基于MEMS振动信号的无人机智能健康监测：螺旋桨与结构故障的多转速实时检测

无人机(UAV)机械故障的早期诊断对飞行安全至关重要。本研究针对现有方法在真实环境适应性、多转速检测和结构松动识别等方面的不足，提出两种基于MEMS传感器的低成本模型，通过FFT频谱分析和八种幅频特征（DF/PA/RMS/HD/SK/SC/V/ZC），结合SVM/KNN/DT/NN算法，实现螺旋桨损伤（99.40%准确率）及转子/机臂螺丝松动（95.86%准确率）的多工况检测，为无人机健康监测提供高效解决方案。

　　

随着无人机在农业、国防、测绘等领域的广泛应用，其机械故障引发的安全问题日益凸显。螺旋桨损伤会导致推力损失、功耗增加甚至电子元件损坏，而转子螺丝松动可能直接导致空中解体。现有研究多局限于实验室环境下的单一故障检测，且90%以上仅关注螺旋桨损伤，忽略了真实飞行中变速工况和结构松动等复合故障的影响。更关键的是，传统方法依赖高成本传感器或复杂算法，难以在资源受限的无人机嵌入式系统中实现实时监测。

针对这些痛点，研究人员开展了一项突破性研究，提出基于微机电系统(MEMS)的智能健康监测方案。该研究创新性地通过ADXL335加速度计和MPU6050陀螺仪采集多转速下的振动信号，结合快速傅里叶变换(FFT)和机器学习算法，首次实现了螺旋桨损伤与结构松动的协同检测。相关成果发表在《Engineering Science and Technology, an International Journal》上，为无人机安全运维提供了新范式。

研究采用四大关键技术：1）多传感器数据同步采集系统，通过双数据记录器（32位ARM Cortex-M3和8位ATmega328P处理器）实现时间对齐；2）动态转速标定，使用UNI-T测速仪（±4.4 RPM精度）关联油门百分比与实际转速；3）特征工程提取八种幅频特征，包括主导频率(DF)、峰值振幅(PA)、谐波失真(HD)等；4）建立双模型架构：神经网络(NN)专用于螺旋桨损伤分级（四分类），决策树(DT)负责复合故障检测。

研究结果部分，通过频谱分析揭示了故障特征规律：

1. 实验设置：在1.5米翼展的六轴无人机上，布置传感器于电机端（ADXL335的Ax/Az轴）和机身中心（MPU6050的Gx/Gy轴），采集724秒真实飞行数据，覆盖10%-75%油门范围对应的2300-12000 RPM工况。

2. 快速傅里叶变换频率谱分析：发现螺旋桨损伤在Ax轴会引发360Hz的三倍频谐波（120Hz基频），而Az轴对转子松动更敏感。中心陀螺仪数据显示，故障状态在30%油门（7000-7500 RPM）时会使主导频率偏移至50-60Hz。

3. 幅频特征动态行为：PA值在所有故障中均随转速单调递增，严重损伤时Gx轴PA达正常值的3.2倍。DF和过零率(ZC)在转子松动时呈现转速相关的非线性变化，成为区分故障类型的关键指标。

4. 分类性能：NN模型使用DF+PA+ZC三特征组合，对螺旋桨损伤的二元分类达99.40%准确率（AUC 0.98）。DT模型对四类故障（正常/螺旋桨损伤/转子松动/机臂松动）的整体识别率达95.86%，其中转子松动检测精度达97.67%。

这项研究的意义在于突破了三个技术瓶颈：首先，通过MEMS传感器低成本方案替代传统高精度设备；其次，首次实现<10Hz低频振动对结构松动的有效捕捉；最后，建立的轻量化模型（仅需3个特征）可在8位微控制器上运行。实验证实，在30km/h风速干扰下，系统仍保持92%以上的稳定检出率。

讨论部分指出，相比文献报道的LSTM（99%）和SVM（98.21%）方案，本研究在保持精度的同时将计算复杂度降低60%。特别值得注意的是，发现的PA-ZC特征组合对螺丝松动的特异性识别，为无人机预防性维护提供了新思路。未来工作将融合声学信号和深度学习算法，进一步提升复杂环境下的故障识别率。该成果不仅适用于多旋翼无人机，其方法论对工业机械的健康监测同样具有借鉴价值。