本发明涉及燃烧不稳定监测及主动控制领域，具体是一种基于深度学习的燃烧不稳定预测及主动控制方法。
背景技术：
1、燃烧不稳定经常发生在推进和动力系统中，是火箭发动机、航空发动机和燃气轮机研发过程的一个重要问题。燃烧不稳定会导致高振幅的噪声和振动，可能对燃烧室的结构产生破坏甚至导致灾难性故障，因此必须对其进行抑制和控制，燃烧不稳定控制方法主要是被动控制和主动控制。被动控制通过调整燃烧组织或使用声学共振器来抑制特定频率的振荡燃烧，具有成本高、灵活性低、针对特定系统设计的缺点，主动控制已经被证明更为灵活有效。
2、现有的主动控制方法大多是通过传感器返回值计算主动控制算法，动态调整控制器的输出，利用火焰、燃烧室的声学或涡流脱落相互作用来抑制热释放和压力之间的耦合，但是燃烧系统变化的时间尺度相对于控制器做出反应的时间尺度非常短，控制器的实际控制能力受限于在被控系统动态变化的时间尺度内做出响应的速度，为了提升控制能力，许多研究尝试建立燃烧不稳定预测模型，对系统的动态演变进行在线预测。目前常用的方法是通常通过分析传递函数或通过连续性、动量和能量方程的模态分解得到的常微分方程组来定义模型，通过模型获得热释放脉动或者压力脉动的动态变化，进而对被控系统进行调整。
3、上述物理模型具有清晰的物理意义，模型的可解释性极强，但是燃烧不稳定是热释放、压力、流场、燃烧室声学的复杂耦合，振荡燃烧的具体机理仍然不明确，因此获得精准且计算速度合理的燃烧不稳定物理模型是比较困难的；同时燃烧室内的实际燃烧情况复杂多变，不同燃烧室也存在较大区别，现有物理模型的普适性也是一个问题。
技术实现思路
1、本发明针对以上问题，提出了一种基于深度学习的燃烧不稳定主动控制系统，具体而言，该方法在聚类后的数据上对深度神经网络进行预训练，训练后的模型可以实现对燃烧不稳定的在线预测，预测速度较快且精度较高，在此基础上结合控制系统实现对燃烧不稳定的主动控制。
2、本发明的技术方案为：包括如下步骤：
3、s01、利用高速摄像机和压力传感器获得不同气动、结构参数下燃烧室的火焰图像和压力信号；所述燃烧室为具有观察窗的可视化燃烧室；
4、s02、进行聚类分析图像；
5、使用移动窗口法拆分压力信号，对每个窗口进行快速傅里叶变换得到频域上的压力信号，根据压力幅值和主导频率定义燃烧不稳定幅度，并借助k-means聚类方法对压力信号进行聚类分析；
6、s03、搭建resnet+lstm深度学习模型作为深度神经网络模型，并对该模型新型训练和测试；火焰图像作为模型的输入，燃烧不稳定幅度作为模型的输出，压力信号则提供了标签值；
7、s04、进行cnn+lstm在线预测；
8、实时火焰图像在预处理后输入到深度神经网络模型中，模型提取出整个时间序列图像的空间特征和时间特征，模型在线预测未来的燃烧不稳定性；
9、s05、当模型预测到潜在的燃烧不稳定性时，对燃烧室进行主动调控，从而抑制燃烧不稳定现象。
10、步骤s01具体为：在燃烧室一旁架设朝向燃烧室的高速摄像机，在燃烧室上布置压力传感器同步采集火焰图像和压力信号。
11、步骤s02具体为：
12、利用移动窗口法将时间序列上的压力信号拆分，对窗口内的压力信号进行快速傅里叶变换，将压力信号从时域转换到频域，根据压力幅值定义燃烧不稳定幅度aci；
13、
14、式中fmin和fmax分别代表压力主频上下偏移50hz时对应的频率，p′表示压力幅值，是远离压力主频的压力幅值平均值，aci表示燃烧不稳定的程度，其值越大，表示燃烧振荡的越剧烈；
15、然后结合k-means聚类方法对火焰图像进行聚类，聚类结果作为图像的标签值。
16、步骤s03具体为：
17、先对深度神经网络模型进行预训练，将数据集根据聚类结果打上标签值，一部分数据划分为测试集，剩余部分随机打乱后分为训练集和验证集，在训练过程中，训练集参与梯度下降调优，优化模型内部参数，验证集优化超参数同时对模型进行评估；
18、测试集单独拿出，作为陌生数据检验模型的泛化能力；
19、在深度神经网络模型中，采用resnet18作为基础网络结构，专门用于提取图像中的空间特征；为了捕获时间相关的特征信息，将resnet的全连接层替换为长短期记忆网络lstm；借助迁移学习技术，resnet18的预训练权重被用来初始化网络，从而加速收敛并提高模型的性能；
20、模型在训练集上训练，直至在验证集上的性能达到或超过预定的标准，随后在测试集上进行评估以验证其泛化性能。
21、步骤s05具体为：在燃烧室旁安装扬声器，并将扬声器的控制器连接至工作站；结合模型的输出和压力信号调节控制器输出值，以扬声器作为执行器，调节扬声器输出声波的频率和幅值，改变燃烧室声压水平，进而实现对燃烧室进行主动调控来抑制燃烧不稳定。
22、所述控制器为神经网络pid控制器，神经网络被用来优化pid控制参数；
23、工作时，通过控制器中的前馈神经网络，接受cnn+lstm模型的未来预测及压力信号作为输入，优化pid控制器控制参数，pid控制算法在更新参数后，通过误差，即实际压力信号与设定压力信号之间的差值计算控制器输出，调整扬声器输入电压，直至实际压力信号与设定压力信号一致。
24、本发明与现有技术相比，可有效抑制航空发动机燃烧室燃烧不稳定问题；并且，本发明中应用了深度学习模型对未来燃烧不稳定性进行预测，明显增加了控制器和执行器的响应时间裕度。相比于物理模型，本发明中基于深度学习的预测模型准确率高、计算速度快，在具有更强的普适性。
1.一种基于深度学习的燃烧不稳定主动控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的燃烧不稳定主动控制方法，其特征在于，步骤s01具体为：在燃烧室一旁架设朝向燃烧室的高速摄像机，在燃烧室上布置压力传感器同步采集火焰图像和压力信号。
3.根据权利要求1所述的一种基于深度学习的燃烧不稳定主动控制方法，其特征在于，步骤s02具体为：
4.根据权利要求1所述的一种基于深度学习的燃烧不稳定主动控制方法，其特征在于，步骤s03具体为：
5.根据权利要求1所述的一种基于深度学习的燃烧不稳定主动控制方法，其特征在于，步骤s05具体为：在燃烧室旁安装扬声器，并将扬声器的控制器连接至工作站；结合模型的输出和压力信号调节控制器输出值，以扬声器作为执行器，调节扬声器输出声波的频率和幅值，改变燃烧室声压水平，进而实现对燃烧室进行主动调控来抑制燃烧不稳定。
6.根据权利要求5所述的一种基于深度学习的燃烧不稳定主动控制方法，其特征在于，所述控制器为神经网络pid控制器，神经网络被用来优化pid控制参数；
