Artificial Neural Networks to predict aircraft strain : performance assessment

One of the key elements of structural health monitoring (SHM) is load monitoring, aiming at the real-time reconstruction of the loads acting on a structure. A large number of studies have been reported in the literature investigating different techniques used for monitoring aircraft structures. This research was carried out to predict strain along the wing of an remotely piloted airplane by applying Machine Learning (ML) algorithms. This study was a data-driven approach, taken advantage of real samples measured during two flights. The time series data comprised several flight parameters acquired by autopilot platform, temperature and six strain values which obtained by FBG sensors mounted on different locations of the wing. This thesis mainly focused on design and test two different set of Artificial Neural Networks (ANN): multilayer perceptron (MLP) and Long Short-Term Memory (LSTM). MLP is the most widely used ANN structure where its fundamental structure enables it to create a huge number of algorithms with various hyperparameters and properties. On the other hand, LSTM is the most popular type of Recurrent Neural Network (RNN) which provides a framework for dealing with sequential data that makes it a perfect fit for health monitoring systems due to their time series nature. Each ML architecture was trained only on the first flight and tested on both the first and the second one at two different frequencies, 1 Hz and 20 Hz. Two different input configurations were considered; first only the flight parameters, such as wind speed, load factor and etc. and temperature were selected. While, second time one strain sensor was add as well. The output was a single strain sensor. In the end, various statistical criteria were used to compare the performance of the MLP and LSTM models, providing promising results and indicating that although MLPs and LSTMs have the similar performance when the correlation between input and output is high, LSTM outperforms MPL in case of low correlation between the samples and it is more robust.

Il monitoraggio dei carichi è uno degli elementi principali del structural health monitoring (SHM), al fine di ricostruire in tempo reale i carichi che agiscono su una struttura. La letteratura scientifica riporta un ampio numero di studi che indagano diverse metodologie usate nel monitoraggio di strutture aeronautiche. Questa ricerca è stata condotta per predire le deformazioni dell’ala di un aeroplano a controllo remoto tramite l’applicazione di algoritmi di Apprendimento Automatico o Machine Learning (ML). In questo studio è stato adottato un approccio data-driven, sfruttando dati sperimentali reali misurati durante due voli. Tali dati comprendono diversi parametri di voli acquisiti dalla piattaforma pilota automatico, temperatura e sei valori di deformazione ottenuti tramite sensori fiber Bragg grating (FBG) montati su differenti posizioni dell’ala. Questa tesi si concentra principalmente sul design e sul testing di due diverse reti Artificial Neural networks (ANN): multilayer perceptron (MLP) e Long Short-Term Memory (LSTM). MLP è la rete ANN più ampiamente usata con la sua struttura fondante che permette di creare un vastissimo numero di algoritmi con vari iper-parametri e proprietà. Dall’altro canto, LSTM è il più famoso tipo di Recurrent Neural Network (RNN) che permette di trattare dati sequenziali, il che lo rende un candidato ideale per sistemi di monitoraggio strutturale. Il training delle architetture ML è stato eseguito tramite il dataset del solo primo volo. Il testing è stato invece condotto sia sul primo che sul secondo volo, a due diverse frequenze, 1 Hz e 20 Hz. Sono stati considerati due diverse configurazioni di input; prima sono stati selezionati solo i parametri di volo, come la velocità del vento, il fattore di carico, ecc. e le temperature. Mentre, la seconda volta è stato aggiunto anche un sensore di deformazione. L’output è stato un singolo sensore di deformazione. Infine, sono stati applicati vari criteri statistici per confrontare la performance dei modelli MLP ed LSTM, che hanno mostrato risultati promettenti ed hanno indicato che, sebbene MLP e LSTM abbiano performance simili quando la correlazione tra input e output è alta, l’LSTM ha una performance migliore dell’MPL nel caso di bassa correlazione tra i campioni ed è più robusto.