论文题目Propeller Damage and Screw Loosening Detection in UAV Systems Based on Acoustic Signals: An Empirical Mode Decomposition Approach中文题目基于声学信号的无人机螺旋桨损伤与螺丝松动检测一种经验模态分解方法会议2025 International Conference on Artificial Intelligence, Computer, Data Sciences and ApplicationsACDSA 2025摘要近年来无人机系统机械故障的早期检测对于保障无人机系统的运行安全和系统的连续性具有重要意义。然而现有的研究大多没有充分考虑真实世界的环境条件或无人机在空中和地面操作过程中以不同速度水平的行为而且大多数研究仅限于检测与螺旋桨相关的故障。无人机系统中螺旋桨损坏、旋翼螺丝松动等机械故障的早期识别对保障系统安全、提高运行效率具有重要意义。提出了一种新的基于声学的故障诊断框架该框架结合经验模式分解和希尔伯特-黄变换来检测螺旋桨损伤和转子螺杆松动为文献中经常遇到的基于振动传感器的传统方法提供了一种替代方案。与传统的基于振动的方法或固定频带频谱分析技术不同该方法自适应地将非线性和非平稳的声信号分解成称为本征模式函数的子频率分量而不需要任何预定义的基函数。利用希尔伯特-黄变换对这些分量进行进一步处理提取瞬时幅值和频率特征。在故障和非故障两种不同转速条件下对提取的特征进行了对比分析。在故障检测性能方面研究了决策树算法和支持向量机算法的分类精度。该方法的最大性能准确率为98.27%不仅能够有效地检测螺旋桨故障而且能够有效地检测其他与转子螺杆松动相关的问题。一、研究背景与核心问题随着无人机逐渐应用于农业、国防、测绘和航拍等场景其机械系统的安全性和连续运行能力变得越来越重要。多旋翼无人机依靠高速旋转的螺旋桨产生升力一旦螺旋桨出现裂纹、局部断裂或质量不平衡就可能造成推力下降、功耗增加和机架共振如果转子与螺旋桨之间的固定螺丝发生松动螺旋桨还可能在飞行过程中晃动甚至脱落最终导致无人机失控或坠毁。已有研究大多使用加速度计采集振动信号再通过 RMS、方差、峰值频率、峭度等特征判断螺旋桨是否损伤。这类方法已经取得了较高准确率但仍然存在几个明显问题。首先很多实验只在固定转速或悬停状态下进行难以反映无人机在地面运行、悬停和向前飞行时的动态变化其次多轴振动传感器通常需要同时分析水平和垂直方向增加了输入维度和计算量再次传统傅里叶分析或固定频带分析更适合平稳信号而无人机声音会随着转速、结构振动和空气动力条件不断变化本身具有明显的非线性和非平稳特征。这篇论文的目标是使用一个布置在螺旋桨附近的麦克风替代传统多轴振动传感器再通过经验模态分解和 Hilbert-Huang 变换提取瞬时幅值与瞬时频率特征最终区分正常状态、螺旋桨损伤和转子固定螺丝松动。作者希望证明即使不依赖复杂深度学习模型只使用九个自适应幅频特征以及决策树或支持向量机也能够获得较高的机械故障识别准确率。二、方法与实验设计实验平台是一架定制四旋翼无人机配备 DJI A2 飞控系统。无人机总质量约为 6 kg总跨度约为 1.5 m使用 T-Motor MN3520 KV400 电机、T-Motor T60A 电调、6S 7000 mAh 40C LiPo 电池和 16 英寸碳纤维螺旋桨。麦克风被安装在螺旋桨附近用于采集旋翼和转子连接结构产生的声学信号。与需要分析多个方向的加速度计方案相比这种布置只使用一个声学传感器和一个采集通道。论文 Figure 1无人机实验平台、麦克风安装位置以及转子固定螺丝的位置数据在室内实验室环境中采集覆盖不同日期、不同时间段和不同转速。无人机在地面运行时的转速为 23008500 rpm悬停时为 900010000 rpm向前飞行时为 1050012000 rpm最大飞行高度为 10 m。声学采样率为总记录时间为每个样本长度为 1 秒因此最终得到 750 个数据片段。