3. 故障检测与诊断（FDD）基础：残差生成、阈值设计、基于模型的诊断方法
各位同学，咱们今天聊点实在的。故障检测与诊断，简称 FDD，说白了就是给飞行器装个「体检系统」。我做了这么多年飞控，最怕的不是算法写不出来，而是飞机出问题了，你压根不知道它哪儿疼。
这一节，咱们就掰开揉碎了讲讲 FDD 的三个核心：残差怎么生成、阈值怎么设计、以及基于模型的诊断到底怎么玩。嗯，都是我在项目里踩过坑、填过土的东西。
3.1 残差生成——故障的「指纹」
残差是什么？说白了就是「期望」和「现实」的差值。你期望电机转 5000 RPM，实际传感器告诉你只有 4800，那这 200 的差就是残差。故障来了，残差就会异常。
我个人习惯把残差生成分成三类：
- 基于输出残差：直接拿传感器测量值减去模型估计值。简单粗暴，但模型不准时容易误报。
- 基于状态残差：用观测器（比如龙伯格观测器）重构系统状态，再和实际状态比较。我在做四旋翼执行器故障检测时，最喜欢用这种方法。
- 基于新息残差：卡尔曼滤波里的新息序列，天然就是残差。我记得有一次调试，新息突然跳变，我一看就知道是陀螺仪挂了。
核心公式（输出残差）：
r(t) = y(t) - ŷ(t)
其中：
r(t) —— 残差向量
y(t) —— 实际测量值
ŷ(t) —— 模型预测值我的经验：残差生成时，别忘了做归一化处理。不同传感器的量纲差异很大，角速度残差和加速度残差直接放一起比较，你会疯掉的。我一般会除以测量噪声的标准差，让残差变成无量纲的「标准分数」。
3.2 阈值设计——别让飞机「一惊一乍」
阈值设得太小，飞机天天误报，你根本没法飞。阈值设得太大，故障都烧穿了它还没报警。嗯，这里面的门道不少。
我总结了几种常用的阈值设计方法：
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 固定阈值 | 噪声特性稳定的系统 | 实现简单，计算量小 | 适应性差，容易误报/漏报 |
| 自适应阈值 | 飞行状态变化大的场景 | 随工况调整，鲁棒性好 | 需要在线计算，稍复杂 |
| 统计假设检验 | 需要定量分析时 | 有严格的统计学依据 | 需要知道噪声分布 |
| 多级阈值策略 | 区分故障严重程度 | 可分级报警，便于决策 | 参数整定工作量大 |
避坑指南：我曾经在一个项目中，直接用固定阈值检测电机故障。结果悬停时好好的，一做大机动动作，残差直接飙到阈值以上，误报不断。后来改成自适应阈值——根据油门量和角速度动态调整阈值，问题才解决。你想想看，大机动时残差本来就大，阈值也得跟着涨才行。
自适应阈值的一个简单实现思路：
// 伪代码：自适应阈值计算
float adaptive_threshold(float base_threshold, float control_input, float rate) {
float scale = 1.0 + 0.2 * abs(control_input) + 0.1 * abs(rate);
return base_threshold * scale;
}3.3 基于模型的诊断方法——给飞机「把脉」
基于模型的方法，核心思想就是：拿一个数学模型当「健康基准」。飞机正常时，实际行为和模型预测应该差不多。一旦偏差大了，就说明出问题了。
我个人把这类方法分成三个流派：
3.3.1 参数估计法
说白了就是在线辨识系统参数。比如电机的力矩系数、桨叶的升力系数。正常情况下这些参数是已知的，一旦参数变了——比如桨叶断了导致升力系数下降——残差就会报警。
我记得有一次做六旋翼容错控制，一个电机因为轴承磨损，力矩系数下降了 15%。参数估计法在故障发生 0.3 秒后就检测到了，比直接看转速残差快了将近一倍。
3.3.2 状态估计法
用观测器或卡尔曼滤波估计系统状态，然后比较估计值和测量值。这个方法的好处是：你不需要知道故障的具体模型，只要状态估计够准，任何异常都能抓到。
举个例子：
// 卡尔曼滤波新息计算（简化版）
void kalman_update(float z_meas, float &x_est, float &P) {
// 预测
float x_pred = A * x_est + B * u;
float P_pred = A * P * A' + Q;
// 新息（残差）
float innovation = z_meas - C * x_pred;
// 如果 innovation 超过 3σ，判定为故障
if (abs(innovation) > 3.0 * sqrt(C * P_pred * C' + R)) {
fault_flag = 1;
}
// 更新
float K = P_pred * C' / (C * P_pred * C' + R);
x_est = x_pred + K * innovation;
P = (1 - K * C) * P_pred;
}关键点：状态估计法的核心是「解析冗余」——用数学模型代替物理冗余传感器。你想想看，一个 IMU 坏了，但通过另外两个 IMU 和动力学模型，你照样能估计出姿态。这就是解析冗余的魅力。
3.3.3 等价空间法
这个方法比较数学，但很优雅。它通过构造一个「等价空间」，把系统输入输出投影到这个空间里。正常情况下投影为零，故障时投影非零。说白了就是找一个「故障放大镜」。
我在做多旋翼传感器故障诊断时，用过等价空间法检测加速度计偏置故障。效果不错，但计算量比卡尔曼滤波大一些。如果你的飞控算力够，可以试试。
3.4 残差评价与决策逻辑
生成残差、设计阈值之后，还得有个决策逻辑。总不能残差一超阈值就立马切降落吧？
我常用的决策策略：
- 连续超限判定：残差连续 N 步超过阈值，才判定为故障。N 一般取 3~5，防止噪声引起的误报。
- 累计和（CUSUM）：对残差进行累计，适合检测缓慢变化的故障。比如电机效率逐渐下降。
- 多残差投票：多个残差同时报警才确认故障。我在六旋翼上用过，一个传感器坏了，其他五个「投票」确认，误报率几乎为零。
一个小技巧：决策逻辑里加个「去抖计时器」。残差超阈值后，等 50ms 再确认。这 50ms 能过滤掉 90% 以上的瞬态干扰。我曾经因为没加这个，飞机在阵风里疯狂报警，差点把飞控搞死机。
3.5 实际工程中的坑与对策
做 FDD 这么多年，我踩过的坑能写本书。挑几个典型的说说：
- 模型不准导致残差漂移：你建的模型和真实飞机总有差距，残差天生就不为零。对策是加个「偏置补偿」，在线估计模型误差。
- 噪声特性随时间变化：电池电压下降、温度变化，传感器噪声都会变。固定阈值肯定不行，得用自适应阈值或在线噪声估计。
- 故障和扰动的混淆：一阵大风刮过来，残差也会跳。怎么区分是故障还是扰动？我的做法是看残差的频率特性——扰动通常是低频的，故障往往有特定的频率特征。
血的教训：有一次我在实验室调试，飞机刚离地就报「电机故障」，我查了半天，发现是地面效应导致升力模型不准，残差超了。从那以后，我每次做 FDD 都会先做「无故障基线测试」——让飞机在正常状态下飞一遍，记录残差的统计特性，再用这个统计特性去设计阈值。说白了，你得先知道「正常」长什么样，才能判断「异常」。
好了，这一节的内容就到这儿。残差生成、阈值设计、基于模型的诊断，这三板斧你拿好了，多旋翼的故障检测基本就能搞定大半。剩下的就是多练、多试、多踩坑——嗯，踩坑也是一种学习。