CN114923695A - 超燃冲压发动机燃烧不稳定性智能检测方法及系统 - Google Patents

Abstract

本发明提供了一种超燃冲压发动机燃烧不稳定性智能检测方法及系统，利用高速相机和压力传感器获取燃烧室流场图像和壁面压力数据，通过分析燃烧室上下壁面压力数据将燃烧场图像数据的燃烧模式分为稳定与不稳定两种状态，并构建燃烧场状态检测数据集；然后，搭建适用于上述数据集的燃烧状态检测的卷积神经网络模型。此卷积神经网络模型包括两部分，第一部分是以燃烧场图像作为标签，输入上下壁面压力数据到模型中，预测出燃烧室内燃烧场图像；第二部分则是通过预测出的燃烧场图像与对应压力数据对燃烧场状态进行分类。最后，利用训练完成的模型，只输入压力数据即可进行燃烧稳定性的检测，避免了实际飞行过程中发动机携带大重量设备的不可行状况。

Description

超燃冲压发动机燃烧不稳定性智能检测方法及系统

技术领域

本发明涉及超燃冲压发动机的技术领域，特别涉及一种超燃冲压发动机燃烧不稳定性智能检测方法及系统。

背景技术

燃烧不稳定性在火箭发动机、亚燃冲压发动机、涡轮发动机等动力装置中普遍存在，直到2005年，研究表明超燃冲压发动机也可能发生燃烧不稳定性。超燃冲压发动机的稳定燃烧对高超声速巡航飞行控制是非常重要的，我们希望通过检测燃烧稳定性，进而采取相应的措施，使得高超声速飞行器在大气层内安全稳定飞行。

超燃冲压发动机燃烧室内火焰的流向周期振荡、压力的超大幅值振荡是超声速燃烧不稳定性的两种典型现象。当超燃冲压发动机燃烧室内不稳定性振荡幅度超过火焰稳定的极限时，燃烧室内的温度和压力等条件可能变得不适于燃烧，火焰可能熄灭。因此，对于实际飞行系统或者地面试验系统，为避免发动机燃烧不稳定性带来的严重危害，需要对其进行实时检测，准确识别当前燃烧状态，对于超燃冲压发动机稳定飞行的主动控制具有重大意义。

当前，燃烧不稳定性的检测方法有基于先进的非接触式测量技术，通过获取的燃烧场的速度、温度等及激波结构，进行燃烧稳定性的分析，但发动机无法携带这些大重量设备上天，故此方法在实际飞行过程中无法实施。有基于通过接触式壁面压力传感器获取的压力信息进行机器学习、深度学习直接分类的方法，机器学习虽然有明确的数学解释性等优点，但并不能到达高准确率，深度学习直接分类方法缺少可解释性的中间燃烧流场观测信息。此外，还有学者建立了用于预测超声速燃烧不稳定性的理论模型，但此预测仅限于振荡频率，缺乏对其他振荡特性的预测。

发明内容

针对现有技术存在的不足，本发明意在提供一种压力信号与深度学习图像处理技术相结合的超燃冲压发动机燃烧不稳定性智能检测方法及系统，以解决现有的技术对超燃冲压发动机燃烧不稳定性检测存在精度低及智能化水平不高等问题。

为实现上述发明目的，本发明技术方案如下：

一种超燃冲压发动机燃烧不稳定性智能检测方法，包括以下步骤：

S1，采用高速相机和压力传感器，获取超燃冲压发动机燃烧室燃烧场图像数据及壁面压力信号数据；

S2，将燃烧室图像数据和壁面压力数据进行同时刻对应，对数据进行预处理；

S3，通过分析燃烧室上下壁面压力数据、将燃烧场图像数据的燃烧模式分为稳定与不稳定两种状态，确定不同当量比下的燃烧场图像的燃烧状态，其中压力信号出现激变的时刻定义为不稳定燃烧状态；未出现激变时刻定义为稳定燃烧状态；

S4，构建发动机燃烧场图像与压力数据集，将数据集打乱并随机切分为训练集和测试集以用于后续深度学习网络模型的训练；

S5，搭建适用于上述数据集的燃烧状态检测的卷积神经网络模型并训练网络参数；此模型包括两部分，第一部分是通过上下壁面压力数据预测出的燃烧室内燃烧场图像，第二部分则是通过预测出的燃烧场图像与各燃烧场图像对应时刻压力数据共同进行燃烧状态分类；

