（论文速读）多旋翼飞行器螺旋桨损伤的检测、分类和估计

****论文题目：****Propeller Damage Detection, Classification, and Estimation in Multirotor Vehicles（多旋翼飞行器螺旋桨损伤的检测、分类和估计）

****期刊：****IEEE TRANSACTIONS ON ROBOTICS

****摘要：****这份手稿详细介绍了一种数据驱动框架的体系结构和培训方法，该框架旨在检测、识别和量化多旋翼无人驾驶飞行器螺旋桨叶片的损伤。真实的飞行数据是通过用损坏的螺旋桨替换一个螺旋桨来收集的，代表了三种不同严重程度的不同损坏类型。然后，这些数据被用来训练一个包括分类器和神经网络的复合模型，该模型能够准确地识别故障类型，估计损坏严重程度，并精确定位受影响的转子。本分析所使用的数据完全来自惯性测量和控制命令输入。这一战略选择确保了所提出的方法在不同的多旋翼车辆平台上的适应性。

仅用飞控已有数据，能否判断无人机哪片桨坏了、坏成什么样？------解读多旋翼桨叶损伤检测、分类与定量估计

1. 这篇论文想解决的，不只是"有没有故障"

多旋翼无人机的旋翼---螺旋桨组件是整机中最主要的高速运动部件之一。桨叶磨损、碰撞、缺口、裂纹或者材料分层，不仅会降低推力效率，还可能形成质量不平衡，把强烈振动传递到机架和惯性传感器。严重时，IMU 数据会变得过于嘈杂，姿态估计失效，最终导致飞行器失控。

很多已有研究能够判断"执行器发生了故障"，但真正用于维护和容错控制时，还需要回答更具体的问题：

当前是否存在桨叶损伤？
损伤属于哪一种类型？
损坏的是哪个旋翼？
损伤到底有多严重？
对训练数据中没有出现过的损伤尺寸，模型能否给出连续估计？

这篇论文的目标正是把上述任务放到一个统一的数据驱动框架中完成。作者没有增加麦克风、电流传感器、转速计或每个电机附近的附加加速度计，而是只使用多旋翼正常飞行就已经具备的数据：

三轴加速度；
三轴角速度；
飞控计算出的三轴控制力矩；
总推力控制量。

这种选择的核心意义在于：方法不依赖 GPS、视觉、外部定位或专用故障传感器，也不要求直接测量实际转速、推力和电机电流，因此更容易迁移到不同类型的多旋翼平台。

2. 为什么传统物理模型难以覆盖真实的桨叶损伤？

对于完全失效、执行器卡死或者固定比例的效率损失，可以通过动力学模型和观测器构造残差。但是，真实桨叶损伤的作用通常更复杂。

同样长度的缺口，其影响可能随以下因素变化：

旋翼转速；
飞行加速度和机动方式；
风速和来流方向；
桨叶材料及其弹性；
损伤位置；
叶尖是否发生弯曲或颤振。

因此，桨叶缺口不一定只表现为固定的"推力减少"。它还可能同时引起转速变化、周期振动、宽带振动、控制器持续补偿以及飞行姿态误差。作者据此选择从真实飞行数据中学习损伤与信号之间的关系，而不是为每一种裂纹或缺口建立精确空气动力学模型。

3. 论文考虑了哪三类损伤？

作者使用 18 个螺旋桨，构造了健康状态和三类代表性损伤。

论文 Figure 1：实验采用的纵向损伤、非对称损伤和对称损伤螺旋桨，以及各桨叶的切割尺寸。

3.1 对称损伤

两侧叶尖被切去相同长度，例如：

由于两侧几何形状仍然对称，质量平衡基本保持，但有效桨叶面积减小，主要表现为推力和力矩效率下降。为了维持原有推力，控制器通常需要提高受损旋翼转速，并持续输出补偿力矩。

3.2 非对称损伤

两侧叶尖切割长度不同，例如：

它同时产生两类影响：

总切割长度增大，意味着桨叶面积损失和效率下降；
两侧切割差增大，意味着质量不平衡加重，振动增强。

在实验中，单侧切去 (15mm)、另一侧保持完整的螺旋桨产生了非常强的振动，导致惯性测量严重受扰，并在机动过程中造成多次坠机。

3.3 纵向损伤

作者还沿叶片长度方向在两个叶尖制造相同深度的纵向切口：

这种损伤不直接减少桨叶面积，也不会产生明显质量不平衡，但可能改变叶片的扭转、颤振和气动边界层状态。实验结果显示，它与前两类损伤具有不同的频谱变化规律，因此需要单独处理。

