第1章 智能航空发动机概述
　　智能航空发动机的概念最早可追溯至21世纪初美国实施的通用经济可承受先进涡轮发动机计划，当时主要关注航空发动机控制领域的智能化［1］。2018年，罗罗公司发布研发智能航空发动机的愿景［2］，随后不断丰富和完善该愿景，并逐步对大数据分析、机器学习、智能机器人、物联网、虚拟现实等热门技术与航空发动机技术进行了融合［3-5］。至此，智能航空发动机的概念正式被提上技术日程。虽然近年来发展智能航空发动机的呼声和浪潮不断高涨，但究竟智能化能提升什么、智能化的核心技术是什么、智能化靠什么实现三大问题始终困扰着航空发动机领域的研究人员。本章试图对上述三大问题进行粗略概述，谨供业内专家学者参考。
　　1.1 智能航空发动机的概念演化
　　智能化，有时也称为人工智能化，是指使机器具备“思考能力”，能够呈现出人类的智能行为。这些智能行为包括学习、感知、思考、理解、识别、判断、推理、证明、通信、设计、规划、决策和行动等活动［6］。分析全流程智能行为，可以看出数据和信息始终贯穿其中，如图1-1所示。
　　图1-1 智能行为的流程模型
　　基于智能行为的流程模型，人们一般将智能定义为： 能有效获取、传递、处理、再生和利用数据信息，从而在任务环境下成功达到预定目的的能力［7］。智能化一般是指将人工智能应用于全流程行为系统，使该系统在一定程度上能够模仿人类的思维，对获得的外界数据和信息进行分析、判断和处理，并制定决策以产生特定的作用，从而达到传统技术路径无法达到的功效。
　　基于人工智能的定义与内涵，智能航空发动机一般是指采用了人工智能技术的航空发动机，使航空发动机尤其是数据处理与再生系统能够在一定程度上模仿或代替人的思维，对获得的外界信息和数据进行分析、判断和处理，并制定决策以产生特定功效和作用。具体到航空发动机的工作和运维过程，可以直观地对智能航空发动机的概念进行进一步的概括： 能够从预判、感知、决策、执行和维护的全流程实现自主最优（佳）的航空发动机，其工作流程如图1-2所示。
　　图1-2 智能航空发动机工作流程
　　从上述概念理解，智能航空发动机能够自主地对各种感知的外界信息和内部信息进行处理，对外界环境、目标任务及其自身状态的变化进行理解、认知、判断和推理，具有一定的思维能力和联想能力，从而能做出正确的最佳决策和反应。相对地，完全按照人为预定的控制规律和控制规划而不能自主适应各种复杂环境、任务和状态进行自主推理决策的航空发动机不能称为智能航空发动机。根据当前航空发动机的实际情况，完全符合定义的智能航空发动机仅为一种理想状态。目前，还不能在一型航空发动机上全部实现预判、感知、决策、执行和维护的全流程自主推理决策，并最终按目标任务的自主最优（佳）实现全部功能。与此同时，智能航空发动机的定义也是一个相对的且不断发展的概念。随着科学技术的发展、数字化智能水平的不断提升，智能航空发动机的概念和内涵也必将不断丰富和完善。
　　1.2 智能航空发动机的三大问题
　　虽然目前人们对智能航空发动机的概念仍存在表述差异，但对其三个层次的认知已基本达成共识，如图1-3所示。
　　图1-3 智能航空发动机理解层次图
　　1）智能航空发动机能力提升了什么
　　智能化有能力解决传统技术路径不能解决的大量问题，甚至突破传统技术瓶颈［8］，在设计、制造、运行、维护等诸多领域均会实现能力的跃升。以运行控制为例，智能化能解决现行控制模式下按固定控制规律、控制规划运行而导致的发动机偏离设计点、部件匹配非最优的难题；解决动力状态与飞行器状态匹配非最优的难题；进一步也能解决固定控制规律下部件潜力无法充分发挥、造成能量利用率低的难题。
　　2）智能航空发动机能力如何提升
　　智能化靠强大的信息获取、传递、处理、再生和利用能力，即主要靠强有力的“智能化大脑（模型）”（有时也称为数字工程模型）实现传统技术的突破。因此，智能航空发动机可综合运用“场技术”实现对场的精准把控，通过优化状态使得部件在“最舒服”的状态下运作。
　　3）智能航空发动机能力如何实现
　　智能化虽然主要依靠强大的“智能化大脑（模型）”（数字工程模型）实现传统技术的突破，但是仅依靠智能化大脑也不能实现能力跃升的最终目标，就好像轮椅上的霍金虽然拥有强大的大脑但是很多常人的运动功能却无法实现。再进一步举一个形象化的例子，如果读者您作为决策者，需要从霍金和本书作者中选拔出一人去执行对抗性任务，您是派霍金去呢，还是派本书的作者去呢？虽然霍金具备聪明智慧的大脑，但结论显而易见。因此智能航空发动机也与传统航空发动机一样需要强健的结构和材料，也需要发展更灵巧、更有创意的执行机构，除此之外，更加强调感知、决策、执行、维护和互联的新技术与“智能化大脑（模型）”的匹配。
