论文题目：Intelligent UAV health monitoring: Detecting propeller and structural faults with MEMS-based vibration（智能无人机健康监测：基于 MEMS 振动信号检测螺旋桨与结构故障）
期刊：Engineering Science and Technology, an International Journal摘要：近年来，随着无人机的日益普及，在机械故障检测和安全方面的研究成果层出不穷。然而，这些研究中的大多数都没有充分考虑真实的环境条件以及无人机在空中和地面不同速度水平下的行为。此外，这些研究大多仅限于螺旋桨损伤。及早发现无人机系统中的机械故障，包括螺旋桨损坏、旋翼螺丝松动和无人机载臂螺丝松动，对系统安全和作战效率至关重要。在这项研究中，提出了两种经济高效的基于微型机电系统(MEMS)的模型，以在真实环境条件下和不同转子转速下有效地检测螺旋桨损伤以及旋翼和载臂螺杆松动。这些模型旨在根据多旋翼无人机的振动数据在飞行前和飞行过程中进行故障检测。为此，利用快速傅立叶变换(FFT)对振动信号进行了分析，以识别无故障和故障条件下的工作频率区域。此外，还检查并比较了不同转速下信号显著频带内的8个不同的幅频特征。在故障检测方面，对支持向量机、K近邻、决策树和神经网络等算法的性能进行了评估。该模型对螺旋桨损伤严重程度的检测准确率最高可达99.40%。此外，研究还调查了螺旋桨旋翼和无人机载重臂螺丝的松动情况，结果表明，结合螺旋桨故障，可以检测到其他机械松动问题，最高准确率为95.86%，突出了所提出方法的优越性能。
一、研究背景：无人机的机械故障为什么难以提前发现？
无人机依靠多个高速旋转的电机和螺旋桨产生升力。只要其中一个旋翼系统发生轻微机械异常，就可能引起推力不平衡、功耗增加、机架共振和姿态扰动。
螺旋桨损伤会导致质量分布不均衡和局部推力下降；转子固定螺丝松动可能使螺旋桨或转子组件在飞行中脱落；承载臂连接松动则会改变机架的整体刚度和振动传播路径。长期振动还可能造成机臂变形、焊点损伤、电子元件退化和其他连接件进一步松动。
然而，真实飞行中的振动并不只由故障引起。即使无人机完全正常，随着油门和转速升高，振动幅值也会自然增加；户外风速、飞行动作和姿态控制同样会改变传感器信号。因此，简单地把“振动变大”视为“无人机发生故障”，很容易产生误报。
这篇论文希望解决的核心问题可以概括为：
如何在真实户外环境和不同转速下识别机械故障；
如何将检测范围从螺旋桨损伤扩展到转子和承载臂连接松动；
如何区分正常的转速变化与真正的机械异常；
如何减少特征数量和算法复杂度，使模型有机会部署到低成本微控制器上；
如何让同一套方法同时服务于起飞前低速自检和飞行中健康监测。
二、现有研究的不足
论文将已有无人机故障检测工作的局限总结为以下几个方面。
2.1 多数工作只研究单一故障
现有振动检测研究主要围绕螺旋桨损伤、单个电机失效或推力完全丧失展开。针对转子安装螺丝和承载臂连接件松动的研究相对较少，更缺少在同一个分类系统中同时识别多种机械故障的方案。
2.2 实验条件过于理想化
不少研究在实验室、试验台或者固定悬停状态下采集数据，转速和环境条件较稳定。真实无人机却会经历地面低速旋转、起飞、悬停、加速和空中运动，外界风速也会持续变化。
固定条件下训练的模型，不一定能适应真实飞行中的频率漂移和幅值变化。
2.3 只分析振动幅度容易误判
峰值幅度和均方根可以反映振动能量，但它们也会随转速自然升高。若模型只依赖幅值，正常加速可能被错误识别为故障。
因此，幅值特征必须与主导频率、频谱能量分布和过零特征联合使用。
2.4 高精度方法通常计算量较大
