论文题目Intelligent UAV health monitoring: Detecting propeller and structural faults with MEMS-based vibration智能无人机健康监测基于 MEMS 振动信号检测螺旋桨与结构故障期刊Engineering Science and Technology, an International Journal摘要近年来随着无人机的日益普及在机械故障检测和安全方面的研究成果层出不穷。然而这些研究中的大多数都没有充分考虑真实的环境条件以及无人机在空中和地面不同速度水平下的行为。此外这些研究大多仅限于螺旋桨损伤。及早发现无人机系统中的机械故障包括螺旋桨损坏、旋翼螺丝松动和无人机载臂螺丝松动对系统安全和作战效率至关重要。在这项研究中提出了两种经济高效的基于微型机电系统(MEMS)的模型以在真实环境条件下和不同转子转速下有效地检测螺旋桨损伤以及旋翼和载臂螺杆松动。这些模型旨在根据多旋翼无人机的振动数据在飞行前和飞行过程中进行故障检测。为此利用快速傅立叶变换(FFT)对振动信号进行了分析以识别无故障和故障条件下的工作频率区域。此外还检查并比较了不同转速下信号显著频带内的8个不同的幅频特征。在故障检测方面对支持向量机、K近邻、决策树和神经网络等算法的性能进行了评估。该模型对螺旋桨损伤严重程度的检测准确率最高可达99.40%。此外研究还调查了螺旋桨旋翼和无人机载重臂螺丝的松动情况结果表明结合螺旋桨故障可以检测到其他机械松动问题最高准确率为95.86%突出了所提出方法的优越性能。一、研究背景无人机的机械故障为什么难以提前发现无人机依靠多个高速旋转的电机和螺旋桨产生升力。只要其中一个旋翼系统发生轻微机械异常就可能引起推力不平衡、功耗增加、机架共振和姿态扰动。螺旋桨损伤会导致质量分布不均衡和局部推力下降转子固定螺丝松动可能使螺旋桨或转子组件在飞行中脱落承载臂连接松动则会改变机架的整体刚度和振动传播路径。长期振动还可能造成机臂变形、焊点损伤、电子元件退化和其他连接件进一步松动。然而真实飞行中的振动并不只由故障引起。即使无人机完全正常随着油门和转速升高振动幅值也会自然增加户外风速、飞行动作和姿态控制同样会改变传感器信号。因此简单地把“振动变大”视为“无人机发生故障”很容易产生误报。这篇论文希望解决的核心问题可以概括为如何在真实户外环境和不同转速下识别机械故障如何将检测范围从螺旋桨损伤扩展到转子和承载臂连接松动如何区分正常的转速变化与真正的机械异常如何减少特征数量和算法复杂度使模型有机会部署到低成本微控制器上如何让同一套方法同时服务于起飞前低速自检和飞行中健康监测。二、现有研究的不足论文将已有无人机故障检测工作的局限总结为以下几个方面。2.1 多数工作只研究单一故障现有振动检测研究主要围绕螺旋桨损伤、单个电机失效或推力完全丧失展开。针对转子安装螺丝和承载臂连接件松动的研究相对较少更缺少在同一个分类系统中同时识别多种机械故障的方案。2.2 实验条件过于理想化不少研究在实验室、试验台或者固定悬停状态下采集数据转速和环境条件较稳定。真实无人机却会经历地面低速旋转、起飞、悬停、加速和空中运动外界风速也会持续变化。固定条件下训练的模型不一定能适应真实飞行中的频率漂移和幅值变化。2.3 只分析振动幅度容易误判峰值幅度和均方根可以反映振动能量但它们也会随转速自然升高。若模型只依赖幅值正常加速可能被错误识别为故障。因此幅值特征必须与主导频率、频谱能量分布和过零特征联合使用。2.4 高精度方法通常计算量较大已有研究使用小波变换、LSTM、深度神经网络或大量频率特征获得了较高准确率。例如论文回顾的一项工作使用 14 个特征和决策树得到 93.37% 的准确率使用 64 个频率特征和 SVM 后提升到 98.21%。但大量特征会增加计算和存储开销不利于在低算力无人机硬件上运行。本文因此重点研究能否将输入压缩到少量关键特征同时维持较高识别性能。