使用物理信息生成对抗网络的导波超声低温畸变补偿

《Engineering Applications of Artificial Intelligence》：Cryogenic distortion compensation in guided ultrasonic waves using a Physics-Informed Generative Adversarial Network

　　

• 通过物理信息机器学习实现低温导波畸变补偿。
• 在生成式学习中嵌入波传播先验知识以实现保模态信号补偿。
• 展示跨参考温度（包括低温）的一致性补偿效果。

引言

可重复使用运载器（RLV）在其整个服役期内都工作在极端的热学和力学环境中。反复的发射-再入循环、低温燃料储存以及剧烈振动载荷共同诱发了复杂的退化机制，例如结构构件中的疲劳、开裂以及其他热-机械损伤（Whitley and Gates, 2002; Gates, 2001; Aoki et al., 2001）。本研究聚焦于铝合金作为典型的低温结构材料。在这些苛刻条件下确保其完整性对于现代航天系统的安全性和可重复使用性至关重要（Johnson et al., 2003; Hohe et al., 2021）。

结构健康监测（SHM）为实时持续评估结构完整性提供了一种非侵入式手段。在各种SHM模态中，导波超声波（GUW）——尤其是Lamb波——因其长距离传播能力和对表面及亚表面缺陷的敏感性而被广泛采用（Raghavan, 2007）。薄壁航天构件，如低温储罐，特别适合基于GUW的结构健康监测，紧凑的压电传感器（PZT）可在恶劣环境中作为可靠的激励器和传感器（Lee et al., 2011; Giurgiutiu et al., 2011）。然而，低温对可靠监测构成了重大挑战，因为它会改变结构材料的弹性模量、密度和阻尼特性。这些变化影响导波速度、模态形状和幅值（Putkis et al., 2015; Mohabuth et al., 2018）。由此产生的非线性和非平稳畸变可能掩盖损伤相关特征，使环境效应难以与结构异常区分开来（Douglass and Harley, 2018; Ahmed and Kopsaftopoulos, 2021）。

为解决温度引起的畸变，已提出多种补偿策略。基于速度拉伸、基线对齐和幅值归一化等经典方法试图修正飞行时间偏移或衰减效应（Croxford et al., 2010; Qu and Inman, 2012; Kumar, 2024）。虽然在有限的线性区域内有效，但这些方法依赖于对波行为的简化假设，在强非线性低温条件下会显著退化（Douglass and Harley, 2018; Ambroziński et al., 2014）。此外，它们通常需要大量手动校准，限制了其在实时航天操作中的适用性（Memmolo et al., 2023; M.-A. Torres-Arredondo et al., 2015）。统计和模型驱动技术通过建立温度与波特征之间的经验关系也得到了探索（Liu et al., 2012; Moix-Bonet et al., 2018; M. Torres-Arredondo et al., 2015）。尽管这些方法能够适应中等程度的环境变化，但它们需要大量校准数据集并假设静态边界条件，限制了其在快速变化的低温环境下的可扩展性和鲁棒性（Douglass and Harley, 2020; Perfetto et al., 2022）。

薄壁航天构件，如低温储罐，特别适合基于GUW的结构健康监测（Lee et al., 2011; Giurgiutiu et al., 2011）。紧凑的压电传感器（PZT）在这些恶劣环境中提供激励和传感功能。最近，Ren等人（2026）利用奇异值分解和基于ADALINE的自适应学习扩展了这一框架，展示了复合材料结构在60°C温度区间内准确的大范围补偿。Yuan团队的研究从传感和信号处理两个层面探索了热补偿机制。Han等人（2019）和Han等人（2024）开发了具有片上或自温度补偿架构的MEMS压力传感器和全石英谐振气压计，集成双音叉谐振器以减缓热漂移。这些努力共同体现了硬件级热稳定性与信号级校正的多尺度集成。

与此同时，Wu等人专注于温度和各向异性不确定性下的导波成像与损伤定位。Liu等人（2016）引入了基于概率的成像框架，采用路径权重补偿以提高定位精度；而Yang等人（2024）提出了能量补偿逆时偏移（ECRTM）方法，以改善厚碳纤维增强聚合物（CFRP）层压板中的超声分层成像。类似地，Zheng等人（2025）提出了一种自校正、相位误差补偿的MUSIC算法，用于各向异性复合材料中的高效导波成像。在系统层面，Gao等人（2019）验证了基于PZT的Lamb波监测系统用于低温储罐，展示了在循环冷却条件下的可靠传感性能。这些研究共同展示了SHM研究向集成化、热自适应和高精度监测框架的演进——为极端环境中的高级混合和物理信息学习方法奠定了基石。

机器学习的最新进展为导波补偿引入了数据驱动的替代方案。卷积神经网络（CNN）、循环神经网络（RNN）和自编码器等深度学习架构已被用于信号去噪、损伤检测和温度补偿。例如，Rai和Mitra（2022）利用具有迁移学习的CNN自编码器进行不同温度下的损伤诊断。Du等人（2023）提出了具有片上温度补偿的多任务CNN用于基于电磁阻抗的螺栓松动检测，在有限训练数据下实现了97.71%的准确率。Rautela等人（2021a）应用卷积去噪自编码器重建温度不变信号，而Fisher等人（2024）将这一概念扩展到涵盖更广泛的环境变化。其他研究将CNN与概率模型（Sawant et al., 2022）或小波域表示（Mariani et al., 2021）相结合，报告了相比传统补偿技术的显著改进。Wang等人（2022）提出了一种基于CNN的导波成像方法用于快速腐蚀评估，实验中实现了0.91的相关系数并在3秒内完成4000次重建。最近，Zhang等人（2023）提出了用于Lamb波色散补偿的卷积自编码器，即使在色散特性不确定的情况下也能实现准确的波形重建。这些方法共同表明，机器学习比不含物理信息的基线模型更能有效捕捉非线性温度效应。

