航空发动机是飞机飞行的主要动力来源,由于其长期工作在高温、高压、高振动的工作环境中,且高涵道比的涡轮风扇发动机在飞机起飞、着陆和地面滑行过程中容易吸入跑道和滑行道附近的石子、飞机遗落零部件、鸟禽等外来物,因此航空发动机很容易发生故障。严重的发动机故障将引起发动机喘振或空中停车,对飞行安全带来极大的威胁。对发动机定期检查或对突发事件后的视情维修可以保证飞机的持续适航性,提高飞机的日利用率,节约维修成本,增加航空公司的经济效益。 内部部件和结构损伤是航空发动机发生故障的重要原因,发动机内部损伤通常使用无损探伤方法检测,常用的无损探伤方法有磁粉检测、渗透检测、涡流检测、超声检测、射线检测以及孔探(内窥镜检查)。孔探因其快速性和便捷性是目前航空发动机检修中应用最广泛的无损检测方法,传统孔探检查方法对发动机内部损伤的检测和判断主要依靠人工识别,对人员要求高,还存在检测效率低的缺点。近年来,专家系统和机器学习等人工智能技术被用于实现发动机内窥损伤智能检测。 航空发动机孔探技术现状 孔探是特殊作业人员通过操纵置于发动机内部的内窥镜对发动机内部的损伤特征进行采集,再由人工对采集到的损伤进行快速检测和评估的航空发动机无损检测方法。内窥镜技术的发展历程如图1所示。 图1 内窥镜技术发展历程 人工智能技术在发动机孔探图像中的应用 人工智能可以被概括为是一种能够模拟和帮助人类思维、识别复杂情况、获取学习能力及所需知识,并能解决问题的智能系统。在航空发动机孔探检测中应用到的人工智能技术有专家系统和机器学习方法,专家系统和机器学习方法是两种不同的人工智能思维,专家系统从人类预先制定好的规则中匹配结果,是一种自主性更低的人工智能;而机器学习方法从已知的数据中学习规律,再用学习到的规律来预测未知的数据,是一种自主性更高的人工智能。虽然深度学习的本质是一种机器学习方法,但深度学习利用多层深度神经网络,算法种类繁多且模型结构更为复杂,对数据的理解更加深入,拥有传统机器学习方法所不能比拟的优越性能和广泛应用场景,因此深度学习逐渐发展成为一个新的研究方向。 孔探诊断专家系统 专家系统是一种“基于模型的暴力法”人工智能思维,应用孔探领域的专家知识构建一个尽可能全面的知识库,在解决确定问题时用预先制定好的规则穷尽知识库或案例库以匹配到合适的维修决策,系统的规则主要基于对损伤程度的判断来确定其适用性,专家系统的规则推理过程如图2所示。 图2 专家系统规则推理流程图 图3 混合专家系统原理 专家系统存在知识库数据规模小而规则库和实例库的增加会使检索时间增加导致系统效率降低的矛盾,为了精简规则,罗云林等在混合专家系统中采用BP神经网络识别内窥故障信息,极大地简化规则并减少了规则数量;李岩等开发了基于图像识别的发动机内窥智能检测系统,在使用阈值分割方法对孔探图片降噪处理后,以损伤面积、损伤周长和圆形度等为特征,将损伤特征用三层BP神经网络进行分类,再由专家系统对损伤程度进行诊断。 针对孔探智能诊断的问题而开发的专家系统具有暴力法人工智能思维,原则上无法保证覆盖实际应用中可能遇到的所有场景,而当遇到未覆盖的场景时系统就会功能紊乱。相对发动机系统及其运行环境的复杂性,内窥损伤复杂多样且类型间特征差异不明显,简单的知识规则和相对较少的知识实例使专家系统的应用受到限制,虽然理论研究已经有了一定成果,但开发的系统多用于演示,远达不到航空安全的严格要求和实际应用水平。随着人工智能算法和计算机计算水平的发展,专家系统的研究热度逐渐被机器学习取代。 