人工智能技術(shù)在航空發(fā)動機(jī)孔探檢測中的應(yīng)用進(jìn)展

航空發(fā)動機(jī)是飛機(jī)飛行的主要動力來源，由于其長期工作在高溫、高壓、高振動的工作環(huán)境中，且高涵道比的渦輪風(fēng)扇發(fā)動機(jī)在飛機(jī)起飛、著陸和地面滑行過程中容易吸入跑道和滑行道附近的石子、飛機(jī)遺落零部件、鳥禽等外來物，因此航空發(fā)動機(jī)很容易發(fā)生故障。嚴(yán)重的發(fā)動機(jī)故障將引起發(fā)動機(jī)喘振或空中停車，對飛行安全帶來極大的威脅。對發(fā)動機(jī)定期檢查或?qū)ν话l(fā)事件后的視情維修可以保證飛機(jī)的持續(xù)適航性，提高飛機(jī)的日利用率，節(jié)約維修成本，增加航空公司的經(jīng)濟(jì)效益。

內(nèi)部部件和結(jié)構(gòu)損傷是航空發(fā)動機(jī)發(fā)生故障的重要原因，發(fā)動機(jī)內(nèi)部損傷通常使用無損探傷方法檢測，常用的無損探傷方法有磁粉檢測、滲透檢測、渦流檢測、超聲檢測、射線檢測以及孔探（內(nèi)窺鏡檢查）?？滋揭蚱淇焖傩院捅憬菪允悄壳昂娇瞻l(fā)動機(jī)檢修中應(yīng)用最廣泛的無損檢測方法，傳統(tǒng)孔探檢查方法對發(fā)動機(jī)內(nèi)部損傷的檢測和判斷主要依靠人工識別，對人員要求高，還存在檢測效率低的缺點(diǎn)。近年來，專家系統(tǒng)和機(jī)器學(xué)習(xí)等人工智能技術(shù)被用于實(shí)現(xiàn)發(fā)動機(jī)內(nèi)窺損傷智能檢測。航空發(fā)動機(jī)孔探技術(shù)現(xiàn)狀1孔探是特殊作業(yè)人員通過操縱置于發(fā)動機(jī)內(nèi)部的內(nèi)窺鏡對發(fā)動機(jī)內(nèi)部的損傷特征進(jìn)行采集，再由人工對采集到的損傷進(jìn)行快速檢測和評估的航空發(fā)動機(jī)無損檢測方法。內(nèi)窺鏡技術(shù)的發(fā)展歷程如圖1所示。圖1內(nèi)窺鏡技術(shù)發(fā)展歷程19世紀(jì)初內(nèi)窺鏡檢測最早應(yīng)用于人類醫(yī)學(xué)領(lǐng)域，20世紀(jì)20年代開發(fā)的軟、硬管式內(nèi)窺鏡首次用于飛機(jī)結(jié)構(gòu)腐蝕的檢查。內(nèi)窺鏡經(jīng)歷了從最初的硬管式內(nèi)窺鏡到軟管式內(nèi)窺鏡，從20世紀(jì)60年代的光纖軟管式內(nèi)窺鏡發(fā)展到20世紀(jì)90年代的電子軟管式內(nèi)窺鏡，克服了硬管內(nèi)窺鏡無法彎曲導(dǎo)致探測距離短和光纖軟管內(nèi)窺鏡光纖容易折斷使圖像出現(xiàn)黑點(diǎn)的缺點(diǎn)，現(xiàn)今的電子內(nèi)窺鏡實(shí)現(xiàn)了孔探圖像和視頻信息的數(shù)字化存儲，對發(fā)動機(jī)損傷的研究可以依托于孔探圖像來實(shí)現(xiàn)。我國在20世紀(jì)70-80年代從國外引進(jìn)了內(nèi)窺鏡產(chǎn)品，主要用于航空航天產(chǎn)品內(nèi)部零部件的質(zhì)量檢查。隨著航空發(fā)動機(jī)孔探檢測技術(shù)的日趨成熟，制造商在發(fā)動機(jī)機(jī)匣核心機(jī)部位預(yù)留了用于內(nèi)窺鏡進(jìn)入發(fā)動機(jī)內(nèi)部進(jìn)行探傷的專門小孔，對航空發(fā)動機(jī)定期孔探檢修已成為航空發(fā)動機(jī)維修中的重要項(xiàng)目，操縱內(nèi)窺鏡對航空發(fā)動機(jī)內(nèi)部進(jìn)行檢查的維修過程也以專業(yè)名詞“孔探”概稱。航空發(fā)動機(jī)孔探可以在不拆解發(fā)動機(jī)的情況下實(shí)現(xiàn)對發(fā)動機(jī)內(nèi)部損傷的在翼診斷，省去了檢查發(fā)動機(jī)內(nèi)部損傷時對發(fā)動機(jī)的繁雜拆解工作，可以減少維修人為差錯的發(fā)生，為維修人員節(jié)省了大量時間，極大提高了工作效率，實(shí)現(xiàn)了安全與效益的相對平衡。然而，依賴人工進(jìn)行損傷判斷的孔探檢查存在數(shù)據(jù)處理能力不足、故障診斷效率不高和智能化程度低的缺點(diǎn)。對發(fā)動機(jī)的損傷評估由檢驗(yàn)員參考飛機(jī)維修手冊憑經(jīng)驗(yàn)進(jìn)行決斷，不同維修人員的主觀經(jīng)驗(yàn)會使檢查結(jié)果呈現(xiàn)差異化，人為因素的引入也將帶來更多的不確定因素。在航空安全的絕對要求下，實(shí)現(xiàn)發(fā)動機(jī)損傷診斷的自動化、智能化勢在必行。

