CN112765908A - 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法 - Google Patents

一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法 Download PDF

Info

Publication number
CN112765908A
CN112765908A CN202110047892.0A CN202110047892A CN112765908A CN 112765908 A CN112765908 A CN 112765908A CN 202110047892 A CN202110047892 A CN 202110047892A CN 112765908 A CN112765908 A CN 112765908A
Authority
CN
China
Prior art keywords
image
network
prediction model
training
discrimination
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110047892.0A
Other languages
English (en)
Other versions
CN112765908B (zh
Inventor
孙希明
唐琦
赵宏阳
全福祥
丁子尧
郭迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202110047892.0A priority Critical patent/CN112765908B/zh
Publication of CN112765908A publication Critical patent/CN112765908A/zh
Application granted granted Critical
Publication of CN112765908B publication Critical patent/CN112765908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法，属于航空发动机故障预测与健康管理领域。首先，获取燃气涡轮发动机燃烧室内部流场数据。其次，对燃烧室流场图像进行预处理，分别得到判别模型数据集、预测模型数据集，并将两个数据集打乱顺序后均划分成训练集和测试集。再次，构建3DWaveNet模块作为预测模型的生成网络，并构建其判别网络，组合生成、判别网络构成预测模型，以预测模型数据集中的训练集进行训练，使用测试集进行评估。最后，根据判别模型数据集构建判别模型，以判别模型数据集中的训练集对模型进行训练，使用测试集进行测评。本发明在燃烧室稳定性分析上应用图像序列预测技术，能够对预测准确性和稳定性进行有效提升。

