DOI: https://doi.org/10.1177/14759217261433879
تاريخ النشر: 2026-03-27
المؤلف: Nima Rezazadeh وآخرون
الموضوع الرئيسي: الموجات فوق الصوتية وانتشار الموجات الصوتية
نظرة عامة
تقدم ورقة البحث إطارًا جديدًا قابلًا للتفسير لمراقبة صحة الهياكل (SHM) للأصول الميكانيكية، خاصة تحت ظروف بيئية متغيرة يمكن أن تعطل نماذج اكتشاف الأضرار. الإطار المقترح، الذي يُطلق عليه اسم التكيف القائم على النماذج المتناثرة (SPADA)، يدمج استخراج الميزات الموجه بالفيزياء، وتوليد البيانات الاصطناعية، والمحاذاة القائمة على النماذج لتعزيز متانة اكتشاف الأضرار وسط تقلبات درجات الحرارة. يتم استخدام مشفر تلقائي متغير شرطي تلافيفي (Conv-CVAE) لتوليد إشارات موجات موجهة متضررة مشروطة بدرجة الحرارة، مما يسهل بيئة اختبار خاضعة للرقابة عندما تكون البيانات المتضررة الفعلية نادرة. يتم إثبات فعالية الإطار من خلال التجارب على الهياكل المركبة، مما يكشف عن تحسين المتانة والدقة التشخيصية مع تقديم رؤى حول عملية التكيف من خلال وحدات التفسير.
تشير النتائج الرئيسية إلى أن SPADA ي suppress فعليًا التقلبات البيئية مع الحفاظ على الإشارات المتعلقة بالأضرار، مما يحافظ على تطابق واضح بين الأمثلة المصدر والهدف. ينجح الإطار في نقل المعرفة دون الحاجة إلى بيانات مستهدفة مصنفة، حيث يكشف تتبع النماذج أن فئات الأضرار تحتفظ بخصائصها الهيكلية خلال الانتقالات الناتجة عن درجات الحرارة. ومع ذلك، تعترف الدراسة بالقيود، مثل التركيز الحصري على تقلبات درجات الحرارة والاعتماد على الفحص الخبير للتفسير بدلاً من المقاييس الكمية. تهدف الأعمال المستقبلية إلى توسيع الإطار لمعالجة عوامل بيئية إضافية، وتعزيز تحديد موقع الأضرار وتقدير شدتها، والتكيف مع هندسات هيكلية أكثر تعقيدًا وتكوينات حساسات.
مقدمة
تتناول مقدمة ورقة البحث التحديات المتعلقة بمراقبة صحة الهياكل (SHM) في الأصول الميكانيكية، خاصة في سياق اكتشاف الأضرار تحت ظروف تشغيلية متغيرة ونقص البيانات. تبرز التأثير الكبير للتغيرات البيئية والتشغيلية (EOVs) على أداء النموذج، خاصة في التطبيقات الحرجة للسلامة مثل شفرات توربينات الرياح والمركبات الجوية. يشير المؤلفون إلى أن طرق استخراج الميزات التقليدية تكافح مع هذه التغيرات، مما يدفع لاستكشاف تحويل الموجات ونسخها، مثل تشتت الوقت الموجي (WTS)، التي تقدم تمثيلات أكثر قوة موجهة بالفيزياء.
على الرغم من التقدم في تقنيات التكيف مع المجال (DA) لمراقبة صحة الهياكل، غالبًا ما تفتقر الطرق الحالية إلى الشفافية في كيفية محاذاة الميزات عبر ظروف تشغيلية مختلفة وتفشل في ضمان الحفاظ على الخصائص الحساسة للأضرار. تحدد الورقة الفجوات الحرجة في الأساليب الحالية، وخاصة فصل تعويض البيئة وعمليات DA، وغياب الأدوات المنهجية لتتبع تحولات الميزات أثناء التكيف. لمعالجة هذه القضايا، يقترح المؤلفون إطارًا جديدًا للتكيف مع المجال غير الخاضع للإشراف يسمى التكيف القائم على النماذج المتناثرة (SPADA)، الذي يدمج WTS لاستخراج الميزات مع التكيف القائم على النماذج ووحدات التفسير. يهدف هذا الإطار إلى توفير تمثيلات مستقرة وقابلة للتفسير تحافظ على المعنى الفيزيائي أثناء التكيف، مما يعزز موثوقية أنظمة SHM في التطبيقات الواقعية.