论文假设任一时刻只有一个螺旋桨受损。多桨同时损伤不在本研究范围内。

4. 实验平台与数据采集

实验平台基于 DJI F450 四旋翼机架，主要配置为：

920 KV 电机；
1045 塑料螺旋桨；
单个旋翼最大推力约 (1kg)；
Pixhawk 2.4.8 飞控；
4S、(14.8V） LiPo 电池；
整机质量约 (1.5kg)；
数据记录频率 (222Hz)。

论文 Figure 2：四旋翼的电机编号、旋转方向、推力方向、反作用力矩和机体系坐标。

论文 Figure 3：用于采集真实飞行数据的 DJI F450 四旋翼平台，图中安装了受损螺旋桨。

飞行实验在室内进行。每个损伤螺旋桨进行三次独立飞行，分别用于训练、测试和验证，避免将同一次飞行中高度相关的数据随机拆分到不同集合。

每次飞行约持续 (120s)，大致分为三段：

前 (40s)：悬停，只进行微小修正；
中间 (40s)：缓慢滚转、俯仰、偏航以及平缓升降；
最后 (40s)：约 () 的组合俯仰/滚转、低于 () 的偏航和快速升降。

损伤桨实际安装在 1 号电机。为了获得 2、3、4 号电机损伤的数据，作者利用四旋翼的几何对称性，对加速度、角速度和控制力矩绕机体 (z) 轴进行相应旋转，从而生成其他故障位置的数据。

这一数据增强方法不是人为添加噪声，而是利用飞行器空间对称性进行坐标变换。

5. 为什么频域信息能够反映桨叶损伤？

多旋翼的旋翼转动会在机架上形成与转速相关的周期振动。论文用一个简单估算说明了健康飞行器的特征频率。

单个旋翼悬停时需要提供约：

的推力。若将所需转速粗略近似为最大转速的 (0.375)，则：

换算为频率：

真实健康飞行数据的功率谱在约 (83Hz) 处出现明显峰值，与该估计基本一致。

论文 Figure 4：健康四旋翼从起飞到降落的加速度、角速度、控制力矩功率谱；透明曲线为不同 6 秒片段，约 (83Hz) 的旋翼相关峰值在悬停和机动中均可观察。

论文观察到三类损伤具有不同的频谱趋势。

对称损伤

桨叶面积减少后，受损旋翼需要提高转速以补偿推力，因此频谱峰值向更高频率移动。切割超过 (30mm) 时，受损旋翼的主峰可能超过采样系统的奈奎斯特频率：

即便主峰超出可观测范围，其他健康旋翼为补偿控制力矩而降低转速，仍会在较低频率产生次级峰值。

论文 Figure 5：1 号旋翼安装不同程度对称切割桨叶时，各惯性量和控制量的频谱；健康状态以黑色虚线表示。

非对称损伤

非对称损伤既降低效率，又造成质量不平衡。论文发现：

两侧切割长度之和越大，受损旋翼为补偿推力而转得越快，峰值频率总体升高；
两侧切割长度差越大，质量不平衡越严重，峰值能量越高。

论文 Figure 6：非对称损伤下的频谱变化。切割总量影响峰值位置，切割差主要影响振动能量。

纵向损伤

纵向切口没有明显质量不平衡。实验中，其主峰频率略有下降，同时峰值能量增加，但不同损伤深度之间的变化较细微。

论文 Figure 7：纵向切口损伤下的频谱。峰值总体向低频轻微移动，峰值能量有所增加。

6. 从连续频谱到 232 维特征

每个样本使用连续 (222) 个控制周期，即 (1s) 数据。相邻样本的起点间隔 32 个时间步：

因此，虽然每个判断需要观察 1 秒信号，系统大约每 (144ms) 可以更新一次结果。

论文 Table I：健康飞行及各损伤螺旋桨在训练、测试和验证飞行中得到的 1 秒窗口样本数量。

作者没有直接把每个频率点全部输入模型，而是把 () 频谱划分为宽度 (5Hz) 的频带，共得到 22 个频带。对于第 (s) 个输入信号、第 (b) 个频带，其能量特征可以写为：

