基于多尺度核构造的深度特征融合网络及其在机翼应力场数据填补中的应用

doi:10.7527/S1000-6893.2025.32343

飞行器数字孪生技术专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于多尺度核构造的深度特征融合网络及其在机翼应力场数据填补中的应用

林琳¹, 索世伟¹, 刘丹¹(), 张音旋², 岳凌宇¹, 张思豪¹, 刘奕坤¹, 付松¹

^1.哈尔滨工业大学机电工程学院，哈尔滨 150001
^2.航空工业沈阳飞机设计研究所，沈阳 110035

收稿日期:2025-05-30 修回日期:2025-06-24 接受日期:2025-09-04 出版日期:2025-09-12 发布日期:2025-09-10
通讯作者: 刘丹 E-mail:liudan18@hit.edu.cn
基金资助:
国家重点研发计划(2023YFB3308900);国家自然科学基金(52305570);国家自然科学基金(52575618);黑龙江省自然科学基金(LH2024F014)

A deep feature fusion network based on multi-scale kernel construction for filling wing stress field data

Lin LIN¹, Shiwei SUO¹, Dan LIU¹(), Yinxuan ZHANG², Lingyu YUE¹, Sihao ZHANG¹, Yikun LIU¹, Song FU¹

^1.School of Mechanical and Electrical Engineering，Harbin Institute of Technology，Harbin 150001，China
^2.AVIC Shenyang Aircraft Design and Research Institute，Shenyang 110035，China

Received:2025-05-30 Revised:2025-06-24 Accepted:2025-09-04 Online:2025-09-12 Published:2025-09-10
Contact: Dan LIU E-mail:liudan18@hit.edu.cn
Supported by:
National Key Research and Development Project(2023YFB3308900);National Natural Science Foundation of China(52305570);Heilongjiang Province Natural Science Foundation(LH2024F014)

摘要/Abstract

摘要：

飞机机翼的应力监测对于保障飞行安全具有重要意义。由于实际工程中传感器必须采用稀疏固定位置的布置方式，传感器无法覆盖整个机翼结构，获得的机翼应力数据不能覆盖整个机翼。为此，针对飞机机翼传感器的空间位置布置不完备问题，提出了一种基于多尺度核构造的深度特征融合网络。首先，按照机翼应力场的相似程度将其归为不同的应力场簇，遴选出距离各应力场簇中心最近的应力场作为基准应力场集；其次，通过从各基准应力场中抽取不同规格分量构造多尺度卷积核，对应力场中的缺失点进行多方位特征感知，从而捕获有利于信息填充的多尺度特征；最后，采用并行通道注意力模块自适应选择构造卷积核所捕获的重要特征，并将其映射到统一的特征空间中进行特征融合，进而获取应力场中缺失点的填补值。此外，为了验证所提出方法的准确性和泛化性，利用仿真获得的应力场数据随机生成不同缺失比例的缺失应力场数据集，进行机翼应力场的数据填补，与主流的方法相比，所提出的方法在MAE、RMSE以及MAPE等评价指标上均取得了最佳的填补效果。

关键词: 数字孪生, 应力场, 缺失数据填补, 中心聚类, 特征卷积核

Abstract:

Stress monitoring of aircraft wings is crucial for ensuring flight safety and maintaining the structural reliability of aircraft. In practical engineering applications， sensors must be installed at sparse and fixed locations， which limits their ability to capture stress data across the entire wing structure. As a result， comprehensive monitoring of the wing’s structural health cannot be ensured. To address this issue， this paper proposes a deep feature fusion network based on multi-scale kernel construction to reconstruct the wing stress field in cases where sensor placement is spatially sparse or incomplete. First， based on the similarity among stress fields， the data is clustered into several stress field groups， and the field closest to the center of each cluster is selected as the reference set. Then， by extracting components of varying scales from each reference stress field， multi-scale convolution kernels are constructed to perceive the missing data points from different directions， enabling the capture of multi-scale features conducive to information completion. Finally， a parallel channel attention module is employed to adaptively select salient features captured by the convolutional kernels and map them into a unified feature space for fusion， thereby generating the imputed values for the missing points. Additionally， comparative experiments were conducted on wing stress field datasets with different missing ratios. The proposed method outperforms mainstream approaches in terms of MAE， RMSE， and MAPE， achieving the best overall filling performance.

