一种基于机器学习的燃料喷嘴空化预测方法、设备及介质

本发明涉及机器学习，特别是一种基于机器学习的燃料喷嘴空化预测方法、设备及介质。

背景技术：

1、随着高压共轨喷射、精密燃料供给及智能状态监测技术的发展，燃料喷嘴内部空化已成为影响喷射稳定性、流量一致性和结构寿命的重要研究对象。现有研究逐步由单一压力信号判别转向融合压力、振动、声学及运行工况的多源感知，并引入机器学习方法完成特征提取、状态分类和趋势预测。图神经网络、注意力机制及物理约束学习的发展，为表达喷嘴内部流体传播、结构响应及跨通道关联提供了新的技术路径。

2、现有基于机器学习的燃料喷嘴空化预测技术仍存在两方面不足：一是多将各信号通道作为独立时序输入，缺少对流体传播次序、结构传递次序及跨运行时窗承接关系的统一表达，易将局部跳变、传播延迟和真实空化事件混合识别；二是预测过程主要依赖特征相关性，缺少喷嘴结构、运行工况和物理传播关系的约束，也缺少空化影响保留与排除条件下的差异推理，难以验证预测状态的贡献来源及连续可信程度。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种基于机器学习的燃料喷嘴空化预测方法解决多源信号传播承接关系表达不完整和空化预测可信度不足的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明提供了一种基于机器学习的燃料喷嘴空化预测方法，其包括：采集燃料喷嘴的多源运行信息、喷嘴结构信息和传感器布置信息，进行时序对齐、运行时窗划分及信号传播范围标定，获取运行时窗内的信号变化片段及对应运行工况，并进行信号通道位置映射及运行片段归集，生成多源运行时窗序列；对多源运行时窗序列进行信号变化定位及候选事件标记，获取空化候选事件节点，并进行流体传播与结构传播双时标承接编排，建立节点承接边，同时沿节点承接边的连接方向将依次承接的空化候选事件节点归并为空化事件链，生成双时标空化事件承接图；基于双时标空化事件承接图，沿节点承接边提取并传递多源事件特征，进行事件传播次序校核、传播时延偏离评估及跨通道支持度加权，并结合喷嘴结构和运行工况实施物理约束编码，生成空化事件融合表征；对空化事件融合表征进行空化影响保留与排除的并行推理，获取空化状态解释信息和反事实状态解释信息，并进行状态解释差异比对，确定空化反事实贡献，同时结合双时标空化事件承接图进行连续时窗可信裁决，生成燃料喷嘴空化预测信息。

5、作为本发明所述基于机器学习的燃料喷嘴空化预测方法的一种优选方案，其中，所述生成多源运行时窗序列，步骤如下：

6、按照多源运行信息的采集时刻统一时间基准，剔除重复记录和时序冲突记录，并对喷嘴结构信息及传感器布置信息进行信号传播关系标定，确定信号传播范围，同时挂接至对应采集时段，形成时序对齐运行片段；

7、基于时序对齐运行片段，进行采集连续性校核和运行状态承接分段，划分运行时窗，并结合信号传播范围限定运行时窗的有效响应区段，从有效响应区段中提取信号变化片段及对应运行工况，形成运行时窗样本片段；

8、根据传感器布置信息，进行信号通道位置对应解析，确定各信号通道对应的采集位置，并将采集位置映射至喷嘴结构信息中，按照统一通道次序对运行时窗样本片段进行位置标记和时序归集，形成多源运行时窗序列。

9、作为本发明所述基于机器学习的燃料喷嘴空化预测方法的一种优选方案，其中，所述获取空化候选事件节点，步骤如下：

10、从多源运行时窗序列的信号变化片段中提取连续变化轨迹，围绕对应运行工况，按采集时刻核对相邻信号变化的增减方向和延续情况，定位信号变化由原有增减趋势转为异常偏离的起始位置及恢复位置，剔除未向后延续的孤立跳变，并将偏离方向一致且沿时间连续延伸的变化区段归集为候选事件片段；

11、基于候选事件片段，执行信号通道映射和采集位置挂接，并进行时序承接校核及位置一致性检查，剔除通道映射冲突和采集位置不一致的候选事件片段，将保留的候选事件片段标记为空化候选事件节点。

12、作为本发明所述基于机器学习的燃料喷嘴空化预测方法的一种优选方案，其中，所述生成双时标空化事件承接图，步骤如下：

13、基于空化候选事件节点，按照对应信号通道和信号传播范围，分别校核燃料流动方向及喷嘴结构传递方向上的节点响应次序，对响应次序与信号传播范围相互承接的空化候选事件节点建立节点承接边，形成双时标节点连接信息；

