10.13477/j.cnki.aeroengine.2022.01.011
基于深度学习的发动机叶片故障检测技术
为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法.针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力.同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量.针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明:优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果.
故障检测;叶片;深度学习;快速区域卷积神经网络;残差网络;航空发动机
48
V232.4(航空发动机(推进系统))
国家自然科学基金61701519
2022-03-11(万方平台首次上网日期,不代表论文的发表时间)
共8页
68-75