每个片段包含N48000个采样点。所有数据分为三类。Class 0 表示螺旋桨完好且所有转子固定螺丝均已拧紧Class 1 表示螺旋桨损伤其中轻度、中度和重度损伤被合并为一个类别Class 2 表示螺旋桨本体完好但连接螺旋桨与转子的固定螺丝被人为松开。论文 Figure 2Class 0、Class 1 和 Class 2 对应的正常螺旋桨、不同损伤程度螺旋桨以及松动和拧紧的转子固定螺丝整套处理流程可以概括为首先采集单通道声学信号并按 1 秒分段然后使用经验模态分解将每个片段分解为 IMF1、IMF2 和 IMF3接着对三个 IMF 分别执行 Hilbert 变换提取瞬时幅值、瞬时频率均值和瞬时频率标准差最后将九个特征输入决策树和支持向量机完成三分类故障识别。三、EMD-HHT 特征提取原理经验模态分解是一种数据驱动、自适应的信号分解方法。它不需要预先设定正弦基函数或小波基而是根据输入信号本身的局部极值和包络结构将原始非平稳信号分解为多个具有不同时间尺度的振荡分量。原始信号可以表示为其中ci(t) 表示第 i 个本征模态函数表示最终残余项。一个分量要被视为 IMF需要满足两个条件。其一零交叉点数量与局部极值点数量必须相等或者最多相差一个其二由局部最大值构成的上包络和由局部最小值构成的下包络其均值在任意时刻都应接近零即其中u(t) 为上包络l(t) 为下包络。论文只使用前三个 IMF。IMF1 主要包含高频、瞬态和短时声学成分IMF2 主要表示中频结构特征IMF3 则包含相对较低频的信息。需要注意这些频带不是人工固定的滤波范围而是由每个样本自身的数据特征自适应产生。论文 Figure 3正常、螺旋桨损伤和转子螺丝松动三种状态下IMF1、IMF2 与 IMF3 的平均频谱Figure 3 是全文最关键的结果图之一。图中红色为 IMF1绿色为 IMF2蓝色为 IMF3上图对应正常状态中图对应螺旋桨损伤下图对应转子螺丝松动。IMF1 对轻微裂纹、局部断裂和高频瞬态变化较敏感严重螺旋桨损伤或转子螺丝松动造成的不平衡会使 1214 kHz 区域的幅值明显增加。IMF2 更能反映中频结构变化转子螺丝松动在 46 kHz 区域表现出明显幅值上升。IMF3 对较低频的不平衡更敏感转子松动在 12 kHz 以及低于 1 kHz 的区域表现得更加突出。在 EMD 得到三个 IMF 后论文继续使用 Hilbert 变换构造解析信号。对于第 i 个 IMF其中为瞬时幅值为瞬时相位。瞬时幅值和瞬时相位分别为Hilbert 变换写为其中CPV 表示柯西主值。第 i 个 IMF 的瞬时频率由瞬时相位对时间求导得到瞬时频率均值为瞬时频率标准差为论文从每个 IMF 中提取瞬时幅值均值 IA、瞬时频率均值 MNF 和瞬时频率标准差 STF因此三个 IMF 最终形成九维特征向量这九个特征同时描述不同频率尺度上的声学能量、局部频率位置以及频率波动程度比单独使用固定频谱峰值更适合分析随转速变化的非平稳声学信号。四、分类结果与实验分析论文使用决策树和支持向量机进行分类并采用五折交叉验证评估性能。750 个样本被随机划分为五个大小相同的子集每轮使用四个子集训练、一个子集测试也就是 600 个训练样本和 150 个测试样本。整个过程重复五次使每个子集都恰好作为一次测试集。论文 Table I决策树和 SVM 在三类故障识别任务中的 Accuracy、Precision 与 F1-score决策树的总体准确率为 97.73%SVM 的总体准确率为 98.27%后者高出 0.54 个百分点。决策树对 Class 0、Class 1 和 Class 2 的 Precision 分别为 96.87%、98.34% 和 98.15%对应 F1-score 为 97.54%、97.36% 和 98.76%。SVM 对三个类别的 Precision 分别为 98.59%、97.42% 和 99.36%对应 F1-score 为 98.59%、97.89% 和 98.42%。