一种基于黑盒自适应边界搜索的固体火箭发动机缺陷检测模型加速失效评估方法

《Engineering Applications of Artificial Intelligence》：A method for accelerated failure evaluation of solid rocket motor defect detection models using black-box adaptive boundary search

　　

摘要：固体火箭发动机内部缺陷检测是航空航天设备安全保证系统的关键组成部分。虽然深度学习模型在清洁实验室样本上取得了卓越的性能，但其在复杂工业现场环境下性能急剧下降的现象已成为限制其工程部署的关键瓶颈。针对传统鲁棒性评估方法存在的盲目扰动采样和故障边界搜索效率低等局限性，本文提出了一种黑盒自适应边界加速评估框架。首先，我们构建了一种边界感知混合梯度采样与多维弹性量化鲁棒敏感性分类方法。通过非均匀梯度采样、核平滑非线性拟合和多维无量纲指标体系，该方法将 12 种典型图像扰动分类为四个风险等级：高风险、中风险、低风险和可容忍风险。其次，我们提出了一种基于智能边界检测的黑盒故障参数搜索方法。该方法在先前敏感性信息的指导下自适应生成多种复合扰动，并采用两阶段验证策略选择具有低视觉感知度的高成功率最佳故障组合。最后，我们设计了一种基于极端梯度提升（XGBoost）代理模型和贝叶斯优化的加速测试框架，显著降低了黑盒模型的迭代测试开销。在三个缺陷数据集上对 16 种主流卷积神经网络和 Transformer 架构模型进行的实验结果表明，所提方法在多梯度验证样本大小下保持了性能优势的一致性，生成的故障参数平均成功率达到 98.1%。所提加速测试方法在 20 次迭代内收敛至超过 90% 的最大精度下降，且在搜索精度上优于传统方法 5.68% 至 21.30%。生成的故障参数表现出优异的跨数据集泛化能力，能有效揭示不同架构模型的鲁棒性局限性和缺陷类型偏差。本文提出的工作为缺陷检测模型的鲁棒性优化和部署边界定义提供了系统的定量支持。

引言：固体火箭发动机（SRM）的内部缺陷，如裂纹和孔隙，直接威胁设备的结构完整性和运行安全。鉴于这些发动机是空间运载火箭和军事装备的核心推进系统，这一点至关重要。准确高效的缺陷检测是确保这些发动机可靠服务寿命的关键因素（Gao 等，2026）（Li 等，2026a）。近年来，深度学习技术凭借其强大的特征提取能力，已广泛应用于固体火箭发动机的缺陷检测任务中（Hoffmann 等，2020a）（Wang 等，2025）（Li 等，2023）。出现了各种基于卷积神经网络（CNN）和视觉 Transformer 的检测模型，在清洁样本测试中实现了高检测精度。然而，在真实工业环境中，发动机缺陷图像容易受到噪声、模糊、遮挡和尺寸失真等各种扰动的影响，导致检测精度下降甚至模型失效。现有的评估方法难以快速准确地识别模型故障边界和脆弱区域，无法满足工业规模场景中验证模型可靠性的效率要求。因此，开发一种兼顾精度与效率的黑盒加速评估方法，对于提高固体火箭发动机缺陷检测的稳定性并确保设备安全运行具有重要的理论意义和工程价值。

关于固体火箭发动机内部缺陷的智能识别，现有文献主要专注于优化缺陷检测模型的性能，而对其他关键方面关注较少。由于固体火箭发动机的缺陷属于极小样本范畴，研究人员采用了扩散模型等方法进行数据增强研究。其中，Li L（Li 等，2026a）针对固体火箭发动机内部缺陷检测中长期存在的技术挑战，提出了一种基于可解释知识驱动的 3D 建模和 X 射线数字孪生模拟的检测框架。该框架建立了首个典型 SRM 缺陷模拟数据集，并引入了一种带有自监督辅助分支的检测模型。Wang X（Wang 等，2026）针对多品种、小批量生产中表面缺陷检测标注数据稀缺的挑战，提出了一种集成 VM-KAN 检测模型的不确定性引导两阶段条件扩散模型（UGDS-CDM）。通过“生成 - 扰动”数据增强、鲁棒检测和可解释性分析，该方法实现了 96.95% 的 F1 分数，并展示了在数据稀缺场景下跨多个数据集的能力，为工业小样本设置的智能检测提供了有效解决方案。Hoffmann L F S（Hoffmann 等，2020b）解决了固体火箭发动机中推进剂、内衬和隔热层界面分层的关键问题以及现有方法的局限性。他们提出了一种改进算法，结合局部二进制模式（LBP）纹理分析与颜色信息提取，通过多层感知机（MLP）实现像素级三分分类，三类的准确率分别达到 99.08%、90.66% 和 99.48%。该方法能在最小训练数据需求下识别小于 1 mm 的缺陷，其性能接近人工检查员，显示出辅助或自动化内衬检查的潜力。Gao M（Gao 等，2026）提出了一种结合物理机制与图像重建的无损评估方法，以实现固体推进剂内部缺陷的高精度微波检测。通过理论分析和实验，作者建立了探头性能与缺陷深度之间的线性定量关系，能够获得更清晰锐利的缺陷图像并有效识别微小缺陷。该方法促进了固体推进剂等类似复合材料缺陷的定量表征。Shen K（Shen 等，2026）针对像素级表面缺陷检测缺乏领域特定基础模型的问题，提出了一种大规模合成数据驱动的基础模型。通过构建包含数百万张图像的合成数据集并引入无监督领域知识迁移方法，实验结果表明所提方法在多个基准数据集上优于现有方法。综上所述，关于固体火箭发动机智能缺陷识别的现有研究主要专注于优化检测模型性能，并采用了扩散模型、微波检测和数据增强来解决小样本问题。虽然实现了高检测精度，但这些方法通常依赖黑盒模型，对模型性能边界和可解释性的研究仍相对有限。