14、根据双时标节点连接信息，沿节点承接边的连接方向对空化候选事件节点进行顺序编排，将跨运行时窗保持传播承接的空化候选事件节点接入同一空化事件链，并归集空化事件链及对应节点承接边，生成双时标空化事件承接图。

15、作为本发明所述基于机器学习的燃料喷嘴空化预测方法的一种优选方案，其中，所述提取并传递多源事件特征，步骤如下：

16、将双时标空化事件承接图输入图结构机器学习网络，按照空化事件链的节点排列次序，提取各空化候选事件节点对应的信号变化特征，按照信号通道归属对所述信号变化特征进行节点挂接，形成各空化候选事件节点对应的多源事件特征，通过节点特征编码层将信号变化特征转换为节点特征表示，并通过双时标边关系编码层对流体传播对应的节点承接边和结构传播对应的节点承接边分别进行边类型编码及传递时序编码，同时由图消息传递层沿节点承接边逐级传递并更新节点特征表示，形成节点事件特征序列；

17、图结构机器学习网络包括节点特征编码层、双时标边关系编码层、图消息传递层、跨通道注意力融合层和双路径推理层，节点特征编码层承接空化候选事件节点的多源事件特征，双时标边关系编码层承接两类节点承接边的传播类型和时序关系，图消息传递层依据两类节点承接边传递节点特征表示，跨通道注意力融合层依据不同信号通道的共同支持程度分配融合权重，双路径推理层分别保留和排除空化影响进行状态推理；

18、基于节点事件特征序列，核对相邻节点的响应先后，计算相邻节点的传播时延偏离程度，并对各信号通道在同一空化事件链中的响应方向和持续情况进行对位比对，确定跨通道共同支持程度，通过跨通道注意力融合层调整节点事件特征的融合权重，生成加权事件传播特征。

19、作为本发明所述基于机器学习的燃料喷嘴空化预测方法的一种优选方案，其中，所述生成空化事件融合表征，步骤如下：

20、将加权事件传播特征回挂至双时标空化事件承接图，并根据空化事件链关联的喷嘴结构和运行工况，进行结构工况物理一致性校核，确定多源事件特征在对应传播过程中的物理承接关系，并由双时标边关系编码层对物理承接关系进行约束标记和关系编码，生成物理约束编码信息；

21、将物理约束编码信息与加权事件传播特征结合，通过跨通道注意力融合层，对不符合物理承接关系的事件特征降低融合权重，对传播方向一致且跨通道相互支持的事件特征进行聚合，生成空化事件融合表征。

22、作为本发明所述基于机器学习的燃料喷嘴空化预测方法的一种优选方案，其中，所述获取空化状态解释信息和反事实状态解释信息，步骤如下：

23、将空化事件融合表征输入图结构机器学习网络的双路径推理层，通过空化状态推理支路保留加权事件传播特征和物理约束编码信息进行状态解码，并通过反事实状态推理支路保持物理约束编码信息、节点承接关系和运行工况关联不变，将加权事件传播特征替换为相同运行工况下正常样本对应的基准事件传播特征，进行反事实状态解码，分别形成空化状态解释信息和反事实状态解释信息；

24、将空化状态解释信息和反事实状态解释信息按照运行时窗回挂至双时标空化事件承接图，进行状态解释差异比对，并将差异比对内容标记至对应空化候选事件节点，生成状态解释差异信息。

25、作为本发明所述基于机器学习的燃料喷嘴空化预测方法的一种优选方案，其中，所述生成燃料喷嘴空化预测信息，步骤如下：

26、基于状态解释差异信息，沿节点承接边进行节点关系编码和时序关联推理，追踪状态解释差异信息在相邻运行时窗之间的传播路径，形成空化反事实贡献序列；

27、将空化反事实贡献序列回挂至双时标空化事件承接图，按照运行时窗顺序执行贡献连续性校核和节点承接完整性校核，并进行贡献可信度加权及预测状态解码，生成燃料喷嘴空化预测信息。

28、第二方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于机器学习的燃料喷嘴空化预测方法的任一步骤。

29、第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于机器学习的燃料喷嘴空化预测方法的任一步骤。

30、本发明有益效果为：通过双时标承接编排和图结构机器学习特征传递，实现流体传播、结构响应及跨通道支持关系的统一融合，用于抑制孤立跳变和通道冲突，提升空化识别的准确性与稳定性；通过空化影响保留与排除的并行推理，实现状态解释差异及跨时窗反事实贡献的连续裁决，用于区分真实空化贡献与偶发异常，提升机器学习预测的可解释性和预警可靠性。