基于人工智能的脉冲发动机燃烧稳定性的控制系统的制作方法

1.本发明涉及人工智能技术领域，具体地说是一种基于人工智能的脉冲发动机燃烧稳定性的控制系统。


背景技术：

2.脉冲燃烧是一个由燃烧放热耦合共振声振荡驱动的自振荡过程。与传统的燃烧室稳定连续燃烧相比，脉冲燃烧具有改进的传热和传质速率、更高的效率和更低的污染排放物等优点，广泛用于加热、干燥和推进器技术中。但是长时间使用燃烧室会出现积碳，或者进气管漏气等影响脉冲燃烧的因素，导致脉冲燃烧不稳定。为了解决燃烧时燃烧不稳定的问题，本发明提供了基于人工智能的脉冲发动机燃烧稳定性的控制系统及方法。


技术实现要素：

3.本发明的目的是针对现有技术存在的问题，提供一种基于人工智能的脉冲发动机燃烧稳定性的控制系统，该控制系统能够对对脉冲燃烧进行实时负反馈调节，以此来提高燃烧效益。
4.本发明的目的是通过以下技术方案解决的：一种基于人工智能的脉冲发动机燃烧稳定性的控制系统，其特征在于：设置在亥姆霍兹燃烧装置上的控制系统包括化油器、第一流量电磁阀、第二流量电磁阀、ccd相机和内置卷积神经网络的单片机，其中化油器和第一流量电磁阀、第二流量电磁阀、ccd相机分别对应设置在亥姆霍兹燃烧装置中的柴油输入管上、空气输入管上、混合室内，所述的ccd相机能够采集燃烧室内燃烧时的火焰图像并传递给卷积神经网络，单片机能够控制第一流量电磁阀和第二流量电磁阀的开度；所述的卷积神经网络通过识别出当前的燃烧状态，进而通过单片机控制柴油和/或空气的进给量，直至采集到的火焰图像特征与稳态燃烧时的火焰特征相符合。
5.所述ccd相机的镜头朝向燃烧室设置。
6.该控制系统包括储存数据的内存和显示器，内存和显示器分别通过线路与单片机连接。
7.所述控制系统的控制方法详细步骤为：a、利用ccd相机采集燃烧时的火焰图像，并将火焰图像所表征的图像信息传递到卷积神经网络中；b、卷积神经网络通过卷积层来提取图像信息的图像特征，在卷积计算完成之后，将所得图像数据输入到relu函数以平滑图像数据；接着通过池化层对图像特征进行压缩优化，以减小全连接层的输入参数，从而减小卷积神经网络计算量；最后通过全连接层的计算，利用softmax方法来判断不同类别的概率，选取概率最大的类别作为当前火焰的状态；c、单片机根据当前火焰的状态控制控制柴油和/或空气的进给量，直至ccd相机采集到的火焰图像特征与稳态燃烧时的火焰图像特征相符合。
8.所述步骤b中的卷积神经网络在使用前，需要进行样本训练以将火焰图像特征分为：需要加大空气进给量的欠燃烧状态一、需要加大柴油进给量的欠燃烧状态二、稳态燃烧、需要减小空气进给量和/或柴油进给量的过燃烧状态。
9.卷积神经网络进行样本训练的步骤为：b01、将表征某一状态的火焰图像信息输入卷积神经网络中；b02、卷积神经网络求出卷积层、池化层、全连接层的输出值；b03、求全连接层输出值与目标值的误差并判定该误差是否大于设定的期望值；b04、当步骤b03中的误差大于设定的期望值时，将误差反向传递到卷积神经网络中并依次算出池化层、卷积层的误差，接着根据误差梯度更新各层的权值与偏置后继续重复步骤b02、b03；b05、当步骤b03中的误差小于设定的期望值时，样本训练结束。
10.所述步骤b中的卷积神经网络采用多卷积层提取图像信息的图像特征。
11.所述步骤c的单片机判定当前火焰的状态为需要加大空气进给量的欠燃烧状态一时，则单片机通过调大第二流量电磁阀的开度以加大空气进给量，直至获得稳态燃烧时的火焰图像特征。
12.所述步骤c的单片机判定当前火焰的状态为需要加大柴油进给量的欠燃烧状态二时，则单片机通过调大第一流量电磁阀的开度以加大柴油进给量，直至获得稳态燃烧时的火焰图像特征。
13.所述步骤c的单片机判定当前火焰的状态为需要减小空气进给量和/或柴油进给量的过燃烧状态时，则单片机通过调小第二流量电磁阀的开度和/或第一流量电磁阀的开度，直至获得稳态燃烧时的火焰图像特征。
14.本发明相比现有技术有如下优点：本发明的控制系统能够对采集到的火焰图像快速识别、处理，通过bp神经网络加以控制，使得控制更加快捷准确。
