CN116771519A - 一种基于plif的燃机当量比识别与调控装置及方法 - Google Patents
一种基于plif的燃机当量比识别与调控装置及方法 Download PDFInfo
- Publication number
- CN116771519A CN116771519A CN202310734628.3A CN202310734628A CN116771519A CN 116771519 A CN116771519 A CN 116771519A CN 202310734628 A CN202310734628 A CN 202310734628A CN 116771519 A CN116771519 A CN 116771519A
- Authority
- CN
- China
- Prior art keywords
- plif
- equivalence ratio
- input
- image
- lstm
- 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
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims abstract description 16
- 102100020760 Ferritin heavy chain Human genes 0.000 title claims abstract 30
- 101001002987 Homo sapiens Ferritin heavy chain Proteins 0.000 title claims abstract 30
- 238000002485 combustion reaction Methods 0.000 claims abstract description 58
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000007493 shaping process Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 210000004027 cell Anatomy 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000002073 fluorescence micrograph Methods 0.000 claims description 6
- 238000012632 fluorescent imaging Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 239000000543 intermediate Substances 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000001499 laser induced fluorescence spectroscopy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
- F02C9/26—Control of fuel supply
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Optics & Photonics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
一种基于PLIF的燃机当量比识别与调控装置及方法，涉及一种燃机识别与调控装置及方法。1kHzPLIF系统由激光系统、片光整形系统和相机系统组成，用于实时获取燃烧室内火焰图像，计算机系统包含图像预处理模块、LSTM计算模块、偏差计算模块和反馈模块，用于进行图像预处理、模型计算和提供反馈控制。采集燃烧室内火焰图像，利用已知准确当量比的PLIF图像训练得到当量比识别模型，再实时获取PLIF图像通过深度学习进行训练识别得到真实当量比，利用真实当量比与预设当量比进行比较，通过反馈调节输入端的燃气进气量实现燃机的自动调控，解决目前由于当量比误差导致的燃烧偏离问题。
Description
技术领域
本发明涉及一种燃机识别与调控装置及方法，尤其是一种基于PLIF的燃机当量比识别与调控装置及方法，属于激光光谱应用技术领域。
背景技术
