基于多辅助任务学习的无人机传感器小样本故障诊断方法研究

《Journal of Computational Design and Engineering》：Fault diagnosis of UAV sensors based on multi-auxiliary task learning with few samples

针对无人机(UAV)传感器故障数据稀缺导致诊断精度低的难题，本研究提出多辅助任务学习框架(MATL)。通过构建虚拟二分类辅助任务和自适应多通道滤波器(AMCF)，在RflyMAD真实飞行数据集上实现18.61%的平均精度提升，单样本诊断时间仅0.001162秒，为无人机安全飞行提供实时可靠的故障监测方案。

　　

当无人机在天空翱翔时，其传感器系统如同人类的感官神经，实时监测着飞行状态。然而这些精密传感器在复杂环境中极易发生故障，而故障样本的稀缺性成为制约诊断精度的核心瓶颈。传统深度学习方法需要大量标注数据支撑，但在实际无人机运维中，故障数据收集成本高昂且风险巨大，往往只能获得极少样本。这一矛盾使得无人机传感器故障诊断成为极具挑战性的小样本学习问题。

发表于《Journal of Computational Design and Engineering》的这项研究开创性地提出多辅助任务学习框架(MATL)，通过构建虚拟辅助任务和动态注意力机制，在少量样本条件下实现了故障特征的精准提取。研究人员设计了一套完整的技术方案：首先采用自适应多通道滤波器(AMCF)对原始信号进行频域分解，接着为每个故障类别构建独立的二分类辅助任务并生成虚拟训练集，最后通过任务级注意力机制动态融合各辅助任务的判别信息。

关键技术方法包括：基于滑动窗口的数据预处理技术将连续信号转化为三维样本张量；自适应多通道滤波器(AMCF)通过可调参数实现信号频域分解；多尺度特征提取器(MSFE)结合常规卷积和空洞卷积捕获多尺度特征；任务级注意力机制通过双层感知器计算辅助任务贡献权重。实验采用真实飞行数据集RflyMAD，包含悬停、航点飞行、匀速飞行等五种状态下的六类故障数据。

自适应多通道滤波增强特征提取

研究团队设计的AMCF模块通过可学习的中心频率ω_c和带宽Δω参数，动态调整滤波器特性。如公式6所示，理想滤波器响应h_ideal(t)通过两个正弦函数差值生成，再与窗函数ω(t)相乘得到实际滤波器系数。这种设计使得模型能够自适应地分解九通道传感器信号，显著提升故障特征的区分度。

多辅助任务机制构建

针对六类故障诊断任务，MATL框架构建了六个独立的辅助任务(AT)。每个辅助任务包含辅助数据生成器(ADG)、多尺度特征提取器(MSFE)和多尺度二分类器(MSBC)。通过虚拟标签重标注和样本平衡策略，将多分类问题转化为多个二分类问题，增强模型对特定故障特征的敏感性。

任务级注意力实现动态融合

核心创新点在于任务级注意力机制的设计。该机制通过计算每个辅助任务全局特征向量g_i(n)的注意力权重α_i(n)，实现动态特征融合。如公式19所示，最终联合特征向量V通过加权融合获得，使模型能够根据样本特性自适应调整各辅助任务的贡献度。

小样本条件下的卓越性能

在30个训练样本的极端条件下，MATL在五类真实飞行数据集上的平均准确率达到61.06%，显著优于对比方法。特别是在Real-velocity任务中，MATL相比传统方法提升达27.41%。t-SNE可视化结果显示，MATL学习到的特征具有更清晰的类间分离度。

样本规模扩展的稳定性验证

随着训练样本从60增加到900，MATL表现出优异的扩展性。在Real-acceleration任务中，当样本数达到900时，准确率高达99.89%。混淆矩阵显示模型几乎实现完美分类，证明其在大样本条件下仍保持优势。

实时诊断能力验证

实时性分析表明，MATL的单样本诊断时间仅为0.001162秒，远低于无人机传感器50Hz(0.02秒)的采样间隔要求。这种高效率使得MATL能够满足无人机飞行过程中的实时故障监测需求。

消融实验验证组件有效性

通过系统消融实验，研究团队验证了各模块的贡献度。完整MATL框架相比无辅助任务(No AT)配置性能提升17.37%，证明多辅助任务设计的有效性。动态参数机制相比冻结参数(FDP)配置性能提升9.31%，表明注意力机制的重要性。

预训练策略优化

预训练epoch数实验发现，不同飞行任务需要不同的预训练强度。悬停和加速任务最优epoch为50，而航点飞行和盘旋任务最优epoch为30，反映不同飞行状态下信号特征的复杂性差异。

研究结论表明，MATL框架通过多辅助任务协同学习和动态注意力机制，有效解决了无人机传感器故障诊断中的小样本难题。该方法不仅在诊断精度上实现显著提升，更在实时性方面满足工程应用需求，为无人机安全飞行提供了可靠的技术保障。未来工作可进一步探索跨场景泛化能力和嵌入式部署优化，推动该技术在实际运维中的广泛应用。