超燃冲压发动机燃烧模态智能监测方法及系统与流程

1.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模态智能监测方法。


背景技术：

2.双模态超燃冲压发动机能够在宽马赫数范围内工作，为了获得良好的推进性能，随着飞行马赫数的不断变化，燃烧室和隔离段的相互作用不同，导致燃烧室的工作状态也会发生改变，会出现不同的燃烧模态。不同模态的发动机推力特性对高超声速巡航飞行控制是非常重要的，通过监测燃烧模态，进而设计模态转换策略，使得宽范围工作的高超声速飞行器在大气层内安全稳定飞行。
3.双模态超燃冲压发动机的燃烧模态可以划分为亚燃模态、混合模态和超燃模态，燃烧模态之间的转换会导致燃烧室压力分布、飞行器推力、燃烧室内流场特征等发生非线性的强烈突变。因此，对于实际飞行系统或者地面试验系统，为避免发动机工作状态的不断变化而发生火焰燃烧不稳定、熄火等状况，需要对发动机进行实时监测，准确识别发动机当前所处的燃烧模态类别，并能够预测发动机发生模态转换的时间，对于超燃冲压发动机模态的主动控制具有重大意义。
4.当前，燃烧模态识别方法一方面是基于先进的非接触式测量技术，基于获取的燃烧场的速度、温度等及激波结构，进行燃烧模态的确定，但是高超声速飞行过程中，无法携带大重量的光学测量设备。另一方面是基于表征燃烧的物理参数进行判断，如通过测量燃烧室壁面压力数据反算燃烧流场马赫数的值，进而确定燃烧模态。公开号cn107420221a一种发动机燃烧模态识别方法通过确定超燃冲压发动机隔离段出口出现负熵区间时隔离段出口的临界压力值，计算燃烧模态转换的裕度，来区分发动机处于超燃模态还是亚燃模态。此外，还有学者基于当量比或者热量释放等方法判断燃烧模态，这些方法一方面在实时性方面受到限制，另一方面如果不考虑燃烧流场信息，燃烧模态识别的精度和准确性都会受到影响，当前的方法也不具备对燃烧模态转换做出提前预警的能力。


技术实现要素：

5.针对现有技术存在的不足，本发明意在提供一种超燃冲压发动机燃烧模态智能监测方法及监测系统，以解决现有的技术对超燃冲压发动机燃烧模态识别存在的实时性差、精度低及智能化水平不高等问题。
6.为实现上述发明目的，本发明技术方案如下：
7.一种超燃冲压发动机燃烧模态智能监测方法，包括以下步骤：
8.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；
9.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；
10.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；
11.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；
12.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；
13.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；
14.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。
15.作为优选方式，s5中形成的用于后续深度学习网络训练的数据集指的是在不同当量比条件下，根据隔离段流场的流动特点及壁面压力数值，结合多种燃烧室非接触式测量的光谱图像数据进行融合，进行超燃模态、亚燃模态及混合模态的分类；挖掘不同当量比下的隔离段流场与燃烧室多信息融合的光谱图像之间的规律，对图像数据进行标注，构建发动机燃烧流场数据库。
16.作为优选方式，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。
17.作为优选方式，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小于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亚燃模态；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，按照上述定义，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。
18.作为优选方式，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。
19.作为优选方式，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该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。
20.作为优选方式，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张自发光图像和该时刻的压力数据；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。
21.作为优选方式，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；
22.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10的多头自注意力层multi-head self attention和如公式11的多层感知器multi-layer perceptron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；
23.z
′
l
＝msa(ln(z
l-1
)) z
l-1
,l＝1,...,l
ꢀꢀꢀ
(10)
24.z
l
＝mlp(ln(z
′
l
)) z
′
l
,l＝1,...,l (11)
25.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；
26.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(wq,wk,wv)相乘如公式12，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13，其中缩放因子dk为注意力权重矩阵wk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14；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15；
27.[0028][0029]
sa(z)＝a
·vꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0030][0031]
其中，(q,k,v)为自注意力向量，w为自注意力计算权重矩阵，dk为缩放因子，sa(z)为单头自注意力计算结果向量。
[0032]
作为优选方式，所述步骤s7进一步为：在步骤s5构建的测试数据集上，对步骤s6训练的燃烧模态自注意力识别网络进行详细的性能测试，测试选取准确率precision、召回率recall、f1分数f1s作为评价指标，具体指标的数学公式分别如式16、式17和式18所示，最后根据性能测试指标进一步优化深度学习模型的参数，提升燃烧模态识别模型的性能；
[0033][0034][0035][0036]
其中，tp是正确预测燃烧模态个数，真阳性；fp是错误预测燃烧模态个数，假阳性；fn是错误预测燃烧模态个数，假阴性。
[0037]
本发明还提供一种超燃冲压发动机燃烧模态智能监测系统，包括：
[0038]
接触式压力测量模块、非接触式自发光采集图像模块、非接触式纹影与平面激光诱导荧光plif采集图像模块、cpu处理平台和gpu开发板；
[0039]
接触式压力采集模块：将压力传感器探头等距离安装在发动机模型的隔离段与燃烧室的上下壁面，实时输出每个点压力数据，输出频率为10khz；
[0040]
非接触式自发光图像采集模块：采用高速摄像机拍摄燃烧室图像，帧率为10kfps；
[0041]
非接触式纹影与平面激光诱导荧光plif图像采集模块：连续激光器发出的激光经反射镜和纹影镜后到达流场测试区，通过流场测试区后由二向色分光镜分光；同时，脉冲激光器激发的荧光也在测试区内，oh基信息被增强电荷耦合器件iccd收集，纹影信息被高速相机收集；这样通过plif与纹影的同步测量便获得了流场内的同步信息；
[0042]
cpu处理平台：接收并预处理压力数据、自发光图像数据、纹影图像和plif图像数据，将预处理后的数据送入gpu深度学习平台；接收智能识别深度卷积神经网络模型输出的识别结果并输出；
[0043]
gpu开发板：首先，接收预处理后的压力数据和图像数据；然后，将数据送入训练好的智能识别cnn模型，并通过nvidia提供的tensorrt库进行模型推理加速；最后，输出三个燃烧模态对应的概率值。
[0044]
作为优选方式，所述超燃冲压发动机燃烧模态智能监测系统：采用10khz高频压力传感器监测发动机隔离段及燃烧室的上下壁面压力变化情况、采用10khz的平面激光诱导荧光planar laser induced fluorescence传感器获取燃烧室内火焰羟基图像、采用高速摄像机进行纹影图像的获取、采用自发光照相获得燃烧室内火焰图像信息，上述传感器进
行同步测量。
[0045]
12、根据权利要求10所述的一种超燃冲压发动机燃烧模态智能监测系统，其特征在于：
[0046]
英伟达平台采用xczu3cg-1sfvc784芯片的开发板，对搭建的超燃冲压发动机燃烧模态智能识别深度神经网络cnn进行加速。
[0047]
本发明与现有技术相比，具有以下优点：(1)本发明应用多种传感器测量获取的超燃冲压发动机壁面压力数据与图像数据，突破基于表征燃烧的基本物理参数进行判断分析燃烧模态的传统思路，可以建立基于多信息融合的数据驱动高动态燃烧模态监测与分析方法。(2)本发明应用深度学习技术对多信息融合的图像进行特征提取，进而对超燃冲压发动机燃烧模态进行分类，避免了传统的仅应用单一的壁面压力数据进行模态判别时，未考虑火焰形状及其对流动扰动的响应造成的压力信号难以利用所掌握的知识范围，预测大范围工况下的燃烧模态的缺陷。
附图说明
[0048]
图1是本发明的超燃冲压发动机燃烧模态智能监测方法流程图；
[0049]
图2是本发明的超燃冲压发动机燃烧模态智能监测系统框图；
[0050]
图3是本发明接触式压力传感器采集压力示意图；
[0051]
图4是本发明非接触式纹影与平面激光诱导荧光plif系统同步测量光路；
[0052]
图5是本发明自注意力编码器结构图；
[0053]
图6是本发明燃烧模态自注意力识别网络结构图。
具体实施方式
[0054]
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。
[0055]
实施例1：
[0056]
本发明实施例提供了一种超燃冲压发动机燃烧模态智能监测方法，
[0057]
包括以下步骤：
[0058]
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；
[0059]
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；
[0060]
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；
[0061]
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；
[0062]
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；
[0063]
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；
[0064]
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。
[0065]
实施例2：
[0066]
本发明实施例提供了一种超燃冲压发动机燃烧模态智能监测方法，如图1所示，该实施例具体包括以下步骤s1-s7:
[0067]
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。
[0068]
本发明实施例中，步骤s1具体为：
[0069]
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，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。在隔离段及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。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，拍摄帧频为1
×
104fps，相机曝光时间设置为4.62μs。采用羟基自由基(oh)平面诱导激光技术(plif)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。
[0070]
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；
[0071]
本发明实施例中，步骤s2具体为：
[0072]
根据步骤s1获取的当量比0.4、0.5、0.6、0.65、0.7、0.75、0.8和0.9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小于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亚燃模态。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，按照上述定义，将当量比0.4、0.5、0.6、0.65、0.7、0.75、0.8和0.9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。
[0073]
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；
[0074]
本发明实施例中，步骤s3具体为：
[0075]
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、plif及自发光等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，对高分辨率图像数据进行下采样。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，减弱高频噪声和低频干扰。
[0076]
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；
[0077]
本发明实施例中，步骤s4具体为：
[0078]
首先，选取3种不同构型的超燃冲压发动机模型，2种燃料脉冲喷注和2种定常喷注以及当量比分别为0.4、0.5、0.6、0.65、0.7、0.75、0.8和0.9进行50次地面风洞试验，亚燃模态、超燃模态和混合模态等三种双模态超燃冲压发动机的燃烧模态被观察，以获取丰富数据。将获取的数据应用s3进行数据的预处理，按照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s2中的模态判别准则，联合三种类型的燃烧流场图像和该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。
[0079]
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；
[0080]
本发明实施例中，步骤s5具体为：
[0081]
通过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plif图像、1张自发光图像和该时刻的压力数据。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。
[0082]
s5中形成的用于后续深度学习网络训练的数据集指的是在不同当量比条件下，根据隔离段流场的流动特点及壁面压力数值，结合多种燃烧室非接触式测量的光谱图像数据进行融合，进行超燃模态、亚燃模态及混合模态的分类；挖掘不同当量比下的隔离段流场与燃烧室多信息融合的光谱图像之间的规律，对图像数据进行标注，构建发动机燃烧流场数据库。
[0083]
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；应用上述构建的训练集train，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，准确判断燃烧模态的类别；
[0084]
本发明实施例中，步骤s6具体为：
[0085]
如图6所示，第一步，采用卷积操作分别对纹影图像、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。
[0086]
自注意力编码器完全依靠自注意力机制实现(图5)，由l个相同的层组成，每一层主要由多头自注意力层(multi-head self attention，msa)(公式19)和多层感知器(multi-layer perceptron，mlp)(公式20)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。
[0087]z′
l
＝msa(ln(z
l-1
)) z
l-1
,l＝1,...,l (19)
[0088]zl
＝mlp(ln(z
′
l
)) z
′
l
,l＝1,...,l (20)
[0089]
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；
[0090]
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(wq,wk,wv)相乘(公式21)，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(公式22)，其中缩放因子dk为注意力权重矩阵wk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(公式23)。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(公式24)。
[0091][0092][0093]
sa(z)＝a
·vꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0094][0095]
其中，(q,k,v)为自注意力向量，w为自注意力计算权重矩阵，dk为缩放因子，sa(z)为单头自注意力计算结果向量。
[0096]
s7，利用测试数据集train对训练好的网络进行性能测试，首先输入测试数据集train到s6已经训练好的网络模型中，将燃烧模态的预测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。
[0097]
本发明实施例中，步骤s7具体为：
[0098]
在s5构建的测试数据集上，对步骤s6训练的燃烧模态自注意力识别网络进行详细的性能测试，测试选取准确率(precision)、召回率(recall)、f1分数(f1s)作为评价指标，
具体指标的数学公式分别如式25、式26和式27所示，最后根据性能测试指标进一步优化深度学习模型的参数，提升燃烧模态识别模型的性能。
[0099][0100][0101][0102]
其中，tp是正确预测燃烧模态个数，真阳性；fp是错误预测燃烧模态个数，假阳性；fn是错误预测燃烧模态个数，假阴性。
[0103]
实施例3：
[0104]
本发明实施例提供了一种超燃冲压发动机燃烧模态智能监测系统，如图2所示，包括：
[0105]
接触式压力采集模块、非接触式自发光图像采集模块、非接触式纹影与plif图像采集模块、cpu处理平台和英伟达开发板组成；
[0106]
接触式压力采集模块：将压力传感器探头等距离安装在发动机模型的隔离段与燃烧室的上下壁面，上壁面28个，下壁面28个，实时输出56个点压力数据，输出频率为10khz；
[0107]
非接触式自发光图像采集模块：采用高速摄像机拍摄燃烧室图像，输出分辨率为1024*256，帧率为10kfps；
[0108]
非接触式纹影与平面激光诱导荧光plif图像采集模块：连续激光器发出的激光经反射镜和纹影镜后到达流场测试区，通过流场测试区后由二向色分光镜分光。同时，脉冲激光器激发的荧光也在测试区内，oh基信息被增强电荷耦合器件iccd收集，纹影信息被高速相机收集。这样通过plif与纹影的同步测量便获得了流场内的同步信息。
[0109]
cpu处理平台：接收并预处理压力数据、自发光图像数据、纹影图像和plif图像数据，将预处理后的数据送入深度学习平台；接收智能识别深度卷积神经网络模型输出的识别结果并输出；
[0110]
英伟达开发板：首先，接收预处理后的压力数据和图像数据；然后，将数据送入训练好的智能识别深度卷积神经网络模型cnn模型，并通过nvidia提供的tensorrt库进行模型推理加速；最后，输出三个燃烧模态对应的概率值。
[0111]
本系统采用10khz高频压力传感器监测发动机隔离段及燃烧室的上下壁面压力变化情况、采用10khz的平面激光诱导荧光planar laser induced fluorescence传感器获取燃烧室内火焰羟基图像、采用高速摄像机进行纹影图像的获取、采用自发光照相获得燃烧室内火焰图像信息，上述传感器进行同步测量。
[0112]
英伟达平台采用xczu3cg-1sfvc784芯片的开发板，对搭建的超燃冲压发动机燃烧模态智能识别深度神经网络cnn进行加速。
[0113]
本系统的工作方法包括以下步骤s1-s2:
[0114]
s1，应用接触式及非接触式光学测量传感器进行多传感器数据采集，利用高速数据传输协议实现cpu平台与gpu开发板平台的数据传递；
[0115]
s2，cpu平台接收测量的多传感器数据信息，并进行数据处理，再将处理后的传感
器数据转为张量形式传入gpu开发板平台，根据上述搭建的深度学习模型，完成基于深度学习的燃烧模态智能监测方法，最后将燃烧模态的判别类型亚燃模态、超燃模态及混合模态准确输出，并传送到pc端上位机。
[0116]
本发明实施例中，步骤s2具体为：
[0117]
将上述多种类型的传感器获取到的数据变为张量的形式传入训练好的智能识别模型中，并且使用英伟达平台xczu3cg-1sfvc784芯片的开发板对模型进行加速运算，模型通过运算输出三个燃烧模态对应的概率值大小，最后通过cpu处理数据，输出最大的概率值所对应的燃烧模态。系统如图2所示。
[0118]
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。