当量比是影响燃料燃烧特性的主要参数之一，它决定着燃烧效率，影响污染物的产生，同时对火焰稳定性、燃烧速度等参量产生重要影响。在工程中，由于燃气轮机调节阀不够灵敏及机组内部误差，燃烧室内的真实当量比很难控制在预设当量比上导致燃烧偏离，从而易造成燃机损坏、能源利用率低等问题。因此测量燃烧室内真实当量比对控制燃气轮机燃烧状态来说非常重要，通过测量得到燃烧室内的真实当量比，及时与预设当量比进行比较，进而从输入端及时调整燃气进气量，有利于提高能源的转换效率、减少污染物排放、维持火焰的稳定状态。
PLIF(Planar laser-induced fluorescence)技术是一种基于激光光谱的技术，具有非接触的特点，常用于大型燃机燃烧流场的诊断中。目前常用的方法是通过PLIF系统采集图像，通过图像处理技术提取火焰特征与振荡频率等信息进而判断燃烧的稳定性，但这种稳定性的判断停留在对PLIF图像的定性分析上，缺乏对于PLIF图像中定量信息的挖掘。OH基团是燃料燃烧的重要中间产物，而利用OH-PLIF图像可以获得这些基态的基团特性。不同的燃料当量比会影响化学反应、释热及流场结构，反应阶段中间产物的组分浓度也会受到影响，得到的PLIF图像也随之变化，这为通过PLIF图像识别当量比提供了可能性。
鉴于上述原因，为了解决大型燃机中由于燃烧室内的当量比误差所导致的燃烧偏离问题，亟需一种利用PLIF图像能够实现燃机当量比识别与自动调控的技术方案。
发明内容
为解决背景技术存在的不足，本发明提供一种基于PLIF的燃机当量比识别与调控装置及方法，它利用高频PLIF系统采集燃烧室内火焰图像，通过深度学习进行训练识别，最后反馈调节输入端的燃气进气量实现燃机自动调控，解决目前由于当量比误差导致的燃烧偏离问题。
为实现上述目的，本发明采取下述技术方案：
一种基于PLIF的燃机当量比识别与调控装置，包括由激光系统、片光整形系统和相机系统组成，用于实时获取燃烧室内火焰图像的1kHz PLIF系统，以及包含图像预处理模块、LSTM计算模块、偏差计算模块和反馈模块，用于进行图像预处理、模型计算和提供反馈控制的计算机系统；
所述激光系统根据燃烧室内待测物种类确定波长产生激光束；
所述片光整形系统布置在激光系统与燃机之间，将激光束进行整形为能量分布均匀的片状光束；
所述相机系统对燃烧室内进行荧光成像并采集PLIF图像传输到计算机系统；
所述图像预处理模块对采集的PLIF图像进行裁剪和滤波的预处理；
所述LSTM计算模块将预处理后的PLIF图像输入到LSTM模型中进行训练计算，输出识别的真实当量比；
所述偏差计算模块将真实当量比与预设当量比作差计算出偏差值；
所述反馈模块根据偏差值对燃机输入端提供反馈调控燃气进气量。
一种基于PLIF的燃机当量比识别与调控方法，包括以下步骤：
步骤一：利用1kHz PLIF系统获取已知准确当量比的PLIF图像集A
激光系统产生的激光束经过片光整形系统后输出为片状光束，对已知准确当量比的燃烧室进行照射激发荧光，利用相机系统对荧光图像进行采集，利用1kHz PLIF系统对已知准确当量比的燃烧室进行拍摄获取已知准确当量比的PLIF图像集A；
步骤二：将PLIF图像集A经过预处理后输入到LSTM模型中训练得到当量比识别模型
将PLIF图像集A经过图像预处理模块进行裁剪和滤波的预处理，整形成适合作为深度学习输入的图像格式并输入到LSTM计算模块作为LSTM模型的输入，LSTM模型由序列输入层、LSTM层、全连接层、softmax层和classification层构成，通过序列输入层每次向LSTM模型中输入PLIF图像集A中包括OH信号强度特征和已知准确当量比的一组数据，LSTM层只包含一个LSTM单元，LSTM单元包括遗忘门、输入门、输出门和单元状态：
先计算当前时刻遗忘门的值ft：
ft＝σ(Wf·[ht-1,xt]+bf)，
再计算当前时刻输入门的值it：
it＝σ(Wi·[ht-1,xt]+bi)，
再计算当前时刻用于描述当前输入的单元状态～ct：
再计算当前时刻的单元状态ct：
再计算当前时刻输出门的值ot：
ot＝σ(Wo[ht-1,xt]+bo)，
最后计算当前时刻的输出ht：
式中，Wf是遗忘门的权重矩阵，bf是遗忘门的偏置项，Wi是输入门的权重矩阵，bi是输入门的偏置项，Wc是当前时刻的单元状态ct的权重矩阵，bc是当前时刻的单元状态ct的偏置，ct-1是上一时刻的单元状态，Wo是输出门的权重矩阵，bo是输出门的偏置，ht-1是上一时刻的输出，xt是当前时刻的输入，[ht-1,xt]表示ht-1和xt连接而成的向量，符号表示矩阵按位相乘，σ是激活函数，激活函数是sigmoid函数；
重复进行以上计算，直到所有PLIF图像集A中的数据都输入LSTM模型对权重进行调整后，完成当量比识别模型的训练，全连接层中的每个神经元与LSTM层的LSTM单元进行全连接，将当前时刻的输出ht转换为结果向量，softmax层和classification层是LSTM模型的输出层，对全连接层的结果向量进行分类；
