针对目前航空发动机表面人工缺陷检测效率低的问题，提出一种基于改进YOLOv5的缺陷检测模型YOLOv5-CE。首先，在网络中融合数据增强策略搜索算法，自动为当前数据集搜索最佳的数据增强策略，实现训练效果的提升；其次，在backbone网络中引入坐标注意力机制，在通道注意力的基础上嵌入坐标信息，提高对小缺陷目标的检测能力；最后，将YOLOv5的定位损失函数改进为efficient intersection over union损失，在加快模型收敛的同时提高预测框回归精度。实验结果表明，所提YOLOv5-CE模型，相比原YOLOv5s网络，在检测速度几乎没有下降的情况下平均精度均值提高了1.2个百分点，达到了98.5%，能够高效智能检测航空发动机4种常见类型缺陷。

航空发动机尾喷流场的压力分布对反映发动机运行状态有重要意义，传统传感器的单点测量不适用于发动机尾喷流场测量的应用场景，于是将纹影测量方法引入航空发动机尾喷流场的定量测量中。提出一种采用纹影法解耦流速与密度场的高速气流压力场分布重构方法，以实现高速气流场的密度场、速度场和压力场的实时测量与重构。首先，通过纹影图像的亮暗变化获得光线偏折角，进而间接获得流场的密度分布；然后，通过连续帧的纹影图像，采用光流测速算法获得流速分布；最后，利用已获得的流速与密度信息，通过数值计算即可获得流场的静压分布和动压分布，进而获得总压分布。实验结果表明：与皮托管测量压力结果相比，所提方法的最大偏差约为5%。所提方法仪器精简易于实现，具备非接触测量的优点，是精确重构出高速流场压力分布的有效方法，同时该方法拓展了纹影法在流场定量测量中的应用范围。

为了提高非接触式测量的数据处理精度, 采用一种分阶段配准的方法, 先将缺损叶片分为4个部分, 采用自配准算法对每部分进行配准; 再对相邻两部分采用改进的完全配准算法进行整体配准。结果表明, 自配准算法与传统算法相比, 在配准误差均小于0.005 mm的前提下, 配准时间可以缩短到1 s以内; 完全配准与传统算法相比, 速度较快, 并通过0级的标准量块测量实验得出系统的测量误差小于0.010 mm, 满足叶片测量的精度要求。该分阶段配准方法对测量航空叶片具有一定的应用价值。

目前我国存在较多外购发动机的情况,外购发动机存在只有实物及安装尺寸等信息,而没有三维数字化模型的问题,这给飞机与发动机的装配协调设计带来较大困难,因此飞机设计部门对快速重构航空发动机的外形几何模型提出了迫切需求。为了使重建出的发动机外形几何模型尽可能地保留准确的结构特征,提出了一种基于深度学习的航空发动机外形点云特征分割方法,该方法将整体点云分割成特征数据与非特征数据,这有利于后续采用不同的方法重建出各种复杂的结构特征。设计了一种迭代密度均衡算法用于构建特征分割数据集,该算法为特征分割网络的训练、测试和性能评估提供基础;设计了一种特征分割网络,从多尺度局部表面片中收集形状结构和局部邻域信息,用于判断其中心是否是特征点。将训练好的特征分割网络模型应用于发动机外形点云,验证结果表明,特征分割精度达到95.16%,所提算法实现了高精度语义分割。

航空发动机作为飞机上的核心动力装置, 对其运行状态的监测, 可以提高飞机的安全性与经济性。航空发动机尾喷温度场蕴含着燃烧室内部燃料燃烧程度等有效信息, 对其温度场的监测可实现对发动机运行状态的评估。传统的温度场测量方法一般采用单点温度计测量法、激光诱导荧光法(LIF)、可调谐半导体激光法(TDLAS)等, 单点温度计测量法测量数据较离散、LIF设备应用复杂、TDLAS仪器设备价格昂贵。因此针对传统测量方法所存在的问题, 提出了纹影测量法。首先需要纹影系统对温度场进行纹影成像, 得到正确的纹影图像; 根据纹影图像求得截面的折射率分布; 根据折射率分布算得温度场分布, 实现对温度场的测量。纹影测量法是一种非接触、高精度的测量方法, 且无需特殊的激光收发装置。实验证明该方法可有效地应用于实验室微型涡喷发动机尾喷区域温度场的测量, 可进一步为航空发动机的状态监测提供支持。

针对航空发动机叶片的高精度和高效率测量需求,提出一种基于HSI(Hue、Saturation、Intensity)色彩模型的快速三维测量方法。首先分析HSI模型并设计结构光三维测量系统,使用基于LUT(Look Up Table)的色彩校正方法对色彩串扰进行校正,之后对色相与深度的映射关系进行标定。在此基础上,提出仅用一幅彩色图样获取包裹色相。在非连续表面上使用彩色编码色条图像实现条纹级次的识别,进而完成色相解包裹,并通过仿真模拟验证所提方法的可行性。最后对航空发动机高压压气机转子叶片进行三维测量,并将所提方法与常用的包裹相位获取方法和解包裹方法的计算效率进行对比。实验结果表明,所提方法满足航空发动机叶片的测量要求并可以提高测量效率。

航空发动机叶片长期工作在高温高压的涵道中,容易发生断裂、划道、形变等损伤。损伤叶片增材修复的关键是对其进行三维数字建模,模型的精度直接影响到熔覆制造的质量。基于航空发动机叶片的空间扭转特征,提出了一种非接触式的激光交叠式三维重建方法。利用扫描策略中线激光测头与叶片相对位置的特征矩阵初始化点云配准参数,通过分配权值缩小源点云规模,对迭代最近点算法进行优化。最后对点云数据进行精简、网格化,建立了损伤叶片的三维模型。在配准过程中,分析了点云块的交叠率对模型精度的影响。实验结果表明,当交叠率为50%时,采集时间短、信息完整度高,通过标准量块阶梯验证了模型的测量精度为10 μm,满足损伤叶片重建模型的精度要求。

航空发动机涡轮叶片叶尖间隙呈三维变化特点, 传统光纤式叶尖间隙检测系统的测量结果受维间耦合影响精度差, 信息源单一。本文利用一种沿直角等腰三角排布的三路双圈同轴式光纤传感基元组成的传感探头, 通过BP神经网络解耦方法, 实现了从传感器输出到叶尖端面径向间隙、轴向倾角和周向倾角三维参量的解耦。设计加工三维测量光纤传感器和后续调理电路并对检测系统进行了静、动态实验验证。实验结果表明: 该系统径向间隙静态测量的最大误差为47 μm, 标准差为10 μm, 轴向和周向倾角的静态测量最大误差分别为0.49°和2.32°, 标准差分别为0.13°和0.36°。系统具有良好的重复性和可靠性, 径向间隙的动态测量标准差小于18 μm, 轴向和周向倾角的动态测量标准差小0.2°和05°, 能够满足航空发动机涡轮叶片叶尖间隙三维参量快速实时检测的需求。