叢書序
前言
第1章 智能航空發(fā)動機概述
1.1 智能航空發(fā)動機的概念演化
1.2 智能航空發(fā)動機的三大問題
1.2.1 智能航空發(fā)動機的能力躍升
1.2.2 智能航空發(fā)動機能力躍升的核心技術
1.2.3 智能航空發(fā)動機能力躍升的關鍵技術
1.3 本章小結
參考文獻
第2章 智能航空發(fā)動機的核心技術
2.1 數字工程模型概述
2.1.1 數字工程模型構建的難點
2.1.2 數字工程模型智能建模的三大技術路徑
2.2 架構驅動的航空發(fā)動機數字工程模型
2.2.1 數字工程模型一
2.2.2 數字工程模型二
2.2.3 數字工程模型三
2.2.4 數字工程模型四
2.3 振動、性能、材料一體的數字工程模型
2.3.1 振動數字工程模型
2.3.2 結構振動、性能、材料一體的數字工程模型
2.4 數字工程模型常規(guī)人工智能算法
2.4.1 人工智能的專家系統、機器學習和深度學習
2.4.2 深度學習基礎
2.4.3 深度學習的正則化
2.4.4 常規(guī)神經網絡模型
2.5 大涵道比民用渦扇發(fā)動機數字工程模型
2.5.1 簡化數字工程模型
2.5.2 強化數字工程模型
2.6 軍用渦扇發(fā)動機數字工程模型
2.6.1 數字工程模型的自我修正網絡
2.6.2 軍用渦扇發(fā)動機數字工程模型的遷移學習
2.7 極速策略人工智能算法
2.8 數字工程模型智能芯片
2.8.1 FPGA的發(fā)展歷史
2.8.2 FPGA的基本結構
2.8.3 FPGA芯片的特點
2.8.4 FPGA芯片與人工智能
2.8.5 基于FPGA的神經網絡加速方法
2.8.6 FPGA航空發(fā)動機智能芯片的實現
2.9 本章小結
參考文獻
第3章 智能航空發(fā)動機的關鍵技術
3.1 控制
3.1.1 發(fā)動機分布式控制架構
3.1.2 主動控制技術架構
3.1.3 主動控制對傳感器和執(zhí)行機構的要求
3.2 維護
3.2.1 健康監(jiān)測的背景
3.2.2 基于模型的控制
3.2.3 機載狀態(tài)監(jiān)測
3.2.4 自適應控制
3.2.5 傳感器技術
3.3 感知
3.3.1 傳感器
3.3.2 傳感器通用要求
3.3.3 常規(guī)傳感器技術
3.3.4 新型傳感器技術
3.3.5 傳感器技術路線圖
3.4 執(zhí)行
3.4.1 執(zhí)行機構（器）介紹
3.4.2 執(zhí)行器背景
3.4.3 部件需求
3.4.4 執(zhí)行機構技術選擇
3.4.5 執(zhí)行機構發(fā)展要求
3.4.6 執(zhí)行機構開發(fā)需求
3.5 本章小結
參考文獻
第4章 航空發(fā)動機葉片智能檢測技術
4.1 葉片智能檢測概述
4.1.1 葉片智能檢測工程背景
4.1.2 航空發(fā)動機葉片無損檢測方法綜述
4.1.3 深度學習的發(fā)展及其在缺陷/損傷檢測中的應用研究現狀
4.1.4 人工智能技術在航空發(fā)動機孔探檢測中的應用現狀
4.1.5 小結
4.2 基于深度學習的數字圖像目標特征提取與識別
4.2.1 數字圖像的表示
4.2.2 基于深度學習的圖像目標檢測原理
4.2.3 基于深度學習的圖像目標特征提取
4.2.4 深度學習的參數尋優(yōu)/梯度下降法
4.2.5 基于深度學習的航空發(fā)動機葉片缺陷/損傷檢測原理與方法
4.2.6 小結
4.3 無監(jiān)督學習的渦輪葉片X-ray圖像缺陷自動檢測技術
4.3.1 深度學習方法
4.3.2 無監(jiān)督對抗學習的渦輪葉片X-ray圖像缺陷自動檢測算法
4.3.3 模型訓練與測試
4.3.4 結果與討論
4.3.5 小結
4.4 基于DCNN的渦輪葉片X-ray圖像缺陷自動檢測技術（二分類缺陷初檢模型）
4.4.1 基于DCNN的渦輪葉片X-ray圖像缺陷自動檢測模型
4.4.2 模型訓練與測試
4.5 基于深度學習的渦輪葉片X-ray圖像缺陷自動識別及定位技術（缺陷復檢模型）
4.5.1 深度學習目標檢測算法
4.5.2 基于深度學習的渦輪葉片X-ray圖像缺陷識別及定位算法
4.5.3 模型訓練與測試及評價指標
4.5.4 結果與討論
4.5.5 小結
4.6 本章小結
參考文獻
附錄基于Faster RCNN二階目標檢測算法的缺陷檢測模型訓練主程序及代碼解釋
鄂公網安備 42010302001612號 