三、论文的整体思路论文提出了两套基于 MEMS 振动信号的分类模型。模型一螺旋桨损伤检测该模型主要使用神经网络完成两种任务二分类正常 / 存在螺旋桨损伤四分类正常 / 轻度损伤 / 中度损伤 / 重度损伤。模型二多类机械故障检测该模型主要使用决策树区分Class 0正常Class 1螺旋桨损伤Class 2转子连接松动Class 3承载臂连接松动。完整处理流程为MEMS 传感器采集振动信号去除直流偏置将信号归一化按 1 秒划分样本对信号执行 FFT提取幅值域和频率域特征根据统计相关性筛选特征使用 NN、DT、KNN 或 SVM 进行分类输出故障类型或螺旋桨损伤等级。四、实验平台与传感器布置实验使用一架配备 DJI A2 飞控系统的四旋翼无人机。无人机总质量约为 6 kg包含螺旋桨后的总宽度约为 1.5 m。主要硬件包括电机T-Motor MN3520 KV400电调T-Motor T60电池JETFIRE 6S、7000 mAh、40C LiPo螺旋桨16 英寸碳纤维桨电机附近传感器ADXL335 加速度计机体中心传感器MPU6050 陀螺仪转速测量UNI-T 非接触式转速计测量不确定度为。【论文 Figure 1无人机实验平台、两套数据记录器、转速计、ADXL335 加速度计和 MPU6050 陀螺仪的实物安装情况】两套数据记录系统分别为基于 Atmel SAM3X8E 的 32 位 ARM Cortex-M3 系统搭配 12 位 ADC直接读取 ADXL335 模拟输出基于 ATmega328P 的 8 位微控制器系统搭配 10 位 ADC通过 I²C 连接 MPU6050。两套设备通过共享控制按钮进行人工同步数据实时写入 32 GB microSD 卡。【论文 Table 1ADXL335 与 MPU6050 的工作电压、灵敏度、带宽和量程参数】4.1 为什么使用两个不同位置的传感器ADXL335 被安装在电机和机臂末端附近主要读取和方向的线性加速度。对螺旋桨不平衡引起的横向振动较敏感对转子松动和机臂连接松动造成的上下振动较敏感。MPU6050 被安装在无人机中心主要读取和方向的角速度。该位置更接近飞控系统中常见 IMU 的安装方式也更适合验证“只使用一个中心传感器进行低成本健康监测”的可行性。【论文 Figure 2ADXL335 与 MPU6050 在无人机上的安装位置以及、、、与机体运动方向的关系】五、为什么电机端故障可以被机体中心的陀螺仪检测到论文使用 Newton–Euler 模型解释振动传播。四个旋翼产生的总推力以及滚转、俯仰和偏航方向的控制量可写为其中为四个旋翼产生的推力为对应电机的反扭矩L 为电机到无人机中心的距离为总升力、和分别对应滚转、俯仰和偏航方向的作用量。当螺旋桨损伤或转子松动后某个旋翼的推力和振动力矩不再稳定。这些扰动会沿机臂传到无人机中心并反映在滚转和俯仰方向的角速度中。因此中心位置的 MPU6050 仍然能够观测到机械异常。【论文 Figure 3四旋翼无人机的惯性坐标系、机体坐标系、旋翼转向、推力和力矩变量】六、故障类型与数据采集6.1 四种机械状态论文构造了四种基本状态。正常状态所有螺旋桨、转子连接和承载臂连接均完好并紧固螺旋桨损伤在同一个旋翼位置依次安装轻度、中度和重度损伤的桨叶转子连接松动只将一个转子的固定螺丝部分松开承载臂连接松动螺旋桨和转子正常但机臂与中心机架之间的连接部分松动。转子和承载臂松动实验中连接件被松开至形成约的物理间隙。【论文 Figure 4承载臂连接松动、转子固定螺丝松动以及正常、轻度、中度和重度螺旋桨的实物示例】6.2 数据规模论文使用 1 秒信号作为一个样本。用于多故障四分类的数据共采集 724 秒即 724 个样本。其类别为正常、螺旋桨损伤、转子松动和承载臂松动。此外作者单独采集了 1166 秒螺旋桨数据用于四级损伤程度分类。四个类别分别为无损伤轻度损伤中度损伤重度损伤。6.3 真实环境与不同油门实验在户外开放区域进行最大飞行高度为 10 m数据来自不同日期和不同时间段。