　　（1）感知是信息和数据的获取。没有信息和数据，智能就成为无源之水；再聪明的大脑没有信息的输入，也无法做出反应。智能航空发动机利用先进的测试手段和信息融合技术，实时主动感知工作状态、飞行环境和自身健康状况，并实现异常状态的自预警、自诊断与自隔离。
　　（2）决策是“智能化大脑”对环境、任务和状态的反应，即中枢机关发出的正确指令。智能航空发动机利用强化学习、性能重构增强部件与系统间的协调与进化，在无人工干预下快速做出最佳决策和反应，实现飞/发/任务的最佳匹配，并持续自主快速提升学习能力。
　　（3）执行是对指令的响应，强调反应迅速、完成到位。再完美的决策，如果碰上行动极为缓慢的“树懒”也会一塌糊涂。智能发动机借助系统智能匹配、部件主动控制和智能作动系统、宽域可调机构等，快速、准确地执行最佳决策。
　　（4）维护是对自身状态预警能力的执行。智能航空发动机具备自我状态预警的能力，维护是对这一能力的执行，就好像普通人会根据自己身体和环境的感知，做出相应的预防举措。如果天气寒冷加上自身健康状态不佳，会选择增添衣服甚至居家休息。同样，智能航空发动机根据对自身体系的深入认知预判健康状况特别是险情预警，维护是根据预判、预警的决策指令采取的行动。智能航空发动机在环境突变、系统异常或故障条件下，能准确评估自身调节能力和稳定裕度，通过限制保护、故障解析冗余与容错，实现自我维护与延寿，并通过故障经验的学习与积累实现故障预警和视情维护。
　　（5）互联是学习能力持续提升的渠道。智能航空发动机的学习能力不仅体现在自身信息和数据的学习上，还体现在智能航空发动机与其他发动机、生态系统在多方面定期进行信息双向传输上，实现在线或离线的信息共享和家族群体式集体学习与经验总结。
　　1.2.1 智能航空发动机的能力跃升
　　如前所述，智能航空发动机的能力跃升主要表现在解决传统路径所不能解决的大量问题，甚至突破传统技术瓶颈。目前，人们比较感兴趣的几类智能航空发动机技术能力跃升主要表现在如下方面。
　　1）人工智能融入数字化试验大幅度加速设计研发进程
　　数字化试验是指利用高逼真度具备物理规则运行、性能紧密跟踪、动态极速响应的数字工程模型，开展设计方案验证、部件匹配验证、破坏试验验证、维护方案验证等。可以看出，数字化试验的先决条件是数字工程模型，该模型强调与物理机理的“如影相随”，以确保数字化试验的置信度和可行性。传统仿真受数理方程、物理模型受人为假设、数据驱动受物理规则缺乏等的限制，均不能完整建立数字化试验的数字工程模型。因此，在数字化试验的数字工程模型建立过程中，新的人工智能技术必须遵循物理规则运行、性能紧密跟踪、动态极速响应的技术要求。在智能航空发动机运维各阶段（特别是针对破坏性试验）开展数字化试验，有助于产品多学科优化并大大缩短研发周期、降低成本。同时，未来先进数字化试验方法、工具和流程关键技术的深入研究，必将大幅度提升数字化试验的精度和置信度，实现大幅度替代物理试验（特别是破坏性物理试验）的目标。
　　本书作者与国内多家研究机构合作开展了数字化飞行试验、数字化试车试验、数字化高空台试验、部件数字化试验的研究工作。研究表明，数字化试验响应时间可以控制在1～5ms，小于物理测试响应时间，满足测试频率要求；数字化试验与物理试验非稳态结果的平均偏差可以控制在1％以内（偏差峰值可以控制在3％以内），满足测试精度要求。需要说明的是，此处偏差指的是数字化试验与实际物理试验在被测参数上的差值，不是传统意义上的物理传感器测试误差，此偏差的概念经常被人们误解。其中，图1-4、图1-5分别为涡扇、涡轴发动机整机数字化试验与整机物理试验无量纲数据对比，图1-6为数字飞行试验与物理飞行试验无量纲数据对比，图1-7为腐蚀叶片数字化试验与物理试验数据对比。
　　图1-4 涡扇发动机整机数字化试验与整机物理试验无量纲数据对比
　　图1-5 涡轴发动机整机数字化试验与整机物理试验无量纲数据对比
　　图1-6 数字飞行试验与物理飞行试验无量纲数据对比
　　图1-7 腐蚀叶片数字化试验与物理试验数据对比
　　欧洲联盟在“清洁天空2”计划中也专门安排了数字化试验技术研究，包括数字建模、数字适航等关键技术（图1-8）。法国武器装备总署下属的试验与评价中心（飞行试验中心、航空动力试验中心及航空试验中心）与法国ESI（GET IT RIGHT）集团合作，利用SimulationX动态多学科建模仿真平台，开发了航空发动

目录
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001
1.2智能航空发动机的三大问题002
1.2.1智能航空发动机的能力跃升004
1.2.2智能航空发动机能力跃升的核心技术014
1.2.3智能航空发动机能力跃升的关键技术028
