共享执行器预算耦合了名义正交的储备：复合环境应力源下的飞行相依失效

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：A shared actuator budget couples nominally orthogonal reserves: dependent failure of flight under compound environmental stressors

　　

**•冻结的单应力余量可预测留出的模拟飞行损失。•在测试的共享储备对中，联合生存率崩塌；独立性失效。•带时间戳的先验正交性标准在检验中不予支持。•在模型中，容量应力缩小了姿态控制使用的余量。•在多旋翼中，外观不同的储备共享同一体执行器预算。**

## 引言

无人飞行器（UAV）越来越多地被部署在同时施加多种不利物理条件的场景中。不同的任务在单次飞行中承载这些应力源的不同子集。高空农业喷洒将密度高度、沉重的化学品载荷和温暖干燥空气中的阵风相结合，而寒冷气候下的测绘与物流飞行则结合了密度高度、螺旋桨结冰和风力，结冰与喷洒很少共享同一气象窗口。在这些任务中，UAV遭遇密度高度、重载、螺旋桨结冰和风力以重叠组合的方式出现，可靠性问题在于哪些组合是可以存活的。然而，环境鲁棒性的主流工程处理方法基本是逐一处理这些应力源。空气动力学保真度工作描述单因素推力退化，基于学习的控制器缓解一种复合工况（如高空重载），但不界定飞行在何处变得不可行，产品级降额规则编码的是单一线性权衡，例如商用农业平台上每升高1000米固定减少的载重。这些方法各自只处理了本质上多轴问题的一个轴。

这些处理方法无法回答的可靠性问题是一个联合性问题。给定任意环境应力组合，哪些组合导致飞行损失，以及该联合结果能否仅从单应力数据中预测？这是依赖失效分析的经典关切，具体来说是组合载荷下的应力-强度干涉问题，其中多种需求消耗同一体物理储备，使得损失以独立度假设的故障树可能低估联合失效风险的方式耦合。我们将这一关切引入UAV环境载荷领域，并具体询问独立度假设在何时失效，以及这种失效能否在收集联合数据之前被预测。

**高密度高度降额与UAV性能。** 旋翼推力随空气密度降低而退化，因此高密度高度运行和重载侵蚀飞行性能。基于学习的控制器部分补偿了高空重载退化[1]，气候室测试任务经验性地表征了不同环境条件下的螺旋桨性能[2]。商用平台将这一效应作为规格参数出厂：DJI Agras每1000米海拔大约降额10公斤载重[3]。这些确立了该效应是真实的，且在降额情况下，将其边界视为固定的线性计划。我们在第4.6节中关联这条线索：从海平面容量校准出发，模型重现了出厂计划的密度驱动斜率，这作为容量校准的一致性锚点，而非复合论点的验证。相比之下，结冰是通过测量而非降额计划来表征的。在云中增长实验报告了推力损失和增长的冰质量，模型将这两个量视为独立算子[4]，结冰风洞工作界定了效率损失的严重端[5]。在3.64和5.6公里高度的飞行任务报告了多旋翼在0.85和0.68千克每立方米空气密度下操作的续航时间[6]。

**UAV飞行包线与单因素鲁棒性。** 安全飞行包线分析遍历飞行器状态空间以界定可恢复条件，许多研究量化了对单个扰动的鲁棒性，如结冰[4,5]或阵风。这些研究固定环境并改变飞行状态[7]。我们反转了这一做法：我们遍历环境应力空间，并先验地询问哪些应力组合是可存活的。单因素研究本身有助于了解应力源加载的是哪个轴：多旋翼阵风响应通过飞行器采用以抵消阵风的倾角耦合到高度[8]，在侧风中四旋翼每个旋翼的推力和功率系数随来流速度上升至10米/秒，而背风侧的做功效率不升[9]。包线工作给出了状态依赖的可恢复性，而我们所需的余量分析表明生存性阈值本身是机动依赖的，在单一标准M=(T/W)/Γ下将应力源加载与飞行包线视角统一起来。

