《Array》：An Explainable Stacking Ensemble for UAV Propeller Fault Diagnosis Using Electromechanical Flight Telemetry
编辑推荐：
无人机（UAV）故障诊断是机器学习（ML）、信号处理和智能控制系统交叉领域的一个重要问题。本研究提出了一种可解释人工智能框架，用于使用受控飞行遥测和堆叠机器学习（ML）对无人机进行多类故障诊断。使用了公开可用的DronePropA数据集的策划子集，该数据集包含
无人机（UAV）故障诊断是机器学习（ML）、信号处理和智能控制系统交叉领域的一个重要问题。本研究提出了一种可解释人工智能框架，用于使用受控飞行遥测和堆叠机器学习（ML）对无人机进行多类故障诊断。使用了公开可用的DronePropA数据集的策划子集，该数据集包含在健康和缺陷螺旋桨条件下采集的惯性测量单元（IMU）和电子速度控制器（ESC）信号。为了表征机电动态响应中与故障相关的变化，研究人员开发了一个结构化的特征工程流程，从1 kHz遥测信号中提取时域、频域、统计、能量、相关性和驱动描述符。三个基线分类器，即k近邻（KNN）、支持向量机（SVM）和随机梯度下降（SGD），被集成在一个堆叠集成中，以提高在四种运行状态（健康、边缘切割、裂纹和表面切割）下的分类鲁棒性。进行了三个评估场景。在受控基线（使用无人机1、轨迹t1和高速条件）下，堆叠集成实现了94.8%的准确率、94.2%的精确率、93.7%的召回率和93.9%的F1分数。在使用未见过的无人机2遥测的外部健康状态评估中，该集成实现了98.3%的准确率、100.0%的精确率、96.2%的召回率和98.1%的F1分数，展示了跨平台对健康运行的强识别能力。为了提高模型透明度，应用了SHAP分析来量化特征贡献，揭示电机指令方差、信号能量和IMU互相关是全局特征重要性排名中三个最具影响力的预测因子。结果表明，可解释人工智能可以在轨迹可变和跨无人机条件下提供准确的故障诊断。
**论文解读：基于机电遥测的可解释堆叠集成用于无人机螺旋桨故障诊断**
**研究背景与问题**
无人机（UAV）在农业、物流、灾害救援和基础设施巡检等领域已从研究新奇物发展为不可或缺的工具。其多旋翼平台中，螺旋桨作为结构性和气动瓶颈，一旦出现边缘退化、叶片裂纹或表面侵蚀等故障，会导致推力不对称、能量效率降低，并可能引发结构共振。现有研究存在三个持续局限：第一，多数模型优先追求预测精度而忽视透明度，深度学习模型虽能分类但无法解释气动或机械机理；第二，以往工作通常孤立评估单个分类器，如支持向量机（SVM）、k近邻（KNN）或随机梯度下降（SGD），忽略了堆叠集成架构利用互补决策边界的协同潜力；第三，可解释性（如果存在）主要停留在全局层面，缺乏与具体飞行条件、故障类型或遥测特征关联的实例级解释。因此，本研究旨在开发一种结合物理信息特征提取、异构堆叠集成和SHAP属性分析的可解释诊断框架，在保持高分类性能的同时提供透明度。
**研究内容与结论**
研究人员利用公开的DronePropA数据集，该数据集包含来自商用四旋翼（Quanser? QDrone 2）在健康和物理退化螺旋桨条件下的高分辨率（1 kHz）传感器测量数据。实验在室内运动捕捉环境中进行，采用OptiTrack?系统（14个红外摄像头），确保亚厘米级定位精度。数据集包含130个MATLAB?文件，编码了故障类别、严重程度、速度剖面、轨迹类型、无人机标识和试验重复次数。研究人员仅使用来自无人机1的对角线轨迹（t1）在高速设置（SP1：2.0 m/s, 3.14 rad/s）下的数据子集，以隔离故障引起的动态响应。三种故障类型（边缘切割、裂纹、表面侵蚀）分别以三个严重程度（轻微、中等、严重）施加于前右螺旋桨。通过三个评估场景（E1：受控基线；E2：跨轨迹评估；E3：跨无人机健康状态评估），堆叠集成在E1中达到94.8%准确率，在E2中达到92.1%，在E3中对未见过的无人机2健康数据达到98.3%准确率，显著优于单个基分类器。SHAP分析揭示了电机指令方差、信号能量和IMU互相关是最具影响力的诊断指标。该研究证明了可解释人工智能在轨迹可变和跨无人机条件下提供准确故障诊断的可行性。论文发表在《Array》。
