无人机(UAV)已成为具有跨学科应用的技术,涵盖地理空间测量(地籍测绘)、智能农业、关键基础设施监控和应急响应操作等领域。它们的操作多样性体现在三个主要能力上:增强网络覆盖范围的空中基站[1]、高保真成像平台[2]以及精准农业管理系统[3]、[4]。特别值得注意的是它们的后勤效率,表现为快速部署能力和适应性操作模式[5]。此外,无人机通过先进的空间数据采集技术[6]、[7]彻底改变了遥感范式,成为各行业运营优化和技术进步不可或缺的工具。
尽管取得了这些进展,但无人机的操作可靠性仍受到电源系统(电池和推进单元)、结构部件、航空电子设备和导航子系统的关键硬件漏洞的影响[8]。最近的调查显示,电源系统故障、执行器故障和传感器退化是无人机的主要故障模式,多变量相互依赖性给传统诊断带来了挑战[9]、[10]。这些故障不仅危及飞行安全,还会增加维护成本,并带来附带损害和责任问题[11]。此外,系统故障的频繁发生会削弱利益相关者对无人机技术的信心[11],可能限制其商业应用和社会影响。
传统的故障检测方法通常采用基于阈值的监控方式,当飞行参数超出预定义的安全范围或预期边界时触发警报[12]、[13]、[14]。然而,无人机架构的系统性复杂性往往导致多变量故障之间的相互依赖性,难以精确定位[15]。此外,故障事件数据的缺乏阻碍了用于检测风险变量的稳健数学模型的开发[15]。
机器学习的进步彻底改变了故障诊断方法,使得在旋转机械[16]、[17]、电网[18]和可再生能源系统[19]中可以采用数据驱动的方法。这些方法利用对无人机传感器数据的全面分析来构建检测模型,而无需依赖第一性原理物理[20]。信号处理与机器学习的结合被认为是提高无人机系统故障检测能力的一个有前景的方向[10]。特别是人工神经网络(ANN)在无人机故障诊断[21]、火控系统[22]和电力基础设施[23]中表现出潜力。例如,Wang等人[24]使用长短期记忆(LSTM)网络来检测无人机传感器数据中的异常,但仅实现了二进制故障检测,实际应用价值有限。Park等人[25]开发了用于多旋翼无人机多类故障诊断的深度神经网络,但由于依赖密集的浮点运算,计算成本较高。Alos和Dahrouj[26]提出了多输出卷积LSTM来捕捉流式无人机数据中的时间依赖性,但其架构需要大量的矩阵计算。Huang和Chen等人[27]使用带有时频特征的时间卷积网络(TCNs)提高了分类准确性,但冗余特征增加了计算开销。Yang等人[28]通过物理特征增强解决了维度问题,但这进一步增加了复杂性。Zhou等人[29]通过卷积神经网络-门控递归单元算法模型实现了高准确性,但多模块集成增加了计算成本。Wang等人[30]使用领域对抗网络和专家混合方法解决了领域偏移问题,但模型复杂性限制了机载部署。
虽然ANN通过多领域特征融合提高了准确性,但它们对高精度浮点运算、矩阵计算和密集连接的依赖性导致了效率低下。这种“以计算为代价的准确性”瓶颈促使脉冲神经网络(SNN)作为第三代神经计算范式的出现[31]。SNN模仿生物神经动态,通过事件驱动的稀疏计算进行操作:(1)信息以离散脉冲的形式编码,仅在达到阈值时激活神经元[32];(2)突触操作简化为二进制脉冲累积[33];(3)漏电积分-发射(LIF)神经元[34]实现异步处理并降低功耗,使SNN非常适合边缘设备[35]。基于SNN的故障诊断在CubeSat和无人机应用中的可行性已经得到证明[36]、[37]。
最近优化SNN的努力突显了一些未解决的挑战。例如,Sengupta等人证明,在SNN中实现高准确性需要过长的脉冲序列,这反而降低了延迟和能效优势[38]。同样,Zuo等人提出了局部均值分解(LMD)来提取SNN输入编码的振动信号特征。虽然这提高了准确性,但分解物理振动模式需要大量的计算开销[39]、[40]。尽管Wang等人[41]改进了SNN用于故障诊断,但他们的方法缺乏对噪声环境的适应性。Chen等人[42]提出了一个生物可解释的SNN用于故障诊断,但其对复杂编码的依赖性增加了计算成本。同样,Liu等人[43]和Wang等人[44]开发了受大脑启发的SNN架构用于故障诊断,但这些方法仍与神经形态计算和实时机载部署脱节。
在故障检测场景中,早期弱故障特征通常表现为低频、非周期性的稀疏脉冲模式。由于漏电积分-发射(LIF)神经元的遗忘特性[34],传统编码方案难以有效捕捉这些模式。这种“遗忘特性”导致神经元随时间逐渐失去膜电位。在处理稀疏输入(在早期故障场景中很常见)时,关键的时间信息会被过早擦除,同时传感器噪声会被放大。为了解决这个问题,我们将无迹卡尔曼滤波器(UKF)与SNN相结合。UKF自然地与SNN动态相匹配,因为两者都通过迭代预测-更新循环来模拟非线性系统[45]。UKF通过(1)通过状态估计补偿信号损失[46]、(2)动态调整增益[47]以及(3)提高噪声鲁棒性[48]来提高准确性。这与最近提倡使用混合信号处理和AI方法进行飞机和无人机故障诊断的研究结果一致[49]、[50]、[51],这激发了我们结合UKF和SNN的动机。
基于这一动机,所提出的框架解决了无人机故障诊断中的两个挑战:在资源受限的飞行硬件上进行低功耗处理的需求,以及在非平稳噪声和环境变化下可靠提取弱故障特征的需求。与之前优先考虑检测精度而牺牲计算效率的基于ANN的方法相比,以及通常缺乏足够噪声抵抗能力的现有基于SNN的方法相比,我们的框架结合了SNN的事件驱动效率和UKF的状态估计能力。这种组合在保持适合嵌入式部署的计算足迹的同时,实现了具有竞争力的检测准确性。此外,UKF增强的LIF神经元缓解了标准脉冲架构中早期故障检测的“遗忘”问题,为SNN基故障诊断中一个受关注不足的局限性提供了实际解决方案。
为了实现这一框架,我们应用并优化了SNN用于无人机故障诊断,如图1所示,并提出了基于LIF-UKF模型的脉冲递归神经网络(SRNN)。我们的方法在包含六种故障类型的无人机传感器数据上进行了验证。本工作的主要贡献总结如下:
(1) 本文提出了一个端到端的神经形态框架,使用脉冲递归神经网络进行无人机故障诊断,实现了检测精度和计算复杂性之间的平衡。
(2) 提出了一种脉冲编码方法,将原始输入信号转换为稀疏二进制序列,压缩数据的同时保留了SRNN学习的信号特征。
(3) 提出了LIF-UKF神经元模型的集成,以减少现有SRNN在通过时间反向传播(BPTT)学习算法下由于长期时间依赖性丢失而导致的准确性下降,从而提高了故障场景下的鲁棒性。