**依赖失效、应力-强度干涉与共因建模。** 可靠性工程区分了失效变得统计耦合而非独立的几种方式[10]。当共享载荷消耗共同物理储备时，支配模型是载荷组合下的应力-强度干涉[11]，其中需求叠加并与容量比较。参数化共因失效方法，特别是β因子和α因子系列[12]，处理的是另一种情况，即冗余组件组失效之间无法显式建模的残余耦合，确立的程序将其保留用于在直接建模功能和共享载荷依赖之后的该残余[13]。载荷分担模型则将存活组件视为在同伴失效后吸收重定向需求的主体[14]。我们研究的环境复合是显式可建模的情况而非残余情况——单一非冗余储备在叠加载荷下——容量-需求余量直接表示这一点。因此，我们的贡献不是新的耦合指标，我们报告的归一化偏差是来自生态和生态毒理学多应力文献中的乘法零模型（Bliss独立性）偏差指数[15,16]，而非新量。相反，它是一种先验预测，基于物理余量共享分类，预测哪些应力源对预计会产生独立度假设的故障树无法表示的依赖性，哪些预计保持大致可分离并使故障树正确，同时以概率单位给出故障树误差。该分类在此扮演的角色类似于共因分析定性阶段中耦合因子识别的角色[13]，此处从显式的储备耗竭标准而非对耦合的通用防御来执行。该文献中三条线索直接涉及本构念：一项系统综述区分了统计依赖模型（捕获关联但不涉及其来源）与机制模型（首先建模产生机制），并将哪些变量是依赖的识别称为一个通常通过逐案专家判断来解决的开放问题[17]；此处使用的标准属于机制型，并以单一测试而非判断形式陈述。现代应力-强度干涉将应力读作导致失效的因素，将强度读作抵抗它的能力[18]，这正是推力储备的形式。余量已经通过故障树以概率替代的方式传播，资产余量被定义为从监测条件到极限条件的归一化距离[19]；该工作未问的是两个余量是否来自同一储备。

依赖失效建模在几个方向上仍然活跃，本研究通过对比与之相关。参数化系列继续扩展，例如让一个组件属于多个共因组[20]，一条平行线索从固定比率参数转向基于物理的量化，包括从底层失效机制模型仿真知情的共因参数估计[21]。在系统层面，依赖越来越多地被动态捕获而非通过静态比率，如动态和依赖树理论，分析基本事件共享时序和功能依赖的故障树[22]。我们的方法在依赖机制层面与所有这些不同：它不从共享容量-需求储备的结构先验地分类依赖，从而并发失效不是通过拟合的相关项概率性出现，而是当共同环境余量耗尽时确定性出现。两个近期实例标明了这种对比：基于copula的生存特征方法在组件依赖下解析地获得系统可靠性，copula参数被赋值或界而非推导[23]，连续时间贝叶斯网络中的beta因子模型量化了忽略共因失效如何提高评估的韧性并改变其暗示的优先级顺序[24]。载荷分担提供了最接近的结构类比，依赖因有界载荷在共享物理集中被重新分配而产生，而非因为拟合了耦合参数[25]。

**UAV可靠性建模。** 无人飞行器的可靠性建模主要涉及内部硬件退化和任务结构。代表性公式通过分阶段二元决策图和k-out-of-n要求评估集群分阶段任务可靠性[26]，使用连续k-out-of-n:F模型上的Birnbaum型重要性度量优化集群结构[27]，并通过网络模型和渗流模型评估对攻击的鲁棒性[28]。这些共享一种损失视角，即随任务可靠性下降的单元逐一失效或网络失去连通性。本研究的问题不同：外部环境余量耗尽不是单元的逐一损失，而是共享容量-需求储备中的阈值穿越，外部载荷消耗共同余量直到需求超过容量，多个原本健康的单元一起失效。因此，容量-需求余量模型解决了一种被引用的内部退化和网络韧性UAV模型无法直接表示的失效模式，最好作为那些模型的补充来理解。事故报告证据与这一分工一致。从304份调查报告学习得到的贝叶斯网络将恶劣天气（定义为包括冰）置于驱动事故严重性的因素之中，并从非动力装置组件失效（包括飞控故障）学到一条到动力装置失效的边[29]。当逐飞行标准要转化为运行指标时，既定路线是将逐飞行坠毁概率聚合为每年个人和集体地面风险[30]。

**多应力范式。** 生态和生态毒理学工作研究组合应力是相对于交互零模型表现为协同还是拮抗，该领域区分加法零模型和乘法（Bliss独立性）零模型，并指出零模型的选择决定了给定交互是否被标记为协同[15,16]。应用将其带入累积风险评估，例如在北极海洋生态系统中[31]。我们使用的归一化偏差是乘法零模型形式，此处适用是因为生存是比例响应。我们采用从单应力知识预测复合结果的框架但偏离了机制：而非事后统计分类交互，我们从物理余量账户（共享储备与正交储备）推导哪些组合耦合，从而在联合实验之前给出分类。这正是近期一个应力交互框架推荐的方法，即基于机制原因先验选择零模型并陈述其假设，因为附加到交互上的标签取决于所选零模型[32]。同一来源认为乘法零模型在应力敏感度不相关时是合适的，这正是此处分类预测共享储备对将违反的条件。

