这几年做环境监测项目绕不开一个词温室气体。而“Drone-Based Greenhouse Gas DAQ System”这个项目其实是被一个非常具体的需求逼出来的——我们手里固定监测点只有三个但客户要求搞清楚整个厂区甲烷泄漏的空间分布。固定站做不到人工手持又不现实最后只能把思路转向无人机让无人机驮着传感器飞一遍用一套可靠的DAQ数据采集系统把每个位置的浓度、高度、时间全部记录下来。这个项目就这么立项了。这个项目本质上是在解决一个经典问题温室气体浓度在空间上不是均匀的而传统地面监测只能给你几个离散点。无人机给了我们一个移动平台DAQ给了我们一条完整的数据链路两者合起来就能产出“浓度坐标时间”的三维数据集这是后续画分布图、算排放量、找泄漏源的基础。无论你是做碳监测、农业甲烷排放、垃圾填埋场巡检还是大气科学课题这套系统的思路都能直接迁移技术栈也不是什么黑科技关键是每个环节的取舍和踩坑经验。1. 项目整体设计与选型思路1.1 为什么用无人机而不是固定站或人工采样在做系统设计之前得先搞清楚应用场景到底在逼我们做什么。那段时间我一直在对比三种方案固定监测站数量太少、布点密度不够人工便携式检测仪只能在地面两点之间走线拿到的是近地面一层的浓度而排放源的羽流往往是受风场影响飘到几十米甚至上百米高空的地面测不到。无人机方案最大的优势是能够快速获取垂直剖面和水平网格两种数据形态。垂直剖面可以沿高度方向采样看清污染物的垂直扩散结构水平网格巡航则能覆盖几公顷到几十公顷的区域找到高浓度点的位置。整个过程可以在一两个架次内完成比固定站布网和人工徒步采样都快得多。而且基于无人机的采集系统具备很好的可扩展性。传感器模块、采样舱、DAQ板卡都做成可拆卸的标准件换一套传感器负载就能从测甲烷切换到测二氧化碳、二氧化氮。项目后期我们把整个负载舱做成了“快拆结构”现场换装只需要10分钟这就比单独定制一套专用机省太多事了。当然无人机方案也有先天短板载荷有限、续航有限、螺旋桨气流会干扰采样。这些决定了我们必须做严格的传感器和DAQ选型想办法把每一克重量都花在刀刃上。1.2 系统架构与主要模块划分整个系统我拆成四个部分无人机平台、传感器载荷、数据采集与存储单元、地面站软件。无人机平台选用的是六旋翼机型轴距约600mm最大起飞重量约7kg实测可用载荷在1.5kg左右单电续航大概18到22分钟。之所以选六旋翼而不是四旋翼是保留了单个电机失效后还能可控降落的安全冗余毕竟载荷不便宜飞一次的成本也不低安全冗余必须够。传感器载荷包含CO2和CH4两套核心传感器加上温湿度、气压、GPS定位模块。CO2用NDIR原理的传感器CH4用的是TDLAS激光原理模块后面我会细说这两个原理的差异和选型原因。数据采集单元是整个系统的核心。我们选择了一块性能够用、功耗和重量都不离谱的便携式DAQ板卡搭配一个树莓派CM4核心板做数据记录和系统调度。DAQ板卡负责采样传感器输出的模拟电压信号、收集串口数字信号、读取GPS PPS脉冲用于授时树莓派负责把数据按时间戳整合写入SD卡固态存储同时通过数传电台实时回传少量关键数据给地面站。当时选型有几个硬指标DAQ的总重量不超过200g、功耗不超过3W、至少支持8路模拟输入和若干路数字I/O、必须支持外部时钟同步操作。综合对比之后我选了NI的USB-6009系列它刚好卡在这些指标附近而且LabVIEW驱动成熟在后续开发机载软件时能省不少事。1.3 为什么把NDIR和TDLAS组合在一起温室气体监测不是“测一个数就行”不同的气体有不同的物性测量原理也得分开考虑。