一种基于知识引导的特征融合优化方法，用于复合材料结构性能退化评估

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：A Knowledge-Guided Feature Fusion Optimization Method for Performance Degradation Assessment of Composite Structures

　　摘要：复合结构在长期循环载荷和运行不确定性下会经历渐进的机械 degradation。损伤积累的随机性使得构建全面的健康指标（HIs）变得具有挑战性，尤其是在降解趋势不明显、数据稀少且标签有限的情况下。本研究提出了一个基于知识引导的优化框架，用于通过特征级融合来构建自适应HI，以实现复合结构的降解评估和趋势跟踪。为了捕捉个体变异性和随时间变化的降解特性，引入了自适应特征权重来构建全面的HI。开发了一个可解释的凸优化模型，通过将多阶段降解演化的先验知识明确定制到HI轨迹约束中，自动确定这些随时间变化的权重。所提出的模型保证了全局最优解和计算效率，从而实现了可靠的HI构建。采用变点分析从构建的HI轨迹中识别出三种统计上的降解区域。进一步建立了一种递归在线更新策略，以逐步更新自适应权重和HI，以实现实时的单调降解跟踪。使用来自十二个复合皮肤加固板的声发射数据验证了所提出的方法。实验结果表明，该框架可以在没有标签数据的情况下构建信息丰富的HI，自适应地区分降解区域，并在数据片段化和稀疏的情况下实现稳健的在线降解跟踪，凸显了其在实际应用中的潜力。

