（论文速读）基于频域分集调制的单通道无人机螺旋桨损伤诊断

****论文题目：****Frequency-domain diverse modulation for single-channel UAV propeller damage diagnosis（基于频域分集调制的单通道无人机螺旋桨损伤诊断）

****期刊：****International Journal of Mechanical Sciences

****摘要：****多旋翼无人机很容易受到螺旋桨的损坏，这可能会严重危及飞行安全。然而，传统的故障诊断方法仍然面临着轻量级传感和高精度诊断之间的权衡。提出了一种基于频域分集调制的单通道无人机螺旋桨损伤定位与识别策略。其核心思想是通过一个具有频域调制能力的工程框架，将与损伤相关的振动特征区分增强从算法后端传递到传感前端。理论分析表明，该策略受频率相关有效质量的非均匀分布和局部谐振频率的多样化调制的支配。在该机构的指导下，设计了一种带有L型谐振器的工程框架，并采用优化算法来最大化约束条件下无人机臂之间的振动传递差异性。实验表明，振动传递之间的平均相关系数从0.54下降到0.10，证实了频域去相关的有效性。该方法只需单通道振动响应，采用轻量级单层感知器，定位识别准确率可达97%以上，最高可达99%以上。模型大小保持在0.2MB以下，单样本推理时间低于0.1ms。此外，在噪声干扰或数据有限的情况下，诊断准确率仍保持在90%以上。实际悬停飞行验证进一步达到了92.5%的定位精度和96.2%的识别精度。上述实验证实了所提出的有限差分策略的有效性及其在平衡轻量级无人机传感和高精度诊断方面的工程可行性，显示出良好的工程应用潜力。

只用一个振动传感器，如何完成无人机螺旋桨损伤定位与识别？------FDM论文详细解读

一、论文基本信息

这篇论文关注一个很有工程价值的问题：在不大量增加传感器、不依赖复杂深度网络的情况下，能否只使用一个振动测量通道，对四旋翼无人机的螺旋桨损伤进行高精度定位和类型识别？

作者给出的答案是：可以，但关键并不只是设计一个更强的分类网络，而是要先重新设计振动信号到达传感器之前所经过的物理结构。

论文提出的频域多样化调制策略，可以简单概括成一句话：

让无人机机架在振动传播阶段主动"编码"损伤信息，使单个传感器也能采集到具有明显差异的频谱。

二、研究背景：单通道为什么很难做损伤定位？

螺旋桨是多旋翼无人机产生升力和进行姿态控制的关键执行部件。叶尖断裂、叶片裂纹和局部缺口等损伤会改变旋翼的气动载荷、质量分布和动态响应，并可能进一步引发推力下降、振动增强、控制性能恶化甚至飞行事故。

现有螺旋桨故障诊断方法大致可以分为数据驱动和模型驱动两类。

数据驱动方法通常采集振动、声音、电流、角速度等信号，再利用时域指标、傅里叶变换、谱峭度、小波分解或深度神经网络提取故障特征。模型驱动方法则建立无人机或旋翼动力学模型，通过观测信号与模型预测响应之间的残差判断故障。

这些方法已经取得了不错的结果，但在真实无人机平台上仍然存在一个非常现实的矛盾。

2.1 多通道测量信息丰富，但不够轻量

在四条机臂、电机附近或机身多个位置布置传感器，可以直接获得空间分布信息，因此更容易判断哪一个螺旋桨发生损伤。

但多通道系统同时意味着：

传感器数量增加；
采集通道和布线更复杂；
重量与功耗上升；
同步采样和数据处理成本增加；
对小型无人机的工程部署不友好。

2.2 单通道足够轻量，但信号容易"混在一起"