**关键技术方法**
研究人员采用了以下主要关键技术方法：（1）数据策划：从DronePropA数据集（来源：Mendeley Data，可访问https://doi.org/10.17632/ftdyxrr3c5）中选取仅包含无人机1、对角线轨迹t1、高速条件（SP1）的样本，包括健康、边缘切割、裂纹和表面切割四种状态。（2）多域特征提取：将1 kHz遥测信号（IMU角速率、线加速度、欧拉角、电机指令）分割为750 ms窗口（60%重叠），提取时域（均值、均方根RMS、方差、偏度、峰度）、频域（快速傅里叶变换FFT峰值、主频、谱熵）、能量（信号能量、波峰因子）、相关性（IMU1-IMU2互相关）和驱动（电机指令方差）五类描述符，共180多个候选特征。（3）SHAP特征选择：基于训练数据计算SHAP值，保留12个最具影响力的特征。（4）异构堆叠集成：基分类器为KNN（k=5）、SVM（径向基函数核，C=10，γ=scale）和SGD（修正Huber损失，L2惩罚，α=0.0001），元学习器为多项逻辑回归（L2正则化，C=1.0）。通过分层五折交叉验证生成元特征（每个基分类器输出4类概率，共12个元特征），然后训练元学习器。最后使用模型无关的Kernel SHAP解释器对完整堆叠函数进行全局和实例级特征贡献分析。
**研究结果**
**4.1 特征可视化**
通过圆形可视化展示了健康与故障状态下时域统计特征（均值、均方根RMS、方差、偏度、峰度）的差异：故障条件下均方根RMS径向扩展至约6.2 rad/s，方差径向扩展近翻倍，峰度局部峰值超过健康基线30%以上，表明故障不仅放大振动幅度，还扭曲了分布形状。进一步分析频域、能量和驱动特征：快速傅里叶变换（FFT）峰值幅度增加约20-35%，主频在10-14 Hz范围内变宽，谱熵增加约0.05-0.1，信号能量从健康时的22-28 (rad/s)
2升至故障峰值超过35 (rad/s)
2，波峰因子增加约25-30%，IMU1-IMU2互相关从0.80-0.85降至0.60-0.70，电机指令方差增加超过30%。这些结果证实了多域特征融合的必要性。
**4.2 SHAP结果**
全局SHAP重要性排名显示，电机指令方差（归一化贡献约1.60）、信号能量（约1.52）和IMU1-IMU2互相关（约1.44）是最重要的三个预测因子，其次是快速傅里叶变换（FFT）峰值幅度（约1.38）和波峰因子（约1.32）。时域特征（方差、均方根RMS、均值）构成第二梯队（约1.30-1.05），而偏度和峰度贡献较低（<0.90）。该排名表明无人机故障辨别由气动不平衡、控制器补偿和多惯性测量单元一致性共同主导。
**4.3 模型性能评估**
在E1（受控基线）中，KNN准确率87.6%，SVM 91.3%，SGD 84.2%，堆叠集成达到94.8%准确率、94.2%精确率、93.7%召回率和93.9%F1分数。在E2（跨轨迹）中，所有模型性能适度下降，但堆叠集成仍以92.1%准确率领先。在E3（跨无人机健康状态评估）中，堆叠集成达到98.3%准确率、100.0%精确率、96.2%召回率和98.1%F1分数。雷达混淆图显示，堆叠集成在裂纹和表面切割类之间减少了混淆，对角线真阳性率提升至88%-94%，跨类泄漏降至2%-5%。分组五折交叉验证结果进一步确认了堆叠集成在三个场景中均具有最高且最稳定的性能，标准差和置信区间均较窄。配对统计检验（Wilcoxon符号秩检验和精确McNemar检验）表明堆叠集成显著优于各基分类器（例如，与KNN相比，McNemar检验b=9, c=43, p<0.001，匹配优势比4.78）。与近期文献比较，所提方法在外部健康状态识别上达到98.3%准确率，优于轨迹泛化集成（97.9%准确率）和受约束的XGBoost-SHAP框架（38.04%准确率），但需注意比较任务和验证协议不同。
**结论与讨论**
本研究证明，当物理信息特征提取、异构堆叠和基于SHAP的属性分析集成在一个统一框架中时，基于遥测的无人机螺旋桨故障诊断可以实现强分类性能和实际可解释性。在受控基线条件下，所提堆叠集成达到94.8%准确率，优于SVM（91.3%）、KNN（87.6%）和SGD（84.2%）。引入轨迹变异后，准确率仍保持92.1%。在跨无人机健康状态评估中，达到98.3%准确率和100.0%精确率，表明强健康状态识别能力和低误报倾向。雷达混淆分析和SHAP归因确认了多域特征的有效性。未来工作将扩展至多旋翼耦合、电机/电子速度控制器（ESC）异常、电池引起的扭矩不平衡和混合机制故障，并在室外和任务驱动场景中验证，同时考虑声学、高频振动和机载电流遥测，扩展可解释性至时序架构（长短期记忆网络LSTM、时序卷积网络TCN、Transformer）和概率不确定性量化，以及边缘推理优化。
