基于深度学习的航空发动机磨损部位识别方法

作者： 苗慧慧   曹桂松   孙智君   康玉祥   马佳丽   陈果   来源： 润滑与密封 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   一维卷积残差网络   能谱分析   深度学习   磨损  

描述： 针对航空发动机润滑系统中摩擦副部件复杂、磨损颗粒能谱监测元素众多，靠人工经验难于进行磨损部位精确识别的问题，提出一种基于深度学习的航空发动机润滑系统磨损部位识别方法。该方法应用一维卷积核为计算单元，搭建一维卷积残差网络模型。以航空发动机润滑油中磨损颗粒能谱分析数据为输入，采用所搭建的一维卷积残差网络模型实现对能谱数据的特征提取以及航空发动机磨损部位的定位识别；以某型航空发动机润滑油中磨损颗粒实测能谱数据验证该方法的有效性，并和Resnet18、Resnet34、CNN等网络模型进行对比验证。结果表明，所提方法对航空发动机磨损部位的识别精度达到95%以上。为了验证模型的鲁棒性和泛化能力，在真实的某型航空发动机能谱数据基础上，对含氧数据和噪声数据分别进行测试，进一步说明该模型用于对磨损定位识别的有效性，具备实际应用的可行性。

航空装配领域中命名实体识别的持续学习框架

作者： 刘沛丰   钱璐   赵兴炜   陶波   来源： 浙江大学学报(工学版) 年份： 2023 文献类型 ： 期刊 关键词： 航空装配   深度学习   智能制造   命名实体识别   持续学习  

描述： 框架在正确率、召回率、F1值上均显著优于以往算法，所提框架可以为航空装配领域命名实体识别任务持续提供可信的结果.

高分辨率航空遥感图像的建筑物识别

作者： 王玉琴   尤静静   蔡世鑫   来源： 北京测绘 年份： 2023 文献类型 ： 期刊 关键词： 遥感图像   RCNN)模型   快速区域卷积神经网络(Faster   建筑物识别   深度学习  

描述： 目前深度学习方法的研究已在语音辨别、图像识别、信息检索等方面取得较大成果。建筑物的自动检测与识别已成为遥感图像处理范畴研究的热点。针对高分辨率航空遥感影像中的建筑物快速、精准识别的应用问题，文章提出利用深度学习方法中的快速区域卷积神经网络(Faster RCNN)模型对航空遥感图像进行建筑物识别，经验证，利用Faster RCNN模型对航空遥感图像进行建筑物识别其结果可达93.7%的精准率，平均每张图像识别时间为74 ms,证明了Faster RCNN模型应用于航空遥感图像建筑物识别中的有效性及高效性。

基于深度学习的航空铆钉分类及异常情况检测

作者： 夏正洪   何琥   吴建军   魏汝祥   来源： 中国安全生产科学技术 年份： 2023 文献类型 ： 期刊 关键词： 召回率   精确率   深度学习   目标检测   航空铆钉  

描述： 针对航空铆钉小目标检测准确率较低、速率较慢等问题，提出1种基于深度学习的航空铆钉分类及异常情况检测方法。首先，根据钉头外观对航空铆钉进行分类，制作航空铆钉数据集；然后，构建航空铆钉分类及异常情况检测

航空发动机状态监控和预测性维护应用研究

作者： 廖鹏程   李昂   王骁   来源： 测控技术 年份： 2023 文献类型 ： 期刊 关键词： 特征提取   深度学习   健康管理   剩余寿命预测   故障预测  

描述： 为了深化飞参数据的应用价值，通过研究发动机转动件故障预测、剩余寿命预测以及气路健康等，为发动机保障决策和预测性维护提供参考。采用经验模态分解(EMD)结合相对向量机(RVM)、灰度模型(GM)用于发动机转动件、气路监测的状态监控和故障预测，选取波音某型飞机故障数据验证了模型的准确性，平均绝对百分比误差(MAPE)能达到8.46%;采用卡尔曼滤波(KF)结合梯度提升决策树(GBDT)的方法对数据进行降噪并预测剩余寿命，通过美国国家航空航天局(NASA)的航空发动机仿真数据集验证了模型能达到91.3%的准确率；采用核主成分分析(KPCA)结合深度置信网络(DBN)的方法建立发动机气路健康监控模型，经过大量QAR数据验证和测试，预测相对误差为0.43%。针对基于数据挖掘的航空发动机故障诊断算法开展研究，设计了相应的算法，开展了实验验证，通过有效的数据预处理和模型参数调节，使得故障诊断性能达到较高水准，为航空发动机的预测性维护提供了重要参考。

基于深度学习的航空发动机磨损部位识别方法

作者： 苗慧慧   曹桂松   孙智君   康玉祥   马佳丽   陈果   来源： 润滑与密封 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   一维卷积残差网络   能谱分析   深度学习   磨损  

描述： 针对航空发动机润滑系统中摩擦副部件复杂、磨损颗粒能谱监测元素众多，靠人工经验难于进行磨损部位精确识别的问题，提出一种基于深度学习的航空发动机润滑系统磨损部位识别方法。该方法应用一维卷积核为计算单元，搭建一维卷积残差网络模型。以航空发动机润滑油中磨损颗粒能谱分析数据为输入，采用所搭建的一维卷积残差网络模型实现对能谱数据的特征提取以及航空发动机磨损部位的定位识别；以某型航空发动机润滑油中磨损颗粒实测能谱数据验证该方法的有效性，并和Resnet18、Resnet34、CNN等网络模型进行对比验证。结果表明，所提方法对航空发动机磨损部位的识别精度达到95%以上。为了验证模型的鲁棒性和泛化能力，在真实的某型航空发动机能谱数据基础上，对含氧数据和噪声数据分别进行测试，进一步说明该模型用于对磨损定位识别的有效性，具备实际应用的可行性。

