多旋翼无人机叶片故障诊断的多轴振动数据集构建与验证

本研究针对多旋翼无人机(UAV)叶片故障实时诊断需求，开发了一套基于三轴加速度计的多轴振动信号数据集(MVS-UAV-BF)。研究人员通过ADXL335传感器采集了DJI Mini 2无人机在悬停状态下健康、轻微失衡、严重失衡及螺丝松动等四种工况的X/Y/Z轴振动信号，采用LabVIEW实时校准技术确保数据质量。该数据集已成功应用于8项前期研究，验证了其在机器学习(ML)和深度学习(DNN)故障分类中的可靠性，为无人机健康监测领域提供了标准化基准。研究成果发表于《Scientific Data》，填补了该领域高质量振动数据集的空白。

　　

在现代无人机(UAV)广泛应用的时代，一个小小的叶片故障就可能引发灾难性后果。从物流配送、边境巡逻到灾害救援，这些"空中工作者"的可靠性直接关系到任务成败。然而，当前无人机健康监测领域面临一个尴尬困境——研究人员往往需要自建实验平台采集振动数据，导致不同研究团队的结果难以横向比较。更棘手的是，叶片早期故障的微弱信号极易被环境噪声淹没，传统诊断方法难以在飞行状态下实现精准识别。

针对这一技术瓶颈，伊拉克科技大学(University of Technology-Iraq)机械工程系的Luttfi A.Al-Haddad团队开展了一项开创性工作。他们系统采集了多旋翼无人机在典型故障模式下的多轴振动数据，构建了首个标准化的叶片故障诊断数据集。这项发表于《Scientific Data》的研究，犹如为无人机"听诊"领域提供了一套精准的"心电图仪"，让研究人员可以专注于算法开发而非数据采集。

研究团队采用NI USB-6008数据采集系统配合ADXL335三轴加速度计，在1.2米悬停高度下记录了五种工况（健康状态、右下叶片损伤、右上叶片损伤、右下叶片配重失衡、右上叶片配重失衡）的振动信号。每个工况重复5次飞行实验，累计获取约200万组时间序列数据。关键技术亮点包括：LabVIEW实时信号校准消除基线漂移、六层离散小波变换(DWT)验证数据质量、以及基于FFT的频域特征分析。特别值得注意的是，团队采用两种物理方式模拟故障——修剪叶片边缘模拟机械磨损、粘贴胶带模拟质量失衡，最大限度还原真实故障场景。

【数据记录与结构】

数据集包含五个Excel文件，每个文件对应特定故障状态，记录X/Y/Z三轴加速度值。文件命名直观反映故障类型和位置，如"Damaged Bottom Right Blade"表示右下叶片损伤。这种清晰的结构设计使得数据集可直接用于机器学习训练，400,000个数据点/文件的规模也为深度学习提供了充足样本。

【技术验证】

研究采用三重验证确保数据可靠性：(1)使用预训练ML模型对新采集的损伤叶片数据进行分类，获得0.91的准确率和0.987的AUC值；(2)FFT分析显示健康与故障状态存在显著频谱差异；(3)db4小波六层分解证实信号无异常噪声。这些验证不仅确认了数据质量，更揭示了频域特征对故障诊断的特殊价值。

【应用实例】

如表1所示，该数据集已支撑8项前沿研究，涵盖从传统机器学习(SVM/kNN)到深度神经网络(DNN)的多种算法。特别是在Al-Haddad等人2023年的研究中，基于该数据集开发的多分辨率特征DNN模型，成功实现了叶片失衡状态的智能分类。另一项研究则证明，结合ReliefF特征选择方法，可将诊断准确率提升至行业领先水平。

这项研究的里程碑意义体现在三个方面：首先，标准化的数据集解决了无人机故障诊断领域长期缺乏基准测试的痛点；其次，详实的技术验证为振动信号处理提供了方法论参考；最后，开放获取模式加速了行业技术进步。正如作者指出，未来工作将扩展至动态飞行状态和环境干扰条件下的数据采集，进一步逼近真实应用场景。当前数据集虽限定于特定机型悬停状态，但其系统化的采集方法和严格的质量控制，已然为无人机PHM(故障预测与健康管理)研究树立了新标准。