CO2的测量用的是NDIR也就是非色散红外吸收法。原理很简单红外光源发出特定波长的红外光穿过气体腔后CO2分子会吸收4.26μm波段的能量探测器收到的光强变化就能反推出浓度。NDIR技术成熟、稳定性好、体积小适合无人机载荷我们用的模块量程可以做到0到5000ppm精度在±40ppm加读数的3%左右完全能满足环境大气本底和一般排放源区域的测量需求。CH4就麻烦多了。甲烷在红外波段的吸收峰和部分水汽、其他碳氢化合物有重叠如果用NDIR做甲烷传感器交叉干扰会让人非常头疼而且环境大气中的甲烷浓度是ppm甚至ppb级别NDIR在低浓度端的信噪比不够。所以我们最终选了TDLAS方案也就是可调谐半导体激光吸收光谱技术。它用窄线宽激光器对准甲烷分子的特定吸收线几乎不受其他气体干扰检测下限可以做到个位数ppb。缺点是模块体积和功耗明显大于NDIR传感器价格也贵一个数量级但为了数据质量这部分钱不能省。这套组合下来CO2传感器和CH4传感器的总重量约400g加上采样气路和泵整个传感器载荷约700g。剩下的负载重量分配给了DAQ、树莓派、电池、减震板和结构件最后卡在1.5kg上限。设计的时候我把减重思路定成“每个模块单独称重、超重就换方案”事实证明这个笨办法最有效。2. 传感器选型与关键参数分析2.1 CO2传感器用NDIR时的几个坑选CO2传感器时我们对比了三款主流模块瑞士Senseair的S8系列、芬兰Vaisala的GMP252以及一些国产NDIR模块。最后选的是Senseair S8原因很简单数据手册里的T90响应时间约20秒重量只有十几克功耗约300mW而且输出方式是串口和PWM接口友好。这里有一个容易被新手忽略的参数T90响应时间。它表示传感器从输入浓度阶跃变化到显示读数为最终变化值90%所需的时间。无人机飞行速度在作业时一般是5到8m/s如果传感器T90是20秒那在这段时间里无人机已经飞出去100到160米了。如果直接拿原始读数画浓度剖面你会发现边界被严重模糊化高浓度区域被拉宽峰值浓度偏低。后来我们做了一件事在软件里给传感器读数做逆卷积补偿。简单说把传感器当成一个低通滤波器用已知的T90时间常数去反推真实的浓度变化。实测证明补偿后甲烷羽流的峰值恢复率从63%提升到了91%左右。这个细节直接影响数据质量建议所有做机载环境监测的人都处理一下。2.2 CH4传感器TDLAS模块的功耗和通信问题CH4我们用了一款工业级TDLAS模块量程0到1000ppm分辨率0.1ppm但标称功耗接近5W远超CO2传感器。5W对于无人机系统来说已经不小了因为整机可用供电余量本来就不多再加上树莓派和DAQ单独供电方案必须重新设计。解决方案是用独立降压模块给TDLAS供电不与飞控系统共用电源。这里要说明的是飞控系统对电压波动特别敏感而TDLAS模块内置了激光器温控电路启动瞬间电流冲击很大如果跟飞控共用电源可能直接把飞控的参考电压拉低导致无人机出现无法解释的姿态抖动。我们用了一个5V/3A的独立稳压模块再加了一个470μF的电解电容做缓启动问题就消失了。TDLAS模块的数据输出是串口帧格式波特率115200每秒输出10帧每帧包含浓度、信号强度、运行温度等字段。关键是要把串口的帧解析代码写稳因为机载环境有振动和电磁干扰偶尔会出现字节丢失或者帧错位必须在代码里加帧头校验、CRC校验和超时重同步机制。我们在解析代码里专门写了一个状态机用帧头和帧尾锁定有效数据实测在连续飞行30分钟里丢帧率低于0.01%。2.3 DAQ板卡选型不是采样率越高越好很多人一听DAQ就想着采样率要高、通道要多但无人机环境恰恰相反。