航空发动机外形点云的特征分割方法.docx

在航空工业中，发动机作为飞机的核心部件，其三维数字化模型对于飞机设计和制造的精确性至关重要。然而，当前我国在航空发动机方面面临一个问题：许多发动机是从国外进口的，这些外购发动机仅提供实物和安装尺寸信息，缺乏相应的三维数字模型。这种情况下，飞机设计部门在进行飞机与发动机的装配协调设计时，会遇到很大困难。为了解决这个问题，快速重构航空发动机的外形几何模型成为了当务之急。 本文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，以解决上述问题。点云是一种通过激光扫描或其他3D传感技术获取的三维数据集，它能够精确地表示物体的表面形状。在航空发动机的几何模型重建中，点云数据是基础。然而，发动机的外形包含多种复杂结构特征，如涡轮叶片、进气口、燃烧室等，这些特征需要被准确识别和分离，以便进行重建。 特征分割方法的目标是将整体点云数据分为特征点和非特征点两部分。特征点指的是能反映发动机结构特性的点，如边缘、拐角或特定形状的点。非特征点则通常代表平滑的表面区域。通过深度学习，可以训练一个神经网络来自动识别这些特征点，从而实现高精度的语义分割。 研究者设计了一种迭代密度均衡算法，用于构建特征分割数据集。这个算法通过调整点云中的点分布，使得训练样本更加均匀，有助于提高深度学习网络的训练效果和泛化能力，为特征分割网络的训练、测试和性能评估提供可靠的数据基础。 接着，他们构建了一个特征分割网络，该网络可以从多尺度的局部表面片中提取形状结构和局部邻域信息。通过分析这些信息，网络可以判断每个点的中心是否为特征点。多尺度处理可以捕捉到不同大小的结构特征，确保分割的准确性。 经过训练，这个特征分割网络可以应用到发动机外形点云数据上，实验结果显示，特征分割的精度达到了95.16%。这意味着提出的算法在实际应用中表现优秀，能够实现高精度的语义分割，有效区分发动机的结构特征。 这种高精度的特征分割方法对航空发动机外形几何模型的重建具有重大意义。通过准确地识别和分离特征点，可以采用不同的重建方法针对不同结构进行精细化建模，从而提高整体模型的准确性和可靠性。这对于我国自主飞机设计制造能力的提升，以及对外购发动机的适应性改造都具有积极的推动作用。 这项工作为航空发动机外形的三维数字化提供了创新解决方案，通过深度学习和特征分割技术，解决了在外购发动机没有三维模型情况下的设计难题，有助于提升我国航空工业的自主研发能力和技术水平。