.png){kind=icon}
返回
Machine learning in flight parameter-based structural load prediction: A review and framework proposal
.png){kind=icon}
PRE
AI
DOI：10.1016/j.paerosci.2025.101145.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于飞行参数的结构载荷预测（FP-SLP）是结构健康监测（SHM）以及服役中飞机和飞行器剩余寿命估计的关键技术。随着机器学习（ML）的持续发展，FP-SLP获得了强大的助力。然而，在FP-SLP的工程应用中，ML技术面临着碎片化和数据稀缺等瓶颈，严重制约了其进一步发展和应用。本文旨在对FP-SLP相关领域的ML研究与进行系统综述，建立新的先进技术框架并探索未来发展方向，以为理论研究与工程实践提供参考。本文首先阐明FP-SLP的基本概念，描述从数据采集、代理建模到在线预测的通用工作流程，并全面分析工程实践中存在的挑战。随后，对FP-SLP中的ML应用进行系统综述，重点关注四个核心问题：高效的飞行数据预处理、高精度代理建模、模型调优与验证以及模型部署与维护。本文展示了先进ML技术在克服FP-SLP现有挑战方面的优势与有效性。基于多种前沿ML技术，本文提出了一种新的FP-SLP先进框架，为后续研究与工程应用提供了范式。同时，本文构建并公开了一个源自真实飞行测试的原生工业级数据集——飞机结构载荷基准数据集（AirLoadBench），以满足FP-SLP领域的比较研究需求。最后，应用AirLoadBench数据集从预测精度和训练时间两方面评估各类ML模型。结果表明，XGBoost模型和基于XGBoost的集成学习（XGBoost-Ens）模型在众多模型中表现出显著优势，在预测精度和训练效率方面均优于其他模型。