人工智能技術(shù)在發(fā)動機(jī)孔探圖像中的應(yīng)用2人工智能可以被概括為是一種能夠模擬和幫助人類思維、識別復(fù)雜情況、獲取學(xué)習(xí)能力及所需知識，并能解決問題的智能系統(tǒng)。在航空發(fā)動機(jī)孔探檢測中應(yīng)用到的人工智能技術(shù)有專家系統(tǒng)和機(jī)器學(xué)習(xí)方法，專家系統(tǒng)和機(jī)器學(xué)習(xí)方法是兩種不同的人工智能思維，專家系統(tǒng)從人類預(yù)先制定好的規(guī)則中匹配結(jié)果，是一種自主性更低的人工智能；而機(jī)器學(xué)習(xí)方法從已知的數(shù)據(jù)中學(xué)習(xí)規(guī)律，再用學(xué)習(xí)到的規(guī)律來預(yù)測未知的數(shù)據(jù)，是一種自主性更高的人工智能。雖然深度學(xué)習(xí)的本質(zhì)是一種機(jī)器學(xué)習(xí)方法，但深度學(xué)習(xí)利用多層深度神經(jīng)網(wǎng)絡(luò)，算法種類繁多且模型結(jié)構(gòu)更為復(fù)雜，對數(shù)據(jù)的理解更加深入，擁有傳統(tǒng)機(jī)器學(xué)習(xí)方法所不能比擬的優(yōu)越性能和廣泛應(yīng)用場景，因此深度學(xué)習(xí)逐漸發(fā)展成為一個新的研究方向。

孔探診斷專家系統(tǒng)專家系統(tǒng)是智能孔探研究中應(yīng)用最早的人工智能方法，我國對專家系統(tǒng)的研究大約在20世紀(jì)80年代初期，21世紀(jì)初開始被應(yīng)用于航空發(fā)動機(jī)維修領(lǐng)域，主要用于孔探時檢測到發(fā)動機(jī)損傷后的維修決策確定。專家系統(tǒng)是一種“基于模型的暴力法”人工智能思維，應(yīng)用孔探領(lǐng)域的專家知識構(gòu)建一個盡可能全面的知識庫，在解決確定問題時用預(yù)先制定好的規(guī)則窮盡知識庫或案例庫以匹配到合適的維修決策，系統(tǒng)的規(guī)則主要基于對損傷程度的判斷來確定其適用性，專家系統(tǒng)的規(guī)則推理過程如圖2所示。圖2

專家系統(tǒng)規(guī)則推理流程圖開發(fā)了基于規(guī)則的航空發(fā)動機(jī)孔探圖像診斷專家系統(tǒng)，根據(jù)損傷尺寸差異構(gòu)建相應(yīng)的知識庫，用一組具有IF（條件）、THEN（行為）結(jié)構(gòu)的規(guī)則來匹配知識，當(dāng)規(guī)則的條件被滿足時觸發(fā)規(guī)則，繼而依據(jù)規(guī)則匹配到的知識執(zhí)行損傷診斷，并跟據(jù)損傷程度給出相應(yīng)的損傷維修決策，其缺點(diǎn)是基于規(guī)則的專家系統(tǒng)缺乏靈活性，在航空發(fā)動機(jī)孔探檢測中一旦損傷參數(shù)的數(shù)值沒有規(guī)則匹配時，專家系統(tǒng)便無法對損傷做出診斷；徐龍喜等開發(fā)了基于案例推理的遠(yuǎn)程發(fā)動機(jī)孔探評估專家系統(tǒng)，將先前檢測到的發(fā)動機(jī)典型損傷及相應(yīng)的維修決策存儲為案例，通過上傳需要查詢的孔探圖像等信息來檢索相似案例以匹配到相應(yīng)的維修決策?；诎咐膶＜蚁到y(tǒng)需要大量的經(jīng)驗(yàn)知識，并且隨著案例的增加，案例的檢索速度也變得越來越慢，直接影響到專家系統(tǒng)的工作效率。針對上述兩種專家系統(tǒng)的優(yōu)缺點(diǎn)，羅云林等揚(yáng)長避短，結(jié)合兩種專家系統(tǒng)的優(yōu)點(diǎn)，建立了基于規(guī)則推理和基于案例推理的混合專家系統(tǒng)，其原理如圖3所示，系統(tǒng)先對輸入的孔探圖像進(jìn)行規(guī)則推理，若無法在知識庫中找到匹配規(guī)則再轉(zhuǎn)入案例庫推理，直至系統(tǒng)給出故障診斷結(jié)果和維修決策。圖3

