一种考虑拓扑结构的图神经网络,用于融合稀疏传感器数据与有限元预测结果,以进行结构随机振动评估
《Expert Systems with Applications》:Topology-aware graph neural network for fusing sparse sensor data with finite element predictions in structural random vibration assessment
【字体:
大
中
小
】
时间:2026年05月07日
来源:Expert Systems with Applications 7.5
编辑推荐:
刘浩阳|万文清|陈景龙|冯勇
西安交通大学制造与系统工程国家重点实验室,中国西安710049
**摘要**
在随机振动下准确预测结构响应对于确保航空航天结构的安全性和可靠性至关重要;然而,这种评估往往受到空间上完整但系统有偏的有限元(FE)模型与空间上稀疏但局部准确
刘浩阳|万文清|陈景龙|冯勇
西安交通大学制造与系统工程国家重点实验室,中国西安710049
**摘要**
在随机振动下准确预测结构响应对于确保航空航天结构的安全性和可靠性至关重要;然而,这种评估往往受到空间上完整但系统有偏的有限元(FE)模型与空间上稀疏但局部准确的传感器测量数据之间差异的阻碍。现有的校正方法将此任务视为基于欧几里得距离的通用空间插值问题。然而,由于理想化关节、不确定性阻尼和简化边界等原因导致的建模误差,往往会沿着机械连接路径传播,而非几何距离。本研究将异构数据融合重新定义为基于图的残差学习问题,利用有限元网格拓扑从稀疏测量数据中推断出空间结构化的建模误差。所提出的基于拓扑的数字孪生网格图神经网络(DT-MESH-GNN)采用图距离特征向量来编码从网格节点到传感器位置的最短路径可访问性。它结合了多尺度消息传递机制,以捕捉局部元素级别的应力传递和跨网格层次的全局载荷路径传播。逆距离加权注意力机制根据拓扑相关性按比例分配校正权重,将结构连接先验嵌入到学习过程中。在八个渐进载荷水平下对航空航天发动机舱模型进行的随机振动实验表明,该框架仅使用32个传感器就实现了105,680个节点的拓扑一致预测,平均预测误差从54.32%降低到24.17%,性能优于七种基准方法。传感器密度分析和渐进载荷外推实验验证了该框架的鲁棒性和通用性,并界定了其适用范围。
**引言**
复杂的工程系统必须能够承受恶劣且不可预测的动态环境,以保持可靠性。随机振动是对安全关键结构最常遇到的威胁之一,从经历大气湍流的飞机到发射期间的卫星(Jiao等人,2023年)。使用电动力振动台进行地面振动测试以模拟操作条件已成为航空航天鉴定的标准做法(Behling等人,2026年)。随机振动评估也应用于民用基础设施(Roberts和Ewins,2018年;Yang等人,2025年),但在航空航天领域尤其关键,因为轻量化结构会承受宽带动态载荷,而故障可能是灾难性的。准确的响应预测对于确保安全、优化设计和控制生命周期成本至关重要(Hou和Xia,2021年)。特别是在评估随机振动下的动态强度以防止灾难性故障并指导维护决策时,这一点尤为重要(Bi等人,2023年),因为非平稳振动激励会显著减少结构疲劳寿命(Capponi等人,2017年)。在标准的随机振动测试中,结构被安装在振动台上,并配备加速度计,然后施加由功率谱密度剖面定义的受控随机激励,以评估其在部署前的完整性(Chen等人,2019年)。问题在于,安全评估需要全面了解整个结构域的响应,而实际限制严格限制了可测量位置的数量。
