout, A. P., & Tesfamichael, S. (2017). Comparison of a fixed-wing and multi-rotor UAV for environmental mapping applications: A case study. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, 47-54.
4. Çaşka, S. ve Gökçe, B. (2023). Mikro İnsansız Hava Aracı İçin Batarya Tüketim Modelinin Elde Edilmesi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(1), 252-258.
5. Galeotti, M., Cinà, L., Giammanco, C., Cordiner, S., & Di Carlo, A. (2015). Performance analysis and SOH (state of health) evaluation of lithium polymer batteries through electrochemical impedance spectroscopy. Energy, 89, 678-686.
6. Kardasz P, Doskocz J, Hejduk M, Wiejkut P, Zarzycki H. (2016). Drones and Possibilities of Their Using. J Civil Environ Eng 6: 233.
7. Kutlu, G. (2024). Döner kanat İHA'ların şarj durumlarına göre uygun platforma görüntü işleme teknikleri ile inişi (Yüksek lisans tezi). Mersin Üniversitesi, (Tez No: 865542). YÖK Ulusal Tez Merkezi.
8. Lee, J. H., & Lee, I. S. (2021). Lithium battery SOH monitoring and an SOC estimation algorithm based on the SOH result. Energies, 14(15), 4506.

9. Makineci, H. B., Hüsrevoğlu, M., & Karabörk, H. (2022). Estimation of UAV flight time and battery consumption for photogrammetric application using multiple machine learning algorithms. Engineering Research Express, 4(025050). https://doi.org/10.1088/2631-8695/ac7a0b
10. Pattarakunnan, K., Galos, J., Das, R., & Mouritz, A. P. (2021). Impact damage tolerance of energy storage composite structures containing lithium-ion polymer batteries. Composite Structures, 267, 113845.
11. Prasetia, A. S., Wai, R.-J., Wen, Y.-L., & Wang, Y.-K. (2019). Mission-Based Energy Consumption Prediction of Multirotor UAV. IEEE Access, vol. 7, pp. 33055-33063, 2019, doi: 10.1109/ACCESS.2019.2903644.
12. Tezde, E. İ., & Okumuş, H. İ. (2018). Batarya modelleri ve şarj durumu (SoC) belirleme. EMO Bilimsel Dergi, 8(1), 21-25.
13. Thibbotuwawa, A., Nielsen, P., Zbigniew, B., & Bocewicz, G. (2019). Energy consumption in unmanned aerial vehicles: A review of energy consumption models and their relation to the UAV routing. In Information Systems Architecture and Technology: Proceedings of 39th International Conference on Information Systems Architecture and Technology–ISAT 2018: Part II (pp. 173-184). Springer International Publishing.
14. Yiğit, E., Yazar, İ. & Karakoç, T. H. (2018). İnsansız hava araçları (iha)‘ nın kapsamlı sınıflandırması ve gelecek perspektifi. Sürdürülebilir Havacılık Araştırmaları Dergisi , 3 (1) , 10-19.
15. Zhao, T., & Li, W. (2022). Design configuration and technical application of rotary-wing unmanned aerial vehicles. Mechatronics and Intelligent Transportation Systems, 1(1), 69-85.