混合專家系統(tǒng)原理專家系統(tǒng)存在知識庫數(shù)據(jù)規(guī)模小而規(guī)則庫和實(shí)例庫的增加會使檢索時間增加導(dǎo)致系統(tǒng)效率降低的矛盾，為了精簡規(guī)則，羅云林等在混合專家系統(tǒng)中采用BP神經(jīng)網(wǎng)絡(luò)識別內(nèi)窺故障信息，極大地簡化規(guī)則并減少了規(guī)則數(shù)量；李巖等開發(fā)了基于圖像識別的發(fā)動機(jī)內(nèi)窺智能檢測系統(tǒng)，在使用閾值分割方法對孔探圖片降噪處理后，以損傷面積、損傷周長和圓形度等為特征，將損傷特征用三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，再由專家系統(tǒng)對損傷程度進(jìn)行診斷。針對孔探智能診斷的問題而開發(fā)的專家系統(tǒng)具有暴力法人工智能思維，原則上無法保證覆蓋實(shí)際應(yīng)用中可能遇到的所有場景，而當(dāng)遇到未覆蓋的場景時系統(tǒng)就會功能紊亂。相對發(fā)動機(jī)系統(tǒng)及其運(yùn)行環(huán)境的復(fù)雜性，內(nèi)窺損傷復(fù)雜多樣且類型間特征差異不明顯，簡單的知識規(guī)則和相對較少的知識實(shí)例使專家系統(tǒng)的應(yīng)用受到限制，雖然理論研究已經(jīng)有了一定成果，但開發(fā)的系統(tǒng)多用于演示，遠(yuǎn)達(dá)不到航空安全的嚴(yán)格要求和實(shí)際應(yīng)用水平。隨著人工智能算法和計算機(jī)計算水平的發(fā)展，專家系統(tǒng)的研究熱度逐漸被機(jī)器學(xué)習(xí)取代。機(jī)器學(xué)習(xí)方法與專家系統(tǒng)的暴力法人工智能思維不同，機(jī)器學(xué)習(xí)方法利用計算機(jī)技術(shù)對采集到的數(shù)據(jù)進(jìn)行計算分析，可以自動從被觀測數(shù)據(jù)中學(xué)習(xí)到相應(yīng)的規(guī)律，是一種“基于數(shù)據(jù)擬合的訓(xùn)練法”人工智能思維。基于孔探圖像應(yīng)用的機(jī)器學(xué)習(xí)方法有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）和深度學(xué)習(xí)。傳統(tǒng)機(jī)器學(xué)習(xí)方法如支持向量機(jī)分為特征提取和分類器兩步實(shí)現(xiàn)；神經(jīng)網(wǎng)絡(luò)一步到位，從數(shù)據(jù)中學(xué)習(xí)特征的同時還依據(jù)特征規(guī)律自動分類。

01人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是一類模擬人的大腦神經(jīng)元結(jié)構(gòu)和工作機(jī)理的機(jī)器學(xué)習(xí)方法，雖然人工神經(jīng)網(wǎng)絡(luò)具有多種算法，但算法結(jié)構(gòu)普遍都遵循輸入層、隱藏層和輸出層的三層結(jié)構(gòu)，如圖4所示。人工神經(jīng)網(wǎng)絡(luò)出色的自學(xué)習(xí)能力和自適應(yīng)能力在發(fā)動機(jī)損傷特征提取和損傷分類時表現(xiàn)出了良好的性能。圖4

