当一处隐蔽微小的裂纹足以威胁万米高空的飞行安全，我们意识到传统人工检测如同大海捞针。受复杂自适应系统理论启发，构建人工智能驱动的自动化方案，为航空发动机等高端装备编织一张动态捕捉隐患的精准高效防护网。

导 读

当前高端航空装备检测多依赖人工，AI方法易受复杂条件和极端环境下的光照、遮挡和成像质量影响，难以兼顾高精度与实时性。本文从复杂自适应系统中汲取“局部-全局”协同与动态反馈思想，构建智能化高效检测框架，助力航空运维升级。

高端装备检测正从人工例行检查转向人工智能驱动的流程化检测。本工作提出一个复杂适应系统（Complex Adaptive Systems, CAS）启发的框架，通过应对极端环境下的数据受限、性能退化及应用部署挑战，以推动智能无损检测技术的发展。

1

数据驱动的复杂适应系统启发的损伤识别机制

所提出方法在概念上与复杂适应系统CAS的原理协同，其鲁棒性与适应性源于局部-全局交互作用、动态反馈及层级协调。这对不确定性和领域迁移场景下的智能维护至关重要，整体框架如图1A所示。在数据层，采用文本-图像交互式生成方法解决缺陷样本的稀缺性与场景有限问题。在模型层，受CAS涌现行为启发，通过局部-全局注意力机制将特征分区为通道组并施加自适应权重，为编码拓扑感知的空间先验，在注意力机制后进一步应用基于曼哈顿距离的衰减偏置，以增强流径相邻区域的连续性，同时抑制背景干扰。此外，所提出的两阶段参数自适应知识蒸馏方法进一步缓解了学习不确定性。

图1-(A): CAS启发的智能检测原理示意图

2

反馈传播的自适应动态知识迁移与学习机制

从CAS视角，教师模型可看作高维系统，其逻辑张量编码的暗知识能产生多尺度、多层级反馈信号。学生网络可看作边缘代理，通过自适应知识蒸馏机制对该信号进行过滤与重组，展现出符合简约性原理下的去中心化决策与动态重构能力。提出动机源于，训练初期需更广泛探索与利用蒸馏信号，而后期则需精细化收敛至真实标签。初始高温度平滑教师逻辑输出，避免稀有类别在指数运算后坍缩至零；待学习稳定后，降低温度值可强化常见缺陷的梯度响应。同时，在早期专注挖掘教师模型对困难样本的暗知识，并逐步向真实标签的渐进式聚焦，以加速主流类别收敛并有效降低误检漏判。

3

面向航空运维的平台开发与应用验证

为验证所提方法的工程实效性，本框架部署于航空发动机维护的桌面端与Web端等平台，符合用户中心理念与模型鲁棒性准则。具备自动生成诊断报告，支持远程协同会诊与现场实时决策等多任务需求。

4

实验与结果

在五类场景进行验证性能（含复杂叶片、服役/拆解的航空发动机部件、工业材料表面），其存在显著类内差异或类间相似性问题，且受压缩伪影、光照波动及传感器噪声干扰。如图1B所示展示了多场景的对比，在四个基准测试中性能持续领先，降低了难例样本的漏检误判。

在工程实效上，针对航发孔探测试，利用提出的两阶段自适应知识蒸馏使置信度中位数提升，且分布更紧凑（图1C）；在BoreAero验证集（图1D）对关键缺陷实现近完美检测，误报率保持低位。如图1E，参数量压缩超80%，推理速度提升近16倍；通过F1分数-参数量比值指标（图1F）也验证了局部-全局混合架构效率优势。在消融与参数分析上，图1G消融研究表明，自适应温度系数贡献最大单模块增益，损失权重适应进一步提升类间校准，二者协同达最优性能。图1H揭示了注意力块数存在数据集依赖关系，性能呈现“先升后降”趋势。图1I进一步验证了非线性调度策略必要性：训练前期保障丰富探索知识，而后期优化收敛决策边界。在轻量化对比上，如图1J，自适应知识蒸馏压缩率达90.9%，显著优于剪枝与量化等技术，为资源受限设备部署提供有效检测方案。

