基于卷积神经网络的超声速燃烧室燃烧模式检测方法与流程

本发明涉及超声速燃烧冲压发动机燃烧室状态监测
技术领域：
，尤其是一种基于卷积神经网络的超声速燃烧室燃烧模式检测方法。
背景技术：
：超声速燃烧技术是超燃冲压发动机的关键技术，也是实现高超声速飞行器的重要基础。保证燃烧室内的超声速燃烧过程稳定、可控，一直是该领域的热点研究问题，而实时掌握燃烧室内的燃烧模式是实现燃烧过程稳定、可控的前提条件。随着相关技术逐渐成熟，高超声速飞行器也逐渐走出实验室，各种军事和民用的应用概念已经被提出，甚至付诸实践。在超燃冲压发动机实际运行过程中，监控其运行状况是非常重要的。由于燃烧过程燃料分布和其他参数的控制在很大程度上取决于燃烧模式的判断，因此燃烧模式检测是工作过程监控的重要组成部分。当前超声速燃烧室内燃烧模式的判断主要依靠一些特殊位置的特定参数的变化，结合统计学和传统机器学习的方法来实现，如燃烧室内的当量比，隔离段特征位置的壁面压力比等。虽然这些方法可以为超声速燃烧室工作过程监控系统设计提供一些参考但是也存在很多问题：一是通过观察某些选定参数或无量纲指标的变化和趋势来进行燃烧模式检测通常是耗时并且不可靠的，特别是当数据受到噪音影响时；二是这类方法对于专家知识和工程经验的依赖性很强，当所涉及的物理化学过程特别复杂，甚至无法完全理解时，其弊端尤其明显；三是这类方法通常针对性很强，只适用于某一种构型的燃烧室，如果燃烧室构型不同，甚至结构参数发生变化，都需要对参数和特征进行重新选取和设计，通用性不好。技术实现要素：本发明提供一种基于卷积神经网络的燃烧室燃烧模式检测方法，用于克服现有技术中可靠性欠佳、对专家知识和工程经验依赖性强、通用性不好等缺陷，该方法直接利用超声速燃烧室工作过程中采集的原始数据进行燃烧模式检测，该方法的检测结果可靠性高、对专家知识和工程经验依赖性弱，通用性好。为实现上述目的，本发明提出一种基于卷积神经网络的燃烧室燃烧模式检测方法，包括以下步骤：s1：采集工作过程中超声速燃烧室内各个不同传感器的原始数据，原始数据对应的燃烧模式已知，将原始数据划分为若干数据样本，所有数据样本组成数据样本集；s2：将数据样本集随机划分为训练集、验证集和测试集，并分别对所述训练集、验证集和测试集中的数据进行预处理；s3：搭建能够实现将数据样本中潜在特征映射到对应燃烧模式的卷积神经网络模型；s4：利用训练集对卷积神经网络模型进行训练，以获得卷积神经网络模型的权值矩阵参数，利用验证集对训练后的卷积神经网络模型进行验证，以对卷积神经网络模型的超参数进行优化，获得超声速燃烧室燃烧模式检测模型，之后利用测试集对所述超声速燃烧室燃烧模式检测模型进行效果评估；s5：利用超声速燃烧室燃烧模式检测模型对未知燃烧模式的待检测数据样本进行检测，获得当下超声速燃烧室燃烧模式。本发明提供的基于卷积神经网络的燃烧室燃烧模式检测方法无需对原始数据特征进行人工设计和提取，可直接利用超声速燃烧室工作过程中采集的原始数据实现燃烧模式检测，且方法通用性好，检测结果准确性高。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1为本发明提供的超声速燃烧室燃烧模式检测模型示意图；图2为本发明提供的基于卷积神经网络的燃烧室燃烧模式检测方法流程图；图3为本发明所述超声速燃烧室结构示意图；图4为本发明提供的检测方法中将原始数据划分为若干数据样本的示意图；图5为本发明实施例中建立的卷积神经网络示意图。本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。图1所示为本发明中超声速燃烧室燃烧模式检测模型示意图，图2所示为本发明中基于卷积神经网络的燃烧室燃烧模式检测方法流程图，包括以下具体实施方式：s1：采集工作过程中超声速燃烧室内各个不同传感器的原始数据，原始数据对应的燃烧模式已知，将原始数据划分为若干数据样本，所有数据样本组成数据样本集；所述原始数据包括超声速燃烧室内各个不同传感器对应的参数，如燃烧室壁面压力、燃料喷注压力、燃烧室温度、燃料流量等。