基于飞参-载荷-寿命数字孪生模型的飞机结构健康管理方法

doi:10.7527/S1000-6893.2025.32382

中国飞机强度研究所建所 60 周年专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于飞参-载荷-寿命数字孪生模型的飞机结构健康管理方法

黄蕾¹, 郭聪¹, 张小波², 孙良臣², 左迎荟¹, 王博¹^,³, 田阔¹^,³()

^1.大连理工大学工程力学系，大连 116024
^2.南航股份公司工程技术分公司沈阳基地，沈阳 110169
^3.辽宁省飞行器结构强度数字孪生重点实验室，沈阳 110035

收稿日期:2025-06-06 修回日期:2025-06-17 接受日期:2025-07-15 出版日期:2025-07-22 发布日期:2025-07-15
通讯作者: 田阔 E-mail:tiankuo@dlut.edu.cn
基金资助:
国家自然科学基金(124B2037);国家自然科学基金(12572391);辽宁省人工智能领域科技创新项目(2023JH26/10100007);辽宁省优秀青年基金(2024JH3/10200003);陕西省自然科学基础研究计划(2025SYS-SYSZD-102)

Aircraft structural health management method based on flight parameter-load-life digital twin models

Lei HUANG¹, Cong GUO¹, Xiaobo ZHANG², Liangchen SUN², Yinghui ZUO¹, Bo WANG¹^,³, Kuo TIAN¹^,³()

^1.Department of Engineering Mechanics，Dalian University of Technology，Dalian 116024，China
^2.China Southern Technic Shenyang Base，Shenyang 110169，China
^3.Liaoning Provincial Key Laboratory of Digital Twins for Structural Strength of Aircraft，Shenyang 110035，China

Received:2025-06-06 Revised:2025-06-17 Accepted:2025-07-15 Online:2025-07-22 Published:2025-07-15
Contact: Kuo TIAN E-mail:tiankuo@dlut.edu.cn
Supported by:
National Natural Science Foundation of China(124B2037);Science and Technology Innovation Program in Artificial Intelligence of Liaoning(2023JH26/10100007);Excellent Youth Fund under the Science and Technology Program of Liaoning Province(2024JH3/10200003);Shaanxi Province Natural Science Basic Research Program 2025(2025SYS-SYSZD-102)

摘要/Abstract

摘要：

针对飞机结构健康管理中高精度实时寿命预测与智能运维的迫切需求，提出了一种基于飞参-载荷-寿命数字孪生模型的飞机结构健康管理方法。首先，通过飞行参数和结构关键部位载荷实测数据，训练基于极致梯度提升（XGBoost）增量学习的飞参-载荷数字孪生模型，实现关键部位载荷的高精度动态映射。其次，通过参数化模型仿真数据，训练基于非侵入式降阶的载荷-应力场数字孪生模型，实现关键部位应力场的高精度动态重构。进而，基于细节疲劳额定值（DFR）法构建疲劳寿命评估模型，通过上述数字孪生模型预测结果计算疲劳寿命评估模型参数，预测寿命损耗，实现应力场-剩余寿命的高精度动态预测，形成飞参-载荷-寿命数字孪生模型。在此基础上，构建了机队维修及飞行任务多目标规划模型，并通过智能优化算法生成历史规划问题解集。然后，基于聚类中心距离和决定系数指标，量化历史规划（源域）问题和新规划（目标域）问题在解集分布和特征空间上的相似程度。最后，将高相似源域问题解迁移为目标域问题的初始种群，形成基于历史信息迁移学习的机队维修及飞行任务智能规划方法，实现机队寿命高效管理。经典型飞行试验数据集验证，本方法能够动态预测结构关键部位载荷及剩余寿命，载荷预测误差为5.30%，寿命预测误差为-7.19%。同时，针对考虑20架飞机的复杂维修和飞行任务规划问题，本方法相比直接优化方法效率分别提升33.9%和14.5%，验证了提出方法的有效性。