**仿真来源。** 证据由一个已单独描述和评估的GPU向量化UAV仿真器生成，大气应力采样机制与领域随机化的伴随研究重叠。本文不声称仿真器或大气模型为贡献，声称的是可组合协议、先验依赖失效预测和有效包线表征，这些都是本文新的。

本文中三件事是新的，在陈述激励它们的缺口之前值得说明。第一是协议。单应力保留因子在隔离状态下测量，冻结为带时间戳的文件，然后用于预测那些因子从未见过的联合结果，因此组合规则对照留出单元格评分并可能失败。第二是在联合实验之前做出的分类：应力对按每个应力耗竭的物理储备排序，预先决定独立度假设的故障树是否可以将它们的生存概率相乘，所产生的误差以概率单位而非拟合系数报告。第三是公式(8)的闭式界。在多旋翼中，保持高度时可用的姿态扭矩与推重余量成正比，因此垂直推力和姿态权限从同一体执行器预算中抽取，故障树独立性的标准变成了关于执行器可行域而非应力源可见扰动的哪个物理量的陈述。

在单执行器约束下可达力矩集合本身在控制分配中是标准的 [33]；公式 (8) 是在保持高度不变的约束下，将其特化为推重比裕度的闭式表达式；本文的创新在于将其用作故障树独立性检验。上述文献存在三个空白。第一，据我们所知，尚无可直接验证的证明表明，从联合运行中保留的单应力数据可预测联合多应力损失。第二，依赖失效特征在被调用用于环境叠加时主要是定性的，而非作为以可靠性量度为先验预测何时独立性假设失效的依据。第三，一阶标量裕度模型失效的边界尚未表征，因此其工作包络仍不完全明确。

本文的贡献按新意排序如下：

(i) 可证伪的冻结-预测-运行协议，其经验内容被精确表述。单独测量的单应力保持因子，在联合运行之前冻结，以乘法组合预测三类机身结构中留出的因子边界。代数本身并不提供的经验主张是：无论何种应力组合导致，坠毁边界仅是标量裕度的函数。一架因载荷到达给定裕度的飞行器与一架因密度高度到达相同裕度的飞行器，就飞行损失而言，是同一架飞行器。这是关于闭环动力学的陈述而非关于代数，并且它可能失效。当存在未建模的耦合时它会变得不准确，如注入结冰模拟所示；当应力加载了标量未跟踪的储备时它失效，第 4.7 节展示了这一点。该协议在联合实验之前而非之后使这两种失效可见。

(ii) 前瞻性指定且带时间戳的先验依赖失效分类及其基于模拟的检验。联合实验之前制定的共享储备分类预测哪些组合耗尽共享垂直推力储备（依赖型）以及哪些加载物理上不同的储备（可分离型），因此预测何时假设独立性的故障树可以相乘生存概率而何时不可以。测试单元中的共享储备预测得到支持：对于容量共享对，测量的联合生存率坍缩为零，而独立性树预测了一个相当高的值，因此故障树以其全部预测质量高估了联合生存率，且该储备必须作为一个基本事件进入故障树。测试条件下互补预测未获支持。我们构造了一个零均值阵风力矩探针，旨在加载姿态权限而不产生稳态力矩偏差，预先指定三个正交性判据，在单应力运行中验证它们，将独立性预测冻结至带时间戳的文件，并运行一次联合模拟。联合生存率坍缩为零，而冻结预测为 0.549（第 4.7 节）。在测试平台和条件下，未识别出非退化可分离情形；我们报告此局限性而非依赖非判别性对照。

(iii) 结合解析与模拟支持的机理解释及其对故障树构建的影响。联合失效主要为姿态模态，而垂直失效少于一阶标量模型中指定的锐阈值零值预测。该特征支持第 4.7 节评估的执行器预算解释。该模式与通过共享执行器预算耦合一致：空气密度降低提高了悬停总距指令并压缩了悬停转速与最大转速之间的余量，而姿态控制的差动推力从该余量中抽取，因此相同的阵风力矩饱和姿态通道的频率高出 4.3 倍。在所述模型下，姿态权限与垂直推力共用同一有界旋翼推力集。因此，按表观物理独立性的储备分类对于故障树构建是不够的：必须追溯服务于它们的饱和资源。该约束是分配约束的基本结果而非控制理论中的新对象 [34]；贡献在于放在其上的可靠性解读。

