《Sensors》：A Phase-Divided MSPC Approach for Wing Strain Data Characterization and Anomaly Identification
编辑推荐：
摘要：飞行应变数据的有效表征与异常识别对飞机结构健康监测至关重要。为解决海量机翼应变数据带来的挑战，以及单变量方法在捕捉多特征协同变化方面的局限性，研究人员提出了一种基于分阶段多元统计过程控制（MSPC）的方法，用于机翼应变数据表征与异常识别。针对某型飞机机翼
摘要：飞行应变数据的有效表征与异常识别对飞机结构健康监测至关重要。为解决海量机翼应变数据带来的挑战，以及单变量方法在捕捉多特征协同变化方面的局限性，研究人员提出了一种基于分阶段多元统计过程控制（MSPC）的方法，用于机翼应变数据表征与异常识别。针对某型飞机机翼后梁缘板，研究人员分别为起飞、巡航和着陆阶段建立了独立的多元控制基线。利用峰值、均方根（RMS）、标准差、峰峰值、峭度和偏度构建六维特征向量，以定量表征不同飞行阶段下机翼结构的应变数据。在特征标准化后，建立Hotelling多元统计控制模型，用于识别结构应变状态的异常。基于30架次正常飞行数据，在99%置信水平下确定上控制限（UCL）为26.58。研究人员利用T2控制图和贡献图对六个测试架次进行异常诊断，成功识别出三个存在异常应变模式的架次，并追溯了其主导特征参数。结果表明，该方法能够有效表征不同飞行阶段下机翼结构的应变特征，并识别异常应变模式及其主导影响因素。与单变量阈值方法的比较进一步证实了该方法在捕捉协同异常和提供原因追溯方面的优势。
一、研究背景与现存问题
飞机结构健康监测依赖于安装在机翼等关键部件上的传感器网络获取实时响应数据。机翼作为主要的气动与承载结构，在起飞、巡航和着陆等典型飞行阶段承受截然不同的载荷模式，其应变响应直接反映结构应力特性。然而，单架次应变曲线只能反映该次飞行的幅值变化，难以揭示多架次间的结构演化规律。随着飞行架次积累，应变数据呈指数级增长，人工比对效率低下，而意外的应变波动或冲击可能加速疲劳累积并威胁飞行安全。现有研究方法如时间域统计特征融合分类器、混合深度学习方法以及时频特征融合方法虽取得进展，但仍存在缺乏异常原因追溯能力和配置依赖性强、泛化能力弱等固有局限。因此，亟需一种能从大规模应变数据中自动提取状态信息并识别异常的方法，以实现可靠的机翼健康监测。
二、研究内容与主要结论
研究人员针对某型飞机机翼后梁缘板，提出了一种基于分阶段多元统计过程控制（MSPC）的应变数据表征与异常识别方法。将飞行过程划分为起飞、巡航和着陆三个阶段，分别建立独立的多变量控制基线，利用峰值、均方根（RMS）、标准差、峰峰值、峭度和偏度构建六维特征向量，结合Hotelling T2控制图和贡献图实现机翼应变状态的定量表征与异常诊断。基于30架次正常飞行数据在99%置信水平下确定的控制上限（UCL）为26.58，对六个测试架次的诊断成功识别出三个异常架次（均在巡航阶段），并通过贡献图追溯了主导特征参数，证明了工程适用性。与单变量阈值方法的比较表明，该方法在捕捉协同异常和提供原因追溯方面具有优势。
三、关键技术方法概述
研究人员采用光纤布拉格光栅（FBG）应变传感器安装于某型飞机机翼后梁缘板，采集不同飞行状态下的应变响应数据。数据采集系统接收光纤解调仪输出并通过通信电缆传输至记录器，同时接收北斗时间信息实现与飞行时间的同步。依据飞行时间将起飞、巡航和着陆阶段分别划分约15分钟、0.5-2小时和15分钟的时段，并进行人工分割。选取30架次正常飞行数据作为基线样本，提取每架次各飞行阶段的六维时间域统计特征参数构成特征矩阵，经z-score标准化后计算样本均值向量、协方差矩阵及T2统计量，利用F分布确定上控制限（UCL）。对测试架次同样提取特征向量并标准化，计算T2统计量与UCL比较判断异常，并通过贡献图分解T2统计量追溯主导特征参数。研究人员还进行了Mardia检验验证多变量正态性假设，并通过留一交叉验证（LOOCV）评估误报率。