Key words: digital twin, stress field, missing data filling, central clustering, feature convolutional kernel

中图分类号:

V244

林琳, 索世伟, 刘丹, 张音旋, 岳凌宇, 张思豪, 刘奕坤, 付松. 基于多尺度核构造的深度特征融合网络及其在机翼应力场数据填补中的应用[J]. 航空学报, 2025, 46(19): 532343.

Lin LIN, Shiwei SUO, Dan LIU, Yinxuan ZHANG, Lingyu YUE, Sihao ZHANG, Yikun LIU, Song FU. A deep feature fusion network based on multi-scale kernel construction for filling wing stress field data[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(19): 532343.

图/表 13

图 1

图 2

图3

图4

表1

表2

表3

图 5

图 6

表4

图 7

图 8

图 9

参考文献 34

[1]	王彬，郑建军，刘玮，等. 机翼部段静力试验优化设计方法［J］. 航空学报， 2023， 44（18）： 228065.
	WANG B， ZHENG J J， LIU W， et al. Optimum design method for static test of aircraft wing segment［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（18）： 228065 （in Chinese）.
[2]	李文龙，吴波，谢帅. 有起落架布置的翼身整体结构机翼载荷测量技术［J］. 航空学报， 2024， 45（1）： 229525.
	LI W L， WU B， XIE S. Technology of wing load measurement for wing-body integrated structure with landing gear layout［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（1）： 229525 （in Chinese）.
[3]	张晟斐，李天梅，胡昌华，等. 基于深度卷积生成对抗网络的缺失数据生成方法及其在剩余寿命预测中的应用［J］. 航空学报， 2022， 43（8）： 225708.
	ZHANG S F， LI T M， HU C H， et al. Missing data generation method and its application in remaining useful life prediction based on deep convolutional generative adversarial network［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（8）： 225708 （in Chinese）.
[4]	CRESPO TURRADO C， SÁNCHEZ LASHERAS F， CALVO-ROLLÉ J L， et al. A new missing data imputation algorithm applied to electrical data loggers［J］. Sensors， 2015， 15（12）： 31069-31082.
[5]	GUO Z J， WAN Y M， YE H. A data imputation method for multivariate time series based on generative adversarial network［J］. Neurocomputing， 2019， 360： 185-197.
[6]	FIERO M H， HUANG S， OREN E， et al. Statistical analysis and handling of missing data in cluster randomized trials： A systematic review［J］. Trials， 2016， 17： 72.
[7]	任超，李慧琴，李天梅，等. 基于退化模型动态校准的设备剩余寿命预测方法［J］. 航空学报， 2023， 44（19）： 228345.
	REN C， LI H Q， LI T M， et al. Equipment remaining useful life prediction method with dynamic calibration of degradation model［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（19）： 228345 （in Chinese）.
[8]	CHE Z P， PURUSHOTHAM S， CHO K， et al. Recurrent neural networks for multivariate time series with missing values［J］. Scientific Reports， 2018， 8： 6085.
[9]	LIU M S， CLARIDGE D E. The maximum potential energy savings from optimizing cold deck and hot deck reset schedules for dual duct VAV systems［J］. Journal of Solar Energy Engineering， 1999， 121（3）： 171-175.
[10]	崔西明，邱志鹏，魏嘉，等. 基于数据驱动的结构钢表面应力磁巴克豪森噪声表征方法［J］. 航空学报， 2023， 44（8）： 427237.
	CUI X M， QIU Z P， WEI J， et al. Data-driven method for characterization of structural steel surface stress of magnetic Barkhausen noise［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（8）： 427237 （in Chinese）.
[11]	ZHAO L， CHEN Z K， YANG Z N， et al. Local similarity imputation based on fast clustering for incomplete data in cyber-physical systems［J］. IEEE Systems Journal， 2018， 12（2）： 1610-1620.
[12]	孙彬，游航，李文博，等. 双光载荷图像融合及其在低空遥感中的应用［J］. 航空学报， 2025， 46（11）： 531343.
	SUN B， YOU H， LI W B， et al. Dual-band payload image fusion and its applications in low-altitude remote sensing［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（11）： 531343 （in Chinese）.
[13]	ZHANG J H， AYTUG H. Comparison of imputation methods for discriminant analysis with strategically hidden data［J］. European Journal of Operational Research， 2016， 255（2）： 522-530.
[14]	林杰，唐志共，钱炜祺，等. 飞行器生成式模型气动设计研究进展与展望［J］. 航空学报， 2025， 46（10）： 631679.
	LIN J， TANG Z G， QIAN W Q， et al. Research progress and prospects of aircraft aerodynamic design based on generative models［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（10）： 631679 （in Chinese）.
[15]	LIU D， ZHONG S S， LIN L， et al. Feature-level SMOTE： Augmenting fault samples in learnable feature space for imbalanced fault diagnosis of gas turbines［J］. Expert Systems with Applications， 2024， 238： 122023.