融合注意力和多尺度特征的航空发动机缺陷检测

作者： 赵崇林   朱江   胡永进   李祖泽   王鹏举   谢涛   来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制   航空发动机   YOLOv5   深度学习   缺陷检测  

描述： 航空发动机的结构完整性关乎飞行安全。目前基于孔探技术的航空发动机缺陷检测以人工操作为主。为提高检测精度和效率，提出了一种融合注意力和多尺度特征的航空发动机缺陷智能检测算法，以辅助孔探工作。首先，针对原始孔探图像中缺陷样本的类别不平衡问题，采用了一种基于几何变换和泊松图像编辑的多样本融合数据增强方法，丰富小样本图像并构建缺陷数据集。然后，在基准网络YOLOv5中融入协调注意力模块(CA)，以强调缺陷特征的提取，增强网络对缺陷目标和复杂背景的区分。在颈部网络中构建加权双向特征金字塔结构(BiFPN)，以完成更高层次的特征融合，提升对多尺度目标的表达能力。最后，将边界框回归损失函数定义为EIOU损失，实现对缺陷目标快速、准确地定位和识别。实验结果表明，本文算法检测缺陷的平均精确度达到了89.7％，较基准网络提升了6.3％，训练后的模型大小仅为14.0M。因此，所提方法可以有效地检测航空发动机的主要缺陷。

民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅱ：地面综合诊断、寿命管理和智能维护维修决策

作者： 曹明   王鹏   左洪福   曾海军   孙见忠   杨卫东   魏芳   陈雪峰   来源： 航空学报 年份： 2023 文献类型 ： 期刊 关键词： 故障融合决策   数字孪生   航空发动机健康管理系统   深度学习   智能视情维护维修   知识图谱   寿命管理  

描述： 基于民用航空发动机健康管理（EHM）的需求及发展目标，从CBM+全流程的角度分析民用航空发动机健康管理系统应用现状及行业发展趋势，进而总结民用航空发动机健康管理的应用现状及差距、挑战，并指出未来国内需要重点关注的民用发动机EHM研发方向。针对各个EHM功能模块的需求、差距、解决方案进行了深入论证分析，重点讨论了民用发动机EHM“下游”3个模块：地面综合诊断、寿命管理和智能视情维护维修决策的需求、必要性、现状及未来发展趋势和热点技术。

不确定环境下的航空发动机装配线适应性调度方法

作者： 王怡琳   刘鹃   乔非   张家谔   来源： 控制与决策 年份： 2023 文献类型 ： 期刊 关键词： 调度规则   航空发动机装配   适应性调度   深度学习   扰动识别   门控循环神经网络  

描述： 航空发动机装配是航空发动机制造过程的关键环节，其工序多，流程复杂，生产过程中扰动频发，如装配时间波动、不合格返工等。针对不确定环境下的航空发动机装配线的调度问题，本文提出一种基于门控循环神经网络（Gate Recurrent Unit, GRU）的适应性调度方法。该调度方法包含扰动识别和调度规则调整两个部分。扰动识别模块以滑动时间窗口为周期，利用GRU神经网络进行渐进型扰动的识别；调度规则调整模块以扰动识别的结果为触发，通过构建基于GRU神经网络的调度规则决策模型，输出适配当前生产状态的新的调度规则，用以指导生成更新的调度方案。最后，以某航空发动机装配线为研究案例，对本文提出的适应性调度方法进行验证分析，对比实验结果表明，本方法能够有效提升装配线的设备利用率、日均生产率等性能.

基于深度学习的航空发动机涡轮叶片自动射线检测技术研究

作者： 王栋欢   肖洪   吴丁毅   来源： 推进技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   涡轮叶片   射线图像   深度学习   射线检测   缺陷检测  

描述： 一直以来，航空发动机涡轮叶片的射线检测依靠检验员人工评片。为避免经验差异、眼睛疲劳、标准理解等人为因素影响，有效改善传统射线检测费时费力、效率低下等问题，针对航空发动机涡轮叶片射线图像，基于YOLOv4模型提出了一种双主干特征融合的缺陷自动检测算法（DBFF-YOLOv4）；通过设计包含所有特征映射的新型连接结构搭建缺陷检测颈部网络，建立了适用于涡轮叶片射线图像的缺陷自动检测模型；针对每个缺陷，采用9次裁剪、旋转和亮度增减的图像数据增强方法扩充样本数据，在此基础上进行了模型训练与测试。结果表明，针对完整涡轮叶片，建立的缺陷检测模型在0.5的置信度阈值下可获得96.7%的平均查准率和91.87%的平均查全率，优于通用目标检测算法YOLOv4模型。9次缺陷裁剪、旋转和亮度增减的图像数据增强方法能够显著提高模型的缺陷检测精度（平均精度分别得到了59.19%和2.53%的提升）。该研究为涡轮叶片自动射线检测提供了一种新方法。