论文记录的环境风速范围为。油门范围为 10%75%低于 50%无人机仍在地面50%无人机悬停高于 50%无人机在空中运动。通过转速计测得10% 油门23002500 RPM对应 38.341.6 Hz20% 油门36003900 RPM对应 6065 Hz30% 油门70007500 RPM对应 117125 Hz50% 油门900010000 RPM对应 150166 Hz75% 油门1100012000 RPM对应 183200 Hz。这一实验设计使模型必须面对正常的转速变化而不是只在一个固定频率下识别故障。七、信号预处理ADXL335 的采样频率为它主要用于观察较完整的振动频谱。考虑低成本处理器的计算能力论文重点分析并进一步将分类重点放在以下的低频区域。MPU6050 陀螺仪的采样频率为全部分析在 MATLAB R2024a 中完成。7.1 去除直流偏置设原始信号为 Y(k)共有 N 个采样点。去均值后的信号为这一步使振动信号围绕零值分布避免直流偏置影响峰值幅度、RMS 和过零次数等特征。7.2 归一化信号被归一化到 [-1,1]归一化可以降低不同样本幅值尺度差异对分类器的影响。【论文 Figure 5正常状态下ADXL335 的 Ax 时域信号与 MPU6050 的 Gx 时域信号在不同转速下的变化】Figure 5 给出了一个重要现象即使无人机没有发生故障振动幅度也会随转速升高而增大。这说明 PA 和 RMS 虽然有效但不能单独作为故障判断依据。八、FFT 频谱分析连续傅里叶变换可写为传感器信号经过数字采样后使用离散傅里叶变换其中x(n) 为第 n 个时域采样点X(k) 为第 k 个频率分量N 为单个信号片段的采样点数。论文使用 FFT 加速 DFT 计算从频谱中观察正常状态与不同故障状态的主峰位置、幅值变化、频率偏移和谐波成分。九、八个幅频特征论文共提取 8 个特征Dominant FrequencyDF主导频率Peak AmplitudePA峰值幅度Root Mean SquareRMS均方根Harmonic DistortionHD谐波失真Spectral KurtosisSK频谱峭度Spectral CentroidSC频谱质心VarianceV方差Zero CrossingZC过零次数。9.1 均方根 RMSRMS 反映信号整体能量。机械不平衡或松动通常会提高振动能量但转速升高也会提高 RMS因此不能只依赖这一项。9.2 方差 V由于信号已经去除均值论文使用方差描述振动样本相对零均值的离散程度。9.3 过零次数 ZC论文通过相邻采样点符号变化统计信号的振荡行为ZC 与信号中高低频振荡的变化有关在螺旋桨损伤和转子松动识别中具有较强作用。9.4 功率谱与主导频率 DF频谱的功率表示为主导频率由功率最大位置获得DF 表示信号中最突出的振动频率。机械故障可能导致主峰偏移也可能在低频或谐波位置引入新的频率成分。9.5 频谱质心 SCSC 可以理解为频谱能量的“重心”。SC 增大说明能量更多地集中到高频SC 减小说明能量向低频区域移动。十、特征筛选为什么最后只留下 DF、PA 和 ZC论文使用线性回归分析特征与故障标签之间的关系其中Xn 为某一幅频特征Yn 为故障类别输出描述特征变化与分类标签之间的线性关系表示在 95% 置信水平下具有统计显著性。【论文 Table 2八个特征分别与螺旋桨损伤、转子连接松动和承载臂连接松动之间的回归系数与 p 值】从统计结果可以看出DF 和 PA 对三类故障均具有显著性ZC 对螺旋桨损伤和承载臂松动尤其有效。综合识别能力与计算成本作者最终重点选择 DF、PA 和 ZC 三个特征。十一、模型一神经网络识别螺旋桨损伤螺旋桨损伤数据共有 1166 个 1 秒样本并按照以下比例划分70% 用于训练15% 用于验证15% 用于测试。神经网络隐藏层包含 10 个神经元输出层对应四种状态0无损伤1轻度损伤2中度损伤3重度损伤。