Description

一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析 方法
技术领域
本发明涉及一种基于图像序列预测的燃气涡轮发动机燃烧室稳定性分析方法，属于航空发动机故障预测与健康管理领域。
背景技术
航空发动机长期处于高温、高速以及重载的运行环境，所以发动机容易出现各种故障。燃烧室是航空发动机的关键部件之一，由于航空发动机在短时间内工作状态变化大，燃烧室将在很短时间内发生贫、富油工作状态的交替从而造成燃烧的不稳定。燃烧室故障的发生会使发动机造成严重破坏，所以希望在故障发生之前对燃烧室工作状态进行预测分析，从而在达到性能下限之前及时进行维修。
传统的燃烧室故障预测都是基于各类传感器测得的时序数据，时间上具有一定的延后性并且存在测量误差，这会导致预测存在滞后性和准确性差等问题。而燃烧室内部的流场分布作为原始数据最能够表征发动机运行状态，对流场分布图像进行分析处理而不是基于气路参数等时序数据，能够最大程度保留原有信息从而提高预测分析能力。
传统的时序图像预测技术包括单质心跟踪方法，光流法等，均需要人为对图像进行预处理，这将导致部分信息的丢失从而产生不精确的预测结果。
发明内容
针对现有技术预测精度低，本发明提供一种应用深度学习的基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法。
为了达到上述目的，本发明采用的技术方案为：
一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法，包括以下步骤：
S1.获取燃气涡轮发动机燃烧室内部流场数据，包括以下步骤：
S1.1考虑到粒子图像测速(PIV)设备难以获取，使用计算流体动力学(CFD)进行燃烧室流场模拟。
S1.2对模拟过程进行等时间间隔采样，获取单帧图像，其中，每秒取样30帧。
S2.对燃烧室流场图像进行预处理，包括以下步骤：
S2.1考虑到燃烧是一个动态过程，外加各种随机扰动，首先对图像进行加权平均，在一个小时间间隔内连续取多幅图像，利用其平均结果表征该时间段的图像性质，计算公式如下：
Figure RE-GDA0003000556360000011
式中，N为观察次数，本方法中N取3；Ij(x，y)是j时刻的瞬时采集图像；
Figure RE-GDA0003000556360000012
是t时刻平均图像；wj为权系数，可按高斯分布确定。
S2.2对加权平均得到的图片进行去噪以获得更清楚的流场图像，本方法使用中值滤波，使用3×3的窗口进行滑动，将窗口中的像素值进行排序，取其中值代替窗口中心像素原来的灰度。
S2.3将去噪后的图像以矩阵的形式进行存储，并转换成浮点型张量，得到图像集，为节省运算量将像素值进行归一化同除255。
S2.4将步骤S2.3获得的图像集根据其流场状态是否稳定，给每帧图片赋予标签“0”和“1”，“0”代表失稳，“1”代表正常，以此构建判别模型数据集。
S2.5将判别模型数据集打乱顺序后按照4:1的比例划分成训练集和测试集。
S2.6在步骤S2.3获得的图像集上使用长度为129大小的窗口构建样本集，将落在此窗口内的数据作为一个样本，每个样本的前128个数据作为输入，最后一个数据作为输出，以此构建预测模型数据集。
S2.7将预测模型数据集打乱顺序后按照4:1的比例划分成训练集和测试集。
S3.构建3DWaveNet模块作为预测模型的生成网络，包括以下步骤：
S3.1将每个样本维度调整为(n_steps,rows,cols,1)，作为生成网络的输入；其中，n_steps 为时间步，在本发明中，n_steps＝128，即为步骤S2.6获得的预测模型数据集的输入数据维度， rows为图片的行数，cols为图片的列数，流场图像为黑白图像，所以通道数为1。
S3.2搭建基于因果卷积和膨胀卷积的膨胀卷积模块，使用3D卷积增加一个时间维度从而捕捉并使用残差连接确保梯度不消失，引入门控激活，采用跳跃连接保留每一层的特征并在最后进行结合后输出，输出一帧图像。
S3.3使用均方误差(mse)作为训练该网络时的损失函数，计算公式如下：
Figure RE-GDA0003000556360000021
式中，Q为训练集样本数目，
Figure RE-GDA0003000556360000022
为第n张真实图像上(i,j)点的像素值，
Figure RE-GDA0003000556360000023
为第n张生成网络生成的图像，Lmse为损失函数。
S4.构建预测模型的判别网络，包括以下步骤：
