题目: 基于深度学习的无人机数字孪生机载载荷监测系统研究

作者与研究机构

本文的主要作者包括 Xuan Zhou, Michal Dziendzikowski, Krzysztof Dragan, Leiting Dong, Marco Giglio 和 Claudio Sbarufatti。作者分别来自以下机构：
- Beihang University（北京航空航天大学，航空科学与工程学院，中国）
- Instytut Techniczny Wojsk Lotniczych（波兰技术军事研究所适航分部）
- Politecnico di Milano（米兰理工大学机械工程系，意大利）

此研究发表于 “11th European Workshop on Structural Health Monitoring” 并且本文受 CC BY 4.0 协议保护。

学术背景与研究目的

本研究聚焦于结构健康监测（Structural Health Monitoring, SHM）领域中的一个关键技术——机载载荷监测（load monitoring）。在航空飞行中，飞行器承受连续的气动载荷，产生结构变形并导致疲劳损伤的可能性。实际载荷历史和结构变形分布的获取，是通过数字孪生（digital twin）技术跟踪疲劳损伤进程和评估关键位置风险的重要步骤。

目前的载荷监测方法主要包括以下三类：
1. 数据驱动预测（data-driven prediction），基于飞行参数建立模型，用以预测关键位置载荷；
2. 基于仿真的预测（simulation-based prediction），利用飞行动力学、计算流体力学和有限元结构分析的全阶模拟为载荷预测服务，但其准确性取决于模拟模型的可信度；
3. 基于应变的监测（strain-based monitoring），通过在飞行器结构上安装传感器直接测量关键位置的应变，再通过方法（如 IFEM 或校准矩阵法）计算载荷分布。但传感器在服役阶段的安装和维护存在挑战性。

鉴于在服务阶段装备应变传感器的复杂性，本研究提出了一种无需传感器的新型实时载荷监测框架，将深度学习预测与逆向-直接（inverse-direct）方法结合。研究目标是通过无人机试飞阶段的数据和飞行模拟平台，开发一种适用于无人机服务阶段的全场载荷预测方法。

研究流程

研究设计了两个主要阶段，每个阶段包含详细的步骤和创新性方法。

第一阶段：试飞阶段（Flight Test Phase）

1. 数据收集
   在试飞阶段，研究者在无人机上安装了一组指定的应变传感器，同时记录飞行参数以及对应位置的应变测量。

   • 数据采集频率：飞行参数共记录13个，采样频率包括10 Hz和50 Hz，其中参数涵盖角速度、加速度、空速、迎角、侧滑角、大气压力和控制舵面的偏转角等。
     
   • 数据规模：飞行实验持续约15分钟，共安装了26个应变传感器，其中20个用于模型训练，6个用于性能验证。
     

2. 模型训练

   • 深度学习应变预测模型
     研究开发了一种基于一维卷积神经网络（1D-CNN）的应变预测模型，该模型能够捕获飞行和应变数据的时间序列依赖性。CNN模型包含输入层、卷积模块、全连接层和输出层，并采用 Adam 优化算法训练，使用均方误差（MSE）作为损失函数对网络权重进行迭代调整。
     
   • 逆向-直接载荷监测模型
     在模拟数据库上，研究构建了逆向-直接模型。首先通过主成分分析（Principal Component Analysis, PCA）对气动载荷分布进行降维，并建立应变测量与气动载荷之间的线性回归关系。模型校准时还考虑了温度引起的测量误差，结合了温度估计和补偿策略。
     

第二阶段：服务阶段（Service Phase）

1. 实时飞行参数获取
   在服务阶段，采集飞行器的实时飞行参数作为应变预测模型的输入。利用CNN模型生成局部应变分布预测。
   
2. 全场载荷预测
   通过逆向-直接模型，使用预测的应变数据推算全场载荷分布，包括感兴趣区域的变形分布。
   

此外，为了增强模型精度，研究者结合 Panukl 气动模拟平台和 Abaqus 结构模拟软件，生成了2000组飞行样本数据用于模拟数据库的构建。

主要研究结果

1. 应变预测性能

   • 在1D-CNN模型中，训练数据与测试数据具有高度一致性，能够准确捕获高频应变波动，预测结果与真实测量值高度契合。相比之下，全连接神经网络（FNN）模型所得结果更为平滑，偏差较大，表明CNN拥有更高的预测精度和时序依赖性捕获能力。
     

2. 逆向-直接监测模型性能

   • 实验验证中考虑或未考虑温度补偿的情况下，预测应变与实际测量值的对比显示，温度补偿策略显著提高了逆向-直接方法的精度，预测结果偏差显著缩小。
     

3. 载荷跟踪性能

   • 基于深度学习的应变预测结果与改进的逆向-直接模型结合，用于飞行载荷跟踪，预测结果与传统基于应变的载荷监测方法具有高度一致性，验证了该方法的可行性和有效性。
     

结论

本研究提出了一种无传感器的飞行载荷跟踪框架，通过结合试飞阶段的深度学习预测模型与改进的逆向-直接方法，实现了服务阶段的全场载荷分布监测。主要优势如下：
1. 模型无需额外传感器，在服务阶段仅依赖飞行参数即可实现全场变形预测与载荷监测，降低了传感器安装与维护的复杂性。
2. 模型预测精度较高，尤其在时序依赖较为显著的动态场景中，优于其他数据驱动方法。
3. 样本生成基于飞行模拟和结构模拟平台，提升了模型适用性与灵活性。

研究亮点

1. 创新性监测框架
   本研究是首次在载荷监测领域提出结合深度学习与逆向-直接方法的无传感器监测方法。
   
2. 高效应变预测模型
   基于1D-CNN的局部应变预测模型展现了对序列依赖数据的优越性能。
   
3. 扩展性与适用性
   所提出方法适用于多种飞机类型，无需在服务阶段安装应变传感器，具有广泛的应用潜力。
   

未来研究方向

研究指出，该框架的进一步验证应包括对多架同型号飞行器进行多组飞行实验，以评估大规模应用中的性能稳定性。此外，还可尝试引入更为复杂的深度学习结构，进一步优化模型预测精度。