温室气体浓度的变化在时间尺度上是秒级的所以每通道采样率做到1到10Hz已经完全足够。更高的采样率只会带来更大的数据量、更高的功耗以及不必要的SD卡写入压力。我们最终选定USB-6009它提供8路模拟输入、2路模拟输出、12路数字I/O最大采样率48kS/s。我们实际只用了其中4路模拟输入、2路数字输入和1路计数器。为什么保留计数器因为GPS模块输出的PPS秒脉冲信号需要接到计数器通道去捕获时间戳。PPS是一个每秒上升沿一次的数字信号计数器可以精确记录每个脉冲到达的时刻用这个时刻去同步本地数据流就能把传感器数据的时间轴对齐到UTC时间。DAQ板卡还要考虑一个常被忽略的因素USB连接稳定性。无人机飞行时的振动会导致USB接头松动一旦接触不良采集任务会立即中断。我们把USB线用热熔胶固定在DAQ板卡的USB座子上又在结构件上加了线夹。前几次试飞发现振动环境下USB线缆内部焊点也会疲劳断裂后面直接换成了带锁扣的工业级USB线缆这个问题才彻底解决。2.4 辅助传感器温湿度、气压、GPS一个都不能少温室气体浓度和温度气压是强相关的。传感器测量腔内气体密度受温度影响气压也会改变红外吸收的分子数量。如果没有同步的温度、气压数据后处理阶段没办法做浓度校正所以我们在载荷里加了BME280温湿度气压三合一传感器安装在采样气路的下游和核心传感器处于同一个气路环境。GPS模块用的是Ublox F9P支持双频RTK能提供厘米级定位但实际飞行中我们更依赖它的PPS脉冲做时间同步。普通GPS输出的NMEA定位数据更新率是1Hz而我们的目标是让每个传感器数据点都带有毫秒级时间戳仅靠NMEA的日期时间是远远不够的。F9P的PPS精度可以到20纳秒左右足以把整个数据链路的时基对齐做得非常漂亮。辅助传感器里还加了一个霍尔式空速传感器用来判断采样口位置的气流速度。说实话这个数据不是直接用于浓度计算的但它能帮助我们事后判断某些异常浓度点是不是因为无人机悬停时自身气流回流导致的。这个思路在项目后期解释数据异常时帮了大忙。3. 软件系统与数据链路实现3.1 机载DAQ软件我们用LabVIEW做了个“无头”采集程序DAQ板卡选NI方案机载采集程序自然就用LabVIEW来写。2020年前后那会儿LABVIEW的DAQ驱动版本比较多网上找“labview daq软件驱动下载”要小心很多站点给的是老版本或者捆绑包。我们最终用的是NI-DAQmx 20.x驱动配合LabVIEW 2020稳定性和兼容性都靠谱。机载程序的设计原则是“无头运行”也就是不依赖显示器、鼠标键盘。树莓派启动后LabVIEW程序自动运行加载配置文件依次初始化串口、DAQ板卡、SD卡日志文件然后进入主循环。主循环每100毫秒执行一次做这些事读传感器串口数据、写DAQ模拟输入通道、解析GPS串口数据、检查PPS时间戳、把整合好的数据追加写入CSV文件。同时通过TCP把实时浓度和电池电压发送给数传电台。这里有一个非常关键的工程决策数据写入必须用独立线程。如果我们把数据写入和采样放在同一个循环里一旦SD卡写入速度波动劣质卡很容易出现整个采样循环就会被卡住数据就会出现时间间隙。我们改成双缓冲队列结构采集线程只管往内存队列里丢数据写入线程专门把队列里的数据落盘。实测在写入速度抖动10倍的情况下采样循环的周期波动控制在2毫秒以内。3.2 时间同步PPS授时与本地时钟漂移的处理温室气体数据如果没有可靠的时间戳后面做空间插值完全没法用。我们在时间同步上走了一条比较稳妥的路线以GPS的PPS秒脉冲作为硬同步基准本地树莓派时钟只作为辅助。