基于协同决策机制与距离辅助图网络的曲面CFRP蒙皮冲击定位与能量识别方法

《Composites Communications》：An Impact Localization and Energy Identification Method for Curved CFRP Coverings Based on Collaborative Decision-Making Mechanism and Distance-Assisted Graph Networks

本文针对无人机曲面碳纤维增强聚合物（CFRP）蒙皮在服役中易受冲击产生目视难以检测的损伤（Barely Visible Impact Damage, BVID）这一工程安全问题，创新性地提出了一种“边缘-中心计算”协同决策机制。该方法构建了时序依赖改进膨胀卷积（Temporal-dependency Improved Dilation Convolution, TIDC）和距离辅助丢弃归一化图网络（Distance-assisted Dropout Normalization Graph network, DDNG-Net），分别部署于边缘端和中心端，实现了对冲击位置（Impact Localization, IL）和冲击能量（Energy Identification, EI）的高精度、端到端识别，定位误差低至2.852mm（平均），能量识别准确率高达98.32%，显著优于现有方法。

　　

Highlight

为了有效促进分布在飞机表面的各个边缘计算节点之间的信息交换并实现精确的冲击定位，本研究基于前述协同决策机制，提出了一种距离辅助丢弃归一化图网络（DDNG-Net）。DDNG-Net的整体结构如图3所示。首先，DDNG-Net以边缘计算节点处理后的特征向量（记作 V_node）和边向量（记作 E_distance）组成的图数据作为输入。

Temporal-dependency Improved Dilation Convolution Construction

冲击信号处理是典型的时间序列建模任务，这对部署在边缘计算设备上的神经网络序列建模能力提出了高要求。因此，考虑到航空航天领域对快速、实时处理和轻量化的需求，本研究借鉴时序卷积网络（Temporal Convolutional Network, TCN）的思想，设计了一种新颖的时序依赖改进膨胀卷积（TIDC）。其（具体细节将在后续部分展开）。

Distance-assisted dropout normalization graph network construction

（此部分内容与Highlight部分重合，已在上文涵盖，此处不再重复翻译）

Experimental results and analysis

本节首先阐述了数据集的构建和模型训练过程，随后使用该数据集验证了所提模型及改进策略的有效性，最后将所提方法与其他模型进行了性能对比。

Conclusion

本文分析了易受冲击却难以定位的三维曲面CFRP蒙皮对冲击定位与能量识别的迫切需求，提出了一种“边缘-中心”协同决策机制，并分别构建了TIDC和DDNG-Net，实现了对CFRP蒙皮的精确冲击定位和能量识别。

首先，基于深度学习（Deep Learning, DL）技术提出了一种“边缘中心计算”协同决策机制，能够充分利用...（后续内容与摘要和引言部分思想一致，强调方法的有效性和优势）。