S6，即时根据压力数据利用训练后的网络模型进行燃烧稳定性检测。

作为优选方式，步骤S1具体为：

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污染空气，总温为1350K，总压为1.75Mpa，流量为2.89kg/s，其中O₂、N₂和H₂O组分的摩尔分数分别为20.09%，65.65%和19.26%，来流马赫数为2.5，常温煤油通过多个圆孔注入燃烧室，喷注位置位于隔离段出口上游15mm处，试验中煤油的当量比分别为0.4、0.5、0.6、0.65、0.7、0.75、0.8和0.9；在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，压力传感器最大量程为700 kPa，灵敏度为1%；采用高速相机获取燃烧室流场信息，拍摄帧频为1×10⁴fps，相机曝光时间设置为4.62μs，获取不同当量比下的燃烧场图像数据和壁面压力数据。

作为优选方式，步骤S2具体为：

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图像数据T和压力数据P进行时序同步，如公式(1)所示；为了减少训练时内存占用和计算参数，缩短网络训练时间，对264*1024的高分辨率图像数据进行下采样4倍，为了加快网络训练，将图像像素值大小归一化到0-1之间，如公式(2)所示；对壁面压力信号数据使用快速傅里叶变换FFT进行滤波，如公式(3)所示，减弱高频噪声和低频干扰；

(T|P_i=j)=T ₁ ,T ₂ ,…T _i | P ₁ ,P ₂ ,…P _j (1)

T ₁ ,T ₂ ,…T _i = Normalization(T ₁ ,T ₂ ,…T _i ) (2)

P ₁ ,P ₂ ,…P _j= H(P ₁ ,P ₂ ,…P _j ) (3)

T _i (i=1,2…): 表示第i时刻燃烧室流场图像；

P _j (j=1,2…): 表示第j时刻压力数据；

Normalization(): 表示归一化函数；

H(): 表示傅里叶变换函数。

作为优选方式，步骤S3具体为：

由于200mm这个位置，位于凹槽后部，此处温度压力高，速度低，最适合点火，此处的压力最能反应燃烧状态，因此，以气流喷注方向为后向，选取喷油位置后200mm处的一个压力测点变化情况作为燃烧稳定性的判别，通过观察采集的压力信号出现激变的时刻，对应时刻燃烧场图像定义为不稳定燃烧状态，未出现激变的对应燃烧场图像定义为稳定燃烧状态。

作为优选方式，步骤S4具体为：

通过构建发动机燃烧场图像和对应的压力数据集，每一组数据包括1张燃烧图像、和该时刻上下壁面对应的压力数据，将数据集按照8：2的比例，不重复随机划分为训练集Train和测试集Test；

对于燃烧场重建模型其数据集包括燃烧室上下壁面压力数据及其对应燃烧场图像，此时压力数据作为特征提取数据，燃烧场图像作为标签；

对于燃烧场状态检测模型，此时压力数据与燃烧场图像作为特征提取数据，稳定和不稳定状态作为标签。

作为优选方式，步骤S5具体为：

对于第一部分，由于模型的输入是超燃冲压发动机燃烧室上下壁面的压力数据，无法直接进行卷积，因此该网络，首先使用反卷积对压力数据进行上采样并加深其维度；其次，输入到LSTM长短时模型中，对不同序列图像的重要信息进行记忆融合；然后，使用三条路径的常规卷积层进一步提取特征并减小反卷积结果的尺寸；在此模型中，应在每个卷积运算和激活函数之间添加批归一化，这可以抑制模型训练过程中内部协方差移位的问题，加快模型的训练，并防止模型不再更新；最后，网络经过全连接层输出燃烧场图像；

对于第二部分，将一一对应的压力数据与重构的燃烧场图像通过两个分支输入模型，利用前10个火焰图像序列以及对应压力数据预测后一时刻的燃烧状态，如下式所示：K=10：

T _i =F(T _{i -1} ,T _{i -2} ,…T _{i -k} | P _{i -1} ,P _{i -2} ,…P _{i -k} ) (4)

T _i :表示第i时刻的燃烧场图像;