具体做法是LabVIEW程序启动后持续监听PPS的上升沿。每当PPS脉冲到来程序就记录当前本地时间并判断本地时间与PPS的偏差。如果在程序中检测到偏差超过50毫秒就立即校准本地时钟基准。对于每一个数据点我们记录的是“本地时标GPS整秒时间戳”后处理时再根据PPS偏差记录做线性插值把每个数据点精确对齐到UTC时间轴。这个方案的好处是即使飞行过程中GPS信号瞬间丢失本地时标仍然能维持一个相对连续的时间轴等GPS恢复后再重新对齐。我们后面又加了一步就是把树莓派系统时间在每次起飞前通过地面站做一次NTP同步进一步降低初始时钟漂移。实际用下来30分钟飞行任务结束后本地时标与GPS时标的偏差可以控制在20毫秒以内这个精度对温室气体数据完全够用。3.3 地面站与数据可视化链路地面站软件我们分了两层。第一层是无人机飞行控制地面站用的是QGroundControl负责航线规划、飞行状态监控和紧急控制。第二层是数据监控面板用Python写了个简单Web应用通过数传电台接收机载程序实时上报的浓度、位置、电压等关键状态在浏览器里显示曲线和轨迹。选QGroundControl而非Mission Planner主要是看重它对航线任务的自定义能力。我们可以在航线里混合设置、起飞、巡航、悬停、垂直爬升等动作并且支持设置每个航点的停留时间。对温室气体采样来说悬停采样往往比连续巡航采样更准确因为无人机在悬停状态下螺旋桨气流对采样口的干扰相对稳定。从地面站收到飞行数据后后处理用的是Python的pandas和SciPy。基本流程是把CSV数据读进来清洗掉明显异常点对传感器响应时间做逆卷积补偿再把GPS坐标、高度、时间戳和浓度数据合并成标准表格最后用插值算法生成水平浓度分布图和垂直剖面图。这里有一个经验如果数据点密度不均匀直接做径向基函数插值容易产生伪峰最好先对数据做不规则网格化再用普通克里金插值。3.4 用Drone CI做机载采集程序的自动化构建项目迭代到第二个月的时候我实在受不了“改一行代码拷SD卡上机飞一遍发现问题回来再改”这个循环了。于是把机载程序的构建流程交给了自动化工具这里正好用到了一直在我们项目里跑的Drone CI。Drone CI是一套基于容器的持续集成系统配合Gitea做代码仓库Harbor做镜像仓库Docker做构建环境Nginx做统一入口一整套内网DevOps流水线就齐了。我们把机载采集程序的代码提交到Gitea之后Drone CI会自动拉取代码在一个独立的Docker容器里完成编译、单元测试、打包然后生成新的采集程序镜像推送到Harbor。地面站需要部署到机载树莓派的时候只需要从Harbor拉取镜像一行命令就能更新设备再也不用担心拷错了版本。这套工具链搭建的时候最折腾的是Nginx反向代理的配置Gitea、Harbor、Drone Server三个服务都要走域名加端口的方式好在网上这类实践案例如今已经很多了照着改改配置就行。Drone CI跑起来后机载程序的迭代速度明显加快每次改完代码从提交到拿到可部署镜像大约只需要两分钟。从长期看这个投资回报率很高即使是个小型科研项目也值得搭。4. 实操过程与关键环节实现4.1 硬件组装要点减震、热管理与电气布局硬件组装不能照搬桌面试验台的思路无人机上的振动、温度变化和电磁干扰都会让你“桌面上好好的上天就翻车”。减震方面传感器载荷整体放在一块碳纤维板上碳纤维板和机架之间加四颗硅胶减震球。减震球的固有频率选在15Hz左右而多旋翼在悬停时的振动主要集中在80到150Hz这样可以把高频振动有效隔离。但实际上我踩过最大的坑是减震球太软低频晃动反而被放大导致激光模块的光路抖动CH4数据出现毛刺。后面换了更硬的减震球再用扎带固定住线缆数据就干净了。热管理方面TDLAS激光模块对温度很敏感它的内部虽然有功控但外壳散热仍然要保证。我们把TDLAS模块直接贴在碳纤维板的金属辅助散热片上并在软件里监控它的内部温度。有一次试飞环境温度接近40℃模块温度飙到60℃幸好提前设了报警阈值否则数据早就失真了。电气布局方面所有传感器的电源线、信号线、串口线必须分开走信号线和电源线绝对不能绑在一起。我们第一次装的时候图省事把信号线跟着电源线绑在一根线束里结果CH4数据上叠加了一个规律的100Hz正弦干扰后来重新理线、套上屏蔽磁环才把干扰压到可接受范围。4.2 采样气路设计远离螺旋桨是铁律这是整个项目里最容易被忽略、却最能决定数据质量的地方。多旋翼无人机的螺旋桨会强烈扰动周围空气桨下洗气流会把上一秒刚经过的废气重新搅进采样口导致读数出现假高浓度。我们后来的方案是把采样口安装在无人机机臂外侧的前下方通过一根3mm内径的特氟龙管将气体导流到机身内部的传感器舱。采样口到传感器舱的气路长度约40cm气体在管内停留时间约0.3秒这个延迟在后处理的时候可以通过时间戳补偿掉。采样口前面还加了一个小型尼龙滤芯防止颗粒物和水滴进入传感器腔。第一次试飞后我们打开滤芯发现上面附着了一层薄薄的灰如果没有这层滤芯那些颗粒物会直接影响红外传感器的光路反射导致基线漂移。滤芯需要定期更换我一般每五次飞行检查一次如果滤芯颜色明显变深就直接换。还有一个细节采样泵的流量要稳定。我们在气路里用的是微型隔膜泵流量约0.5L/min匹配传感器厂商要求的采样流量范围。如果流量太高会在传感器腔内形成湍流影响响应稳定流量太低则会导致响应时间变长。所以要选择能稳压的微型泵并且每次起飞前用转子流量计校验一次。4.3 校准流程不校准就飞等于白飞温室气体传感器特别是NDIR传感器长期使用后会有基线漂移。所以每次飞行任务前我们都会做一次快速校准飞行结束回来再做一次校准检查两次校准数据用来判断这次飞行数据是否需要做漂移校正。快速校准用两瓶标准气体一瓶是高纯氮气零点一瓶是2000ppm的CO2标准气量程点。流程是把标准气通过三通阀接入采样口先通氮气5分钟记录零点读数再通标准气5分钟记录量程点读数然后由软件自动计算两点校准曲线的斜率和截距更新到采集程序的参数文件里。CH4的TDLAS模块校准更讲究一点我们用的是1.8ppm的甲烷标准气接近环境背景浓度和空气零点。CH4量程上限虽然能达到1000ppm但环境监测真正关心的区间是1到50ppm所以在低浓度段做线性校准更实用。校准完成后一定要用21.8ppm和2.8ppm的第三瓶气体做验证确认校准后的误差在可接受范围内否则要排查气路泄漏和传感器本身问题。第一次做校准检查的时候出现了一个大笑话地面校准通过后飞机起飞半个小时后回来的数据显示全程浓度全都偏高30ppm。排查了半天才发现是校准接口的阀门没有完全复位漏了一点点标准气进去机内传感器在飞行途中一直被微量的高浓度气源污染。从那以后我们把“校准完成后必须检查三通阀复位”直接列入了起飞前检查单。4.4 典型飞行任务实录一次完整的垂直剖面采样我们接了一个测试任务需要测一个垃圾填埋场周边的甲烷浓度分布重点看填埋区下风向的垂直剖面。整个飞行任务我记录一下现场情况方便你们直接参考。起飞前我先在地面做了30分钟预热让传感器达到热稳定。然后用氮气和甲烷标准气各校准了5分钟确认读数稳定。航线规划上我设置了一条三段式任务先从地面垂直爬升到120米然后按照S形路线水平巡航覆盖整个下风向区域最后在几个关键点位分别做10秒悬停采样再垂直下降到30米重复一次。