S4.1为了保证预测模型的判别网络能够处理来自步骤S3.2输出的数据，网络的输入维度与步骤S3.2的输出维度保持一致。使用卷积层进行特征提取，为保证每一层神经网络的输入具有相同分布，在每个卷积层后加入批标准化层。
S4.2使用全连接层，利用sigmoid函数输出一个概率值，表征输入图片为真实图片的概率。
S4.3使用二进制交叉熵损失函数作为该网络训练时的损失函数。
S5.组合生成网络和判别网络以构成预测模型，包括以下步骤：
S5.1将判别器设置成不可训练，将步骤S2.6获得的预测模型数据集的输入样本输入到生成器后，将生成的图像输入到判别网络以此构建预测模型网络。
S5.2使用步骤S2.7获得的预测模型数据集中的训练集对预测模型网络进行训练，训练次数结束后使用测试集对模型进行评估。
S6.构建判别模型，包括以下步骤：
S6.1该判别模型的输入为步骤S2.4获得的判别模型数据集，使用卷积层提取图片特征，添加最大池化层在保留图片的区域特征的基础上又能降低数据的维度，添加dropout层避免过拟合。
S6.2使用sigmoid函数作为激活函数输出一个概率值表征燃烧室流场是否正常。
S6.3使用步骤S2.5获得的训练集对判别模型进行训练，使用测试集对判别模型进行测评。
S6.4最终实现将预测模型生成的预测图片输入到已经训练好的判别模型以得到一个当前状态能够正常运行的概率。
本发明的有益效果：相较于传统的基于时序数据进行稳定性分析的方法，本发明使用基于图像序列预测的方法对燃烧室稳定性进行分析，最原始的数据能包含更多的信息从而使分析更为准确。另一创新点在于在WaveNet构架中使用3D卷积模块，能够捕获图像帧的时间和空间信息从而有助于处理时序图像数据。同时在整体的网络结构搭建中，使用生成对抗网络的思想，在预测模型中增加判别器对生成器进行训练以获得更加真实的生成图像。将生成的预测图像输入到判别模型中得到一个当前状态能够稳定运行的概率并且可以通过概率值的大小采取不同的措施进行调控，由此进行稳定性分析。本发明创新性地在燃烧室稳定性分析上应用图像序列预测技术，能够对预测准确性和稳定性进行有效提升。
附图说明
图1为基于图像序列预测分析的燃气涡轮发动机燃烧室稳定性分析方法流程图；
图2为数据预处理流程图；
图3为3DWaveNet网络结构图；
图4为预测模型的判别网络结构图；
图5为加入判别网络的预测模型结构图；
图6为判别模型网络结构图。
具体实施方式
下面结合附图对本发明作进一步说明，本发明依托CFD数值仿真的涡轮发动机燃烧室流场图像，基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法流程如图1所示。
S1.燃气涡轮发动机燃烧室内部流场数据获取，包括以下步骤：
S1.1使用CFD进行燃烧室流场模拟，其图像与通过PIV实验获得的结果在某些特征上具有一致性，有作为真实数据的近似值的能力，所以使用CFD仿真进行数据的获取；
S1.2对模拟过程进行等时间间隔采样，获取单帧图像，本发明每秒取样30帧。
S2.对燃烧室流场图像进行预处理，图2为数据预处理流程图，数据预处理步骤如下：
S2.1考虑到燃烧是一个动态过程，外加各种随机干扰，理想的稳定流场是不存在的，为了得到某个时刻流场的稳定图像，本发明采取在一个小时间间隔内连续取多幅图像，利用其平均结果表征该时间段的图像性质，计算公式如下：
Figure RE-GDA0003000556360000041
式中N为观察次数，本方法中N取3，Ij(x，y)是j时刻的瞬时采集图像，
Figure RE-GDA0003000556360000042
是t时刻平均图像，wj为权系数，可按高斯分布确定。
S2.2对加权平均得到的图片进行去噪以获得更加清楚的流场图像，本方法使用中值滤波，使用3×3的窗口进行滑动，将窗口中的像素值进行排序，取其中值代替窗口中心像素原来的灰度，为保证去噪后的图像大小不变，对图片边缘进行补零填充；
S2.3将去噪后的图像以矩阵的形式进行存储并转换成浮点型张量，为节省运算量将像素值进行归一化同除255；
S2.4将S2.3获得的图像根据其流场状态是否稳定给每帧图片赋予标签“0”和“1”，“0”代表失稳，“1”代表正常，以此构建判别模型数据集；
S2.5将判别模型数据集打乱顺序后按照4:1的比例划分成训练集和测试集；
S2.6在S2.3获得的图像集上使用长度为129大小的窗口构建样本集，落在此窗口内的数据作为一个样本，每个样本的前128个数据作为输入，最后一个数据作为输出，以此构建预测模型数据集；