P _i-1 :表示第i-1时刻燃烧场图像对应的压力数据;

F(): 表示燃烧稳定性预测模型；

采用序列的方法实现燃烧场图像预测，生成的燃烧场图像（I ₁ ,I ₂ …I _N ）对应的压力数据(P _K+1 ,P _K+2, …P _N+K )，输入数据的通道为k*c，c表示图像的通道数，RGB图像c=3，灰度图像c=1，采用3D卷积对输入的序列燃烧场图像在W,H,T维度进行卷积，同时，将输入的压力数据Reshape为一维数据；然后，将图像特征与压力特征融合后，输入到LSTM时间序列预测模型中再次进行特征信息提取；最后，通过全连接层输出预测结果。

作为优选方式，步骤S1中所述超燃冲压发动机采用10kHZ高频压力传感器检测发动机燃烧室的上下壁面压力变化情况，压力传感器最大量程为700 kPa，灵敏度为1%；采用高速相机获取燃烧室燃烧场图像信息，拍摄帧频为1×10⁴fps，相机曝光时间设置为4.62μs。

本发明还提供一种超燃冲压发动机燃烧不稳定性智能检测系统，包括数据采集模块，数据处理模块，模型训练模块以及检测报警模块：

数据采集模块：压力传感器探头均匀分布在超燃冲压发动机燃烧室的上下壁面，压力传感器探头获取壁面压力信息，高速相机置于燃烧室侧壁的透明窗外，获取燃烧场图像，用于模型训练；在测试阶段只需要利用压力传感器获取压力数据，并将数据发送至计算机；

数据处理模块：计算机接收并通过CPU与GPU处理压力传感器数据信息，获取同一时刻压力数据及其对应燃烧场图像。并对燃烧场图像进行预处理；

模型训练模块：整个模型在Ubuntu操作系统中，编程语言Python以及深度学习框架PyTorch，并行计算架构CUDA以及深度网络的GPU加速库CUDNN的计算机环境上完成训练；

检测报警模块：训练完成之后，将代码传到Nvidia Jetson Tx2开发板上，由于训练权重属于pytorch格式，需先将pytorch格式转换为ONNX格式，再转换成tensor-RT格式后上传到Tx2开发板上运行，输出每一帧图像的检测结果：稳定或者不稳定。如果输出结果为稳定，则给报警系统输入低电平，此时为安全状态，如果输出结果为不稳定，则给报价系统输出高电平，报警声响，提醒工作人员进行调整入口马赫数或者燃料比，确保发动机时刻处于稳定状态。

本发明与现有技术相比，具有以下优点：

(1)本发明从超燃冲压发动机燃烧不稳定的两种典型现象出发，将压力传感器采集的燃烧室上下壁面压力信息与燃烧室内燃烧场图像信息结合来检测燃烧状态，弥补了单一数据可靠性不足的缺点；

(2)本发明在超燃冲压发动机燃烧不稳定性检测神经网络模型训练过程中采用接触式与非接触式测量手段进行数据采集，但在实际运用过程中仅采用接触式压力传感器测量，避免了实际飞行过程中发动机携带大重量设备的不可行状况；

(3)仅通过传感器采集到的压力数据能够快速计算出燃烧室内的燃烧场图像数据，能够准确进行超燃冲压发动机燃烧室内的燃烧场可视化检测；

(4)本发明中的检测设备高度集成且成本低廉。

附图说明

图1为本发明超燃冲压发动机燃烧不稳定性智能检测方法流程图。

图2为本发明超燃冲压发动机燃烧不稳定性智能检测网络模型图。

图3为本发明超燃冲压发动机燃烧不稳定性智能检测设备示意图。

图3中，1为燃烧室，2为透明窗口，3为压力传感器，4为高速相机，5为计算机，6为报警铃。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

实施例1

本实施例提供一种超燃冲压发动机燃烧不稳定性智能检测方法，如图1所示，包括以下步骤：

S1，采用高速相机和压力传感器，获取超燃冲压发动机燃烧室燃烧场图像数据及壁面压力信号数据；

S2，将燃烧室图像数据和壁面压力数据进行同时刻对应，对数据进行预处理；

S3，通过分析燃烧室上下壁面压力数据、将燃烧场图像数据的燃烧模式分为稳定与不稳定两种状态，确定不同当量比下的燃烧场图像的燃烧状态，其中压力信号出现激变的时刻定义为不稳定燃烧状态；未出现激变时刻定义为稳定燃烧状态；