已有研究使用小波变换、LSTM、深度神经网络或大量频率特征获得了较高准确率。例如，论文回顾的一项工作使用 14 个特征和决策树得到 93.37% 的准确率，使用 64 个频率特征和 SVM 后提升到 98.21%。
但大量特征会增加计算和存储开销，不利于在低算力无人机硬件上运行。本文因此重点研究：能否将输入压缩到少量关键特征，同时维持较高识别性能。
三、论文的整体思路
论文提出了两套基于 MEMS 振动信号的分类模型。
模型一：螺旋桨损伤检测
该模型主要使用神经网络完成两种任务：
二分类：正常 / 存在螺旋桨损伤；
四分类：正常 / 轻度损伤 / 中度损伤 / 重度损伤。
模型二：多类机械故障检测
该模型主要使用决策树区分：
Class 0：正常；
Class 1：螺旋桨损伤；
Class 2：转子连接松动；
Class 3：承载臂连接松动。
完整处理流程为：
MEMS 传感器采集振动信号；
去除直流偏置；
将信号归一化；
按 1 秒划分样本；
对信号执行 FFT；
提取幅值域和频率域特征；
根据统计相关性筛选特征；
使用 NN、DT、KNN 或 SVM 进行分类；
输出故障类型或螺旋桨损伤等级。
四、实验平台与传感器布置
实验使用一架配备 DJI A2 飞控系统的四旋翼无人机。无人机总质量约为 6 kg，包含螺旋桨后的总宽度约为 1.5 m。
主要硬件包括：
电机：T-Motor MN3520 KV400；
电调：T-Motor T60；
电池：JETFIRE 6S、7000 mAh、40C LiPo；
螺旋桨：16 英寸碳纤维桨；
电机附近传感器：ADXL335 加速度计；
机体中心传感器：MPU6050 陀螺仪；
转速测量：UNI-T 非接触式转速计，测量不确定度为
。
【论文 Figure 1：无人机实验平台、两套数据记录器、转速计、ADXL335 加速度计和 MPU6050 陀螺仪的实物安装情况】
两套数据记录系统分别为：
基于 Atmel SAM3X8E 的 32 位 ARM Cortex-M3 系统，搭配 12 位 ADC，直接读取 ADXL335 模拟输出；
基于 ATmega328P 的 8 位微控制器系统，搭配 10 位 ADC，通过 I²C 连接 MPU6050。
两套设备通过共享控制按钮进行人工同步，数据实时写入 32 GB microSD 卡。
【论文 Table 1：ADXL335 与 MPU6050 的工作电压、灵敏度、带宽和量程参数】
4.1 为什么使用两个不同位置的传感器？
ADXL335 被安装在电机和机臂末端附近，主要读取和
方向的线性加速度。
对螺旋桨不平衡引起的横向振动较敏感；
对转子松动和机臂连接松动造成的上下振动较敏感。
MPU6050 被安装在无人机中心，主要读取和
方向的角速度。该位置更接近飞控系统中常见 IMU 的安装方式，也更适合验证“只使用一个中心传感器进行低成本健康监测”的可行性。
【论文 Figure 2：ADXL335 与 MPU6050 在无人机上的安装位置，以及
、
、
、
与机体运动方向的关系】
五、为什么电机端故障可以被机体中心的陀螺仪检测到？
论文使用 Newton–Euler 模型解释振动传播。
四个旋翼产生的总推力以及滚转、俯仰和偏航方向的控制量可写为：
其中：
为四个旋翼产生的推力；
为对应电机的反扭矩；
L 为电机到无人机中心的距离；
为总升力；
、
和
分别对应滚转、俯仰和偏航方向的作用量。
当螺旋桨损伤或转子松动后，某个旋翼的推力和振动力矩不再稳定。这些扰动会沿机臂传到无人机中心，并反映在滚转和俯仰方向的角速度中。因此，中心位置的 MPU6050 仍然能够观测到机械异常。
【论文 Figure 3：四旋翼无人机的惯性坐标系、机体坐标系、旋翼转向、推力和力矩变量】
