[发明专利]超燃冲压发动机燃烧模态智能监测方法及系统

权利要求书

1.一种超燃冲压发动机燃烧模态智能监测方法，其特征在于包括以下步骤：

S1，采用多种测量传感器，获取超燃冲压发动机隔离段流场及燃烧室燃烧场图像数据及壁面压力信号数据；所述步骤S1进一步为：在氢氧燃烧风洞上进行试验，应用双模态超燃冲压发动机，采用烧氢补氧方法获取高焓污染空气，常温煤油通过圆孔注入燃烧室；在隔离段及燃烧室上下壁面布置一系列压力传感器，用来采集壁面压力信号数据；采用高速纹影获取隔离段波系结构及燃烧室流场结构信息；采用羟基自由基平面激光诱导荧光PLIF方法获取先锋氢火焰的演化过程，获取不同当量比下的多种流场图像数据和壁面压力数据；

S2，结合壁面压力数据、隔离段流场结构及燃烧室马赫数分布，形成燃烧模态判定准则，将燃烧模态分为超燃模态、亚燃模态和混合模态，确定不同当量比下的燃烧模态类型；所述步骤S2进一步为：根据步骤S1获取的不同当量比条件下的壁面压力数据、隔离段流场图像数据及燃烧室马赫数分布情况，确定释热率，分析不同当量比下产生的释热率对燃烧模态的影响；同时以隔离段是否存在激波串来反映流场内出现较大流动分离区，用来反映亚燃模态的典型特点，用质量加权马赫数等于1.0的位置来反映流场中产生热力喉道的可能位置，最终以隔离段是否存在激波串结构和是否存在质量加权马赫数小于1.0区域以及释热是否集中综合判断模态；当隔离段内存在激波串结构并且有质量加权马赫数大于1.0区域且释热率是集中式的时候，双模态超燃冲压发动机的燃烧模态为超燃模态；当隔离段内不存在激波串结构并且无质量加权马赫数小于1.0区域且释热率是分布式的时候，双模态超燃冲压发动机的燃烧模态为亚燃模态；否则为混合模态；最终，将不同当量比分为超燃冲压发动机超燃模态、亚燃模态及混合模态，确保三种燃烧模态下的数据都可获得，为后续建立数据集奠定基础；

S3，将相同当量比下的燃烧室多种图像数据和壁面压力数据进行同时刻对齐，将图像数据进行裁剪、亮度变换和对比度调整；所述步骤S3进一步为：首先，按照固定步长提取壁面压力数据，并将每种当量比下获取的燃烧室纹影、平面激光诱导荧光PLIF及自发光多种图像数据和压力数据进行时序同步；其次，对三种图像数据进行裁剪、归一化和图像去噪，保留燃烧室区域图像信息，增强同类图像不同成像条件下不同个体间的一致性；然后，为了减少训练时内存占用和计算量，缩短深度学习训练时间，对图像数据进行下采样，降低图像分辨率；对壁面压力信号数据使用快速傅里叶变换FFT进行滤波，减弱高频噪声和低频干扰；

S4，对燃烧室获取的多种图像数据进行联合比较，根据不同当量比下的燃烧模态类型，对其进行人工标注；所述步骤S4进一步为：首先，选取多种不同构型的超燃冲压发动机模型，多种燃料脉冲喷注和多种定常喷注以及步骤S1的不同当量比进行多次地面风洞试验，亚燃模态、超燃模态和混合模态三种双模态超燃冲压发动机的燃烧模态被观察，以获取数据；将获取的数据应用步骤S3进行数据的预处理，按照步骤S2进行模态确定，最后根据不同的当量比的值对燃烧模态分组；其次，行业专家按照步骤S2中的模态判别准则，联合三种类型的燃烧流场图像和同时刻的压力数据仔细分析，对分组的燃烧模态准确性再次进行判定，确保数据集的准确性；最后，所有图像和压力数据分类为亚燃模态、超燃模态和混合模态的样本和标签被获得；

S5，构建发动机燃烧场光谱图像数据库，形成用于后续深度学习网络训练的数据集，分为训练集Train和测试集Test；所述步骤S5进一步为：通过步骤S4标注工作构建发动机燃烧场光谱图像数据库，总计获得不同构型、不同喷注及不同当量比下的流场图像及壁面压力数据，每一组数据具体包括1张纹影图像、1张平面激光诱导荧光PLIF图像、1张自发光图像和同时刻的压力数据；将数据库按比例不重复随机划分为训练集Train和测试集Test，比例为8:2；

S6，搭建适用于步骤S5所述数据集的燃烧模态自注意力识别网络；使用训练集，通过卷积核和多层感知机分别获取燃烧流场图像和压力数据的特征矩阵；使用自注意力编码单元进一步提取代表性语义特征；通过深度学习反向传播梯度下降机制训练燃烧模态自注意力识别网络，最后将提取的特征进行融合，输入全连接层分类器，准确判断燃烧模态类别；所述步骤S6进一步为：第一步，采用卷积操作分别对纹影图像、平面激光诱导荧光PLIF图像和自发光图像进行特征提取，获得图像特征矩阵；第二步，采用多层感知机对压力数据进行特征提取，获得压力特征矩阵；第三步，将图像特征矩阵和压力特征矩阵变换至相同形状，再将二者相加，获得多源特征矩阵；第四步，构建自注意力编码器对多源特征矩阵进一步特征提取，提高特征语义表达能力；第五步，将提取的特征送入全连接层，经过softmax获得燃烧模态预测类别；

自注意力编码器完全依靠自注意力机制实现，由L个相同的层组成，每一层主要由如公式1的多头自注意力层Multi-Head Self Attention和如公式2的多层感知器Multi-LayerPerceptron两个组件组成；其中，多层感知器由两个全连接层和中间的GeLu激活函数组成，两个组件均采用残差结构，并在前端使用层归一化；

z′_l＝MSA(LN(z_l-1))+z_l-1,l＝1,...,L (1)

z_l＝MLP(LN(z′_l))+z′_l,l＝1,...,L (2)

其中，z_l-1为l-1层的嵌入图像序列，z_l为l层的嵌入图像序列，z′_l为计算中间值，l为层数；

多头自注意力层是自注意力编码单元的核心组件，由线性层、自注意力头、连接层及最后的线性映射层组成；自注意力头通过计算图像嵌入序列中每个元素与其他元素的相关性完成自注意力计算，计算方法如下：首先，自注意力头将嵌入图像序列z₀中的每个元素与三个可学习的自注意力权重矩阵(W_q,W_k,W_v)相乘如公式3，生成三个值(q,k,v)，通过计算(q,k,v)的点积来学习自注意力权重；然后，自注意力头计算嵌入图像序列中一个元素q向量与其他元素k向量之间的点积，确定该元素与其他元素的相关性，再将点积的结果缩放后送入softmax如公式4，其中缩放因子D_k为注意力权重矩阵W_k的维度；最后，自注意力头将嵌入图像序列所有元素的v向量乘以softmax的输出，获取注意力得分最高的序列，完成自注意力计算如公式5；多头自注意力层采用12个自注意力头堆叠而成，并行执行以上自注意力计算过程，并将结果拼接后通过可学习的线性映射层投影到高维空间如公式6；

SA(z)＝A·v                    (5)

其中，(q,k,v)为自注意力向量，W为自注意力计算权重矩阵，D_k为缩放因子，SA(z)为单头自注意力计算结果向量；

S7，利用测试数据集对训练好的网络进行性能测试，输入测试数据集，将输出值与燃烧模态的真实值进行对比，得到燃烧模态分类判断的准确率。