S4，构建发动机燃烧场图像与压力数据集，将数据集打乱并随机切分为训练集和测试集以用于后续深度学习网络模型的训练；

S5，搭建适用于上述数据集的燃烧状态检测的卷积神经网络模型并训练网络参数；此模型包括两部分，第一部分是通过上下壁面压力数据预测出的燃烧室内燃烧场图像，第二部分则是通过预测出的燃烧场图像与各燃烧场图像对应时刻压力数据共同进行燃烧状态分类；

S6，即时根据压力数据利用训练后的网络模型进行燃烧稳定性检测。

实施例2

本实施例提供了一种超燃冲压发动机燃烧不稳定性智能检测方法，该实施例具体包括以下步骤S1-S6:

S1，采用高速相机和压力传感器，获取超燃冲压发动机燃烧室燃烧场图像数据及壁面压力信号数据。

本发明实施例中，步骤S1具体为：

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，高晗是指此处的空气焓值远高于来流的空气，此处的空气被激波压缩，温度大幅升高；总温为1350K，总压为1.75Mpa，流量为2.89kg/s，其中O₂、N₂和H₂O组分的摩尔分数分别为20.09%，65.65%和19.26%，来流马赫数为2.5，常温煤油通过15个孔直径为0.3mm的圆孔注入燃烧室，喷注位置位于隔离段出口上游15mm处，试验中煤油的当量比分别为0.4、0.5、0.6、0.65、0.7、0.75、0.8和0.9。在燃烧室上下壁面布置一系列10kHZ压力传感器，用来采集壁面压力信号数据，压力传感器最大量程为700 kPa，灵敏度为1%；采用高速相机获取燃烧室流场信息，拍摄帧频为1×10⁴fps，相机曝光时间设置为4.62μs。获取不同当量比下的燃烧场图像数据和壁面压力数据。

S2，将燃烧室燃烧场图像数据和壁面压力数据进行同时刻对应，对数据进行预处理；

本发明实施例中，步骤S2具体为：

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图像数据T和压力数据 P进行时序同步，如公式(1)所示。为了减少训练时内存占用和计算参数，缩短网络训练时间，对264*1024的高分辨率图像数据进行下采样4倍，为了加快网络训练，将图像像素值大小归一化到0-1之间，如公式(2)所示。此外，由于超燃冲压发动机试验现场环境复杂，压力传感器受到高温、高压、高频火花塞产生的电磁干扰、结构振动等因素的影响，因此对壁面压力信号数据使用快速傅里叶变换（Fast Fourier Transform, FFT）进行滤波，如公式(3)所示，减弱高频噪声和低频干扰；

(T|P_i=j)=T ₁ ,T ₂ ,…T _i | P ₁ ,P ₂ ,…P _j (1)

T ₁ ,T ₂ ,…T _i = Normalization(T ₁ ,T ₂ ,…T _i ) (2)

P ₁ ,P ₂ ,…P _j= H(P ₁ ,P ₂ ,…P _j ) (3)

T _i (i=1,2…): 表示第i时刻燃烧室流场图像；

P _j (j=1,2…): 表示第j时刻压力数据；

Normalization(): 表示归一化函数；

H(): 表示傅里叶变换函数。

S3，通过分析燃烧室上下壁面压力数据、将燃烧场图像数据的燃烧模式分为稳定与不稳定两种状态，确定不同当量比下的燃烧场图像的燃烧状态，其中压力信号出现激变的时刻定义为不稳定燃烧状态；未出现激变时刻定义为稳定燃烧状态；

本发明实施例中，步骤S3具体为：

由于200mm这个位置，位于凹槽后部，此处温度压力高，速度低，最适合点火，此处的压力最能反应燃烧状态，选取喷油位置后的200mm处的一个压力测点变化情况作为燃烧稳定性的判别，通过观察采集的压力信号出现激变的时刻，对应时刻燃烧场图像定义为不稳定燃烧状态，未出现激变的对应燃烧场图像定义为稳定燃烧状态。