六、故障类型与数据采集
6.1 四种机械状态
论文构造了四种基本状态。
正常状态：所有螺旋桨、转子连接和承载臂连接均完好并紧固；
螺旋桨损伤：在同一个旋翼位置依次安装轻度、中度和重度损伤的桨叶；
转子连接松动：只将一个转子的固定螺丝部分松开；
承载臂连接松动：螺旋桨和转子正常，但机臂与中心机架之间的连接部分松动。
转子和承载臂松动实验中，连接件被松开至形成约的物理间隙。
【论文 Figure 4：承载臂连接松动、转子固定螺丝松动，以及正常、轻度、中度和重度螺旋桨的实物示例】
6.2 数据规模
论文使用 1 秒信号作为一个样本。
用于多故障四分类的数据共采集 724 秒，即 724 个样本。其类别为正常、螺旋桨损伤、转子松动和承载臂松动。
此外，作者单独采集了 1166 秒螺旋桨数据，用于四级损伤程度分类。四个类别分别为：
无损伤；
轻度损伤；
中度损伤；
重度损伤。
6.3 真实环境与不同油门
实验在户外开放区域进行，最大飞行高度为 10 m，数据来自不同日期和不同时间段。论文记录的环境风速范围为。
油门范围为 10%～75%：
低于 50%：无人机仍在地面；
50%：无人机悬停；
高于 50%：无人机在空中运动。
通过转速计测得：
10% 油门：2300～2500 RPM，对应 38.3～41.6 Hz；
20% 油门：3600～3900 RPM，对应 60～65 Hz；
30% 油门：7000～7500 RPM，对应 117～125 Hz；
50% 油门：9000～10000 RPM，对应 150～166 Hz；
75% 油门：11000～12000 RPM，对应 183～200 Hz。
这一实验设计使模型必须面对正常的转速变化，而不是只在一个固定频率下识别故障。
七、信号预处理
ADXL335 的采样频率为：
它主要用于观察较完整的振动频谱。考虑低成本处理器的计算能力，论文重点分析，并进一步将分类重点放在
以下的低频区域。
MPU6050 陀螺仪的采样频率为：
全部分析在 MATLAB R2024a 中完成。
7.1 去除直流偏置
设原始信号为 Y(k)，共有 N 个采样点。去均值后的信号为：
这一步使振动信号围绕零值分布，避免直流偏置影响峰值幅度、RMS 和过零次数等特征。
7.2 归一化
信号被归一化到 [-1,1]：
归一化可以降低不同样本幅值尺度差异对分类器的影响。
【论文 Figure 5：正常状态下，ADXL335 的 Ax 时域信号与 MPU6050 的 Gx 时域信号在不同转速下的变化】
Figure 5 给出了一个重要现象：即使无人机没有发生故障，振动幅度也会随转速升高而增大。这说明 PA 和 RMS 虽然有效，但不能单独作为故障判断依据。
八、FFT 频谱分析
连续傅里叶变换可写为：
传感器信号经过数字采样后，使用离散傅里叶变换：
其中：
x(n) 为第 n 个时域采样点；
X(k) 为第 k 个频率分量；
N 为单个信号片段的采样点数。
论文使用 FFT 加速 DFT 计算，从频谱中观察正常状态与不同故障状态的主峰位置、幅值变化、频率偏移和谐波成分。
九、八个幅频特征
论文共提取 8 个特征：
Dominant Frequency，DF，主导频率；
Peak Amplitude，PA，峰值幅度；
Root Mean Square，RMS，均方根；
Harmonic Distortion，HD，谐波失真；
Spectral Kurtosis，SK，频谱峭度；
Spectral Centroid，SC，频谱质心；
Variance，V，方差；
Zero Crossing，ZC，过零次数。
9.1 均方根 RMS
RMS 反映信号整体能量。机械不平衡或松动通常会提高振动能量，但转速升高也会提高 RMS，因此不能只依赖这一项。
