为什么无人机螺旋桨难以控制
螺旋桨是无人机最脆弱的部件之一。受损的桨叶可能会在不知不觉中降低操控性，并在关键时刻导致飞行器丢失。难点在于，螺旋桨的缺陷几乎从来不会表现为某个传感器上的一次明显跳变。它的痕迹分散在飞行日志的不同通道中：航线精度略有变化，电调负载略有增加，某处姿态出现“抖动”。单独来看，这些偏差可能像是噪声，只有综合在一起才能呈现出真实问题的全貌。
为了及时发现这种隐藏的故障，不能单独查看每一条曲线。需要一种工具，能够将异构信号相互关联，并与已知健康无人机的行为进行对比。正是这样的任务，由一个围绕螺旋桨“蜕变式人工年龄”构建的原型来解决。
蜕变式“人工年龄”：其工作原理
研究人员提出了一种决策支持系统原型，它不是通过单一参数，而是通过一个专门指标——Artificial Age Score，即“人工年龄”——来评估螺旋桨的状态。这个名称听起来可能像是生物衰老领域的隐喻，但实际上它与时间 chronology 毫无关系。它是一种结构性度量，反映当前无人机行为与健康“基准”的偏离程度，以及各子系统承受的负荷大小。
该原型从飞行日志中提取数据，并依次计算六个与旋翼健康相关的指标：
- 轨迹跟踪误差——无人机保持设定航线的精确程度；
- 姿态不稳定性；
- 推力指令负荷；
- 电机指令不平衡；
- ESC（电子调速器）指令不稳定性；
- 电池压力。
随后，这六项指标中的每一项都相对于对应健康飞行的基线水平进行归一化。之后，候选评分策略和蜕变式充分性关系开始发挥作用——它们将分散的信号转化为最终评分。公式中还额外考虑了冗余度，以避免同一症状通过不同通道被“重复计分”。
这种方法摒弃了对单一理想诊断特征的追求。相反，系统评估多个通道的内部一致性，并显示无人机行为相对于正常状态的异常程度。
基于真实案例的验证：健康螺旋桨与三种缺陷螺旋桨
为了在实际中检验该原型，作者使用了来自 2024 年公开数据集 DronePropA 的真实飞行日志。该实验是回顾性且受控的：选取了一个健康案例和三个不同损伤程度的螺旋桨案例。所有飞行均沿同一条轨迹并以相同的速度剖面执行，因此指标上的差异可以归因于螺旋桨的状态。
对于健康无人机，系统未发现严重偏差，并将其归入计划性监控。在 Severity 1 案例中，主要症状是 ESC 指令不稳定——此类飞行器被建议进行技术维护。Severity 2 案例的特点是电机指令和 ESC 同时承受最大负荷，而 Severity 3 案例则表现出最大的轨迹跟踪误差。后两个案例被系统标记为需要强制检查。
有趣的是，不同严重程度的损伤通过不同的运行通道表现出来。一个螺旋桨的操控性受损更严重，另一个的转速调节器受影响更大，第三个则在航线跟随精度上出现问题。这再次印证了不存在通用的“故障指示器”：需要的正是多指标决策支持层。
这在实践中的意义
所提出的原型是迈向智能飞行后分析的一步。工程师无需手动查看数百条曲线，而是获得一个带有建议的紧凑评估：可以继续飞行、需要进行计划性维护，或者需要紧急检查。这对于自主无人机尤为重要，因为人在起飞前往往无法检查每一片桨叶。
在这里，蜕变式“人工年龄”有助于将螺旋桨状态视为一个统一的功能性“老化”指标——当前行为偏离健康样本有多远——而不是一系列分散的症状。目前，这项工作仍具有回顾性，并基于从 DronePropA 中选取的日志，但其内置的方法可以进一步发展：添加新的故障类型、扩展指标集，并逐步将原型转化为真实服务中心中无人机常规监测的工具。