1.3本章小结031
参考文献031
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033
2.1.1数字工程模型构建的难点035
2.1.2数字工程模型智能建模的三大技术路径038
2.2架构驱动的航空发动机数字工程模型042
2.2.1数字工程模型一043
2.2.2数字工程模型二045
2.2.3数字工程模型三049
2.2.4数字工程模型四051
2.3振动、性能、材料一体的数字工程模型052
2.3.1振动数字工程模型052
2.3.2结构振动、性能、材料一体的数字工程模型054
2.4数字工程模型常规人工智能算法057
2.4.1人工智能的专家系统、机器学习和深度学习057
2.4.2深度学习基础062
2.4.3深度学习的正则化076
2.4.4常规神经网络模型080
2.5大涵道比民用涡扇发动机数字工程模型094
2.5.1简化数字工程模型096
2.5.2强化数字工程模型104
2.6军用涡扇发动机数字工程模型113
2.6.1数字工程模型的自我修正网络113
2.6.2军用涡扇发动机数字工程模型的迁移学习115
2.7极速策略人工智能算法119
2.8数字工程模型智能芯片121
2.8.1FPGA的发展历史122
2.8.2FPGA的基本结构126
2.8.3FPGA芯片的特点131
2.8.4FPGA芯片与人工智能137
2.8.5基于FPGA的神经网络加速方法143
2.8.6FPGA航空发动机智能芯片的实现149
2.9本章小结151
参考文献151
第3章智能航空发动机的关键技术
3.1控制157
3.1.1发动机分布式控制架构157
3.1.2主动控制技术架构163
3.1.3主动控制对传感器和执行机构的要求187
3.2维护189
3.2.1健康监测的背景189
3.2.2基于模型的控制191
3.2.3机载状态监测194
3.2.4自适应控制199
3.2.5传感器技术201
3.3感知203
3.3.1传感器205
3.3.2传感器通用要求206
3.3.3常规传感器技术209
3.3.4新型传感器技术221
3.3.5传感器技术路线图238
3.4执行241
3.4.1执行机构（器）介绍241
3.4.2执行器背景242
3.4.3部件需求244
3.4.4执行机构技术选择245
3.4.5执行机构发展要求248
3.4.6执行机构开发需求250
3.5本章小结255
参考文献255
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270
4.1.1叶片智能检测工程背景270
4.1.2航空发动机叶片无损检测方法综述271
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281
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288
4.1.5小结295
4.2基于深度学习的数字图像目标特征提取与识别295
4.2.1数字图像的表示295
4.2.2基于深度学习的图像目标检测原理297
4.2.3基于深度学习的图像目标特征提取297
4.2.4深度学习的参数寻优/梯度下降法300
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304
4.2.6小结305
4.3无监督学习的涡轮叶片X-ray图像缺陷自动检测技术305
4.3.1深度学习方法305
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306
4.3.3模型训练与测试313
4.3.4结果与讨论316
4.3.5小结323
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）324
4.4.1基于DCNN的涡轮叶片X-ray图像缺陷自动检测模型324
4.4.2模型训练与测试336
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）343
4.5.1深度学习目标检测算法343
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349
4.5.3模型训练与测试及评价指标358
4.5.4结果与讨论359
4.5.5小结365
4.6本章小结366
参考文献367
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376