估算多旋翼UAS RUL的資料驅動預測維護模型
過去十年，無人駕駛飛機系統（UAS）被廣泛應用于娛樂、運輸、搜尋和救援等領域。
然而，這種增長也帶來了新的挑戰，尤其是與機械故障相關的事故，占事故原因的近50%。
為了預防事故，準确估計UAS的剩餘使用壽命（RUL）至關重要。
一項新方法利用多轉子UAS的振動資料來估計RUL，通過引入平均峰值頻率作為新特征評估UAS的退化程度。
使用LSTM模型預測未來的峰值頻率，并根據門檻值判斷RUL。
實驗結果顯示，對于不同重複情況，RUL分别為4秒、10秒和10秒，RMSE值分别為3.7142 Hz、1.4831 Hz和1.3455 Hz。
民用UAS的應用範圍不斷擴大，包括商業和醫療保健領域。
然而，UAS事故率顯著增加，其中33%至67%的事故與機械或電氣故障相關。推進系統故障占23%至53%，對螺旋槳和轉子的故障最為常見。
目前的研究旨在開發資料驅動的預測性維護模型，通過振動資料、信号處理和機器學習方法預測UAS的剩餘使用壽命(RUL)。
這項研究提供了時頻域特征的基準研究，并提供了開源振動資料用于UAS RUL估算。
計算RUL所需的步驟在三個主要部分中描述:資料預處理、特征提取和RUL估計。
資料預處理包括三個子步驟。
首先，去除資料的線性趨勢，通過減去平均值來實作。其次，使用移動中值濾波器平滑資料，以去除尖峰噪聲。最後，采用兩級帶通濾波器來隔離特定頻率範圍之外的信号。在該研究中，帶通截止頻率設定為20 Hz和120 Hz。這些步驟的公式和詳細方法可以在相關文獻中找到。
特征抽取步驟包括資料分割、将分割資料轉換為時頻域以及計算平均峰值頻率作為健康狀态特征。
資料分割将資料按照時間間隔分成小段，以保持采樣率一緻。時頻域轉換使用短時傅立葉變換将每個資料段從時域轉換為頻譜圖，顯示信号的頻率成分随時間的變化。平均峰值頻率是每個資料段中功率最大的頻率的平均值，用作代表系統退化的特征。這些特征提取方法在該研究中用于預測剩餘使用壽命。
RUL估計包括三種常見模型：生存模型（僅有故障資料）、退化模型（故障資料不可用但有安全門檻值）、相似模型（完整曆史資料）。
LSTM網絡适用于時間序列分類和預測，由具有輸入、輸出和遺忘門的單元組成，能處理資訊的添加和删除，減少備援資訊的傳輸。
使用貝葉斯優化調整超參數，訓練輸入資料标準化為零均值和機關方差。
最後7個平均峰值頻率作為輸入建構LSTM網絡，預測後續5個平均峰值頻率。若預測的頻率超過故障門檻值，則計算RUL，否則将實際值加入時間序列并疊代進行預測，直到超過門檻值。本研究中故障門檻值設定為50 Hz。
實驗在封閉的實驗室環境中進行，UAS被安裝在一個平台上以防止起飛。實驗分為三個場景，每個場景重複三次。
第一個場景用于描述UAS的健康狀态，沒有改變螺旋槳葉片的品質和位置，每40秒節氣門位置增加10%。
第二個場景收集運作至故障資料，其中一個葉片制作了一個凹槽來實作品質不平衡，凹槽位置距離刀片尖端9 cm。整個實驗過程中，節氣門位置固定在25%。
第三個場景是收集運作至失效的資料，将健康和故障場景結合起來。油門每40秒增加10%，并使用帶凹槽的葉片。
在資料預進行中，首先确定健康狀态下振動資料的正态性，并進行線性去趨勢處理以消除重力加速度的影響。
第二個場景提供了使用改進的葉片在25%恒定節流下從健康到故障的振動資料。
第三個場景中，通過等待40秒在不同節氣門位置收集振動資料來全面表征退化模式。
第二和第三個場景中，故障發生時的振動幅度發生急劇變化，而健康狀态下出現輕微的增加趨勢。
LSTM的結果顯示，預測的平均峰值頻率與實際值非常一緻。根據RUL的估計結果評估了該方法的有效性。在所有重複中，RUL均在故障發生之前計算，最大RUL為10秒。估計值的準确性取決于選擇的時間視窗長度和LSTM神經網絡的設定。
實驗結果表明，平均峰值頻率是檢測故障的可靠特征。
參考文獻
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.
