智能航空发动机——基础理论与关键技术

丛书序
前言
第1章智能航空发动机概述
1.1智能航空发动机的概念演化001
1.2智能航空发动机的三大问题002
1.2.1智能航空发动机的能力跃升004
1.2.2智能航空发动机能力跃升的核心技术014
1.2.3智能航空发动机能力跃升的关键技术028
1.3本章小结031
参考文献031
第2章智能航空发动机的核心技术
2.1数字工程模型概述033
2.1.1数字工程模型构建的难点035
2.1.2数字工程模型智能建模的三大技术路径038
2.2架构驱动的航空发动机数字工程模型042
2.2.1数字工程模型一043
2.2.2数字工程模型二045
2.2.3数字工程模型三049
2.2.4数字工程模型四051
2.3振动、性能、材料一体的数字工程模型052
2.3.1振动数字工程模型052
2.3.2结构振动、性能、材料一体的数字工程模型054
2.4数字工程模型常规人工智能算法057
2.4.1人工智能的专家系统、机器学习和深度学习057
2.4.2深度学习基础062
2.4.3深度学习的正则化076
2.4.4常规神经网络模型080
2.5大涵道比民用涡扇发动机数字工程模型094
2.5.1简化数字工程模型096
2.5.2强化数字工程模型104
2.6军用涡扇发动机数字工程模型113
2.6.1数字工程模型的自我修正网络113
2.6.2军用涡扇发动机数字工程模型的迁移学习115
2.7极速策略人工智能算法119
2.8数字工程模型智能芯片121
2.8.1FPGA的发展历史122
2.8.2FPGA的基本结构126
2.8.3FPGA芯片的特点131
2.8.4FPGA芯片与人工智能137
2.8.5基于FPGA的神经网络加速方法143
2.8.6FPGA航空发动机智能芯片的实现149
2.9本章小结151
参考文献151
第3章智能航空发动机的关键技术
3.1控制157
3.1.1发动机分布式控制架构157
3.1.2主动控制技术架构163
3.1.3主动控制对传感器和执行机构的要求187
3.2维护189
3.2.1健康监测的背景189
3.2.2基于模型的控制191
3.2.3机载状态监测194
3.2.4自适应控制199
3.2.5传感器技术201
3.3感知203
3.3.1传感器205
3.3.2传感器通用要求206
3.3.3常规传感器技术209
3.3.4新型传感器技术221
3.3.5传感器技术路线图238
3.4执行241
3.4.1执行机构（器）介绍241
3.4.2执行器背景242
3.4.3部件需求244
3.4.4执行机构技术选择245
3.4.5执行机构发展要求248
3.4.6执行机构开发需求250
3.5本章小结255
参考文献255
第4章航空发动机叶片智能检测技术
4.1叶片智能检测概述270
4.1.1叶片智能检测工程背景270
4.1.2航空发动机叶片无损检测方法综述271
4.1.3深度学习的发展及其在缺陷/损伤检测中的应用研究现状281
4.1.4人工智能技术在航空发动机孔探检测中的应用现状288
4.1.5小结295
4.2基于深度学习的数字图像目标特征提取与识别295
4.2.1数字图像的表示295
4.2.2基于深度学习的图像目标检测原理297
4.2.3基于深度学习的图像目标特征提取297
4.2.4深度学习的参数寻优/梯度下降法300
4.2.5基于深度学习的航空发动机叶片缺陷/损伤检测原理与方法304
4.2.6小结305
4.3无监督学习的涡轮叶片X-ray图像缺陷自动检测技术305
4.3.1深度学习方法305
4.3.2无监督对抗学习的涡轮叶片X-ray图像缺陷自动检测算法306
4.3.3模型训练与测试313
4.3.4结果与讨论316
4.3.5小结323
4.4基于DCNN的涡轮叶片X-ray图像缺陷自动检测技术（二分类缺陷初检模型）324
4.4.1基于DCNN的涡轮叶片X-ray图像缺陷自动检测模型324
4.4.2模型训练与测试336
4.5基于深度学习的涡轮叶片X-ray图像缺陷自动识别及定位技术（缺陷复检模型）343
4.5.1深度学习目标检测算法343
4.5.2基于深度学习的涡轮叶片X-ray图像缺陷识别及定位算法349
4.5.3模型训练与测试及评价指标358
4.5.4结果与讨论359
4.5.5小结365
4.6本章小结366
参考文献367
附录基于Faster RCNN二阶目标检测算法的缺陷检测模型训练主程序及代码解释376