[16]	SALINAS D， FLUNKERT V， GASTHAUS J， et al. DeepAR： Probabilistic forecasting with autoregressive recurrent networks［J］. International Journal of Forecasting， 2020， 36（3）： 1181-1191.
[17]	赵燕，宋江涛，唐宁. 某机翼的安全预测载荷模型建立［J］. 航空学报， 2020， 41（10）： 223852.
	ZHAO Y， SONG J T， TANG N. Construction of safety-predicting load model on certain wing［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（10）： 223852 （in Chinese）.
[18]	吴跃腾，巴顿，杜娟，等. 基于深度注意力网络的压气机流场重构方法［J］. 航空学报， 2024， 45（24）： 630580.
	WU Y T， BA D， DU J， et al. Compressor flow field reconstruction method based on deep attention networks［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（24）： 630580 （in Chinese）.
[19]	张音旋，张起，许镇勇，等. 一种基于残差网络的飞机力学响应预测方法［J］. 航空学报， 2025， 46（19）：531295.
	ZHANG Y X， ZHANG Q， XU Z Y， et al. A method for predicting aircraft mechanical response Based on residual networks［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（19）：531295 （in Chinese）.
[20]	王鹏飞，曾丽芳，邵雪明，等. 基于预训练微调的机翼气动载荷多源数据融合建模方法研究［J］. 航空学报， 2025， 46（19）：532297.
	WANG P F， ZENG L F， SHAO X M， et al. Research on multi-source data fusion modeling method for aerodynamic load of aircraft wing based on pre-training and fine-tuning［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（19）：532297 （in Chinese）.
[21]	COMBERT F K， XIE S K， LAWNICZAK A T. Bi-partitioned feature-weighted K-means clustering for detecting insurance fraud claim patterns［J］. Mathematics， 2025， 13（3）： 434.
[22]	LIN L， ZU L Z， FU S， et al. Integrating adversarial training strategies into deep autoencoders： A novel aeroengine anomaly detection framework［J］. Engineering Applications of Artificial Intelligence， 2024， 136： 108856.
[23]	HAN B K， YIN P W， ZHANG Z Z， et al. Remaining useful life prediction of turbofan engines based on dual attention mechanism guided parallel CNN-LSTM［J］. Measurement Science and Technology， 2025， 36（1）： 016160.
[24]	ROBESON S M， WILLMOTT C J. Decomposition of the mean absolute error （MAE） into systematic and unsystematic components［J］. PLoS One， 2023， 18（2）： e0279774.
[25]	QIAN L M， CAO W R， CHEN L F. Influence of artificial intelligence on higher education reform and talent cultivation in the digital intelligence era［J］. Scientific Reports， 2025， 15： 6047.
[26]	DE MYTTENAERE A， GOLDEN B， LE GRAND B， et al. Mean absolute percentage error for regression models［J］. Neurocomputing， 2016， 192： 38-48.
[27]	FU S， LIN L， WANG Y， et al. MCA-DTCN： A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction［J］. Reliability Engineering & System Safety， 2024， 241： 109696.
[28]	RAZALI M N， ARBAIY N， LIN P C， et al. Optimizing multiclass classification using convolutional neural networks with class weights and early stopping for imbalanced datasets［J］. Electronics， 2025， 14（4）： 705.
[29]	李左飙，温风波，唐晓雷，等. 基于深度学习的单排孔气膜冷却性能预测［J］. 航空学报， 2021， 42（4）： 524331.
	LI Z B， WEN F B， TANG X L， et al. Prediction of single-row hole film cooling performance based on deep learning［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524331 （in Chinese）.
[30]	崔江，周凡，陈永凡，等. 一种基于GAMF-CNN的航空发电机整流器故障诊断技术［J］. 航空学报， 2024， 45（24）： 330398.
	CUI J， ZHOU F， CHEN Y F， et al. A technique for aerospace generator rectifier fault diagnosis based on GAMF-CNN［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（24）： 330398 （in Chinese）.
[31]	何磊，钱炜祺，董康生，等. 基于卷积神经网络的结冰翼型气动特性建模［J］. 航空学报， 2023， 44（5）： 126434.
	HE L， QIAN W Q， DONG K S， et al. Aerodynamic characteristics modeling of iced airfoil based on convolution neural networks［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（5）： 126434 （in Chinese）.
[32]	王志刚，王业光，杨宁，等. 基于LSTM的飞行数据挖掘模型构建方法［J］. 航空学报， 2021， 42（8）： 525800.
	WANG Z G， WANG Y G， YANG N， et al. Construction method of flight data mining model based on LSTM［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（8）： 525800 （in Chinese）.
[33]	MUNIR H S， REN S B， MUSTAFA M， et al. Attention based GRU-LSTM for software defect prediction［J］. PLoS One， 2021， 16（3）： e0247444.
[34]	SUN B， HU W T， WANG H， et al. Remaining useful life prediction of rolling bearings based on CBAM-CNN-LSTM［J］. Sensors， 2025， 25（2）： 554.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