人工神經(jīng)網(wǎng)絡(luò)的三層結(jié)構(gòu)對孔探圖像分割得到精確的損傷目標(biāo)區(qū)域，是提取發(fā)動機(jī)損傷特征進(jìn)行特征精確分析的基礎(chǔ)。傳統(tǒng)圖像分割方法以閾值分割法和基于邊緣或區(qū)域的分割法為代表。閾值分割法通過人工設(shè)定合適的灰度閾值將圖像分割為不同灰度級別的目標(biāo)區(qū)域和背景區(qū)域，但孔探圖像背景界限模糊時容易得到虛假的分割結(jié)果?；谶吘壍膱D像分割法以灰度或結(jié)構(gòu)等信息的突變?yōu)檫吘墸指畛龅倪吘壊⒉坏扔趯?shí)際目標(biāo)的真實(shí)邊緣。張維亮等用三種不同的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行孔探圖像損傷特征分割時發(fā)現(xiàn)，反向傳播（BP）神經(jīng)網(wǎng)絡(luò)不僅識別正確率低，而且分割時間較長，分割效果不佳；徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)雖然識別正確率較BP神經(jīng)網(wǎng)絡(luò)高，但在將損傷目標(biāo)區(qū)域從圖像背景分割出來時對背景像素的處理效果不好；概率神經(jīng)網(wǎng)絡(luò)（PNN）不僅分割正確率高而且訓(xùn)練時間也相對較短，可以有效克服傳統(tǒng)圖像分割方法的不足，對圖像的每個像素進(jìn)行識別分類，正確分割出損傷區(qū)域。石宏等結(jié)合兩種神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn)，利用遺傳算法分別對PNN網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)的spread參數(shù)進(jìn)行優(yōu)化后，使用D-S證據(jù)理論通過信息融合將兩個網(wǎng)絡(luò)的分割結(jié)果進(jìn)行融合，實(shí)現(xiàn)了對損傷目標(biāo)的高效分割。從孔探圖像中分割出損傷目標(biāo)是航空發(fā)動機(jī)損傷特征提取的關(guān)鍵，不進(jìn)行損傷目標(biāo)分割時，人工神經(jīng)網(wǎng)絡(luò)利用自身的自動提取功能從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)規(guī)律，并用學(xué)習(xí)到的規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測和分類，陳果等提出一種基于孔探圖像紋理特征的發(fā)動機(jī)損傷自動識別方法，利用結(jié)構(gòu)自適應(yīng)神經(jīng)網(wǎng)絡(luò)提取損傷圖像的紋理特征，根據(jù)提取到的特征與損傷的非線性映射來實(shí)現(xiàn)損傷類型的自動識別，用遺傳算法優(yōu)化網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)和訓(xùn)練步數(shù)等結(jié)構(gòu)參數(shù)后的神經(jīng)網(wǎng)絡(luò)對GE90發(fā)動機(jī)孔探圖像的葉尖卷邊、腐蝕、裂紋及撕裂4類損傷的識別準(zhǔn)確率達(dá)到82%；石宏等針對RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢、容易陷入局部極小值、全局搜索能力弱及網(wǎng)絡(luò)參數(shù)對網(wǎng)絡(luò)的性能和穩(wěn)定性影響大的缺點(diǎn)，提出了基于遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的航空發(fā)動機(jī)葉片損傷圖像識別與基于D-S證據(jù)理論和RBF網(wǎng)絡(luò)的航空發(fā)動機(jī)葉片損傷圖像識別，通過優(yōu)化網(wǎng)絡(luò)拓展系數(shù)和將RBF網(wǎng)絡(luò)識別輸出結(jié)果用D-S聯(lián)合規(guī)則進(jìn)行合成作為最終的識別結(jié)果，提高了兩種網(wǎng)絡(luò)對發(fā)動機(jī)葉片損傷圖片的識別率和穩(wěn)定性。02支持向量機(jī)

