In aerospace engineering, research of structural health monitoring (SHM) and load monitoring have been conducted to maintain the structural state as normal. However, previous studies have been conducted as a laboratory-scale experiment that do not consider the flight condition, or the focus of the studies were on the construction of a measurement system. Therefore, research is needed to predict the load and structural conditions in consideration of the flight environment. This study suggests in-flight load and structural state monitoring system using strain data during flight and machine learning. Flight parameters and strain data were acquired during flight test of a composite aircraft with built-in FBG sensor system, and data preprocessing was performed for model training. In addition, the aircraft maneuver state was predicted using flight parameters and used for load monitoring and damage detection model training. In order to train models suitable for the anomaly detection problems, appropriate evaluation metrics and model selection techniques were used, and the utility of PCA dimensionality reduction was shown in terms of both model performance and computational time. Finally, damage was simulated based on finite element analysis and detected using machine learning model. Through this study, the effective way of utilizing machine learning model in the field of aerospace structural health monitoring was suggested, including proposed improvements in terms of sensor systems and learning techniques in the load monitoring and damage detection models.
항공우주 분야에서, 구조물의 상태를 정상 상태로 유지하기 위한 구조물 건전성 모니터링 및 하중 감시 연구가 다양하게 수행되어 왔다. 그러나 기존 연구는 비행 환경을 고려하지 않은 연구실 단위의 실험으로 수행되거나, 측정 시스템의 구축에 초점이 맞춰져 있다. 따라서 비행 환경을 고려하여 하중 및 구조물 상태에 대한 예측을 수행하는 연구가 필요하다. 본 연구에서는 비행 중 취득된 변형률 데이터와 기계 학습을 통한 비행 중 하중 감시 및 구조물 손상 검출 시스템을 제안한다. FBG 센서 시스템이 내장된 복합재 항공기의 비행 시험에서 비행 파라미터와 변형률 데이터를 취득하였으며, 모델 학습을 위한 데이터 전처리를 수행하였다. 또한 비행 파라미터를 통해 항공기 기동 상태를 예측하여 하중 감시 및 손상 감지 모델 학습에 활용하였다. 이상 감지 문제에 적합한 모델을 학습하기 위해 적절한 평가 지표와 모델 선택 기법을 활용하였으며, 모델 성능과 연산 시간 측면에서 PCA 차원 축소가 가지는 효용성을 보였다. 마지막으로 유한요소 해석을 기반으로 손상을 모사하고 기계 학습 모델을 통해 검출하였다. 본 연구를 통해 하중 감시와 손상 검출 모델에서 센서 시스템 및 학습 기법 측면의 개선점을 제안하여 항공우주 구조물 건전성 모니터링 분야에서 기계 학습을 효과적으로 활용하는 방안을 제시하였다.
