基于飞行日志的无人机螺旋桨健康监测变形人工年龄评分决策支持原型

# 基于飞行日志的无人机螺旋桨健康监测元人工年龄评分决策支持原型系统
来源：https://arxiv.org/html/2608.18088
赛玛·亚曼·卡亚迪比
维多利亚大学可持续产业与宜居城市研究所（ISILC），墨尔本，澳大利亚
[email protected]

###### 摘要

当无人机螺旋桨故障的影响分散在多个飞行日志通道中而非表现为单一诊断信号时，可能带来安全性和可靠性风险。本文提出一种基于飞行日志的无人机螺旋桨健康监测元人工年龄评分决策支持原型系统。该框架利用2024年DronePropA公开数据集中的历史真实飞行日志，从原始MATLAB .mat矩阵计算出六项健康相关指标：轨迹跟踪误差、姿态不稳定性、推力指令负担、电机指令失衡、ESC指令不稳定性和电池电量应力。这些指标相对于健康基线进行标准化，并通过候选评分策略、元关系充分性和冗余调整AAS公式进行评估。此处，AAS作为结构性策略充分性和负担度量，而非时间年龄度量。研究通过一个健康基线和三个相同速度配置文件及轨迹下的缺陷螺旋桨案例进行受控回顾性评估。健康案例被分配进行常规监测；严重度1案例以ESC指令不稳定为主导，被分配进行维护审查；严重度2案例达到最大电机指令和ESC指令负担，而严重度3案例达到最大轨迹跟踪误差；两者均触发强制检查。结果表明，螺旋桨故障影响可能通过不同的操作通道显现，这支持了为飞行后维护优先级排序和自主系统监督建立多指标决策支持层的必要性。

关键词：人工年龄评分；无人机螺旋桨健康监测；飞行日志分析；决策支持；元测试；维护优先级排序；无人机健康监测；策略充分性。

## 1 引言

无人驾驶飞行器（UAV）在可靠性、安全性和可维护性至关重要的操作领域中日益普及，包括物流、检测、农业、应急响应和公共安全应用。在这些场景中，核心飞行部件的状态成为关键的操作考量。螺旋桨尤为重要，因为它们直接影响推力生成、飞行稳定性、轨迹跟踪和控制响应。螺旋桨故障如裂纹、边缘损伤、表面切口和不平衡可能改变气动和机械行为，即使无人机仍能运行。DronePropA数据文章强调，螺旋桨可靠性问题可能产生安全风险和经济损失，推动了有效健康监测和预测性维护方法的发展[1]。

无人机螺旋桨健康监测的一个核心挑战是，故障影响可能分布在多个飞行日志通道中，而非表现为单一诊断信号。2024年发布的DronePropA公开数据集（后在《Data in Brief》文章中描述）提供了健康和有缺陷螺旋桨条件的历史真实飞行日志数据[2, 1]。它包含130个飞行序列，涵盖三种故障类型、三种严重度等级、两种速度配置文件和五种轨迹模式[1]。相关的MATLAB飞行日志包括测量和参考位置、姿态相关信号、推力指令、电机指令、电子速度控制器（ESC）指令和电池电量信息。这种结构使DronePropA不仅适用于故障分类，也适用于研究基于飞行日志的指标如何支持可解释的维护决策。

现有的无人机健康监测研究通常集中于故障检测、诊断和分类。基于振动的方法尤为重要，因为螺旋桨和旋翼故障可能在惯性或加速度计信号中产生可测量的变化。Baldini等人提出了一种基于振动数据分析的多旋翼无人机实时螺旋桨故障检测方法，证明了基于信号的监测在识别螺旋桨故障方面的价值[3]。Ghazali和Rahiman研究了使用人工智能方法进行基于振动的无人机故障检测，进一步支持了数据驱动方法在无人机健康监测中的作用[4]。这些研究表明，故障相关信号可以从无人机数据中提取；然而，仅靠分类并不能完全解决下游的决策支持问题。

