一种航空发动机尾喷流红外传输特性数据编码方法

摘要: 本发明属于红外光谱数据处理,具体涉及一种航空发动机尾喷流红外传输特性数据编码方法。背景技术:1、航空发动机是飞行器的核心动力装置,其运行过程中产生的高温壁面及尾...
一种航空发动机尾喷流红外传输特性数据编码方法

本发明属于红外光谱数据处理,具体涉及一种航空发动机尾喷流红外传输特性数据编码方法。

背景技术:

1、航空发动机是飞行器的核心动力装置,其运行过程中产生的高温壁面及尾喷流是飞行器最主要的红外辐射来源。随着红外隐身技术在军用航空领域战略地位的日益提升,精准获取并分析航空发动机尾喷流的红外传输特性,已成为提升飞行器生存能力与优化热管理设计的关键课题。特别是,航空发动机尾喷流的红外传输特性数据,不仅对于通过计算仿真评估发动机的红外辐射特性具有重要意义,还能在实际测试中修正传感器测量结果以获取本征辐射,从而为红外隐身设计提供可靠依据。然而,为了确保较高的精度,通常要求尾喷流红外传输特性的光谱分辨率达到较高水平,这使得传统的计算方法,特别是最广泛应用的逐线积分法,在计算航空发动机尾喷流红外传输特性时面临显著的计算负担,耗时长且效率低下,难以满足基于此进一步开展的参数优化等应用需求。

2、机器学习作为一种潜在的快速替代方案,逐渐展现出在红外传输特性计算中的应用前景。通过构建模型对复杂数据进行拟合和预测,机器学习能够在一定程度上缓解传统逐线积分法计算效率低下的问题。然而面对高光谱分辨率要求时,机器学习同样面临挑战。以3-5微米波段为例,波数分辨率为1 cm⁻¹时,数据维度高达1334维,直接应用机器学习会导致模型复杂度过高,训练和推理过程耗时长且资源消耗大。更为关键的是,机器学习模型的输出层需要与高维数据相匹配,导致输出层参数量占据模型总参数的绝大部分。以sun y等发表在《国际传热传质通讯》的典型气体红外传输特性机器学习模型架构(sun y, liuc. on the calculation of line-by-line absorption coefficients for gasmixtures usingmachine learning method[j]. international communications inheat and masstransfer, 2024, 159: 108337.)为例,其输出层参数量占模型总参数的95%以上。这种参数分布的不均衡性严重限制了模型的计算效率和性能优化,制约了其在实时或近实时应用中的推广。

3、目前,针对高维红外传输特性数据的处理问题,尚未出现广泛应用的、专注于降维与重构性能的自编码器方法。虽然自编码器在其他领域中已展现出强大的降维能力,能够有效提取特征并实现数据压缩,但在航空发动机尾喷流红外光谱数据的特定场景中,其应用仍较为有限。现有研究多将自编码器用于特定功能性任务,例如特征提取、异常检测、物质识别或光谱去噪等,而较少关注通过提升重建精度和压缩比来解决高维数据带来的计算复杂度问题。例如,du s等利用卷积自编码器处理航空发动机光谱数据(du s, han w,kang z, et al. a convolution auto-encoders network for aero-engine hot jetft-ir spectrumfeature extraction and classification[j]. aerospace (mdpipublishing), 2024,11(11).),其研究主要聚焦于基于尾喷流红外特征实现型号识别,而非优化降维与重构性能,且其模型在压缩比与重建精度方面的表现存在一定局限性。此外,航空发动机尾喷流红外光谱数据具有显著的多尺寸特征特性,涵盖从局部精细结构到全局趋势的多样化信息,而现有技术中针对此类多尺寸特征专门设计网络以提升降维与重构性能的研究尚属空白。

技术实现思路

1、为了克服航空发动机尾喷流红外传输特性数据高维化带来的计算复杂度高、处理效率低而现有编码方法压缩比小与重建精度低不足的问题,本发明提出了一种航空发动机尾喷流红外传输特性数据编码方法。

2、本发明解决其技术问题采用的技术方案是:

3、一种航空发动机尾喷流红外传输特性数据编码方法,包括以下步骤:

4、步骤1,光谱数据集构建与划分

5、第一步,构建航空发动机尾喷流光谱数据集:首先,采用计算流体力学方法,得到不同工况下航空发动机尾喷流流场。其次,采用拉丁超立方抽样方法,随机采样数种工况,得到每种工况每个观测角下航空发动机尾喷流流场介质物性。再次,采用逐线法,根据航空发动机尾喷流流场介质物性,得到每个工况下每个观测角的红外传输特性,即航空发动机尾喷流光谱数据集。

