智能航空發(fā)動機：基礎(chǔ)理論與關(guān)鍵技術(shù)

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(shù)
1.2.3 智能航空發(fā)動機能力躍升的關(guān)鍵技術(shù)
1.3 本章小結(jié)
參考文獻
第2章 智能航空發(fā)動機的核心技術(shù)
2.1 數(shù)字工程模型概述
2.1.1 數(shù)字工程模型構(gòu)建的難點
2.1.2 數(shù)字工程模型智能建模的三大技術(shù)路徑
2.2 架構(gòu)驅(qū)動的航空發(fā)動機數(shù)字工程模型
2.2.1 數(shù)字工程模型一
2.2.2 數(shù)字工程模型二
2.2.3 數(shù)字工程模型三
2.2.4 數(shù)字工程模型四
2.3 振動、性能、材料一體的數(shù)字工程模型
2.3.1 振動數(shù)字工程模型
2.3.2 結(jié)構(gòu)振動、性能、材料一體的數(shù)字工程模型
2.4 數(shù)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(tǒng)、機器學習和深度學習
2.4.2 深度學習基礎(chǔ)
2.4.3 深度學習的正則化
2.4.4 常規(guī)神經(jīng)網(wǎng)絡(luò)模型
2.5 大涵道比民用渦扇發(fā)動機數(shù)字工程模型
2.5.1 簡化數(shù)字工程模型
2.5.2 強化數(shù)字工程模型
2.6 軍用渦扇發(fā)動機數(shù)字工程模型
2.6.1 數(shù)字工程模型的自我修正網(wǎng)絡(luò)
2.6.2 軍用渦扇發(fā)動機數(shù)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(shù)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(jié)構(gòu)
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(jīng)網(wǎng)絡(luò)加速方法
2.8.6 FPGA航空發(fā)動機智能芯片的實現(xiàn)
2.9 本章小結(jié)
參考文獻
第3章 智能航空發(fā)動機的關(guān)鍵技術(shù)
3.1 控制
3.1.1 發(fā)動機分布式控制架構(gòu)
3.1.2 主動控制技術(shù)架構(gòu)
3.1.3 主動控制對傳感器和執(zhí)行機構(gòu)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(yīng)控制
3.2.5 傳感器技術(shù)
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(shù)
3.3.4 新型傳感器技術(shù)
3.3.5 傳感器技術(shù)路線圖
3.4 執(zhí)行
3.4.1 執(zhí)行機構(gòu)（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(gòu)技術(shù)選擇
3.4.5 執(zhí)行機構(gòu)發(fā)展要求
3.4.6 執(zhí)行機構(gòu)開發(fā)需求
3.5 本章小結(jié)
參考文獻
第4章 航空發(fā)動機葉片智能檢測技術(shù)
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(yīng)用研究現(xiàn)狀
4.1.4 人工智能技術(shù)在航空發(fā)動機孔探檢測中的應(yīng)用現(xiàn)狀
4.1.5 小結(jié)
4.2 基于深度學習的數(shù)字圖像目標特征提取與識別
4.2.1 數(shù)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(shù)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(jié)
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(shù)
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(jié)果與討論
4.3.5 小結(jié)
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）
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(shù)（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(jié)果與討論
4.5.5 小結(jié)
4.6 本章小結(jié)
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