《Actuators》：Evidence-Guided Attention Neural Network for Structural Crack Identification with Multi-Source Sensors
编辑推荐：
互补传感模态的集成为实现先进飞行器结构的准确裂纹识别提供了基础。在此背景下，压电（PZT）换能器通过导波询问对早期损伤敏感，而应变片捕获准静态变形。然而，主流融合范式面临可解释性–适应性困境：基于模型的方法缺乏对传感器退化的鲁棒性，数据驱动的注意力方法则牺牲了
互补传感模态的集成为实现先进飞行器结构的准确裂纹识别提供了基础。在此背景下，压电（PZT）换能器通过导波询问对早期损伤敏感，而应变片捕获准静态变形。然而，主流融合范式面临可解释性–适应性困境：基于模型的方法缺乏对传感器退化的鲁棒性，数据驱动的注意力方法则牺牲了透明性。为解决这一权衡，研究人员提出了一种证据引导注意力神经网络（Evidence-guided Attention Neural Network, EANN）。其核心方法论贡献在于将Dempster–Shafer（D-S）证据理论从终端融合算子重新定位为上游可信度特征提取模块。由证据导出的可信度特征（包括信度熵、源间相似性和Kalman滤波残差）驱动注意力权重优化，并赋予学习得到的通道权重以物理可解释的证据意义。消融实验证实，所观察到的性能提升源于证据引导的可信度表示与自适应注意力权重之间的相互作用，二者单独均不足以产生该效果。该框架融合准静态应变测量与主动压电导波询问，后者对早期损伤具有高灵敏度，但仍易受通道退化影响。在铝拉伸板和梯形翼皮试件上的实验表明，EANN在模拟传感器异常和部分失效条件下，通过衰减受损通道而无需显式故障检测即可保持识别精度，为航空航天结构的在线结构健康监测提供了一种不确定性感知的融合框架。
该文发表在《Actuators》。研究针对航空航天薄壁结构疲劳裂纹识别中多源传感融合的可解释性与适应性矛盾：应变传感对宏观变形敏感但对早期微裂纹不敏感，压电（PZT）导波检测灵敏但易受噪声和通道退化影响；现有模型驱动方法鲁棒性不足，数据驱动注意力方法缺乏物理透明度。研究人员提出证据引导注意力神经网络（EANN），将Dempster–Shafer（D-S）证据理论从终端融合算子重构为上游可信度特征提取模块，以证据特征驱动注意力权重，实现无需显式故障检测的退化通道抑制。
在方法上，研究人员利用数值仿真与物理试验结合：基于有限元建立铝板与梯形翼皮模型，由应变反演和PZT导波成像分别获得裂纹参数估计；通过基本概率分配（Basic Probability Assignment, BPA）将异源估计映射至统一证据空间；构造包括邓熵（Deng entropy）、Jousselme距离和Kalman滤波残差的多维可信度特征，输入轻量注意力网络，并以复合损失进行端到端训练。数值样本来自200 mm×200 mm铝板与400 mm×450 mm梯形翼皮有限元模型；物理样本来自同几何的6061-T6铝拉伸板和梯形翼皮试件，试验通过通道抑制和噪声放大模拟传感器退化。
研究结果如下：铝板数值验证中，在四档失效严重度下，EANN在中等和严重退化时比单源和固定权重融合保持更低的Hausdorff距离识别误差，误差分布更集中；未损伤和轻微工况下优势不明显。梯形翼皮数值验证中，EANN在严重退化下仍维持较集中误差分布和较高可信度指标（R），扩展基线与消融实验表明，证据引导特征与注意力机制的交互是主要增益来源。铝拉伸板试验验证中，EANN在严重混合传感器失效下融合裂纹形状更接近真实裂纹，注意力权重随失效模式在应变与PZT源之间自适应再分配。梯形翼皮试验验证中，在悬臂加载条件下，EANN在严重退化时保持较低且集中的误差，PZT单源结果明显不稳定而融合结果仍可用。显著性与效率分析中，配对Wilcoxon符号秩检验显示，EANN相对PZT单源和固定权重融合在四个数据集上经Holm校正后均显著，相对应变单源的差异有限；单样本融合时间处于微秒量级，满足在线监测要求。
讨论部分指出，EANN的统计优势随损伤严重度增大而增强，在源间分歧较小时的增益有限；局限性包括尚未验证复合材料与大规模阵列、BPA构造参数固定、失效为模拟而非硬件故障、物理测试集样本量较小。研究结论部分可译为：本文提出EANN用于多源传感下航空航天薄壁结构的可信裂纹识别，其核心设计原则是将D-S证据理论重定位为上游可信度特征提取模块，动态注意力权重衰减受损通道而无需显式故障检测，并在铝拉伸板与梯形翼皮试验中取得最低平均识别误差；该双输出范式将裂纹参数识别与可解释可信度指标结合，支持从定期检查向基于状态维修转变，并适用于其他异构传感组合。