只在机身中央安装一个加速度计，系统会非常简单。不过，单个传感器接收到的是四个旋翼激励通过不同机臂传播后叠加形成的整体振动。

对于结构近似对称的普通四旋翼机架，不同机臂的传递特性往往比较相似。因此：

同一种损伤发生在不同螺旋桨上时，测得的频谱可能很接近；
同一位置的不同损伤，也可能没有足够明显的区分特征；
单通道观测缺少天然的空间信息。

这使得"轻量化单通道"与"高精度定位识别"形成了直接冲突。

论文真正要解决的，不是简单的分类器选择问题，而是：

如何在保持单通道测量的前提下，提高传感器所获取信息的任务相关性和可分性？

三、核心思想：把无人机机架变成物理编码器

传统诊断流程通常是：损伤振动->普通机架传播->传感器采集->复杂算法提取特征

本文提出的流程则是：损伤振动->FDM机架进行频域调制->单传感器采集差异化信号->轻量分类器

也就是说，作者把"增强特征差异"的工作从算法后端前移到了感知前端。

在四条机臂上布置参数不同的局部谐振器后，每条机臂会形成不同的振动传递函数。来自不同螺旋桨位置和损伤类型的振动，在传播到机身中央之前会受到不同的频域调制，从而形成类似"频谱指纹"的响应。

论文 Figure 1：频域多样化调制理论模型。

图中展示四条机臂上的多个谐振器、机身中央的单个加速度计、单个谐振器的质量---弹簧等效模型，以及采用有效质量表示的等效均匀模型。

这一思想与计算成像中的编码孔径有一定相似性：不是被动接受原始信号，而是在测量之前通过物理结构进行有利于后端任务的信息编码。

四、FDM为什么有效？从有效质量与局部谐振说起

4.1 单个谐振器的频率相关有效质量

论文把一个局部谐振单元简化为三部分：

机臂基体的一部分，质量为 ()；
局部质量块，质量为 ()；
连接二者的弹簧和阻尼。

通过动力学方程，可以把谐振器等效为一个随频率变化的有效质量：

这个公式的关键不是复杂的数学形式，而是它说明：谐振器的等效质量并不是常数，而是激励频率的函数。

当激励频率接近局部谐振频率时，有效质量可能进入负值区间。此时质量块与基体发生反向运动，并具有较大的局部振幅，使振动能量难以继续向机身方向传播。

论文给出的理论算例中，谐振频率为502.2 Hz。在其附近，有效质量出现负值，振动传递受到显著抑制。

论文 Figure 2：FDM理论分析结果。

Figure 2(a)展示有效质量随频率变化及502.2 Hz附近的负有效质量区间；Figure 2(b)展示四条机臂不同的振动传递响应；Figure 2(c)展示四条响应的互相关矩阵，理论平均相关系数为 ()。

4.2 多个谐振器共同形成频域调制

单个谐振器主要影响其局部谐振频率附近的振动传播。如果在一条机臂上布置多个局部谐振频率不同的谐振器，就会在多个频段形成选择性调制。

论文中，一条理论机臂上的总振动传递响应可以写为各级传递系数的乘积：

因此，每个谐振器相当于一个局部频率调制单元，多个单元串联后共同决定整条机臂的频率响应。

如果四条机臂采用不同的参数组合，它们就会形成不同的频谱形状。于是，同一个叶尖断裂损伤分别出现在A、B、C、D四个螺旋桨上时，中央传感器测得的频谱也会不同。

论文 Figure 3：频域多样化调制的物理机制。

Figure 3(a)把不同谐振器的有效质量负值区间与机臂传递响应的衰减频带对应起来；Figure 3(b)用不同颜色表示不同局部谐振频率，直观展示非均匀有效质量分布如何为四条机臂建立不同的频域传播路径。

