Generative adversarial networks with Monte Carlo dropout uncertainty quantification for structural health monitoring: Fibre Bragg grating data augmentation comparison in Hawk T1A aircraft

The signal generation capabilities of a novel data augmentation framework are examined in aerospace structures. First, the framework learns class-conditional temporal and spectral characteristics of the measured structural responses. It uses conditional generative adversarial network training and Monte Carlo dropout uncertainty quantification as a Bayesian approximation. This step enables stochastic signal synthesis and uncertainty quantification. Second, the generated responses are rigorously compared against experimental measurements across time, frequency, uncertainty, variability, and feature domains to assess physical realism, statistical consistency, and distributional fidelity. Finally, the synthetic data are evaluated to determine whether they should be incorporated into a supervised damage classification workflow. The framework is validated on the full-scale benchmark dataset from a BAE Systems Hawk T1A aircraft tested at the University of Sheffield's Structural Dynamics Laboratory for Verification and Validation. The test involves acceleration, fibre Bragg grating strain, and nonlinear dynamic response measurements. The results demonstrate that the model accurately captures dominant structural dynamics, it guides on signal use for classification improvement based on uncertainty characteristics, and it provides meaningful uncertainty estimates linked to signal complexity and excitation characteristics. Importantly, the framework offers a realistic generative modelling plan as a robust digital twin component for data-driven structural health monitoring, supporting resilient decision-making for condition assessment in safety-critical aerospace systems.

한 줄 요약

새로운 데이터 증강 프레임워크를 통해 항공 구조 건강 모니터링의 신뢰성을 향상시킨다.

핵심 기여도

조건부 생성 적대 신경망(CGAN)과 Monte Carlo dropout을 활용한 신호 생성 및 불확실성 추정.
시간, 주파수, 불확실성, 변이성, 특징 도메인에서 생성 신호와 실험 측정치의 비교를 통해 물리적 현실성을 평가.
생성된 데이터가 감독 학습 기반 손상 분류 작업에 유용함을 입증.
BAE Systems Hawk T1A 항공기 데이터셋에서 검증.

핵심 아이디어

기존 데이터 증강 방법은 구조적 불확실성과 신호 복잡성을 고려하지 못하는 경우가 많다. 본 연구는 생성 적대 신경망(CGAN)에 Monte Carlo dropout을 결합하여, 신호 생성과 동시에 불확실성 추정을 수행함으로써 신뢰성 있는 데이터 증강을 가능하게 한다. 이는 베이지안 접근법을 근사하는 방식으로, 생성 신호의 신뢰도를 수치적으로 표현할 수 있다. 특히, 생성된 신호가 실제 측정 신호와 일관된 통계적 특성을 가지는지, 그리고 불확실성이 신호 복잡도와 자극 특성에 어떻게 반응하는지를 분석함으로써, 데이터의 신뢰도를 정량적으로 평가한다.

기술적 접근법

**모델**: 조건부 생성 적대 신경망 (CGAN)
**불확실성 추정**: Monte Carlo dropout (100회 반복)
**데이터**: BAE Systems Hawk T1A 항공기의 가속도, 광섬유 브래그 그레이팅(FBG) 변형, 비선형 동적 응답 데이터
**평가 도메인**: 시간, 주파수, 불확실성, 변이성, 특징 도메인
**목표**: 생성 신호의 물리적 현실성, 통계적 일관성, 분포적 정확도 평가

주요 결과

생성 신호는 BAE Systems Hawk T1A 항공기 데이터셋에서 측정된 실제 신호와 유사한 통계적 특성을 보임.
Monte Carlo dropout을 통해 얻은 불확실성 추정치는 신호 복잡도와 자극 특성에 따라 달라짐.
생성 데이터는 감독 학습 기반 손상 분류 성능을 개선하는 데 기여함.
신호의 신뢰도에 따라 분류 작업에 활용 여부를 결정할 수 있음.

의의 및 한계

본 연구는 항공 구조 건강 모니터링 분야에서 생성 모델을 디지털 트윈의 구성 요소로 활용할 수 있음을 보여준다. 특히, Monte Carlo dropout을 통한 불확실성 추정은 데이터 기반 결정의 신뢰도를 높이는 데 기여한다. 그러나 생성 신호의 물리적 현실성은 특정 조건 하에서만 보장되며, 모든 구조적 상태를 포괄적으로 재현하는 데에는 한계가 있다. 또한, 실험 데이터와 생성 데이터 간의 정량적 일치도는 명시되지 않았다.

실용적 활용

본 프레임워크는 항공기 구조 건강 모니터링, 특히 데이터 수집이 어려운 상황에서 생성 데이터를 활용한 모델 학습 및 예측에 적용 가능하다. 광섬유 센서(FBG)와 같은 고정밀 센서와 결합하여 안전-critical 시스템의 상태 평가를 지원할 수 있다.