其中 (Ps(fk)) 是该信号在频率 (fk) 处的功率谱密度，(Bb) 是第 (b) 个频带。

论文共对 10 路量计算频带能量：

3 路加速度；
3 路角速度；
3 路控制力矩；
1 路总推力。

于是频带特征数量为：

此外，作者对三个控制力矩分别计算均值、方差、偏度和峰度：

统计特征数量为：

最终每个 1 秒样本包含：

个特征。

7. 为什么模型不是一个端到端网络？

作者最初尝试用一个网络同时处理所有损伤，但发现纵向损伤与对称/非对称损伤较难在同一回归器中稳定建模。最终采用了分层、分支式架构。

论文 Figure 8：完整的桨叶损伤检测、类型分类、损伤估计和故障旋翼定位架构。

整个推理过程分为三步。

第一步：判断健康状态和损伤大类

线性 SVM 将输入划分为三类：

(C0)：健康；
(C1)：对称或非对称叶尖损伤；
(C2)：纵向损伤。

作者测试了线性、多项式、RBF 和 Sigmoid 核，线性核效果最好。

由于健康、纵向损伤和对称/非对称损伤的飞行数量差异较大，作者没有直接随机欠采样，而是使用 K-means 将每个类别压缩为相同数量的代表性聚类中心，以降低类别不平衡和偶然异常样本的影响。

第二步：估计损伤程度

若判定为对称/非对称损伤，神经网络输出两侧切割长度的和与绝对差：

其中：

(S) 主要表示总面积损失和效率下降；
(D) 主要表示两侧不平衡程度。

由两个输出可恢复较大和较小的切割长度：

若判定为纵向损伤，另一个神经网络只输出两侧切口深度之和。

最佳回归网络结构为：

输入层：232；
隐藏层：32、8、4；
激活函数：ReLU；
损失函数：均方误差；
优化器：Adadelta；
学习率：0.1；
训练轮数：200。

均方误差为：

第三步：定位受损旋翼

系统根据损伤大类调用相应的 SVM 定位器，输出 1---4 号旋翼中的故障位置。定位训练数据通过坐标旋转增强得到，因此四个位置的样本数量完全相同。

8. 损伤类型分类取得了什么结果？

论文 Table II：健康、对称/非对称损伤和纵向损伤的分类混淆矩阵。

健康飞行中，(96.12%) 的样本被正确判定为健康。

对于对称损伤，分类性能与损伤严重度高度相关：

(5-5)：正确分类率只有 (60.13%)，其中 (36.22%) 被判为健康；
(10-10)：(87.52%)；
(15-15)：(98.85%)；
(20-20)：(99.62%)；
其余较严重对称损伤基本处于 (97%~99%)。

作者估算，(5-5 对称损伤只带来约 (3%) 的推力和力矩效率损失，又没有明显质量不平衡，因此与健康桨叶确实很难区分。

对于非对称损伤：

(0-5)：正确判为对称/非对称损伤的比例为 (57.32%)，另有 (32.64%) 被判为纵向损伤；
(0-10)：(91.68%)；
(0-15)：(97.95%)；
(10-15)：(88.86%)；
(10-20)：(97.68%)。

对于纵向损伤：

(10-10)：(89.82%)；
(20-20)：(97.65%)；
(30-30)：(94.33%)；
(40-40)：(98.14%)。

结果说明，严重损伤会产生更明显的频谱和控制补偿特征，因此识别率较高；真正困难的是接近健康状态的轻微损伤。

9. 对称与非对称损伤能估计到多准确？

论文 Figure 9：测试飞行中，对称和非对称损伤的切割长度和、切割长度差的逐样本预测。

论文 Table III：不同对称/非对称损伤的平均预测值、平均误差和标准差。

模型在高损伤区间表现较好。例如：

对真实 (30-30) 损伤，真实总切割长度为 (60)，预测为 (60.0258mm)，总量误差仅 (0.0258mm)；
对真实 (35-35)，预测总量为 (70.2014mm)；
对真实 (40-40)，预测总量为 (79.3830mm)。

轻微损伤的回归误差明显更大。例如，真实 (5-5) 的总切割长度只有 (10mm)，网络平均输出却为 (20.0015mm)。

对非对称损伤，模型能够同时估计总量和不平衡程度。例如：

(0-15)：预测总量 (20.9674mm)，预测差值 (14.1391mm)；
(10-15mm)：预测总量 (27.0971mm)，预测差值 (5.6896mm)；
(10-20)：预测总量 (31.8511mm)，预测差值 (7.8794mm)。