4.3 如何评价四条机臂是否足够不同？

作者采用四条机臂振动传递响应的平均相关系数：

其中，() 表示两条机臂频率响应之间的相关系数。

这个指标的解释很直观：

() 越接近1，说明四条机臂的响应越相似；
() 越接近0，说明响应越独立，越有利于位置区分。

因此，FDM机架的设计目标不是让某一个频率的振动最大或最小，而是让四条机臂在整个关键频段内形成尽可能不同的传递响应。

五、从理论模型到可制造机架：L形谐振器设计

为了将质量---弹簧理论模型转化为真实结构，作者设计了L形局部谐振器。

每个谐振器由三部分构成：

机臂基体；
L形梁；
梁端质量块。

每条机臂上布置12个谐振器，排列方式为2行×6列。相邻谐振器的行间距为4 mm，列间距为25 mm，机臂厚度为6 mm。

L形梁的主要固定尺寸为：

质量块尺寸中，()、()，高度 (h) 被设为可调变量：

论文 Figure 4：工程机架及L形谐振器结构。

Figure 4(a)展示装有工程机架的四旋翼；Figure 4(b)展示单条机臂上的2×6谐振器阵列；Figure 4(c)展示L形梁、质量块和基体的尺寸定义。

5.1 为什么选择质量块高度作为设计变量？

改变质量块高度会改变局部惯性和谐振特性，因此可以调节局部谐振频率。

论文的有限元结果显示，当 (h=8mm) 时，L形谐振器的局部谐振频率为431.5 Hz。在该频率附近，质量块发生明显的面外运动，而机臂基体基本保持静止，对应负有效质量和振动传递抑制。

随着 (h) 从4 mm增加到14 mm，局部谐振起始频率总体从约600 Hz下降到约320 Hz。这说明只需改变一个容易制造的几何参数，就能在目标频带内连续调节谐振位置。

论文 Figure 5：L形谐振器有限元分析。

Figure 5(a)展示 (h=8mm) 时的有效质量曲线、431.5 Hz局部谐振点及振型；Figure 5(b)展示局部谐振起始频率随质量块高度增加而下降的规律。

六、遗传算法优化：质量相同，但频率响应尽量不同

如果简单地随机设置四条机臂上的12个高度参数，可能出现两个问题：

不同谐振器的调制频带大量重叠，四条机臂仍然很相似；
四条机臂总质量不同，引入额外的不平衡问题。

因此，作者建立了带质量约束的优化问题：

满足：

遗传算法的每个个体代表一条机臂上12个质量块高度的组合，四个个体组成一个四元组，对应四旋翼的四条机臂。算法在200--800 Hz内通过有限元计算每个个体的传递响应，再计算任意四个个体组成的四元组的平均相关系数。

适应度被定义为：

其中 ()。平均相关系数越低，适应度越高。

论文采用的主要优化参数包括：

种群大小 (Np=32)；
等质量约束参数 (Mc=102)；
变异概率 (b=0.2)；
最大迭代次数400。

论文 Figure 6：质量和尺寸约束下的工程机架优化流程。

该图依次展示种群初始化、质量归一化、有限元响应与相关矩阵计算、四元组适应度、选择、交叉重组、变异、精英保留及终止判断。

论文 Appendix Figure B.1：遗传算法最优四元组适应度随迭代次数的变化。

曲线前期快速上升、后期趋于稳定，说明搜索过程基本收敛。

论文 Appendix Table E.1：四条机臂优化后的12个质量块高度参数。

七、实验如何开展？

7.1 实验平台与损伤类型

作者使用三自由度飞行平台进行受控实验，以保证无人机运行安全和测试条件可重复。工程机架通过3D打印制造，实际质量与原始机架相当。

机身中央仅安装一个加速度计，用于测量四个螺旋桨激励经机架传播后的整体振动。

论文考虑了三种典型损伤：

叶尖断裂（blade-tip fracture）；
叶片裂纹（blade crack）；
叶片缺口（blade notch）。

实验同时覆盖：

4种单螺旋桨损伤位置；
6种双螺旋桨损伤位置组合；
健康状态。

论文 Figure 7：单通道损伤诊断实验平台。

图中包括三自由度飞行平台、机身中央加速度计、数据采集设备、3D打印工程机架，以及正常、叶尖断裂、裂纹和缺口四种螺旋桨状态。

7.2 数据处理过程

每种工况采集101 s振动信号。数据处理步骤如下：

使用1 s时间窗切分原始信号；
滑动步长为0.5 s；
每种工况获得200个样本；
对每个样本进行傅里叶变换；
截取200--800 Hz频段；
每个频域样本包含600个数据点；
对频谱幅值进行归一化。