决策支持问题与分类问题不同。分类器可能将无人机标记为健康或故障，但维护团队还需要理解哪个操作指标驱动了建议、证据是否足够证明检查的合理性，以及评分策略在有意义的输入转换下是否表现一致。例如，轨迹跟踪误差的增加不应被忽视；电机指令失衡不应被一个不太相关指标的下降完全掩盖；当主要的螺旋桨动力学指标保持较低时，仅凭电池电量变化不应被解释为螺旋桨关键性。这些都是关于决策支持策略如何响应输入空间变化的结构性充分性问题。

本研究由以下研究问题指导：能否使用元人工年龄评分框架将选定的DronePropA飞行日志信号转换为可解释的飞行后决策支持输出？这个问题很重要，因为无人机螺旋桨健康监测不仅仅是一个故障检测问题。在操作环境中，维护团队需要知道为什么某个案例需要常规监测、维护审查或强制检查。二元的健康/故障分类可能识别故障的存在，但它可能无法解释哪个飞行日志通道驱动了该决策，或者评分机制在输入指标的预期变化下是否表现一致。

本研究的意义在于它尝试连接通常被单独处理的三个层次：基于飞行日志的特征提取、决策支持评分和策略充分性评估。所提出的原型使用真实的DronePropA飞行日志数据计算六项健康相关指标，然后通过元关系充分性和冗余调整AAS公式评估候选评分策略。这使得该框架作为透明的概念验证决策支持层用于飞行后维护优先级排序，而非作为认证的诊断系统。

本研究的另一重要性在于它将AAS从行为或结构老化度量适配为无人机健康监测的策略充分性度量。在此背景下，AAS不测量时间年龄。相反，它衡量当输入向量根据健康监测预期进行转换时，评分策略的结构不一致性。这允许所提出的框架不仅评估最终的螺旋桨健康评分，还评估产生该评分的策略的可靠性。

本文提出一种基于飞行日志的无人机螺旋桨健康监测元人工年龄评分决策支持原型系统。所提出的框架将选定的历史真实DronePropA飞行日志转换为六个标准化的健康相关指标：轨迹跟踪误差、姿态不稳定性、推力指令负担、电机指令失衡、ESC指令不稳定性和电池电量应力。这些指标从原始MATLAB .mat时间序列矩阵计算得出，而非手动分配。然后，通过候选评分策略、元关系充分性和冗余调整AAS公式对它们进行评估。目的是为螺旋桨健康监测、维护优先级排序和自主系统监督工作流程提供可解释的飞行后决策支持层。

在本研究中，人工年龄评分是在结构性而非时间性的意义上使用的。在原始AAS公式中，人工年龄不指经过时间、生物老化或日历年龄。相反，它通过一致性损失、冗余调整和对数惩罚来表示行为或结构负担[7]。此处，这一逻辑从AI系统评估转移到无人机螺旋桨健康监测。较高的策略级AAS并不意味着无人机或螺旋桨在时间上更老；而是表明候选评分策略在预定的元健康监测预期下表现出更大的不一致性或不充分性。

所提出的框架分离了三个在简单评分系统中常被混淆的要素。首先，提取的飞行日志指标代表观察到的操作负担。其次，选定的评分策略产生螺旋桨健康负担评分。第三，冗余调整AAS评估该评分策略在元关系下的结构充分性。这种分离允许原型系统不仅报告维护建议，还报告主导指标、所选策略、策略级AAS、主要元违规、策略置信度和决策置信度。

元测试为此问题提供了合适的逻辑，因为维护评分的精确预言机难以定义。在软件测试中，当测试用例的预期输出不可用或不切实际时，就会出现预言机问题；元测试通过检查源执行和后续执行之间的关系在定义的转换下是否保持来解决此问题[5]。这种关系逻辑也已应用于传统软件测试之外的可靠性相关场景，在这些场景中，系统行为必须通过预期转换而非单一输出值进行评估[6]。在本研究中，元充分性测试被适配用于无人机螺旋桨健康监测，通过评估候选评分策略在轨迹跟踪误差、电机指令失衡、ESC指令不稳定性和电池电量应力被系统转换时是否做出适当响应。