S2.7将预测模型数据集打乱顺序后按照4:1的比例划分成训练集和测试集。
S3.构建3DWaveNet模块作为预测模型的生成网络，图3为3DWaveNet网络结构图，构建3DWaveNet网络的步骤如下：
S3.1将每个样本维度调整为(n_steps,rows,cols,1)作为3DWaveNet网络模块的输入，其中n_steps为时间步，在本发明中n_steps＝128为S2.6获得的预测模型数据集的输入数据维度， rows为图片的行数，cols为列数，流场图像用流线图表示，为黑白图像，所以通道数为1；
S3.2搭建基于因果卷积和膨胀卷积的膨胀卷积模块，图3仅展示部分膨胀卷积网络层，本发明设置两个相同的膨胀卷积模块，每个膨胀卷积模块的膨胀因子以2n的形式递增，最大膨胀因子为64。3D卷积模块设置为(2,3,3),其中2代表时间步长，以3×3的窗口进行滑动，每层卷积采用32个滤波器。每层使用残差和跳跃连接确保梯度能长时间流动加快收敛速度，通过逐层卷积，提取的特征逐渐高级，而位于底层的特征通过跳跃连接得到有效保存从而得到丰富的特征信息。每层卷积引入门控激活单元对信息进行有效舍取，具体公式为：
z＝tanh(Wf，k*x)⊙σ(Wg，k*x)
式中tanh表示双曲正切激活函数，σ是sigmoid函数，*表示卷积运算符，⊙表示逐元素乘法运算符，k代表层数，W表示可学习的卷积核。
S3.3使用均方误差(mse)作为训练该网络时的损失函数，计算公式如下：
Figure RE-GDA0003000556360000051
式中，Q为训练集样本数目，
Figure RE-GDA0003000556360000052
为第n张真实图像上(i,j)点的像素值，
Figure RE-GDA0003000556360000053
为第n张生成网络生成的图像，Lmse为损失函数。
S4.构建预测模型的判别网络，图4为判别网络结构图，包括以下步骤：
S4.1为了保证预测模型的判别网络能够处理来自S3.2输出的数据，网络的输入与S3.2 的输出维度保持一致。使用卷积层进行特征提取，为保证每一层神经网络具有相同分布，在每个卷积层后引入批标准化层将输入数据归一化到零均值单位方差的正态分布上，避免梯度消失，使用Leaky ReLU作为激活函数，保证负数导数依旧存在，具体公式为：
Figure RE-GDA0003000556360000054
式中，xi是输入，yi为输出，ai是一个大于1的参数。
S4.2最后使用全连接层，使用sigmoid函数作为激活函数输出一个概率值，表征输入图片为真实图片的概率；
S4.3使用二进制交叉熵损失函数作为该网络训练时的损失函数。
S5.组合生成网络和对抗网络以构成预测模型，图4为加入对抗网络的预测模型结构图，包括以下步骤：
S5.1首先将判别器设置成不可训练模式，将S2.6获得的预测模型数据集的输入样本输入到生成器后，将生成的图像输入到判别器以此构建预测模型网络；
S5.2单独对判别器进行训练，S2.7获得的预测模型数据集中的训练集输入到生成器生成预测图片并赋予标签“0”代表生成图片，对相应的真实图片(训练集的输出数据)赋予标签“1”，将真假图片进行混合并对标签添加噪声，然后对判别器进行训练；
S5.3将判别器设置成不可训练，对整个预测模型网络进行训练，将S2.7获得的训练集的输入数据输入到预测网络中，输出标签设置为“1”，即期望判别网络将生成网络生成的预测图片判断成真实图像，生成网络和判别网络交替训练，以此循环往复，直至训练次数终止，使用S2.7获得的测试集对预测模型进行评估，期望判别网络的正确率在50％左右，以此证明生成网络生成图像较为真实以至于判别网络无法区分。
S6.构建判别模型，图6为判别模型的网络结构图，包括以下步骤：
S6.1该模型的输入为S2.4获得的判别模型数据集，输出为相对应的“0”“1”标签，使用卷积层提取图片特征，添加最大池化层在保留图片的区域特征的基础上又能降低数据的维度，添加dropout层防止过拟合，损失函数为二进制交叉熵函数；
S6.2使用sigmoid函数作为激活函数输出一个概率值表征燃烧室流场是否正常；
S6.3使用S2.5获得的训练集对判别模型进行训练，使用测试集对模型进行测评；
S6.4将预测模型生成的预测图片输入到已经训练好的判别模型以得到一个当前状态能够正常运行(是否稳定)的概率，并且可以通过概率值的大小采取不同的措施进行调控。
以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (3)