最终获得：

健康数据集：200个样本；
单螺旋桨损伤数据集：2400个样本；
双螺旋桨损伤数据集：3600个样本。

训练集与测试集按4:1划分。所有模型采用Adam优化器和交叉熵损失，学习率为 ()，训练300个epoch。

7.3 为什么主模型只用单层感知机？

SLP没有隐藏层，结构为：

也就是把600个频域采样点直接映射到类别概率。

作者还设计了MLP和一维CNN作为对照。这样做的目的不是寻找最强分类器，而是回答一个更关键的问题：

如果简单线性分类器已经能达到很高精度，是否说明不同损伤状态在FDM机架输出空间中已经具有很强的可分性？

论文 Table 1：SLP、MLP和一维CNN的具体网络结构。

八、实验结果一：工程机架确实让四条传播路径更独立

在200--800 Hz频段内，作者比较了普通机架与FDM工程机架的四条机臂振动传递响应。

结果为：

普通机架：()；
FDM工程机架：()。

平均相关系数从0.54降低到0.10，降幅约为81.5%。这表明FDM工程机架显著降低了四条机臂传递响应之间的相关性。

更重要的是，频谱对比给出了两类直接证据：

把同一个断裂螺旋桨分别安装在A、B、C、D位置时，频谱具有明显不同的峰值位置和幅值分布，说明信号中包含位置编码；
在同一个D位置分别安装正常、断裂、裂纹和缺口螺旋桨时，四种状态也具有不同频谱，说明信号中同时包含损伤类型信息。

论文 Figure 8：振动传递差异评价。

Figure 8(a)和(c)分别给出工程机架与普通机架的相关系数结果；Figure 8(e)展示同一断裂损伤处于不同位置时的频谱；Figure 8(f)展示同一位置的不同损伤类型频谱。

