破解小孔背后卡脖子难题 —河北科技大学“航预智延” 团队以可解释 AI 实现航空疲劳寿命精准预测

航空装备承力结构上的连接孔，是疲劳裂纹高发的薄弱部位，孔强化工艺直接决定整机服役寿命与飞行安全。针对国内航空开缝衬套冷挤压强化领域技术依赖国外、工艺机理不清、寿命难以量化评估的行业困境，河北科技大学 “航预智延” 创新团队另辟蹊径，融合物理仿真、疲劳试验与可解释机器学习，攻克航空结构孔疲劳寿命预测与工艺智能优化关键技术，为国产航空装备提供一套自主可控的可靠性解决方案。

开缝衬套冷挤压是当前提升航空结构孔抗疲劳性能的核心工艺，国外企业牢牢掌握工艺设计规范与核心机理。国内企业大多直接沿用国外成熟标准，面对国产新型材料、公制化新型结构，经常出现适配性不足的问题。传统研发模式需要开展大批量疲劳试样试验，研发周期漫长，人力物力消耗巨大；普通人工智能预测模型又存在黑箱缺陷，工程师无法理解模型输出结果，很难直接应用于航空高可靠场景。

团队创新搭建物理增强的小样本机器学习预测框架，融合 ABAQUS 有限元仿真仿真输出的残余应力数据与物理疲劳试验实测数据构建混合数据集，训练 GPR 高斯过程回归代理模型，搭建 “预测‑筛选‑验证‑回填” 迭代优化闭环。在有限实验样本条件下，就可以快速完成多维工艺参数空间寻优，锁定挤压量、铰削量、孔径、板厚等最优工艺窗口。

为打破 AI 黑箱瓶颈，项目引入 SHAP 可解释性分析方法，定量解析挤压量、峰值应力等关键参数对于疲劳寿命的贡献占比，把算法输出结果和材料疲劳物理机理相互印证。“过去 AI 只能告诉我们哪个参数更好，现在我们能清楚知道为什么更好，这对于航空工程应用至关重要。” 团队算法方向成员杨家兴说道。

经第三方 CNAS 机构检测，7050 铝合金、TC4 钛合金试样经过最优工艺强化后，疲劳寿命实现数倍提升，模型预测误差稳定控制在 12% 以内。项目已形成完整知识产权布局，多篇研究成果发表于 SCI 学术期刊。

目前，相关技术已经完成企业工程验证。下一步，团队将进一步融合物理信息神经网络 PINN 技术，扩充多材料、多工况工艺数据库，开发标准化智能软件平台。该技术不仅服务航空制造与维修领域，还可向航天、轨道交通、船舶等高端装备行业迁移，助力我国高端装备可靠性技术自主自强。

（免责声明：此文内容为本网站刊发或转载企业宣传资讯，仅代表作者个人观点，与本网无关。仅供读者参考，并请自行核实相关内容。）