S4，构建发动机燃烧场图像与压力数据集，将数据集打乱并随机切分为训练集和测试集以用于后续深度学习网络模型的训练；

本发明实施例中，步骤S4具体为：

通过构建发动机燃烧场图像和对应的压力数据集，总计获得3425组数据，每一组数据包括1张燃烧图像、和该时刻上下壁面对应的压力数据。将数据集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，即训练集2740组，测试集685组。

对于燃烧场重建模型其数据集包括燃烧室上下壁面压力数据及其对应燃烧场图像，此时压力数据作为特征提取数据，燃烧场图像作为标签；

对于燃烧场状态检测模型，此时压力数据与燃烧场图像作为特征提取数据，稳定和不稳定状态作为标签。

S5，搭建适用于上述数据集的燃烧状态检测的卷积神经网络模型，如图2所示；此模型包括两部分，第一部分是通过上下壁面压力数据预测出的燃烧室内燃烧场图像，第二部分则是通过预测出的燃烧场图像与各燃烧场图像对应时刻压力数据共同进行燃烧状态分类；

本发明实施例中，步骤S5具体为：

对于第一部分，由于模型的输入是超燃冲压发动机燃烧室上下壁面的压力数据，无法直接进行卷积，因此该网络首先，使用反卷积对压力数据进行上采样并加深其维度；其次，输入到LSTM长短时模型中，对不同序列图像的重要信息进行记忆融合；然后，使用三条路径的常规卷积层进一步提取特征并减小反卷积结果的尺寸。在此模型中，应在每个卷积运算和激活函数之间添加批归一化，这可以抑制模型训练过程中内部协方差移位的问题，加快模型的训练，并防止模型不再更新；最后，网络经过全连接层输出燃烧场图像。

对于第二部分，将一一对应的压力数据与重构的燃烧场图像通过两个分支输入模型。利用前10个火焰图像序列以及对应压力数据预测后一时刻的燃烧状态，如公式（4）所示：研究表明k取10效果较好，

T _i =F(T _{i -1} ,T _{i -2} ,…T _{i -k} | P _{i -1} ,P _{i -2} ,…P _{i -k} ) (4)

T _i :表示第i时刻的燃烧场图像;

P _i-1 :表示第i-1时刻燃烧场图像对应的压力数据;

F(): 表示燃烧稳定性预测模型；

采用序列的方法实现燃烧场图像预测，生成的燃烧场图像（I ₁ ,I ₂ …I _N ）对应的压力数据(P _K+1 ,P _K+2, …P _N+K )，输入数据的通道为k*c，c表示图像的通道数，RGB图像c=3，灰度图像c=1，采用3D卷积对输入的序列燃烧场图像在W,H,T维度进行卷积，同时，将输入的压力数据Reshape为一维数据；然后，将图像特征与压力特征融合后，输入到LSTM时间序列预测模型中再次进行特征信息提取；最后，通过全连接层输出预测结果。

S6，即时根据压力数据以及预测出的燃烧场图像利用训练后的网络模型进行燃烧稳定性检测。

实施例3：

本实施例还提供了一种超燃冲压发动机燃烧不稳定性智能检测系统，设备连接如图3所示，主要包括数据采集模块，数据处理模块，模型训练模块以及检测报警模块，包括：

数据采集模块：压力传感器探头均匀分布在超燃冲压发动机燃烧室的上下壁面，压力传感器探头获取壁面压力信息，高速相机置于燃烧室侧壁的透明窗外，获取燃烧场图像，用于模型训练；在测试阶段只需要利用压力传感器获取压力数据，并将数据发送至计算机。

数据处理模块：计算机接收并通过CPU与GPU处理压力传感器数据信息，获取同一时刻压力数据及其对应燃烧场图像。并对燃烧场图像进行预处理。

模型训练模块：Ubuntu操作系统中，编程语言Python以及深度学习框架PyTorch，并行计算架构CUDA以及深度网络的GPU加速库CUDNN的计算机平台用于完成训练；