这组结果是全文非常关键的一环，因为它先在物理层证明了"信号真的被拉开"，然后才进入分类精度比较。

九、实验结果二：单通道SLP达到97.7%--99.6%

9.1 只做损伤位置定位

在单螺旋桨损伤定位任务中：

SLP准确率为97.7%；
MLP准确率为97.5%；
CNN准确率为99.4%。

CNN比SLP高1.7个百分点，但其单样本推理时间为0.39 ms，模型大小为3.5 MB；SLP推理时间为0.10 ms，模型只有0.15 MB。

在双螺旋桨损伤定位任务中：

SLP准确率为97.9%；
MLP准确率为98.6%；
CNN准确率为98.9%。

此时，复杂网络相对于SLP的最高增益只有1个百分点。

论文 Figure 9：单通道螺旋桨损伤定位结果。

Figure 9(a)和(b)比较SLP、MLP、CNN的准确率和推理时间；Figure 9(c)和(d)给出SLP训练与测试准确率、损失曲线。

9.2 同时定位并识别损伤类型

在单螺旋桨定位与类型识别任务中：

SLP准确率为98.1%；
MLP准确率为98.3%；
CNN准确率为98.8%。

在双螺旋桨定位与类型识别任务中：

SLP准确率为99.6%；
MLP准确率为99.2%；
CNN准确率为99.5%。

值得注意的是，在类别更多、任务维度更高的双螺旋桨定位与识别任务中，最简单的SLP反而取得最高准确率。

论文 Figure 10：单通道损伤位置与类型联合识别结果。

Figure 10(a)和(b)比较三种分类模型，Figure 10(c)和(d)展示SLP的训练与测试收敛过程。

论文 Table 2：不同分类模型在四项诊断任务中的准确率、推理时间、训练时间和模型大小。

SLP在四项任务中的模型大小为0.05--0.20 MB，单样本推理时间为0.03--0.10 ms，训练时间为24.1--36.8 s。

相比之下，MLP模型大小为1.0 MB，CNN模型大小为3.5 MB。复杂模型虽然在部分任务中有小幅精度提升，但代价是更高的模型规模、训练时间和推理时间。

这说明论文的性能提升主要来源于前端工程机架，而不是依赖复杂后端模型"硬学"微弱差异。

论文 Appendix Figure C.1：单螺旋桨和双螺旋桨损伤定位混淆矩阵。

论文 Appendix Figure C.2：单螺旋桨和双螺旋桨位置---类型联合识别混淆矩阵。

以上两组附录图可在希望进一步展示各类别误分类分布时配图。

十、实验结果三：噪声与少样本条件下是否还能工作？

只在完整、干净数据上取得高精度还不够。论文进一步改变信噪比和训练样本比例，评估系统的鲁棒性与数据依赖性。

10.1 噪声鲁棒性

在损伤定位任务中，随着SNR降低，准确率总体下降，双螺旋桨场景的波动更明显。但当：，单螺旋桨和双螺旋桨定位准确率仍然高于90%。

在定位与类型联合识别任务中，即使：，准确率仍高于90%。

需要注意的是，论文并没有声称系统在任意噪声下都能保持高精度。从Figure 11可以看到，当定位任务的SNR进一步下降到−5 dB时，尤其是双损伤场景，性能会明显下降。因此，更准确的结论是：系统在论文测试范围内具有较强而非无限的抗噪能力。