本文的主要贡献在于将基于DronePropA的特征提取、元充分性测试和冗余调整AAS建模集成到一个单一的可解释决策支持原型中。研究定义了来自真实飞行日志数据的可重现输入结构，在元关系下评估候选评分策略，并将AAS适配为结构性策略充分性度量，而非时间老化指标。在此过程中，所提出的原型将AAS从行为或系统老化分析扩展到基于飞行日志的无人机螺旋桨健康监测维护决策支持。

## 2 方法论

### 2.1 研究设计

本研究使用DronePropA公开数据集中的历史真实飞行日志数据，开发了一个用于无人机螺旋桨健康监测的回顾性决策支持原型系统。其目的不是构建传统的故障分类器，而是研究通过元人工年龄评分框架，基于飞行日志的指标是否可以被转换为可解释的维护支持输出。方法论结构结合了四个组成部分：基于DronePropA的特征提取、健康基线标准化、候选评分策略，以及通过元关系充分性进行的冗余调整AAS评估。

DronePropA适用于此目的，因为它提供了标记的健康及有缺陷无人机螺旋桨飞行日志数据，涵盖多种故障类型、严重度等级、速度配置文件和轨迹模式[2, 1]。该数据集包含包含`commander_data`、`QDrone_data`和`stabilizer_data`的MATLAB .mat文件。在当前实现中，六项决策支持指标从`commander_data`和`QDrone_data`矩阵计算得出，而`stabilizer_data`是DronePropA文件结构的一部分，但未在当前特征集中使用。这一区别很重要，因为报告的指标是从选定的原始时间序列信号推导出来的，而非手动分配或作为预计算变量读取。

评估是回顾性的，因为所选文件是历史飞行日志而非实时流操作数据。这种设计适用于概念验证原型，因为其目的是演示真实的记录飞行行为是否可以被转换为结构化的维护建议。所得结果被解释为飞行后决策支持证据，而非认证的诊断或自主飞行控制决策。

### 2.2 选定的DronePropA子集

为了保持比较的内部一致性，选择了DronePropA的一个受控子集。所有选定文件对应于相同的速度配置文件和轨迹类型。这降低了提取指标的变化是由不同的轨迹需求或速度条件而非螺旋桨健康差异引起的风险。

选定的文件为：
F0_SV0_SP1_t1_D1_R1,
F3_SV1_SP1_t1,
F3_SV2_SP1_t1,
F3_SV3_SP1_t1。
根据DronePropA的命名约定，`F0`表示健康条件，而`F1`、`F2`和`F3`表示故障组。严重度代码`SV1`、`SV2`和`SV3`代表递增的故障严重度等级。速度配置文件`SP1`对应于较高速度条件，`t1`对应于对角轨迹[1]。因此，所选子集包含一个健康基线和三个来自相同故障组、相同速度和轨迹条件下的有缺陷螺旋桨案例。该设计允许原型系统评估在受控的健康到缺陷序列中，提取的飞行日志指标如何变化，同时避免因速度或轨迹差异导致的不必要的变异。

### 2.3 DronePropA文件结构与信号提取

本研究使用的数据来自公开的DronePropA数据集，该数据集最初于2024年通过Mendeley Data发布，后在2025年的《Data in Brief》文章中描述[2, 1]。DronePropA包含使用健康和有缺陷螺旋桨运行的商业无人机的真实飞行日志和轨迹数据。该数据集包含130个飞行序列，涵盖健康和有故障螺旋桨条件、三种故障类型、三种严重度等级、两种速度配置文件和五种轨迹模式。在本研究中，一个受控的四文件子集被用于后续分析。