雖然人工神經(jīng)網(wǎng)絡(luò)具有特征自動提取的能力，在發(fā)動機(jī)損傷特征提取過程中無需人工參與，但提取到的特征具有抽象性和不確定性。分割得到損傷目標(biāo)區(qū)域便可對損傷尺寸和損傷紋理等損傷特征進(jìn)行精確分析，在精確分析的基礎(chǔ)上可以通過人工設(shè)計獲得確定的發(fā)動機(jī)損傷特征。孟嬌茹將航空發(fā)動機(jī)損傷目標(biāo)的周長、面積、伸長度、形狀復(fù)雜度、平均灰度、粗糙度、對比度、相關(guān)度等確定為多維特征，提出了基于支持向量機(jī)的航空發(fā)動機(jī)孔探損傷分類方法，實(shí)驗(yàn)表明，應(yīng)用二叉樹支持向量機(jī)且采用徑向基函數(shù)為核函數(shù)時對裂紋、邊緣刻口、表皮剝落和燒蝕4種損傷的分類正確率能達(dá)到96.7%，在CFM56發(fā)動機(jī)實(shí)驗(yàn)中取得了良好效果。不同于孔探智能診斷專家系統(tǒng)對航空發(fā)動機(jī)損傷診斷問題的專門針對性，孔探損傷特征提取和識別過程中用到的機(jī)器學(xué)習(xí)方法對航空發(fā)動機(jī)損傷的特殊性關(guān)注不足，用機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)的發(fā)動機(jī)損傷特征提取及分類檢測過程更多被看作是一種圖像分割和圖像分類問題，對發(fā)動機(jī)損傷以及孔探圖像的特點(diǎn)缺乏針對性。機(jī)器學(xué)習(xí)方法比較如表1所示，可以看出雖然各方法各有特點(diǎn)，但研究者用到的幾種人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等機(jī)器學(xué)習(xí)方法的應(yīng)用主要集中在基于損傷目標(biāo)圖像分割實(shí)現(xiàn)的精確損傷特征提取和損傷分類應(yīng)用上，應(yīng)用場景受到限制，深度學(xué)習(xí)方法的使用打破了這一限制。表1

機(jī)器學(xué)習(xí)方法比較03深度學(xué)習(xí)同神經(jīng)網(wǎng)絡(luò)一樣，深度學(xué)習(xí)也是一類多種算法集合的統(tǒng)稱，不同之處在于深度學(xué)習(xí)是基于多層的深度神經(jīng)網(wǎng)絡(luò)算法，其中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）通過“局部感受野”和“權(quán)植共享”的方式解決了傳統(tǒng)網(wǎng)絡(luò)參數(shù)多和難以訓(xùn)練的問題，在圖像分類、目標(biāo)檢測和語義分割等計算機(jī)視覺方面的進(jìn)展都有所突破，代表算法主要有ResNet、R-CNN系列和YOLO系列、FCN和Mask-RCNN等。將深度學(xué)習(xí)的圖像特征自動提取應(yīng)用于依托圖像視頻作為輸出的航空發(fā)動機(jī)損傷孔探檢測，實(shí)現(xiàn)前沿學(xué)科在發(fā)動機(jī)孔探時的損傷分類、損傷目標(biāo)檢測、損傷實(shí)例分割應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的圖像特征提取能力，卷積神經(jīng)網(wǎng)絡(luò)模仿人類的視覺感受機(jī)制，通過卷積、池化的多層交替結(jié)構(gòu)自動學(xué)習(xí)孔探圖像的多層特征，通過神經(jīng)網(wǎng)絡(luò)將提取到的高維特征劃分為與訓(xùn)練數(shù)據(jù)損傷種類數(shù)目相等的類，以此實(shí)現(xiàn)對發(fā)動機(jī)損傷的分類，再用回歸算法對目標(biāo)候選框和實(shí)例掩膜進(jìn)行回歸，就能實(shí)現(xiàn)損傷的目標(biāo)檢測和實(shí)例分割。前沿學(xué)科在發(fā)動機(jī)孔探中的應(yīng)用主要有三種：深度神經(jīng)網(wǎng)絡(luò)層數(shù)過深將導(dǎo)致梯度消失，但層數(shù)過少時卷積神經(jīng)網(wǎng)絡(luò)對孔探圖像的損傷特征提取不夠充分，因此Y.H.Kim等使用比例不變的特征變換來提取并用K維樹和隨機(jī)樣本共識來匹配發(fā)動機(jī)葉片圖像中的特征點(diǎn)，匹配到疑似受損區(qū)域后由一個4層CNN判斷該區(qū)域的葉片是否真的受損，結(jié)構(gòu)圖如圖5所示。雖然這種通過圖像處理技術(shù)匹配發(fā)動機(jī)損傷特征的方法增強(qiáng)了結(jié)構(gòu)的可解釋性，但整體圖像處理部分增加了系統(tǒng)復(fù)雜性，并且對卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取功能利用不足。圖5

4層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)ResNet在卷積運(yùn)算提取特征過程中得到下層信息的同時接收了上一層信息，很好地解決了卷積網(wǎng)絡(luò)深度增加導(dǎo)致的梯度消失問題，信息損失也較少，使深度卷積神經(jīng)網(wǎng)絡(luò)能夠充分提取圖像特征而不受梯度消失問題的限制。趙燁在深度卷積神經(jīng)網(wǎng)絡(luò)中加入ResNet網(wǎng)絡(luò)中的殘差模塊，如圖6所示。通過設(shè)置網(wǎng)絡(luò)學(xué)習(xí)率、動量衰減系數(shù)等超參數(shù)的對比試驗(yàn)選出高性能模型，其對裂紋、刻口、葉片卷邊和燒蝕等發(fā)動機(jī)葉片損傷的識別率能夠達(dá)到94.17%。圖6

