基于频域的多样化调制技术用于单通道无人机螺旋桨损伤诊断

《INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES》：Frequency-domain diverse modulation for single-channel UAV propeller damage diagnosis

　　张忠正|张倩琪|李永波 中国西安西北工业大学航空学院，710072 摘要 多旋翼无人机容易遭受螺旋桨损坏，而这会严重威胁飞行安全。然而，传统的故障诊断方法在轻量化传感与高精度诊断之间仍存在权衡。本研究提出了一种频域多样调制策略，用于单通道无人机螺旋桨损伤的定位与识别。其核心思想是通过具有频域调制功能的工程框架，将振动特征差异化的增强功能从算法后端转移到传感前端。理论分析表明，该策略依赖于频率依赖的有效质量的非均匀分布以及局部共振频率的多样化调制。基于这一机制，设计了一种包含L形谐振器的工程框架，并运用优化算法在约束条件下最大化无人机各旋臂之间的振动传输差异性。实验结果显示，振动传输之间的平均相关系数从0.54降至0.10，证明了有效的频域去相关性。仅通过单通道振动响应和轻量级的单层感知器，该策略就能实现97%以上的定位与识别精度，最高甚至可达99%。模型大小保持在0.2MB以下，单样本推理时间低于0.1毫秒。此外，在噪声干扰或数据量有限的条件下，诊断精度仍可保持在90%以上。实际悬停飞行验证显示，定位与识别精度分别可达92.5%和96.2%。上述实验充分证明了所提频域多样调制策略的有效性及其在平衡无人机轻量化传感与高精度诊断方面的工程可行性，具有广阔的应用前景。引言 随着空域管理政策的放宽以及智能航空技术的快速发展，低空经济已成为一个快速增长领域，全球市场规模持续扩大。作为在低空区域运行的智能设备的典型代表，多旋翼无人机因其垂直起降能力、高机动性和操作灵活性而受到越来越多关注。它们已被广泛应用于物流运输、精准农业、工程检测以及应急响应等领域，展现出显著的应用价值与商业潜力。然而，随着多旋翼无人机运行密度的不断增加，飞行安全问题日益突出，成为其大规模商业化应用的主要瓶颈。在多旋翼无人机的关键子系统中，作为产生升力及控制姿态的关键执行机构的螺旋桨系统，被认为是导致飞行异常和事故的主要风险源。因此，开发高精度的螺旋桨系统损伤定位与识别方法，对于提升无人机安全性、降低维护成本以及减少事故风险具有重要的工程意义与实用价值。目前，关于螺旋桨系统故障诊断的研究已沿着多种技术路径和方法论框架展开。总体而言，这些研究可分为两大类：数据驱动方法和模型驱动方法。数据驱动方法依靠传感器收集由故障引发的信号，如振动、声学信号以及电流响应，再通过各种技术提取与故障相关的特征，建立测量信号与故障状态之间的映射关系。其中一部分数据驱动方法采用手工特征提取方式，通过信号处理和分析技术抑制干扰并提取与故障相关的特征。常见的方法包括卡尔曼滤波器和有限脉冲响应滤波器等过滤方法、峰值、均方根值和方差等时域分析方法、傅里叶变换、谱峰度等频域分析方法、离散小波变换和小波包分解等时频分析方法，以及排列熵、伦佩尔-齐夫复杂度以及蒂格-凯泽能量算子等其他非传统特征提取技术。提取出的特征通常会与决策树、k最近邻算法以及支持向量机等相关分类器结合，以实现故障检测与识别。例如，Pose等人基于三维加速度和角速度数据提出了多旋翼无人机螺旋桨损伤的诊断方法，该方法通过频域分析提取均值、方差、偏度以及峰度等统计特征，再结合混合型的SVM-神经网络模型来实现损伤识别、定位以及严重程度评估。另一类数据驱动方法则侧重于深度特征学习，通常依赖大规模的标记数据集。通过深度学习模型，这类方法能够自动从原始信号中提取具有区分性的特征表示，建立输入信号与故障模式之间的映射关系，从而实现智能的故障类型识别。在实际应用中，卷积神经网络、长短期记忆网络以及Transformer模型已被广泛用于处理多源、非线性且非平稳的信号。这些模型能够有效捕捉时频特征模式，从而提高诊断精度。此外，通过引入迁移学习、对抗训练以及多模态融合技术，还能进一步提升模型在复杂工况下的泛化能力。例如，Sadhu等人提出了基于FPGA加速的深度学习框架，用于在嵌入式平台上实现无人机螺旋桨故障的端到端检测与分类，该方法利用加速度计、陀螺仪以及磁力计等多源传感器数据，结合CNN-BiLSTM和CNN-LSTM网络自动提取高维特征。除了数据驱动方法之外，模型驱动方法在提升故障诊断的物理可解释性方面具有明显优势。这类方法利用螺旋桨系统的物理定律与数学模型，构建系统状态方程，描述系统的正常响应行为，通过比较实际观测输出信号与模型预测响应之间的残差来实现故障检测。常见的模型驱动方法包括基于卡尔曼滤波器的估计模型、基于滑模观测器的估计模型以及基于H∞观测器的估计模型。例如，Zou等人建立了多旋翼无人机螺旋桨的动态模型，用以分析典型螺旋桨故障对机载惯性测量单元加速度响应的影响，基于该物理模型，将耦合信号分解为与故障相关的成分，从而实现实时螺旋桨故障检测。