关键词: 结构健康管理, 数字孪生, 降阶模型, 疲劳寿命预测, 飞行和维修规划

Abstract:

Aimed at the urgent needs of high-precision real-time life prediction and intelligent operation and maintenance in aircraft structural health management， this paper proposes an aircraft structural health management approach based on flight parameter-load-life digital twin models. First， measured data of flight parameters and loads in structural key parts are used to train flight parameter-load digital twin models based on the incremental learning eXtreme Gradient Boosting （XGBoost）， so as to realize high-precision dynamic mapping of the loads of the key parts. Second， simulated data of parametric models are used to train load-stress field digital twin models based on the non-intrusive reduced-order technique to realize high-precision dynamic reconstruction of the stress field of the key parts. Furthermore， the fatigue life estimation model is constructed based on the Detail Fatigue Rating （DFR） method. The parameters of the fatigue life estimation model are calculated from the prediction results of the above digital twin models， and the life consumption is estimated to realize the high-accuracy dynamic prediction of the remaining life， forming a flight parameter-load-life digital twin model. On this basis， fleet maintenance and flight task multi-objective planning models are constructed respectively， and solution sets of historical planning problems are formed by intelligent optimization algorithm. Then， based on clustering center distance and coefficient of determination metrics， similarity between historical planning （source-domain） problems and new planning （target-domain） problem in terms of solution set distribution and feature space is quantified. Finally， the highly similar source-domain problem solutions are transferred to the initial population of the target-domain problems to form an intelligent planning method for fleet maintenance and flight task based on transfer learning of historical information， which realizes the intelligent and efficient management of fleet life. The results of a typical flight-testing example show that this method can dynamically predict the loads and remaining life of the structural key parts with a load prediction error of 5.30% and a life prediction error of -7.19%. Meanwhile， for the complex maintenance and flight task planning problems of 20 aircraft， the efficiency of the proposed method is improved by 33.9% and 14.5%， respectively， compared with the direct optimization method， which verifies the effectiveness of the proposed method.

Key words: structural health management, digital twin, reduced-order model, fatigue life prediction, flight and maintenance planning

中图分类号:

V215.2

黄蕾, 郭聪, 张小波, 孙良臣, 左迎荟, 王博, 田阔. 基于飞参-载荷-寿命数字孪生模型的飞机结构健康管理方法[J]. 航空学报, 2025, 46(21): 532382.

Lei HUANG, Cong GUO, Xiaobo ZHANG, Liangchen SUN, Yinghui ZUO, Bo WANG, Kuo TIAN. Aircraft structural health management method based on flight parameter-load-life digital twin models[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(21): 532382.

图/表 17

图 1

表 1

飞行参数-关键部位载荷映射模型的主要超参数

超参数名称	符号	取值范围
n_estimators：决策树数量	K	［50，500］
max_depth：树最大深度	d_max	［3，15］
learning_rate：学习率	$η$	［0.01，1］
gamma：叶子节点数惩罚系数	$γ$	［0，1］
reg_alpha：L1正则化系数	$α$	［0，10］
reg_lambda：L2正则化系数	$λ$	［0，10］
min_child_weight：子节点样本的最小权重和	w_min	［1，8］
subsample：样本采样率	S_sub	［0.5，1］
colsample_bytree：特征采样率	S_col	［0.5，1］
freq：训练集数据均匀采样间隔	Q	［1，320］