这些结果再次表明：模型更容易估计会显著改变飞行器动力学和振动状态的损伤。

10. 故障旋翼定位结果

论文 Table IV：对称和非对称损伤的四旋翼故障位置混淆矩阵。

对称和非对称损伤的总体定位准确率约为 (88%)：

1 号旋翼：(88.44%)；
2 号旋翼：(88.20%)；
3 号旋翼：(88.19%)；
4 号旋翼：(88.02%)。

主要错误发生在真实故障旋翼与其正对面的旋翼之间。例如，真实为 1 号旋翼故障时，有 (7.92%) 被判为 3 号旋翼；真实为 2 号时，有 (8.34%) 被判为 4 号。

这种现象在轻微损伤下更明显。轻微效率损失在控制力矩中主要体现为某一机体轴上的补偿，而同一轴两端的两个旋翼可能形成相似的控制响应，因此容易出现"正确旋翼与对面旋翼"之间的混淆。

11. 连续回归为什么比把每个尺寸当成类别更有意义？

真实损伤不可能只落在训练时人工设置的离散尺寸上。为验证连续估计能力，作者进行了留一组实验：训练时完全去掉某个损伤尺寸，再让模型预测该未知损伤。

11.1 对未见过的 (20-20mm) 损伤进行插值

论文 Figure 10：训练集中移除 ( 20-20mm**) 后，神经网络对该未知损伤的总量和差值预测。**
论文 Table V：SVM 离散分类基线与神经网络连续回归在未知 ( 20-20mm)损伤上的比较。

SVM 无法输出训练中不存在的类别，只能把样本归入相邻类别。作者对其分类结果加权平均，得到：

神经网络得到：

对应绝对误差分别为：

这说明回归网络确实能在已知损伤等级之间进行插值，而不是只记住离散类别。

11.2 对未见过的 (0-15) 损伤进行外推

论文 Figure 11：训练集中移除最高不对称度的 (0-15) 后，网络对该损伤的预测。

论文 Table VI：SVM 分类基线与神经网络在未知 (0-15) 损伤上的比较。

神经网络预测：

其判断仍然保持"高度非对称"，但明显不如前面的插值实验准确。作者认为主要原因是非对称损伤训练样本只有五种，移除一组后只剩四种，数据不足以支撑稳定外推。

这一结果说明，连续回归具有处理未知损伤的潜力，但"训练范围内插值"与"训练范围外外推"不能等同。

12. 纵向损伤的估计和定位

论文 Figure 12：不同纵向损伤飞行中，两侧纵向切口深度之和的逐样本估计。

论文 Table VII：纵向损伤总量预测、平均误差和标准差。

纵向损伤的估计结果为：

(10-10mm)：真实总量 (20mm)，预测 (33.0059mm)；
(20-20mm)：真实总量 (40mm)，预测 (45.6245mm)；
(30-30mm)：真实总量 (60mm)，预测 (68.8691mm)；
(40-40mm)：真实总量 (80mm)，预测 (75.3568mm)。