步骤三：利用1kHz PLIF系统实时获取燃烧室内的PLIF图像集B
激光系统产生的激光束经过片光整形系统后输出为片状光束，对实际应用的燃烧室进行照射激发荧光，利用相机系统对荧光图像进行采集，利用1kHz PLIF系统对实际应用的燃烧室进行拍摄实时获取PLIF图像集B；
步骤四：将PLIF图像集B经过预处理后输入到当量比识别模型中得到真实当量比
将PLIF图像集B经过裁剪和滤波的预处理整形成适合作为深度学习输入的图像格式并输入到训练好的当量比识别模型中，输出识别的真实当量比；
步骤五：将真实当量比与预设当量比进行比较，给燃机输入端进行反馈
得到真实当量比后通过偏差计算模块将其与预设当量比作差，真实当量比减去预设当量比得到偏差值k，通过反馈模块根据偏差值k给燃机输入端进行反馈，若k＞0则减少燃气进气量，若k<0则增加燃气进气量，若k＝0则暂停反馈，以此实现对燃气进气量的自动调控。
与现有技术相比，本发明的有益效果是：本发明利用高频PLIF系统采集燃烧室内火焰图像，利用获取的已知准确当量比的PLIF图像训练得到当量比识别模型，再实时获取燃烧室内PLIF图像通过深度学习进行训练识别得到真实当量比，最后利用真实当量比与预设当量比进行比较，通过反馈调节输入端的燃气进气量实现燃机的自动调控，解决目前由于当量比误差导致的燃烧偏离问题。
附图说明
图1是本发明装置的布局示意图(俯视)；
图2是本发明装置的系统框架图；
图3是本发明方法的步骤流程图；
图4是本发明方法的算法逻辑图；
图5是本发明的LSTM单元图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1～图2所示，一种基于PLIF的燃机当量比识别与调控装置，包括由激光系统、片光整形系统和相机系统组成，用于实时获取燃烧室内火焰图像的1kHz PLIF系统，以及包含图像预处理模块、LSTM计算模块、偏差计算模块和反馈模块，用于进行图像预处理、模型计算和提供反馈控制的计算机系统；
所述激光系统根据燃烧室内待测物种类确定波长产生激光束；
所述片光整形系统布置在激光系统与燃机之间，将激光束进行整形为能量分布均匀的片状光束；
所述相机系统对燃烧室内进行荧光成像并采集PLIF图像传输到计算机系统；
所述图像预处理模块对采集的PLIF图像进行裁剪和滤波的预处理；
所述LSTM计算模块将预处理后的PLIF图像输入到LSTM模型中进行训练计算，输出识别的真实当量比；
所述偏差计算模块将真实当量比与预设当量比作差计算出偏差值；
所述反馈模块根据偏差值对燃机输入端提供反馈调控燃气进气量。
如图3～图5所示，一种基于PLIF的燃机当量比识别与调控方法，包括以下步骤：
步骤一：利用1kHz PLIF系统获取已知准确当量比的PLIF图像集A
激光系统产生的激光束经过片光整形系统后输出为片状光束，对已知准确当量比的燃烧室进行照射激发荧光，利用相机系统对荧光图像进行采集，利用1kHz PLIF系统对已知准确当量比的燃烧室进行拍摄获取已知准确当量比的PLIF图像集A；
步骤二：将PLIF图像集A经过预处理后输入到LSTM模型中训练得到当量比识别模型
将PLIF图像集A经过图像预处理模块进行裁剪和滤波的预处理，整形成适合作为深度学习输入的图像格式并输入到LSTM计算模块，以预处理后的10张PLIF图像作为一个序列输入，每张PLIF图像将像素按列展开成一维向量，每张PLIF图像预处理为224×224大小，每张PLIF图像展开为50176×1的列向量，列向量储存图像的像素值特征，将序列输入的信息写入元胞数组中，每个元胞数组包含一个序列输入的信息，即50176×10的列向量，作为LSTM模型的输入，LSTM模型由序列输入层、LSTM层、全连接层、softmax层和classification层构成，通过序列输入层每次向LSTM模型中输入PLIF图像集A中的一组数据，每组数据包括10张PLIF图像的OH信号强度特征和已知准确当量比，LSTM层只包含一个LSTM单元(结合图5所示)，LSTM单元包括遗忘门、输入门、输出门和单元状态，用t表示当前时刻，t-1表示上一时刻，通过遗忘门和输入门控制当前时刻的单元状态ct，遗忘门决定上一时刻的单元状态ct-1有多少保留到当前时刻的单元状态ct，输入门决定当前时刻的输入xt有多少保存到当前时刻的单元状态ct，通过输出门控制当前时刻的单元状态ct有多少输出到当前时刻的输出ht，全连接层中的每个神经元与LSTM层的LSTM单元进行全连接，将当前时刻的输出ht转换为结果向量，softmax层和classification层是LSTM模型的输出层，对全连接层的结果向量进行分类。
在实际训练时，首先将PLIF图像集A中的一组数据传入序列输入层，序列输入层将10张PLIF图像的特征输入到LSTM层，LSTM单元收到序列输入层传来的m个时刻的n维特征，t∈{1,2,...,m}；
先计算当前时刻遗忘门的值ft：
ft＝σ(Wf·[ht-1,xt]+bf)
式中，Wf是遗忘门的权重矩阵，ht-1是上一时刻的输出，xt是当前时刻的输入，[ht-1,xt]表示ht-1和xt连接而成的向量，bf是遗忘门的偏置项，σ是激活函数，激活函数是sigmoid函数；
再计算当前时刻输入门的值it：
it＝σ(Wi·[ht-1,xt]+bi)
式中，Wi是输入门的权重矩阵，ht-1是上一时刻的输出，xt是当前时刻的输入，[ht-1,xt]表示ht-1和xt连接而成的向量，bi是输入门的偏置项，σ是激活函数，激活函数是sigmoid函数；
再计算当前时刻用于描述当前输入的单元状态
式中，Wc是当前时刻的单元状态ct的权重矩阵，ht-1是上一时刻的输出，xt是当前时刻的输入，[ht-1,xt]表示ht-1和xt连接而成的向量，bc是当前时刻的单元状态ct的偏置；
再计算当前时刻的单元状态ct：
式中，ft是当前时刻遗忘门的值，符号表示矩阵按位相乘，ct-1是上一时刻的单元状态，it是当前时刻输入门的值，/>是当前时刻用于描述当前输入的单元状态；
再计算当前时刻输出门的值ot：
ot＝σ(Wo[ht-1,xt]+bo)
式中，Wo是输出门的权重矩阵，ht-1是上一时刻的输出，xt是当前时刻的输入，[ht-1,xt]表示ht-1和xt连接而成的向量，bo是输出门的偏置，σ是激活函数，激活函数是sigmoid函数；
最后计算当前时刻的输出ht：
式中，ot是当前时刻输出门的值，符号表示矩阵按元素相乘，ct是当前时刻的单元状态；
重复进行以上计算，直到所有PLIF图像集A中的数据都输入LSTM模型对权重进行调整后，完成当量比识别模型的训练；
步骤三：利用1kHz PLIF系统实时获取燃烧室内的PLIF图像集B
激光系统产生的激光束经过片光整形系统后输出为片状光束，对实际应用的燃烧室进行照射激发荧光，利用相机系统对荧光图像进行采集，利用1kHz PLIF系统对实际应用的燃烧室进行拍摄实时获取PLIF图像集B；
步骤四：将PLIF图像集B经过预处理后输入到当量比识别模型中得到真实当量比
将PLIF图像集B经过裁剪和滤波的预处理整形成适合作为深度学习输入的图像格式并输入到训练好的当量比识别模型中，输出识别的真实当量比；
步骤五：将真实当量比与预设当量比进行比较，给燃机输入端进行反馈
得到真实当量比后通过偏差计算模块将其与预设当量比作差，真实当量比减去预设当量比得到偏差值k，通过反馈模块根据偏差值k给燃机输入端进行反馈，若k＞0则减少燃气进气量，若k<0则增加燃气进气量，若k＝0则暂停反馈，以此实现对燃气进气量的自动调控。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的装体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同条件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于PLIF的燃机当量比识别与调控装置，其特征在于：包括由激光系统、片光整形系统和相机系统组成，用于实时获取燃烧室内火焰图像的1kHz PLIF系统，以及包含图像预处理模块、LSTM计算模块、偏差计算模块和反馈模块，用于进行图像预处理、模型计算和提供反馈控制的计算机系统；
所述激光系统根据燃烧室内待测物种类确定波长产生激光束；
所述片光整形系统布置在激光系统与燃机之间，将激光束进行整形为能量分布均匀的片状光束；
所述相机系统对燃烧室内进行荧光成像并采集PLIF图像传输到计算机系统；
所述图像预处理模块对采集的PLIF图像进行裁剪和滤波的预处理；
所述LSTM计算模块将预处理后的PLIF图像输入到LSTM模型中进行训练计算，输出识别的真实当量比；
所述偏差计算模块将真实当量比与预设当量比作差计算出偏差值；
所述反馈模块根据偏差值对燃机输入端提供反馈调控燃气进气量。
2.一种基于PLIF的燃机当量比识别与调控方法，其特征在于：根据权利要求1所述的装置，其当量比识别与调控方法包括以下步骤：
步骤一：利用1kHz PLIF系统获取已知准确当量比的PLIF图像集A
激光系统产生的激光束经过片光整形系统后输出为片状光束，对已知准确当量比的燃烧室进行照射激发荧光，利用相机系统对荧光图像进行采集，利用1kHz PLIF系统对已知准确当量比的燃烧室进行拍摄获取已知准确当量比的PLIF图像集A；