表 1

图 2

表 2

表 3

图 3

图 4

表 4

图 5

图 6

表 5

表 6

表 7

图 7

表 8

表 9

图 8

参考文献 40

[1]	张彦军，王斌团，宁宇，等. 基于健康监测的飞机结构寿命预测技术［J］. 航空工程进展， 2024， 15（1）： 1-14.
	ZHANG Y J， WANG B T， NING Y， et al. Life prediction technology of aircraft structures based on structural health monitoring［J］. Advances in Aeronautical Science and Engineering， 2024， 15（1）： 1-14 （in Chinese）.
[2]	魏元雷，高飞鹏. 民用飞机结构健康监测系统的设计方法［J］. 计算机测量与控制， 2022， 30（8）： 38-43.
	WEI Y L， GAO F P. Architecture design method for structural health monitoring system （SHM） of civil aircraft［J］. Computer Measurement & Control， 2022， 30（8）： 38-43 （in Chinese）.
[3]	董雷霆，周轩，赵福斌，等. 飞机结构数字孪生关键建模仿真技术［J］. 航空学报， 2021， 42（3）： 113-141.
	DONG L T， ZHOU X， ZHAO F B， et al. Key technologies for modeling and simulation of airframe digital twin［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（3）： 113-141 （in Chinese）.
[4]	谢克诚，周轩，董雷霆. 基于长短期记忆网络与小波变换的直升机飞参-载荷预测［J］. 航空科学技术， 2024， 35（11）： 51-57.
	XIE K C， ZHOU X， DONG L T. Flight-parameter-based load prediction of helicopter using LSTM network and wavelet transform［J］. Aeronautical Science & Technology， 2024， 35（11）： 51-57 （in Chinese）.
[5]	CANDON M， ESPOSITO M， FAYEK H， et al. Advanced multi-input system identification for next generation aircraft loads monitoring using linear regression， neural networks and deep learning［J］. Mechanical Systems and Signal Processing， 2022， 171： 108809.
[6]	兑红娜，王勇军，董江，等. 基于飞行参数的飞机结构载荷最优回归模型［J］. 航空学报， 2018， 39（11）： 80-89.
	DUI H N， WANG Y J， DONG J， et al. Optimal regression model for aircraft structural load based on flight data［J］. Acta Aeronautica et Astronautica Sinica， 2018， 39（11）： 80-89 （in Chinese）.
[7]	李文龙，杨美娟，唐宁，等. 某型飞机关键部位结构应变预测［J］. 应用力学学报， 2021， 38（2）： 649-654.
	LI W L， YANG M J， TANG N， et al. Structural strain prediction of key parts of an aircraft［J］. Chinese Journal of Applied Mechanics， 2021， 38（2）： 649-654 （in Chinese）.
[8]	顾宇轩，隋福成，宋恩鹏. 神经网络技术在单机应变寿命监控中的应用研究［J］. 装备环境工程， 2018， 15（12）： 74-77.
	GU Y X， SUI F C， SONG E P. Application of neural network technique in individual strain life monitoring［J］. Equipment Environmental Engineering， 2018， 15（12）： 74-77 （in Chinese）.
[9]	WANG S， LAI X N， HE X W， et al. Building a trustworthy product-level shape-performance integrated digital twin with multifidelity surrogate model［J］. Journal of Mechanical Design， 2022， 144（3）： 031703.
[10]	NOVAIS H C， SILVA S DA， FIGUEIREDO E. Co-Kriging strategy for structural health monitoring of bridges［J］. Structural Health Monitoring， 2024： 14759217241265375.
[11]	LIU L X， SONG X G， ZHANG C， et al. GAN-MDF： An enabling method for multifidelity data fusion［J］. IEEE Internet of Things Journal， 2022， 9（15）： 13405-13415.
[12]	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）： 288-299.
	TIAN K， SUN Z Y， LI Z C. High-precision digital twin method for structural static test monitoring［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（7）： 288-299 （in Chinese）.