引言：复合结构由于其高强重比以及卓越的疲劳和耐腐蚀性，在航空航天、汽车、海洋和民用基础设施中得到广泛应用。然而，在长期服役过程中，它们会暴露在循环载荷、环境变化和运行不确定性下，导致逐渐的刚度损失、基体开裂、层离、纤维断裂等机械降解[1,2]。结构健康监测（SHM）利用振动、导波、超声波和声发射（AE）等传感器测量数据，通过检测损伤、跟踪降解来持续评估结构状态，并支持明智的维护和决策制定[3,4]。诊断任务（如损伤检测和定位）和预测任务（如降解趋势分析和剩余使用寿命（RUL）预测）是SHM的两个主要组成部分。性能降解评估作为诊断和预测之间的桥梁，侧重于在损伤积累过程中识别不同的降解阶段，从而实现更精细的基于状态的维护（CBM）和更换策略[5,6]。在性能降解评估中，从监测数据中构建一个全面的健康指标（HI）是一个基本步骤[7,8]。基于HI的方法将来自复合部件的传感器测量数据整合到一个一维指数中，直接代表结构的整体健康状态。这类HI的主要优势在于它们提供了一种简化且有效的实时状态评估手段，这在需要实践者和决策者之间快速高效沟通的场景中尤为宝贵。以往的研究通常将HI分为物理HI（pHIs）和虚拟HI（vHIs）[9]。物理HI来源于可物理解释的参数，如电池容量或明确的统计特征[10]。对于轴承和齿轮等工业部件，pHIs（包括均方根（RMS）、峰度、基尼系数和熵）已被广泛使用，并被认为是健康监测和RUL预测的有效指标。在复合结构领域，Peng等人[11]使用压电传感器估计了刚度，并将其作为pHI用于恒定拉伸-拉伸疲劳载荷下的疲劳寿命预测。Gül等人[12]使用导波提取与层离相关的HI以进行RUL预测，而Li等人[13]利用数字显微镜和压电换能器测量的裂纹长度。Yuan等人[14]提出了一个由在线混合监测损伤和载荷增强的数字孪生框架，以实现多个物理参数的共同演化，从而更准确地预测结构寿命。尽管有这些进展，但为复合结构开发一个稳健且有意义的pHI仍然有限。现有的基于物理的模型往往难以捕捉复合结构在运行条件下的复杂长期行为和耦合损伤。此外，提取pHIs通常依赖于特定的传感器类型和受控的实验设置，对于复杂的复合材料和结构来说，获取这些知识具有挑战性。最近，数据驱动的方法因使用常见的传感技术（如声发射（AE）、导波[15]和应变传感器[16]来构建复合结构的vHIs而受到越来越多的关注。与从明确的物理或统计参数派生的物理HI不同，vHIs通常是通过从高维传感数据中提取特征并进行特征融合来建立的，这使得建立构建的HI与潜在降解机制之间的直接和可解释的关系变得困难。尽管如此，vHIs在不同运行条件和结构配置下提供了更好的灵活性和泛化能力。一个根本性的挑战在于学习从高维特征到能够表征降解演化的代表性一维HI的有效映射。SHM本质上是对安全性和风险敏感的，不准确的诊断或预测可能导致严重的经济损失或灾难性故障。在这种情况下，纯数据驱动的模型往往缺乏透明度，无法充分让用户参与决策过程，从而限制了智能SHM系统的可信度和实际接受度。因此，越来越多的人关注将领域特定知识纳入数据驱动模型中，以提高其可解释性和可靠性。纳入数据驱动模型的知识通常分为三大类：归纳经验、基于物理的知识和基于信号处理的先验信息[17]。归纳经验知识来源于经验观察、实验现象或积累的工程专业知识，通常称为专家知识或经验知识。基于物理的知识来源于物理系统的运行原理和降解机制，通常通过描述降解演化的控制方程或基于物理的模型来表示。相比之下，基于信号处理的知识通过时域、频域和时频域分析技术从传感信号中提取先验信息。这些互补的知识形式为提高数据驱动模型的可靠性和可解释性提供了重要的物理和统计指导。其中，归纳降解属性已被广泛用于HI构建的研究。这些特性描述了实际降解过程中观察到的理想行为，如单调性、趋势性和可预测性。这些特性反映了潜在的物理降解规律，可以以两种方式加以利用。首先，它们可以作为评估和选择降解敏感特征或HI的标准。其次，它们可以直接嵌入到优化目标或模型结构中，引导学习过程朝向物理一致的降解轨迹发展。这种策略已在机械和结构系统的预测和健康管理应用中被广泛采用。例如，Coble等人[18]首次定量定义了单调性、趋势性和可预测性，然后将它们纳入遗传算法的适应度函数中，用于飞机发动机的HI构建。最近，这些降解属性已被嵌入到深度学习损失函数[19,20]中，或重新表述为优化目标[21]，用于构建旋转机械部件（如轴承和齿轮）的HI。类似的降解先验，特别是单调性约束，也被用于电池健康管理应用[22]中。在SHM领域，各种形式的先验知识也被类似地整合到数据驱动模型中，用于复合结构的HI开发。例如，Moradi等人对复合结构的融合vHI构建进行了开创性研究[23]。在[23]中，降解特性（包括单调性、可预测性和趋势性）与长短期记忆（LSTM）网络结合，使用AE数据开发了一个归纳半监督框架来优化vHI。随后，引入了基于希尔伯特变换的卷积神经网络，将导波信号映射到符合单调性、可预测性和趋势性等预测标准的HI[24]。最近，基于先进信号处理的集成深度学习[25]和归纳半监督时空模型[26]已被提出，用于使用AE测量数据进行HI开发。Gül等人[27]使用信号处理技术（包括希尔伯特变换和连续波形变换）提取特征，并将其与深度神经网络结合用于RUL预测。为了提高性能和可解释性，Li等人[28]在实时模型更新框架中结合了数据驱动的vHI和基于模型的pHIs，用于预测应用。尽管有这些进展，但仍存在几个重要的限制。首先，大多数现有的数据驱动方法由于高度非线性的深层结构而仍然存在透明度和可解释性受限的问题[29]。其次，许多方法依赖于大量的标记降解数据，而这些数据在复合疲劳实验中难以获取且成本高昂。在实践中，降解标签通常是不可用的、稀疏的或不完整的，限制了监督学习方法的应用性。为了解决这个问题，一些研究采用了假设的经验降解函数（如线性或多项式轨迹）作为代理标签来指导模型训练。然而，实际的降解过程通常是未知的，可能不遵循预定义的功能形式，可能会限制这些模型的可靠性和泛化能力。为了减少对标记数据的依赖，最近提出了几种无监督或迁移学习框架。例如，Liu等人[30]基于动态图卷积网络和Transformers开发了一个无监督框架，用于结构损伤检测和定位。Giglioni等人[31]提出了一种迁移学习框架，通过利用结构相似桥梁的知识来缓解桥梁健康监测中标记损伤数据的稀缺性问题。然而，这些深度学习框架的可解释性仍然有限。此外，在实际应用中，由于测试成本、检查中断或传感器故障，完整的生命周期SHM数据往往是不可用的。因此，现有HI构建方法在数据稀疏、片段化或逐步可用数据流下的稳健性和适用性尚未得到充分研究。为了解决这些挑战，本研究提出了一种新颖的无监督和可解释的知识引导特征融合优化框架，用于构建vHI，以支持复合结构的降解评估和趋势跟踪。与大多数专注于预测失效时间或RUL的现有研究不同，本研究探索了一种新的范式，其中HI被用来识别早期预警阶段并表征渐进的降解演变，从而实现及时且成本效益高的维护决策。在这方面，降解评估和趋势跟踪作为RUL预测的补充技术，提供了更精细的早期预警能力，并增强了复合结构的健康管理。主要贡献总结如下：1) 首先，开发了一种自适应特征权重策略来构建全面的HI，明确纳入了异构特征的时间变化特性。与依赖于不透明且复杂的网络架构不同，所提出的方法以完全数学的方式推导出目标函数和约束，实现了透明和可解释的权重优化。据作者所知，这种自适应权重方案和优化框架以前尚未在复合结构的HI构建中被报道过。2) 其次，通过将通用降解特性的先验知识纳入优化过程，开发了一个无监督的知识引导凸优化模型。具体来说，对HI演化施加了单调性、加速降解和平稳降解约束，以确保损伤检测、评估和跟踪的可靠降解表示。所提出的模型完全不需要标签，并且理论上被证明符合凸优化，从而保证了计算效率和全局最优性。3) 最后，使用来自十二个复合皮肤加固板的AE数据系统地验证了所提出框架的稳健性和实际适用性。实验结果表明，即使在数据流稀疏或逐步可用的情况下，该框架也能构建出具有稳定降解趋势的vHI。此外，基于自适应特征权重的HI能够通过变点分析自动识别出三种统计上可区分的降解区域，突显了该方法在复合结构降解评估和趋势跟踪方面的有效性。

