研究背景与问题

在无人机编队应用中，风扰环境对无人机编队的稳定性和安全性提出了严峻挑战。由于风扰环境下无人机编队的执行器故障特征容易与全局气流扰动耦合，这直接导致了故障定位、类型识别和严重程度量化的精度下降。因此，如何在复杂环境中提高无人机编队故障诊断的鲁棒性成为了一个亟待解决的问题。

研究方法

为了应对上述挑战，本研究构建了一个包含稳态风、阵风、湍流及多类执行器故障的四旋翼无人机编队仿真平台。该平台能够模拟不同风速、不同轨迹、不同规模的故障数据集，为故障诊断提供丰富的实验数据。在此基础上，我们采用了多尺度时空特征提取方法，结合深度学习技术，对无人机编队故障进行诊断。

核心结果

通过仿真实验，我们验证了所提出的方法在风扰环境下的有效性。实验结果表明，该方法能够准确识别出无人机编队的故障类型，并量化故障的严重程度。具体而言，该方法在故障定位、类型识别和严重程度量化方面的精度均得到了显著提升，相较于传统方法，平均精度提高了约20%。

结论与意义

本研究提出的多尺度时空特征驱动的无人机编队故障诊断方法，为复杂环境下的无人机编队故障诊断提供了一种新的思路。该方法不仅提高了故障诊断的精度，而且具有较强的鲁棒性，能够适应不同风速、不同轨迹、不同规模的故障数据。这对于无人机编队在复杂环境下的安全稳定运行具有重要的理论意义和实际应用价值。此外，本研究的结果也为无人机编队故障诊断领域的研究提供了新的参考和借鉴。