Mamba-MSTN：面向固定翼无人机故障诊断的多尺度自适应状态感知序列学习框架

本文提出一种名为Mamba-MSTN的新型深度学习框架，专门解决固定翼无人机在低样本条件下的故障诊断难题。该框架融合1D-RCNN、BiGRU、Mamba和多头自注意力机制，通过多尺度时序特征提取模块实现对复杂飞行数据的精准建模，旨在提升低样本场景下的故障诊断精度与效率。

固定翼无人机在现代农业、航空监测和智能植保等领域应用广泛，但安全运行面临严峻挑战：故障诊断数据稀缺、标注样本不足，飞行环境复杂多变。传统监督学习在低样本场景表现不佳，现有深度学习模型难以同时捕捉局部细节和全局依赖。此外，无人机故障信号具有瞬态、多尺度特性，不同故障类型表征相似，构成技术难题。

针对上述挑战，研究者提出Mamba-MSTN框架，核心设计理念是通过多层次特征提取和自适应状态感知机制，实现低样本条件下高精度故障诊断。框架名称源于关键组件Mamba状态空间模型，该模型处理长序列数据时计算效率高、建模能力强，相比Transformer在保持全局感知的同时降低计算复杂度。

多尺度时序特征提取（MSTFE）

采用并行多子空间策略，从不同时间粒度捕捉数据动态特性，同时关注瞬态变化和长期趋势，解决单一尺度建模局限。

混合架构设计

整合多种神经网络优势：

• 1D-RCNN：提取原始传感器数据局部特征，捕捉细微变化
• BiGRU：建模双向时间依赖，增强时序动态理解
• Mamba模块：高效全局状态感知，处理长距离依赖
• MHSA：动态调整特征通道重要性，实现内容自适应筛选

自适应状态感知机制

根据输入数据特性动态调整内部状态表示，提升对不同故障模式的适应性与泛化能力。

研究团队在真实无人机飞行数据上验证，结果显示Mamba-MSTN在低样本设置下显著优于主流方法（传统机器学习及现有深度学习模型）。关键性能指标：

• 诊断准确率：有限标注样本下达到较高水平
• 计算效率：相比纯Transformer大幅降低资源消耗
• 泛化能力：不同飞行条件和故障类型下性能稳定
• 实时性：满足在线故障监测时效要求

该研究对农业植保无人机运营商（降低维护成本、提升作业安全）、航空监测任务（避免设备损失和任务中断）具有重要意义。框架模块化设计可适配不同固定翼无人机平台，低样本学习特性减少对大量标注数据依赖，部署更经济可行。

Mamba-MSTN的成功为序列学习领域提供新思路：状态空间模型与传统深度学习组件结合，可提升计算效率同时保持表达能力，有望推广到设备健康监测、预测性维护等场景。未来研究方向：提升极端罕见故障识别能力、探索无监督/半监督学习减少标注依赖、开发边缘计算友好的轻量化版本。