9.2 方差 V
由于信号已经去除均值，论文使用：
方差描述振动样本相对零均值的离散程度。
9.3 过零次数 ZC
论文通过相邻采样点符号变化统计信号的振荡行为：
ZC 与信号中高低频振荡的变化有关，在螺旋桨损伤和转子松动识别中具有较强作用。
9.4 功率谱与主导频率 DF
频谱的功率表示为：
主导频率由功率最大位置获得：
DF 表示信号中最突出的振动频率。机械故障可能导致主峰偏移，也可能在低频或谐波位置引入新的频率成分。
9.5 频谱质心 SC
SC 可以理解为频谱能量的“重心”。SC 增大说明能量更多地集中到高频，SC 减小说明能量向低频区域移动。
十、特征筛选：为什么最后只留下 DF、PA 和 ZC？
论文使用线性回归分析特征与故障标签之间的关系：
其中：
Xn 为某一幅频特征；
Yn 为故障类别输出；
描述特征变化与分类标签之间的线性关系；
表示在 95% 置信水平下具有统计显著性。
【论文 Table 2：八个特征分别与螺旋桨损伤、转子连接松动和承载臂连接松动之间的回归系数与 p 值】
从统计结果可以看出，DF 和 PA 对三类故障均具有显著性；ZC 对螺旋桨损伤和承载臂松动尤其有效。综合识别能力与计算成本，作者最终重点选择 DF、PA 和 ZC 三个特征。
十一、模型一：神经网络识别螺旋桨损伤
螺旋桨损伤数据共有 1166 个 1 秒样本，并按照以下比例划分：
70% 用于训练；
15% 用于验证；
15% 用于测试。
神经网络隐藏层包含 10 个神经元，输出层对应四种状态：
0：无损伤；
1：轻度损伤；
2：中度损伤；
3：重度损伤。
输出使用 Sigmoid 函数：
模型采用 Levenberg–Marquardt 算法更新权重：
其中 J 为误差对权重的 Jacobian 矩阵，为阻尼因子，I 为单位矩阵，
为误差向量。
训练目标是最小化均方误差：
【论文 Figure 6：基于 MEMS 信号、预处理、FFT、DF/PA/ZC 特征和神经网络的螺旋桨损伤检测流程】
十二、模型二：决策树识别多类机械故障
第二个模型使用 724 个样本，输出四类状态：
正常；
螺旋桨损伤；
转子连接松动；
承载臂连接松动。
在该任务中，轻度、中度和重度螺旋桨损伤被合并为一个“螺旋桨损伤”类别。
论文比较了决策树、KNN 和 SVM。为降低决策树的过拟合风险，作者采用：
5 折交叉验证；
Bagging，即 Bootstrap Aggregation。
决策树具有计算量低、预测速度快的特点，因此更适合嵌入式和实时监测场景。
【论文 Figure 7：数据采集、预处理、1 秒分段、DF/PA/ZC 特征提取、决策树训练和四类故障输出流程】
十三、频谱结果分析
13.1 电机附近 ADXL335 的频谱
在 Ax 方向、7000～7500 RPM 条件下，旋转基频约为 117～125 Hz。正常与故障状态在这一工作频率附近均存在峰值，但故障状态的工作频率出现向低频方向偏移的现象。
在更宽的频率范围内，约 360 Hz 处出现明显峰值，该位置接近 120 Hz 基频的三倍频。螺旋桨损伤通常具有更高的幅值，因此最容易从频谱中观察。
在 Az 方向、9000～10000 RPM 条件下，旋转基频约为 150～166 Hz，约 450～500 Hz 区域出现对应的三倍频成分。
Az 对垂向振动更敏感，因此螺旋桨损伤和转子连接松动的幅值变化更加突出。承载臂松动在低频区域不够明显，但在 450～500 Hz 的高频区域更容易观察。
【论文 Figure 8：ADXL335 的 Ax 和 Az 信号在正常、螺旋桨损伤、转子松动和承载臂松动状态下的低频及宽频频谱】
13.2 机体中心 MPU6050 的频谱