10.2 训练数据依赖性

在只做定位时，当训练样本比例不低于10%，准确率保持在90%以上。

在定位与类型识别任务中，只使用5%的训练样本，准确率仍高于90%。

由于FDM机架已经在物理层增强了类间差异，后端模型不需要依赖大量样本才能学习复杂的非线性边界。

论文 Figure 11：不同SNR与训练样本比例下的鲁棒性分析。

Figure 11(a)和(c)展示不同SNR下的精度；Figure 11(b)和(d)展示不同训练样本比例下的精度与单样本推理时间。

十一、实验结果四：真实悬停飞行验证

受控平台能够保证安全和重复性，但真实飞行会引入更多扰动。作者进一步开展了四旋翼悬停飞行实验。

从时域信号可以看到局部幅值波动和间歇性扰动；时频谱中主要旋翼频率成分沿时间轴出现能量起伏和局部频带扩展，说明真实悬停信号具有明显的非平稳性。

论文 Figure 12：真实悬停飞行实验装置及振动响应。

Figure 12(a)展示悬停无人机、数据采集系统和电脑；Figure 12(b)、(c)分别展示裂纹和叶尖断裂工况的时域信号及时频谱。

使用同样的SLP模型，论文得到：

单螺旋桨损伤定位准确率92.5%，推理时间0.03 ms；
单螺旋桨定位与类型识别准确率96.2%，推理时间0.05 ms。

联合识别任务的准确率反而高于单纯定位任务。论文认为，不同损伤类型额外引入的频域特征增强了类别间可分性。

论文 Figure 13：真实悬停条件下的诊断性能。

Figure 13(a)展示两项任务的准确率和推理时间；Figure 13(b)、(c)展示SLP训练和测试过程。

论文 Appendix Figure C.3：悬停实验中定位任务及位置---类型联合识别任务的混淆矩阵。

从实验平台到真实悬停，精度虽然有所下降，但仍保持在92.5%以上，说明FDM机架对实际气动扰动和非平稳振动具有一定适应能力。

十二、这篇论文最值得关注的地方是什么？

12.1 它改变了"提升诊断精度"的位置

很多故障诊断论文把创新集中在信号处理或网络结构上，而本文把一部分计算任务交给了物理结构。

可以把两种思路作如下对比：

传统思路：先采集相似信号，再用复杂算法进行分离；
FDM思路：先通过结构让信号变得不同，再用简单算法分类。

这是一种典型的物理---计算协同设计。

12.2 结构不只是机械部件，也是信息处理部件

FDM工程机架同时承担两种功能：

承载无人机与传递载荷；
对损伤振动进行任务相关的频域编码。

这种"结构即传感预处理器"的思路，对其他单通道机械故障诊断问题也有启发。例如，理论上可以探索把类似的局部谐振结构用于旋转机械、梁板结构、车辆部件或机器人关节的少传感器诊断。

12.3 结果证明了"前端信息质量"比"后端模型复杂度"更重要

SLP在四项任务中达到97.7%--99.6%，且在双螺旋桨定位与识别任务中优于MLP和CNN。这说明当输入特征在物理层已经具有良好可分性时，复杂模型未必是必要条件。

对于资源受限平台，这一结论很重要：减少传感器和网络复杂度，不一定意味着必须牺牲诊断精度，前提是感知结构被正确设计。

十三、论文仍有哪些局限？

13.1 定位粒度停留在螺旋桨级

论文所说的损伤定位，是确定A、B、C、D中的哪一个螺旋桨受损，或确定哪两个螺旋桨同时受损。

它还不能判断：

损伤位于同一叶片的哪个具体位置；
损伤尺寸是多少；
裂纹长度、方向或几何形态如何。

实现叶片级定位，需要更精细的标签、结构先验或多源信息。

13.2 感知轻量化与结构复杂度之间仍需权衡

FDM减少了传感器数量和后端计算，但增加了局部谐振器和结构设计要求。

虽然论文的工程机架与原始机架质量相当，且谐振器完全被动、不需要外部供电或主动控制，但仍需长期研究：

局部谐振器对飞行动力学的影响；
长期疲劳和可靠性；
制造误差对谐振频率的影响；
不同温度、材料老化和载荷条件下的稳定性。

13.3 真实飞行只覆盖悬停

悬停已经比固定平台更复杂，但仍不能代表所有飞行任务。

前飞和转弯还会引入：

速度变化；
攻角变化；
更复杂的气流耦合；
动态姿态控制输入；
更强的非平稳振动。

因此，论文当前证明的是基础真实飞行可行性，而不是所有飞行包线内的完整可靠性。

十四、总结

这篇论文提出了一种面向单通道无人机螺旋桨损伤诊断的频域多样化调制策略。其核心不是继续增加传感器或堆叠深度网络，而是通过带有L形局部谐振器的工程机架，在振动传播阶段主动增强不同损伤位置与类型之间的频域差异。

论文从理论、结构、优化和实验四个层面形成了较完整的闭环：

建立频率相关有效质量和振动传递模型；
揭示非均匀有效质量与多样化局部谐振频率的作用机制；
设计可调L形谐振器，并在等质量约束下优化四条机臂；
使用单个加速度计和无隐藏层SLP进行验证；
在受控平台、噪声、少样本和真实悬停条件下评估工程可行性。

最具代表性的结果包括：

四条机臂振动传递响应平均相关系数从0.54降至0.10；
SLP在实验平台上的四项任务达到97.7%、97.9%、98.1%和99.6%；
SLP模型大小不超过0.20 MB，单样本推理时间为0.03--0.10 ms；
定位任务在SNR不低于0 dB或训练比例不低于10%时保持90%以上；
定位与类型识别任务在−4 dB或仅5%训练样本时仍保持90%以上；
真实悬停飞行中的定位和联合识别准确率分别为92.5%和96.2%。

从方法论上看，这篇论文最重要的价值在于表明：对于资源受限的机械感知系统，提升信息质量不一定只能依靠更多传感器和更复杂模型，也可以通过结构设计在物理层完成一部分特征编码。FDM提供了一条"轻量感知、物理调制、简单计算"的新路径。