(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 202110047892.0 (22)申请日 2021.01.14 (65)同一申请的已公布的文献号 申请公布号 CN 112765908 A (43)申请公布日 2021.05.07 (73)专利权人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 孙希明　唐琦　赵宏阳　全福祥　 丁子尧　郭迪　 (74)专利代理 机构 大连理工大 学专利中心 21200 专利代理师 李晓亮 (51)Int.Cl. G06F 30/28(2020.01)G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 113/08(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 111737910 A,2020.10.02 CN 112001128 A,2020.1 1.27 CN 111563841 A,2020.08.21 于贺等.基 于多尺寸卷积与残差单 元的快速 收敛GAN胸部X射线图像数据增强. 《信号处 理》 .2019,(第12期), 审查员 张一良 (54)发明名称 一种基于图像序列分析的燃气涡轮发动机 燃烧室稳定性分析方法 (57)摘要 一种基于图像序列分析的燃气涡轮发动机 燃烧室稳定性分析方法， 属于航空发动机故障预 测与健康管理领域。 首先， 获取燃气涡轮发动机 燃烧室内部流场数据。 其次， 对燃烧室流场图像 进行预处理， 分别得到判别模型数据集、 预测模 型数据集， 并将两个数据集打乱顺序后均划分成 训练集和测试集。 再次， 构建3DWaveNet模 块作为 预测模型的生成网络， 并构建其判别网络， 组合 生成、 判别网络构成预测模型， 以预测模型数据 集中的训练集进行训练， 使用测试集进行评估。 最后， 根据判别模型数据集构建判别模型， 以判 别模型数据集中的训练集对模型进行训练， 使用 测试集进行测评。 本发明在燃烧室稳定性分析上 应用图像序列预测技术， 能够对 预测准确性和稳 定性进行有效提升 。 权利要求书2页 说明书5页 附图5页 CN 112765908 B 2022.11.18 CN 112765908 B 1.一种基于 图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法， 其特征在于， 包 括以下步骤： S1.获取燃气涡轮发动机 燃烧室内部流场数据， 包括以下步骤： S1.1采用计算 流体动力学模拟燃烧室流场； S1.2对模拟过程进行等时间 间隔采样， 获取 单帧图像； S2.对燃烧室流场图像进行 预处理， 包括以下步骤： S2.1对图像进行加权平均， 在一个小时间间隔内连续取多幅图像， 利用其平均结果表 征该时间段的图像性质， 计算公式为： 式中， N为观察次数； Ij(x,y)是j时刻的瞬时采集图像； 是t时刻平均图像； wj为权 系数， 可按高斯分布确定； S2.2对加权平均得到的图片进行去噪处 理得到流场图像； S2.3将去噪后的图像以矩阵的形式进行存 储， 并转换成浮 点型张量， 得到图像集； S2.4将步骤S2.3获得的图像集根据其流场状态是否稳定， 给每帧图片赋予标签 “0”和 “1”，“0”代表失稳，“1”代表正常， 以此构建判别模型 数据集； S2.5将判别模型 数据集打乱顺序后按照4:1的比例划分成训练集和 测试集； S2.6在步骤S2.3获得的图像集上使用长度为129大小的窗口构建样本集， 将落在此窗 口内的数据作为一个样本， 每个样本的前128个数据作为输入， 最后一个数据作为输出， 以 此构建预测模型 数据集； S2.7将预测模型 数据集打乱顺序后按照4:1的比例划分成训练集和 测试集； S3.构建3DWaveNet模块作为预测模型的生成网络， 包括以下步骤： S3.1将每个样本维度调整为(n_steps,rows,cols,1)， 作为生成网络的输入； 其中， n_ steps为时间步， n_steps＝128， 即为步骤S2.6获得的预测模型数据集的输入数据维度； rows为图片的行 数； cols为图片的列数； 流场图像为 黑白图像， 通道数为1； S3.2搭建基于因果卷积和膨胀卷积的膨胀卷积模块， 使用3D卷积增加一个时间维度从 而捕捉并使用残差连接确保梯度不消失， 引入门控激活， 采用跳跃连接保留每一层的特征 并在最后进行 结合后输出， 输出一帧图像； S3.3使用均方误差m se作为训练该网络时的损失函数； S4.构建预测模型的判别网络， 包括以下步骤： S4.1为了保证预测模型的判别网络能够处理来自步骤S3.2输出的数据， 网络的输入维 度与步骤S3.2的输出维度保持一致； 使用卷积层进行特征提取， 为保证每一层神经网络的 输入具有相同分布， 在每 个卷积层后加入批标准 化层； S4.2使用全连接层， 利用si gmoid函数输出一个概率值， 表征输入图片为真实图片的概 率； S4.3使用二进制交叉熵损失函数作为该网络训练时的损失函数； S5.组合生成网络和判别网络以构成预测模型， 包括以下步骤： S5.1将判别器设置成不可训练， 将步骤S2.6获得的预测模型数据集的输入样本输入到权　利　要　求　书 1/2 页 2 CN 112765908 B 2生成器后， 将生成的图像输入到判别网络以此构建预测模型网络； S5.2使用步骤S2.7获得的预测模型数据集中的训练集对预测模型网络进行训练， 训练 次数结束后使用测试集对 模型进行评估； S6.构建判别模型， 包括以下步骤： S6.1该判别模型的输入为步骤S2.4获得的判别模型数据集， 使用卷积层提取图片特 征， 添加最大池化层在保留图片的区域特征的基础上又能降低数据的维度， 添加dr opout层 避免过拟合； S6.2使用sigmo id函数作为激活函数输出一个概 率值表征燃烧室流场是否正常； S6.3使用步骤S2.5获得的训练集对判别模型进行训练， 使用测试集对判别 模型进行测 评； S6.4最终实现将预测模型生成的预测图片 输入到已经训练好的判别模型以得到一个当 前状态能够正常运行的概 率。 2.根据权利要求1所述的一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析 方法， 其特 征在于， 所述 步骤S1.2中每秒取样3 0帧。 3.根据权利要求1或2所述的一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性 分析方法， 其特 征在于， 所述 步骤S3.3中损失函数的计算公式如下： 式中， Q为训练集样本数目， 为第n张真实图像上(i,j)点的像素值， 为第n张生成 网络生成的图像， Lmse为损失函数。权　利　要　求　书 2/2 页 3 CN 112765908 B 3