典型文献
基于深度学习的发动机叶片故障检测技术
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
张静;农昌瑞;张海兵;张亚周
作者机构：
海军航空大学航空基础学院,山东烟台264001;海军航空大学岸防兵学院,山东烟台264001;海军航空大学青岛校区,山东青岛266041
文献出处：
引用格式：
[1]张静;农昌瑞;张海兵;张亚周-.基于深度学习的发动机叶片故障检测技术)[J].航空发动机,2022(01):68-75
A类：
B类：
叶片故障,故障检测技术,航空发动机叶片,检测精度,检测效率,效率不高,目标检测方法,小样本数据集,模型训练,训练速度,速度慢,Faster,目标检测算法,Res2Net,残差模块,细粒级,多尺度残差,残差模型,特征提取能力,训练过程,余弦退火衰减,减法,学习率,训练质量,故障类型,网络训练,检测试验,模型识别,识别准确率,训练时间,检测效果,快速区域卷积神经网络,残差网络
AB值：
0.364756
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