طرق
تحدد هذه القسم إطارين تكميليين مصممين لمراقبة صحة الهياكل (SHM) المعتمدة على درجة الحرارة تحت التغيرات البيئية التشغيلية (EOVs). يستخدم الإطار الأول مشفرًا تلقائيًا متغيرًا شرطيًا تلافيفيًا لتوليد إشارات متضررة اصطناعية مشروطة بدرجة الحرارة، مستفيدًا من بيانات الأضرار الأساسية المحدودة إلى جانب بيانات صحية متعددة درجات الحرارة. تعالج هذه الطريقة بفعالية تحدي نقص البيانات في تطبيقات SHM.
يركز الإطار الثاني، المعروف بإطار SPADA، على تشخيص الأعطال في السيناريوهات التي تتميز بالتكيف مع المجال غير الخاضع للإشراف (UDA)، حيث لا تتوفر تسميات المجال المستهدف. يدمج هذا الإطار أخذ عينات نقل مرجحة (WTS)، والانتباه القائم على النماذج، وآليات التفسير، التي تعزز مجتمعة التعميم القوي عبر المجالات مع ضمان الشفافية التشخيصية. تسهم هذه المنهجيات مجتمعة في تحسين موثوقية وفعالية أنظمة SHM في ظروف درجات الحرارة المتغيرة.
نتائج
تستعرض قسم النتائج تأثير المتغيرات التشغيلية البيئية (EOVs) على إشارات الموجات الموجهة والاهتزاز. تستخدم التحليل مقياسين قياسيين لتقييم فعالية تقنيات زيادة البيانات. تشير النتائج إلى أن EOVs تؤثر بشكل كبير على خصائص الإشارات، مما يبرز ضرورة وجود استراتيجيات قوية لزيادة البيانات لتعزيز تفسير الإشارات وموثوقيتها في التطبيقات العملية.
مناقشة
تقدم الدراسة مشفرًا تلقائيًا متغيرًا شرطيًا تلافيفيًا (Conv-CVAE) مصممًا لتوليد إشارات موجات موجهة اصطناعية مشروطة بدرجة الحرارة تعكس الأضرار الهيكلية. يجمع هذا الإطار بين استخراج الميزات التلافيفية والاستدلال المتغير الشرطي لنمذجة التوزيع المشترك للإشارات وظروف درجة الحرارة، مما يسمح بتوليد إشارات تأخذ في الاعتبار التغيرات في درجة الحرارة والأضرار. تستخدم البنية التحتية انزياحات في الفضاء الكامن وأقنعة السعة المستمدة من الظروف الأساسية لإنشاء إشارات اصطناعية تمد مجموعات البيانات التجريبية المحدودة عبر بيئات تشغيلية متغيرة. يتضمن هدف التدريب عدة دوال خسارة لضمان الدقة في كل من مجالات الزمن والتردد، بينما يقوم أيضًا بتنظيم التمثيل الكامن نحو معيار عادي قياسي.
تقدم الدراسة أيضًا إطار SPADA، الذي يعالج التكيف مع المجال غير الخاضع للإشراف (UDA) من خلال استخدام تشتت الوقت الموجي (WTS) لاستخراج الميزات المستقرة وآليات الانتباه القائمة على النماذج. يتيح هذا النهج للنموذج الحفاظ على الهيكل على مستوى الفئة أثناء التكيف مع المجالات المستهدفة دون تسميات متاحة. تتضمن عملية التدريب أهدافًا متعددة، بما في ذلك تصنيف المصدر وتسمية زائفة للهدف، مع وحدات تفسير لمراقبة جودة التكيف. يتم تقييم فعالية هذه الأطر باستخدام مجموعتين من البيانات المتاحة للجمهور، والتي تشمل إشارات الموجات الموجهة والاهتزاز من شفرة توربين الرياح ولوحة مركبة من الكربون-الإيبوكسي، على التوالي. تشير النتائج إلى أن Conv-CVAE يولد بنجاح إشارات اصطناعية تتماشى مع البيانات التجريبية، بينما يتكيف SPADA بفعالية مع التحولات في المجال، مما يظهر إمكانيات الأطر في تعزيز مراقبة صحة الهياكل تحت ظروف بيئية متغيرة.
DOI: https://doi.org/10.1177/14759217261433879
Publication Date: 2026-03-27
Author(s): Nima Rezazadeh et al.
Primary Topic: Ultrasonics and Acoustic Wave Propagation
Overview
The research paper presents a novel interpretable framework for structural health monitoring (SHM) of mechanical assets, particularly under varying environmental conditions that can disrupt damage detection models. The proposed framework, termed Scattering-based Prototype-Aligned Domain Adaptation (SPADA), integrates physics-guided feature extraction, synthetic data generation, and prototype-based alignment to enhance damage detection robustness amidst temperature variations. A convolutional conditional variational autoencoder (Conv-CVAE) is employed to generate temperature-conditioned synthetic damaged guided-wave signals, facilitating a controlled testing environment when actual damaged data is scarce. The framework’s effectiveness is demonstrated through experiments on composite structures, revealing improved robustness and diagnostic accuracy while offering insights into the adaptation process through interpretability modules.
