基于Trident-net的火焰中碳烟多参数场同时测量的方法和系统技术方案

本发明专利技术公开了一种基于Trident

【技术实现步骤摘要】
基于Trident
‑
net的火焰中碳烟多参数场同时测量的方法和系统


[0001]本专利技术涉及燃烧的光学诊断和人工智能
，特别涉及一种基于Trident
‑
net的火焰中碳烟多参数场同时测量的方法和系统。

技术介绍

[0002]碳烟颗粒作为一种常见的燃烧产物，一直是人们研究的热点，其会给人们的生产生活带来不利影响，例如给环境造成温室效应，损害公众健康，降低能源利用率等。但碳烟颗粒在现代工业如轮胎，油墨，涂料和塑料以及电气应用方面都有着积极的作用,碳烟的形态参数对碳烟的功能性起着重要的决定性作用。
[0003]人工智能技术已经应用在燃烧的光学诊断中，例如，由于机器学习具有较高的非线性拟合能力，相关学者开始基于机器学习来研究火焰的碳烟参数。然而，在现有燃烧的激光诊断技术中，难于实现多参数场同时测量，同时也难于广泛用于实际工业燃烧设备中。

技术实现思路

[0004]鉴于上述问题，本专利技术提供了一种基于Trident
‑
net的火焰中碳烟多参数场同时测量的方法和系统，以期能够解决上述问题之一。
[0005]根据本专利技术的第一个方面，提供了一种基于Trident
‑
net的火焰中碳烟多参数场同时测量的方法，包括：
[0006]采集实验数据并进行预处理，并将预处理后的实验数据随机划分成训练数据和测试集数据，其中，实验数据包括火焰辐射场数据、碳烟温度场数据、碳烟粒径场数据以及碳烟体积分数场数据；
[0007]构建基于Trident
‑
net卷积神经网络的测量模型并初始化测量模型的参数，其中，测量模型包括共享编码器、碳烟温度解码器、碳烟粒径解码器和碳烟体积分数解码器；
[0008]利用训练集数据对测量模型进行训练，并根据预设测试指标，利用测试集数据对经过训练的测量模型进行测试，直到测试结果满足预设的条件，得到参数优化的测量模型；
[0009]将待测量的火焰的火焰辐射场数据输入到参数优化的测量模型中，得到待测量火焰的碳烟多参数场。
[0010]根据本专利技术的实施例，上述采集实验数据并进行预处理，并将预处理后的实验数据随机划分成训练数据和测试集数据包括：
[0011]利用图像采集设备对火焰进行图像采集，得到火焰图像，其中，图像采集设备与图像处理专用设备通信连接；
[0012]利用光学诊断方法处理火焰图像，得到火焰辐射场数据；
[0013]利用激光诊断方法得到火焰的碳烟参数场数据，其中，火焰的碳烟参数场数据包括碳烟温度场数据、碳烟粒径场数据以及碳烟体积分数场数据；
[0014]将火焰辐射场数据和火焰的碳烟参数场数据进行数据归一化处理，得到预处理后
的火焰辐射场数据和预处理后的火焰的碳烟参数场数据；
[0015]将预处理后的火焰辐射场数据和预处理后的火焰的碳烟参数场数据随机划分成训练集数据和测试集数据。
[0016]根据本专利技术的实施例，上述利用激光诊断方法分别处理火焰辐射场数据，得到火焰的碳烟参数场数据包括：
[0017]利用TALF(双原子激光诱导荧光)得到火焰中的碳烟温度场数据；
[0018]利用TiRe
‑
LII(时间分辨的激光诱导炽光)得到火焰中的碳烟粒径场数据；
[0019]利用LII(激光诱导炽光)方法得到火焰中的碳烟体积分数场数据。
[0020]根据本专利技术的实施例，上述共享编码器包括多个卷积层、多个下采样层和线性整流函数；
[0021]其中，每个卷积层利用批归一化层处理火焰辐射场数据，得到火焰特征图；
[0022]其中，卷积层与下采样层交叠连接。
[0023]根据本专利技术的实施例，上述碳烟温度解码器包括多个上采样层、多个卷积层、多个全连接层、多个跳连接层和线性整流函数；
[0024]碳烟粒径解码器包括多个上采样层、多个卷积层、多个全连接层、多个跳连接层和ReLu(线性整流函数)；
[0025]碳烟体积分数解码器包括多个上采样层、多个卷积层、多个全连接层、多个跳连接层、多个丢失层和ELU(指数线性单元)函数；
[0026]其中，碳烟温度解码器、碳烟粒径解码器和碳烟体积分数解码器通过各自的跳连接层与共享编码器相连。
[0027]根据本专利技术的实施例，上述利用训练集数据对测量模型进行训练，并根据预设测试指标，利用测试集数据对经过训练的测量模型进行测试，直到测试结果满足预设的条件，得到参数优化的测量模型包括：
[0028]根据训练集数据的样本量，对测量模型的超参数进行设置；
[0029]根据预设的权重系数，分别调整碳烟温度解码器的损失函数的权重系数、碳烟粒径解码器的损失函数的权重系数和碳烟体积分数解码器的损失函数的权重系数；
[0030]利用训练集数据，对调整完成的碳烟温度解码器、碳烟粒径解码器和碳烟体积分数解码器进行训练，并得到训练得分；
