目錄 叢書序 前言 第1章智能航空發(fā)動機(jī)概述 1.1智能航空發(fā)動機(jī)的概念演化001 1.2智能航空發(fā)動機(jī)的三大問題002 1.2.1智能航空發(fā)動機(jī)的能力躍升004 1.2.2智能航空發(fā)動機(jī)能力躍升的核心技術(shù)014 1.2.3智能航空發(fā)動機(jī)能力躍升的關(guān)鍵技術(shù)028 1.3本章小結(jié)031 參考文獻(xiàn)031 第2章智能航空發(fā)動機(jī)的核心技術(shù) 2.1數(shù)字工程模型概述033 2.1.1數(shù)字工程模型構(gòu)建的難點(diǎn)035 2.1.2數(shù)字工程模型智能建模的三大技術(shù)路徑038 2.2架構(gòu)驅(qū)動的航空發(fā)動機(jī)數(shù)字工程模型042 2.2.1數(shù)字工程模型一043 2.2.2數(shù)字工程模型二045 2.2.3數(shù)字工程模型三049 2.2.4數(shù)字工程模型四051 2.3振動、性能、材料一體的數(shù)字工程模型052 2.3.1振動數(shù)字工程模型052 2.3.2結(jié)構(gòu)振動、性能、材料一體的數(shù)字工程模型054 2.4數(shù)字工程模型常規(guī)人工智能算法057 2.4.1人工智能的專家系統(tǒng)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)057 2.4.2深度學(xué)習(xí)基礎(chǔ)062 2.4.3深度學(xué)習(xí)的正則化076 2.4.4常規(guī)神經(jīng)網(wǎng)絡(luò)模型080 2.5大涵道比民用渦扇發(fā)動機(jī)數(shù)字工程模型094 2.5.1簡化數(shù)字工程模型096 2.5.2強(qiáng)化數(shù)字工程模型104 2.6軍用渦扇發(fā)動機(jī)數(shù)字工程模型113 2.6.1數(shù)字工程模型的自我修正網(wǎng)絡(luò)113 2.6.2軍用渦扇發(fā)動機(jī)數(shù)字工程模型的遷移學(xué)習(xí)115 2.7極速策略人工智能算法119 2.8數(shù)字工程模型智能芯片121 2.8.1FPGA的發(fā)展歷史122 2.8.2FPGA的基本結(jié)構(gòu)126 2.8.3FPGA芯片的特點(diǎn)131 2.8.4FPGA芯片與人工智能137 2.8.5基于FPGA的神經(jīng)網(wǎng)絡(luò)加速方法143 2.8.6FPGA航空發(fā)動機(jī)智能芯片的實(shí)現(xiàn)149 2.9本章小結(jié)151 參考文獻(xiàn)151 第3章智能航空發(fā)動機(jī)的關(guān)鍵技術(shù) 3.1控制157 3.1.1發(fā)動機(jī)分布式控制架構(gòu)157 3.1.2主動控制技術(shù)架構(gòu)163 3.1.3主動控制對傳感器和執(zhí)行機(jī)構(gòu)的要求187 3.2維護(hù)189 3.2.1健康監(jiān)測的背景189 3.2.2基于模型的控制191 3.2.3機(jī)載狀態(tài)監(jiān)測194 3.2.4自適應(yīng)控制199 3.2.5傳感器技術(shù)201 3.3感知203 3.3.1傳感器205 3.3.2傳感器通用要求206 3.3.3常規(guī)傳感器技術(shù)209 3.3.4新型傳感器技術(shù)221 3.3.5傳感器技術(shù)路線圖238 3.4執(zhí)行241 3.4.1執(zhí)行機(jī)構(gòu)（器）介紹241 3.4.2執(zhí)行器背景242 3.4.3部件需求244 3.4.4執(zhí)行機(jī)構(gòu)技術(shù)選擇245 3.4.5執(zhí)行機(jī)構(gòu)發(fā)展要求248 3.4.6執(zhí)行機(jī)構(gòu)開發(fā)需求250 3.5本章小結(jié)255 參考文獻(xiàn)255 第4章航空發(fā)動機(jī)葉片智能檢測技術(shù) 4.1葉片智能檢測概述270 4.1.1葉片智能檢測工程背景270 4.1.2航空發(fā)動機(jī)葉片無損檢測方法綜述271 4.1.3深度學(xué)習(xí)的發(fā)展及其在缺陷/損傷檢測中的應(yīng)用研究現(xiàn)狀281 4.1.4人工智能技術(shù)在航空發(fā)動機(jī)孔探檢測中的應(yīng)用現(xiàn)狀288 4.1.5小結(jié)295 4.2基于深度學(xué)習(xí)的數(shù)字圖像目標(biāo)特征提取與識別295 4.2.1數(shù)字圖像的表示295 4.2.2基于深度學(xué)習(xí)的圖像目標(biāo)檢測原理297 4.2.3基于深度學(xué)習(xí)的圖像目標(biāo)特征提取297 4.2.4深度學(xué)習(xí)的參數(shù)尋優(yōu)/梯度下降法300 4.2.5基于深度學(xué)習(xí)的航空發(fā)動機(jī)葉片缺陷/損傷檢測原理與方法304 4.2.6小結(jié)305 4.3無監(jiān)督學(xué)習(xí)的渦輪葉片X-ray圖像缺陷自動檢測技術(shù)305 4.3.1深度學(xué)習(xí)方法305 4.3.2無監(jiān)督對抗學(xué)習(xí)的渦輪葉片X-ray圖像缺陷自動檢測算法306 4.3.3模型訓(xùn)練與測試313 4.3.4結(jié)果與討論316 4.3.5小結(jié)323 4.4基于DCNN的渦輪葉片X-ray圖像缺陷自動檢測技術(shù)（二分類缺陷初檢模型）324 4.4.1基于DCNN的渦輪葉片X-ray圖像缺陷自動檢測模型324 4.4.2模型訓(xùn)練與測試336 4.5基于深度學(xué)習(xí)的渦輪葉片X-ray圖像缺陷自動識別及定位技術(shù)（缺陷復(fù)檢模型）343 4.5.1深度學(xué)習(xí)目標(biāo)檢測算法343 4.5.2基于深度學(xué)習(xí)的渦輪葉片X-ray圖像缺陷識別及定位算法349 4.5.3模型訓(xùn)練與測試及評價指標(biāo)358 4.5.4結(jié)果與討論359 4.5.5小結(jié)365 4.6本章小結(jié)366 參考文獻(xiàn)367 附錄基于Faster RCNN二階目標(biāo)檢測算法的缺陷檢測模型訓(xùn)練主程序及代碼解釋376