面向航空复合材料结构导波的健康指纹提取的半监督与无监督学习
机器学习
2026-01-06 v2 计算工程、金融与科学
信号处理
摘要
健康指纹(Health Indicators, HIs)是诊断和预测航空复合材料结构状况的核心，使维护和运行安全更高效。然而，由于材料属性的变异性、损伤演化的随机性以及多样化的损伤模式，提取可靠的HIs仍具有挑战。制造缺陷(如胶合不良)和运行中的事件(如鸟击)进一步复杂化了这一过程。本研究提出了综合性的数据驱动框架，通过两种集成多域信号处理的学习方法来学习HIs。由于缺乏真实的HIs，本文提出了两种方法：(i) 采用持续性辅助标签作为假设损伤代理的多样性深度半监督异常检测(Diversity-DeepSAD)方法，这克服了先前仅区分健康与失败状态的二元标签的局限，忽略了中间退化；(ii) 采用降阶趋势约束变分自编码器(DTC-VAE)，通过显式趋势约束嵌入单调性准则。使用多个激励频率的导波监测疲劳加载下的单刚性复合材料结构。探索了时、频和时频表示，并通过无监督集成学习融合每个频率的HIs，以减轻频率依赖性并降低方差。使用快速傅里叶变换特征，增强型Diversity-DeepSAD模型实现了81.6%的性能，而DTC-VAE则提供了最一致的HIs，达到92.3%的性能，超越了现有基线。
引用
@article{arxiv.2510.24614,
title = {Semi-supervised and unsupervised learning for health indicator extraction from guided waves in aerospace composite structures},
author = {James Josep Perry and Pablo Garcia-Conde Ortiz and George Konstantinou and Cornelie Vergouwen and Edlyn Santha Kumaran and Morteza Moradi},
journal= {arXiv preprint arXiv:2510.24614},
year = {2026}
}