基于SW/YOLO模型的航空发动机叶片损伤实时检测

作者： 何宇豪   曹学国   刘信良   蒋浩坤   王静秋   来源： 推进技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   实时检测   叶片损伤   深度学习   目标检测   孔探检测  

描述： 孔探检测技术是航空发动机叶片损伤检测的主要手段，但目前依赖人工操作，耗时耗力。本文提出了一个孔探视频检测的SW/YOLO模型，该模型包括输入端、主干网络、颈部网络、头部网络4个模块。首先，在主干网络加入了空间通道注意力模块（Spatial Channel / Convolutional Block Attention Module，SC/CBAM），有效避免位置信息丢失，提高目标边界回归能力，相较于YOLOv5，其平均精度均值mAP@0.5提高了5.4%。其次，在颈部网络对特征金字塔网络（Feature Pyramid Network，FPN）进行了改进，通过融合低层特征，扩大了模型感受野，有利于较小损伤区域的检测，如烧蚀损伤，平均精度提高了8.1%。最后，通过与YOLOv5，Faster R/CNN，SSD模型的对比实验，结果表明SW/YOLO模型的平均精度均值分别提高了7%，6.2%，6.3%，检测速度满足实时检测需求，有利于提高航空发动机孔探检测的自动化和智能化水平。

基于SW-YOLO模型的航空发动机叶片损伤实时检测

作者： 何宇豪     曹学国     刘信良     蒋浩坤     王静秋   来源： 推进技术 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机   实时检测   叶片损伤   深度学习   目标检测   孔探检测  

描述： 孔探检测技术是航空发动机叶片损伤检测的主要手段，但目前依赖人工操作，耗时耗力。本文提出了一个孔探视频检测的SW-YOLO模型，该模型包括输入端、主干网络、颈部网络、头部网络4个模块。首先，在主干网络加入了空间通道注意力模块（Spatial Channel-Convolutional Block Attention Module,SC-CBAM），有效避免位置信息丢失，提高目标边界回归能力，相较于YOLOv5，其平均精度均值■@0.5提高了5.4%。其次，在颈部网络对特征金字塔网络（Feature Pyramid Network,FPN）进行了改进，通过融合低层特征，扩大了模型感受野，有利于较小损伤区域的检测，如烧蚀损伤，平均精度提高了8.1%。最后，通过与YOLOv5,Faster R-CNN,SSD模型的对比实验，结果表明SW-YOLO模型的平均精度均值分别提高了7%,6.2%,6.3%，检测速度满足实时检测需求，有利于提高航空发动机孔探检测的自动化和智能化水平。

基于堆栈自编码器和DeepAR的航空发动机剩余寿命预测

作者： 李浩   王卓健   李哲   陈煊   李园   来源： 推进技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   寿命预测   深度学习   预测模型   数据融合  

描述： 针对现有航空发动机剩余寿命预测大多基于单点预测模式，不能准确给出预测结果置信区间的问题，提出了一种基于堆栈自编码器结合DeepAR模型的概率分布预测模型。首先，堆栈自编码器通过无监督式深度学习对

考虑燃烧室出口温度分布的航空发动机部件级模型

作者： 郑前钢     张宏维     张海波   来源： 推进技术 年份： 2024 文献类型 ： 期刊 关键词： 燃烧室出口温度分布   深度学习   预测模型   全包线   发动机部件级模型  

描述： 燃烧室出口温度分布不均匀会使涡轮叶片受到不均匀的热载荷，严重影响涡轮叶片的工作寿命。本文提出一种具有燃烧室出口温度分布预测功能的部件级模型建模方法，为燃烧室出口温度分布控制研究提供了仿真平台。以变循环发动机为研究对象，根据其设计点参数设计燃烧室三维模型，通过CFD数值模拟的方法，计算得到该燃烧室三维模型在地面不同工作状态下的燃烧室出口温度分布场，组成温度分布场训练数据集。提出基于Inception-反卷积网络的燃烧室出口温度分布场重建方法，基于该方法构建了燃烧室出口温度分布场预测模型。建立了适用于全包线、全状态，可以预测燃烧室出口温度分布场的部件级模型，与传统的部件级模型相比，该模型能够预测发动机在不同工作状态、不同包线点下的燃烧室出口温度分布场。结果表明：Inception-反卷积网络在训练集和测试集上的均方误差比常规反卷积降低11.83%和5.6%，比WGAN-GP降低87%和90%；部件级模型预测温度分布场和CFD仿真温度分布场的温度分布趋势基本一致；所提出的Inception-反卷积网络预测精度高于常规反卷积网络和WGAN-GP网络预测精度，在热斑处温度点误差更小，在亚声速巡航点（H=8 km,Ma=0.7）,（H=8 km,Ma=0.9）和超声速巡航点（H=10 km,Ma=1.4）,（H=10 km,Ma=1.6）时，Inception-反卷积网络预测温度分布场的平均温度误差分别为0.05 K,-1.38 K,-1.54 K和4.44 K，均方误差分别为6.7×10^-4,1.9×10^-4,3.0×10^-4和1.4×10^-3，热斑温度误差分别为-3.91 K,-3.67 K,-5.34 K和0.85 K。

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： %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。

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： %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。

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： 2024 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： %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。