机器学习方法 01 人工神经网络是一类模拟人的大脑神经元结构和工作机理的机器学习方法,虽然人工神经网络具有多种算法,但算法结构普遍都遵循输入层、隐藏层和输出层的三层结构,如图4所示。人工神经网络出色的自学习能力和自适应能力在发动机损伤特征提取和损伤分类时表现出了良好的性能。 图4 人工神经网络的三层结构 对孔探图像分割得到精确的损伤目标区域,是提取发动机损伤特征进行特征精确分析的基础。传统图像分割方法以阈值分割法和基于边缘或区域的分割法为代表。阈值分割法通过人工设定合适的灰度阈值将图像分割为不同灰度级别的目标区域和背景区域,但孔探图像背景界限模糊时容易得到虚假的分割结果。基于边缘的图像分割法以灰度或结构等信息的突变为边缘,分割出的边缘并不等于实际目标的真实边缘。 张维亮等用三种不同的人工神经网络进行孔探图像损伤特征分割时发现,反向传播(BP)神经网络不仅识别正确率低,而且分割时间较长,分割效果不佳;径向基函数(RBF)神经网络虽然识别正确率较BP神经网络高,但在将损伤目标区域从图像背景分割出来时对背景像素的处理效果不好;概率神经网络(PNN)不仅分割正确率高而且训练时间也相对较短,可以有效克服传统图像分割方法的不足,对图像的每个像素进行识别分类,正确分割出损伤区域。石宏等结合两种神经网络算法的优点,利用遗传算法分别对PNN网络和RBF网络的spread参数进行优化后,使用D-S证据理论通过信息融合将两个网络的分割结果进行融合,实现了对损伤目标的高效分割。 从孔探图像中分割出损伤目标是航空发动机损伤特征提取的关键,不进行损伤目标分割时,人工神经网络利用自身的自动提取功能从训练数据中学习规律,并用学习到的规律对未知数据进行预测和分类,陈果等提出一种基于孔探图像纹理特征的发动机损伤自动识别方法,利用结构自适应神经网络提取损伤图像的纹理特征,根据提取到的特征与损伤的非线性映射来实现损伤类型的自动识别,用遗传算法优化网络的隐层节点数和训练步数等结构参数后的神经网络对GE90发动机孔探图像的叶尖卷边、腐蚀、裂纹及撕裂4类损伤的识别准确率达到82%;石宏等针对RBF神经网络训练速度慢、容易陷入局部极小值、全局搜索能力弱及网络参数对网络的性能和稳定性影响大的缺点,提出了基于遗传算法优化RBF神经网络的航空发动机叶片损伤图像识别与基于D-S证据理论和RBF网络的航空发动机叶片损伤图像识别,通过优化网络拓展系数和将RBF网络识别输出结果用D-S联合规则进行合成作为最终的识别结果,提高了两种网络对发动机叶片损伤图片的识别率和稳定性。 02 03 同神经网络一样,深度学习也是一类多种算法集合的统称,不同之处在于深度学习是基于多层的深度神经网络算法,其中的卷积神经网络(CNN)通过“局部感受野”和“权植共享”的方式解决了传统网络参数多和难以训练的问题,在图像分类、目标检测和语义分割等计算机视觉方面的进展都有所突破,代表算法主要有ResNet、R-CNN系列和YOLO系列、FCN和Mask-RCNN等。 将深度学习的图像特征自动提取应用于依托图像视频作为输出的航空发动机损伤孔探检测,实现前沿学科在发动机孔探时的损伤分类、损伤目标检测、损伤实例分割应用。卷积神经网络具有强大的图像特征提取能力,卷积神经网络模仿人类的视觉感受机制,通过卷积、池化的多层交替结构自动学习孔探图像的多层特征,通过神经网络将提取到的高维特征划分为与训练数据损伤种类数目相等的类,以此实现对发动机损伤的分类,再用回归算法对目标候选框和实例掩膜进行回归,就能实现损伤的目标检测和实例分割。 