(iv) 已表征的适用包络，包括一个清晰的否定结果。在测试的共享储备单元中，观察到的联合生存率为零，使估计的分级（Bliss）协同指数等于 1，因此我们将可靠性内容表述为分类加概率单位下的故障树误差，而非分级耦合系数。我们还映射了一阶标量模型失效的两种途径：推重比方向上约 0.03 量级的坠毁边界方向依赖性，以及横风正交性的裕度条件性破坏（第 4.5 节）。

任务相关判据、预测溯源审计、种子硬化测试以及对密度校准的商业降额一致性检查支持了这些贡献，并与结果和方法一同报告，而非单独列出。

公式 (5) 中保持因子的乘法组合是模拟器通过构造实现的建模选择，因此在该模型内部，代数恒等式而非结果。公式 (6) 中相对于乘法零假设的归一化偏差是生态学多应力文献中的 Bliss 独立性指数 [15,16]。公式 (4) 的容量-需求形式是标准的应力-强度干涉 [11,18]。模拟器和大气采样在其他地方描述，此处不作主张。本文贡献的是这些不提供的部分。

第 2 节建立了容量-需求裕度模型、组合法和依赖失效预测。第 3 节描述模拟器、其物理容量契约、冻结-预测-运行协议、随机化区间和统计设计。第 4 节报告结果。第 5 节讨论影响和适用包络。第 6 节总结。

**段落片段**

裕度、需求与飞行损失

我们将飞行损失建模为单一物理储备的耗尽，即可用垂直推力相对于飞行任务需求的裕度（图 1）。总容量为总可达推力，即：

C = nk_f ω_max2 η

其中旋翼数量 n，推力系数 k_f，每旋翼最大转速 ω_max，以及环境相关的推力保持因子 η∈(0,1]。需求为经机动因子缩放的重量：

D = WΓ，W = mg

其中 Γ≥1 为机动需求因子，悬停时为 1，平飞时为……

**模拟器、校准与外部锚点**

我们使用 PyTorch 中 GPU 向量化的六自由度刚体模拟器，以固定步长半隐式积分器并行积分最多 256 个环境的平移和旋转动力学。推进模型为动量缩放二次推力定律，每旋翼推力 k_f ω2，推力系数 k_f 根据参考旋翼数据集校准 [35]，乘以密度保持因子 (ρ/ρ?)^(1+ζ) 和结冰效率因子。我们使用参考……

**结果**

所有模拟均使用 GPU 向量化批次上的解析级联控制器，在单一硬件平台上运行。单应力幅值校准为每个应力在测试基线下单独可存活；联合条件下的结果相对于单应力对照进行解释。

**关键发现**

四项发现总结了贡献。第一，在测试的容量轴上且第 4.3 节适用上限以下，标量裕度是充分的。单独测量并冻结的保持因子组合预测联合损失，而注入的未建模耦合使冻结预测变得不准确。第二，在测试的容量共享对中，假设独立性的故障树以其全部预测质量高估联合生存率，因此共享储备必须作为一个……

**结论**

本文报告的所有实证结果均在模拟中获得；公式 (8) 的约束是解析的，对满足所述几何和每旋翼推力约束假设的任何多旋翼都成立。容量校准锚定于两个外部来源和一个商业降额曲线；这些锚点及任何飞行测试都不涉及组合规则或依赖失效分类，且定量故障树误差取决于推力模型以及……

**CRediT 作者贡献声明**

吴雨凡：概念化、方法论、软件、验证、形式分析、调查、数据整理、可视化、撰写——初稿。

姚武圣：概念化、方法论、监督、资源、获取资金、项目管理、撰写——审阅与编辑。

**数据可用性**

补充证据包包含实验脚本、配置、支持第 4.7 节的每次实现数组、汇总记录和 SHA-256 清单。其只读审阅入口点 code/review_all.py 可验证完整性并重算第 4.7 节的评分、公式 (8) 的预算以及修订后的表 2/3 统计量，无需模拟引擎。当前修订记录位于 evidence/R1_reanalysis/；较早的统计摘要被保留并标记为……

**资金来源**

本研究未获得公共、商业或非营利部门的任何特定资助机构的资助。

**生成式 AI 及 AI 辅助技术在写作过程中的声明**

在准备本工作期间，作者使用 Claude（Anthropic）仅用于改善稿件的语言和可读性。该工具未用于生成、分析或解释任何研究数据或结果；所有技术内容、建模、实验和数据分析均由作者构思、执行和验证，作者审阅和编辑了文本并对出版内容承担全部责任。

**CRediT 作者贡献声明**

吴雨凡：撰写——初稿、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。

姚武圣：撰写——审阅与编辑、监督、资源、项目管理、方法论、获取资金、概念化。

吴雨凡 | 姚武圣