Class 2 对应转子固定螺丝松动。SVM 在这一类别上的 Precision 达到 99.36%说明被模型预测为螺丝松动的样本中错误预测很少。这个结果也说明声学信号不仅能检测螺旋桨本体损伤还能够识别旋翼连接结构异常。论文 Figure 4RUSBoosted 决策树和 Fine Gaussian SVM 的三分类混淆矩阵Figure 4 中的真实类别数量分别为Class 0 有 283 个样本Class 1 有 307 个样本Class 2 有 160 个样本。RUSBoosted 决策树正确识别了 278 个正常样本、296 个螺旋桨损伤样本和 159 个螺丝松动样本因此正确分类总数为278296159733准确率为97.73%Fine Gaussian SVM 正确识别了 279 个正常样本、302 个螺旋桨损伤样本和 156 个螺丝松动样本因此正确分类总数为279302156737准确率为98.27%。SVM 一共错误分类 13 个样本决策树错误分类 17 个样本。SVM 的高斯核能够形成非线性分类边界可能更适合处理不同 IMF 特征之间的复杂组合关系不过论文并没有进一步给出这一差异的理论分析也没有报告两种模型的训练时间、推理延迟和内存占用因此不能只依据准确率断言 SVM 在实际机载部署中一定更优。论文将结果与已有振动检测方法进行了比较。已有一项研究使用 14 个振动幅频特征和决策树得到 93.37%使用 64 个特征和 SVM 得到 98.21%本文使用九个 EMD-HHT 声学特征和 SVM 得到 98.27%。从数值上看本文略高于 98.21%但不同研究的数据集、故障类别、平台和验证方式并不相同不能直接将这一差异解释为方法全面优于已有方案。更值得关注的是本文在加入转子螺丝松动类别后仍然使用较少特征保持了较高分类性能。五、创新点、局限性与总结这篇论文的主要创新是将无人机故障检测从多轴振动传感器转向单通道声学信号并把螺旋桨损伤和转子固定螺丝松动放入同一个分类模型。EMD 不依赖预设频带而是从信号中自适应提取高频、中频和低频 IMFHHT 又在此基础上计算瞬时幅值与瞬时频率使模型能够描述非平稳声学信号的局部变化。最终只使用九个特征Fine Gaussian SVM 就取得了 98.27% 的准确率其中螺丝松动类别的 Precision 达到 99.36%。不过这项工作的验证范围仍然有限。数据虽然覆盖地面运行、悬停和向前飞行也覆盖 230012000 rpm 的较大转速范围但实验环境仍然是室内实验室。论文没有系统研究室外风噪、车辆噪声、多人环境、多架无人机同时运行、墙面反射和不同麦克风距离等因素。对于声学方法而言这些环境变化可能显著影响输入信号。此外实验只使用一架无人机、一种电机、一种螺旋桨和一个麦克风位置更换电机 KV 值、桨叶尺寸、机架结构或传感器位置后IMF 的频率分布可能发生变化。轻度、中度和重度螺旋桨损伤也被合并为同一个 Class 1因此 98.27% 代表的是正常、损伤和松动三分类结果并不表示模型能够以同样准确率识别不同损伤等级。论文采用五折交叉验证但没有设置跨无人机、跨场地或跨日期的独立外部测试集也没有报告 EMD、HHT 和分类器在嵌入式处理器上的运行时间、内存占用和端到端检测延迟。尤其是 EMD 本身包含迭代筛分过程是否能够在低功耗机载平台上实时运行还需要进一步实验验证。总体来看这篇论文证明了一条具有实际价值的技术路线使用一个麦克风采集旋翼声音通过 EMD 将非平稳声学信号分解到不同时间尺度再利用 HHT 提取瞬时幅值与瞬时频率特征最终区分正常状态、螺旋桨损伤和转子固定螺丝松动。实验共使用 750 个一秒样本RUSBoosted 决策树取得 97.73% 的准确率Fine Gaussian SVM 取得 98.27% 的准确率。论文后续计划引入 Wavelet Scattering Transform 和 LSTM进一步提高复杂真实环境中的鲁棒性但与此同时也需要重新评估模型计算量和嵌入式部署成本。