然而，纯数据驱动模型通常表现为黑箱，可解释性有限且在训练域外泛化能力差。这些缺陷阻碍了其在安全关键航天系统中的部署，在这些系统中物理一致性和透明度至关重要。为解决这些局限性，物理信息机器学习（PIML）作为混合范式应运而生，它将控制物理规律——如偏微分方程和守恒原理——直接嵌入网络训练中。物理信息神经网络（PINN）已成功应用于波传播问题，包括Lamb波色散建模（Rautela et al., 2021b），而物理约束生成对抗网络（GAN）也被探索用于结构系统辨识和不确定性量化（Yu and Liu, 2024）。这些方法增强了鲁棒性和可解释性。

然而，据我们所知，本工作在公式化和物理约束的引入方面与最接近的现有研究有所不同。先前的自编码器和基于CNN的方法主要学习用于温度或色散补偿的数据驱动映射（Rautela et al., 2021a）。现有的物理信息或物理约束框架则主要关注波建模、结构辨识和不确定性量化（Rautela et al., 2021b; Yu and Liu, 2024）。相比之下，本研究专门关注低温导波温度补偿，并在对抗重建框架内引入了信号级物理引导。

为应对上述挑战，我们将低温导波补偿重新表述为物理信息机器学习问题，并提出了导波物理信息生成对抗网络（GW-PIGAN）。GW-PIGAN不依赖纯数据驱动拟合，而是将导波传播先验嵌入对抗序列学习，明确约束解空间朝向物理合理重建。

具体来说，所提框架整合了：
• 在Hilbert包络域中的残差对抗学习公式，将系统性温度引起的畸变与载波振荡隔离开来；
• 源自波传播原理的物理信息曲率正则化，用于抑制非物理时间波动和过度平滑伪影；
• 峰形约束，通过抑制补偿过程中不真实的峰合并或分裂来保持Lamb波模态完整性。

所提框架利用从低温SHM试验台获取的导波测量数据进行验证，涵盖液氮冷却后升温至室温的过程。实验结果表明，GW-PIGAN实现了高保真补偿，同时显著优于传统校正策略和纯数据驱动深度学习基线。更重要的是，物理信息公式化实现了跨不同参考温度的稳定泛化，支持所提框架未来在极端低温条件下运行的SHM系统中的潜在应用。

本工作的主要贡献总结如下：
• 一种用于低温导波补偿的物理信息机器学习公式化方法，明确将波传播先验集成到生成式学习中；
• 一个平衡数据保真度与物理一致性的混合对抗框架，产生既准确又可解释的重建结果；
• 低温热循环下的综合实验验证，展示了稳健的温度泛化能力和航天SHM中的潜在适用性。

本文其余部分组织如下：第2节介绍所提方法，包括问题公式化、数据预处理、模型架构和损失设计。第3节描述实验设置和验证结果。第4节讨论实际应用意义和局限性。第5节对全文进行总结并提出未来工作方向。

方法部分

我们提出了导波物理信息生成对抗网络（GW-PIGAN），用于从受低温环境畸变的测量中重建基线导波信号。该框架整合了残差学习、双向循环序列建模、对抗分布匹配和基于物理的正则化，以实现与导波传播一致的高保真重建。图1展示了整体框架。

低温超声导波测试平台

为在真实低温条件下评估GW-PIGAN，我们开发了一个可控的低温导波测试平台。该设置复现了可重复使用低温推进剂储罐典型的热循环，包括快速冷却和缓慢升温阶段。

评估协议

以下报告的所有结果均对应于保留用于测试的独立热循环（第3节）。除非另有说明，所有指标均在归一化Hilbert包络域中计算。对于报告的总体重建性能，残差重建后所有保留测试序列的所有时间样本被池化，不进行额外的波包窗口处理或峰选择。

由于原始幅值随耦合和绝缘条件的变化略有差异，归一化确保……

结论

本研究解决了低温航天结构导波SHM中的关键瓶颈——在不损害物理可解释性的前提下可靠补偿温度引起的畸变。我们提出了导波物理信息生成对抗网络（GW-PIGAN），这是一个基于残差BiLSTM的对抗框架，在归一化Hilbert包络域内通过物理信息曲率惩罚和峰形约束进行正则化。该模型在一个低温循环上训练，并且……

CRediT作者贡献声明

王硕智：撰写—原稿、可视化、验证、软件、项目管理、方法、形式分析、数据整理、概念化。王金雨：撰写—审阅与编辑、数据整理。郑昌贤：撰写—审阅与编辑、调查、数据整理。刘涛：撰写—审阅与编辑、监督、资源、项目管理、数据整理。张文峰：撰写—审阅与编辑、监督、资源、项目管理。李建强：利益冲突声明。作者声明没有已知的竞争性经济利益或个人关系可能影响本论文的发表。

致谢

本工作得到国防科工局基础研究重大项目（项目编号JCKY2023203A002）的资助。

王硕智 | 王金雨 | 郑昌贤 | 刘涛 | 张文峰 | 李建强 | 王义寿