1.一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法，其特征在于，包括以下步骤：
S1.获取燃气涡轮发动机燃烧室内部流场数据，包括以下步骤：
S1.1采用计算流体动力学模拟燃烧室流场；
S1.2对模拟过程进行等时间间隔采样，获取单帧图像；
S2.对燃烧室流场图像进行预处理，包括以下步骤：
S2.1对图像进行加权平均，在一个小时间间隔内连续取多幅图像，利用其平均结果表征该时间段的图像性质，计算公式为：
Figure FDA0002897935650000011
式中，N为观察次数；Ij(x,y)是j时刻的瞬时采集图像；
Figure FDA0002897935650000012
是t时刻平均图像；wj为权系数，可按高斯分布确定；
S2.2对加权平均得到的图片进行去噪处理得到流场图像；
S2.3将去噪后的图像以矩阵的形式进行存储，并转换成浮点型张量，得到图像集；
S2.4将步骤S2.3获得的图像集根据其流场状态是否稳定，给每帧图片赋予标签“0”和“1”，“0”代表失稳，“1”代表正常，以此构建判别模型数据集；
S2.5将判别模型数据集打乱顺序后按照4:1的比例划分成训练集和测试集；
S2.6在步骤S2.3获得的图像集上使用长度为129大小的窗口构建样本集，将落在此窗口内的数据作为一个样本，每个样本的前128个数据作为输入，最后一个数据作为输出，以此构建预测模型数据集；
S2.7将预测模型数据集打乱顺序后按照4:1的比例划分成训练集和测试集；
S3.构建3DWaveNet模块作为预测模型的生成网络，包括以下步骤：
S3.1将每个样本维度调整为(n_steps,rows,cols,1)，作为生成网络的输入；其中，n_steps为时间步，n_steps＝128，即为步骤S2.6获得的预测模型数据集的输入数据维度；rows为图片的行数；cols为图片的列数；流场图像为黑白图像，通道数为1；
S3.2搭建基于因果卷积和膨胀卷积的膨胀卷积模块，使用3D卷积增加一个时间维度从而捕捉并使用残差连接确保梯度不消失，引入门控激活，采用跳跃连接保留每一层的特征并在最后进行结合后输出，输出一帧图像；
S3.3使用均方误差mse作为训练该网络时的损失函数；
S4.构建预测模型的判别网络，包括以下步骤：
S4.1为了保证预测模型的判别网络能够处理来自步骤S3.2输出的数据，网络的输入维度与步骤S3.2的输出维度保持一致；使用卷积层进行特征提取，为保证每一层神经网络的输入具有相同分布，在每个卷积层后加入批标准化层；
S4.2使用全连接层，利用sigmoid函数输出一个概率值，表征输入图片为真实图片的概率；
S4.3使用二进制交叉熵损失函数作为该网络训练时的损失函数；
S5.组合生成网络和判别网络以构成预测模型，包括以下步骤：
S5.1将判别器设置成不可训练，将步骤S2.6获得的预测模型数据集的输入样本输入到生成器后，将生成的图像输入到判别网络以此构建预测模型网络；
S5.2使用步骤S2.7获得的预测模型数据集中的训练集对预测模型网络进行训练，训练次数结束后使用测试集对模型进行评估；
S6.构建判别模型，包括以下步骤：
S6.1该判别模型的输入为步骤S2.4获得的判别模型数据集，使用卷积层提取图片特征，添加最大池化层在保留图片的区域特征的基础上又能降低数据的维度，添加dropout层避免过拟合；
S6.2使用sigmoid函数作为激活函数输出一个概率值表征燃烧室流场是否正常；
S6.3使用步骤S2.5获得的训练集对判别模型进行训练，使用测试集对判别模型进行测评；S6.4最终实现将预测模型生成的预测图片输入到已经训练好的判别模型以得到一个当前状态能够正常运行的概率。
2.根据权利要求1所述的一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法，其特征在于，所述步骤S1.2中每秒取样30帧。
3.根据权利要求1或2所述的一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法，其特征在于，所述步骤S3.3中损失函数的计算公式如下：
Figure FDA0002897935650000021
式中，Q为训练集样本数目，
Figure FDA0002897935650000022
为第n张真实图像上(i,j)点的像素值，
Figure FDA0002897935650000023
为第n张生成网络生成的图像，Lmse为损失函数。
CN202110047892.0A 2021-01-14 2021-01-14 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法 Active CN112765908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110047892.0A CN112765908B (zh) 2021-01-14 2021-01-14 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110047892.0A CN112765908B (zh) 2021-01-14 2021-01-14 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法