**实际中的传感器覆盖范围极其稀疏**。成本和技术限制将传感器部署在稀疏位置,通常只覆盖不到0.1%的结构节点。尽管已经开发了最优传感器布置策略(Ostachowicz等人,2019年;Nieminen和Sopanen,2023年)和响应重建方法(Kwan Oh等人,2023年),但这些方法主要解决传感器效率问题,而不是从有限的局部观测数据中获得准确全局响应的问题(Kulkarni和Sabato,2024年;Yu等人,2024年)。目前的工作正是由这一安全评估所需的全面全局响应与当前测量技术能够提供的稀疏局部数据之间的差距所驱动的。
**有限元分析(FEA)长期以来一直是预测全局结构响应的标准计算方法**(Chou等人,2024年)。通过建模详细的几何形状、材料和边界条件,FEA提供了空间上完整的预测。然而,这些预测通常受到理想化关节、不确定阻尼参数和简化边界条件的系统偏差的影响(Zhou等人,2024年)。基于深度学习的参数反演方法在从稀疏测量数据校准结构模型方面显示出一些前景(Taghipour Anvari等人,2023年),但量化和校正空间分布的建模误差仍然是一个未解决的问题(Dolar等人,2025年)。瞬态分析的高计算成本进一步限制了迭代模型的精细化(Kim和Kim,2022年)。FEA和传感器数据是互补的:前者提供空间上完整但有偏的预测,而后者提供空间上稀疏但局部准确的测量数据。将两者融合应产生单一来源无法实现的结果。这一想法在结构健康监测中已有成熟的应用(Hassani等人,2024年;Wu和Jahanshahi,2020年),其中多源融合技术通过结合不同层次的信息提高了监测准确性(Li等人,2024年),基于物理的和数据驱动的方法也遵循了类似的方向(Liu等人,2023年)。然而,当前的融合方法存在缺点。传统的空间插值技术(如普通克里金法)依赖于欧几里得变异函数和稳定性假设,这些在具有关节和载荷路径不连续性的复杂结构中经常被违反(Miao和Wang,2024年)。同样重要的是,当前方法没有明确考虑传感器位置与预测节点之间的拓扑可访问性,即校正信号必须穿越的网格边数以达到未测量的位置。
**图神经网络(GNNs)非常适合这个问题**,因为结构响应模式遵循机械连接性而非几何接近性。GNN已应用于FEA替代建模(Deshpande等人,2024年;Gladstone等人,2024年;Jiang和Chen,2025年)、基于图的结构优化(通过强化学习和可微分公式(Hayashi和Ohsaki,2022年;Zhang等人,2024年))、基于GNN的结构动态响应预测(Kuo等人,2024年;Li等人,2023年)以及数字孪生框架内的结构健康监测(Bloemheuvel等人,2021年;Li等人,2025年;Wettewa等人,2024年)。时空图神经网络也被应用于多传感器信息融合进行故障诊断和结构动力学分析。提出了一种基于注意力的时空图神经网络(A-TSGNN),其中异构传感器被组织为图节点,注意力模块学习反映传感器重要性和它们之间相互关联的权重,用于风力涡轮机和齿轮箱的故障诊断(Wang等人,2023年)。类似地,开发了一种时空图注意力网络,通过联合建模传感器之间的空间依赖性和时间步长上的时间依赖性来恢复缺失的结构健康监测数据(Niu等人,2022年)。引入了一种基于图网络的结构模拟器(GNSS),用于建筑物的时空结构响应建模,将整个建筑表示为一个图,其节点和边表示带有地面运动数据的时间序列结构信息(Liu等人,2025年)。这些研究表明,GNN可以捕捉分布式传感器之间的时空相关性。然而,这些应用主要解决前向预测或单域任务,如故障分类和missing数据插补,其中物理模型要么缺失,要么被认为可靠。这里解决的问题性质不同:从不完美的有限元模型上的稀疏传感器观测数据中推断出空间结构化的建模误差需要融合异构数据源(空间上完整但有偏的FEA预测与空间上稀疏但准确的传感器测量数据),并且大多数节点缺乏直接观测。这种异构融合需求在现有的时空GNN架构(如A-TSGNN)中不存在,后者假设每个节点都携带相同的测量类型。
**仍有三个技术难题**。当前的GNN方法将传感器身份视为一个二进制标志,而不编码拓扑可访问性,即到达最近观测点的网格跳数,这限制了它们根据信息接近度调整校正的能力。基于图的校正方法对传感器密度的敏感性也未系统地进行研究。实际部署需要知道随着传感器数量减少性能如何下降,但现有研究通常依赖于单一固定配置。训练数据通常在中等强度下收集,出于安全原因,但校正模式在更高强度下是否仍然可靠,其中非线性效应变得更加明显,仍然是一个未解决的问题。
**本研究提出了一个基于拓扑的数据融合框架,通过将结构动力学评估重新定义为基于图的残差学习来解决这些差距**。本工作的贡献如下:
1. 我们解决了随机振动评估中空间上完整但有偏的有限元预测与空间上稀疏但准确的传感器测量数据之间的差异。该框架通过基于图的残差学习在有限元网格上推断出结构化的建模误差。由于理想化关节和边界引入的误差沿着机械连接路径传播,而不是几何接近性,该方法实现了拓扑一致的全场校正,而不改变底层模型。
