人工智能技术在航空发动机孔探检测中的应用进展

孔探是当前航空发动机检修过程中应用最多的无损检测方法,也是孔探图像的唯一获取途径。近年来,深度学习等人工智能方法开始被应用到航空发动机损伤分类、检测中,为实现航空发动机检修智能化提出了一些现行有效的方法,具有重要的工业应用价值。本文概述了航空发动机孔探检测的发展和优缺点,综述了专家系统和机器学习人工智能方法在发动机孔探图像方面的应用进展,总结了基于孔探图像实现航空发动机孔探检测智能化面临的一些挑战。     

基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明:优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。     

航空发动机内部损伤的三维测量与重建

针对航空发动机内部重要部件结构损伤 ,如燃烧室烧伤和腐蚀、叶片裂纹、碰磨及凹坑等的孔探检测问题 ,开发了发动机内部损伤的三维测量与重建系统。该系统利用日本OLYMPUS孔探仪作为系统硬件 ,实现了图像采集、摄像机标定、图像预处理、立体匹配、三维计算及重建等功能模块 ,该系统能够为详细观察和评价发动机内部损伤提供了更为准确和直观的依据。应用实例验证了方法的有效性     

图像处理技术在航空发动机孔探检测结果判定中的应用初探

孔探检测是航空发动机检修与维护中一种性能优良的新型检测技术,能为飞机运行的安全提供后期保障。为了进一步提高对检测结果判定的准确性,利用基于Matlab软件的图像处理技术对孔探图像进行处理,在对发动机导向叶片烧蚀孔探图像的应用中发现,孔探图像经灰度化、中值滤波和增强对比度处理,尤其是局部增强对比度处理后,烧蚀区域与未烧蚀区域的界限变得更为清晰。     

航空发动机叶片损伤自动测量方法研究

基于内窥镜的视觉检测技术在现代航空发动机故障诊断中发挥着重要的作用。针对航空发动机叶片的典型损伤,提出了一种基于三次样条插值的自动测量方法。对损伤叶片进行图像预处理并提取叶片轮廓,利用三次样条函数进行插值计算,通过对一次导数和二次导数的分析得到损伤尺寸。结合故障诊断方法,开发了航空发动机智能诊断专家系统。通过实验对比,证明了方法的有效性和正确性。     

航空发动机损伤叶片再制造修复方法与实现

航空发动机叶片长期工作在高温、高压和高速的环境下,极易出现损伤。但是,损伤叶片的再制造修复技术一直被国外垄断,国内航空公司不得不花费大量的资金和时间将受损叶片送往国外维修。针对此问题,提出一种航空发动机损伤叶片再制造修复方法。首先,对损伤叶片进行失效特征分析,评价修复可行性;其次,获取并处理叶片点云数据,提取叶片截面的边界曲线,重建叶片数字化模型,通过布尔运算得到加工目标模型;再次,采用激光熔覆和自适应加工方法,对损伤叶片进行再制造修复;最后,分别对叶片三维数字化模型与实物进行精度检测和误差分析。结果表明,利用该方法建立的叶片数字化模型具有较好的精度和光顺性,再制造修复误差满足发动机维修手册的要求。     

航空发动机孔探辅助工具设计与应用

某型航空发动机涡轮叶片在台架试车过程中出现断裂故障,为排除故障,需检查涡轮转子叶片活动量。本研究通过对发动机孔探位置及路径的分析,设计研制了孔探辅助装置,并在发动机周期性维护中验证有效。应用该孔探辅助工具,高涡转子叶片的故障点可得到有效验证。     