[0031]根据预设测试指标，利用测试集数据对经过训练的测量模型进行测试，得到测试结果；
[0032]迭代进行训练操作和测试操作，并将测试结果与迭代次数进行分析，直到测试结果满足预设条件，得到参数优化的测量模型。
[0033]根据本专利技术的实施例，上述迭代进行训练操作和测试操作，并将测试结果与迭代次数进行分析，直到测试结果满足预设条件，得到参数优化的测量模型包括：
[0034]根据训练得分和测试结果，利用测试集数据对测量模型的预测情况进行判断，得到判断结果；
[0035]将每次迭代产生的测试结果与迭代次数绘制成测试结果
‑
迭代次数分布图，并分析分布图，得到分析结果；
[0036]根据判断结果和分析结果，确定测量模型的训练迭代次数。
[0037]根据本专利技术的实施例，上述测试指标包括碳烟温度场数据、碳烟粒径场数据以及碳烟体积分数场数据的平均绝对误差和测量模型的总得分。
[0038]根据本专利技术的实施例，上述平均绝对误差由公式(1)表示：
[0039][0040]其中，测量模型的总得分由公式(2)表示：
[0041][0042]其中，y
p,i
是火焰场数据中第i个索引所对对应的实验真实值，y
e,i
是火焰场数据中第i个索引所对应的模型预测值，n是实验数据总值。
[0043]根据本专利技术的第二个方面，提供了一种基于Trident
‑
net的火焰中碳烟多参数场同时测量的系统，包括：
[0044]数据采集与处理模块，用于采集实验数据并进行预处理，并将预处理后的实验数据随机划分成训练数据和测试集数据，其中，实验数据包括火焰辐射场数据、碳烟温度场数据、碳烟粒径场数据以及碳烟体积分数场数据；
[0045]模型构建模块，用于构建基于Trident
‑
net卷积神经网络的测量模型并初始化测量模型的参数，其中，测量模型包括共享编码器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Trident
‑
net的火焰中碳烟多参数场同时测量的方法，包括：采集实验数据并进行预处理，并将预处理后的实验数据随机划分成训练数据和测试集数据，其中，所述实验数据包括火焰辐射场数据、碳烟温度场数据、碳烟粒径场数据以及碳烟体积分数场数据；构建基于Trident
‑
net卷积神经网络的测量模型并初始化所述测量模型的参数，其中，所述测量模型包括共享编码器、碳烟温度解码器、碳烟粒径解码器和碳烟体积分数解码器；利用所述训练集数据对所述测量模型进行训练，并根据预设测试指标，利用所述测试集数据对经过训练的测量模型进行测试，直到测试结果满足预设的条件，得到参数优化的测量模型；将待测量的火焰的火焰辐射场数据输入到所述参数优化的测量模型中，得到待测量火焰的碳烟多参数场。2.根据权利要求1所述的方法，其中，采集实验数据并进行预处理，并将预处理后的实验数据随机划分成训练数据和测试集数据包括：利用图像采集设备对火焰进行图像采集，得到火焰图像，其中，所述图像采集设备与图像处理专用设备通信连接；利用光学诊断方法处理所述火焰图像，得到火焰辐射场数据；利用激光诊断方法得到火焰的碳烟参数场数据，其中，所述火焰的碳烟参数场数据包括碳烟温度场数据、碳烟粒径场数据以及碳烟体积分数场数据；将所述火焰辐射场数据和所述火焰的碳烟参数场数据进行数据归一化处理，得到预处理后的火焰辐射场数据和预处理后的火焰的碳烟参数场数据；将所述预处理后的火焰辐射场数据和所述预处理后的火焰的碳烟参数场数据随机划分成训练集数据和测试集数据。3.根据权利要求2所述的方法，其中，所述利用激光诊断方法得到火焰的碳烟参数场数据包括：利用双原子激光诱导荧光得到所述火焰中的碳烟温度场数据；利用时间分辨的激光诱导炽光得到所述火焰中的碳烟粒径场数据；利用激光诱导炽光得到所述火焰中的碳烟体积分数场数据。4.根据权利要求1所述的方法，其中，所述共享编码器包括多个卷积层、多个下采样层和线性整流函数；其中，每个所述卷积层利用批归一化层处理所述火焰辐射场数据，得到火焰特征图；其中，所述卷积层与所述下采样层交叠连接。5.根据权利要求1所述的方法，其中，所述碳烟温度解码器包括多个上采样层、多个卷积层、多个全连接层、多个跳连接层和线性整流函数；所述碳烟粒径解码器包括多个上采样层、多个卷积层、多个全连接层、多个跳连接层和线性整流函数；所述碳烟体积分数解码器包括多个上采样层、多个卷积层、多个全连接层、多个跳连接层、多个丢失层和指数线性单元函数；其中，所述碳烟温度解码器、所述碳烟粒径解码器和所述碳烟体积分数解码器通过各自的跳连接层与所述共享编码器相连。
6.根据权利要求1所述的方法，其中，所述利用所述训练集数据对所述测量模型进行训练，并根据预设测试指标，利用所...

【专利技术属性】
技术研发人员：王潜龙，李婷，董琪琪，刘海峰，尧命发，
申请(专利权)人：天津大学，
类型：发明
国别省市：