尽管在无人机螺旋桨故障定位与识别方面已取得一定进展，但传感系统的轻量化与诊断性能之间仍存在明显的权衡。一方面，现有研究中广泛采用的多通道传感方案虽然能够实现较高的诊断精度，但这些方案往往会增加架构复杂性及硬件冗余，难以满足无人机平台严格的重量和功耗限制。另一方面，少通道甚至单通道传感方案在系统简洁性及工程部署性方面具有明显优势，但由于观测维度有限且信息获取不足，这类方案往往难以准确定位和识别复杂的故障状态。因此，系统简洁性与传感精度之间的固有矛盾已成为阻碍无人机螺旋桨故障诊断技术实际应用和工程化部署的核心问题。值得注意的是，诸如超材料、超表面以及金属晶格等人工设计的结构，因其设计灵活性、可调的响应特性以及精确的波场调控能力，近年来受到了广泛的研究关注。在此背景下，基于此类结构的计算感知技术已成为重要的研究方向。该技术的核心思想是通过结构或硬件设计主动调控波场，从而提升传感信息的可获得性及其与任务的相关性，同时弥补传统少通道或单通道传感方案的固有缺陷。具体而言，会在传感阶段引入编码孔径、动态调制装置等柔性波控机制，将有利于后续处理的先验信息嵌入到采集到的信号中。通过这种波场编码策略，即使利用压缩感知、机器学习等后端算法，也能从有限的测量数据中提取出丰富的与任务相关的信息，从而保持较高的传感效率与性能。相关研究已在电磁成像、微波定位、光学成像、声学成像、声源定位以及弹性波传感等多个波感知场景中展现了巨大的应用潜力与研究价值。在这些研究中，人工设计的结构通过高自由度的波场调制，将复杂的任务相关信息编码到有限的观测通道中，实现了物理层的信息预处理，为后端算法的重建与特征提取提供了更具区分度的输入。这种机制不仅有助于实现高精度的定位，还能降低前端传感硬件的需求以及后端算法的计算负担。不过，目前大多数基于人工设计结构的计算感知研究仍处于概念验证或功能演示阶段，针对无人机轻量化故障诊断应用的关注相对较少。因此，如何利用人工设计结构实现轻量化、高精度且具备工程应用价值的无人机螺旋桨故障诊断，仍是需要进一步研究的课题。本研究提出了一种频域多样调制策略，用于实现轻量化、高精度且具备工程应用价值的无人机螺旋桨故障诊断。该策略通过工程框架产生频域多样调制效应，直接在传感前端嵌入与任务相关的信息，从而增强单通道振动响应的差异性。在理论建模与机制分析的指导下，设计了包含L形谐振器的工程框架，通过仿真与参数优化，最大化了该框架的频域多样调制能力。仅利用单通道振动数据以及轻量级的单层感知器，系统性的实验验证证明了所提频域多样调制策略的有效性及其工程可行性。此外，该策略还表现出良好的抗噪声干扰能力，且对训练数据集规模的依赖性较低。本文的其余部分安排如下：第2节阐述所提策略的基本原理与物理机制，详细介绍在质量与尺寸约束下包含L形谐振器的工程框架的设计与优化过程；第3节介绍实验验证内容，包括实验装置、数据处理方法、实验方案以及实验结果；第4节探讨所提策略的适用范围及工程上的权衡因素；第5节总结主要研究成果与贡献。模型与设计 多旋翼无人机中的螺旋桨故障，如断裂、裂纹以及缺口等，通常属于结构或机械故障，而振动信号对这类故障具有极高的敏感性。基于这一观察，本研究提出了一种频域多样调制策略，将该策略将振动特征差异化的增强功能从传统的算法后端转移到传感前端，通过嵌入与任务相关的信息……实验验证 基于第2节的内容，本节对所提出的频域多样调制策略在轻量化传感与高精度无人机螺旋桨损伤诊断方面的有效性进行了系统性实验验证。首先搭建了单通道振动采集平台，用于采集无人机正常状态、单螺旋桨损坏以及双螺旋桨损坏场景下的数据。为凸显工程框架的作用，以轻量级的单层感知器作为基准分类模型……讨论 尽管本研究提出的频域多样调制策略在单通道无人机螺旋桨损伤定位与识别方面展现了良好的实验效果与工程应用潜力，但其适用范围及工程上的权衡因素仍需进一步客观分析。因此，本节从定位精度、传感与结构之间的权衡以及泛化能力三个角度，进一步探讨该策略的局限性及未来发展方向……结论 总之，本研究提出了一种用于单通道无人机螺旋桨损伤定位与识别的频域多样调制策略。该策略通过在传感前端增强与故障相关的振动特征，实现了轻量化传感与高精度诊断之间的工程平衡。通过理论建模、机制分析、数值仿真以及参数优化等方法，对所提频域多样调制策略的有效性进行了系统性验证……CRediT作者贡献声明 张忠正：写作——审稿与编辑、写作——初稿撰写、可视化、验证、软件、方法论、研究、形式分析、数据整理、概念构思。张倩琪：写作——审稿与编辑、验证、研究。李永波：写作——审阅与编辑、监督、资源协调、项目管理、资金筹措。利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究得到了中国国家自然科学基金[项目编号52472457]以及西北工业大学博士论文创新基金[项目编号CX2025028]的支持。