殘差模塊結(jié)構(gòu)稠密連接網(wǎng)絡(luò)DenseNet中所有層的信息彼此溝通，每一層都從前面的所有層獲得輸入，并將自己的特性映射傳遞給所有后續(xù)層，確保了網(wǎng)絡(luò)中各層之間最大的信息交流。敖良忠等結(jié)合ResNet和DenseNet網(wǎng)絡(luò)的優(yōu)點(diǎn)，通過將稠密連接模塊和殘差模塊依次串行連接構(gòu)建了一個49層的深度卷積網(wǎng)絡(luò)，形成了參數(shù)量更小的單通道網(wǎng)絡(luò)模型DRNet，如圖7所示，在自建孔探圖像數(shù)據(jù)集上對發(fā)動機(jī)的壓氣機(jī)、燃燒室和高低壓渦輪等部件的分類精度最高能達(dá)到98.6%。圖7

稠密連接模塊結(jié)構(gòu)孔探圖像分類是實(shí)現(xiàn)發(fā)動機(jī)損傷目標(biāo)檢測等應(yīng)用的重要基礎(chǔ)，用深度學(xué)習(xí)實(shí)現(xiàn)基于孔探圖像的發(fā)動機(jī)部件及損傷的分類識別精度儼然已經(jīng)達(dá)到了很高的精度，但在實(shí)際孔探過程中應(yīng)用價值并不高，發(fā)動機(jī)內(nèi)部環(huán)境復(fù)雜且光線不足，受內(nèi)窺鏡硬件條件限制，獲取到的孔探圖像背景復(fù)雜且圖像特征質(zhì)量低，雖然能實(shí)現(xiàn)部件及損傷的高精度智能識別，但對損傷程度的確定和對安全裕度的把控還離不開人的監(jiān)督。

2.

損傷目標(biāo)檢測

損傷目標(biāo)檢測在航空發(fā)動機(jī)損傷識別的同時可以定位損傷的具體位置，定位框的大小還能對損傷尺寸形成相對參考。傳統(tǒng)的目標(biāo)檢測算法采用滑動窗口或圖像切分生成大量候選區(qū)域，通過對每個候選區(qū)域提取圖像特征，用一個分類器對每個候選區(qū)域的特征進(jìn)行分類，實(shí)現(xiàn)分類和定位的功能，但滑動窗口產(chǎn)生的大量候選區(qū)域相對待檢測區(qū)域的少量待檢測目標(biāo)，無待檢測目標(biāo)的侯選區(qū)域浪費(fèi)了大量算力，存在檢測速度慢、檢測精度不高的缺點(diǎn)。基于深度學(xué)習(xí)實(shí)現(xiàn)的目標(biāo)檢測克服了傳統(tǒng)目標(biāo)檢測算法的缺點(diǎn)，檢測速度和精度都得到極大提高。針對候選區(qū)域的生成方式，將深度學(xué)習(xí)目標(biāo)檢測算法分為基于候選區(qū)域的目標(biāo)檢測算法和基于回歸的目標(biāo)檢測算法，也稱為單階段目標(biāo)檢測算法和兩階段目標(biāo)檢測算法，經(jīng)典的兩階段目標(biāo)檢測的代表算法有R-CNN系列算法，單階段目標(biāo)檢測算法主要有YOLO系列算法。曠可嘉使用FasterR-CNN算法對發(fā)動機(jī)常見的凹坑、缺口、燒蝕等損傷進(jìn)行檢測，孔探圖像從輸入端經(jīng)主干網(wǎng)絡(luò)提取特征后生成公共特征圖，在公共特征圖的基礎(chǔ)上利用區(qū)域候選網(wǎng)絡(luò)生成多個區(qū)域建議框，對多余建議框過濾后通過softmax函數(shù)完成損傷和背景的二分類，把建議框映射到公共特征圖上，通過感興趣區(qū)域（RoI）池化使每個感興趣區(qū)域生成固定尺寸的特征圖，最后對RoI特征圖進(jìn)行分類和邊界框回歸，實(shí)現(xiàn)基于孔探圖像的發(fā)動機(jī)損傷檢測，當(dāng)VGG網(wǎng)絡(luò)為主干網(wǎng)絡(luò)時網(wǎng)絡(luò)的檢測精度比ZF網(wǎng)絡(luò)為主干網(wǎng)絡(luò)時的檢測精度高，但檢測速度慢，使用主干網(wǎng)絡(luò)為VGG16網(wǎng)絡(luò)的SSD算法訓(xùn)練模型，不僅模型的檢測精度較FasterR-CNN高，檢測速度也更快；李龍浦等改變FasterR-CNN主干網(wǎng)絡(luò)ZF網(wǎng)絡(luò)第二卷積層卷積核的大小實(shí)現(xiàn)改進(jìn)FasterR-CNN對發(fā)動機(jī)葉片損傷的檢測，如圖8所示，兩階段目標(biāo)檢測算法相對來說檢測精度高，但檢測速度慢，雖然實(shí)現(xiàn)了發(fā)動機(jī)損傷的智能孔探檢測，但檢測速度還不能達(dá)到實(shí)時檢測的效果。圖8

