[发明专利]一种实时在线超声速进气道不起动状态预警的方法

权利要求书

1.一种实时在线超声速进气道不起动状态预警的方法，其特征在于，包括如下步骤：

步骤1：采集超声速进气道的内部流道上布置的若干个传感器的若干组历史动态压力信号，并对压力信号进行预处理，针对每个传感器建立样本集，并将样本集划分为训练集、验证集和测试集；

步骤2：利用CUSUM变点检测技术检测训练集上每个传感器压力信号的突变时刻，根据CUSUM结果和设置的参数筛选适合预警的传感器，生成对应的进气道流态标签，其中CUSUM检测的突变时刻前压力信号对应稳定流态，突变时刻后压力信号对应不稳定流态，即进气道整体不起动的前兆现象，只要时间窗口包含突变时刻点就认为该时间窗口内流态处于局部不起动；

步骤3：将生成对应标签的训练集处理后传入WPT-CNN网络进行训练，得到训练完成的模型作为分类器，在验证集验证分类精度；

步骤4：分类器通过实时接收数据来判断传感器位置的当前流态，将测试集作为实际工况的模拟，实时传输信号进行预警测试。

2.根据权利要求1所述的一种实时在线超声速进气道不起动状态预警的方法，其特征在于，采用滑动平均值法对压力信号进行预处理。

3.根据权利要求1所述的一种实时在线超声速进气道不起动状态预警的方法，其特征在于，利用CUSUM变点检测技术检测每个传感器压力信号的突变时刻，其检测流程包括：

步骤2.1：根据公式(1)为压力信号x(n)对数似然比s(n)的定义式，和分别为突变时刻前后的概率密度分布函数，将公式(2)(3)代入(1)得到公式(4)从而计算对数似然比s(n)，n为样本数量，为突变点前的平均值，为突变点后的平均值，σ_x为信号方差，δ为信号变化幅度，对于实际情况参数未知时，和σ_x可用当前样本的最大似然值代替，δ用先验参数替代；

步骤2.2：根据式(5)算出记录的所有样本点的对数似然比的累积和S(k)；

步骤2.3：根据式(6)算出k点对应的变化时间的估计位置

步骤2.4：根据式(7)算出k时刻CUSUM决策函数G_x(k)；

步骤2.5：重复(5)(6)(7)直到计算得出所有点对应的决策函数，返回满足G_x(k)＞h的第一个k点，即是突变时刻。

4.根据权利要求1所述的一种实时在线超声速进气道不起动状态预警的方法，其特征在于，步骤2中传感器CUSUM检测结果设定的合理时间范围为不起动状态前100-1000ms，CUSUM检测结果超过这个范围的传感器会被排除，并且对选定传感器的训练集打上对应的流态标签，CUSUM检测的突变时刻前认为是稳定流态，突变时刻后认为是不稳定流态，即传感器位置发生局部不起动现象。

5.根据权利要求1所述的一种实时在线超声速进气道不起动状态预警的方法，其特征在于，步骤3中训练WPT-CNN网络的步骤包括：

步骤3.1：处理完的训练集输入WPT网络层，WPT每层根据式(8)和式(9)对压力信号进行分解，A表示分解后低频信息，D表示分解后高频信息，W_l和W_h分别表示低频和高频滤波系数，由选定的分解小波类型确定；

A＝f*W_l (8)

D＝f*W_h (9)

步骤3.2：将经过WPT分解后信号依照式(10)(11)(12)规则转为格雷码排列，生成对应时频矩阵，假设自然二进码为A_n-1A_n-2...A₂A₁A₀，其相对应的格雷码为B_n-1B_n-2...B₂B₁B₀；

A_n-1＝B_n-1 (10)

步骤3.3：经过处理的时频矩阵进入CNN网络进行训练，卷积过程如式(13)(14)，表示卷积结果，σ表示ReLU激活函数，表示最大池化结果，经过多层卷积后依据式(15)(16)生成输出z_i，根据(17)(18)计算误差L，根据误差即可得到梯度从而更新网络参数；

步骤3.4：经过最大轮数的迭代后网络训练完成，输出网络作为分类器，该分类器能通过接收实时信号判断当前传感器位置是否发生预警前兆现象。