一种航空器的健康可靠性分析方法及系统与流程

本发明属于航空器可靠性分析，具体涉及一种航空器的健康可靠性分析方法及系统。

背景技术：

1、航空发动机作为航空器的心脏，其核心部件通常运转在高温、高压、高转速的恶劣环境下，而航空发动机叶片作为发动机的关键部件，其在前述恶劣环境中工作时，易受到外物打伤、燃烧、腐蚀、转静碰摩等因素的影响，从而会产生各类损伤(如卷曲、裂纹等)；因此，对航空发动机叶片的损伤检测，是进行航空器健康可靠性分析以及保障航空器健康运行的重要一环。

2、目前，航空发动机的叶片损伤检测大多是采用孔探技术，其在航空维修工作中具有举足轻重的作用，孔探技术是将发动机内部状况以图像的形式展示给检修人员，从而可使检修人员基于该图像来完成发动机叶片的损伤检测；同时，随着计算机视觉的发展以及图像处理水平的提高，发动机叶片损伤检测也逐渐由人工转换为计算机执行，相比于人工检测，基于机器视觉的叶片损伤检测方法，提高了检测效率以及准确性，已得到了广泛应用。

3、但是，现有的基于机器视觉的发动机叶片损伤检测方法存在以下不足：(1)由于孔探图像在采集过程中，会受到采集环境等各类因素的影响，因此，其内部会含有较多的混合噪声，而现有技术通常采用简单的滤波方法进行去噪，其对于孔探图像中的混合噪声去噪效果较弱，如此，则会对模型识别结果产生较大影响，从而降低了模型识别的准确性；(2)传统技术在训练模型时，通常采用贝叶斯优化搜索方式来确定出模型最优参数，但是前述方式在一次迭代过程中只能评估一组参数，由此，则会造成模型训练时间长的问题；基于此，如何提供一种效率高且准确性高的航空器的健康可靠性分析方法，已成为一个亟待解决的问题。

技术实现思路

1、本发明的目的是提供一种航空器的健康可靠性分析方法及系统，用以解决现有技术所存在的去噪效果差所导致的模型识别准确性低的问题，以及模型训练效率低的问题。

2、为了实现上述目的，本发明采用以下技术方案：

3、第一方面，提供了一种航空器的健康可靠性分析方法，包括：

4、获取目标航空器的发动机叶片的孔探图像；

5、对所述孔探图像进行小波分解处理，以得到不同分解尺度下的小波系数以及每个小波系数对应的小波分解图像信号；

6、对每个小波系数对应的小波分解图像信号进行信号识别处理，以从若干小波分解图像信号中识别出噪声图像信号；

7、基于所述噪声图像信号的小波系数，对噪声图像信号进行去噪处理，以得到去噪图像信号；

8、利用目标图像信号和所述去噪图像信号，进行小波重构处理，以在小波重构处理后，得到去噪孔探图像，其中，所述目标图像信号为若干小波分解图像信号中除去所述噪声图像信号之外的所有小波分解图像信号；

9、获取航空器叶片损伤识别模型，其中，所述航空器叶片损伤识别模型是通过改进后的遗传算法确定出模型最优参数，并在模型最优参数的基础上，以若干样本航空器的发动机叶片的样本去噪孔探图像为输入，各个样本航空器的发动机叶片的损伤识别结果为输出而训练得到的；

10、将所述去噪孔探图像输入至所述航空器叶片损伤识别模型中进行损伤识别处理，以得到所述目标航空器的发动机叶片的损伤识别结果；

11、根据目标航空器的发动机叶片的损伤识别结果，得出目标航空器的健康可靠性分析结果。

12、基于上述公开的内容，本发明在获取到目标航空器的发动机叶片的孔探图像后，先对其进行小波分解，以得到在不同分解尺度下的小波分解图像信号；而后，再对各个小波分解图像信号进行信号识别，从而识别出若干小波分解图像信号中的噪声图像信号；接着，基于噪声图像信号的小波系数，对噪声图像信号进行去噪处理，得到去噪图像信号；最后，在完成噪声图像信号的去噪后，则可结合前述非噪声的小波分解图像信号，来进行图像重构，从而得到去噪孔探图像；如此，前述步骤相当于是将原图像分解为不同频率和频段的信号，然后对各个频率和频段的信号分别进行噪声识别，并进行噪声去除，基于此，相比于传统的滤波去噪，本发明可最大程度的去除不同频段和频率的噪声，从而提高混合噪声的去噪效果。

13、同时，本发明在进行模型训练时，采用改进后的遗传算法确定出模型最优参数，因此，可利用遗传算法中的种群，在一次迭代过程中评估多组模型参数，如此，相比于传统技术，可减少模型训练时长，从而提高损伤识别效率；基于此，在基于前述方法训练得到航空器叶片损伤识别模型后，将前述去噪孔探图像输入至航空器叶片损伤识别模型，即可得到叶片的损伤识别结果；最后，根据该叶片的损伤识别结果，则可得出目标航空器的健康可靠性分析结果。

14、通过上述设计，本发明在进行损伤检测前，采用小波分解对原图像进行分解处理，从而得到不同频段和频率的图像信号；而后，再对不同频段和频率的图像信号进行信号识别，以得出属于噪声的图像信号，接着，对属于噪声的图像信号进行去噪处理，得到去噪图像信号；最后，利用去噪图像信号和非噪声图像信号进行图像重构，则可得到去噪孔探图像；如此，本发明相比于传统的滤波去噪，可最大程度的去除不同频段和频率的噪声，从而提高了混合噪声的去噪效果；同时，本发明在进行叶片损伤模型训练时，采用改进后的遗传算法来确定出模型最优参数，其相比于传统技术，可利用遗传种群，在一次迭代过程中评估多组模型参数，因此，可减少模型训练时长，从而提高损伤识别效率；基于此，本发明可在保证识别准确率的同时，减少模型训练时长，因此，非常适用于在发动机叶片损伤检测领域的大规模应用与推广。

15、在一个可能的设计中，对每个小波系数对应的小波分解图像信号进行信号识别处理，以从若干小波分解图像信号中识别出噪声图像信号，包括：

16、对于任一小波分解图像信号，获取所述任一小波分解图像信号中的所有像素点；

17、基于所述任一小波分解图像信号中的所有像素点，并利用二分类算法，确定出所述任一小波分解图像信号的二分类值；

18、根据所述任一小波分解图像信号的二分类值，确定出所述任一小波分解图像信号的信号分类结果，其中，若所述任一小波分解图像信号的二分类值小于0，则得出所述任一小波分解图像信号的信号分类结果为噪声图像信号，若所述任一小波分解图像信号的二分类值大于或等于0，则得出所述任一小波分解图像信号的信号分类结果为非噪声图像信号。

19、在一个可能的设计中，基于所述任一小波分解图像信号中的所有像素点，并利用二分类算法，确定出所述任一小波分解图像信号的二分类值，包括：

20、根据所述任一小波分解图像信号中的各个像素点的坐标，并按照如下公式(1)，确定出二分类偏置值；

21、

22、上述公式(1)中，表示所述二分类偏置值，δ表示拉格朗日乘子，xj,yj分别为所述任一小波分解图像信号中的第j个像素点的横坐标和纵坐标，n表示所述任一小波分解图像信号中的像素点总数，λ1,λ2均表示二分类类别参数；

23、利用所述二分类偏置值以及所述任一小波分解图像信号中的各个像素点的坐标，并按照如下公式(2)，确定出所述任一小波分解图像信号的二分类值；

24、

25、上述公式(2)中，y表示所述任一小波分解图像信号的二分类值，k()表示高斯径向基核函数，sign[]表示符号函数，其中，当方括号中的值小于0时，sign[]返回的值为-1，当方括号中的值大于0时，sign[]返回的值为1。

26、在一个可能的设计中，基于所述噪声图像信号的小波系数，对噪声图像信号进行去噪处理，以得到去噪图像信号，包括：

27、获取初始小波阈值，并基于所述初始小波阈值，确定出第一小波阈值以及第二小波阈值，其中，所述第一小波阈值和所述第二小波阈值均大于0，且所述第一小波阈值小于所述初始小波阈值，所述初始小波阈值小于所述第二小波阈值；

