人工智能技术在航空发动机孔探检测中的应用进展

摘  要：随着科学技术的发展，我国的人工智能技术有了很大进展，并在航空发动机控探检测中得到了广泛的应用。孔探是当前航空发动机检修过程中应用最多的无损检测方法，也是孔探图像的唯一获取途径。近年来，深度学习等人工智能方法开始被应用到航空发动机损伤分类、检测中，为实现航空发动机检修智能化提出了一些现行有效的方法，具有重要的工业应用价值。本文首先分析了航空发动机损伤图像获取，其次探讨了航空发动机孔探技术现状，最后就人工智能技术在发动机孔探图像中的应用进行研究，以供参考。

关键词：航空发动机;孔探;专家系统

引言

随着航空发动机使用时间的增加，航空发动机长期工作在高温、高压、高负荷和高转速的条件下，叶片、燃烧室等重要部件出现内部损伤的概率不断上升，如各种形式的裂纹、缺损和烧蚀等，如不能及时准确地发现并定位发动机内部损伤，则无法根据损伤情况制定相应的检查及维护措施，而继续在此状态下使用发动机，不仅会降低发动机性能，还可能会造成部件损伤超标或者突然失效，导致发动机的紧急换发，不仅对机队正常运行造成影响，甚至会威胁飞行安全，造成严重的安全事故。能否及时发现、快速评估并准确诊断航空发动机内部的各类损伤，将直接影响航班的正常运行和飞行的安全。

1航空发动机损伤图像获取

使用孔探仪作为获取设备，对航空发动机内部进行图片拍摄或视频拍摄，获得某航空发动机内部损伤的图片。孔探仪拍摄的图片可以直接选择其中包含损伤的图片作为损伤图像数据;拍摄的视频可以分解为多张图片，选择其中包含损伤的图片作为损伤图像数据。航空发动机的叶片工作环境恶劣，通常在高温、高压的状态下工作，叶片主要损伤包括掉块、裂纹、腐蚀等。

2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。19世纪初，内窥镜检测最早应用于人类医学领域，20世纪20年代开发的技术内窥镜首次用于飞机结构腐蚀的检查。内窥镜经历了从最初的硬管式内窥镜到软管式内窥镜，从20世纪60年代的光纤软管式内窥镜发展到20世纪90年代的电子软管内窥镜的发展，克服了硬管内窥镜无法弯曲导致探测距离短和光纤软管内窥镜光纤容易折断使图像出现黑点的缺点，现今的电子内窥镜实现了孔探图像和视频信息的数字化存储，使对发动机损伤的研究可以依托于孔探图像进行实现。我国在20世纪七八十年代从国外引进内窥镜产品，主要用于航空航天产品内部零部件的质量检查。随着航空发动机孔探检测技术的日趋成熟，制造商在发动机机匣核心机部位预留了用于内窥镜进入发动机内部进行探伤的专门小孔，对航空发动机定期孔探检修已成为航空发动机维修中的重要项目，操纵内窥镜对航空发动机内部进行检查的维修过程也以专业名词孔探概称。航空发动机孔探可以在不拆解发动机的情况下实现对发动机内部损伤的在翼诊断，省去了检查发动机内部损伤时对发动机的繁杂拆解工作，可以减少维修人为差错的发生，为维修人员节省了大量的维修时间，极大提高了发动机维修检查工作的效率，实现了安全与效益的相对平衡。然而，依赖人工进行损伤判断的孔探检查存在数据处理能力不足，问题诊断效率不高和智能化程度低的缺点。对发动机的损伤评估由检验员参考飞机维修手册凭经验进行决断，不同维修人员的主观经验会使检查结果呈现差异化，人为因素的引入也将带来更多的不确定因素。在航空安全的绝对要求下，实现发动机损伤诊断的自动化、智能化势在必行。

3人工智能技术在发动机孔探图像中的应用

3.1目标检测

目标检测是在图像分类的基础上通过突出损伤的位置提供进一步的信息。这对于损伤信息定位是有益的，因为基本分类任务仅强调损伤的存在，但仍将寻找实际损伤位置的任务留给观察者，而检测任务的目的是提供某种损伤的定位。目标检测的关键是在包含损伤的区域周围生成边界框，之后再对每个生成的边界框执行损伤类型分类。如用于混凝土裂纹检测的深层卷积神经网络结构，用于飞机结构裂纹检测的YOLOv3-Lite方法等，所有这些方法都在裂纹区域周围生成边界框。不仅将两处裂纹用红色框标记同时还在边界框的上方标注了具体损伤的类型为裂纹。与图像分类方法相比，目标检测任务使用了边界框来标记损伤区域，可获取更直观地损伤定位信息，但该任务仍然不能准确地反映损伤的特征。

3.2直方图均衡化

灰度直方图是统计灰度图像中每一个灰度级出现频率的直方图，反映了图像的显示质量。若直方图排列参差不齐，则必然存在图像偏亮、偏暗、或亮度过于集中等显示质量问题，若图像灰度分布较为均匀，则图像的灰度范围及对比度就较大，显示效果好。直方图均衡化就是将图像的灰度分布区域均匀的过程。图像在通过对数灰度变换后高光得以抑制，但也造成了图像灰度值趋于单一化，对比度降低。将图像进行直方图均衡化后的效果，它对对数灰度变换后的灰度分布进行了展宽，也改善了原图的高光。实质上减少了图像的灰度级，使区域灰度趋向一致，最终凸显出前景与背景的差异。

3.3深度学习

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算法是基于多层的深度神经网络算法，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，主要关键在于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野机制，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的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。

3.4自动化程度低

依据损伤容限理论设计的航空发动机的大部分损伤并不直接影响发动机的安全运行，经过在翼简单处理或确定运行限制条件后，发动机可以在限制条件下继续运行一段时间，所以对发动机损伤程度进行定性诊断至关重要，损伤程度一般以损伤部位，损伤尺寸和损伤面积等作为主要判断依据，后续研究应在损伤目标检测或分割的同时对损伤尺寸进行自动测量，并在确定损伤类型和损伤尺寸的基础上，对发动机可运行状态做出评估、给出维修相应的维修建议，未来可由深度学习损伤检测网络和专家系统规则两者结合实现。

结语

传统的孔探检测方式的准确性主要是依靠孔探仪操作人员严格按照文件进行操作以及对损伤模式的认知判断，因此各个部门都制定了严格的孔探检测流程及标准，但是还是会因孔探仪操作员的能力差异、工作难度和强度、外部工作环境、疲劳程度等因素而导致检测结果的差异，而且检测工作的时长也会影响发动机使用（或生产）安排，因此在运用科学的人工智能方式进行智能维修，不仅能大幅提高发动机内部损伤检查的准确率，有效降低由于工作疲劳导致的人为误差以及减少工作量，对保障飞行安全，减少非计划维修，达到降本增效的目的有着重要的意义。

参考文献：

[1]石宏，项松，艾延廷.无损检测在航空发动机维修中的应用[J].航空制造技术，2008（4）：72-74.

[2]魏徽.便携式航空发动机内窥检测系统设计[D].杭州：浙江大学，2010.

[3]罗松娜，王海苹.人工智能在急诊护理领域的应用进展[J].护理研究，2022，36（5）：884-887.