6、第二步,光谱数据集划分:采用随机分组方法,将光谱数据集划分为训练集、验证集和测试集,使训练集、验证集和测试集中的光谱数据分布均衡。

7、步骤2,光谱数据集标准化处理

8、对光谱数据集标准化处理,使标准化后的光谱数据集数据分布均值为0,方差为1,得到标准化后的光谱数据集。

9、步骤3,喷流光谱自编码器构建与训练

10、第一步,构建喷流光谱自编码器:喷流光谱自编码器包括多分支卷积编码器、瓶颈层和全连接解码器;

11、第二步,填充训练集数据维度:使训练集数据维度适应多分支卷积编码器的输入要求,得到填充后的训练集数据;

12、第三步,训练配置:配置优化器、学习率、迭代次数、批次大小、损失函数;

13、第四步,训练喷流光谱自编码器:利用填充后的训练集数据训练基于多分支特征融合网络的喷流光谱自编码器,得到训练后的基于多分支特征融合网络的喷流光谱自编码器。

14、步骤4,测试集数据输入及重建数据反标准化

15、第一步,将测试集数据输入训练后的基于多分支特征融合网络的喷流光谱自编码器,得到标准化后的测试集重建数据、航空发动机尾喷流红外传输特性数据的编码;

16、第二步,将标准化后的测试集重建数据反标准化,得到航空发动机尾喷流红外传输特性数据的编码的解码。

17、上述航空发动机尾喷流红外传输特性数据编码方法,所述航空发动机尾喷流流场包括温度场、压力场、速度场、组分浓度,所述工况包括喷管压比、静温范围、氧燃比。

18、所述训练集、验证集和测试集中数据组划分比例为8:1:1。

19、上述航空发动机尾喷流红外传输特性数据编码方法,所述步骤1,进一步包括:

20、所述喷管压比在3至10之间,静温范围600 k至1000 k,氧燃比在50至100之间。采用拉丁超立方抽样方法随机采样10个cfd算例。基于流场计算结果,获取特定观测角下介质的物性。观测角范围为0°到90°,步长为1°,共计91个观测角。光谱数据集包含910组光谱数据。

21、所述训练集为728组数据、验证集为91组数据、测试集为91组数据。

22、上述航空发动机尾喷流红外传输特性数据编码方法,所述步骤2,进一步包括:

23、标准化处理使用的标准化公式为:

24、;

25、上式中,为光谱数据集数据,为光谱数据集数据的均值,为光谱数据集数据的标准差,为标准化后的光谱数据集数据。

26、上述航空发动机尾喷流红外传输特性数据编码方法,所述喷流光谱自编码器为多分支特征融合网络的喷流光谱自编码器。所述多分支卷积编码器采用基于多分支特征融合的卷积网络构建,通过数个并行卷积分支协同工作,从航空发动机尾喷流红外传输特性数据中提取多尺度、多类型的特征。

27、全连接解码器与多分支卷积编码器相匹配,使瓶颈层编码的解码为喷流光谱。

28、瓶颈层编码重建为标准化后的训练集重建数据。

29、上述航空发动机尾喷流红外传输特性数据编码方法,所述步骤3,进一步包括:

30、第一步中:

31、并行卷积分支为5个并行卷积分支。

32、多分支卷积编码器包含5个并行卷积分支,记为分支1、分支2、分支3、分支4、分支5。

33、所述分支1由两层卷积组成,第一层使用3×3卷积核,步幅为2,滤波器为16个;第二层同样使用3×3卷积核,步幅为2,滤波器为32个。用于捕捉光谱数据集数据中的局部精细特征,并逐步压缩空间维度,增加通道数。

34、所述分支2采用单层5×5卷积核,步幅为3,滤波器为24个,用于光谱数据集数据中局部与全局过渡性模式的捕捉。

35、所述分支3包含两层卷积,第一层使用3×3卷积核,步幅为2,滤波器为8个;第二层使用3×3卷积核,步幅为3,滤波器为16个。用于提取关键特征、计算经济性与表达能力。

36、所述分支4配置单层7×7卷积核,步幅为3,滤波器为32个。用于提取宏观特征模式。

37、所述分支5采用单层5×5卷积核,步幅为4,滤波器为40个。用于降维过程中关键细节不丢失。

38、所述全连接解码器通过全连接网络,将瓶颈层32维编码重建为1334维输出数据,每层均采用relu激活函数。

39、瓶颈层编码重建包括:第一层从32维扩展至128维,第二层扩展至256维,第三层扩展至512维,输出1334维。

40、第二步中:

41、训练集数据维度为1334维,将训练集数据维度填充至1344维,填充后的训练集数据维度适应多分支卷积编码器的输入要求。具体填充方式为:在训练集数据首末各添加5个零。填充后的训练集数据维度为1344维,其表达式如下:

42、;

43、第三步中:

44、所述优化器为adam优化器,学习率为0.0005,迭代次数为3000次,批次为32,损失函数为均方误差。

45、损失函数计算式如下:

46、;

47、上式中,为第个样本第个维度的填充后的训练集数据,为喷流光谱自编码器对第个样本第个维度的标准化后的训练集重建数据,n为训练集样本数。

48、上述航空发动机尾喷流红外传输特性数据编码方法,所述步骤4,进一步包括:

49、反标准化公式为:

50、;

51、上式中,为喷流光谱自编码器输出的标准化后的测试集重建数据;和分别为标准化时使用的标准差和均值;为重建后的光谱数据,即航空发动机尾喷流红外传输特性数据的编码的解码。

52、一种喷流光谱自编码器,包括多分支卷积编码器、瓶颈层和全连接解码器。

53、所述多分支卷积编码器采用基于多分支特征融合的卷积网络构建,通过数个并行卷积分支协同工作,从航空发动机尾喷流红外传输特性数据中提取多尺度、多类型的特征。

54、全连接解码器与多分支卷积编码器相匹配,使瓶颈层编码的解码为喷流光谱。

55、瓶颈层编码重建为标准化后的训练集重建数据。

56、上述喷流光谱自编码器,所述并行卷积分支为5个并行卷积分支。

57、多分支卷积编码器包含5个并行卷积分支,记为分支1、分支2、分支3、分支4、分支5。

58、所述分支1由两层卷积组成,第一层使用3×3卷积核,步幅为2,滤波器为16个;第二层同样使用3×3卷积核,步幅为2,滤波器为32个。用于捕捉光谱数据集数据中的局部精细特征,并逐步压缩空间维度,增加通道数。

59、所述分支2采用单层5×5卷积核,步幅为3,滤波器为24个,用于光谱数据集数据中局部与全局过渡性模式的捕捉。

60、所述分支3包含两层卷积,第一层使用3×3卷积核,步幅为2,滤波器为8个;第二层使用3×3卷积核,步幅为3,滤波器为16个。用于提取关键特征、计算经济性与表达能力。

61、所述分支4配置单层7×7卷积核,步幅为3,滤波器为32个。用于提取宏观特征模式。

62、所述分支5采用单层5×5卷积核,步幅为4,滤波器为40个。用于降维过程中关键细节不丢失。

63、所述全连接解码器通过全连接网络,将瓶颈层32维编码重建为1334维输出数据,每层均采用relu激活函数。

64、瓶颈层编码重建包括:第一层从32维扩展至128维,第二层扩展至256维,第三层扩展至512维,输出1334维。

65、本发明的有益效果是:

66、一种航空发动机尾喷流红外传输特性数据编码方法,采用基于多分支自编码器对航空发动机尾喷流的红外传输特性数据进行编码解码处理,在保证数据重构精度的前提下,实现了可观的数据压缩比。以典型的3-5微米波段,分辨率1 cm⁻¹为例,mae为0.000814,压缩比达41.69,可使典型气体红外传输特性机器学习模型的计算复杂度降低约90.45%。

67、一种航空发动机尾喷流红外传输特性数据编码方法,通过将尾喷流的红外传输特性压缩至低维表示,有效降低了数据维度带来的过拟合风险,提升机器学习模型在不同工况下的鲁棒性。

68、一种航空发动机尾喷流红外传输特性数据编码方法,采用多分支特征融合自编码器网络,能够并行捕获不同尺度、不同类型的光谱特征,使模型学习到更丰富且互补的信息,显著增强了对高维红外数据的表达能力。此外,多分支处理有效减少了单一通路可能导致的信息损失,提升了网络对异常点或局部噪声的容忍性,进一步提高了整体鲁棒性。

69、一种航空发动机尾喷流红外传输特性数据编码方法,显著减少了对计算和存储资源的需求,释放出大量可用资源,可用于支持更深层次的神经网络模型的构建和训练,进一步提升模型的特征表达能力和性能优化空间。

70、一种航空发动机尾喷流红外传输特性数据编码方法,将数据编码与解码过程封装为独立的功能模块,具有高度的灵活性和可扩展性,使得该方法能够便捷地应用于不同的任务场景,实现技术的高效复用。