智能航空发动机：基础理论与关键技术

丛书序
前言
第1章 智能航空发动机概述
1.1 智能航空发动机的概念演化
1.2 智能航空发动机的三大问题
1.2.1 智能航空发动机的能力跃升
1.2.2 智能航空发动机能力跃升的核心技术
1.2.3 智能航空发动机能力跃升的关键技术
1.3 本章小结
参考文献
第2章 智能航空发动机的核心技术
2.1 数字工程模型概述
2.1.1 数字工程模型构建的难点
2.1.2 数字工程模型智能建模的三大技术路径
2.2 架构驱动的航空发动机数字工程模型
2.2.1 数字工程模型一
2.2.2 数字工程模型二
2.2.3 数字工程模型三
2.2.4 数字工程模型四
2.3 振动、性能、材料一体的数字工程模型
2.3.1 振动数字工程模型
2.3.2 结构振动、性能、材料一体的数字工程模型
2.4 数字工程模型常规人工智能算法
2.4.1 人工智能的专家系统、机器学习和深度学习
2.4.2 深度学习基础
2.4.3 深度学习的正则化
2.4.4 常规神经网络模型
2.5 大涵道比民用涡扇发动机数字工程模型
2.5.1 简化数字工程模型
2.5.2 强化数字工程模型
2.6 军用涡扇发动机数字工程模型
2.6.1 数字工程模型的自我修正网络
2.6.2 军用涡扇发动机数字工程模型的迁移学习
2.7 极速策略人工智能算法
2.8 数字工程模型智能芯片
2.8.1 FPGA的发展历史
2.8.2 FPGA的基本结构
2.8.3 FPGA芯片的特点
2.8.4 FPGA芯片与人工智能
2.8.5 基于FPGA的神经网络加速方法
2.8.6 FPGA航空发动机智能芯片的实现
2.9 本章小结
参考文献
第3章 智能航空发动机的关键技术
3.1 控制
3.1.1 发动机分布式控制架构
3.1.2 主动控制技术架构
3.1.3 主动控制对传感器和执行机构的要求
3.2 维护
3.2.1 健康监测的背景
3.2.2 基于模型的控制
3.2.3 机载状态监测
3.2.4 自适应控制
3.2.5 传感器技术
3.3 感知
3.3.1 传感器
3.3.2 传感器通用要求
3.3.3 常规传感器技术
3.3.4 新型传感器技术
3.3.5 传感器技术路线图
3.4 执行
3.4.1 执行机构（器）介绍
3.4.2 执行器背景
3.4.3 部件需求
3.4.4 执行机构技术选择
3.4.5 执行机构发展要求
3.4.6 执行机构开发需求
3.5 本章小结
参考文献
第4章 航空发动机叶片智能检测技术
4.1 叶片智能检测概述
4.1.1 叶片智能检测工程背景
4.1.2 航空发动机叶片无损检测方法综述
4.1.3 深度学习的发展及其在缺陷/损伤检测中的应用研究现状
4.1.4 人工智能技术在航空发动机孔探检测中的应用现状
4.1.5 小结
4.2 基于深度学习的数字图像目标特征提取与识别
4.2.1 数字图像的表示
4.2.2 基于深度学习的图像目标检测原理
4.2.3 基于深度学习的图像目标特征提取
4.2.4 深度学习的参数寻优/梯度下降法
4.2.5 基于深度学习的航空发动机叶片缺陷/损伤检测原理与方法
4.2.6 小结
4.3 无监督学习的涡轮叶片X-ray图像缺陷自动检测技术
4.3.1 深度学习方法
4.3.2 无监督对抗学习的涡轮叶片X-ray图像缺陷自动检测算法
4.3.3 模型训练与测试
4.3.4 结果与讨论
4.3.5 小结
4.4 基于DCNN的涡轮叶片X-ray图像缺陷自动检测技术（二分类缺陷初检模型）
4.4.1 基于DCNN的涡轮叶片X-ray图像缺陷自动检测模型
4.4.2 模型训练与测试
4.5 基于深度学习的涡轮叶片X-ray图像缺陷自动识别及定位技术（缺陷复检模型）
4.5.1 深度学习目标检测算法
4.5.2 基于深度学习的涡轮叶片X-ray图像缺陷识别及定位算法
4.5.3 模型训练与测试及评价指标
4.5.4 结果与讨论
4.5.5 小结
4.6 本章小结
参考文献
附录基于Faster RCNN二阶目标检测算法的缺陷检测模型训练主程序及代码解释