输出使用 Sigmoid 函数模型采用 Levenberg–Marquardt 算法更新权重其中 J 为误差对权重的 Jacobian 矩阵为阻尼因子I 为单位矩阵为误差向量。训练目标是最小化均方误差【论文 Figure 6基于 MEMS 信号、预处理、FFT、DF/PA/ZC 特征和神经网络的螺旋桨损伤检测流程】十二、模型二决策树识别多类机械故障第二个模型使用 724 个样本输出四类状态正常螺旋桨损伤转子连接松动承载臂连接松动。在该任务中轻度、中度和重度螺旋桨损伤被合并为一个“螺旋桨损伤”类别。论文比较了决策树、KNN 和 SVM。为降低决策树的过拟合风险作者采用5 折交叉验证Bagging即 Bootstrap Aggregation。决策树具有计算量低、预测速度快的特点因此更适合嵌入式和实时监测场景。【论文 Figure 7数据采集、预处理、1 秒分段、DF/PA/ZC 特征提取、决策树训练和四类故障输出流程】十三、频谱结果分析13.1 电机附近 ADXL335 的频谱在 Ax 方向、70007500 RPM 条件下旋转基频约为 117125 Hz。正常与故障状态在这一工作频率附近均存在峰值但故障状态的工作频率出现向低频方向偏移的现象。在更宽的频率范围内约 360 Hz 处出现明显峰值该位置接近 120 Hz 基频的三倍频。螺旋桨损伤通常具有更高的幅值因此最容易从频谱中观察。在 Az 方向、900010000 RPM 条件下旋转基频约为 150166 Hz约 450500 Hz 区域出现对应的三倍频成分。Az 对垂向振动更敏感因此螺旋桨损伤和转子连接松动的幅值变化更加突出。承载臂松动在低频区域不够明显但在 450500 Hz 的高频区域更容易观察。【论文 Figure 8ADXL335 的 Ax 和 Az 信号在正常、螺旋桨损伤、转子松动和承载臂松动状态下的低频及宽频频谱】13.2 机体中心 MPU6050 的频谱论文随后分析了中心 MPU6050 的 Gx 信号。不同油门下的主要峰值区域为30% 油门、70007500 RPM5060 Hz50% 油门、900010000 RPM7080 Hz75% 油门、1100012000 RPM90100 Hz。随着 RPM 增大各状态的振动幅值均会上升但故障状态的幅值普遍高于正常状态其中螺旋桨损伤的差异最显著。在 75% 油门下1020 Hz 区域还出现额外低频振动。由于 1100012000 RPM 下转子螺丝松动可能导致部件脱落论文没有在这一速度下进行转子松动测试承载臂松动仍然可以在该低频区域被观察到。【论文 Figure 9中心传感器 Gx 信号在 70007500、900010000 和 1100012000 RPM 下的频谱变化】图注注意论文正文明确将 Figure 9 解释为 MPU6050 的 Gx 频谱但原始图注写成了 ADXL335 Sensor正文与图注之间存在命名不一致。十四、关键特征随转速和故障的变化14.1 螺旋桨损伤论文比较了不同损伤程度下 DF、PA、ZC 和 SC 的动态变化。在 70007500 RPM 时Gx 方向的 DF 和 ZC 下降而 Gy 方向的变化不完全一致。随着转速进一步升高两个方向上的 DF 整体增加重度损伤下的变化最稳定。PA 的规律最清晰无论是否损伤PA 都会随转速增大在相同转速下损伤越严重PA 通常越高。SC 在两个方向上有上升趋势但只有重度损伤表现出较稳定的一致性。【论文 Figure 10正常、轻度、中度和重度螺旋桨在不同转速下对 DF、PA、ZC 和 SC 的影响】14.2 转子和承载臂松动在低转速下转子松动会使 DF 和 ZC 增加在较高转速下二者反而倾向于下降。PA 在松动状态下整体增加SC 略有下降但变化不显著。对于承载臂松动DF、ZC 和 SC 在 Gx 与 Gy 上没有形成稳定的单调趋势但 PA 显示出较清楚的增加。因此单个特征难以覆盖所有故障和转速而 DF、PA 与 ZC 的联合使用更可靠。