基于稀疏的传感器阵列和转移学习的大型复杂金属结构的影响监测

科学领域:

• 航空航天工程 航空航天工程
• 结构健康监测 结构健康监测
• 航空领域的人工智能

背景情况:

• 由于潜在的结构损坏,飞机撞击事件带来了重大安全风险.
• 目前用于监控的密集传感器阵列成本高昂,增加重量,影响运营经济.
• 准确的撞击位置和力量历史对于评估飞机状况至关重要.

研究的目的:

• 制定一个高效的区域到点监测战略,用于飞机撞击探测和力预测.
• 通过利用稀疏的数据和先进的算法,减少对密集传感器阵列的依赖.
• 调查不同飞机机身结构的转移学习的有效性.

主要方法:

• 一个具有区域定位能力的卷积神经网络 (CNN) 被训练在稀疏的传感器数据上.
• 一个加权中心算法,增强了一个模糊的遗传算法,被用于适应性影响定位.
• 一个卷积神经网络门循环单元与挤压刺激注意力 (CNN-GRU-SE) 用于冲击力预测.
• 转移学习被应用于评估不同机身结构的模型性能.

主要成果:

• 拟议的战略准确地确定了冲击位置,并预测了冲击力时间历史.
• 模糊的遗传算法适应性地提高了定位准确性.
• 该CNN-GRU-SE模型展示了预测各种飞机结构部件撞击力的能力.
• 转移学习显示出改善模型性能和降低不同机身区域的培训成本的潜力.

结论:

• 区域到点监测策略为密集的传感器阵列提供了有效的替代方案,用于飞机结构健康监测.
• 开发的AI模型提供了准确的冲击定位和力预测,提高了飞机的安全性.
• 转移学习是一种可行的方法,可以将模型适应各种飞机结构,优化训练效率.