Key findings indicate that SPADA effectively suppresses environmental variations while preserving damage-related signals, maintaining clear correspondence between source and target exemplars. The framework successfully transfers knowledge without requiring labeled target data, with prototype tracking revealing that damage classes retain their structural characteristics during temperature-induced transitions. However, the study acknowledges limitations, such as the exclusive focus on temperature variations and the reliance on expert inspection for interpretability rather than quantitative metrics. Future work aims to expand the framework to address additional environmental factors, enhance damage localization and severity estimation, and adapt to more complex structural geometries and sensor configurations.
Introduction
The introduction of the research paper addresses the challenges of structural health monitoring (SHM) in mechanical assets, particularly in the context of damage detection under varying operational conditions and data scarcity. It highlights the significant impact of environmental and operational variabilities (EOVs) on model performance, especially in safety-critical applications like wind turbine blades and aerospace composites. The authors note that traditional feature extraction methods struggle with these variabilities, prompting the exploration of wavelet transform and its variants, such as wavelet time scattering (WTS), which offer more robust, physics-guided representations.
Despite advancements in domain adaptation (DA) techniques for SHM, existing methods often lack transparency in how features are aligned across different operational conditions and fail to ensure that damage-sensitive characteristics are preserved. The paper identifies critical gaps in the current approaches, particularly the separation of environmental compensation and DA processes, and the absence of systematic tools for tracking feature transformations during adaptation. To address these issues, the authors propose a novel unsupervised domain adaptation framework called scattering-based prototype-aligned DA (SPADA), which integrates WTS for feature extraction with prototype-based adaptation and interpretability modules. This framework aims to provide stable, interpretable representations that maintain physical meaning during adaptation, thereby enhancing the reliability of SHM systems in real-world applications.
Methods
The section outlines two complementary frameworks designed for temperature-dependent Structural Health Monitoring (SHM) under Environmental Operating Variations (EOVs). The first framework employs a convolutional conditional variational autoencoder to generate synthetic damaged signals that are conditioned on temperature, utilizing limited baseline damage data alongside multitemperature healthy data. This approach effectively addresses the challenge of data scarcity in SHM applications.
The second framework, known as the SPADA framework, focuses on fault diagnosis in scenarios characterized by Unsupervised Domain Adaptation (UDA), where target domain labels are not available. This framework integrates Weighted Transfer Sampling (WTS), prototype-based attention, and interpretability mechanisms, which collectively enhance robust cross-domain generalization while ensuring diagnostic transparency. These methodologies collectively contribute to improving the reliability and effectiveness of SHM systems in varying temperature conditions.
Results
The results section examines the impact of Environmental Operating Variables (EOVs) on guided wave and vibration signals. The analysis employs two standard metrics to evaluate the effectiveness of data augmentation techniques. The findings indicate that EOVs significantly influence the characteristics of the signals, highlighting the necessity for robust data augmentation strategies to enhance signal interpretation and reliability in practical applications.
Discussion
The research presents a convolutional conditional variational autoencoder (Conv-CVAE) designed to generate temperature-conditioned synthetic guided wave signals that reflect structural damage. This framework combines convolutional feature extraction with conditional variational inference to model the joint distribution of signals and temperature conditions, allowing for the synthesis of signals that account for variations in temperature and damage. The architecture utilizes latent-space offsets and amplitude masks derived from baseline conditions to create synthetic signals that extend limited experimental datasets across varying operational environments. The training objective incorporates multiple loss functions to ensure fidelity in both time and frequency domains, while also regularizing the latent representation towards a standard normal prior.
The study also introduces the SPADA framework, which addresses unsupervised domain adaptation (UDA) by employing wavelet time scattering (WTS) for stable feature extraction and prototype-based attention mechanisms. This approach enables the model to maintain class-level structure while adapting to target domains without available labels. The training process involves multiple objectives, including source classification and target pseudo-labeling, with interpretability modules to monitor the adaptation quality. The effectiveness of these frameworks is evaluated using two publicly available datasets, which include guided wave and vibration signals from a wind turbine blade and a carbon-epoxy composite plate, respectively. The results indicate that the Conv-CVAE successfully generates synthetic signals that align with experimental data, while SPADA effectively adapts to domain shifts, demonstrating the frameworks’ potential for enhancing structural health monitoring under varying environmental conditions.