论文随后分析了中心 MPU6050 的 Gx 信号。不同油门下的主要峰值区域为：
30% 油门、7000～7500 RPM：50～60 Hz；
50% 油门、9000～10000 RPM：70～80 Hz；
75% 油门、11000～12000 RPM：90～100 Hz。
随着 RPM 增大，各状态的振动幅值均会上升；但故障状态的幅值普遍高于正常状态，其中螺旋桨损伤的差异最显著。
在 75% 油门下，10～20 Hz 区域还出现额外低频振动。由于 11000～12000 RPM 下转子螺丝松动可能导致部件脱落，论文没有在这一速度下进行转子松动测试；承载臂松动仍然可以在该低频区域被观察到。
【论文 Figure 9：中心传感器 Gx 信号在 7000～7500、9000～10000 和 11000～12000 RPM 下的频谱变化】
图注注意：论文正文明确将 Figure 9 解释为 MPU6050 的 Gx 频谱，但原始图注写成了 ADXL335 Sensor，正文与图注之间存在命名不一致。
十四、关键特征随转速和故障的变化
14.1 螺旋桨损伤
论文比较了不同损伤程度下 DF、PA、ZC 和 SC 的动态变化。
在 7000～7500 RPM 时，Gx 方向的 DF 和 ZC 下降，而 Gy 方向的变化不完全一致。随着转速进一步升高，两个方向上的 DF 整体增加，重度损伤下的变化最稳定。
PA 的规律最清晰：无论是否损伤，PA 都会随转速增大；在相同转速下，损伤越严重，PA 通常越高。
SC 在两个方向上有上升趋势，但只有重度损伤表现出较稳定的一致性。
【论文 Figure 10：正常、轻度、中度和重度螺旋桨在不同转速下对 DF、PA、ZC 和 SC 的影响】
14.2 转子和承载臂松动
在低转速下，转子松动会使 DF 和 ZC 增加；在较高转速下，二者反而倾向于下降。PA 在松动状态下整体增加，SC 略有下降，但变化不显著。
对于承载臂松动，DF、ZC 和 SC 在 Gx 与 Gy 上没有形成稳定的单调趋势，但 PA 显示出较清楚的增加。
因此，单个特征难以覆盖所有故障和转速，而 DF、PA 与 ZC 的联合使用更可靠。
【论文 Figure 11：转子连接松动和承载臂连接松动在不同转速下对 DF、PA、ZC 和 SC 的影响】
十五、螺旋桨损伤分类结果
【论文 Table 3：NN、DT、KNN 和 SVM 在不同传感器轴、不同特征数量以及二分类和四分类任务中的准确率】
15.1 正常/损伤二分类
使用靠近电机的 ADXL335 Ax、Az 信号，并使用 DF、PA、ZC 三个特征时，神经网络的最高准确率为：99.40%.
对于位于机体中心的 MPU6050 Gx、Gy 信号：
使用 DF、PA、ZC、SC 四个特征时，NN 二分类准确率为 98.50%；
使用 DF、PA、ZC 三个特征时，NN 二分类准确率为 96.94%。
15.2 四级损伤分类
使用中心 MPU6050 的 Gx、Gy 信号：
8 个特征时，NN 四分类准确率为 92.40%；
DF、PA、ZC 三个特征时，NN 四分类准确率为 92.45%。
特征从 8 个减少到 3 个后，准确率没有下降，反而增加了 0.05 个百分点。这说明部分特征对分类没有提供额外帮助，甚至可能带入噪声。
【论文 Figure 12(a)：神经网络对正常、轻度、中度和重度螺旋桨状态进行分类的混淆矩阵】
四分类混淆矩阵包含 1166 个样本：
正常：520 个样本，491 个正确；
轻度损伤：110 个样本，100 个正确；
中度损伤：200 个样本，182 个正确；
重度损伤：336 个样本，305 个正确。
正确分类总数为：491+100+182+305=1078.
