作者及机构
本研究的作者团队来自波兰波兹南理工大学（Poznan University of Technology）电气工程学院控制与信息工程研究所，包括Adam Bondyra、Przemysław Gąsior、Stanisław Gardecki和Andrzej Kasiński。研究成果发表于2017年9月20日至22日在波兰波兹南举办的IEEE信号处理国际会议（SPA 2017），论文标题为《Fault Diagnosis and Condition Monitoring of UAV Rotor Using Signal Processing》。
研究领域与动机
随着无人机（UAV）在军事和民用领域的广泛应用，其运行安全性问题日益突出。多旋翼无人机（如四旋翼、六旋翼等）的推进系统故障可能导致推力失衡、功耗增加甚至坠机。传统故障诊断方法分为三类：基于模型的方法、专家系统和数据驱动的信号处理方法。本研究聚焦第三种方法，利用机载惯性测量单元（IMU）采集的振动信号，通过信号处理和机器学习实现旋翼物理损伤的快速检测与分类。
研究目标
1. 开发一种基于振动信号的三阶段算法，检测旋翼故障的发生、程度和类型。
2. 验证方法的实时性和通用性，使其适用于任意飞行控制器。
3. 通过实验对比不同特征提取方法（FFT、WPD、BP）的性能差异。
研究对象：实验使用Falcon V5无人机（X-8构型，8旋翼冗余设计），配备高精度10自由度IMU传感器（ADIS16488），采样频率为400 Hz。测试中采用健康旋翼和两类损伤旋翼（边缘损伤和叶尖断裂）进行对比（图5）。
数据缓冲机制：加速度信号存储于循环缓冲区，缓冲区长度（250 ms至1000 ms）作为可变参数优化检测性能。信号经汉宁窗预处理，仅保留平行于旋翼盘平面的两轴数据（垂直轴信息被忽略）。
研究测试了三种特征提取算法：
- 快速傅里叶变换（FFT）：计算单边振幅谱，生成8维特征向量。
- 小波包分解（WPD）：采用3级分解树和db3小波基，提取最低层级分量的标准差作为特征。
- 频带功率（BP）：将信号分割为8个线性间隔频带，计算各频段平均功率。
采用支持向量机（SVM）高斯核分类器，分三阶段实现：
1. 故障检测：二分类（健康/损伤）。
2. 损伤程度评估：二分类（轻度/重度）。
3. 损伤类型识别：二分类（边缘损伤/叶尖断裂）。
分类器通过70%训练集和30%测试集验证，数据集包含10次飞行实验的数千组信号样本。
测试场景：
- 不同旋翼组合（健康与损伤旋翼混合配置）。
- 多种飞行轨迹（悬停、爬升、机动飞行）。
- 不同负载与旋翼转速条件。
- 不同材质（碳纤维增强聚合物）和厂商的螺旋桨。
性能指标：
- 第一阶段：正确检测率（CD）、漏检率（MF）、误报率（FA）。
- 第二/三阶段：正确评估损伤程度（CFS）和类型（CFT）的比率。
故障检测性能（图6）：
损伤程度评估（图7）：
损伤类型识别（图8）：
科学价值
1. 提出了一种无需精确数学模型的数据驱动故障诊断框架，为无人机主动容错控制（FTC）系统提供了可靠的故障检测模块。
2. 通过实验证实FFT在多数场景下综合性能最优，但WPD在损伤类型识别中具有独特优势。
应用价值
1. 方法仅依赖现有IMU传感器，无需额外硬件，易于集成至各类飞行控制器。
2. 缓冲区长度优化（推荐≥250 ms）为实时性要求高的场景提供了设计依据。
局限性
- 因IMU位于机身中心，无法定位具体故障旋翼（仅能判断故障存在）。
- 计算复杂度需进一步优化以满足实时处理需求。
作者计划将算法部署至机载控制器，优化计算效率，并探索故障旋翼定位的可能性。