15.本发明的控制系统通过图像识别来识别火焰特征，并且综合利用多种火焰特征来判断火焰燃烧是否稳定；闭环的控制系统能够减少外界因素的干扰，且人工智能技术提高了控制系统的准确性和灵敏度。
附图说明
16.附图1为本发明的控制系统的结构示意图；附图2为基于人工智能的脉冲发动机燃烧稳定性的控制系统的各模块整体动作逻辑图；附图3为基于人工智能的脉冲发动机燃烧稳定性的控制系统的控制方法流程图；附图4为卷积神经网络的样本训练流程图。
17.其中：1—化油器；2—第一流量电磁阀；3—第二流量电磁阀；4—ccd相机；5—柴油输入管；6—空气输入管；7—混合室；8—燃烧室。
具体实施方式
18.下面结合附图与实施例对本发明作进一步的说明。
19.如图1
‑
3所示：一种基于人工智能的脉冲发动机燃烧稳定性的控制系统，该控制系统设置在亥姆霍兹燃烧装置上，其中亥姆霍兹燃烧装置包括混合室7、燃烧室8和尾管，混合室7分别通过柴油输入管5与柴油供给源连接、通过空气输入管6与空气供给源连接，由于柴油是液态，为了使其充分燃烧，在柴油进入混合室7之前，安装一个化油器1，使得柴油雾化。控制系统包括化油器1、第一流量电磁阀2、第二流量电磁阀3、ccd相机4和内置卷积神经网络的单片机，化油器1和第一流量电磁阀2、第二流量电磁阀3、ccd相机4分别对应设置在亥姆霍兹燃烧装置中的柴油输入管5上、空气输入管6上、混合室7内，ccd相机4的镜头正对朝向燃烧室8设置且ccd相机4能够采集燃烧室8内脉冲燃烧时的火焰图像并传递给卷积神经网络，单片机能够控制第一流量电磁阀2和第二流量电磁阀3的开度，设置的单片机能够对卷积神经网络的识别结果做出反应，并发出相对应的指令，对空气与柴油进给量进行调控；卷积神经网络通过识别出当前的燃烧状态，进而通过单片机控制柴油和/或空气的进给量，直至ccd相机4采集到的火焰图像特征与稳态燃烧时的火焰特征相符合。
20.卷积神经网络在使用前，需要进行样本训练以将火焰图像特征分为：需要加大空气进给量的欠燃烧状态一、需要加大柴油进给量的欠燃烧状态二、稳态燃烧、需要减小空气进给量和/或柴油进给量的过燃烧状态。
21.如图4所示，样本训练时要对卷积神经网络中的权值及偏置进行更新，具体步骤为：b01、将表征某一状态的火焰图像信息输入卷积神经网络中；b02、卷积神经网络求出卷积层、池化层、全连接层的输出值；b03、求全连接层输出值与目标值的误差并判定该误差是否大于设定的期望值；b04、当步骤b03中的误差大于设定的期望值时，将误差反向传递到卷积神经网络中并依次算出池化层、卷积层的误差，接着根据误差梯度更新各层的权值与偏置后继续重复步骤b02、b03；b05、当步骤b03中的误差小于设定的期望值时，样本训练结束。
22.本发明的控制系统工作时，控制方法的详细步骤为：a、利用ccd相机采集燃烧时的火焰图像，并将火焰图像所表征的图像信息传递到卷积神经网络中；b、卷积神经网络通过卷积层来提取图像信息的图像特征，在卷积计算完成之后，将所得图像数据输入到relu函数以平滑图像数据；接着通过池化层对图像特征进行压缩优化，以减小全连接层的输入参数，从而减小卷积神经网络计算量；最后通过全连接层的计算，利用softmax方法来判断不同类别的概率，选取概率最大的类别作为当前火焰的状态；c、若经过卷积神经网络识别，当前火焰的状态为需要加大空气进给量的欠燃烧状态一时，则单片机通过调大第二流量电磁阀3的开度以加大空气进给量，直至获得稳态燃烧时的火焰图像特征；若经过卷积神经网络识别，当前火焰的状态为需要加大柴油进给量的欠燃烧状态二时，则单片机通过调大第一流量电磁阀2的开度以加大柴油进给量，直至获得稳态燃烧时的火焰图像特征；若经过卷积神经网络识别，当前火焰的状态为需要减小空气进给量和/或柴油进给量的过燃烧状态时，则单片机通过调小第二流量电磁阀3的开度和/或第一流量电磁阀2的开度，直至获得稳态燃烧时的火焰图像特征；若经过卷积神经网络识别，当前火焰状态处于稳态燃烧，则不需要对空气与柴油进给量进行调整。
23.为了使得识别结果更加准确，可以采用多卷积层，这样提取的图像特征更多，使得识别的结果更加准确。
24.以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内；本发明未涉及的技术均可通过现有技术加以实现。