步骤二：将PLIF图像集A经过预处理后输入到LSTM模型中训练得到当量比识别模型
将PLIF图像集A经过图像预处理模块进行裁剪和滤波的预处理，整形成适合作为深度学习输入的图像格式并输入到LSTM计算模块作为LSTM模型的输入，LSTM模型由序列输入层、LSTM层、全连接层、softmax层和classification层构成，通过序列输入层每次向LSTM模型中输入PLIF图像集A中包括OH信号强度特征和已知准确当量比的一组数据，LSTM层只包含一个LSTM单元，LSTM单元包括遗忘门、输入门、输出门和单元状态：
先计算当前时刻遗忘门的值ft：
ft＝σ(Wf·[ht-1,xt]+bf)，
再计算当前时刻输入门的值it：
it＝σ(Wi·[ht-1,xt]+bi)，
再计算当前时刻用于描述当前输入的单元状态～ct：
再计算当前时刻的单元状态ct：
再计算当前时刻输出门的值ot：
ot＝σ(Wo[ht-1,xt]+bo)，
最后计算当前时刻的输出ht：
式中，Wf是遗忘门的权重矩阵，bf是遗忘门的偏置项，Wi是输入门的权重矩阵，bi是输入门的偏置项，Wc是当前时刻的单元状态ct的权重矩阵，bc是当前时刻的单元状态ct的偏置，ct-1是上一时刻的单元状态，Wo是输出门的权重矩阵，bo是输出门的偏置，ht-1是上一时刻的输出，xt是当前时刻的输入，[ht-1,xt]表示ht-1和xt连接而成的向量，符号表示矩阵按位相乘，σ是激活函数，激活函数是sigmoid函数；
重复进行以上计算，直到所有PLIF图像集A中的数据都输入LSTM模型对权重进行调整后，完成当量比识别模型的训练，全连接层中的每个神经元与LSTM层的LSTM单元进行全连接，将当前时刻的输出ht转换为结果向量，softmax层和classification层是LSTM模型的输出层，对全连接层的结果向量进行分类；
步骤三：利用1kHz PLIF系统实时获取燃烧室内的PLIF图像集B
激光系统产生的激光束经过片光整形系统后输出为片状光束，对实际应用的燃烧室进行照射激发荧光，利用相机系统对荧光图像进行采集，利用1kHz PLIF系统对实际应用的燃烧室进行拍摄实时获取PLIF图像集B；
步骤四：将PLIF图像集B经过预处理后输入到当量比识别模型中得到真实当量比
将PLIF图像集B经过裁剪和滤波的预处理整形成适合作为深度学习输入的图像格式并输入到训练好的当量比识别模型中，输出识别的真实当量比；
步骤五：将真实当量比与预设当量比进行比较，给燃机输入端进行反馈得到真实当量比后通过偏差计算模块将其与预设当量比作差，真实当量比减去预设当量比得到偏差值k，通过反馈模块根据偏差值k给燃机输入端进行反馈，若k＞0则减少燃气进气量，若k<0则增加燃气进气量，若k＝0则暂停反馈，以此实现对燃气进气量的自动调控。
3.根据权利要求2所述的方法，其特征在于：所述步骤二中以预处理后的10张PLIF图像作为一个序列输入，每张PLIF图像将像素按列展开成一维向量，每张PLIF图像预处理为224×224大小，每张PLIF图像展开为50176×1的列向量，列向量储存图像的像素值特征，将序列输入的信息写入元胞数组中，每个元胞数组包含一个序列输入的信息，即50176×10的列向量，作为LSTM模型的输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310734628.3A CN116771519B (zh) | 2023-06-20 | 2023-06-20 | 一种基于plif的燃机当量比识别与调控装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310734628.3A CN116771519B (zh) | 2023-06-20 | 2023-06-20 | 一种基于plif的燃机当量比识别与调控装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116771519A true CN116771519A (zh) | 2023-09-19 |
| CN116771519B CN116771519B (zh) | 2024-02-23 |
Family
ID=88005863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310734628.3A Active CN116771519B (zh) | 2023-06-20 | 2023-06-20 | 一种基于plif的燃机当量比识别与调控装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116771519B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130079932A (ko) * | 2012-01-03 | 2013-07-11 | 한국항공우주연구원 | Ｐｌｉｆ 정량화 장치 |