s2：将数据样本集随机划分为训练集、验证集和测试集，并分别对所述训练集、验证集和测试集中的数据进行预处理；s3：搭建能够实现将数据样本中潜在特征映射到对应燃烧模式的卷积神经网络模型；s4：利用训练集对卷积神经网络模型进行训练，以获得卷积神经网络模型的权值矩阵参数，利用验证集对训练后的卷积神经网络模型进行验证，以对卷积神经网络模型的超参数进行优化，获得超声速燃烧室燃烧模式检测模型，之后利用测试集对所述超声速燃烧室燃烧模式检测模型进行效果评估；s5：利用超声速燃烧室燃烧模式检测模型对未知燃烧模式的待检测数据样本进行检测，获得当下超声速燃烧室燃烧模式。超声速燃烧室包括多种构型，如凹腔式燃烧室、支板式燃烧室等，本实施例中所涉及为凹腔式燃烧室。对于其他构型的燃烧室，采用本发明提供的方法，均可以通过基于卷积神经网络的超声速燃烧室燃烧模式检测方法对燃烧室内燃烧模式实现检测。超声速燃烧室燃烧模式一般包括未燃烧模式、凹腔剪切层火焰稳定模式、凹腔辅助射流尾迹火焰稳定模式、联合凹腔剪切层回流区火焰稳定模式、壅塞模式等。对燃烧模式的定义各个研究所、高校课题组等可能都不一样，这样就会出现大量各式各样的本发明未提到的燃烧模式，但这些燃烧模式均能通过本发明提供的基于卷积神经网络的燃烧室燃烧模式检测方法进行检测。在s1中，采集超声速燃烧室工作过程中某个时间段内的原始数据，原始数据中包括燃烧室壁面压力、燃料喷注压力、燃料流量、燃烧室温度等，所采集的原始数据的数量根据传感器数量、燃烧室工作时长等实际情况而定，一般尽量多的采集数据。将原始数据划分为若干数据样本，如图4所示，所述数据样本为大小m×n的矩阵，其中m为单个数据样本中包含的采样点数，n为传感器个数，即为数据样本中包含的参数的个数，参数包括燃烧室壁面压力、燃料喷注压力、燃料流量、燃烧室温度等。为方便卷积神经网络处理，一般m和n均为2的次幂，或者为2的次幂与其他数字的乘积。一般来说，数据样本数量越多越好，训练集所包含的超声速燃烧室工作过程中的工况越全面，训练得到的卷积神经网络模型性能越好，对燃烧模式的判断就越准确。因此，在原始数据数量有限的情况下可采用重叠分割的方法来扩大数据样本的数量，如图4所示。在s2中，需要将s1中得到的数据样本集随机划分为训练集、验证集和测试集，在划分过程中，要尽量保证各种已知燃烧模式的数据样本均匀分布在训练集、验证集和测试集中。其中，训练集用于卷积神经网络模型本身自动更新的网络权值的训练，验证集用于对需要人工设定的超参数的选择优化，测试集用来对所述超声速燃烧室燃烧模式检测模型进行效果评估，一般以模型检测结果的准确率作为模型效果的评价指标。训练集、验证集和测试集的比例可以根据实际情况进行调整，一般为3:1:1，如果数据样本特别多，测试集所占数据样本的比例可以适当减少(例如：如果一个数据集只有100个数据样本，测试集占的比例不宜过小，不然一个样本错分就会对准确率产生很大的影响；反过来，如果有十万个数据样本，则哪怕测试集和验证集只有1％，里面也有1000个样本，错分几个样本对整体准确率的影响也不会很大)。数据样本集划分完成后，在训练之前，要分别对训练集、验证集和测试集中的数据进行预处理。由于原始数据中包含压力、温度等多种类型的数据，不同类型的数据具有不同的量纲和数量级，且数量级相差很大。为避免数量级不同造成不同参数在特征提取中无法被公平对待，保证所得特征的可靠性，需要对训练集、验证集和测试集中的数据进行标准化处理。常用的标准化方法一般有min-max标准化(也叫离差标准化)、z-score标准化方法等，均为常用的统计学方法，可根据实际情况进行选择。本实例中选择的是z-score标准化方法，即其中，x′为预处理后的数据样本，x为预处理前的数据样本，μ为训练集的样本均值，s为训练集的标准差。值得注意的是，对训练集、验证集和训练集内的数据样本进行预处理，采用的均值和方差均来自训练集，以保证在模型训练过程中仅从训练数据中获取信息。在s3中，搭建的卷积神经网络模型主要包括输入层、卷积层、池化层、全连接层和softmax输出层。