使用人工学习在航空航天工业中早期检测装配缺陷类型

《Engineering Science and Technology, an International Journal》：Early detection of assembly defect type in the aerospace industry using artificial learning

　　

研究人员对不同基于人工智能的学习架构进行了比较性能分析，用于基于时间序列的航空装配线缺陷类型预测。六种不同模型——NAR（非线性自回归网络）、MLP（多层感知机）、ANFIS（自适应神经模糊推理系统）、LSTM（长短期记忆网络）、GRU（门控循环单元）和CNN-RNN（卷积神经网络-循环神经网络）——在相同实验条件下使用从真实工业环境中获取的数据集进行了评估，该数据集包含45,654小时的观测数据。性能分析使用MAE（平均绝对误差）、MAPE（平均绝对百分比误差）、MSE（均方误差）、RMSE（均方根误差）和R²（决定系数）指标。研究通过考虑计算时间来检验精度-复杂度平衡。为防止时间数据泄露，研究人员应用了基于扩展窗口的5折时间序列交叉验证，并检验了结果的统计一致性。研究结果表明，GRU模型在误差最小化和解释力（R² ≈ 0.995）方面表现出最高性能。误差分布评估确认了模型的稳定性。本研究为安全关键的航空航天制造环境中的早期缺陷预测提供了一种数据驱动的决策支持方法，并通过工业规模和多架构比较分析对文献做出了贡献。

## 论文解读：基于人工学习的航空航天装配线缺陷类型早期检测

### 研究背景与问题
在航空航天工业中，装配线缺陷的早期检测对生产安全和经济性至关重要。当前研究多集中于机器或设备级别的故障诊断，而对装配线上多种缺陷类型的时间序列建模缺乏系统性比较。现有方法常忽略时间序列数据的时序依赖性，导致数据泄露问题；此外，多数研究仅使用单一算法进行评估，未在相同条件下对比不同架构的精度与计算复杂度。为填补这一空白，研究人员旨在评估六种基于人工智能（Artificial Intelligence, AI）的学习架构在航空装配线缺陷类型预测中的性能，探索精度-复杂度平衡，并提供工业级的数据驱动决策支持。该论文发表在《Engineering Science and Technology, an International Journal》。

### 研究方法与技术
研究人员从土耳其航空航天工业公司（Turkish Aerospace Industries Inc., TAI）的实际装配线获取45,654小时的缺陷类型记录（代码0表示无缺陷，1为重大缺陷，2为电子缺陷，3为轻微缺陷），构建单变量时间序列。通过自相关函数（Autocorrelation Function, ACF）和偏自相关函数（Partial Autocorrelation Function, PACF）确定序列为1阶自回归（Autoregressive, AR）过程，并验证其平稳性。主要技术方法包括：六种AI模型的构建与超参数优化——非线性自回归网络（Nonlinear Autoregressive Networks, NAR）、长短期记忆网络（LSTM）、多层感知机（MLP）、自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System, ANFIS）、门控循环单元（Gated Recurrent Unit, GRU）和卷积神经网络-循环神经网络（CNN-RNN）混合模型；性能评估使用MAE（平均绝对误差）、MAPE（平均绝对百分比误差）、MSE（均方误差）、RMSE（均方根误差）和R²（决定系数）；为防止时序数据泄露，采用基于扩展窗口的5折时间序列交叉验证；同时进行残差分析、方差分析、误差直方图及计算时间评估。

### 研究结果
#### 4.1 性能指标（Performance Metrics）
通过训练误差收敛曲线和误差指标表对比，GRU模型在测试集上达到最低MSE（0.045单位²）和RMSE（0.2118单位），以及最高R²（0.995），表明其预测误差最小且解释能力最强。LSTM次之，而CNN-RNN和MLP误差较高。计算时间方面，NAR最快（5.164秒），而LSTM（1760.274秒）和GRU（1616.98秒）因循环结构耗时较长。扩展窗口5折交叉验证中，GRU在所有折中RMSE范围（0.212–0.218）和R²范围（0.996–0.999）表现一致，标准差（σ≈0.02–0.04）小，验证了其时间泛化能力和稳定性。

#### 4.2 预测数据（Predicted Data）
对比测试集上（第36,524至45,654小时）的预测曲线，GRU（黑色拟合线）与真实数据（Exp. TYPE）的贴合度最佳，而LSTM和CNN-RNN在边缘点出现尖峰，ANFIS和NAR存在波动，MLP偏离较大。

#### 4.3 残差分析（Residual Analysis）
残差分布显示GRU和NAR的残差集中在零附近，分布对称，表明误差随机且无系统偏差；LSTM和MLP的残差分散，表明稳定性较差；CNN-RNN存在离群点。

#### 4.4 方差分析（Variance Analysis）
残差与预测值的散点图显示GRU和LSTM的分布近似平行线，表明同方差性（Homoscedasticity）；其他模型呈现异方差分布，表明预测误差随值变化而波动。

#### 4.5 误差直方图（Error Histograms）
误差直方图结合正态分布曲线，GRU和LSTM的直方图接近正态分布，均值接近零，峰度集中，表明高精度和低偏差；ANFIS和NAR偏离正态，分布较宽，暗示系统偏差；CNN-RNN和MLP具有中等尖峰但仍存在极端值影响。

#### 4.6 讨论（Discussion）
研究人员将结果与文献的基准模型（如决策树、支持向量回归等）对比，发现所提模型在RMSE和MAPE方面表现更优。GRU在缺陷类型预测上误差最低且稳定性强，而LSTM也具有竞争力。循环架构（GRU、LSTM、NAR）得益于捕捉时序依赖性，CNN部分检测局部模式，但深度模型（如CNN-RNN）计算成本高，不适用于实时部署。研究指出，精度-复杂度平衡对安全关键环境至关重要，GRU是兼顾预测效果和计算可行性的优选方案。

### 总结与结论翻译
讨论部分总结：模型选择和超参数配置影响性能；通过监控收敛曲线和交叉验证可防止过拟合；闭闭环多步预测更贴近工业场景；数据特性（如缺失值）和计算成本是限制因素；未来可考虑多变量融合、Transformer架构、边缘部署和可解释AI。

研究结论部分翻译如下：在本研究中，对用于航空装配线缺陷类型预测的六种不同基于人工智能的学习架构进行了比较分析，并使用真实工业数据进行了全面性能评估。数据集为每小时间隔采集的45,654个时间序列点。除数值指标外，研究人员还使用图形化多准则分析评估了精度-复杂度平衡。应用基于扩展窗口的交叉验证以防止时间数据泄露。本研究主要贡献可概括如下：
- 在相同条件下系统比较了六种架构。GRU是精度-复杂度平衡的最佳选择，而NAR或MLP等模型可用于低计算时间应用。基于扩展窗口的时间序列交叉验证结果表明，模型在不同时间块上表现出稳定且泛化的学习行为。
- 深度和混合AI架构能够有效建模和预测工业制造环境中的复杂故障模式。
- 使用真实航空装配线数据进行了工业规模建模和验证，为安全关键生产环境中的预测性质量控制与维护提供了可行的决策支持框架。
未来研究可聚焦于部署级优化、实时实现、多变量传感器数据集成、可解释人工智能技术的应用，以及使用轻量级架构集成到实时边缘系统中。