摘要
涡环状态会对同轴双旋翼无人机构成严重的空气动力学威胁。传统的被动检测机制无法为无人机提供足够的恢复时间，而现有的数据驱动诊断方法则因数据泄露、极端的类别不平衡以及缺乏物理可解释性而存在严重缺陷。为弥补这些不足，本文提出了一种基于物理原理的多模态深度学习框架，将检测方式从事后的被动响应转变为事前的主动预警。我们建立了1.5秒的预警窗口，构建了一个三类的序数状态空间，从而为飞行控制系统提供关键的干预时间，以便实现旋翼的差异化调整。此外，我们设计了一种新的ViT-LSTM架构（MTSF-Net），用于整合七通道的连续式机载数据（包括三轴加速度、三轴角速度以及气压垂直速度），这些数据随后会被转换为连续小波变换谱图。为确保在实时处理过程中保持不同传感器间的物理振动尺度的一致性，我们采用了校准基准归一化策略。同时，我们还提出了混合序数损失函数，通过惩罚非对称的空气动力学退化现象，来缓解预警状态下样本极度不平衡的问题（比例低于0.5%）。经过严格的测试验证，该系统实现了98.26%的极高测试准确率，以及100%的预警召回率。尤为重要的是，它完全消除了致命的漏检情况（将涡环状态误判为正常状态），也避免了因预警状态引发的虚假阳性预测。最后，我们利用梯度加权类激活映射技术，验证了多模态传感器处理流程确实能够识别真实的物理振动频率，而非人为产生的噪声，从而为智能航空安全系统奠定了可靠且可解释的基础。
