[发明专利]用于原位识别具有重复区段的旋转体中的共同位置的机器学习系统

说明书

本发明提供了一种系统，其包括一个或多个处理器，所述一个或多个处理器被配置成自动地识别旋转体的重复区段中的不同的受损部分。一个或多个受损部分的大小和/或形状的至少一个相对于时间变化。所述一个或多个处理器还被配置成基于识别不同的受损部分，在所述旋转体的旋转期间，确定所述旋转体的重复区段中的不同的受损部分的模式。所述一个或多个处理器还被配置成使用被确定的受损部分的模式，随后自动地识别所述旋转体中重复区段的单独区段的位置。

技术领域

本发明的主题涉及机器学习图像分析系统。

背景技术

可以使用机器学习自动地识别图像中描绘的对象。为了各种目的，机器学习系统可以使用神经网络来分析图像，例如自动地识别机器的受损(distress)(例如损坏)。例如，通过将管道镜插入到涡轮机中并获得涡轮叶片的图像，涡轮机的涡轮叶片或涡轮叶片上的涂层中的裂缝、剥落、点蚀等可以被自动地识别。

但是，区分涡轮叶片可能是困难的。因为涡轮叶片外表相似，难以跟踪特定涡轮叶片随时间推移的损坏变化。由于涡轮机的旋转对称性，管道镜和机器学习系统的操作者可能不知道哪个涡轮叶片正被成像。尽管可以拆开涡轮机来区分涡轮叶片，但拆卸是一件耗时和费用高的劳动。

发明内容

在一个实施例中，一种方法，其包括自动地识别(使用机器学习系统)旋转体的重复区段中的不同的受损部分。一个或多个受损部分的大小和/或形状的至少一个相对于时间变化。所述方法还包括基于识别不同的受损部分，在所述旋转体的旋转期间，确定所述旋转体的重复区段中的不同的受损部分的模式(a pattern of the different distressedportions)；以及随后使用被确定的受损部分的模式，自动地识别(使用相同的机器学习系统或另一机器学习系统)所述旋转体中重复区段的单独区段的位置。

在一个实施例中，一种系统，其包括：一个或多个处理器，所述一个或多个处理器被配置成自动地识别旋转体的重复区段中的不同的受损部分。一个或多个受损部分的大小和/或形状的至少一个相对于时间变化。所述一个或多个处理器还被配置成基于识别不同的受损部分，在所述旋转体的旋转期间，确定所述旋转体的重复区段中的不同的受损部分的模式。所述一个或多个处理器还被配置成使用被确定的受损部分的模式，随后自动地识别所述旋转体中重复区段的单独区段的位置。

在一个实施例中，一种方法，其包括：自动地识别(使用机器学习系统)涡轮发动机的多个不同的损坏叶片。一个或多个损坏叶片的损坏的大小或形状的至少一个相对于时间变化。所述方法还包括基于识别不同的损坏叶片，确定在所述涡轮发动机的旋转期间所述涡轮发动机的不同的损坏叶片的序列模式；以及随后在所述一个或多个损坏叶片的损坏的大小、形状或者大小和形状两者变化之后，使用相同的机器学习系统或者另一机器学习系统自动地识别所述涡轮发动机的损坏的叶片。

附图说明

参考附图，通过阅读对非限制性实施例的以下描述，将更好地理解本发明的主题，下文中，在附图中：

图1示出了机器学习系统的一个实施例；

图2示出了图1中所示的旋转机的一个实例；

图3示出了在稍后时间图2中所示的旋转机；以及

图4示出了原位识别具有可重复区段的旋转体中的共同位置的方法的一个实施例的流程图。

具体实施方式