[13]	WANG B， LI Z C， XU Z Y， et al. Digital twin modeling for structural strength monitoring via transfer learning-based multi-source data fusion［J］. Mechanical Systems and Signal Processing， 2023， 200： 110625.
[14]	XU Z Y， GAO T H， LI Z C， et al. Digital twin modeling method for hierarchical stiffened plate based on transfer learning［J］. Aerospace， 2023， 10（1）： 66.
[15]	黄熠玮，耿一斌，高天贺，等. 数字孪生驱动的结构全场变形高精度反演方法［J/OL］. 航空学报，（2024-10-16）［2025-08-23］. .
	HUANG Y W， GENG Y B， GAO T H， et al. Digital twin driven high precision reconstruction method for full-field deformation of structure［J/OL］. Acta Aeronautica et Astronautica Sinica，（2024-10-16）［2025-08-23］. （in Chinese）.
[16]	HUANG L， XU Z Y， GAO T H， et al. Digital twin-based non-destructive testing method for ultimate load-carrying capacity prediction［J］. Thin-Walled Structures， 2024， 204： 112223.
[17]	郭聪，毕清洁，张澍，等. 面向空间压紧堆叠结构的数字孪生模态试验方法［J］. 中国空间科学技术（中英文）， 2024， 44（6）： 72-80.
	GUO C， BI Q J， ZHANG S， et al. Digital twin modal testing method for space compressed stacking structures［J］. Chinese Space Science and Technology， 2024， 44（6）： 72-80 （in Chinese）.
[18]	HARTMANN D， HERZ M， WEVER U. Model order reduction a key technology for digital twins［M］. Reduced-Order Modeling （ROM） for Simulation and Optimization： Powerful Algorithms as Key Enablers for Scientific Computing. Cham： Springer International Publishing， 2018： 167-179.
[19]	ABADÍA-HEREDIA R， LÓPEZ-MARTÍN M， CARRO B， et al. A predictive hybrid reduced order model based on proper orthogonal decomposition combined with deep learning architectures［J］. Expert Systems with Applications， 2022， 187： 115910.
[20]	崔凯，杨靖，常思源，等. 基于POD和代理模型的高压捕获翼表面流场快速预测方法［J］. 力学学报， 2025， 57（4）： 883-894.
	CUI K， YANG J， CHANG S Y， et al. Rapid prediction method for high-pressure capturing wing surface flow field based on proper orthogonal decomposition and surrogate model［J］. Chinese Journal of Theoretical and Applied Mechanics， 2025， 57（4）： 883-894 （in Chinese）.
[21]	VIZZACCARO A， GIVOIS A， LONGOBARDI P， et al. Non-intrusive reduced order modelling for the dynamics of geometrically nonlinear flat structures using three-dimensional finite elements［J］. Computational Mechanics， 2020， 66（6）： 1293-1319.
[22]	刘斌超，鲁嵩嵩，曾苇鹏，等. 从金属材料疲劳性能的力学描述到飞机结构疲劳寿命评定：现状与展望［J］. 固体力学学报， 2023， 44（4）： 417-457.
	LIU B C， LU S S， ZENG W P， et al. From mechanical description for metal fatigue properties to service life evaluation of aircraft structural components： status and challenges［J］. Chinese Journal of Solid Mechanics， 2023， 44（4）： 417-457 （in Chinese）.
[23]	ELATTAR H M， ELMINIR H K， RIAD A M. Prognostics： A literature review［J］. Complex & Intelligent Systems， 2016， 2（2）： 125-154.
[24]	WANG H K， HAYNES R， HUANG H Z， et al. The use of high-performance fatigue mechanics and the extended Kalman/particle filters， for diagnostics and prognostics of aircraft structures［J］. CMES-Computer Modeling in Engineering and Sciences， 2015， 105（1）： 1-24.