FasterR-CNN網(wǎng)絡(luò)結(jié)構(gòu)單階段目標(biāo)檢測算法的優(yōu)點(diǎn)是檢測速度快，但較雙階段目標(biāo)算法檢測精度較低，YOLOv3算法將目標(biāo)檢測視為一個回歸問題，可以實(shí)現(xiàn)損傷目標(biāo)實(shí)時檢測，ZhangD等采用主干網(wǎng)絡(luò)為DarkNet-53的YOLOv3算法檢測發(fā)動機(jī)葉片損傷，如圖9所示。圖9

YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)將整張圖片作為網(wǎng)絡(luò)的輸入，由主干網(wǎng)絡(luò)提取到足夠的圖片特征后，從三個特征尺度來預(yù)測損傷目標(biāo)的位置和類別置信度，只經(jīng)過一個深度神經(jīng)網(wǎng)絡(luò)，就得到損傷目標(biāo)的位置邊界框及所屬的類別信息。為了提高對小目標(biāo)損傷的檢測能力，李浩改進(jìn)YOLOv3網(wǎng)絡(luò)中的特征金字塔結(jié)構(gòu)，使改進(jìn)后的網(wǎng)絡(luò)能在4種尺度的特征映射下實(shí)現(xiàn)發(fā)動機(jī)葉片裂紋損傷檢測，并針對發(fā)動機(jī)裂紋缺陷的特點(diǎn)設(shè)置初始錨框的尺寸，使對損傷目標(biāo)的定位框回歸更加準(zhǔn)確；用DenseNet代替YOLOv3主干網(wǎng)絡(luò)中的原始傳輸層，用改進(jìn)網(wǎng)絡(luò)YOLOv3-dense提高對發(fā)動機(jī)葉片損傷檢測的檢測精度；馬瑞陽將YOLOv4主干特征提取網(wǎng)絡(luò)中的淺層殘差模塊結(jié)構(gòu)替換為稠密連接模塊，用新提出的YOLOv4_B算法實(shí)現(xiàn)基于孔探圖像的發(fā)動機(jī)損傷檢測，檢測精確度相比YOLOv3和YOLOv4均有較大提升。3.

損傷實(shí)例分割

裂紋損傷目標(biāo)檢測和裂紋損傷實(shí)例分割效果如圖10所示，從檢測效果看，損傷實(shí)例分割對損傷目標(biāo)的位置特征描述更加貼合。語義分割能為圖像中的每個像素分配一個語義類別，實(shí)例分割結(jié)合了目標(biāo)檢測和語義分割，在檢測到損傷目標(biāo)后，為每個目標(biāo)實(shí)例標(biāo)記屬于該類別的像素，實(shí)現(xiàn)對圖像中的損傷目標(biāo)的像素化密集分類。圖10

裂紋損傷檢測實(shí)例FCN網(wǎng)絡(luò)結(jié)構(gòu)如圖11所示，其利用反卷積操作對網(wǎng)絡(luò)中最后一個卷積層的特征圖多次采樣，為特征圖的每個像素都產(chǎn)生一個分類預(yù)測，解決了語義級別的圖像分割問題。ShenZ等用FCN網(wǎng)絡(luò)實(shí)現(xiàn)發(fā)動機(jī)葉片裂紋和燒蝕損傷的語義分割。圖11

FCN網(wǎng)絡(luò)結(jié)構(gòu)曹斯言等改進(jìn)了語義分割算法DeepLabv3+解碼層的結(jié)構(gòu)，如圖12所示，將多尺度空間融合方法引入低層特征提取中，融合多個躍層特征，用MobileNetV2替代原始的主干網(wǎng)絡(luò)，提出一種基于自注意力語義分割模型的航空發(fā)動機(jī)孔探圖像檢測方法，在較低計算量的情況下使檢測精度和檢測速度都得到提升。圖12