在自动驾驶领域，现有研究主要专注于场景生成和系统性能测试。研究人员使用贝叶斯搜索和强化学习等方法构建高价值或类人交互场景，同时利用虚拟测试环境降低实车测试的风险并进行驾驶员危险感知评估。总体而言，这些努力已成功实现了测试场景的高效生成、系统性能的验证和驾驶风险的评估。然而，在泛化到复杂现实场景和全面量化系统可靠性方面仍有改进空间。为解决现有基于场景的测试方法在评估自动驾驶感知系统可靠性方面的不足，Hong W（Hong 等）提出了贝叶斯自适应搜索算法（BAGA）和朴素贝叶斯敏感性分析（BN Sobol）方法。这些方法构建了整合可靠性容忍边界的目标函数以识别高价值场景，并开发了集成评估软件。实验表明，其效率相比主流方法和穷举搜索分别提高了 77.7% 和 143.2%，能够高效检测感知系统的可靠性问题。Ma Y（Ma 等，2024）提出了一种基于深度强化学习的进化场景生成方法，构建了具有竞争、合作和协作驾驶动机的类人背景车辆模型，使用 TD3 算法生成交互驾驶策略，并建立了纳入安全性、效率和交互效用的智能定量评估框架。实验表明，生成的场景具有最高复杂性和超过 85% 的真实驾驶数据相似度，为自动驾驶的开发和评估提供了高效支持。同样，现有文献主要专注于基于生成场景数据的系统性能测试。Hu Y（Hu 等，2025）、Bai T（Bai 等，2026）和 Chen Z（Chen 等，2025）等学者都利用了生成的场景数据来测试自动驾驶系统的性能。然而，在实际自动驾驶道路测试中，突然出现的行人和恶劣天气等安全风险以及传感器限制带来了重大挑战。Park S（Park 和 Kim, 2026）设计了一种虚拟驾驶测试环境，能够在恶劣天气条件下收集和验证多源图像数据。通过整合天气、时间和移动物体等场景元素，并结合真实世界数据集与 V2X 边缘云技术，该方法能够实现风险验证，有效降低真实测试的时间、成本和安全风险。危险感知测试可以有效识别高风险驾驶员并降低碰撞风险，并且必须适应当地驾驶环境。Petya Ventsislavova（Ventsislavova 等，2026）设计了两种类型的危险感知测试：传统反应式和预测式。该研究招募了 225 名驾驶员，并根据经验和事故历史进行分组。结果显示，经验丰富的驾驶员表现显著优于新手。然而，涉及事故的驾驶员仅在感知任务中反应更慢，表明差异主要源于感知后的决策阶段。

由此可见，自动驾驶模型系统的基于场景的测试已表现出优异的性能。借鉴这种方法和方法论，研究人员将黑盒优化方法应用于图像分类中的黑盒攻击算法，从多个指标和角度提供了更全面的算法性能评估。Mosli R（Mosli 等，2020）和 Jiang W（Jiang 等，2023）采用粒子群优化算法生成对抗样本或扰动，能够在有限查询次数内精确识别最有效的对抗样本。此外，一些研究人员将差分进化纳入遗传算法的核心组件。Su J（Su 等，2019）提出了一种基于差分进化的单像素黑盒攻击方法。与传统黑盒攻击相比，该方法仅需修改单个像素，具有修改最小和攻击隐蔽性高的优点。Jere M（Jere 等，2019）设计了一种划痕生成算法，通过在目标图像上叠加人工划痕诱导神经网络误分类。在现有的像素域直接搜索算法中，一些研究人员专注于图像像素的搜索范围，基于单个像素（Shi 等，2023）（Liu 等，2023）或像素块（Dai 等，2023）（Pomponi 等，2022）（Chen 等，2023）进行搜索。然而，这些方法通常关注单一类型的扰动，未充分考虑工业环境中多种扰动共同作用的真实场景，难以满足固体火箭发动机缺陷检测黑盒模型的鲁棒性评估要求。

