利用在役应变测量数据实现无人机复合翼的多精度载荷重建

《Aerospace Science and Technology》:Multi-fidelity Load Reconstruction in Drone Composite Wings using In-service Strain Measurements

【字体: 大 中 小 】 时间:2026年07月10日 来源:Aerospace Science and Technology 6.4

编辑推荐:

  伊利亚斯·N·吉安纳基斯|潘宇航|萨贾德·纳德里|扎赫拉·沙里夫·霍达埃伊|费里·M.H.阿里阿巴迪 英国伦敦SW7 2AZ,展览路,伦敦帝国理工学院南肯辛顿校区,航空系 摘要 从稀疏的应变测量数据中精确重建空气动力载荷是结构健康监测领域长期面临的挑战,尤其是在无人

  伊利亚斯·N·吉安纳基斯|潘宇航|萨贾德·纳德里|扎赫拉·沙里夫·霍达埃伊|费里·M.H.阿里阿巴迪
英国伦敦SW7 2AZ,展览路,伦敦帝国理工学院南肯辛顿校区,航空系

摘要
从稀疏的应变测量数据中精确重建空气动力载荷是结构健康监测领域长期面临的挑战,尤其是在无人机中的轻质复合材料机翼上,由于空间和重量限制,难以部署足够的传感器。本文提出了一种在稀疏感知条件下用于无人机机翼载荷重建的高效数据处理流程,该流程专为处理有限的实验数据而设计。所提出的框架采用两阶段方法:首先通过多目标优化确定传感器最佳布置位置;其次采用混合载荷重建策略,结合基于物理原理的低精度观测与基于数据的高精度观测。在第一阶段,通过基于帕累托优化的数值方法,在保证重建精度的同时确定最优应变计位置。第二阶段则采用多精度方法重建空气动力载荷,即将有限元模拟得到的校准矩阵与在有限实验数据上训练的人工神经网络相结合,以弥补建模误差并提升预测精度。该框架通过复合材料无人机机翼的风洞实验进行了数值和实验验证。结果表明,与仅使用校准矩阵的方法相比,多精度框架能更准确地重建载荷,尤其在实验数据有限的情况下效果更为显著。仅需三次风洞实验即可训练出的模型,将升力的平均均方误差从8.72降至4.58,阻力从8.94降至4.48;升力的平均绝对百分比误差则从49.23%降至18.44%。当使用十次实验数据训练时,升力的平均均方误差进一步降至3.85,阻力降至3.91,升力的平均绝对百分比误差则降至12.92%。此外,该框架还与在同一实验数据集上训练的纯数据驱动型人工神经网络进行了比较。在所有数据量条件下,多精度方法都能以较少的训练次数实现准确且稳定的预测,而纯数据驱动型方法在数据不足时预测稳定性较差。这些结果表明,所提出的框架有望成为航空航天结构健康监测及数字孪生应用的重要基础。

引言
复合材料航空航天结构的健康监测对于确保其在整个使用寿命内的任务可靠性、结构完整性及空气动力性能至关重要。随着传感技术和计算能力的进步,越来越复杂的监测策略得以发展,推动了航空航天结构从周期性检查向持续、数据驱动的评估以及基于数字孪生的运行模式转变[1]。这对于复合材料尤为重要,尽管它们具有较高的强度重量比,但容易受到分层和纤维断裂等内部损伤的影响,而这些损伤很难通过传统检测方法发现[2]。因此,将健康监测与可靠的载荷重建能力相结合,对于将测得的结构响应与实际载荷联系起来、进行疲劳评估、剩余寿命估算以及基于性能的决策制定而言至关重要。

航空航天结构在其整个使用过程中会承受复杂且变化多端的载荷。准确掌握实际运行中的空气动力载荷谱不仅能了解其历史使用情况,还有助于改进结构设计、认证流程及维护计划[3,4]。健康监测系统可通过实现持续的载荷估算、早期性能退化检测,以及构建反映结构真实运行状态的数字孪生体,来满足这一需求[5]。在复合材料机翼结构中,通过基于应变的测量数据重建空气动力升力和阻力,为在真实运行条件下监测关键位置的应力并评估疲劳损伤积累提供了一种实用方法[6,7]。

用于获取这些应变数据的常见传感技术包括传统应变计、压电传感器,以及基于光纤的系统,如光纤布拉格光栅传感器和分布式光纤传感器[8]。光纤布拉格光栅可表面安装或嵌入复合材料中,还能在一根光纤上实现多个传感点的复用,具备较强的抗电磁干扰能力[9]。新型微型化采集系统使得光纤布拉格光栅能够应用于空间和重量受限的结构中[10]。目前,传统应变计仍是工业领域的标准选择,也在机翼结构中得到广泛应用[11,12]。然而,在无人机中,空间、重量和功率的限制使得可部署的传感器数量和类型极为有限。因此,通常需要从稀疏的应变测量数据中重建载荷,且往往面临实验训练数据不足的问题。

从应变测量数据推断载荷、应力或位移本质上是一个病态逆问题[13]。在重建位移或变形场的情况下,这类方法通常被称为“形状感知”[14]。为解决这一难题,人们提出了多种方法。数据驱动型方法利用机器学习模型,如人工神经网络或高斯过程回归,通过数值或实验数据集建立应变与载荷之间的映射关系[15,16]。虽然这类方法能够实现高精度预测,但其性能严重依赖于足够丰富且具有代表性的训练数据,当数据稀少或运行条件与训练时不同,其泛化能力可能会下降。近期,也有人提出了融合物理原理的形状感知方法,即在神经网络训练中加入应变-位移关系、本构方程和平衡约束等物理信息[17]。

相比之下,基于物理原理的方法则利用机械模型来重建载荷或变形,无需大量训练数据。典型方法包括:i) 逆有限元法,通过最小化实测应变与数值应变之间的最小二乘误差来重建全场位移,无需事先了解材料属性或载荷条件[12,18];ii) 应变积分方法,如科氏位移理论[19];iii) 校准矩阵法,通过有限元模型计算单位载荷下的应变响应,再通过逆映射推断未知载荷。由于简单易懂,基于校准矩阵的方法已在多个工程领域得到广泛应用[10,20,21]。在相关研究中,校准矩阵方法被证明可用于载荷识别,而其与有限元模型的结合则可实现全场位移、应变或应力的重建。在这种两步法中,首先从实测应变中确定载荷,然后再将其施加到经过优化的有限元模型中,以恢复结构场的各量值。当目标是实现全场重建,且拥有足够代表性的结构模型和传感器阵列时,这些方法极具价值。

尽管数据驱动型和基于物理原理的方法各有优势,但在实际的无人机应用中都存在局限性。基于物理原理的方法容易受到建模假设、参数不确定性、传感器噪声以及传感器布置稀疏等因素的影响,从而导致重建精度下降。而纯数据驱动型方法则往往需要大量的实验数据才能实现稳定可靠的性能,而这些数据不仅成本高昂,而且难以获取。

为应对这些挑战,近期研究探索了两个互补的方向。第一个方向是优化传感器布置,因为重建精度取决于传感器的数量及其空间分布。基于统计、模态以及优化技术的方法,如费希尔信息矩阵、有效独立性准则、模态保证准则和遗传算法等,已被广泛研究[23, [24], [25]]。此外,最近还提出了数据驱动型的传感器选择策略[26],利用机器学习得到的特征重要性来识别具有较高信息量的传感位置,从而降低计算成本。这些方法旨在在有限的传感器预算下,找到能获得最佳监测效果的传感器布置位置。

第二个方向则是开发结合基于物理原理的模型与数据驱动校正的混合载荷重建框架。这类方法旨在保留基于物理原理方法的可解释性和通用性,同时利用数据驱动组件来弥补建模误差及未建模动态效应。例如,周等人[27]提出了一种混合框架,将卷积神经网络与降阶逆模型相结合,用于重建全场空气动力载荷及相应的结构变形。段等人[28]则提出了一种通过基于人工神经网络的校正来增强降阶重建的方法,从而实现从稀疏测量数据中快速且可靠地估计空气动力载荷。这些研究都表明,混合方法在现实约束条件下具有很大的应用潜力。

尽管取得了这些进展,但在实际应用中,最优传感器布置与可靠载荷重建之间仍存在本质上的脱节。现有的传感器布置研究通常孤立地优化信息量或重建精度,没有充分考虑在混合或数据驱动重建框架下,所选传感器网络在真实数据约束条件下的表现。而混合重建方法则往往假设传感器配置固定,主要关注算法性能,较少考虑传感器布置、数据可用性及实验不确定性如何共同影响运行过程中的重建精度。因此,现有研究仅能部分揭示如何从稀疏的应变测量数据中实现准确可靠的空气动力载荷重建。尤其对于在现实约束条件下工作的复合材料无人机机翼,目前仍缺乏同时优化传感器布置并评估数据效率与载荷重建精度(同时考虑有限实验数据、测量噪声及建模误差)的研究。