基于改进YOLOv4的航空发动机小目标损伤检测研究

智能化的航空发动机损伤检测是飞机故障诊断重要的研究方向,针对现有目标检测模型对航空发动机的小目标损伤检测效果差的问题,提出了一种改进的基于You Only Look Once version 4(YOLOv4)的多尺度目标检测方法。在路径聚合网络（PANet）中构建低层次的特征融合层,将更浅层的特征与深层特征融合,提高网络对小目标损伤的检测性能。为减少网络中的冗余参数,在颈部结构中引入了深度可分离卷积,将标准卷积重构为深度可分离卷积的形式。实验表明：改进后的YOLOv4对小目标损伤的检测精度提升了3.43%,模型大小降低了54.06 MB,同时检测速度提高了31.03%。研究结果表明改进的YOLOv4模型对小目标损伤具有更好的检测性能。     

基于CBVCT图像序列的空心涡轮叶片壁厚检测技术

航空发动机空心涡轮叶片的壁厚是保证叶片强度的一个关键参数。本文给出一种基于叶片锥束体积CT图像序列和叶片CAD模型的叶片壁厚检测方法。通过从叶片CAD模型导出的壁厚检测模板与从叶片CBVCT图像序列提取的点云模型之间的求交运算,自动生成叶片指定截面上的壁厚偏差。相关算法由VC++编程实现,并用仿真生成的叶片CB-VCT图像序列进行验证。     

孔探技术及其在航空发动机维修中的应用

内窥探伤技术(孔探技术)是无损检测技术的重要手段,已普遍应用于航空发动机的维修。本文叙述了孔探伤技术的基本原理及其发展历程,以及孔探技术在航空发动机维护中的应用;介绍了新型孔探技术及其应用以及孔探技术未来的发展趋势。     

基于CenterNet 的航空遥感图像目标检测

为实现高精度的航空图像目标检测，将Anchor free 的目标检测算法CenterNet 应用到检测中，同时 使用Resnet50 主干网络，并引入CIoU 损失替代原有损失函数对网络模型做出了改进。改进后的算法在RSOD 与DIOR 数据集上进行测试，结果显示在保证网络轻量化的前提下检测精度有明显的提高，证明了算法在航空 目标检测方面的可行性与准确性。     

基于规则的航空发动机孔探图像诊断方法研究

针对军用航空发动机内部损伤频率高、诊断决策时间长的问题,运用基于规则的推理方法,结合案例推理,进行了航空发动机内部损伤维修决策的专家诊断研究,开发了基于孔探图像的航空发动机内部损伤维修决策专家系统。依据领域专家的经验,通过分析得到了对该型发动机的专家知识,并将其转换为if-then的知识规则存放于知识库中;利用图像处理方法,对损伤进行测量,得到损伤的尺寸参数;根据损伤尺寸,依据相应的知识规则,应用正向推理得到损伤的维修决策。运用多个航空发动机内部损伤实例验证了所开发的专家系统的有效性。     

航空发动机孔探中立体视觉技术研究

介绍了基于立体视觉的发动机孔探技术，建立了平行光轴双目机器视觉模型并采用MATLAB语言实现了摄像机标定，通过图像分析提取出发动机损伤的有效区域，并且运用双目匹配的方法计算出区域的面积及特征点的空间坐标，实现了航空发动机缺陷的定量测量。     

改进的Kohonen 网络在航空发动机分类故障 诊断中的应用

针对传统Kohonen网络对未知样本识别时的不可辨识性和分类结果不惟一性问题,利用改进的Kohonen网络对航空发动机进行分类故障诊断,并利用混合粒子群优化算法对网络连接权值进行优化,以提高Kohonen网络在分类故障诊断中的通用性和容错能力。对GE90发动机的孔探图像纹理特征识别进行对比。结果表明:改进的Kohonen网络在分类故障诊断中有较强的实用性,分类准确率高于常用神经网络模型和支持向量机的。     

带冠预扭涡轮叶片模态分析及动应力测试验证

介绍了航空发动机带冠预扭涡轮叶片非线性接触预应力模态分析机理,并以ANSYS软件为平台,对某型涡轴发动机动力涡轮叶片进行了模态分析。结果表明：非线性接触预应力模态分析方法得到的叶片盘9～13节径1阶频率与动应力测试频率在变化规律上保持一致,差别基本稳定在12%～13%,计算精度较传统方法有了明显的提高。     

数字图像处理在发动机孔探技术中的应用

孔探技术在航空发动机故障检测中有着重要的作用,而作为孔探技术的前续部分数字图像处理是基础.简单介绍了孔探技术的基本原理,并集中阐述了数字图像处理在孔探技术中的应用,叙述了有关立体视觉的立体匹配原理.     

航空叶片型面三坐标检测技术现状及发展趋势

航空叶片的表面质量和型面精度直接影响航空发动机的气动性和使用性能,其型面的科学检测是保证航空叶片制造精度的重要技术之一。针对目前我国航空发动机叶片测量技术、仪器装备与国外先进水平存在差距的现状,通过对航空叶片型面三坐标检测技术研究现状及发展趋势进行归纳梳理,为叶片型面检测技术和相关仪器的开发提供参考。首先,阐述航空叶片检测的必要性并介绍叶片检测技术存在的一系列技术难点。然后,分析了叶片三坐标测量技术及设备的技术现状,并重点介绍了叶片型面三坐标检测过程中涉及的关键技术及其研究进展。最后,根据航空发动机叶片三坐标检测技术的现状及技术关键指出未来的发展趋势。     

基于ResNet-LSTM的航空发动机性能异常检测方法

为了实现数据驱动的航空发动机性能异常的智能检测,提出了一种基于残差网络（ResNet）-长短期记忆网络（LSTM）的发动机性能异常检测方法。采用发动机性能数据图像化方法,在数据降维的同时,完备保留数据的关联特征和时序特征;以残差单元构建发动机性能异常检测模型,在加深网络结构的同时,消除深层网络梯度消失问题,提高发动机性能图像空间关联特征的提取能力。同时,引入LSTM,提出基于ResNet-LSTM的发动机性能异常检测模型,通过ResNet与LSTM的融合,强化异常检测模型对时序特征的提取,提升发动机性能异常检测的准确率;通过发动机运行数据进行验证。结果表明：在训练集上,该方法的异常检测准确率为94.95%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高10.87%、8.00%、3.23%;在测试集上,该方法的异常检测准确率为92.15%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高11.81%、9.45%、3.78%。     

基于模糊信息粒化和优化SVM的航空发动机性能趋势预测

提出采用模糊信息粒化(FIG)和优化的支持向量机(SVM)来预测航空发动机参数的变化趋势和变化空间。利用模糊信息粒化方法对性能参数进行粒化处理。以K CV验证误差最小作为优化目标,采用遗传算法(GA)实现支持向量机惩罚参数和核函数参数的自适应优化选择；训练SVM模型并进行并对模糊粒子非线性预测。利用某航空公司的某型航空发动机性能参数监测数据进行验证,结果表明:该算法可以有效实现航空发动机性能参数变化趋势和变化空间预测。在实例基础上分析了窗口大小对算法预测精度的影响以及算法多步预测的效果,得出算法最佳窗口大小为3个数据且算法3步以内预测误差小于10%。      

地基观测红外目标二维经验模式分解检测方法及应用

针对复杂条件下的地基观测红外图像目标检测问题,引入二维经验模式分解(BEMD)方法对复杂条件下的目标红外实测图像进行了处理分析:首先对目标观测原始红外图像进行中值滤波,对原始红外图像进行噪声抑制预处理;然后利用BEMD算法对预处理后红外图像进行自适应分解,获得按频段分布的二维基本模式分量与残余图像,并对分解后的红外图像进行有效重构,获取处理后的红外目标图像;最后利用点锐度方法定量评估目标红外图像处理效果,并与原始红外图像进行比对分析。基于实测红外图像处理结果表明,BEMD方法有效抑制了云层背景杂波噪声,且有效检测出清晰的红外目标,处理后的红外图像清晰度较原始红外图像显著提高。