本文的其余部分组织如下。第2节描述了在压缩-压缩（C-C）疲劳载荷下对十二个复合皮肤加固板进行的实验活动。第3节介绍了所提出的无监督和可解释的知识引导优化框架，用于vHI构建。第4节系统评估了所提出方法的性能和稳健性。提供了全面的讨论和比较，以证明其有效性和优越性。最后，在第5节得出结论。

测试样品和实验方案：本研究调查了ReMAP数据集，包括在代尔夫特航空航天结构与材料实验室（DASML）进行的十二个复合皮肤加固板的C-C疲劳载荷测试。每个面板由一个T形加固件支撑的复合皮肤组成，遵循Embraer的结构设计，如图1所示。皮肤和加固件均由IM7/8552碳纤维增强环氧单向预浸料制造。皮肤的堆叠序列是复合结构的三阶段损伤演化机制。在长期循环载荷作用下，复合结构会遭受渐进式疲劳损伤和逐渐的机械性能退化。在反复应力作用下，复合材料内部会发生不可逆的微观结构变化，这些变化随后会扩展到宏观尺度，导致刚度和强度的下降。随着加载循环次数的增加，疲劳损伤通过起始、扩展等过程不断且非线性地累积。由于所提出的模型不需要标签，因此在每个试样的不同循环中提取的声发射（AE）特征可以直接作为输入，通过方程（15）进行自适应权重优化。优化后的自适应权重随后用于复合结构的寿命预测（HI construction）。基于构建的复合结构寿命预测模型，通过使用方程（18）和变点分析将其退化演化划分为多个阶段，从而进行性能退化评估。

本文提出了一个基于知识引导的特征融合优化框架，用于评估复合结构的性能退化。为了实现自动且可解释的寿命预测，系统地从复合结构的通用退化属性中提取先验退化知识，并将其数学嵌入到一个凸优化框架中。具体来说，单调退化行为和加速退化特性被纳入优化模型中。

**作者贡献声明：**
- 严童童（Tongtong Yan）：撰写初稿、验证、软件开发、方法论设计、数据管理工作、概念构思。
- 莫尔塔扎·莫拉迪（Morteza Moradi）：撰写和编辑、数据可视化、验证、资源管理和项目协调、正式分析。
- 杨天宇（T.Y. Yang）：撰写和编辑、数据可视化、验证、项目监督、资源管理。