HEP 统计推断用于无人机故障检测：CLs、LRT 与 SBI 应用于叶片损伤
机器学习
2026-03-20 v1 机器人学
系统与控制
系统与控制
摘要
本文将粒子物理中的三种统计方法引入多旋翼飞机螺旋桨故障检测：用于二元检测的似然比检验 (LRT)，用于控制误报率的CLs改进频率主义方法，以及用于定量故障表征的顺序神经后验估计 (SNPE)。该系统基于与旋翼谐波物理相关的谱系特征，输出三个结果：二元检测、受控误报率以及故障严重程度和电机位置上的校准后验分布。在包含18次真实飞行数据（5% 和 10% 叶片损伤）的无人机故障检测数据集 (UAV-FD) 上，留一飞行交叉验证得到 AUC 为 0.862 ± 0.007（95% 置信区间：0.849--0.876），优于 CUSUM (0.708 ± 0.010)、自动编码器 (0.753 ± 0.009) 和 LSTM 自动编码器 (0.551)。在 5% 误报率下，系统检测到 93% 的显著损伤和 81% 的细微损伤。在 PADRE 数据集上，经过仅调整生成模型后，AUC 可达 0.986。SNPE 提供故障严重程度的完整后验分布（90% 可信区间覆盖率 92--100%，MAE 0.012），因此输出包括不确定性而非仅为点估计或故障标志。单飞行顺序检测实现 100% 故障检测，整体准确率达 94%。
引用
@article{arxiv.2603.18546,
title = {HEP Statistical Inference for UAV Fault Detection: CLs, LRT, and SBI Applied to Blade Damage},
author = {Khushiyant},
journal= {arXiv preprint arXiv:2603.18546},
year = {2026}
}
备注
12 Pages, 8 Figures