基于深度学习的多旋翼无人机执行器故障检测与隔离方案研究

作者及机构
本研究由韩国釜山国立大学（Pusan National University）航空航天工程系的Yisak Debele、Ha-Young Shi、Assefinew Wondosen和Beom-Soo Kang教授团队，以及先进成形创新技术工程研究中心的Tae-Wan Ku共同完成。研究成果发表于2023年7月的开源期刊《Drones》（卷7，第437期），主题为“Deep Learning-Based Robust Actuator Fault Detection and Isolation Scheme for Highly Redundant Multirotor UAVs”。

学术背景

研究领域与动机
多旋翼无人机（Multirotor UAVs）因其灵活性和冗余设计广泛应用于物流、监测等领域，但执行器（如电机、螺旋桨）故障可能导致系统失控。传统故障检测方法（如残差分析、信号处理）在高度冗余系统中面临复杂度高、误报率高等挑战。本研究提出一种基于长短期记忆网络（LSTM）的级联深度学习模型，旨在实现高精度、实时的故障检测与隔离（Fault Detection and Isolation, FDI），提升系统可靠性。

理论基础
1. 系统动力学建模：通过六自由度刚体模型描述无人机运动，推导推力与力矩方程（公式1-8），分析执行器故障对姿态残差（φᵣ, θᵣ）的影响。
2. 区域划分技术：根据故障导致的姿态残差符号模式，将16旋翼无人机划分为4个区域（表1），同一区域内故障产生相似的残差特征，简化故障定位。

研究流程与方法

1. 数据采集与预处理
- 实验平台：使用Hexadecarotor无人机原型（图10）和Gazebo仿真模型，采集正常与故障状态下的姿态数据（滚转、俯仰、偏航角及角速率）。
- 故障注入：通过GUI工具模拟16个执行器的完全故障（图11），覆盖8种飞行场景，采样频率50 Hz。
- 数据增强：添加随机噪声模拟风扰，生成21,000个样本（含2,100个无故障样本），采用滑动窗口（窗口长度130-150时间步）分割时序数据（图12）。

2. 模型架构设计
- 级联深度学习框架（图8-9）：
- 区域分类模型（RCM）：输入为滚转/俯仰残差及其速率（4特征×130时间步），输出5类（无故障+4区域）。
- 故障定位模型（FLM）：输入扩展至6特征（增加偏航残差）和150时间步，输出4类（对应区域内4个执行器）。
- LSTM网络优化：采用Adam优化器、交叉熵损失函数，隐藏层130-150个LSTM单元，Softmax输出概率分布（公式24-26）。

3. 训练与验证
- RCM训练：10,100样本（70%训练集），100轮次，学习率0.01，最终测试准确率98.97%（表4），混淆矩阵显示区域分类误差%（图14）。
- FLM训练：每区域2,400样本，学习率0.0154，区域4模型准确率最高（99.107%），区域1最低（94.166%），差异源于数据分布特性（图15-16）。

主要结果与逻辑链条

1. 故障检测性能：RCM对无故障状态的识别准确率达100%，区域分类平均准确率98.97%，证明残差符号模式可有效区分故障区域。
   
2. 故障定位能力：FLM在区域4的定位精度超99%，表明偏航残差对特定执行器故障的敏感性（如电机16故障产生独特偏航扰动）。
   
3. 实时性验证：模型集成至飞控系统后，仿真与实飞测试中平均检测延迟<0.4秒，满足实时性需求。
   

结果与结论的关联
- 高精度分类结果验证了区域划分的合理性（表1），而FLM的差异性能揭示了数据质量对模型泛化能力的影响。
- 级联设计降低了计算复杂度，通过RCM初步筛选后仅激活对应FLM，优化资源分配（图7）。

研究价值与创新点

科学价值
1. 方法创新：首次将LSTM与区域划分结合，解决冗余系统故障定位难题。
2. 理论贡献：通过AMS（Attainable Moment Set）分析（图3），量化了故障位置对控制能力的影响，为冗余设计提供理论依据。

应用价值
- 可集成至无人机故障容错系统（AFTS），支持应急着陆或任务续行，提升商用无人机安全性。

亮点
1. 高精度与实时性：RCM和FLM综合准确率>98%，延迟低于传统方法。
2. 通用性：方法可扩展至其他多旋翼构型（如Hexarotor、Octarotor）。

其他重要内容

• 开源数据与代码：研究数据与模型参数通过MDPI开放获取，便于复现。
  
• 局限性：未考虑部分效能损失故障（如电机功率下降），未来拟结合强化学习优化故障管理（FM）模块。
  

（报告字数：约1,800字）