检测报警模块：训练完成之后，将代码传到Nvidia Jetson Tx2开发板上，由于训练权重属于pytorch格式，需先将pytorch格式转换为ONNX格式，再转换成tensor-RT格式后上传到Tx2开发板上，进行运行，输出结果：稳定或者不稳定。如果输出结果为稳定，则给报警系统输入低电平，此时为安全状态，如果输出结果为不稳定，则给报价系统输出高电平，报警声响，提醒工作人员进行调整入口马赫数或者燃料比，确保发动机时刻处于稳定状态。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种超燃冲压发动机燃烧不稳定性智能检测方法，其特征在于包括以下步骤：

S1，采用高速相机和压力传感器，获取超燃冲压发动机燃烧室燃烧场图像数据及壁面压力信号数据；

S2，将燃烧室图像数据和壁面压力数据进行同时刻对应，对数据进行预处理；

S3，通过分析燃烧室上下壁面压力数据、将燃烧场图像数据的燃烧模式分为稳定与不稳定两种状态，确定不同当量比下的燃烧场图像的燃烧状态，其中压力信号出现激变的时刻定义为不稳定燃烧状态；未出现激变时刻定义为稳定燃烧状态；

S4，构建发动机燃烧场图像与压力数据集，将数据集打乱并随机切分为训练集和测试集以用于后续深度学习网络模型的训练；

S5，搭建适用于上述数据集的燃烧状态检测的卷积神经网络模型并训练网络参数；此模型包括两部分，第一部分是通过上下壁面压力数据预测出的燃烧室内燃烧场图像，第二部分则是通过预测出的燃烧场图像与各燃烧场图像对应时刻压力数据共同进行燃烧状态分类；

S6，即时根据压力数据利用训练后的网络模型进行燃烧稳定性检测。

2.根据权利要求1所述的一种超燃冲压发动机燃烧不稳定性智能检测方法，其特征在于：

步骤S1具体为：

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污染空气，总温为1350K，总压为1.75Mpa，流量为2.89kg/s，其中O₂、N₂和H₂O组分的摩尔分数分别为20.09%，65.65%和19.26%，来流马赫数为2.5，常温煤油通过多个圆孔注入燃烧室，喷注位置位于隔离段出口上游15mm处，试验中煤油的当量比分别为0.4、0.5、0.6、0.65、0.7、0.75、0.8和0.9；在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，压力传感器最大量程为700 kPa，灵敏度为1%；采用高速相机获取燃烧室流场信息，拍摄帧频为1×10⁴fps，相机曝光时间设置为4.62μs，获取不同当量比下的燃烧场图像数据和壁面压力数据。

3.根据权利要求1所述的一种超燃冲压发动机燃烧不稳定性智能检测方法，其特征在于

步骤S2具体为：

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图像数据 T和压力数据 P进行时序同步，如公式(1)所示；为了减少训练时内存占用和计算参数，缩短网络训练时间，对264*1024的高分辨率图像数据进行下采样4倍，为了加快网络训练，将图像像素值大小归一化到0-1之间，如公式(2)所示；对壁面压力信号数据使用快速傅里叶变换FFT进行滤波，如公式(3)所示，减弱高频噪声和低频干扰；

(T|P_i=j)=T ₁ ,T ₂ ,…T _i | P ₁ ,P ₂ ,…P _j (1)

T ₁ ,T ₂ ,…T _i = Normalization(T ₁ ,T ₂ ,…T _i ) (2)

P ₁ ,P ₂ ,…P _j= H(P ₁ ,P ₂ ,…P _j ) (3)

T _i (i=1,2…): 表示第i时刻燃烧室流场图像；

P _j (j=1,2…): 表示第j时刻压力数据；

Normalization(): 表示归一化函数；

H(): 表示傅里叶变换函数。

4.根据权利要求1所述的一种超燃冲压发动机燃烧不稳定性智能检测方法，其特征在于

步骤S3具体为：

以气流喷注方向为后向，选取喷油位置后的200mm处的一个压力测点变化情况作为燃烧稳定性的判别，通过观察采集的压力信号出现激变的时刻，对应时刻燃烧场图像定义为不稳定燃烧状态，未出现激变的对应燃烧场图像定义为稳定燃烧状态。

5.根据权利要求1所述的一种超燃冲压发动机燃烧不稳定性智能检测方法，其特征在于

步骤S4具体为：

通过构建发动机燃烧场图像和对应的压力数据集，每一组数据包括1张燃烧图像、和该时刻上下壁面对应的压力数据，将数据集按照8：2的比例，不重复随机划分为训练集Train和测试集Test；