28、基于所述噪声图像信号的小波系数、所述第一小波阈值以及所述第二小波阈值，确定出小波调整参数；

29、根据所述小波调整参数、所述第一小波阈值以及所述第二小波阈值，调整所述噪声图像信号的小波系数，以在小波系数调整后，得到所述去噪图像信号。

30、在一个可能的设计中，基于所述噪声图像信号的小波系数、所述第一小波阈值以及所述第二小波阈值，确定出小波调整参数，包括：

31、按照如下公式(3)，计算出所述小波调整参数；

32、

33、上述公式(3)中，μ表示所述小波调整参数，σ1,σ2分别表示所述第一小波阈值和所述第二小波阈值，a表示所述噪声图像信号的小波系数；

34、相应的，根据所述小波调整参数、所述第一小波阈值以及所述第二小波阈值，调整所述噪声图像信号的小波系数，则包括：

35、按照如下公式(4)，调整所述噪声图像信号的小波系数；

36、

37、上述公式(4)中，a′表示调整后的小波系数，sign()表示符号函数。

38、在一个可能的设计中，通过改进后的遗传算法确定出模型最优参数，包括：

39、获取多组模型参数，并将每组模型参数作为一个染色体，以组成初始染色体种群；

40、基于初始染色体种群中每个染色体对应的模型参数，构建出若干初始航空器叶片损伤识别模型，并利用训练集训练各个初始航空器叶片损伤识别模型，以得到若干训练后的初始航空器叶片损伤识别模型，其中，所述训练集包括若干样本航空器的发动机叶片的样本去噪孔探图像；

41、将同一测试数据输入至各个训练后的初始航空器叶片损伤识别模型中进行叶片损伤识别处理，以分别得到各个训练后的初始航空器叶片损伤识别模型的模型输出；

42、根据各个训练后的初始航空器叶片损伤识别模型的模型输出以及所述测试数据的标签值，计算出各个染色体的适应度；

43、从各个适应度中筛选出全局最优适应度，并判断全局最优适应度是否满足预设条件；

44、若否，则根据各个染色体的适应度，从所述初始染色体种群中选择出若干染色体，以组成父代染色体种群；

45、从所述父代染色体种群中选择出多个父代染色体，并采用改进后的交叉算法，对选择出的多个父代染色体进行个体交叉操作，以在个体交叉操作后，得到多个交叉染色体；

46、从目标染色体种群中，选择出若干目标染色体，并利用改进后的变异算法，对选择出的各个目标染色体进行变异操作，以在变异操作后，得到若干变异染色体，其中，所述目标染色体种群包括多个交叉染色体以及所述父代染色体种群中未被选择的父代染色体；

47、利用变异染色体以及目标染色体种群中未被选择的目标染色体，组成子代染色体种群；

48、将所述初始染色体种群更新为所述子代染色体种群，并重新基于所述初始染色体种群中每个染色体对应的模型参数，构建出若干初始航空器叶片损伤识别模型，直至全局最优适应度满足所述预设条件时为止，以将满足所述预设条件的全局最优适应度对应的染色体的模型参数，作为模型最优参数。

49、在一个可能的设计中，根据各个染色体的适应度，从所述染色体种群中选择出若干染色体，以组成父代染色体种群，包括：

50、按照适应度从高到低的顺序，对各个染色体进行排序处理，以得到染色体排序序列；

51、将所述染色体排序序列中的染色体从前至后分类为三类，以分别得到第一类染色体、第二类染色体和第三类染色体，其中，第一类染色体中的最后一个染色体的适应度，大于所述第二类染色体中的第一个染色体的适应度，且所述第二类染色体中的最后一个染色体的适应度，大于所述第三类染色体中的第一个染色体的适应度；

52、获取个体选择概率，并基于所述个体选择概率从所述第三类染色体中选取多个染色体，并利用所述第一类染色体、所述第二类染色体以及从所述第三类染色体中选取的多个染色体，组成所述父代染色体种群。

53、在一个可能的设计中，采用改进后的交叉算法，对选择出的多个父代染色体进行个体交叉操作，以在个体交叉操作后，得到多个交叉染色体，包括：

54、对于选择出的多个父代染色体中的任意两父代染色体，获取所述任意两父代染色体中处于交叉位置上的基因；

55、为所述任意两父代染色体生成处于0至1之间的第一随机数；

56、根据所述第一随机数以及两处于交叉位置上的基因，并按照如下公式(5)，对所述任意两父代染色体进行个体交叉操作，以在个体交叉操作后，得到两交叉染色体；

57、

58、上述公式(5)中，gb,d表示所述任意两父代染色体中的其中一个父代染色体在交叉位置上的基因，g′b,d表示其中一个父代染色体在交叉位置上的交叉后的基因，gc,d表示所述任意两父代染色体中的另一个父代染色体在交叉位置上的基因，g′c,d表示另一个父代染色体在交叉位置上的交叉后的基因，且ρ表示所述第一随机数。

59、在一个可能的设计中，利用改进后的变异算法，对选择出的各个目标染色体进行变异操作，以在变异操作后，得到若干变异染色体，包括：

60、对于选择出的若干目标染色体中的任一目标染色体，生成所述任一目标染色体对应的第二随机数，其中，所述第二随机数的取值区间为[0,1]；

61、确定出所述任一目标染色体的变异位置，并获取所述任一目标染色体在所述变异位置上的基因以及所述变异位置上的基因的最大值和最小值；

62、根据所述最大值、所述最小值、所述第二随机数以及所述任一目标染色体在变异位置上的基因，并采用如下公式(6)，确定出所述任一目标染色体在变异位置上变异后的基因；

