基于机器学习的战斗机疲劳损伤预测集成工程框架

《Results in Engineering》：Integrated Engineering Framework for Fatigue Damage Prediction of Fighter Aircraft using Machine Learning

本研究针对老化战斗机结构疲劳损伤预测的难题，提出了一种融合计算建模、实验验证与机器学习(ML)的物理信息数据驱动框架。研究人员通过计算流体动力学(CFD)和有限元(FE)分析确定疲劳关键位置(FCL)，结合地面应变校准(GSS)和飞行测试数据，训练了多种ML模型（包括RF、XGB、GPR）。结果表明，GPR模型预测精度最高（R2达0.993），该框架为飞机结构健康监测(SHM)和单机跟踪(IAT)提供了创新解决方案。

　　

随着全球军用飞机机队的老化，如何确保其持续适航性和结构完整性成为各国空军面临的严峻挑战。战斗机在长期服役过程中，其结构部件承受着复杂的循环载荷和环境退化，导致疲劳损伤不断累积。传统的疲劳评估方法，如定期检查、无损检测(NDI)和数值分析，虽然在一定程度上有效，但往往耗时耗力，且难以捕捉实际飞行中高度非线性和任务依赖的疲劳行为。更重要的是，这些传统方法通常无法有效整合气动载荷、飞行变异性和材料退化等多重因素的耦合效应，导致预测精度有限，难以满足现代战机对安全性和战备状态的苛刻要求。

为了突破这些局限，来自巴基斯坦国立科学技术大学(NUST)机械与制造工程学院(SMME)的研究团队开展了一项创新性研究，旨在开发一个集成的、物理信息与数据驱动相结合的疲劳损伤预测框架。该研究成果已发表在工程领域知名期刊《Results in Engineering》上。

研究人员综合运用了几项关键技术方法。首先，他们通过对一架同型号老龄飞机的全面拆解和材料测试（包括硬度测试和光学发射光谱分析），量化了材料在经过3000飞行小时后的性能退化（如杨氏模量下降6.7%），为后续建模提供了真实的材料参数。其次，基于拆解测量和原始设备制造商(OEM)资料，建立了高保真的飞机计算机辅助设计(CAD)模型，并依次进行了计算流体动力学(CFD)分析和有限元(FE)分析，以精确模拟气动载荷和识别机翼上的疲劳关键位置(FCL)。接着，他们在识别出的FCL上安装了应变片，并进行了地面应变调查(GSS)来校准和验证FE模型，误差控制在5.3%至5.6%之间。最后，研究人员进行了五次不同构型的飞行测试，采集实时应变数据，从中提取疲劳相关的统计特征，并用于训练七种机器学习(ML)模型，通过留一飞行交叉验证(LOFO)评估其泛化能力。

3.1. 飞机现有健康状况评估

材料测试结果显示，飞机关键结构材料存在明显老化迹象。例如，主梁材料30CrMnSiNi2A的硬度为479.63 Hv，比文献值低了约7.4%。单轴拉伸测试也证实了杨氏模量出现了6.7%的下降，这一定量数据被直接用于后续的有限元模型中，使仿真更贴近飞机实际状态。

3.2. 计算分析结果

3.2.1. CFD分析

CFD模拟成功复现了五种典型任务构型下的气动载荷。将CFD预测的载荷因子与飞行数据记录器(FDR)的历史数据对比，发现两者吻合良好，差异大多控制在10%以内，验证了气动模型的可靠性，为后续结构分析提供了准确的载荷输入。

3.2.2. FE分析

有限元分析成功识别出机翼上的六个疲劳关键位置(FCL)，其中四个位于机翼与机身连接处。分析表明，主梁 consistently 承受着最高的应变水平，凸显了其作为主承力构件的重要性。其次是后梁。基于此，主梁和后梁被选为后续应变片安装和疲劳损伤预测的重点位置。

3.3. 地面应变调查结果

通过地面应变调查(GSS)将实验测量的应变与FE模型预测值进行对比。结果显示，主梁和后梁的误差分别为5.3%和5.6%，表明FE模型能够可靠地捕捉结构的实际响应，虽然预测值略偏保守，但这为疲劳损伤计算提供了安全的基础。

3.4. 机器学习结果

3.4.1. 留一飞行交叉验证(LOFO)

LOFO交叉验证用于评估模型对未知飞行数据的泛化能力。对于主梁FCL，随机森林(RF)、极限梯度提升(XGB)和高斯过程回归(GPR)模型的均方根误差(RMSE)分别在0.0002-0.1991、0.0008-0.2991和0.0008-0.3416范围内。对于后梁FCL，RMSE范围也类似。结果表明，RF模型预测最稳定，XGB能有效捕捉非线性关系但对某些飞行条件敏感，而GPR在多数情况下表现出最优的预测精度和稳健性。

3.4.2. 窗口级预测精度

通过对比预测值与真实值的散点图以及计算确定系数(R2)等指标，评估了模型在更细粒度（20秒时间窗口）上的预测性能。对于主梁FCL，GPR模型取得了最佳的R2值（0.993）和最低的RMSE（0.1003）。对于后梁FCL，GPR同样表现优异（R2 = 0.991）。所有模型都显示出预测值与真实值之间极强的线性相关性（r > 0.99），且p值小于0.001，具有高度统计学意义。95%置信区间(CI)也进一步证实了预测结果的一致性。

归纳研究结论与讨论部分，本研究成功构建并验证了一个集成的、物理信息与数据驱动相结合的框架，用于预测战斗机关键结构的疲劳损伤。该框架的创新之处在于将高保真的物理模拟（CFD/FE）与真实的飞行实测数据（通过GSS校准）以及先进的机器学习算法有机结合，克服了传统方法或纯数据驱动方法的局限性。研究结果表明，机器学习模型，特别是高斯过程回归(GPR)，能够以极高的精度预测基于飞行应变历史的疲劳损伤，为实现飞机结构健康监测(SHM)和个体飞机跟踪(IAT)提供了强有力的技术支撑。这项研究的意义在于，它为实现老化军用飞机机队的预测性维护、寿命延长和安全管理开辟了一条切实可行的新途径，通过更准确地评估每一架飞机的实际疲劳状况，有望显著提高机队的战备完好率和飞行安全性，同时优化维护成本。尽管当前研究因实际条件限制仅基于有限次数的飞行测试，但其作为概念验证的成功，为未来利用更广泛的机队数据和应用迁移学习等更先进的ML技术奠定了坚实基础。