图1-(B)~(J)：(B) 提出框架与其他先进AI模型的性能对比分析；(C) 真实航空发动机孔探测试集上教师模型与本模型的置信度分数；(D) 孔探验证集上典型缺陷类别的性能指标分析；(E) 本方法与基准模型在参数量/GFLOPs/推理耗时的性能对比；(F) CNN, Transformer与混合架构的效率分析；(G) 核心组件在数据和模型维度的消融实验；(H) 学生网络注意力模块数量对模型性能的影响；(I) 不同固定知识蒸馏参数下提出方法的识别准确率分析；(J) 其他常用模型压缩技术的对比分析。

总结与展望

本工作提出了一种受复杂自适应系统启发的航空发动机智能检测框架。在数据层通过图文交互样本生成，以缓解缺陷样本稀缺问题。在模型层结合局部-全局注意力与拓扑驱动空间衰减机制，以增强复杂场景和域偏移下的鲁棒性；并设计两阶段参数自适应知识蒸馏机制，在训练中切换“探索-利用”与“精炼-收敛”学习过程。应用层通过软硬件协同优化实现跨平台部署，平均中位检测置信度约0.97，模型参数量降低90.9%且检测效率显著提升。未来工作将重点探索多源异构信息融合与协同学习策略，进一步提升航空高端装备的智能运维可信度和决策可靠性。

责任编辑

陈杰威  华南师范大学

本文内容来自Cell Press合作期刊The Innovation第7卷第1期以Letter发表的“AI-driven automation of aviation equipment inspection: Insights from a complex adaptive systems perspective” (投稿: 2025-06-03；接收: 2025-08-18；在线刊出: 2025-08-20)。

DOI:10.1016/j.xinn.2025.101084

引用格式：Wu P., Wen W., Li H., et al. (2025). AI-driven automation of aviation equipment inspection: Insights from a complex adaptive systems perspective. The Innovation 7:101084.

作者简介

曾念寅，厦门大学航空航天学院教授、博导、副院长、智能系统与计算实验室（isc.xmu.edu.cn）负责人、艾思科蓝学术委员会人工智能驱动的自动化技术委员会主任。主要研究方向为不完善数据智能分析（建模，学习，优化与决策）、人工智能驱动的自动化（AI+X）、多学科设计优化等。入选福建省杰青、福建省“雏鹰计划”青年拔尖人才、斯坦福大学和爱思唯尔“全球前2%顶尖科学家”(连续5年)、ScholarGPS“全球前0.05%顶尖学者”、科睿唯安“全球高被引科学家”、华为昇腾专家、2024“中国人工智能年度十大风云人物”等。主持负责包括国家自然科学基金和国家重大科技专项专题等20余项科研项目。在The Innovation、IEEE汇刊等领域内权威刊物上发表SCI论文120余篇、ESI高被引/热点论文20余篇，谷歌学术总引用1.4万余次（H=51）；主编/参编出版专著/教材/章节6部；获授权国家发明专利等知识产权18项(转化2项)。获中国发明协会发明创业成果二等奖、福建省自然科学二等奖和三等奖、重庆市自然科学一等奖、中国自动化学会自然科学奖二等奖和厦门市科技进步二等奖等科技奖励。担任Neurocomputing, CAAI Transactions on Intelligence Technology, IET Electronics Letters,仪器仪表学报，中国图象图形学报等多个期刊领域主编、副编辑、编委/青年编委工作。担任中国科协航空发动机产学联合体工作联络员、中国人工智能学会青工委委员、中国自动化学会工业物联网技术与应用专委会和普及工作委员会委员、福建省航空学会副会长和福建省系统工程学会常务理事。