对于燃烧场重建模型其数据集包括燃烧室上下壁面压力数据及其对应燃烧场图像，此时压力数据作为特征提取数据，燃烧场图像作为标签；

对于燃烧场状态检测模型，此时压力数据与燃烧场图像作为特征提取数据，稳定和不稳定状态作为标签。

6.根据权利要求1所述的一种超燃冲压发动机燃烧不稳定性智能检测方法，其特征在于

步骤S5具体为：

对于第一部分，由于模型的输入是超燃冲压发动机燃烧室上下壁面的压力数据，无法直接进行卷积，因此该网络，首先使用反卷积对压力数据进行上采样并加深其维度；其次，输入到LSTM长短时模型中，对不同序列图像的重要信息进行记忆融合；然后，使用三条路径的常规卷积层进一步提取特征并减小反卷积结果的尺寸；在此模型中，应在每个卷积运算和激活函数之间添加批归一化，这可以抑制模型训练过程中内部协方差移位的问题，加快模型的训练，并防止模型不再更新；最后，网络经过全连接层输出燃烧场图像；

对于第二部分，将一一对应的压力数据与重构的燃烧场图像通过两个分支输入模型，利用前10个火焰图像序列以及对应压力数据预测后一时刻的燃烧状态，如下式所示，K=10：

T _i =F(T _{i -1} ,T _{i -2} ,…T _{i -k} | P _{i -1} ,P _{i -2} ,…P _{i -k} ) (4)

T _i :表示第i时刻的燃烧场图像;

P _i-1 :表示第i-1时刻燃烧场图像对应的压力数据;

F(): 表示燃烧稳定性预测模型；

采用序列的方法实现燃烧场图像预测，生成的燃烧场图像（I ₁ ,I ₂ …I _N ）对应的压力数据(P _K+1 ,P _K+2, …P _N+K )，输入数据的通道为k*c，c表示图像的通道数，RGB图像c=3，灰度图像c=1，采用3D卷积对输入的序列燃烧场图像在W,H,T维度进行卷积，同时，将输入的压力数据Reshape为一维数据；然后，将图像特征与压力特征融合后，输入到LSTM时间序列预测模型中再次进行特征信息提取；最后，通过全连接层输出预测结果。

7.根据权利要求1所述的一种超燃冲压发动机燃烧不稳定性智能检测方法，其特征在于步骤S1中所述超燃冲压发动机采用10kHZ高频压力传感器检测发动机燃烧室的上下壁面压力变化情况，压力传感器最大量程为700 kPa，灵敏度为1%；采用高速相机获取燃烧室燃烧场图像信息，拍摄帧频为1×10⁴fps，相机曝光时间设置为4.62μs。

8.一种超燃冲压发动机燃烧不稳定性智能检测系统，其特征在于包括数据采集模块，数据处理模块，模型训练模块以及检测报警模块：

数据采集模块：压力传感器探头均匀分布在超燃冲压发动机燃烧室的上下壁面，压力传感器探头获取壁面压力信息，高速相机置于燃烧室侧壁的透明窗外，获取燃烧场图像，用于模型训练；在测试阶段只需要利用压力传感器获取压力数据，并将数据发送至计算机；

数据处理模块：计算机接收并通过CPU与GPU处理压力传感器数据信息，获取同一时刻压力数据及其对应燃烧场图像，并对燃烧场图像进行预处理；

模型训练模块：整个模型在Ubuntu操作系统中，编程语言Python以及深度学习框架PyTorch，并行计算架构CUDA以及深度网络的GPU加速库CUDNN的计算机环境上完成训练；

检测报警模块：训练完成之后，将代码传到Nvidia Jetson Tx2开发板上，由于训练权重属于pytorch格式，需先将pytorch格式转换为ONNX格式，再转换成tensor-RT格式后上传到Tx2开发板上运行，输出每一帧图像的检测结果：稳定或者不稳定，如果输出结果为稳定，则给报警系统输入低电平，此时为安全状态，如果输出结果为不稳定，则给报价系统输出高电平，报警声响，提醒工作人员进行调整入口马赫数或者燃料比，确保发动机时刻处于稳定状态。

Images