[25]	BARTRAM G， MAHADEVAN S. Integration of heterogeneous information in SHM models［J］. Structural Control and Health Monitoring， 2014， 21（3）： 403-422.
[26]	ZHANG Q， LIU Y， XIAHOU T， et al. A heuristic maintenance scheduling framework for a military aircraft fleet under limited maintenance capacities［J］. Reliability Engineering & System Safety， 2023， 235： 109239.
[27]	CHA G， PARK J， MOON I. Military aircraft flight and maintenance planning model considering heterogeneous maintenance tasks［J］. Reliability Engineering & System Safety， 2023， 239： 109497.
[28]	JIANG M， HUANG Z Q， QIU L M， et al. Transfer learning-based dynamic multiobjective optimization algorithms［J］. IEEE Transactions on Evolutionary Computation， 2018， 22（4）： 501-514.
[29]	LIM R， GUPTA A， ONG Y S， et al. Non-linear domain adaptation in transfer evolutionary optimization［J］. Cognitive Computation， 2021， 13（2）： 290-307.
[30]	CHEN T Q， GUESTRIN C. XGBoost： A scalable tree boosting system［C］∥Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016.
[31]	SHEKHAR S， BANSODE A， SALIM A. A comparative study of hyper-parameter optimization tools［C］∥ 2021 IEEE Asia-Pacific Conference on Computer Science and Data Engineering （CSDE）. Piscataway： IEEE Press， 2021.
[32]	LI L S， JAMIESON K， DESALVO G， et al. Hyperband： A novel bandit-based approach to hyperparameter optimization［J］. Journal of Machine Learning Research， 2018， 18（185）： 1-52.
[33]	陶雪菲，王瑞，高玉魁，等. 基于DFR法的螺栓连接件疲劳性能研究［J］. 民用飞机设计与研究， 2021（4）： 28-36.
	TAO X F， WANG R， GAO Y K， et al. Investigation of fatigue properties of bolted connectors based on detail fatigue rating［J］. Civil Aircraft Design & Research， 2021（4）： 28-36 （in Chinese）.
[34]	刘庆刚，魏青，韩伟信，等. 基于有限元法的V型缺口平板应力集中系数研究［J］. 河北工业科技， 2019， 36（4）： 240-245.
	LIU Q G， WEI Q， HAN W X， et al. Study of the stress concentration factors of a V-notched plate by using finite element method［J］. Hebei Journal of Industrial Science and Technology， 2019， 36（4）： 240-245 （in Chinese）.
[35]	MA H P， ZHANG Y J， SUN S Y， et al. A comprehensive survey on NSGA-II for multi-objective optimization and applications［J］. Artificial Intelligence Review， 2023， 56（12）： 15217-15270.
[36]	HUANG L， ZUO Y H， GUO C， et al. AirLoadBench： An original dataset for flight parameter-based structural load prediction［DB/OL］. Zenodo： 14917880， 2025.
[37]	HU J C， SZYMCZAK S. A review on longitudinal data analysis with random forest［J］. Briefings in Bioinformatics， 2023， 24（2）： 1-11.
[38]	SALEEM R， YUAN B， KURUGOLLU F， et al. Explaining deep neural networks： A survey on the global interpretation methods［J］. Neurocomputing， 2022， 513： 165-180.
[39]	VAN HOUDT G， MOSQUERA C， NÁPOLES G. A review on the long short-term memory model［J］. Artificial Intelligence Review， 2020， 53（8）： 5929-5955.
[40]	顾宇轩，陈亮，董一飞，等. 数字孪生驱动的机群寿命精细化管理研究［J/OL］. 航空学报，（2025-02-26）［2025-08-23］. .
	GU Y X， CHEN L， DONG Y F， et al. Research on the refined management of fleet life driven by digital twins［J/OL］. Acta Aeronautica et Astronautica Sinica，（2025-02-26）［2025-08-23］. （in Chinese）.