前沿学科在发动机孔探中的应用主要有三种: 1. 损伤及部件分类 深度神经网络层数过深将导致梯度消失,但层数过少时卷积神经网络对孔探图像的损伤特征提取不够充分,因此Y.H.Kim等使用比例不变的特征变换来提取并用K维树和随机样本共识来匹配发动机叶片图像中的特征点,匹配到疑似受损区域后由一个4层CNN判断该区域的叶片是否真的受损,结构图如图5所示。虽然这种通过图像处理技术匹配发动机损伤特征的方法增强了结构的可解释性,但整体图像处理部分增加了系统复杂性,并且对卷积神经网络强大的特征提取功能利用不足。 图5 4层卷积神经网络结构 图6 残差模块结构 图7 稠密连接模块结构 2. 损伤目标检测 损伤目标检测在航空发动机损伤识别的同时可以定位损伤的具体位置,定位框的大小还能对损伤尺寸形成相对参考。传统的目标检测算法采用滑动窗口或图像切分生成大量候选区域,通过对每个候选区域提取图像特征,用一个分类器对每个候选区域的特征进行分类,实现分类和定位的功能,但滑动窗口产生的大量候选区域相对待检测区域的少量待检测目标,无待检测目标的侯选区域浪费了大量算力,存在检测速度慢、检测精度不高的缺点。基于深度学习实现的目标检测克服了传统目标检测算法的缺点,检测速度和精度都得到极大提高。针对候选区域的生成方式,将深度学习目标检测算法分为基于候选区域的目标检测算法和基于回归的目标检测算法,也称为单阶段目标检测算法和两阶段目标检测算法,经典的两阶段目标检测的代表算法有R-CNN系列算法,单阶段目标检测算法主要有YOLO系列算法。 旷可嘉使用Faster R-CNN算法对发动机常见的凹坑、缺口、烧蚀等损伤进行检测,孔探图像从输入端经主干网络提取特征后生成公共特征图,在公共特征图的基础上利用区域候选网络生成多个区域建议框,对多余建议框过滤后通过softmax函数完成损伤和背景的二分类,把建议框映射到公共特征图上,通过感兴趣区域(RoI)池化使每个感兴趣区域生成固定尺寸的特征图,最后对RoI特征图进行分类和边界框回归,实现基于孔探图像的发动机损伤检测,当VGG网络为主干网络时网络的检测精度比ZF网络为主干网络时的检测精度高,但检测速度慢,使用主干网络为VGG16网络的SSD算法训练模型,不仅模型的检测精度较Faster R-CNN高,检测速度也更快;李龙浦等改变Faster R-CNN主干网络ZF网络第二卷积层卷积核的大小实现改进Faster R-CNN对发动机叶片损伤的检测,如图8所示,两阶段目标检测算法相对来说检测精度高,但检测速度慢,虽然实现了发动机损伤的智能孔探检测,但检测速度还不能达到实时检测的效果。 图8 Faster R-CNN网络结构 图9 YOLOv3网络结构 3. 损伤实例分割 图10 裂纹损伤检测实例 图11 FCN网络结构 曹斯言等改进了语义分割算法DeepLabv3+解码层的结构,如图12所示,将多尺度空间融合方法引入低层特征提取中,融合多个跃层特征,用MobileNetV2替代原始的主干网络,提出一种基于自注意力语义分割模型的航空发动机孔探图像检测方法,在较低计算量的情况下使检测精度和检测速度都得到提升。 图12 DeepLabv3+网络结 图13 Mask R-CNN网络原理 面临的挑战 (1)孔探图像获取设备智能化程度低。 (2)系统化程度较低。 (3)数据支撑不足。 (4)自动化程度低。 结束语 作者:李续博,王文庆,王凯,黄小朝,陈思远 |
|
来自: 阿明哥哥资料区 > 《50.人工智能.元宇宙.MES》