【论文 Figure 11转子连接松动和承载臂连接松动在不同转速下对 DF、PA、ZC 和 SC 的影响】十五、螺旋桨损伤分类结果【论文 Table 3NN、DT、KNN 和 SVM 在不同传感器轴、不同特征数量以及二分类和四分类任务中的准确率】15.1 正常/损伤二分类使用靠近电机的 ADXL335 Ax、Az 信号并使用 DF、PA、ZC 三个特征时神经网络的最高准确率为99.40%.对于位于机体中心的 MPU6050 Gx、Gy 信号使用 DF、PA、ZC、SC 四个特征时NN 二分类准确率为 98.50%使用 DF、PA、ZC 三个特征时NN 二分类准确率为 96.94%。15.2 四级损伤分类使用中心 MPU6050 的 Gx、Gy 信号8 个特征时NN 四分类准确率为 92.40%DF、PA、ZC 三个特征时NN 四分类准确率为 92.45%。特征从 8 个减少到 3 个后准确率没有下降反而增加了 0.05 个百分点。这说明部分特征对分类没有提供额外帮助甚至可能带入噪声。【论文 Figure 12(a)神经网络对正常、轻度、中度和重度螺旋桨状态进行分类的混淆矩阵】四分类混淆矩阵包含 1166 个样本正常520 个样本491 个正确轻度损伤110 个样本100 个正确中度损伤200 个样本182 个正确重度损伤336 个样本305 个正确。正确分类总数为4911001823051078.【论文 Figure 12(b)神经网络四级螺旋桨损伤分类的 ROC 曲线AUC 约为 0.98】15.3 关于“99.40%”的结果口径论文摘要和结论部分将 99.40% 描述为螺旋桨故障检测的最高结果部分文字还将其与单个中心陀螺仪模型联系在一起。但按照 Table 3 的脚注99.40% 对应的是ADXL335 的 Ax、$Az 轴正常/损伤二分类DF、PA、ZC 三个特征。而中心 MPU6050 的四级损伤分类结果为 92.45%。因此阅读和引用时建议使用以下更明确的说法本文螺旋桨正常/损伤二分类的总体最高准确率为 99.40%使用机体中心 MPU6050 进行四级损伤程度分类时准确率为 92.45%。十六、多类机械故障检测结果【论文 Table 4决策树、KNN 和 SVM 使用 8、6、4、3 个特征时的多故障分类准确率、Precision 和 F1-score】16.1 不同分类器的准确率决策树的结果为8 个特征95.72%6 个特征95.17%4 个特征95.31%3 个特征95.86%。KNN 的结果为8 个特征93.16%6 个特征91.99%4 个特征91.03%3 个特征94.79%。SVM 的结果为8 个特征89.23%6 个特征90.19%4 个特征90.47%3 个特征91.83%。三种算法在只使用 DF、PA 和 ZC 时都取得了各自的最高或接近最高结果。决策树以 95.86% 的准确率表现最佳。16.2 三特征决策树的分类指标三特征决策树对四个类别的 Precision 分别为正常92.97%螺旋桨损伤97.67%转子连接松动94.44%承载臂连接松动94.83%。对应 F1-score 分别为正常94.25%螺旋桨损伤98.31%转子连接松动94.44%承载臂连接松动90.91%。【论文 Figure 12(c)三特征决策树对正常、螺旋桨损伤、转子松动和承载臂松动进行分类的混淆矩阵】混淆矩阵显示螺旋桨损伤类别共有 382 个样本其中 378 个被正确分类错误率很低。全部四类的结果为正常180 个样本172 个正确螺旋桨损伤382 个样本378 个正确转子连接松动36 个样本34 个正确承载臂连接松动126 个样本110 个正确。正确分类总数为17237834110694.【论文 Figure 12(d)三特征决策树四类机械状态识别的 ROC 曲线AUC 约为 0.99】承载臂松动是相对较难识别的类别其 F1-score 为 90.91%螺旋桨损伤的 F1-score 最高为 98.31%。