其中，输入层用于数据样本输入；卷积层是卷积神经网络的核心组成部分，主要用于自动提取数据样本中的特征；池化层通常在卷积层后，目的是减少所述特征的空间维数；卷积层和池化层通常交替排列；全连接层在整个卷积神经网络中起到分类器的作用，将提取到的特征映射到数据样本的标记空间；最后通过softmax输出层将处理后的一维特征向量转化为输入的数据样本属于各类燃烧模式的概率，概率最高的即为数据样本对应的燃烧模式。具体如下：对于某一经过预处理的训练集中的数据样本x′，经过第一个卷积层，有h1＝σ1(w1*x′+b1)(2)其中，h1为经过第一个卷积层后输出的特征矩阵，σ1、w1、b1分别为第一个卷积层的激活函数、卷积核和偏置，*为卷积操作。之后为第一个池化层，有h2＝pooling(h1)(3)其中，pooling为池化操作，常用的池化操作包括最大池化和平均池化等；h2为经过第一个池化层后输出的特征矩阵；h1为经过第一个卷积层后输出的特征矩阵。如此经过若干卷积层和池化层后，得到特征矩阵hl，后面通常连接若干全连接层。将特征矩阵hl展开为一维特征向量h′l，对于紧邻的全连接层，有hl+1＝σl+1(wl+1h′l+bl+1)(4)其中，hl+1为经过第一个全连接层后输出的特征向量；h′l为特征矩阵hl展开后得到的一维特征向量，；σl+1、wl+1、bl+1分别为该层的激活函数、权值矩阵和偏置。经过若干层全连接层，最终得到代表分类结果的长度为k的一维向量如下：其中，k的值等于参与分类的所有燃烧模式的种类数；为向量中各个元素的具体数值。最后，通过softmax函数(归一化指数函数)将长度为k的一维向量转化为输入的数据样本属于各类燃烧模式的概率具体为其中，为向量中各个元素的具体数值；qi为输入的数据样本属于各类燃烧模式的概率；由此得到的输入数据样本属于各燃烧模式的概率即q＝(q1,q2,…,qk)，概率值最高的即为最后的检测结果。在s4中，训练集用于训练卷积神经网络中的权值矩阵；验证集用于在训练过程中评价模型的训练效果，从而来指导模型超参数的优化；最后选择在验证集上效果最好的模型作为最终的超声速燃烧室燃烧模式检测模型。将测试集输入该训练好的超声速燃烧室燃烧模式检测模型，以此检测结果作为评价该检测模型效果的标准。在卷积神经网络模型的训练过程中，一般通过构造损失函数，并将最小化损失函数作为最终的优化目标。对于燃烧模式检测(属于分类问题)而言，常用的损失函数为交叉熵损失函数。如s3中所述，卷积神经网络模型的输出为q＝(q1,q2,…,qk)，期望的概率分布为p＝(p1,p2,…,pk)，则卷积神经网络模型的交叉熵损失为其中，loss为损失函数；pi为输入的数据样本属于各类燃烧模式期望的概率；qi为输入的数据样本属于各类燃烧模式的概率。训练过程采用反向传播算法对模型进行训练，利用下面的公式对网络权值进行更新，以实现卷积神经网络本身的训练，即其中，表示损失函数对权值矩阵的梯度，η为学习率，w为待更新的权值，wnew为更新后的权值。当损失函数趋于稳定且不再下降时，结束本次训练集对卷积神经网络模型的训练。卷积神经网络模型训练结束后，在验证集上运行程序，查看验证集在该卷积神经网络模型上的结果。若验证集在当下卷积神经网络模型上准确率未达到要求，则调整超参数，再对调整后的卷积神经网络模型重新进行训练。重复上述步骤，直到模型在验证集上达到要求的准确率或者找到一组准确率最高的超参数。此时固定模型的全部参数，完成训练。模型训练完成后，在测试集上运行该模型，此时的准确率即可代表该检测方法在超声速燃烧室燃烧模式上的性能。在s5中，对于待检测的超声速燃烧室燃烧模式，采集其工作状态下的原始数据，将该原始数据预处理后，作为待检测数据样本输入s4获得的超声速燃烧室燃烧模式检测模型进行检测，可直接获得此时超声速燃烧室的燃烧模式。实施例1本实施例中所涉及超声速燃烧室为凹腔式燃烧室，所涉及超声速燃烧室燃烧模式包括未燃烧、凹腔剪切层火焰稳定模式、凹腔辅助射流尾迹火焰稳定模式、壅塞模式，共四种燃烧模式。