[发明专利]基于卷积神经网络的超声速燃烧室燃烧模式检测方法

说明书

本发明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。

技术领域

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。

发明内容

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