63、

64、上述公式(6)中，g′s表示所述任一目标染色体在变异位置上变异后的基因，gs表示所述任一目标染色体在变异位置上的基因，gmax表示所述最大值，gmin表示所述最小值，θ表示所述第二随机数，τ表示当前迭代次数，τmax表示最大迭代次数；

65、将所述任一目标染色体在变异位置上的基因更新为变异后的基因，以在更新后，得到所述任一目标染色体对应的变异染色体。

66、第二方面，提供了一种航空器的健康可靠性分析系统，包括：

67、获取单元，用于获取目标航空器的发动机叶片的孔探图像；

68、小波分解单元，用于对所述孔探图像进行小波分解处理，以得到不同分解尺度下的小波系数以及每个小波系数对应的小波分解图像信号；

69、信号识别单元，用于对每个小波系数对应的小波分解图像信号进行信号识别处理，以从若干小波分解图像信号中识别出噪声图像信号；

70、去噪单元，用于基于所述噪声图像信号的小波系数，对噪声图像信号进行去噪处理，以得到去噪图像信号；

71、去噪单元，还用于利用目标图像信号和所述去噪图像信号，进行小波重构处理，以在小波重构处理后，得到去噪孔探图像，其中，所述目标图像信号为若干小波分解图像信号中除去所述噪声图像信号之外的所有小波分解图像信号；

72、叶片损伤识别单元，用于获取航空器叶片损伤识别模型，其中，所述航空器叶片损伤识别模型是通过改进后的遗传算法确定出模型最优参数，并在模型最优参数的基础上，以若干样本航空器的发动机叶片的样本去噪孔探图像为输入，各个样本航空器的发动机叶片的损伤识别结果为输出而训练得到的；

73、叶片损伤识别单元，还用于将所述去噪孔探图像输入至所述航空器叶片损伤识别模型中进行损伤识别处理，以得到所述目标航空器的发动机叶片的损伤识别结果；

74、可靠性分析单元，用于根据目标航空器的发动机叶片的损伤识别结果，得出目标航空器的健康可靠性分析结果。

75、第三方面，提供了另一种航空器的健康可靠性分析装置，以装置为电子设备为例，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述航空器的健康可靠性分析方法。

76、第四方面，提供了一种存储介质，存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述航空器的健康可靠性分析方法。

77、第五方面，提供了一种包含指令的计算机程序产品，当指令在计算机上运行时，使计算机执行如第一方面或第一方面中任意一种可能设计的所述航空器的健康可靠性分析方法。

78、有益效果：

79、(1)本发明在进行损伤检测前，采用小波分解对原图像进行分解处理，从而得到不同频段和频率的图像信号；而后，再对不同频段和频率的图像信号进行信号识别，以得出属于噪声的图像信号，接着，对属于噪声的图像信号进行去噪处理，得到去噪图像信号；最后，利用去噪图像信号和非噪声图像信号进行图像重构，则可得到去噪孔探图像；如此，本发明相比于传统的滤波去噪，可最大程度的去除不同频段和频率的噪声，从而提高了混合噪声的去噪效果；同时，本发明在进行叶片损伤模型训练时，采用改进后的遗传算法来确定出模型最优参数，其相比于传统技术，可利用遗传种群，在一次迭代过程中评估多组模型参数，因此，可减少模型训练时长，从而提高损伤识别效率；基于此，本发明可在保证识别准确率的同时，减少模型训练时长，因此，非常适用于在发动机叶片损伤检测领域的大规模应用与推广。

80、(2)本发明在利用小波系数进行去噪时，基于初始小波阈值，重新确定出了两小波阈值，并基于此，来计算出了小波调整参数；而后，根据小波调整参数以及前述两小波阈值，来构建出了自适应的小波系数调整函数；如此，相比于传统的硬阈值调整方法，本发明能够在去噪后保持图像的平滑性以及细节信息，因此，进一步的提高了去噪效果。

81、(3)本发明在确定模型最优参数时，使用改进的交叉和变异算法，来进行个体交叉和变异操作，其中，在交叉操作中，不再是传统的基因位置交换，而是引入了交叉双方的第一随机数和基因值来重新计算出基因；同理，在变异时，则是引入了变异个体对应的第二随机数和基因来重新计算；如此，相比于传统技术，可以使种群更加多样化，从而避免了传统遗传算法所存在的容易陷入局部最优的问题。