图1所示为本发明中超声速燃烧室燃烧模式检测模型示意图，图2所示为本发明中基于卷积神经网络的燃烧室燃烧模式检测方法流程图，包括以下具体实施方式：s1：采集工作过程中超声速燃烧室内各个不同传感器的原始数据，原始数据对应的燃烧模式已知，将原始数据划分为若干数据样本，所有数据样本组成数据样本集；在s1中，通过24个静态压力传感器共采集得到61次超声速燃烧室燃烧过程中凹腔燃烧室内沿轴线方向的壁面压力数据，采集频率为50hz，燃烧模式已知，并利用one-hot编码对4种燃烧模式进行编码，如表1所述。按图4所示方法对原始数据进行划分，为增大样本数量，采用重叠分割的方法将原始数据划分为1388个数据样本，大小为40×24，即每个数据样本中包含有24个传感器连续采集的40个压力数据。s2：将数据样本集随机划分为训练集、验证集和测试集，并分别对所述训练集、验证集和测试集中的数据进行预处理；在s2中，将s1中得到的1388个数据样本随机划分为训练集、验证集和测试集，具体划分结果如表2所示。由于样本数较少，这里采用的划分比例约为3:1:1。再利用z-score标准化方法对样本进行标准化，即先计算出训练集中样本各数据点的均值和方差，再利用该均值和方差对训练集、验证集和测试集进行标准化处理。s3：搭建能够实现将数据样本中特征映射到对应燃烧模式的卷积神经网络模型，如图5所示；在s3中，搭建如图5所示的卷积神经网络模型，共包括1个输入层，2个卷积层，2个池化层，3个全连接层和1个softmax输出层。数据样本通过输入层输入卷积神经网络模型，经过2个卷积层和2个池化层，得到10×12×20的特征矩阵。特征矩阵展开长度为2400的一维向量，经过3个全连接层得到长度为100的特征向量，最后通过softmax输出层，转化为长度为4的向量，向量内的四个值分别代表该数据样本属于4种燃烧模式的概率，概率最大的即为最后的检测结果。s4：利用训练集对卷积神经网络模型进行训练以获得卷积神经网络模型的权值矩阵参数，利用验证集对训练后的卷积神经网络模型进行验证以对卷积神经网络模型的超参数进行优化获得超声速燃烧室燃烧模式检测模型，之后利用测试集对所述超声速燃烧室燃烧模式检测模型进行效果评估；在s4中，本实施例中利用训练集训练卷积神经网络模型中的权值矩阵，当在训练集上的损失函数发生波动且不再下降时，停止训练，卷积神经网络模型权值矩阵参数训练完毕；利用验证集对卷积神经网络模型的超参数进行调整，所述超参数指在训练过程中无法自动更新，需要在训练开始前手动设置的参数，本实施例中为优化学习率、正则化系数和批量大小；最后选择在验证集上效果最好的卷积神经网络模型作为最终的超声速燃烧室燃烧模式检测模型，本实施例中在验证集上的准确率最高达到了97.9％，选择此时的超参数作为卷积神经网络模型最终的超参数。至此，卷积神经网络模型参数全部固定，卷积神经网络模型训练完成，此时的卷积神经网络模型即为超声速燃烧室燃烧模式检测模型。将测试集输入该超声速燃烧室燃烧模式检测模型进行检测，以该检测结果的准确率作为评价该超声速燃烧室燃烧模式检测模型效果的标准。本实施例中超声速燃烧室燃烧模式检测模型对测试集的检测结果准确率为93.22％。s5：利用超声速燃烧室燃烧模式检测模型对未知燃烧模式的待检测样本进行检测，获得当下超声速燃烧室燃烧模式。在s5中，对于待检测的样本，采集其工作状态下的原始数据，将该原始数据预处理后，作为待检测数据样本输入s4获得的超声速燃烧室燃烧模式检测模型进行检测，可直接获得此时超声速燃烧室的燃烧模式。表1燃烧模式编码示意图代号one-hot编码次数未燃烧0(1,0,0,0)5凹腔剪切层火焰稳定模式1(0,1,0,0)41凹腔辅助射流尾迹火焰稳定模式2(0,0,1,0)13壅塞模式3(0,0,0,1)2表2数据集划分训练集验证集测试集未燃烧772928凹腔剪切层火焰稳定模式578192192凹腔辅助射流尾迹火焰稳定模式1555151壅塞模式1555共计845277276以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的
技术领域：
均包括在本发明的专利保护范围内。当前第1页12