| CN103344619A (zh) * | 2013-06-27 | 2013-10-09 | 哈尔滨工业大学 | 基于平面激光诱导荧光成像装置及利用该装置获取oh浓度空间分布的方法 |
| CN104897632A (zh) * | 2015-06-01 | 2015-09-09 | 哈尔滨工业大学 | 一种基于扫描式平面激光诱导荧光成像系统测量瞬态燃烧场oh基浓度三维空间分布的方法 |
| CN109919994A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习图像处理的采煤机滚筒自动调高系统 |
| CN110285445A (zh) * | 2019-06-21 | 2019-09-27 | 贵州大学 | 基于燃烧当量比控制燃料及空气供给量的方法、系统及装置 |
| CN110823849A (zh) * | 2019-09-25 | 2020-02-21 | 北京航空航天大学 | 一种瞬态燃烧场定量测量方法及装置 |
| CN110956111A (zh) * | 2019-11-22 | 2020-04-03 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络步态识别系统 |
| CN112683853A (zh) * | 2020-10-29 | 2021-04-20 | 西安交通大学 | 一种喷雾截面液相燃料当量比的定量测试系统 |
| CN114528769A (zh) * | 2022-02-25 | 2022-05-24 | 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模态智能监测方法及系统 |
| 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 |
| CN115573817A (zh) * | 2022-09-08 | 2023-01-06 | 中国联合重型燃气轮机技术有限公司 | 一种纯氢燃气轮机系统的控制方法和装置 |
-
2023
- 2023-06-20 CN CN202310734628.3A patent/CN116771519B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130079932A (ko) * | 2012-01-03 | 2013-07-11 | 한국항공우주연구원 | Ｐｌｉｆ 정량화 장치 |
| CN103344619A (zh) * | 2013-06-27 | 2013-10-09 | 哈尔滨工业大学 | 基于平面激光诱导荧光成像装置及利用该装置获取oh浓度空间分布的方法 |
| CN104897632A (zh) * | 2015-06-01 | 2015-09-09 | 哈尔滨工业大学 | 一种基于扫描式平面激光诱导荧光成像系统测量瞬态燃烧场oh基浓度三维空间分布的方法 |
| CN109919994A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习图像处理的采煤机滚筒自动调高系统 |
| CN110285445A (zh) * | 2019-06-21 | 2019-09-27 | 贵州大学 | 基于燃烧当量比控制燃料及空气供给量的方法、系统及装置 |
| CN110823849A (zh) * | 2019-09-25 | 2020-02-21 | 北京航空航天大学 | 一种瞬态燃烧场定量测量方法及装置 |
| CN110956111A (zh) * | 2019-11-22 | 2020-04-03 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络步态识别系统 |
| CN112683853A (zh) * | 2020-10-29 | 2021-04-20 | 西安交通大学 | 一种喷雾截面液相燃料当量比的定量测试系统 |
| CN114528769A (zh) * | 2022-02-25 | 2022-05-24 | 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模态智能监测方法及系统 |
