Hawk T1A战机数据增强新框架：用条件GAN加蒙特卡洛dropout，精准捕捉结构动力学！
Generative adversarial networks with Monte Carlo dropout uncertainty quantification for structural health monitoring: Fibre Bragg grating data augmentation comparison in Hawk T1A aircraft
📖 AI 总结
该研究提出一种面向航空航天结构健康监测的数据增强框架，核心是结合条件生成对抗网络与蒙特卡洛 dropout 不确定性量化，学习实测结构响应的类别条件时域与频域特征，从而实现随机信号合成并给出不确定性估计。研究在谢菲尔德大学结构动力学实验室的 BAE Systems Hawk T1A 全尺寸基准数据集上验证，涵盖加速度、光纤布拉格光栅应变及非线性动态响应测量。生成信号在时域、频域、不确定性、变异性和特征域上与实验测量进行系统对比，以评估物理真实性、统计一致性和分布保真度，并进一步判断合成数据是否应纳入监督式损伤分类流程。结果表明，模型能准确捕捉主导结构动力学特征，可依据不确定性特征指导信号用于分类改进，并提供与信号复杂度和激励特性相关的有意义不确定性估计。该框架为数据驱动的结构健康监测提供了可作为稳健数字孪生组件的现实生成建模方案，有助于安全关键航空系统中的状态评估与韧性决策。
🔑 关键词速览
| 条件生成对抗网络 (cGAN) | 一种生成模型，通过条件输入控制生成数据的类别，用于合成特定类别的结构响应信号。 |
| 蒙特卡洛 dropout (MC dropout) | 一种贝叶斯近似方法，在推理时启用 dropout 以估计模型预测的不确定性。 |
| 光纤布拉格光栅 (FBG) | 一种光纤传感器，通过测量波长偏移来监测应变和温度，用于结构健康监测。 |
| 结构健康监测 (SHM) | 通过传感器数据评估结构状态和损伤的过程，旨在确保工程结构的安全性和可靠性。 |
| 数字孪生 (Digital Twin) | 物理结构的虚拟副本，用于模拟、监测和预测其性能，支持决策制定。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