宁波东方理工大学联合新加坡国立大学 | 风扰环境下四旋翼无人机螺旋桨损伤的仿真到现实检测

在每期期刊中，编委从所有论文中精选出少量高质量论文作为“编辑精选”（Editor's Highlights）。本期的“编辑精选”是《Simulation-to-Reality Quadrotor Propeller Damage Detection in Windy Environments》（风扰环境下四旋翼无人机螺旋桨损伤的仿真到现实检测），由宁波东方理工大学信息科学与技术学院与新加坡国立大学机械工程系、淡马锡实验室的张伟、童俊杰、廖芳、张云峰共同撰写。该研究针对以仿真数据训练的螺旋桨损伤分类器在风扰室外环境中准确率大幅下降的问题，提出由 DDCNN 集成模型与基于不确定性的故障分类器构成的诊断框架，利用预测熵拒绝低置信度结果，在室外实飞测试中将被接受样本的准确率由 58.3% 提升至 100%。

研究背景

近年来，四旋翼无人机因具备垂直起降和高机动性，被广泛用于搜索救援、安防等任务。随着应用从室内受控环境扩展至室外场景，飞行安全与系统可靠性愈发重要。螺旋桨在飞行中可能因与建筑物、树木等障碍物碰撞而受损，进而影响任务执行，甚至危及无人机及周边人员安全。因此，及时识别螺旋桨损伤，是保障四旋翼安全运行的重要环节。

现有螺旋桨故障诊断方法大体可分为基于模型和数据驱动两类。前者依赖系统动力学模型；后者通常利用飞行数据训练端到端分类器，无需额外的人工特征提取。然而，真实故障飞行可能导致坠机，采集带故障标签的实飞数据成本高、风险大。利用仿真数据训练面向真实环境的分类器能够降低数据采集风险，但也带来了典型的仿真到现实域差异问题。

为应对上述挑战，本文尝试通过域自适应技术缩小仿真与现实之间的特征分布差异，并引入模型集成与不确定性估计等手段增强分类器的可靠性。然而，现有方法在风扰室外场景下的检测准确率仍有较大提升空间，且普遍缺乏对低置信度预测的有效甄别机制。为此，本文提出基于不确定性的故障分类器（UFC）：以DDCNN集成模型（EDDCNN）降低模型方差和偏差、改善预测不确定性估计，并通过预测熵筛除高不确定性结果，仅保留高置信度预测用于最终诊断。

解决方法

本文提出的UFC总体流程如图1所示。其核心是在分类结果不可靠时主动“拒绝预测”，通过准确率与数据使用率之间的权衡提高诊断结果的可靠性。

图 1 UFC总体流程

首先，在仿真环境中生成带标签的无人机飞行数据，同时采集真实飞行中的全健康样本，用于后续的域自适应训练。然而，仿真数据与实际飞行数据之间存在由安装误差和风扰动引起的域差异，导致分类器在室外场景中性能显著下降。为此，本文采用基于差异的深度卷积神经网络（DDCNN）作为基分类器，并训练N个具有不同初始化权重的DDCNN模型，以降低模型方差和偏差。

训练阶段，数据集A提供仿真生成的五类带标签样本，数据集B提供任务前单次健康实飞采集的目标域样本，如图2。仿真与实飞数据之间的域差异主要来自安装误差和不可预期的风扰动。每个DDCNN以不同随机初始化独立训练，其损失由分类交叉熵与域自适应损失共同构成；域自适应用于拉近仿真健康样本与真实健康样本的特征分布。训练完成后，N个DDCNN通过软投票平均类别概率，形成EDDCNN。

图2 仿真与实飞中的数据采集。(a) 仿真环境中用于数据采集的一条无人机轨迹。(b) 实际飞行中用于数据采集的一条无人机轨迹。(c) 实飞数据采集的室外场景。

测试阶段，EDDCNN先计算各类别的平均预测概率，再以预测熵衡量不确定性。预测熵低于阈值T时，结果被接受；否则，UFC拒绝该次预测。阈值T由数据集B确定：在能够达到最高准确率的候选阈值中选择最大的一个，以便在保持最高准确率的同时尽可能提高数据使用率。通过该基于不确定性的决策框架，UFC能够滤除风扰环境下的不可靠预测，保留高置信度结果，从而在室外有风场景下实现可靠的螺旋桨损伤检测。