为填补这一空白,本文提出了一种高效的多精度框架,用于复合材料无人机机翼的空气动力载荷重建。该框架将数值建模、传感器布置优化以及多精度重建整合为一个统一的处理流程。此处所说的多精度是指对基于物理原理的初始预测结果进行增量式的误差校正。首先,通过高精度的有限元模拟构建校准矩阵,该矩阵用于建立单位载荷与应变响应之间的映射关系,同时为多目标优化提供支持,通过平衡重建精度与传感器数量来确定最优应变计位置。随后,引入多精度重建策略,其中基于物理原理的校准矩阵用于提供初始载荷估计,而在有限的风洞实验数据上训练的人工神经网络则用于学习误差校正项,从而提升预测精度。这种架构能够在传感器数量有限的情况下实现准确的载荷重建,同时减少对大规模实验数据的需求。在本研究中,重点关注的是全局空气动力合力场的重建,而非完整的力分布或全场位移/应力响应的重建。

所提出的方法通过复合材料无人机机翼的风洞实验进行了数值和实验验证,结果并与仅使用校准矩阵的方法以及纯数据驱动方法进行了对比。本研究的主要贡献如下:
1. 提出了一种端到端的、经过实验验证的集成框架,可同时解决复合材料无人机机翼在稀疏感知条件下的传感器布置问题及空气动力载荷重建问题。
2. 通过复合材料无人机机翼的风洞实验,揭示了在实际运行条件下,传感器布置、建模误差与重建精度之间的相互作用机制。
3. 在相同的传感器网络和空气动力测试条件下,针对典型无人机运行状态,系统比较了基于物理原理的(仅使用校准矩阵)、纯数据驱动以及混合多精度重建方法的性能。
4. 对数据效率进行了定量评估,结果表明,在测试的运行范围内,多精度重建方法能够在较少的实验训练次数下实现与其它方法相当的精度。

本文的其余部分结构如下:第2节介绍所提出的方法,包括用于空气动力载荷重建的校准矩阵公式、用于传感器布置的多目标优化策略,以及用于误差学习的层次化多精度框架。第3节描述了风洞实验方案,包括测试配置、仪器设备以及用于生成实验数据的数据采集流程。第4节汇报了数值和实验结果,内容包括最优传感器布局的确定、应变测量结果的分析,以及在不同数据可用性条件下半基于物理原理、纯数据驱动及多精度重建方法的综合比较。最后,第5节总结了主要研究结论,并探讨了其对无人机结构健康监测及数字孪生应用的启示。所有实验均在伦敦帝国理工学院的低速风洞中进行,该风洞的测试段尺寸为1.5米×3.0米(见图7A),能够在18°C的恒定环境温度下提供均匀的流速。数值方法用于确定最佳传感器布置位置,传感器布置优化问题是通过2.3节中构建的CM模型来解决的。该优化问题被构建为一个多目标组合优化问题,并采用pymoo软件包中的NSGA-II算法进行求解[47]。遗传算法的初始种群由100个布尔向量c组成,每个向量代表一种候选的传感器配置。初始化时采用二进制随机采样方式,交叉操作则采用半均匀交叉法(交叉概率为0.9),同时还会进行位翻转操作。

结论:本研究提出了一种基于稀疏应变测量的多精度框架,用于复材无人机机翼的气动载荷重建。所提出的方法将基于有限元仿真的物理校准矩阵与经过数据训练的神经网络相结合,后者可用于识别数值预测结果与实验观测值之间的差异。研究还采用了多目标传感器布置策略,以找到能够兼顾重建精度的应变计配置方案。

关于写作过程中生成式人工智能及人工智能辅助技术的声明:在撰写本手稿时,作者们使用了ChatGPT(5.1版本)来进行语言编辑,提升文本的语法和句法清晰度。在使用该工具后,作者们对内容进行了仔细审查和必要修改,并对最终发表的版本负全责。

CRediT作者贡献说明:Ilias N. Giannakeas:写作——审阅与编辑、写作——初稿撰写、可视化、验证、软件、方法论、研究、形式分析、数据整理、概念设计。Yuhang Pan:写作——审阅与编辑、研究、数据整理。Sadjad Naderi:写作——审阅与编辑、数据整理。Zahra Sharif Khodaei:写作——审阅与编辑、监督、研究、资金筹集。Ferri M.H. Aliabadi:写作——审阅与编辑、监督、研究。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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