估算多旋翼UAS RUL的数据驱动预测维护模型
过去十年，无人驾驶飞机系统（UAS）被广泛应用于娱乐、运输、搜索和救援等领域。
然而，这种增长也带来了新的挑战，尤其是与机械故障相关的事故，占事故原因的近50%。
为了预防事故，准确估计UAS的剩余使用寿命（RUL）至关重要。
一项新方法利用多转子UAS的振动数据来估计RUL，通过引入平均峰值频率作为新特征评估UAS的退化程度。
使用LSTM模型预测未来的峰值频率，并根据阈值判断RUL。
实验结果显示，对于不同重复情况，RUL分别为4秒、10秒和10秒，RMSE值分别为3.7142 Hz、1.4831 Hz和1.3455 Hz。
民用UAS的应用范围不断扩大，包括商业和医疗保健领域。
然而，UAS事故率显著增加，其中33%至67%的事故与机械或电气故障相关。推进系统故障占23%至53%，对螺旋桨和转子的故障最为常见。
目前的研究旨在开发数据驱动的预测性维护模型，通过振动数据、信号处理和机器学习方法预测UAS的剩余使用寿命(RUL)。
这项研究提供了时频域特征的基准研究，并提供了开源振动数据用于UAS RUL估算。
计算RUL所需的步骤在三个主要部分中描述:数据预处理、特征提取和RUL估计。
数据预处理包括三个子步骤。
首先，去除数据的线性趋势，通过减去平均值来实现。其次，使用移动中值滤波器平滑数据，以去除尖峰噪声。最后，采用两级带通滤波器来隔离特定频率范围之外的信号。在该研究中，带通截止频率设置为20 Hz和120 Hz。这些步骤的公式和详细方法可以在相关文献中找到。
特征抽取步骤包括数据分割、将分割数据转换为时频域以及计算平均峰值频率作为健康状态特征。
数据分割将数据按照时间间隔分成小段，以保持采样率一致。时频域转换使用短时傅立叶变换将每个数据段从时域转换为频谱图，显示信号的频率成分随时间的变化。平均峰值频率是每个数据段中功率最大的频率的平均值，用作代表系统退化的特征。这些特征提取方法在该研究中用于预测剩余使用寿命。
RUL估计包括三种常见模型：生存模型（仅有故障数据）、退化模型（故障数据不可用但有安全阈值）、相似模型（完整历史数据）。
LSTM网络适用于时间序列分类和预测，由具有输入、输出和遗忘门的单元组成，能处理信息的添加和删除，减少冗余信息的传输。
使用贝叶斯优化调整超参数，训练输入数据标准化为零均值和单位方差。
最后7个平均峰值频率作为输入构建LSTM网络，预测后续5个平均峰值频率。若预测的频率超过故障阈值，则计算RUL，否则将实际值加入时间序列并迭代进行预测，直到超过阈值。本研究中故障阈值设定为50 Hz。
实验在封闭的实验室环境中进行，UAS被安装在一个平台上以防止起飞。实验分为三个场景，每个场景重复三次。
第一个场景用于描述UAS的健康状态，没有改变螺旋桨叶片的质量和位置，每40秒节气门位置增加10%。
第二个场景收集运行至故障数据，其中一个叶片制作了一个凹槽来实现质量不平衡，凹槽位置距离刀片尖端9 cm。整个实验过程中，节气门位置固定在25%。
第三个场景是收集运行至失效的数据，将健康和故障场景结合起来。油门每40秒增加10%，并使用带凹槽的叶片。
在数据预处理中，首先确定健康状态下振动数据的正态性，并进行线性去趋势处理以消除重力加速度的影响。
第二个场景提供了使用改进的叶片在25%恒定节流下从健康到故障的振动数据。
第三个场景中，通过等待40秒在不同节气门位置收集振动数据来全面表征退化模式。
第二和第三个场景中，故障发生时的振动幅度发生急剧变化，而健康状态下出现轻微的增加趋势。
LSTM的结果显示，预测的平均峰值频率与实际值非常一致。根据RUL的估计结果评估了该方法的有效性。在所有重复中，RUL均在故障发生之前计算，最大RUL为10秒。估计值的准确性取决于选择的时间窗口长度和LSTM神经网络的设置。
实验结果表明，平均峰值频率是检测故障的可靠特征。
参考文献
1. Thiels C, Aho J, Zietlow S et al. Use of unmanned aerial vehicles for medical product transport. Air Med J 2015; 34: 104–108.
2. Marino M, Fisher A, Clothier R et al. An evaluation of multi-rotor unmanned aircraft as flying wind sensors. Int J Micro Air Vehicles 2015; 7: 285–299.