Publications (2)

Publication Number Publication Date
CN112765908A true CN112765908A (zh) 2021-05-07
CN112765908B CN112765908B (zh) 2022-11-18

Family

ID=75700392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110047892.0A Active CN112765908B (zh) 2021-01-14 2021-01-14 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法

Country Status (1)

Country Link
CN (1) CN112765908B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627093A (zh) * 2021-07-01 2021-11-09 武汉大学 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法
CN114151148A (zh) * 2021-12-08 2022-03-08 上海电气集团股份有限公司 叶栅气膜冷却试验的测量修正方法、装置、设备及介质
CN114169385A (zh) * 2021-09-28 2022-03-11 北京工业大学 基于混合数据增强的mswi过程燃烧状态识别方法
CN114923695A (zh) * 2022-07-18 2022-08-19 中国空气动力研究与发展中心空天技术研究所 超燃冲压发动机燃烧不稳定性智能检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563841A (zh) * 2019-11-13 2020-08-21 南京信息工程大学 一种基于生成对抗网络的高分辨率图像生成方法
CN111737910A (zh) * 2020-06-10 2020-10-02 大连理工大学 一种基于深度学习的轴流压气机失速喘振预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563841A (zh) * 2019-11-13 2020-08-21 南京信息工程大学 一种基于生成对抗网络的高分辨率图像生成方法
CN111737910A (zh) * 2020-06-10 2020-10-02 大连理工大学 一种基于深度学习的轴流压气机失速喘振预测方法
CN112001128A (zh) * 2020-06-10 2020-11-27 大连理工大学 一种基于深度学习的轴流压气机失速喘振预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于贺等: "基于多尺寸卷积与残差单元的快速收敛GAN胸部X射线图像数据增强", 《信号处理》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627093A (zh) * 2021-07-01 2021-11-09 武汉大学 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法
CN113627093B (zh) * 2021-07-01 2023-11-21 武汉大学 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法
CN114169385A (zh) * 2021-09-28 2022-03-11 北京工业大学 基于混合数据增强的mswi过程燃烧状态识别方法
CN114169385B (zh) * 2021-09-28 2024-04-09 北京工业大学 基于混合数据增强的mswi过程燃烧状态识别方法
CN114151148A (zh) * 2021-12-08 2022-03-08 上海电气集团股份有限公司 叶栅气膜冷却试验的测量修正方法、装置、设备及介质
CN114151148B (zh) * 2021-12-08 2024-02-23 上海电气集团股份有限公司 叶栅气膜冷却试验的测量修正方法、装置、设备及介质
CN114923695A (zh) * 2022-07-18 2022-08-19 中国空气动力研究与发展中心空天技术研究所 超燃冲压发动机燃烧不稳定性智能检测方法及系统

Also Published As

Publication number Publication date
CN112765908B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN112765908B (zh) 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法
CN110533631B (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN112149316B (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN112818969B (zh) 一种基于知识蒸馏的人脸姿态估计方法及系统
CN110889343A (zh) 基于注意力型深度神经网络的人群密度估计方法及装置
CN111460728A (zh) 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN110929765A (zh) 一种基于批次图像化的卷积自编码故障监测方法
CN110110610B (zh) 一种用于短视频的事件检测方法
CN111505705B (zh) 基于胶囊神经网络的微地震p波初至拾取方法及系统
CN112766283B (zh) 一种基于多尺度卷积网络的两相流流型识别方法
CN113688869B (zh) 一种基于生成对抗网络的光伏数据缺失重构方法
CN114170478A (zh) 基于跨图像局部特征对齐的缺陷检测、定位的方法及系统
CN114897138A (zh) 基于注意力机制和深度残差网络的系统故障诊断方法
CN115346149A (zh) 基于时空图卷积网络的跳绳计数方法和系统
WO2022188425A1 (zh) 一种融入先验知识的深度学习故障诊断方法
CN114492184A (zh) 一种时频域分析航空发动机剩余使用寿命预测方法及装置
US20220372891A1 (en) Method for stability analysis of combustion chamber of gas turbine engine based on image sequence analysis
CN116579468A (zh) 基于云系记忆的台风生成预测方法、装置、设备及介质
CN116521406A (zh) 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法
CN115204272A (zh) 基于多采样率数据的工业系统故障诊断方法与设备
CN113255789B (zh) 基于对抗网络和多被试脑电信号的视频质量评价方法
CN115311238A (zh) 一种基于图像分析的光伏组件缺陷损伤的识别方法
CN114397521A (zh) 一种针对电子设备的故障诊断方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant