无人机螺旋桨故障检测与隔离研究数据库PADRE的构建与应用
一、作者与发表信息
本研究由波兰波兹南理工大学（Poznan University of Technology）的Radosław Puchalski、Wojciech Giernacki团队与澳大利亚悉尼科技大学（University of Technology Sydney）的Quang Ha、Huynh Anh Duy Nguyen等学者合作完成，成果发表于*Journal of Intelligent & Robotic Systems*（2024年5月在线发表）。研究开发了名为PADRE（Propeller Anomaly Data Repository）的开源数据库，专注于无人机（UAV）螺旋桨故障检测与分类的数据支持。
二、学术背景与研究目标
随着无人机在军事、农业、灾害监测等领域的广泛应用，其飞行安全性问题日益突出。螺旋桨作为多旋翼无人机的核心部件，因高速旋转和易损性成为故障高发环节。传统故障检测方法依赖大量实测数据，但现有数据库存在数据单一性（如仅针对特定机型或单一故障类型）和获取成本高（需破坏性实验或复杂模拟）的局限。
本研究旨在构建一个标准化、多场景、多传感器的螺旋桨故障数据库，解决以下问题：
1. 提供涵盖不同故障类型（如边缘缺损、弯曲变形）和组合的实测数据；
2. 支持时间域与频率域数据的直接应用，简化算法开发流程；
3. 提出新型分类器评估指标，解决非均匀参数下的性能对比难题。
三、研究流程与方法
1. 数据采集系统设计
- 硬件平台：基于STM32H743微控制器开发通用数据采集模块，集成4个三轴加速度计（±16g）、4个三轴陀螺仪（±1000-2000dps）、4个数字麦克风（48kHz采样）及气压计，总重<66g，独立供电以避免干扰无人机原有系统。
- 实验对象：
- Parrot Bebop 2：20次飞行（每次172秒），模拟2类故障（边缘缺损、尖端弯曲）的20种组合（如单桨故障、多桨混合故障）。
- 3DR Solo：9次飞行，测试1cm/2cm桨叶缺失的9种配置，包含室内外环境数据。
2. 数据预处理与存储
- 时间域数据：原始信号转换为物理单位（g/dps）并归一化至[-1,1]，以CSV和二进制格式存储，文件命名包含故障编码（如“1022”表示A桨缺损、C/D桨弯曲）。
- 频率域数据：对128-1024点窗口应用汉宁窗（Hann window）和FFT（快速傅里叶变换），提取16-188Hz特征频段以降低计算复杂度。
3. 故障分类模型开发
- 神经网络架构：测试前馈网络（50-196节点隐藏层）和卷积网络（Conv1D+Flatten层），输入为32-128样本窗口的时域或频域数据。
- 实时性优化：采用循环缓冲区（circular buffer）实现2ms内分类，满足500Hz采样率的实时需求。
4. 新型评估指标提出
- Qac（准确分类质量）：综合准确率（A）与类别数（C），公式为 ( Q{ac} = A^3 \sqrt[3]{\ln C} )，解决多类别分类的难度量化问题。
- Qact（时效分类质量）：引入处理时间（τ），公式为 ( Q{act} = A^3 / \sqrt[3]{\ln(1+\tau^2)} )，用于评估实时系统性能。
四、主要研究结果
1. 数据库性能验证
- 统计特征：加速度计数据标准差0.08-0.27g，陀螺仪数据在故障状态下呈现显著频域峰值（如136.7Hz处幅值增加30%）。
- 分类效果：
- Bebop 2数据：最佳模型（三轴加速度+频域FFT）对20类故障的准确率达96.6%（Qac=1.39）。
- Solo数据：实时分类器（16样本窗口）在9类任务中准确率98.7%（Qact=1.51）。
2. 传感器对比
- 惯性传感器：加速度计对微小缺损敏感（如1cm缺失检测率92%），陀螺仪更擅长捕捉动态失衡。
- 麦克风数据：虽可实现94.3%准确率，但1024点窗口处理延迟（30.7ms）限制其实时应用。
3. 指标应用案例
比较两类模型：
- 模型A（5类，A=0.9958，τ=281ms）：Qac=1.16
- 模型B（20类，A=0.9659，τ=35.8ms）：Qac=1.30
结果表明模型B在更高复杂度下仍保持优越性。
五、研究价值与创新点
科学价值：
1. 首个公开支持多故障组合检测的无人机数据库，填补了现有资源（如[30]仅含单桨故障数据）的空白。
2. 提出Qac/Qact指标，为异构分类器比较提供标准化框架。
应用价值：
- 开发者可直接利用PADRE训练故障诊断算法，无需耗时数据采集（GitHub开源地址：https://github.com/aerolabput/uav_measurement_data）。
- 实时分类器（如2ms延迟模型）可集成至飞控系统，实现故障自愈或紧急降落。
创新亮点：
1. 多模态数据融合：同步采集惯性、声学、气压数据，支持跨传感器分析。
2. 硬件轻量化设计：通用PCB模块适配不同机型，传感器贴近螺旋桨以提升信噪比。
3. 频域优化策略：通过汉宁窗和频段筛选（如94-188Hz）将FFT计算量降低50%。
六、未来方向
作者计划扩展数据库至六旋翼无人机，并研究气压计数据的补偿算法以提升高海拔环境下的故障检测鲁棒性。当前成果已通过视频实证（参见补充材料链接），为无人机安全研究提供了重要基础设施。