参数名称	符号	参数描述
动压	Q	空气对飞机全压与静压的差值，与空气密度和飞机速度有关
马赫数	Ma	飞机的速度与当前高度的声速比值
滚转角速度	p	飞机绕其纵轴旋转的角速度
俯仰角速度	q	飞机绕其横轴旋转的角速
偏航角速度	r	飞机绕其垂直轴旋转的角速度
滚转角加速度	Urdd1	飞机绕纵轴旋转时的角加速度
俯仰角加速度	Urdd2	飞机绕横轴旋转时的角加速度
偏航角加速度	Urdd3	飞机绕垂直轴旋转时的角加速度
侧向过载	Urdd4	机身侧向的加速度与重力加速度的比值
法向过载	Urdd5	机身垂向的加速度与重力加速度的比值

类型	编号	X/mm	Y/mm	Z/mm	σ_x /Pa	σ_y /Pa	σ_z /Pa
飞行状态1	1	9 392	-566.66	539.44	18.59	0	-2 337.22
	2	10 840	-1 880	120.73	3.62	0	1 415.03
	382	10 210.7	-3 404.09	-72.7	0.02	0	5 749.42
飞行状态2	1	9 392	-566.66	539.438	0	-74.34	-2 455.82
	2	10 840	-1 880	120.725	0	-14.47	-1 553.05
	382	10 210.7	-3 404.09	-72.7	0	-0.08	5 974.48
飞行状态79	1	9 392	-566.66	539.44	8.45	-323.96	-298.52
	2	10 840	-1 880	120.73	16.66	-179.74	-177.45
	382	10 210.7	-3 404.09	-72.7	3.16	-19.45	128.03

指标	模型	缺失比例
指标	模型	70%	50%	30%	10%
MAE	MLP	0.102 4±0.009 4	0.073 4±0.008 5	0.067 2±0.007 9	0.069 2±0.006 7
	CNN	0.106 5±0.005 1	0.113 1±0.006 5	0.104 2±0.005 7	0.103 4±0.005 1
	LSTM	0.103 2±0.008 6	0.106 2±0.009 5	0.092 9±0.008 2	0.087 5±0.006 9
	GRU-LSTM	0.063 2±0.007 7	0.068 6±0.006 7	0.055 9±0.009 5	0.042 9±0.006 8
	CBAM-CNN-LSTM	0.060 3±0.006 8	0.068 2±0.006 8	0.062 6±0.005 6	0.058 5±0.003 5
	本文所提方法	0.053 9±0.002 6	0.046 2±0.001 9	0.024 5±0.001 6	0.018 2±0.001 5
RMSE	MLP	0.101 6±0.008 8	0.101 2±0.007 6	0.094 4±0.008 7	0.095 1±0.005 6
	CNN	0.161 9±0.009 1	0.158 3±0.013 5	0.148 2±0.006 2	0.147 1±0.007 8
	LSTM	0.147 2±0.010 6	0.142 6±0.008 2	0.131 6±0.005 9	0.121 9±0.003 7
	GRU-LSTM	0.101 6±0.007 8	0.118 8±0.006 7	0.096 8±0.006 7	0.088 6±0.004 5
	CBAM-CNN-LSTM	0.097 5±0.006 5	0.096 3±0.009 6	0.102 9±0.012 4	0.097 9±0.008 6
	本文所提方法	0.084 2±0.001 8	0.070 9±0.002 3	0.046 6±0.001 8	0.025 7±0.001 5
MAPE	MLP	51.36%±2.59%	38.65%±3.16%	35.95%±2.12%	29.84%±2.35%
	CNN	67.62%±4.15%	58.16%±4.15%	55.62%±3.65%	53.23%±4.65%
	LSTM	63.18%±3.62%	62.22%±3.95%	54.65%±2.95%	49.62%±3.71%
	GRU-LSTM	49.95%±3.93%	47.16%±2.94%	41.42%±2.36%	21.44%±1.82%
	CBAM-CNN-LSTM	47.26%±2.76%	37.84%±3.43%	43.79%±2.98%	25.72%±2.37%
	本文所提方法	28.98%±2.06%	16.94%±1.94%	9.96%±1.89%	6.98%±1.03%

