Monitoreo de Salud Estructural de Aeronaves de Entrenamiento Militar Aprovechando un Mecanismo de Retroalimentación Innovador Inspirado Biológicamente para Redes Neuronales
Autores: Berghout, Tarek
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Monitoreo de Salud Estructural de Aeronaves de Entrenamiento Militar Aprovechando un Mecanismo de Retroalimentación Innovador Inspirado Biológicamente para Redes Neuronales
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Monitoreo de salud estructural
Aprendizaje profundo
Red neuronal convolucional
Bucles de retroalimentación
Transformada continua de wavelet
Métricas de clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
El monitoreo de la salud estructural (SHM) es crucial para garantizar la seguridad y longevidad de las aeronaves de entrenamiento militar, que enfrentan condiciones exigentes como alta maniobrabilidad, cargas variables y entornos extremos, lo que lleva a la fatiga estructural. Los métodos tradicionales, como el análisis modal, a menudo tienen dificultades para manejar la complejidad multivariada de las condiciones operativas y la variabilidad de los datos. Recientemente, el aprendizaje profundo ha surgido como una alternativa prometedora para superar estas limitaciones. Sin embargo, los modelos de aprendizaje profundo suelen operar de manera unidireccional, donde el retroalimentación a las entradas a menudo se descuida. En contraste, las neuronas biológicas utilizan mecanismos de retroalimentación para refinar y adaptar sus respuestas en ecosistemas naturales, lo que permite el aprendizaje adaptativo y la corrección de errores. En este contexto, este estudio propone un enfoque innovador de Red Neuronal Convolucional con Mapeo Inverso (CNN-RM) para SHM, que incorpora bucles de retroalimentación y mecanismos de autocorrección. Antes de alimentar los datos en CNN-RM, la complejidad del conjunto de datos se reduce a través de la Transformada Continua de Wavelet (CWT) de series temporales a imágenes, seguida de una CNN de eliminación de ruido (DnCNN) para mitigar el comportamiento complejo bajo diversas condiciones. Para la aplicación, este estudio utiliza un conjunto de datos masivo recopilado de sensores multivariados instalados en una aeronave de entrenamiento militar desactivada, previamente utilizada por la Real Fuerza Aérea Británica y ahora alojada en un entorno de laboratorio. Los resultados revelaron que la media general de las métricas de clasificación para la CNN es de 0.9673 (entrenamiento) y 0.9422 (prueba), mientras que para CNN-MR es de 0.9764 (entrenamiento) y 0.9515 (prueba), mostrando una mejora del 0.94% en entrenamiento y del 1.00% en prueba. Estos resultados destacan avances significativos en SHM, recomendando la consideración de tales mecanismos de aprendizaje en modelos de aprendizaje neuronal.
Descripción
El monitoreo de la salud estructural (SHM) es crucial para garantizar la seguridad y longevidad de las aeronaves de entrenamiento militar, que enfrentan condiciones exigentes como alta maniobrabilidad, cargas variables y entornos extremos, lo que lleva a la fatiga estructural. Los métodos tradicionales, como el análisis modal, a menudo tienen dificultades para manejar la complejidad multivariada de las condiciones operativas y la variabilidad de los datos. Recientemente, el aprendizaje profundo ha surgido como una alternativa prometedora para superar estas limitaciones. Sin embargo, los modelos de aprendizaje profundo suelen operar de manera unidireccional, donde el retroalimentación a las entradas a menudo se descuida. En contraste, las neuronas biológicas utilizan mecanismos de retroalimentación para refinar y adaptar sus respuestas en ecosistemas naturales, lo que permite el aprendizaje adaptativo y la corrección de errores. En este contexto, este estudio propone un enfoque innovador de Red Neuronal Convolucional con Mapeo Inverso (CNN-RM) para SHM, que incorpora bucles de retroalimentación y mecanismos de autocorrección. Antes de alimentar los datos en CNN-RM, la complejidad del conjunto de datos se reduce a través de la Transformada Continua de Wavelet (CWT) de series temporales a imágenes, seguida de una CNN de eliminación de ruido (DnCNN) para mitigar el comportamiento complejo bajo diversas condiciones. Para la aplicación, este estudio utiliza un conjunto de datos masivo recopilado de sensores multivariados instalados en una aeronave de entrenamiento militar desactivada, previamente utilizada por la Real Fuerza Aérea Británica y ahora alojada en un entorno de laboratorio. Los resultados revelaron que la media general de las métricas de clasificación para la CNN es de 0.9673 (entrenamiento) y 0.9422 (prueba), mientras que para CNN-MR es de 0.9764 (entrenamiento) y 0.9515 (prueba), mostrando una mejora del 0.94% en entrenamiento y del 1.00% en prueba. Estos resultados destacan avances significativos en SHM, recomendando la consideración de tales mecanismos de aprendizaje en modelos de aprendizaje neuronal.