智能航空發(fā)動(dòng)機(jī)：基礎(chǔ)理論與關(guān)鍵技術(shù)

叢書(shū)序
前言
第1章 智能航空發(fā)動(dòng)機(jī)概述
1.1 智能航空發(fā)動(dòng)機(jī)的概念演化
1.2 智能航空發(fā)動(dòng)機(jī)的三大問(wèn)題
1.2.1 智能航空發(fā)動(dòng)機(jī)的能力躍升
1.2.2 智能航空發(fā)動(dòng)機(jī)能力躍升的核心技術(shù)
1.2.3 智能航空發(fā)動(dòng)機(jī)能力躍升的關(guān)鍵技術(shù)
1.3 本章小結(jié)
參考文獻(xiàn)
第2章 智能航空發(fā)動(dòng)機(jī)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(diǎn)
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(dòng)的航空發(fā)動(dòng)機(jī)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(dòng)、性能、材料一體的數(shù)字工程模型
2.3.1 振動(dòng)數(shù)字工程模型
2.3.2 結(jié)構(gòu)振動(dòng)、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(jī)器學(xué)習(xí)和深度學(xué)習(xí)
2.4.2 深度學(xué)習(xí)基礎(chǔ)
2.4.3 深度學(xué)習(xí)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(dòng)機(jī)數(shù)字工程模型
2.5.1 簡(jiǎn)化數(shù)字工程模型
2.5.2 強(qiáng)化數(shù)字工程模型
2.6 軍用渦扇發(fā)動(dòng)機(jī)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(dòng)機(jī)數(shù)字工程模型的遷移學(xué)習(xí)
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(diǎn)
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(dòng)機(jī)智能芯片的實(shí)現(xiàn)
2.9 本章小結(jié)
參考文獻(xiàn)
第3章 智能航空發(fā)動(dòng)機(jī)的關(guān)鍵技術(shù)
3.1 控制
3.1.1 發(fā)動(dòng)機(jī)分布式控制架構(gòu)
3.1.2 主動(dòng)控制技術(shù)架構(gòu)
3.1.3 主動(dòng)控制對(duì)傳感器和執(zhí)行機(jī)構(gòu)的要求
3.2 維護(hù)
3.2.1 健康監(jiān)測(cè)的背景
3.2.2 基于模型的控制
3.2.3 機(jī)載狀態(tài)監(jiān)測(cè)
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(jī)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(jī)構(gòu)技術(shù)選擇
3.4.5 執(zhí)行機(jī)構(gòu)發(fā)展要求
3.4.6 執(zhí)行機(jī)構(gòu)開(kāi)發(fā)需求
3.5 本章小結(jié)
參考文獻(xiàn)
第4章 航空發(fā)動(dòng)機(jī)葉片智能檢測(cè)技術(shù)
4.1 葉片智能檢測(cè)概述
4.1.1 葉片智能檢測(cè)工程背景
4.1.2 航空發(fā)動(dòng)機(jī)葉片無(wú)損檢測(cè)方法綜述
4.1.3 深度學(xué)習(xí)的發(fā)展及其在缺陷/損傷檢測(cè)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(dòng)機(jī)孔探檢測(cè)中的應(yīng)用現(xiàn)狀
4.1.5 小結(jié)
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(shí)別
4.2.1 數(shù)字圖像的表示
4.2.2 基于深度學(xué)習(xí)的圖像目標(biāo)檢測(cè)原理
4.2.3 基于深度學(xué)習(xí)的圖像目標(biāo)特征提取
4.2.4 深度學(xué)習(xí)的參數(shù)尋優(yōu)/梯度下降法
4.2.5 基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)葉片缺陷/損傷檢測(cè)原理與方法
4.2.6 小結(jié)
4.3 無(wú)監(jiān)督學(xué)習(xí)的渦輪葉片X-ray圖像缺陷自動(dòng)檢測(cè)技術(shù)
4.3.1 深度學(xué)習(xí)方法
4.3.2 無(wú)監(jiān)督對(duì)抗學(xué)習(xí)的渦輪葉片X-ray圖像缺陷自動(dòng)檢測(cè)算法
4.3.3 模型訓(xùn)練與測(cè)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(dòng)檢測(cè)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(dòng)檢測(cè)模型
4.4.2 模型訓(xùn)練與測(cè)試
4.5 基于深度學(xué)習(xí)的渦輪葉片X-ray圖像缺陷自動(dòng)識(shí)別及定位技術(shù)（缺陷復(fù)檢模型）
4.5.1 深度學(xué)習(xí)目標(biāo)檢測(cè)算法
4.5.2 基于深度學(xué)習(xí)的渦輪葉片X-ray圖像缺陷識(shí)別及定位算法
4.5.3 模型訓(xùn)練與測(cè)試及評(píng)價(jià)指標(biāo)
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(xiàn)
附錄基于Faster RCNN二階目標(biāo)檢測(cè)算法的缺陷檢測(cè)模型訓(xùn)練主程序及代碼解釋