【论文 Figure 12(b)：神经网络四级螺旋桨损伤分类的 ROC 曲线，AUC 约为 0.98】
15.3 关于“99.40%”的结果口径
论文摘要和结论部分将 99.40% 描述为螺旋桨故障检测的最高结果，部分文字还将其与单个中心陀螺仪模型联系在一起。
但按照 Table 3 的脚注，99.40% 对应的是：
ADXL335 的 Ax、$Az 轴；
正常/损伤二分类；
DF、PA、ZC 三个特征。
而中心 MPU6050 的四级损伤分类结果为 92.45%。
因此，阅读和引用时建议使用以下更明确的说法：
本文螺旋桨正常/损伤二分类的总体最高准确率为 99.40%；使用机体中心 MPU6050 进行四级损伤程度分类时，准确率为 92.45%。
十六、多类机械故障检测结果
【论文 Table 4：决策树、KNN 和 SVM 使用 8、6、4、3 个特征时的多故障分类准确率、Precision 和 F1-score】
16.1 不同分类器的准确率
决策树的结果为：
8 个特征：95.72%；
6 个特征：95.17%；
4 个特征：95.31%；
3 个特征：95.86%。
KNN 的结果为：
8 个特征：93.16%；
6 个特征：91.99%；
4 个特征：91.03%；
3 个特征：94.79%。
SVM 的结果为：
8 个特征：89.23%；
6 个特征：90.19%；
4 个特征：90.47%；
3 个特征：91.83%。
三种算法在只使用 DF、PA 和 ZC 时都取得了各自的最高或接近最高结果。决策树以 95.86% 的准确率表现最佳。
16.2 三特征决策树的分类指标
三特征决策树对四个类别的 Precision 分别为：
正常：92.97%；
螺旋桨损伤：97.67%；
转子连接松动：94.44%；
承载臂连接松动：94.83%。
对应 F1-score 分别为：
正常：94.25%；
螺旋桨损伤：98.31%；
转子连接松动：94.44%；
承载臂连接松动：90.91%。
【论文 Figure 12(c)：三特征决策树对正常、螺旋桨损伤、转子松动和承载臂松动进行分类的混淆矩阵】
混淆矩阵显示，螺旋桨损伤类别共有 382 个样本，其中 378 个被正确分类，错误率很低。
全部四类的结果为：
正常：180 个样本，172 个正确；
螺旋桨损伤：382 个样本，378 个正确；
转子连接松动：36 个样本，34 个正确；
承载臂连接松动：126 个样本，110 个正确。
正确分类总数为：172+378+34+110=694.