四、研究结果
4.1 应变数据表征结果
基于30架次正常飞行数据，研究人员分析了三个典型飞行阶段下机翼后梁缘板的六项时间域应变特征。结果显示：起飞和着陆阶段峰值显著高于巡航阶段（分别约为1335με和1129με vs. 1032με），对应离地拉伸冲击和触地载荷反转；起飞和巡航阶段均方根（RMS）相当（约1096με和1012με），表明机翼持续承受高气动载荷，着陆阶段最低（约838με）对应升力卸载；起飞和着陆阶段标准差较大（约221με和249με），反映载荷剧烈波动，巡航阶段最小（约10με）表明高度稳定；起飞和着陆阶段峰峰值（约1269με和1021με）充分捕捉载荷方向反转过程，巡航阶段最小（约60με）；起飞和着陆阶段峭度分别达约9.4和8.1，均超过3，表明出现强烈但正常的冲击载荷，巡航阶段约2.8，无明显异常扰动；起飞阶段偏度为正值表明拉伸冲击载荷主导，着陆阶段为负值反映压缩载荷主导。六个特征参数从最大幅值、能量水平、波动强度、交变范围、冲击性和载荷方向等多维度共同表征机翼应变状态。特征相关性分析显示，三个飞行阶段的最大相关系数和协方差矩阵条件数均较小，表明多重共线性不构成问题。
4.2 异常识别诊断结果与分析
研究人员基于30架次正常飞行数据在各飞行阶段的六维特征向量，建立正常样本特征矩阵并计算样本均值向量、协方差矩阵和T2统计量，在99%置信水平下确定上控制限（UCL）为26.58。对六个测试架次进行异常诊断：架次#1、#4和#5在所有飞行阶段的T2值均低于UCL，被判定为正常；架次#2、#3和#6在巡航阶段的T2值远超控制限（分别达到124720.76、178506.83和19408.25），被识别为异常。贡献图分析表明：架次#2在巡航阶段的异常主要由峰峰值和标准差贡献，揭示交变载荷范围扩大且波动强度超出正常阈值；架次#3的主导贡献者为标准差，指示载荷离散性异常增大；架次#6的主要贡献者为标准差和峰峰值，显示载荷波动加剧与交变载荷范围扩大的组合效应。
4.3 定量性能评估与对比
留一交叉验证（LOOCV）结果显示，所提方法在起飞、巡航和着陆阶段的误报率分别为3.23%、0%和3.23%。基于六个测试架次的混淆矩阵表明，该方法正确识别所有三个异常架次（敏感性100%）和所有三个正常架次（特异性100%），准确率和精确度均为100%。与单变量阈值方法的比较显示，虽然单变量方法也能识别异常架次，但其独立评估每个特征，无法捕捉多特征间的协同异常，且单一特征偶尔超阈值可能导致虚警；而分阶段MSPC方法考虑了特征相关性，并能实现分阶段异常检测和原因追溯。
五、讨论与结论总结
讨论部分指出，机翼应变响应受运行和环境因素影响，本研究选取的正常和测试架次来自相同机型且在相似任务剖面下获得，起飞重量、巡航高度和速度处于可比范围，未报告严重机动或强湍流，因此运行变异性被认为有限。分阶段建模策略分离了三种具有不同载荷模式的飞行阶段，减少了与阶段相关的运行差异影响。
研究结论：针对某型飞机机翼后梁缘板，研究人员提出了一种基于分阶段MSPC的应变数据表征与异常识别方法。利用峰值、均方根（RMS）、标准差、峰峰值、峭度和偏度六个时间域特征构建六维特征向量，从幅值极限、交变范围、能量水平、离散程度、冲击强度和载荷方向六个维度量化机翼应变特征，结合Hotelling T2控制图和贡献图实现了机翼应变状态的定量表征与异常诊断。基于30架次正常飞行数据在99%置信水平下确定控制上限UCL=26.58，对六个测试架次的诊断识别出三个异常应变模式架次（均在巡航阶段），并通过贡献图追溯了主导特征参数，证明了工程适用性。与深度学习等方法相比，该方法在小样本能力和统计可解释性方面具有优势，但在捕捉高度非线性关系方面仍存在局限。未来工作将在更大数据集和不同运行条件下验证该方法，并将采用独立验证手段确认检测到的异常应变模式是否对应实际结构异常。