其预测标准差约为 (10.3~12.3mm)，明显比高程度的对称/非对称损伤更不稳定。

作者解释，纵向损伤虽然与其他损伤类型的频谱区别明显，但不同纵向切口深度之间的变化较细微，所以"识别它属于纵向损伤"相对容易，"精确区分纵向损伤有多深"更困难。

论文 Table VIII：纵向损伤的四旋翼故障位置混淆矩阵。

纵向损伤定位准确率约为 (70%)：

1 号：(69.94%)；
2 号：(71.12%)；
3 号：(70.53%)；
4 号：(70.03%)。

错误仍主要集中在正对面的旋翼，例如真实 1 号故障时，(22.06%) 被判为 3 号。

13. 室内训练的模型能否在有风环境工作？

作者在室外有风环境重新进行了多组飞行：

平均风速约 (15km/h)；
阵风约 (30km/h)；
飞行持续时间通常约 (120s)。

室外数据直接输入室内训练好的网络，没有重新训练，也没有针对风扰进行额外处理。

论文 Figure 13：有风室外飞行中，对称和非对称损伤的切割总量与差值估计。

结果显示，切割差值仍然较准确；小损伤的总量误差有所增加，但整体误差量级与室内结果相近。论文据此认为，频带能量和控制统计量对不同飞行环境具有一定适应性。

这里需要注意：论文只展示了有限数量的有风飞行，不应把该结果解释为已经完成了各种风况、温度和任务载荷下的全面泛化验证。

14. 哪些特征真正重要？

作者分别使用排列重要性和 SHAP 分析分类器与回归网络。

论文 Figure 14：损伤类型分类器的特征重要性。

损伤类型分类中，约 (80Hz) 附近的功率谱能量非常重要，因为该频段对应健康飞行器的主要旋翼振动峰。同时，俯仰和滚转控制力矩的方差也很重要：健康飞行器的控制量较平稳，损伤后振动和补偿动作会提高控制量波动。

论文 Figure 15：对称/非对称损伤定位器的特征重要性。

论文 Figure 16：纵向损伤定位器的特征重要性。

定位任务中，俯仰和滚转控制力矩的均值最关键。原因是某个旋翼效率下降后，飞控必须在对应方向持续施加补偿力矩，而补偿方向与故障旋翼位置直接相关。

论文 Figure 17：对称/非对称损伤回归器的特征重要性。

论文 Figure 18：纵向损伤回归器的特征重要性。

对称/非对称损伤估计既依赖低频控制力矩能量，也依赖约 (80Hz) 的加速度频带。纵向损伤估计则主要依赖约 (80Hz) 附近的频谱信息，因为该类损伤在其他频段上的变化很小。

15. 为什么最终选用 5 Hz 频带？

作者比较了以下频带宽度：

频带太宽时，峰值在频率轴上的移动会被合并，难以判断转速变化；频带太窄时，特征数量和模型复杂度显著增加。

特征总数与频带宽度 (bw) 的关系近似写为：

因此：

(bw=2Hz) 时约有 562 个特征；
(bw=10Hz) 时约有 122 个特征；
(bw=5Hz) 时为 232 个特征。

论文 Figure 19：不同频带宽度下，健康、对称/非对称和纵向损伤的分类正确率。

健康状态对带宽不敏感，正确率均高于 (97%)；纵向损伤在带宽过窄时准确率下降；对称/非对称损伤在 (5~6Hz) 附近表现较好。作者最终选择 (5Hz)。

16. 消融实验：加速度、角速度和控制力矩谁更重要？

论文 Table IX：移除不同传感器或控制特征后，对称/非对称损伤回归网络的均方误差。

论文的消融结果表明：

移除三轴角速度的影响相对较小；
移除加速度或控制力矩后，回归误差明显上升；
对称损伤的 MSE 增加约 (74%~151%)；
非对称损伤的 MSE 增加约 (154%~299%)。

这说明桨叶损伤信息并不只存在于机架振动中。控制器为了抵消损伤影响而产生的力矩命令，本身也是重要的故障特征，尤其对故障位置判断十分关键。

17. 在另一架六旋翼上还能工作吗？

作者进一步使用公开 UAV-FD 数据集进行验证。该数据集来自六旋翼平台，任务为区分：

无故障；
(5%) 故障；
(10%) 故障。

原数据集没有控制力矩，因此作者使用电机 PWM 信号作为替代，并只保留：

加速度；
角速度；
电机 PWM。

模型沿用论文提出的频带能量特征，把回归网络最后两个线性输出改为三个 Softmax 分类输出。

论文 Table X：本文方法、原 UAV-FD 工作的二次 SVM 与逻辑回归在 UAV-FD 数据集上的准确率比较。

结果为：

本文神经网络：(98.8%)，五次运行平均；
原工作二次 SVM：(98.5%)；
逻辑回归：(94.0%)。

值得注意的是，本文方法使用的输入比原工作更少。原工作从电机转速、电流、估计和期望姿态、速度、振动等变量中通过 ANOVA 选取 51 个特征；本文只使用基础惯性量和电机 PWM。

