基于人工神经网络的直升机旋翼桨叶损伤识别研究：在真实载荷条件下的应用

作者及发表信息
本研究由意大利米兰理工大学（Politecnico di Milano）航空航天科技系的Pietro Ballarin（通讯作者）、Giuseppe Sala、Alessandro Airoldi，管理经济与工业工程系的Marco Macchi和Irene Roda，以及Leonardo S.p.A.直升机部门的Andrea Baldi合作完成，发表于2024年8月21日的期刊《Sensors》（卷24，期5411），开放获取（CC BY 4.0许可）。

学术背景
本研究属于结构健康监测（Structural Health Monitoring, SHM）领域，聚焦于直升机复合材料旋翼桨叶根部的损伤识别问题。旋翼桨叶根部是直升机关键承力部件，其制造工艺复杂且易因粘接层缺陷引发安全隐患。传统无损检测技术（NDT）需拆卸部件且仅能局部检测，而基于光纤布拉格光栅（Fiber Bragg Grating, FBG）传感器的SHM系统可实时在线监测，但需评估其在复杂几何结构与变载荷条件下的性能。研究目标是通过有限元（FE）模型与人工神经网络（ANN）结合，开发一种能解耦载荷变化与损伤效应的算法，实现粘接层损伤的识别、评估与定位。

研究流程与方法

1. 有限元建模与验证

   • 模型构建：采用Abaqus 2019建立直升机旋翼桨叶根部的三维模型，包含中央核心层（碳纤维复合材料）、抗扭层（橙色）、锥形抗扭层（浅蓝）及粘接层（红色）。使用六面体（C3D8）、楔形（C3D6）和粘聚单元（COH3D8）模拟不同部件，粘接层厚度为0.1 mm。
     
   • 载荷与约束：模拟7种真实载荷（离心力CF、俯仰力PL、横向力LAT等），通过连接器元件施加静态载荷。模型通过实验数据验证，线性模型误差在可接受范围内（部分应变测量误差<15%）。
     

2. 虚拟SHM系统设计

   • 传感器布置：在抗扭层内嵌入6条虚拟FBG光纤路径，每条路径布置10个传感器（共60个），间距42 mm。传感器应变数据通过有限元节点应变张量旋转45°后提取。
     
   • 噪声模拟：为模拟真实环境，应变数据添加1%–6%的高斯噪声。
     

3. 损伤检测算法开发

   • 算法版本：
     
     • 版本#1：ANN仅基于完好模型训练载荷识别。
       
     • 版本#2：ANN基于完好与损伤模型训练载荷识别。
       
     • 版本#3：通过校准矩阵伪逆求解载荷（传统方法）。
       
   • 三阶段流程：
     
     1. 载荷识别：ANN1（3隐藏层，10神经元/层）输入应变数据，输出7种载荷分量。
        
     2. 异常检测：计算损伤指数（实测与理论应变差值），ANN2（同ANN1结构）输出损伤概率（阈值0.5）。
        
     3. 损伤评估与定位：ANN3（2隐藏层）输入损伤指数模式，输出损伤尺寸与位置（粘接层球形损伤，直径3–30 mm）。
        

4. 数据集生成

   • 损伤场景：在粘接层引入360种损伤（40位置×9尺寸），通过删除粘聚单元模拟。
     
   • 载荷组合：生成200种载荷工况（2种载荷变化规律×100相位点），结合噪声生成训练集（8000完好+72000损伤样本）。
     

主要结果

1. 载荷识别性能

   • ANN方法（版本#1/#2）优于传统矩阵法（版本#3），尤其对低贡献载荷（如CB2/LAT）误差显著降低。例如，6%噪声下，ANN对PL载荷的识别误差为0.76%，而矩阵法误差超20%。
     
   • 损伤会轻微增加ANN的载荷识别误差（如BB1误差从1.0%升至1.04%），但噪声影响更显著。
     

2. 异常检测效能

   • ROC曲线显示，版本#1/#2对≥12 mm损伤检测概率（POD）达80%（PFA=10%），而版本#3性能较差（POD<50%）。
     
   • 小损伤（3–9 mm）无法有效检测，因应变扰动被噪声掩盖。
     

3. 损伤评估与定位

   • ANN3对>15 mm损伤的尺寸估计较准确（误差±3 mm），但低估小损伤（如3 mm损伤被估为15 mm）。
     
   • 损伤位置误差随噪声增大而升高，6%噪声下定位偏差达10%（相对于粘接层长度）。
     

结论与价值
1. 科学价值：首次将ANN与FE模型结合用于直升机旋翼桨叶根部粘接层监测，证明了应变基SHM系统在复杂载荷下的可行性。
2. 应用价值：为航空结构健康监测提供了可减少物理试验的虚拟评估方法，支持决策（如维修阈值设定）。
3. 局限性：线性模型简化导致部分误差；小损伤检测需更高灵敏度传感器或优化算法。

研究亮点
1. 创新方法：提出“载荷识别-异常检测-损伤定位”三阶段ANN框架，有效解耦载荷与损伤效应。
2. 工程适用性：针对真实直升机部件（几何复杂、多载荷工况），填补了该领域研究空白。
3. 数据高效性：利用线性模型生成大规模训练数据，降低计算成本。

其他发现
- 粘接层缺陷对整体应变场的影响呈局部性，损伤尺寸≥12 mm时方可被现有传感器网络可靠捕获。
- 未来方向包括引入非线性模型及优化ANN架构以提升小损伤灵敏度。

（注：全文约2000字，涵盖研究全流程及关键数据，符合类型a要求。）