注冊 | 登錄讀書好,好讀書,讀好書!
讀書網(wǎng)-DuShu.com
當前位置: 首頁出版圖書科學技術航空、航天航空、航天醫(yī)學智能航空發(fā)動機:基礎理論與關鍵技術

智能航空發(fā)動機:基礎理論與關鍵技術

智能航空發(fā)動機:基礎理論與關鍵技術

定 價:¥150.00

作 者: 肖洪,林志富,王棟歡,李爽
出版社: 科學出版社
叢編項:
標 簽: 暫缺

ISBN: 9787030760432 出版時間: 2023-11-01 包裝: 平裝
開本: 頁數(shù): 1 字數(shù):  

內容簡介

  《智能航空發(fā)動機——基礎理論與關鍵技術》是作者在西北工業(yè)大學、劍橋大學等多所高等院校的科研成果結晶,匯聚了作者及其合作者融合純數(shù)學理論、人工智能技術和航空發(fā)動機工程的數(shù)學思維、理論與方法研究的**成果。本書介紹了智能航空發(fā)動機的基本概念、核心技術和關鍵技術,內容包括航空發(fā)動機數(shù)字化智能化的核心理念、數(shù)字孿生模型的構建訓練與驗證、各類人工智能算法的優(yōu)缺點和詳細推導、感知/決策/執(zhí)行/維護/互聯(lián)等關鍵技術進展。

作者簡介

暫缺《智能航空發(fā)動機:基礎理論與關鍵技術》作者簡介

圖書目錄

叢書序
前言
第1章 智能航空發(fā)動機概述
1.1 智能航空發(fā)動機的概念演化
1.2 智能航空發(fā)動機的三大問題
1.2.1 智能航空發(fā)動機的能力躍升
1.2.2 智能航空發(fā)動機能力躍升的核心技術
1.2.3 智能航空發(fā)動機能力躍升的關鍵技術
1.3 本章小結
參考文獻
第2章 智能航空發(fā)動機的核心技術
2.1 數(shù)字工程模型概述
2.1.1 數(shù)字工程模型構建的難點
2.1.2 數(shù)字工程模型智能建模的三大技術路徑
2.2 架構驅動的航空發(fā)動機數(shù)字工程模型
2.2.1 數(shù)字工程模型一
2.2.2 數(shù)字工程模型二
2.2.3 數(shù)字工程模型三
2.2.4 數(shù)字工程模型四
2.3 振動、性能、材料一體的數(shù)字工程模型
2.3.1 振動數(shù)字工程模型
2.3.2 結構振動、性能、材料一體的數(shù)字工程模型
2.4 數(shù)字工程模型常規(guī)人工智能算法
2.4.1 人工智能的專家系統(tǒng)、機器學習和深度學習
2.4.2 深度學習基礎
2.4.3 深度學習的正則化
2.4.4 常規(guī)神經網(wǎng)絡模型
2.5 大涵道比民用渦扇發(fā)動機數(shù)字工程模型
2.5.1 簡化數(shù)字工程模型
2.5.2 強化數(shù)字工程模型
2.6 軍用渦扇發(fā)動機數(shù)字工程模型
2.6.1 數(shù)字工程模型的自我修正網(wǎng)絡
2.6.2 軍用渦扇發(fā)動機數(shù)字工程模型的遷移學習
2.7 極速策略人工智能算法
2.8 數(shù)字工程模型智能芯片
2.8.1 FPGA的發(fā)展歷史
2.8.2 FPGA的基本結構
2.8.3 FPGA芯片的特點
2.8.4 FPGA芯片與人工智能
2.8.5 基于FPGA的神經網(wǎng)絡加速方法
2.8.6 FPGA航空發(fā)動機智能芯片的實現(xiàn)
2.9 本章小結
參考文獻
第3章 智能航空發(fā)動機的關鍵技術
3.1 控制
3.1.1 發(fā)動機分布式控制架構
3.1.2 主動控制技術架構
3.1.3 主動控制對傳感器和執(zhí)行機構的要求
3.2 維護
3.2.1 健康監(jiān)測的背景
3.2.2 基于模型的控制
3.2.3 機載狀態(tài)監(jiān)測
3.2.4 自適應控制
3.2.5 傳感器技術
3.3 感知
3.3.1 傳感器
3.3.2 傳感器通用要求
3.3.3 常規(guī)傳感器技術
3.3.4 新型傳感器技術
3.3.5 傳感器技術路線圖
3.4 執(zhí)行
3.4.1 執(zhí)行機構(器)介紹
3.4.2 執(zhí)行器背景
3.4.3 部件需求
3.4.4 執(zhí)行機構技術選擇
3.4.5 執(zhí)行機構發(fā)展要求
3.4.6 執(zhí)行機構開發(fā)需求
3.5 本章小結
參考文獻
第4章 航空發(fā)動機葉片智能檢測技術
4.1 葉片智能檢測概述
4.1.1 葉片智能檢測工程背景
4.1.2 航空發(fā)動機葉片無損檢測方法綜述
4.1.3 深度學習的發(fā)展及其在缺陷/損傷檢測中的應用研究現(xiàn)狀
4.1.4 人工智能技術在航空發(fā)動機孔探檢測中的應用現(xiàn)狀
4.1.5 小結
4.2 基于深度學習的數(shù)字圖像目標特征提取與識別
4.2.1 數(shù)字圖像的表示
4.2.2 基于深度學習的圖像目標檢測原理
4.2.3 基于深度學習的圖像目標特征提取
4.2.4 深度學習的參數(shù)尋優(yōu)/梯度下降法
4.2.5 基于深度學習的航空發(fā)動機葉片缺陷/損傷檢測原理與方法
4.2.6 小結
4.3 無監(jiān)督學習的渦輪葉片X-ray圖像缺陷自動檢測技術
4.3.1 深度學習方法
4.3.2 無監(jiān)督對抗學習的渦輪葉片X-ray圖像缺陷自動檢測算法
4.3.3 模型訓練與測試
4.3.4 結果與討論
4.3.5 小結
4.4 基于DCNN的渦輪葉片X-ray圖像缺陷自動檢測技術(二分類缺陷初檢模型)
4.4.1 基于DCNN的渦輪葉片X-ray圖像缺陷自動檢測模型
4.4.2 模型訓練與測試
4.5 基于深度學習的渦輪葉片X-ray圖像缺陷自動識別及定位技術(缺陷復檢模型)
4.5.1 深度學習目標檢測算法
4.5.2 基于深度學習的渦輪葉片X-ray圖像缺陷識別及定位算法
4.5.3 模型訓練與測試及評價指標
4.5.4 結果與討論
4.5.5 小結
4.6 本章小結
參考文獻
附錄基于Faster RCNN二階目標檢測算法的缺陷檢測模型訓練主程序及代碼解釋

本目錄推薦

掃描二維碼
Copyright ? 讀書網(wǎng) hotzeplotz.com 2005-2020, All Rights Reserved.
鄂ICP備15019699號 鄂公網(wǎng)安備 42010302001612號