【论文 Figure 12(d)：三特征决策树四类机械状态识别的 ROC 曲线，AUC 约为 0.99】
承载臂松动是相对较难识别的类别，其 F1-score 为 90.91%；螺旋桨损伤的 F1-score 最高，为 98.31%。
十七、论文的主要创新点
17.1 从单一螺旋桨检测扩展到结构健康监测
论文不仅检测螺旋桨损伤，还将转子连接松动和承载臂连接松动纳入同一个四分类框架，扩大了无人机机械健康监测的覆盖范围。
17.2 使用真实环境和多转速数据
数据来自户外环境、不同日期、不同时间段和 1～30 km/h 风速条件，并覆盖地面运行、悬停和空中运动。与固定实验台或固定悬停研究相比，更接近无人机真实使用场景。
17.3 同时研究故障源附近与机体中心信号
ADXL335 用于观察电机附近的局部振动，MPU6050 用于验证振动传播到机体中心后是否仍可识别。中心传感器方案有利于减少额外传感器数量，并与现有飞控 IMU 布局结合。
17.4 建立两个不同目标的分类模型
一个模型关注螺旋桨损伤程度，另一个模型关注不同机械故障类型。将“严重程度识别”和“故障位置/类型识别”拆开，使任务定义更清楚。
17.5 用三个特征实现较高准确率
论文没有盲目追求更多特征，而是通过回归系数和 p 值进行筛选。最终只用 DF、PA 和 ZC，就让决策树达到 95.86% 的四类故障识别准确率。
17.6 同时面向起飞前和飞行中检测
低于 50% 油门时，无人机仍在地面，模型可以作为起飞前机械自检工具；50% 及以上油门的数据则支持悬停和飞行状态下的健康监测。
十八、论文的局限性
18.1 只验证了一种无人机平台
无人机尺寸、机臂长度、电机型号、螺旋桨尺寸和结构材料都会影响共振频率和振动幅值。模型不能直接假定适用于所有无人机，更换平台后需要重新采集数据和训练。
18.2 松动程度的设置较单一
转子和承载臂松动主要通过约 1 mm 间隙进行模拟。论文没有系统比较更多松动程度，也没有给出从轻微预松到严重松动的连续退化曲线。
18.3 数据类别不均衡
多故障数据中：
螺旋桨损伤有 382 个样本；
转子松动只有 36 个样本。
虽然转子松动仍获得 94.44% 的 F1-score，但更大、更均衡的数据集能够更可靠地验证模型的泛化能力。
18.4 高速转子松动数据缺失
75% 油门下转速达到 11000～12000 RPM。出于部件脱落风险，作者没有在这一速度下测试转子螺丝松动，因此该高风险工况没有被完整覆盖。
18.5 尚未完成真正的机载实时部署
实验数据先写入 microSD 卡，再在 MATLAB R2024a 中分析。论文证明了低复杂度模型具有嵌入式部署潜力，但没有报告：
微控制器上的实际推理时间；
内存和存储占用；
端到端检测延迟；
机载功耗；
实时告警机制。
因此，本文仍属于“面向实时部署的离线验证”，还不是完整的在线健康监测系统。
十九、未来工作
作者计划在后续研究中进一步实现嵌入式实时故障诊断，并引入采样率为 48 kHz 的声学信号。
可能使用的方法包括：
小波变换；
经验模态分解；
MFCC；
深度学习模型。
振动信号与声学信号融合后，有望改善轻微故障、复杂环境和跨平台场景下的识别能力，但也会增加计算复杂度。
二十、总结
这篇论文提出了一套面向真实环境的低成本无人机机械健康监测方法。研究通过 MEMS 加速度计和陀螺仪采集振动数据，使用 FFT 分析频谱，并从 8 个幅频特征中筛选出 DF、PA 和 ZC 三个关键特征。
主要实验结论如下：
无人机正常状态下，振动幅值也会随转速升高，因此不能只依赖 PA 或 RMS 判断故障；
螺旋桨损伤、转子连接松动和承载臂连接松动会在频谱峰值、主导频率、低频成分和谐波区域留下不同特征；
使用电机附近 ADXL335 信号进行正常/损伤二分类，最高准确率为 99.40%；
使用中心 MPU6050 和三个特征进行四级螺旋桨损伤分类，准确率为 92.45%，AUC 约为 0.98；
使用中心 MPU6050、DF/PA/ZC 和决策树识别四种机械状态，准确率为 95.86%，AUC 约为 0.99；
减少特征数量没有导致性能下降，反而使 DT、KNN 和 SVM 的多故障分类结果均有所改善；
该方法兼顾起飞前低速检查和飞行中监测，并具有部署到低成本微控制器平台的潜力。
这项工作的核心价值并不是单纯追求最高准确率，而是证明：在真实转速变化和户外环境中，只使用一个中心 MEMS 陀螺仪、三个低复杂度特征和轻量级分类器，也能够较准确地区分螺旋桨损伤与结构连接松动。