基于多尺度核构造的深度特征融合网络及其在机翼应力场数据填补中的应用

A deep feature fusion network based on multi-scale kernel construction for filling wing stress field data

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 34

相关文章 15

编辑推荐

Metrics

本文评价

[1]	黄熠玮, 耿一斌, 高天贺, 胡轩玮, 王圆, 马红艳, 田阔. 数字孪生驱动的结构全场变形高精度反演方法[J]. 航空学报, 2025, 46(19): 530967-530967.
[2]	代定强, 周轩, 董雷霆, 孙侠生. 数字工程与数字孪生在航空疲劳与结构完整性领域的研究进展与展望[J]. 航空学报, 2025, 46(19): 531022-531022.
[3]	李尚宇, 冯杭, 陈俊全, 陈彬, 梅丹. 一种数字孪生的设计架构和概念建模方法[J]. 航空学报, 2025, 46(19): 531118-531118.
[4]	雷珺祺, 程月华, 姜斌, 徐骋, 徐贵力, 孙天宇. 面向舵回路故障的数字孪生建模及动态调整机制[J]. 航空学报, 2025, 46(19): 531273-531273.
[5]	陈亮, 黄蕾, 顾宇轩, 郭聪, 林可欣, 管宇, 宋健. 基于飞行参数的结构关键部位载荷孪生技术[J]. 航空学报, 2025, 46(19): 531292-531292.
[6]	顾宇轩, 郭聪, 黄蕾, 董一飞, 董宏达, 邓智伦. 数字孪生驱动的机群寿命精细化管理[J]. 航空学报, 2025, 46(19): 531290-531290.
[7]	张音旋, 张起, 许镇勇, 孟琳书. 基于残差神经网络的飞机力学响应预测方法[J]. 航空学报, 2025, 46(19): 531295-531295.
[8]	肖若瑶, 郑联语, 周健, 赵思如, 张洁茹, 陈育武. 面向筒段对接数字孪生的定位精度在线优化方法[J]. 航空学报, 2025, 46(19): 531978-531978.
[9]	胡家亮, 吴江鹏, 霍思旭, 高一地, 郑华. 基于颤振试飞数字孪生扫频数据重构的模态参数估计[J]. 航空学报, 2025, 46(19): 531602-531602.
[10]	王鹏飞, 曾丽芳, 邵雪明, 黎军. 基于预训练微调的机翼气动载荷多源数据融合建模方法[J]. 航空学报, 2025, 46(19): 532297-532297.
[11]	王逸飞, 曹戈勇, 曹阳, 王晓军. 飞行器数字强度孪生中的不确定性技术[J]. 航空学报, 2025, 46(19): 532408-532408.
[12]	陈亮, 孟凡星, 王成波, 张音旋, 孟琳书. 数字孪生技术在飞行器强度设计中的发展及应用[J]. 航空学报, 2025, 46(19): 532252-532252.
[13]	卓然, 闫楚良. 飞机结构数字孪生的关键一环：多参数飞行实测[J]. 航空学报, 2025, 46(19): 532375-532375.
[14]	田阔, 孙志勇, 李增聪. 面向结构静力试验监测的高精度数字孪生方法[J]. 航空学报, 2024, 45(7): 429134-429134.
[15]	黄维娜, 黎方娟, 祁宏斌. 航空发动机数字工程初步研究与发展思考[J]. 航空学报, 2024, 45(5): 529693-529693.