基于卷积神经网络的超声速燃烧室燃烧模式检测方法技术

本发明专利技术公开一种基于卷积神经网络的燃烧室燃烧模式检测方法，该检测方法包括S1采集原始数据，将原始数据划分为若干数据样本，形成数据样本集；S2将数据样本集随机划分为训练集、验证集和测试集，并对训练集、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特征映射到对应燃烧模式的卷积神经网络模型；S4训练模型，并对模型进行验证和效果评估，获得燃烧模式检测模型；S5利用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。本发明专利技术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数据特征进行人工设计和提取，可以直接利用超声速燃烧室工作过程中采集的原始数据有效实现燃烧模式检测。

Combustion mode detection method of supersonic combustor based on convolutional neural network

【技术实现步骤摘要】
基于卷积神经网络的超声速燃烧室燃烧模式检测方法
本专利技术涉及超声速燃烧冲压发动机燃烧室状态监测
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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。本专利技术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专利技术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专利技术的一些实施例，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为本专利技术提供的超声速燃烧室燃烧模式检测模型示意图；图2为本专利技术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为本专利技术所述超声速燃烧室结构示意图；图4为本专利技术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为本专利技术实施例中建立的卷积神经网络示意图。本专利技术目的的实现、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专利技术实施例中的附图，对本专利技术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专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。另外，本专利技术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，也不在本专利技术要求的保护范围之内。图1所示为本专利技术中超声速燃烧室燃烧模式检测模型示意图，图2所示为本专利技术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，采用本专利技术提供的方法，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专利技术未提到的燃烧模式，但这些燃烧模式均能通过本专利技术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本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的超声速燃烧室燃烧模式检测方法，其特征在于，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。

【技术特征摘要】
1.一种基于卷积神经网络的超声速燃烧室燃烧模式检测方法，其特征在于，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。2.如权利要求1所述的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，其特征在于，所述燃烧模式包括：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。3.如权利要求1所述的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，其特征在于，所述步骤S1中，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。4.如权利要求1所述的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，其特征在于，所述步骤S2中，所述预处理为对数据进行标准化处理。5.如权利要求4所述的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，其特征在于，所述标准化处理的方法为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。...

【专利技术属性】
技术研发人员：吴建军，朱晓彬，程玉强，刘洪刚，张宇，胡润生，崔星，李健，谭胜，欧阳，杜忻洳，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43