（论文速读）基于迁移学习的大型复杂结构冲击监测

论文题目：Impact Monitoring of Large and Complex Structures Based on Transfer Learning（基于迁移学习的大型复杂结构冲击监测）

会议：IWSHM2023 国际结构健康监测研讨会

摘要：飞机结构冲击监测对飞机安全运行具有重要意义。然而，飞机结构往往结构复杂，增加了信号在传输过程中的不确定性。传统的冲击监测方法需要通过密集的传感器阵列获取足够的结构变化信号，才能获得良好的监测结果。但是太多的传感器会增加飞机的运营成本。因此，本文采用稀疏传感器阵列布置，提出从区域到点位的两步冲击监测策略，采用深度学习和传统方法对冲击事件进行监测。首先，将测试结构划分为一定大小的若干区域，利用卷积神经网络训练出能够精确定位区域的模型;在此过程中，针对飞机结构尺寸较大，训练数据获取困难的特点，采用模型微调的迁移学习策略，将训练好的源域模型特征知识转移到目标域模型中，降低了数据获取和训练模型所需的成本。第二步，在精确区域定位的基础上，采用加权质心法估计冲击位置。

引言

随着航空工业的快速发展，飞机结构的安全监测变得愈发重要。传统的人工目视检查方法不仅耗时耗力，而且难以应对大型复杂结构。本文将详细解读一篇发表在IWSHM2023（国际结构健康监测研讨会）上的研究论文，该论文提出了一种基于迁移学习的创新性冲击监测方法，为解决航空结构健康监测领域的关键挑战提供了新思路。

研究背景与面临的挑战

1. 传统方法的局限性

飞机在服役过程中经常遭受各种冲击，这些冲击可能会损害结构完整性，威胁飞行安全。传统的冲击监测方法主要面临以下挑战：

• 密集传感器阵列要求：传统方法需要布置大量传感器才能获得足够的结构变化信号，这显著增加了系统成本和飞机的额外重量负担
• 数学建模困难：基于模型的方法需要建立'应力波速度-到达时间-传感器间距'的精确数学关系，但飞机结构复杂，材料参数难以准确获取
• 信号传输不确定性：飞机结构包含大量加强结构（铆钉、加强筋等），这些复杂结构增加了信号传输过程中的不确定性

2. 神经网络方法的困境

尽管神经网络方法在理论上可以避免复杂的数学建模，但在实际应用中遇到了更为棘手的数据问题：

• 训练数据稀缺：飞机结构尺寸巨大，获取充足的训练数据样本极其困难且代价高昂
• 数据采集风险：在真实飞机结构上进行大规模数据采集可能会对结构造成损伤，存在安全隐患
• 训练成本高昂：传统神经网络训练需要大量时间和计算资源

论文的核心创新点

针对上述挑战，该研究提出了一套创新性的解决方案，主要包括以下几个方面：

创新点1：稀疏传感器阵列设计

与传统方法不同，该研究采用稀疏传感器阵列布置策略。在测试结构上，传感器在垂直和水平方向的间距分别为500mm和240mm，大大减少了传感器数量，从而降低了系统成本和飞机额外负载。

创新点2：两步定位策略

该研究提出了'从区域到点'的创新性两步定位策略：

1. 区域定位（第一步）：将测试结构划分为若干小区域（500mm×240mm），每个区域进一步细分为16个子区域。利用卷积神经网络（CNN）的强大分类能力，将区域定位问题转化为分类问题
   
2. 点定位（第二步）：在精确区域定位的基础上，采用加权质心算法进行精确的点位置预测

创新点3：迁移学习策略

这是论文最核心的创新点。研究采用模型微调（Fine-tuning）的迁移学习方法：

• 源域训练：首先在源域（一个选定的区域）收集数据并训练一个性能良好的模型
• 特征迁移：冻结并固定浅层卷积网络层（这些层提取通用特征如轮廓、边缘等），只重新训练深层卷积层（提取特定损伤特征）
• 目标域应用：将训练好的源域模型特征知识迁移到目标域模型，避免从零开始训练