飞行过程中机载程序实时上报的数据在地面Web面板上显示CH4浓度在水平巡航时出现了三个明显的尖峰最高达到38ppm而环境本底只有2.5ppm左右。当时第一反应是传感器出问题了但在现场同时用一台手持式测试仪在空中管线附近测量确认确实存在几个局部热点。降落之后我把CSV文件导出来用Python做了时间戳对齐和响应补偿再把GPS轨迹与浓度叠加生成了填埋场的甲烷浓度二维分布图。图上很清楚地看到热点集中在填埋作业区东南角顺着风向形成了一个细长的羽流带而且羽流带在120米高度仍然存在垂直方向上并没有因为重力作用快速沉积。这个结果说明填埋场气体收集管道在那个角落存在泄漏后来现场排查果然找到了一个破损的接口。4.5 数据处理流程从原始CSV到浓度分布图数据后处理流程我建议固定成一套标准脚本而不是每次临时写代码。我们的处理流程大致是第一步读取CSV原始数据按时间戳排序删除明显越界的坏点。比如CH4浓度超过传感器量程上限的值或者GPS解析失败导致坐标为0的记录。第二步对传感器响应时间做补偿。对T90为20秒的CO2传感器和T90为8秒的CH4传感器分别用一阶逆滤波算法处理这一步能明显恢复浓度变化的峰值细节。第三步把传感器数据和GPS、气压高度、温湿度数据按最近时间戳合并每条数据记录统一格式。第四步根据每次飞行任务前和任务后的校准数据做两点线性漂移校正。这步虽然会引入少量额外不确定性但能有效消除传感器随时间缓慢漂移给长任务带来的系统误差。第五步生成输出文件和可视化图表。输出文件用NetCDF格式保存因为后续如果用更专业的模式或绘图库NetCDF的兼容性比CSV好很多。可视化方面水平分布用等值线叠加到无人机航拍底图上垂直剖面用高度轴和水平距离轴插值成色斑图。这里我强烈建议新手从第一步开始就保留原始数据文件不要直接覆盖。因为每一次处理的参数调整都可能改变结果保留原始数据可以让你随时重跑整个流程而不是对着被污染以后的数据干瞪眼。5. 常见问题与排查技巧实录5.1 传感器读数和地面仪器的差异很大这个问题出现过不止一次。同一个位置无人机传感器读数和一个手持高精度仪器的读数差了三十多个ppm如果是环境大气浓度测量这就属于严重偏差。排查下来原因往往出在“采样气路响应时间不一致”或者“采样高度不一致”而不是传感器本身坏了。无人机在空中的采样高度是几十米到上百米气体浓度和地面处的浓度随高度变化很正常的。如果拿无人机数据直接和地面固定站做对比必须先考虑高度差。此外传感器响应时间滞后会让无人机在快速穿过浓度梯度时测到的是一个“平滑后的浓度”和手持设备的瞬时读数自然对不上。处理办法就是我前面说的响应补偿算法或者干脆让无人机在对比点上多悬停一会儿等传感器读数稳定后再记录。5.2 DAQ丢点、数据间断大概率是电力问题有一个典型问题飞行任务飞到一半CSV文件里突然出现一段几十秒的数据空白。一开始怀疑是SD卡满了检查发现卡还有1GB空间。后来又怀疑是树莓派程序崩溃看日志也没有异常。最后用排除法发现是无人机油门加大时整个电源电压瞬间跌落USB供电瞬间低于DAQ板卡的最低工作电压DAQ自动掉线程序没来得及报错。这个问题最有效的解决方案是给树莓派和DAQ增加一路独立的电源模块用一个低压差稳压器把电池电压稳到5V再供电同时在DAQ板卡的USB输入端并联一个1000μF的电容器吸收瞬间供电跌落。加了这组措施之后连续几次飞行都再没出现过丢点问题。使用USB供电的采集设备时优先检查电流余量USB口供电能力不足是很多DAQ间歇性故障的根源。