总体而言，在固体火箭发动机缺陷检测模型的鲁棒性评估领域仍存在显著不足。传统鲁棒性评估方法存在盲目扰动采样和故障边界搜索效率低的问题，无法准确捕捉模型精度下降的拐点，大多数故障测试方法依赖内部模型结构和梯度信息，难以适应工业界广泛使用的黑盒模型，加速测试方法收敛慢且计算成本高，无法满足工业级快速评估的工程要求。为解决这些核心问题，本文整合了自动驾驶领域场景生成和黑盒优化的技术方法，设计了一个综合的黑盒自适应边界加速评估系统。

通过三个核心创新模块的协同运作，系统实现了对固体火箭发动机缺陷检测模型鲁棒性的精确量化、故障边界的快速定位以及脆弱性弱点的深入识别，从而为模型鲁棒性优化和工程部署提供了系统性的定量支持。

章节片段 问题描述

传统深度学习模型鲁棒性评估和故障测试方法存在三大系统性缺陷，使其不适用于固体火箭发动机（SRM）缺陷检测的工程要求：
●鲁棒性和敏感性评估方法精度低
传统均匀采样无法聚焦于模型性能崩溃的极端区间，导致大量采样点浪费在模型性能稳定的区域，并且

边界感知混合梯度采样与多维弹性量化鲁棒性敏感性分级方法

本文提出的方法称为边界感知混合梯度采样与多维弹性量化鲁棒性敏感性分析（BMSE-RSA），旨在解决传统模型鲁棒性评估中扰动采样策略适应性不足、拟合线性化偏差导致的精度下降以及敏感性量化维度有限等问题。它为鲁棒性提供了精确的定量支持

问题表述与核心定义

在本文中，被测黑盒图像缺陷检测器表示为 ??:??→??，其中 ??????×??×3 是输入图像空间，??={1,2,…,??} 是类别标签空间，?? 是缺陷检测任务中的类别总数。对于任何输入图像 ??∈??，模型输出一个类别置信度向量 ???(??)=[??1?(??),??2?(??),…,?????(??)]?，其中 ?????(??)∈[0,1] 是模型对类别 c 的预测置信度，满足 ∑????=1?????(??)=1，模型的最终预测类别是 ???=arg???????????∈????????(??)。
设有标签测试

基于代理模型和贝叶斯优化的黑盒缺陷检测模型自适应边界加速测试方法

该算法解决了黑盒缺陷检测模型的鲁棒边界搜索问题。在仅能访问模型输入和输出、无法访问梯度或模型内部结构的约束下，它自适应地搜索最大化模型精度下降的扰动参数组合。核心优化问题可形式化为：
??????????∈Θ???(??)=Acc?(??,??)?Acc?(??,???(??;??))
s.t. ??′=???(??;??)∈??, ???∈??
其中，Acc?(??,??) 表示模型的

测试环境

本文所述方法的实验验证在 Windows 11 平台上进行，使用 AMD Ryzen 5 5600H 处理器和 NVIDIA RTX 3050 Laptop GPU (CUDA 11.6)。软件环境包括 Python 3.8 和 PyTorch 1.11.0。详细参数配置见表 3。

参考缺陷检测模型

本文选取的基准分类模型涵盖了计算机领域的两大主流架构的经典和主流代表

结论

为解决固体火箭发动机缺陷检测深度学习模型鲁棒性评估的挑战，本文提出了一套全面的黑盒自适应边界加速评估系统。它包含三个核心模块：BMSE-RSA 鲁棒性与敏感性分级、MIBP 故障参数搜索以及基于代理模型的加速测试。该系统系统地解决了传统方法固有的采样偏差、搜索效率低下以及

CRediT 作者贡献声明

李良亮：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，软件，资源，方法论。王鹏：验证，资源。王浩：监督，资源，调查。张宇：验证，方法论。范海霞：方法论，形式分析。周一诚：资源，调查。狄若海：资源，项目管理，调查，资金获取。

利益冲突声明

作者声明，他们没有任何已知的竞争性财务利益或个人关系可能会影响本论文报告的工作。

致谢

本研究得到了陕西省自然科学基础研究计划（2025JC-YBQN-959）、陕西省自然科学基础研究计划（2024JC-JCQN-57）、西安市自动化学会青年人才支持计划、陕西省自然科学基础研究计划（2025JC-YBQN-090）、西安市未央区秦创原平台科技成果转化项目（202416）、西安市自然科学基金（2025JH-ZRKX-0603）、固体国家重点实验室

李良亮 | 王鹏 | 王浩 | 张宇 | 范海霞 | 周一诚 | 狄若海

西安工业大学跨学科与研究院，西安，710021，中国