基于多尺度双阶段网络航空发动机涡轮叶片故障检测研究

来源：计算机测量与控制杂志2026年第3期北京时间：

作者：王斌,许萌敏,唐绪之

摘要：工业相机在图像采集过程中受到各种噪声的干扰,如电子噪声、热噪声等。这些噪声会在图像中表现为随机分布的亮点或暗点,影响图像的清晰度和质量。进而导致故障检测的FPR-MRCI值下降。对此,研究基于多尺度双阶段网络航空发动机涡轮叶片故障检测方法。首先,机器视觉利用工业相机与镜头、环型LED光源及异形夹持装置,通过中空旋转平台带动叶片旋转实现全方位图像采集。然后,针对采集到的图像利用多尺度双阶段网络进行超分辨率重建。双阶段设计将特征提取和上采样分开处理,在特征提取阶段深入挖掘图像的本质特征,上采样阶段则专注于图像的重建和细节优化,从而有效提高图像的分辨率和质量,解决图像噪声问题。最后,通过本体建模构建涡轮叶片故障检测知识图谱,实现系统性的故障检测知识整合。构建基于特征嵌入的涡轮叶片故障检测卷积神经网络模型,将实体向量与超分辨率重建图像输入特征嵌入模块,实现涡轮叶片故障检测。测试结果表明。设计系统对于检测难度较高的晶界腐蚀、颗粒磨损以及气动磨损故障的检测结果均正确。设计系统的FPR-MRCI整体高于0.6,说明设计系统具有较高的故障特征识别率,同时误报率相对较低。随着噪声强度的增加,设计系统的下降幅度较小,说明其涡轮叶片故障识别性能在受到噪声影响后仍然比较准确。

关键词：机器视觉;图像超分辨率重建;知识图谱;航空发动机;TransD模型;特征嵌入;涡轮叶片故障检测;