14、基于机器学习的涡轮表面缺陷检测与高性能计算框架

基于机器学习的涡轮表面缺陷检测与高性能计算框架

1. 涡轮表面缺陷检测背景与需求

在工业生产中，涡轮作为重要的机械部件，其表面状态对于性能和安全性至关重要。随着子弹在涡轮内爆炸和滑行，温度和压力的积累会逐渐导致涡轮表面退化，出现诸如普通磨损、腐蚀坑、侵蚀和生锈等缺陷。这些缺陷可能会影响炮弹的发射，甚至危及操作人员的生命安全。因此，准确检测和分类涡轮表面的缺陷具有重要意义。

传统的机械检测方法存在速度慢、结果不一致且容易出现人为错误等问题，同时涡轮的形状和长度也使得肉眼检查变得困难。而人工智能和机器学习方法在视觉检查方面展现出了巨大的潜力，能够以低成本提供快速的统计评估，提高性能和生产率。

2. 相关研究与现有方法

近年来，视觉表面检查已应用于多种物品，如前密封件和聚氨酯包装等，并提出了多种故障检测和分割解决方案。研究发现，基于纹理描述的特征能产生更好的结果，但自动选择特征的技术并不常用。许多学者使用特征提取策略，并且有多种分类方法可用于识别故障。例如，支持向量机（SVM）具有较高的准确性，人工神经网络（ANN）也能满足此类需求。然而，关于涡轮表面故障分类的研究相对较少。

3. 涡轮表面缺陷检测方法

3.1 数据采集

使用电荷耦合器件（CCD）传感器和小型显微镜探头以非破坏性方式拍摄10个使用过的涡轮的受损区域表面图像。实验装置中，通过LED提供照明，光线经反射分散，相机与光学探头相连，可在涡轮内水平和垂直旋转以拍摄整个内部区域的照片。同时，通过记录分辨率为1/100 mm的光学光栅图像并计算对应像素来校准设备。

从10个涡轮的内侧特定段收集的大量图像中选取1000张，分