十七、论文的主要创新点17.1 从单一螺旋桨检测扩展到结构健康监测论文不仅检测螺旋桨损伤还将转子连接松动和承载臂连接松动纳入同一个四分类框架扩大了无人机机械健康监测的覆盖范围。17.2 使用真实环境和多转速数据数据来自户外环境、不同日期、不同时间段和 130 km/h 风速条件并覆盖地面运行、悬停和空中运动。与固定实验台或固定悬停研究相比更接近无人机真实使用场景。17.3 同时研究故障源附近与机体中心信号ADXL335 用于观察电机附近的局部振动MPU6050 用于验证振动传播到机体中心后是否仍可识别。中心传感器方案有利于减少额外传感器数量并与现有飞控 IMU 布局结合。17.4 建立两个不同目标的分类模型一个模型关注螺旋桨损伤程度另一个模型关注不同机械故障类型。将“严重程度识别”和“故障位置/类型识别”拆开使任务定义更清楚。17.5 用三个特征实现较高准确率论文没有盲目追求更多特征而是通过回归系数和 p 值进行筛选。最终只用 DF、PA 和 ZC就让决策树达到 95.86% 的四类故障识别准确率。17.6 同时面向起飞前和飞行中检测低于 50% 油门时无人机仍在地面模型可以作为起飞前机械自检工具50% 及以上油门的数据则支持悬停和飞行状态下的健康监测。十八、论文的局限性18.1 只验证了一种无人机平台无人机尺寸、机臂长度、电机型号、螺旋桨尺寸和结构材料都会影响共振频率和振动幅值。模型不能直接假定适用于所有无人机更换平台后需要重新采集数据和训练。18.2 松动程度的设置较单一转子和承载臂松动主要通过约 1 mm 间隙进行模拟。论文没有系统比较更多松动程度也没有给出从轻微预松到严重松动的连续退化曲线。18.3 数据类别不均衡多故障数据中螺旋桨损伤有 382 个样本转子松动只有 36 个样本。虽然转子松动仍获得 94.44% 的 F1-score但更大、更均衡的数据集能够更可靠地验证模型的泛化能力。18.4 高速转子松动数据缺失75% 油门下转速达到 1100012000 RPM。出于部件脱落风险作者没有在这一速度下测试转子螺丝松动因此该高风险工况没有被完整覆盖。18.5 尚未完成真正的机载实时部署实验数据先写入 microSD 卡再在 MATLAB R2024a 中分析。论文证明了低复杂度模型具有嵌入式部署潜力但没有报告微控制器上的实际推理时间内存和存储占用端到端检测延迟机载功耗实时告警机制。因此本文仍属于“面向实时部署的离线验证”还不是完整的在线健康监测系统。十九、未来工作作者计划在后续研究中进一步实现嵌入式实时故障诊断并引入采样率为 48 kHz 的声学信号。可能使用的方法包括小波变换经验模态分解MFCC深度学习模型。振动信号与声学信号融合后有望改善轻微故障、复杂环境和跨平台场景下的识别能力但也会增加计算复杂度。二十、总结这篇论文提出了一套面向真实环境的低成本无人机机械健康监测方法。研究通过 MEMS 加速度计和陀螺仪采集振动数据使用 FFT 分析频谱并从 8 个幅频特征中筛选出 DF、PA 和 ZC 三个关键特征。主要实验结论如下无人机正常状态下振动幅值也会随转速升高因此不能只依赖 PA 或 RMS 判断故障螺旋桨损伤、转子连接松动和承载臂连接松动会在频谱峰值、主导频率、低频成分和谐波区域留下不同特征使用电机附近 ADXL335 信号进行正常/损伤二分类最高准确率为 99.40%使用中心 MPU6050 和三个特征进行四级螺旋桨损伤分类准确率为 92.45%AUC 约为 0.98使用中心 MPU6050、DF/PA/ZC 和决策树识别四种机械状态准确率为 95.86%AUC 约为 0.99减少特征数量没有导致性能下降反而使 DT、KNN 和 SVM 的多故障分类结果均有所改善该方法兼顾起飞前低速检查和飞行中监测并具有部署到低成本微控制器平台的潜力。这项工作的核心价值并不是单纯追求最高准确率而是证明在真实转速变化和户外环境中只使用一个中心 MEMS 陀螺仪、三个低复杂度特征和轻量级分类器也能够较准确地区分螺旋桨损伤与结构连接松动。