这一实验验证的是方法和特征构造流程可以迁移到不同拓扑平台，并不意味着在四旋翼上训练好的模型参数可以直接部署到六旋翼。新的平台仍然需要相应训练。

18. 计算速度是否满足实时要求？

作者在 Raspberry Pi 4B（4 GB RAM）上进行了初步测试，软件环境为 Python 3.9.2 和 PyTorch 1.13.0。

完整流程包括：

从 1 秒窗口读取惯性量和控制量；
计算功率谱和频带能量；
计算力矩统计量；
运行损伤类型分类器；
运行对应的损伤回归网络和位置分类器。

测试速度为：

即单个样本的计算时间约为：

其中约 (22.556ms)，即约 (95%) 的时间消耗在频谱和特征预处理阶段。作者指出，可通过更高效实现或 Welch 功率谱估计进一步加速。

这里必须区分两个概念：

计算延迟约为 (23.646ms)；
信号观察窗口为 (1s)。

所以从损伤刚发生到系统获得第一条完整频谱，理论上仍需要积累一定长度的数据。论文已经证明推理计算本身较快，但端到端故障响应时间仍受 1 秒窗口限制。缩短窗口会加快响应，却可能使频谱和模型输出更嘈杂、准确率下降。

19. 这篇论文的主要创新点

创新一：用飞控已有数据完成四个层次的诊断

系统不仅检测损伤，还同时完成：存在性、类型、位置、程度，而且不依赖额外故障传感器。

创新二：把惯性频谱与控制器补偿行为结合

桨叶损伤既改变机体振动，也迫使飞控持续补偿。论文把控制力矩的频带能量和高阶统计量纳入特征，使故障定位和程度估计不再只依赖振动。

创新三：把损伤程度建模为连续回归问题

对于非对称损伤，使用

分别表示面积损失和不平衡程度。相比把每个毫米尺寸都定义成独立类别，这种表示能够对未见过的损伤进行插值和有限外推。

创新四：使用分层专用模型，而不是强求一个网络解决全部问题

损伤类型先由 SVM 分流，再调用对应回归器和定位器。这种模块化结构增加了模型数量，却使不同物理机制的损伤可以分别建模，也方便未来加入新的损伤类型。

创新五：进行了多层次泛化验证

论文不只报告同分布测试结果，还包括：

独立飞行级训练、测试和验证划分；
留一损伤组插值与外推；
有风室外飞行；
不同传感器组合的消融；
四旋翼到六旋翼公开数据集的方法验证；
Raspberry Pi 上的初步实时计算测试。

20. 如何客观看待论文结果？

这项工作的工程完整性较强，但仍存在明确边界。

20.1 轻微损伤仍然难以发现

(5-5 对称损伤只有 (60.13%) 被正确识别，(36.22%) 被判为健康。系统更适合发现已经对动力学或振动产生可观测影响的损伤。

20.2 纵向损伤的定量和定位弱于其他损伤

纵向损伤的定位准确率约 (70%)，回归标准差约 (10~12mm)。这说明纵向裂纹的细粒度程度估计仍有较大改进空间。

20.3 数据增强依赖结构对称性

其他旋翼位置的数据由坐标旋转生成，而不是在四个位置分别进行真实飞行。对于不对称机架、载荷偏置或不同旋翼安装环境，这种增强假设需要重新验证。

20.4 当前只考虑单个损伤旋翼

论文明确假设同一时刻只有一个螺旋桨损坏。多旋翼同时损伤可能产生频谱和控制补偿的叠加，现有分类和定位器不能直接保证有效。

20.5 "跨平台"是方法可迁移，不是模型零样本迁移

六旋翼实验说明相同的特征和训练流程可以用于另一种平台，但仍需要用该平台的数据重新训练模型。

20.6 实时推理不等于毫秒级发现故障

模型计算约 (23.646ms)，但特征来自 1 秒窗口。因此系统的计算吞吐量较高，故障首次检测延迟仍与窗口长度有关。

21. 总结

这篇论文的重要价值，不是提出一种新的 SVM、神经网络或频谱算法，而是把多个已有工具组织成一套较完整的多旋翼桨叶健康诊断流程。

在作者的四旋翼数据中，严重损伤通常能够以较高准确率分类；对称和非对称损伤的位置识别约为 (88%)，纵向损伤位置识别约为 (70%)。回归网络还能在训练集中缺少某个损伤尺寸时，对未知尺寸进行插值，并在六旋翼 UAV-FD 数据集上取得 (98.8%) 的三分类准确率。

与此同时，论文没有掩盖轻微损伤、纵向损伤、多故障和时间窗口之间的困难。它更适合被理解为一个具备真实飞行验证、跨环境测试和嵌入式运行潜力的完整研究原型，而不是已经覆盖所有无人机、所有桨叶和所有故障组合的最终产品。