2. 引入了图距离特征向量来编码从每个网格节点到每个传感器的最短路径距离,提供了传感器可访问性的显式表示。这些特征与多尺度消息传递和逆距离加权注意力一起集成到所提出的数字孪生MESH图神经网络(DT-MESH-GNN)架构中,以推断未测量位置的空间结构化校正。
3. 通过在对八个强度水平(-21 dB到0 dB)的航空航天发动机舱模型进行随机振动测试来验证该框架。与相同条件下的七种基准方法相比,该方法仅使用32个传感器就将105,680个节点的平均预测误差从54.32%降低到24.17%。补充的传感器密度和渐进载荷外推实验明确了框架的鲁棒性和通用性边界,为传感器部署提供了定量指导。
**本文的其余部分组织如下**。第2节介绍了理论基础,包括问题阐述、图表示和图距离特征。第3节描述了DT-MESH-GNN架构、训练程序和基准方法。第4节通过工程实验验证了该框架并分析了结果。第5节通过消融研究、损失权重敏感性、空间相关性分析、传感器密度和外推以及局限性讨论了潜在机制。第6节总结了本文。
**问题阐述**
随机振动下的结构动态响应由以下空间离散系统的运动方程控制:
$$ \Mu(t) + Cu(t) + Ku(t) = f(t) $$
其中M、C和K分别表示质量、阻尼和刚度矩阵;$u(t) \in \mathbb{R}^n$表示位移向量;$f(t)$表示外部激励。对于由输入功率谱密度$S_f(\omega)$表征的随机振动,可以通过...
**基于有限元拓扑的预测框架构建**
在航空航天结构鉴定的随机振动测试中,有限元模型提供空间上完整的预测,但由于理想化关节模型、不确定的阻尼参数和简化的边界条件,这些预测系统性地偏离实际情况。同时,加速度计的安装受到可访问性、成本和重量限制,仅部署在稀疏位置。虽然这些传感器能够捕捉真实的动态响应,但它们无法描述完整的结构...
**实验设置和测试配置**
所提出的方法在一个姿态和轨道控制发动机舱上进行了验证。发动机舱是一个复杂的航空航天结构,其几何形状不规则,连接细节复杂,难以通过有限元分析准确捕捉。如图2所示,其主要组件包括外壳、阀体、静态支撑板和推力装置。使用电动力振动台建立了实验室振动测试系统。
**讨论**
第4节介绍了所提出方法的定量性能。通过消融研究、空间相关性分析和传感器密度及外推结果的解释,讨论了允许DT-MESH-GNN将基于物理的仿真与稀疏传感器数据融合的设计选择和物理机制。
**结论**
本研究基于这样一个观察:FEA预测和传感器测量单独使用时不足以进行全面场振动评估:前者覆盖整个结构,但由于理想化关节、不确定的阻尼和简化的边界而带有系统偏差;后者在局部上是准确的,但过于稀疏,无法描述全局响应。由于这些建模误差沿着机械载荷路径传播,而不是通过几何接近性传播,因此该框架...
**作者贡献声明**
刘浩阳:撰写——原始草稿、方法论;
万文清:概念化、验证;
陈景龙:撰写——审稿与编辑、监督;
冯勇:撰写——审稿与编辑、方法论。
**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
**致谢**
本研究得到了国家自然科学基金(编号52275129)、国家航空航天液体动力研究重点实验室基金(编号HTKJ2024KL011005)、陕西省自然科学基础研究计划项目(编号2024JC-TBZC-08)和中央高校基本研究基金(编号XZY022024089)的财政支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号