DeepLabv3+網(wǎng)絡(luò)結(jié)構(gòu)樊瑋等在MaskR-CNN算法的區(qū)域候選網(wǎng)絡(luò)和檢測分支之間增加二分類檢測分支，在二分類的基礎(chǔ)上對圖像中的損傷目標(biāo)進(jìn)行多分類檢測，進(jìn)一步細(xì)分損傷類型后，用MaskR-CNN的分割部分對損傷區(qū)域進(jìn)行實(shí)例分割，有效提高模型對孔探圖像中熱障涂層丟失、燒蝕與凹坑、裂紋、氧化變色、葉邊缺口、磨損、葉邊卷曲和材料丟失8種損傷的檢測精度；魏永超等在MaskR-CNN網(wǎng)絡(luò)結(jié)構(gòu)中加入SENet模塊和殘差模塊并改進(jìn)網(wǎng)絡(luò)中的NMS算法，如圖13所示，提高了網(wǎng)絡(luò)對小目標(biāo)損傷的檢測效果。圖13

MaskR-CNN網(wǎng)絡(luò)原理綜上，深度學(xué)習(xí)方法對航空發(fā)動機(jī)損傷的特殊性關(guān)注已經(jīng)有所提高，針對發(fā)動機(jī)孔探圖像背景復(fù)雜、圖像質(zhì)量差的特點(diǎn)，Y.H.Kim等、趙燁等、李龍浦通過圖像處理技術(shù)或增強(qiáng)原網(wǎng)絡(luò)的特征提取能力來確保從低質(zhì)量的孔探圖像中提取到足夠的有效特征，同時以此來減小復(fù)雜背景對損傷特征提取的影響；馬瑞陽、曹斯言等增強(qiáng)了原網(wǎng)絡(luò)對凹坑和裂紋小尺度損傷的檢測能力。發(fā)動機(jī)損傷時材料缺失和凹坑等損傷通常都是伴隨發(fā)生的，樊瑋等致力于實(shí)現(xiàn)多目標(biāo)多種類的損傷實(shí)例分割。但目前對航空發(fā)動機(jī)孔探損傷的高壓渦輪葉片燒蝕和熱障層缺失等損傷的形狀隨機(jī)性關(guān)注度仍然有待提高，可以預(yù)見，未來深度學(xué)習(xí)方法在航空發(fā)動機(jī)損傷檢測研究領(lǐng)域具有巨大的發(fā)展?jié)摿Α?/p>

面臨的挑戰(zhàn)3

航空發(fā)動機(jī)孔探損傷檢測智能化是減少人為差錯、提高航空發(fā)動機(jī)維修產(chǎn)業(yè)效率的必經(jīng)之路，但在目前研究的基礎(chǔ)上要滿足實(shí)際孔探檢測應(yīng)用中數(shù)據(jù)處理能力強(qiáng)、損傷檢測效率高、對人員依賴程度低和安全可靠性高的迫切需要，還存在以下挑戰(zhàn)：（1）孔探圖像獲取設(shè)備智能化程度低。航空發(fā)動機(jī)是一個復(fù)雜的機(jī)械系統(tǒng)，核心機(jī)內(nèi)壓氣機(jī)、燃燒室和高低壓渦輪的交界處等地的損傷通常是伴隨發(fā)生的，發(fā)動機(jī)內(nèi)部的復(fù)雜環(huán)境和狹小空間使得內(nèi)窺鏡探頭所及之處采集的影像背景結(jié)構(gòu)復(fù)雜，加之發(fā)動機(jī)內(nèi)部光線環(huán)境惡劣，依靠孔探儀探頭攜帶的光源作為照明來源，圖像采集受探頭角度和探孔位置所限，為獲取高質(zhì)量發(fā)動機(jī)損傷圖像，孔探人員需要一邊檢查采集到的圖像信息一邊操作探頭，使整個過程耗時費(fèi)力。面對此挑戰(zhàn)，未來可以通過無線孔探探頭設(shè)計，將采集到的圖像信息通過無線傳輸，利用蛇形機(jī)器人按照設(shè)計路徑進(jìn)行智能補(bǔ)光和圖像采集，使探頭角度和路徑不再依賴人工實(shí)時操控，實(shí)現(xiàn)孔探圖像智能采集。（2）系統(tǒng)化程度較低。發(fā)動機(jī)內(nèi)部損傷包含多種類型，目前針對發(fā)動機(jī)損傷的特征分類、損傷檢測和損傷實(shí)例分割通常只針對某些部件，不能從發(fā)動機(jī)系統(tǒng)的角度