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

序号	数据集参数名称	参数含义	序号	数据集参数名称	参数含义
0	Relative_Time	相对时间（不作为输入）	20	R_Eng_Start	右发起动
1	Nz	法向过载	21	L_Throttle_Pos	左发油门杆位置
2	Nx	纵向过载	22	R_Throttle_Pos	右发油门杆位置
3	Roll_Angle	横滚角	23	L_Eng_N1	左发低压转子转速
4	Pitch_Angle	俯仰角	24	R_Eng_N1	右发低压转子转速
5	True_AOA	真迎角	25	L_Eng_N2	左发高压转子转速
6	True_Sideslip	真侧滑角	26	R_Eng_N2	右发高压转子转速
7	FPA	航迹角	27	L_Gear_Down	左起落架放下
8	True_Heading	真航向	28	R_Gear_Down	右起落架放下
9	CAS	校正空速	29	N_Gear_Down	前起落架放下
10	TAS	真空速	30	L_Flaperon_Pos	左副襟翼位置
11	Mach	马赫数	31	R_Flaperon_Pos	右副襟翼位置
12	SAT	总温	32	L_LEF_Pos	左前缘襟翼位置
13	Baro_Alt	气压高度	33	R_LEF_Pos	右前缘襟翼位置
14	Roll_Rate	横滚角速率	34	L_Rudder_Pos	左方向舵位置
15	Pitch_Rate	俯仰角速率	35	L_Stab_Pos	左平尾位置
16	Heading_Rate	航向角速率	36	R_Stab_Pos	右平尾位置
17	Fuel_Qty1	燃油油量1	37	Stick_Pitch	操纵杆俯仰位置
18	Fuel_Qty2	燃油油量2	38	Stick_Roll	操纵杆倾斜位置
19	L_Eng_Start	左发起动	39	Pedal_Pos	脚蹬位置

模型	E_NRMSE/%	训练耗时/s
GPR （1 000样本点）	7.91	11
GPR （10 000样本点）	7.00	2 371
决策树	9.09	544
RF	6.70	36 882
DNN	5.97	4 453
LSTM	5.65	155 983
XGBoost	5.50	267
XGBoost-IL	5.30	12 504

测试工况	R²	E_NRMSE
1	0.999 9	5.46×10^-4
2	1.000 0	1.60×10^-4
3	0.999 7	8.17×10^-4
4	0.999 9	3.29×10^-4
5	0.999 8	6.97×10^-4
6	1.000 0	2.78×10^-4
7	0.998 4	2.15×10^-3
8	0.999 8	5.76×10^-4
9	0.999 8	6.10×10^-4
10	0.999 4	1.12×10^-3

测试集飞行工况	真实疲劳损伤/10^-5	对应疲劳寿命/次数	预测疲劳损伤/10^-5	对应疲劳寿命/次数
第10组	37.70	2 652	32.34	3 092
第23组	13.16	7 601	20.30	4 925
第26组	31.25	3 199	37.75	2 648
第36组	15.58	6 418	14.87	6 726
4次飞行合计	97.69	4 094	105.26	3 800

飞机	M_T/h	飞机	M_T/h
1	156	11	15 085
2	1 674	12	16 309
3	3 438	13	17 934
4	4 592	14	19 283
5	5 979	15	20 969
6	7 552	16	22 252
7	9 269	17	23 809
8	10 545	18	25 305
9	12 066	19	26 782
10	13 447	20	28 229

基于飞参-载荷-寿命数字孪生模型的飞机结构健康管理方法

Aircraft structural health management method based on flight parameter-load-life digital twin models

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 40

相关文章 15

编辑推荐

Metrics

本文评价

源域问题	I_sim	R²
1	0.88	-0.86
2	0.85	0.99
3	0.91	0.97
4	0.90	-0.83
5	0.87	0.84
6	0.94	0.98
7	0.87	-0.81

[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]	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): 532343-532343.
[15]	安朝, 赵睿, 谢长川, 杨超. 大柔性机翼几何非线性结构降阶模型与气动弹性分析[J]. 航空学报, 2024, 45(S1): 730569-730569.

飞机	任务1	任务2	任务4	任务6	任务7	任务10
4	\	\	\	1	1	\
6	\	\	1	\	\	1
11	1	\	\	\	\	\
13	\	1	\	\	1	1
19	\	\	1	\	\	\