实验验证

为验证所提方法，作者在室外有风场景下进行了实飞数据采集与测试。如表1所示，实验共使用数据集A、B和C。数据集A在仿真环境中生成，共7500个样本，分为五类，每类1500个样本，覆盖无风、5 m/s和10 m/s三种风速条件。数据集B来自任务前一次健康实飞，共1500个全健康样本，用于域自适应、计算真实域健康类别的平均特征以及确定不确定性阈值。数据集C为室外有风条件下的实飞测试集，Label 1–5分别包含1200、1200、1200、1150和900个样本，飞行期间平均风速约为3 m/s，阵风速度约为6 m/s。

表1 用于训练和测试的四旋翼无人机数据集

训练采用Adam优化器，学习率为3×10⁻⁴，小批量大小为128，最大训练轮次为10，Dropout率为0.1，域自适应系数λ为0.05。训练所使用GPU为RTX 2080 Ti，每个DDCNN模型的训练时间约为2分钟。

受风扰动影响，单一DDCNN的诊断准确率由室内场景中的99.1%降至室外测试集上的56.2%。如表2所示，在不采用UFC时，不同集成规模的EDDCNN测试准确率仍约为60%，其中10模型EDDCNN为58.3%。引入不确定性阈值后，被UFC接受样本上的准确率显著提升：当T=0.5时，集成7个DDCNN即可达到100%；当T进一步降至0.4时，表中测试的所有模型数量均达到100%。

表2 不同集成规模与不确定性阈值下UFC的测试准确率

图2统计了不同集成规模的EDDCNN在UFC首次达到100%条件准确率时，四个故障类别的数据使用率。采用10个模型时，平均数据使用率为33.6%，即约三分之一的故障样本可进入最终决策；采用20个模型时达到最高值37.8%。当模型数量继续增加时，数据使用率未再稳定提升。综合模型规模与数据使用率，作者在后续实验中采用10模型EDDCNN。

图2 不同集成规模下各故障类别的数据使用率

图3和图4给出了相应的混淆矩阵。未采用UFC时，大量故障样本被误判为全健康类别，约三分之一的全健康样本也被误判为故障。

图3 未采用UFC时10模型EDDCNN的混淆矩阵

随着阈值降低，高不确定性的误分类样本被逐步滤除。当T=0.7时，已没有故障样本被误判为全健康，但仍存在健康样本及不同故障类别之间的误判；当T=0.5时，全部全健康样本均被UFC拒绝，剩余被接受的故障样本全部分类正确。

图4 在不同不确定性阈值下，采用UFC后10模型EDDCNN的混淆矩阵

图5展示了室外实飞轨迹上各时间步的预测标签与不确定性。左侧预测图的颜色表示当前预测类别；右侧图的颜色实质上对应预测熵，蓝色表示低不确定性（高置信度），红色表示高不确定性（低置信度）。由于输入时间窗口长度为8 s，损伤检测从起飞8 s后开始。图8(b)中，健康飞行轨迹上的不确定性整体较高，因此预测结果全部被UFC滤除；图8(c)–(j)显示，错误预测均伴随较高的不确定性。在单核Intel Xeon Gold 5120 CPU（2.20 GHz）上，单个样本的处理时间为45 ms。最终，10模型EDDCNN结合UFC后，被接受样本上的准确率由58.3%提升至100%，四个故障类别的平均数据使用率为33.6%。

图5 室外实飞中五类状态在各时间步的预测结果与不确定性值

需要强调的是，文中的100%并非对全部测试样本计算得到的无条件准确率，而是UFC拒绝高不确定性样本后，在被接受样本子集上的条件准确率。相应代价是仅约三分之一的故障样本参与最终决策，并且在T=0.5时，健康类别样本全部被拒绝。

结论

本文面向风扰环境下四旋翼螺旋桨损伤的仿真到现实检测问题，提出了由EDDCNN与UFC组成的诊断框架。EDDCNN通过集成多个DDCNN降低模型方差和偏差，并提供更稳定的不确定性估计；UFC则利用预测熵拒绝低置信度结果。在室外有风测试中，该方法在被接受样本上将准确率由58.3%提升至100%，四个故障类别的平均数据使用率为33.6%。这一结果说明，在显著域偏移下，引入“可拒绝预测”机制能够提高故障诊断结果的可靠性，但其本质仍是以样本覆盖率换取准确率。作者认为33.6%的故障数据使用率在实飞场景中具有可接受性；如何在保持高准确率的同时进一步提高数据使用率，仍是后续工作的重点。未来，该方法还将扩展至电机故障等其他无人机故障类型。

引用信息：Wei Zhang, Junjie Tong, Fang Liao and Yunfeng Zhang. (2026). Simulation-to-Reality Quadrotor Propeller Damage Detection in Windy Environments. Unmanned Systems, 14(4), 749-760.

DOI号：10.1142/S2301385026500160