智能AI
morning
用于结构健康监测的蒙特卡罗丢失不确定性量化的生成对抗网络：Hawk T1A 飞机中的光纤布拉格光栅数据增强比较
摘要
arXiv:2610.22436v1 Announce Type: new Abstract: The signal generation capabilities of a novel data augmentation framework are examined in aerospace structures. First, the framework learns class-condit...
and
the
uncertainty
The
signal
framework
for
data
are
characteristics
2026-10-19
1 阅读
约1分钟阅读
Alvaro Peiro, Marios Impraimakis
字号:
arXiv:2610.22436v1 公告类型：新 摘要：在航空航天结构中检验了新型数据增强框架的信号生成功能。首先，该框架学习所测量的结构响应的类条件时间和频谱特征。它使用条件生成对抗网络训练和蒙特卡洛丢失不确定性量化作为贝叶斯近似。此步骤实现随机信号合成和不确定性量化。其次，将生成的响应与时间、频率、不确定性、变异性和特征域的实验测量进行严格比较，以评估物理真实性、统计一致性和分布保真度。最后，对合成数据进行评估，以确定是否应将其纳入监督损坏分类工作流程中。该框架在谢菲尔德大学结构动力学实验室验证和验证的 BAE Systems Hawk T1A 飞机的全尺寸基准数据集上进行了验证。测试涉及加速度、光纤布拉格光栅应变和非线性动态响应测量。结果表明，该模型准确地捕获了主要的结构动力学，它指导信号用于基于不确定性特征的分类改进，并提供与信号复杂性和激励特征相关的有意义的不确定性估计。重要的是，该框架提供了一个现实的生成建模计划，作为数据驱动的结构健康监测的强大数字孪生组件，支持安全关键航空航天系统中状态评估的弹性决策。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