基于混合深度学习的非线性刚度摩擦电振动传感器用于无人机叶片损伤监测

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Nonlinear stiffness triboelectric vibration sensor for UAV blade damage monitoring through hybrid deep learning

　　

• •
  用于无人机叶片损伤监测的非线性刚度摩擦电振动传感器。
• •
  开发了一种用于无人机叶片损伤识别的混合深度学习模型。
• •
  将该模型部署在机载计算机上，实现无人机叶片损伤的实时监测。

引言

结构健康监测（SHM）和基于振动的故障诊断对于确保航空航天旋转机械的运行可靠性至关重要[1]、[2]。作为关键的气动部件，无人机（UAV）叶片持续承受复杂工作环境的考验[3]、[4]。在飞行任务中，叶片承受复杂的气动载荷，引发非线性振动响应，对实时状态监测和早期损伤识别提出了严格要求[5]。传统振动传感系统主要依赖外部供电的压电传感器或MEMS加速度传感器，在应用于旋转叶片时面临固有的部署障碍[6]、[7]、[8]。

近年来，研究人员对叶片损伤监测进行了广泛研究。例如，Gomes等人[9]开发了一种多轴振动驱动的蝙蝠优化算法用于叶片损伤定位，但其诊断可靠性依赖于精确的参数调优。Ni等人[10]进一步提出了一种故障信息引导的变分模态分解方法，该方法被广泛用于增强叶片振动信号的特征。间接监测方法，如基于视觉的图像传感[11]、[12]、[13]、[14]和电机电流特征分析（MCSA）[15]、[16]、[17]、[18]，也得到了广泛研究。然而，视觉方法在视觉干扰下无法检测到初始损伤，而MCSA则受限于严格的模型依赖和微弱的故障特征。

为克服这些固有的局限性，自供电振动监测提供了一种有效的技术途径，可实现可持续和轻量的SHM[19]、[20]、[21]。2012年，Wang等人首次提出了摩擦电纳米发电机（TENG）[22]、[23]、[24]。得益于TENG的低成本、自供电特性，它们已被广泛应用于SHM[25]、[26]、[27]、[28]和振动传感[29]、[30]、[31]、[32]、[33]、[34]。为了突破带宽和灵敏度的限制，研究人员将准零刚度机制引入摩擦电传感以实现振动感知。Wu等人[35]提出了一种磁悬浮准零刚度传感器，但其质量会在转子上产生寄生质量加载；Zhang等人[36]将准零刚度摩擦电传感器结合用于自供电监测，但其笨重的金属结构阻碍了轻量化的机载部署。因此，其固有的局限性排除了它们在复杂气动干扰下进行无人机叶片损伤监测的可行性。

此外，虽然TENG的瞬态响应能够捕捉叶片振动动态，但气动噪声的干扰使得手工特征提取在故障识别中失效。深度学习已成为解码复杂振动信号中故障特征的有力范式[37]、[38]、[39]、[40]。总体而言，来自无人机叶片的原始自供电摩擦电信号本质上是非平稳的，且严重受气动噪声干扰。传统网络难以同时捕捉局部空间脉冲和时间演化，并且无法从主导的背景杂波中分离出微妙的损伤特征。

为了解决上述局限性，本文提出了一种非线性刚度摩擦电振动传感器（NS-TVS），它将非线性刚度机制与TENG的机电转换特性相结合，实现振动传感和叶片损伤监测。本研究的新颖性和主要贡献如下：

• 1)
  通过弹簧-磁体耦合设计，NS-TVS克服了传统振动传感器的固有局限性，实现了宽频率范围和低加速度水平下的振动检测。
• 2)
  NS-TVS通过3D打印制造，重量为25.3克，满足无人机载荷约束，并减轻结构尺寸对叶片动态特性的影响。
• 3)
  开发了一种GA-CRNN混合深度学习模型。经过离线训练后，该模型在七种不同类型的叶片上实现了95.96%的平均分类准确率。此外，该深度学习模型已部署在机载计算机上并经过实验验证。

本文其余部分结构如下。第2节详细介绍了NS-TVS的应用和结构设计。第3节介绍了理论模型的建立与分析。第4节介绍了NS-TVS的结构优化和基本性能。第5节对NS-TVS用于无人机叶片损伤监测的能力进行了验证。最后，第6节总结了结论和未来研究方向。

章节摘要

NS-TVS的应用与结构

图1(a)展示了NS-TVS在无人机上的应用。NS-TVS为无人机SHM提供了自供电传感和振动监测功能，特别是叶片损伤检测。它具有三个关键优势：低启动加速度阈值、宽监测频率带宽以及与无人机集成兼容的轻量化设计。图1(b)展示了NS-TVS的结构示意图。一个由PLA制成的3D打印圆柱形外壳封装了NS-TVS的主要组件，其中包括一个

NS-TVS的理论建模与分析

为了阐明NS-TVS的静态和动态特性，本研究建立了一个数学模型，图S2(a)展示了对应的受力分析。振动结构上主要受四个垂直力的作用：重力（F_g）、弹簧恢复力（F_spr）、磁力（F_mag）和结构阻尼力（F_d）。图S3详细说明了几何参数配置。此外，本研究假设振动结构不发生横向位移。图S4展示了

NS-TVS的结构优化与基本性能

建立了一个振动测试系统，以系统地验证NS-TVS的动态传感能力，并确定无人机叶片损伤监测的最优结构，如图3(a)所示。该系统主要由信号发生器、功率放大器、振动台、静电计、加速度传感器和计算机组成。加载过程如下：信号发生器产生的谐波信号由功率放大器放大以驱动振动台。

NS-TVS在无人机上的应用

图6(a)说明了无人机叶片损伤监测的工作流程。NS-TVS被安装在无人机电机底座下方，以捕捉由叶片气动不平衡和旋转不平衡引起的振动信号。NS-TVS的质量仅占无人机单臂有效载荷的5%，对叶片的气动特性和无人机臂的结构动力学影响微乎其微。由于Arduino数据采集系统的输入电压范围有限（0–5 V）

结论

为了解决传统传感方法在无人机叶片损伤监测中的工程局限性，本研究提出了一种基于NS-TVS的监测方案。通过结合非线性刚度机制的动态增强效应和TENG的机电转换特性，NS-TVS实现了宽频带和低加速度水平下的振动监测。NS-TVS具有轻量化的紧凑设计，满足了

CRediT作者贡献声明

叶祥锐（Xiangrui Ye）：撰写—初稿、验证、形式化分析、概念化。王宽宽（Kuankuan Wang）：撰写—审阅与编辑、软件、数据管理。刘心怡（Yixin Liu）：可视化、验证、调查。齐正海（Zhenghai Qi）：验证。徐亚林（Yaolin Xu）：验证。钱昆（Kun Qian）：验证。姚永明（Yongming Yao）：撰写—审阅与编辑、项目管理、方法论、资金获取。李天宇（Tianyu Li）：撰写—审阅与编辑、资源、概念化。

利益冲突声明

作者声明他们不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本研究由吉林省长白山实验室科技创新项目（项目编号：CBS2026006-01）资助。

Xiangrui Ye|Kuankuan Wang|Yixin Liu|Zhenghai Qi|Yaolin Xu|Kun Qian|Yongming Yao|Tianyu Li