(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210838772.7 (22)申请日 2022.07.18 (65)同一申请的已公布的文献号 申请公布号 CN 114923695 A (43)申请公布日 2022.08.19 (73)专利权人 中国空气动力研究与发展中心空 天技术研究所 地址 621052 四川省绵阳市涪城区二环路 南段6号 (72)发明人 田野　邓雪　郭明明　陈皓　任虎　 陈尔达　赵国川　马跃　杨茂桃　 宋昊宇　梁爽　李林静　钟富宇　 乐嘉陵　李世豪　 (74)专利代理 机构 成都点睛专利代理事务所 (普通合伙) 51232 专利代理师 敖欢 (51)Int.Cl. G01M 15/05(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/80(2022.01) (56)对比文件 CN 114528769 A,202 2.05.24 CN 113008562 A,2021.0 6.22 CN 111579248 A,2020.08.25 CN 103792090 A,2014.0 5.14 CN 10258 8119 A,2012.07.18 US 2012083989 A1,2012.04.0 5 US 2018202323 A1,2018.07.19 EP 0657729 A2,1995.06.14 GB 831470 0 D0,1983.07.0 6 Kevin Nordin-Bates."Understandi ng Scramjet Combusti on using LES of the HyShot I I Combustor: Stable Combusti on and Incipient Thermal C hoking". 《51st AIAA/SAE/ ASEE Joint Propulsi on》 .2015,全 文. (续) 审查员 鲍桂清 (54)发明名称 超燃冲压发动机燃烧不稳定性智能检测方 法及系统 (57)摘要 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。 [转续页] 权利要求书4页 说明书7页 附图2页 CN 114923695 B 2022.10.28 CN 114923695 B (56)对比文件 邓帆等.基 于超燃冲压发动机的HIFiRE项目 飞行试验研究进 展. 《航空动力学报》 .2018,(第03期),全文. 田野等.双模态冲压发动机 燃烧性能初步研 究. 《航空动力学报》 .2016,(第12期),全 文.2/2 页 2[接上页] CN 114923695 B1.一种超燃冲压发动机 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 压力数据； S2， 将燃烧室流场图像和壁 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、 将燃烧室流场图像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 的燃烧室流场图像的燃烧状态， 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， 构建发动机燃烧室流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 测试集以用于后续卷积神经网络模型的训练； 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， 第一部分为燃烧流场重建模块， 通过上下壁面压力数据预测出 的燃烧室 流场图像， 第二部分为燃烧状态检测模块， 则是通过预测出 的燃烧室流场图像与其对应时 刻压力数据共同进行燃烧状态分类； 步骤S5具体为： 对于第一部分的燃烧流场重建模块， 由于卷积神经网络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， 因此该部分， 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 短时模块中， 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； 在此卷积神经网络模型中， 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， 加快燃烧流场重建模型 的训练， 并防止模型不再 更新； 最后， 卷积神经网络模型 经过全连接层输出燃烧室流场图像； 对于第二部分的燃烧状态检测模块， 将一一对应的压力数据与重构的燃烧室流场图像 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时刻的燃烧室流场图像; Pi‑1:表示第i‑1时刻燃烧室流场图像对应的压力数据; F(): 表示燃烧状态检测模块； 采用序列的方法实现燃烧室流场图像检测， 生成的燃烧室流场图像 （ I1,I2…IN） 对应的 压力数据( PK+1,PK+2,…PN+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室流场图像在W,H,T维度进行卷积， 同时， 将 输入的 压力数据利用Reshape函数变换为一维数据； 然后， 将图像特征与压力 特征融合后， 输入到 LSTM长短时模块中再次进行 特征信息提取； 最后， 通过全连接层输出 预测结果； S6， 即时根据压力数据利用训练后的卷积神经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组分的摩尔分数分权　利　要　求　书 1/4 页 2 CN 114923695 B 3