5.3 螺旋桨电磁干扰让传感器噪声变大CH4模块是高灵敏度的光学设备机载环境下电磁干扰严重时数据上会出现规律的毛刺。我排查时的经验是先把无人机停在空旷场地原地推油门测试观察数据噪声是否随着电机转速变化而变化这能快速判断干扰源是不是电机和电调。处理办法是三个方向同时下手第一把传感器远离电调和电机尽量拉开物理距离第二在电源线上加磁环和滤波电容第三在信号线上套屏蔽层并单端接地。我们做完这三步后噪声峰值从原来的±2.5ppm降到了±0.4ppm以内。如果电磁干扰问题依然严重还可以考虑把传感器模块用铝箔屏蔽罩单独包起来但要注意铝箔不能接触传感器散热面否则会引起温度累积。5.4 时间戳错乱数据没法对齐这个问题出现在有几次飞行时GPS信号在遮挡区域短暂丢失PPS脉冲暂停了几秒。结果我们的本地时钟算法把GPS中断期间的时间轴当成了连续时间推下去等GPS恢复后本地时间和GPS时间之间出现了明显的偏移一段数据的时间戳全部错位。解决办法是在程序里增加一个逻辑如果连续两秒没有检测到PPS脉冲就暂停数据记录在日志里标注“GPS TIME LOST”并等待PPS恢复后再继续记录。虽然这会带来数据的短暂断档但总比全段数据时间戳错乱、整趟任务报废要好。我宁愿要一段有明确断档的数据也不想要一段“看起来连续但对不齐”的数据。5.5 续航比预想短载重和风耗超过理论值很多人在最开始按无人机标称的最大续航时间算任务窗口结果实际飞行时续航缩短了将近三分之一。原因很简单满载传感器载荷、加上有风的天气、再加上频繁的垂直爬升和悬停这些额外功耗在标称续航测试中都不会体现。我们的实测经验是在电量下降到30%前就必须强制返航实际可用任务时间大约只有理论续航的60%左右。因此航线规划时我会做时间预算每个任务点的悬停采样时间控制在15秒以内水平巡航速度设置在7m/s附近避免频繁剧烈加减速。如果任务范围实在太大就拆成多个架次而不是硬塞进一次飞行。数据断在一个位置可以通过不同架次重叠采样区域来拼起来这不影响最终结果。5.6 无人机自身排放污染采样数据这个问题最隐蔽也最危险。我们最开始用的是汽油发电机充电和附近车辆的尾气来判断吗不实际是降落前无人机在低空悬停时螺旋桨把地面的扬尘和车辆尾气卷起来采样口吸入了污染的空气导致降落阶段的数据出现了一个虚假的浓度尖峰。为了避免这种情况我们在任务设计里明确规定降落阶段的数据一律标记为“takeoff/landing”状态在后处理中直接剔除。同时在垂直剖面任务中整个起降区域要设置在污染源的上风向防止无人机自身的下沉气流把地面污染物卷到采样高度。如果你发现数据在每一个架次起降瞬间都有固定的尖峰基本可以判定是这类污染直接剔除即可。6. 写在后面的一点体会回头看看这个项目最深的体会是数据质量从来不是靠某一个高端传感器实现的而是靠整个系统每个环节的严谨对接。很多看起来不起眼的细节比如采样泵的流量、USB线缆的固定方式、三通阀复位检查、减震球软硬度最后都实实在在体现在了数据质量上。你可能花了很多钱买传感器但如果气路设计不合理或者时间同步没做对那些钱基本就白花了。如果以后再做类似系统我会把更多精力放在自动化上。比如把校准流程做成全自动无人机降落后自动插上标气进行校准检查又比如把后处理脚本做成一个完整的Web服务地面人员不需要懂Python就能直接生成报告。再往上走一步还可以结合羽流扩散模型在飞行过程中实时识别高浓度点并自动引导无人机飞向热点实现一种“追踪污染羽流”的自主巡检模式。这些方向并不遥远当前的硬件基础也足够支撑真正限制我们的往往是想不想多往前推一步的问题。