这种方法的优势在于：由于不同区域的结构具有相似性，它们的初始特征也相似。通过迁移学习，可以大幅减少目标域所需的训练数据量和训练时间，显著降低训练成本。

创新点4：加权质心算法

在精确区域定位的基础上，研究采用加权质心算法进行点位置估计。该算法的核心思想是：

• 计算新冲击信号与各标准点信号的相似度作为权重
• 距离越近的标准点，信号受结构影响越小，相似度越高，对应权重越大
• 通过加权平均计算冲击点的最终坐标

方法论详解

1. 卷积神经网络架构

研究使用的CNN主要包含以下层次结构：

• 卷积层：提取输入数据的特征，实现局部连接和权重共享，大幅减少参数数量
• 池化层：压缩和降维，减少训练参数，防止过拟合
• 激活函数：采用ReLU函数，利用其线性非饱和特性加速随机梯度下降的收敛
• 全连接层：使用Softmax函数以概率形式呈现分类结果

2. 迁移学习实施步骤

实现迁移学习的具体流程如下：

1. 在源域区域收集冲击数据并训练CNN模型至收敛
2. 识别目标域区域（结构特征与源域相似的其他区域）
3. 冻结源域模型的浅层卷积层参数（保留通用特征提取能力）
4. 收集少量目标域数据，重新训练深层网络
5. 验证迁移后模型在目标域的性能

3. 实验装置

实验采用的测试件规格如下：

• 材料：铝合金
• 尺寸：3750mm × 2000mm × 2mm
• 传感器类型：压电传感器（PZT）
• 传感器布置：每个小区域中心位置，间距500mm（垂直）× 240mm（水平）
• 结构特点：背面有大量加强结构（铆钉、加强筋等），每个区域包含不同类型和数量的加强结构

实验结果与分析

1. 迁移学习的有效性

实验在三个不同的目标域（A、B、C）上验证了迁移学习的效果，得出以下重要结论：

1. 数据量影响：无论是否使用迁移学习，增加训练数据量都能有效提升模型精度
2. 训练效率提升：使用迁移学习后，目标模型可以从源模型获得部分特征知识，显著减少所需训练数据量和训练时间
3. 收敛速度加快：相比未使用迁移学习的模型，迁移学习模型能在更短时间内收敛
4. 初始精度优势：迁移学习模型的初始验证精度明显优于从零开始训练的模型

2. 冲击定位精度

研究在结构上选择了12个测试点进行验证，这些测试点均匀分布在各种加强结构（如铆钉、加强筋）上，涵盖了所有可能的冲击场景。定位误差通过相对误差公式计算：

其中，dis_x和dis_y分别表示传感器在水平和垂直方向的间距。

表1：冲击定位结果统计

从结果可以看出，该方法在各种结构特征的测试点上都能实现有效定位，平均相对误差控制在较低水平：x方向为4.6%，y方向为6.1%。这表明结合迁移学习的CNN和加权质心算法的两步策略能够有效应对复杂结构的冲击监测需求。

总结与展望

主要贡献

该研究的主要贡献可以总结为以下几点：

1. 成本降低：通过采用稀疏传感器阵列，显著减少了监测设备给飞机带来的额外重量负担和运营成本
2. 精度保证：证明了CNN可以完成精确的区域定位，在此基础上，加权质心算法能够完成冲击位置的精确预测
3. 效率提升：采用模型微调的迁移学习思想，避免了不必要的初始特征提取和模型训练过程，大幅降低了数据采集和模型训练的成本

应用前景

这项研究为航空结构健康监测领域提供了一个实用且高效的解决方案。其核心思想——通过迁移学习克服数据稀缺问题，不仅适用于飞机结构监测，还可以推广到其他大型复杂结构的监测场景，如：

• 桥梁和建筑结构的健康监测
• 风力发电机叶片的损伤检测
• 船舶结构的完整性评估
• 压力容器和管道的安全监测

未来研究方向

虽然该研究取得了显著成果，但仍有一些值得进一步探索的方向：

• 多源域迁移：研究如何从多个源域同时迁移知识，进一步提升目标域模型的性能
• 在线学习能力：开发能够持续学习和适应结构变化的自适应模型
• 损伤程度评估：不仅定位冲击位置，还能评估冲击造成的损伤程度和类型
• 实时监测系统：将算法集成到嵌入式系统中，实现实时的冲击检测和报警

结语

该研究巧妙地将深度学习、迁移学习和传统算法相结合，为解决大型复杂结构的健康监测问题提供了一个实用且高效的解决方案。通过稀疏传感器阵列和迁移学习策略，成功克服了传统方法面临的成本高、数据稀缺等挑战。这种创新性的方法不仅在航空领域具有重要应用价值，也为其他工程领域的结构健康监测提供了有益的借鉴。

随着人工智能技术的不断发展，我们有理由相信，基于迁移学习的智能监测技术将在结构健康监测领域发挥越来越重要的作用，为确保大型工程结构的安全运行提供更加可靠的技术保障。