| 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 |
| CN115573817A (zh) * | 2022-09-08 | 2023-01-06 | 中国联合重型燃气轮机技术有限公司 | 一种纯氢燃气轮机系统的控制方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 郭培卿等: "合成气扩散燃烧的OH-PLIF测量", 航空动力学报, vol. 26, no. 4, pages 842 - 847 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116771519B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022160771A1 (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
| CN112906989B (zh) | 一种基于cnn-lstm的区域海表面温度预测方法 | |
| Wen et al. | Deep learning-based ash content prediction of coal flotation concentrate using convolutional neural network | |
| CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
| CN107562992B (zh) | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 | |
| CN112990558B (zh) | 一种基于深度迁移学习的气象温度、光照的预测方法 | |
| CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
| CN113076816B (zh) | 基于红外与可见光图像的太阳能光伏组件热斑识别方法 | |
| CN107742171A (zh) | 基于移动阴影图像识别的光伏电站发电功率预测方法 | |
| CN112101473B (zh) | 一种基于小样本学习的烟雾检测算法 | |
| Jia et al. | Fault diagnosis of industrial process based on the optimal parametric t-distributed stochastic neighbor embedding | |
| CN116221021A (zh) | 一种基于多层人工智能体系的风电场协同偏航控制方法 | |
| CN111509768A (zh) | 一种综合能源系统的场景模拟方法及系统 | |
| CN114022311A (zh) | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 | |
| CN114330516A (zh) | 基于多图引导神经网络模型的小样本徽景图像分类 | |
| CN115457006A (zh) | 基于相似一致性自蒸馏的无人机巡检缺陷分类方法及装置 | |
| CN114627369B (zh) | 环境监测系统、方法及其计算机装置 | |
| CN116771519B (zh) | 一种基于plif的燃机当量比识别与调控装置及方法 | |
| CN113095596B (zh) | 基于多级Gate-SA-TCN的光伏功率预测方法 | |
| CN114793086A (zh) | 双面双玻光伏板调节支架及调节方法 | |
| CN111382876B (zh) | 基于进化算法的地火转移轨道设计初值获取方法及系统 | |
| Wei et al. | Contrastive Domain Adaptation Via Delimitation Discriminator | |
| CN113705086A (zh) | 一种基于Elman误差修正的超短期风电功率预测方法 | |
| CN115512174A (zh) | 应用二次IoU损失函数的无锚框目标检测方法 | |
| Fang et al. | Attention enables zero approximation error |
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 |