基于Trident-net的火焰中碳烟多参数场同时测量的方法和系统

基于trident-net的火焰中碳烟多参数场同时测量的方法和系统
技术领域
1.本发明涉及燃烧的光学诊断和人工智能技术领域，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。


背景技术：

2.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。
3.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。


技术实现要素：

4.鉴于上述问题，本发明提供了一种基于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。
5.根据本发明的第一个方面，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：
6.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；
7.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；
8.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；
9.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。
10.根据本发明的实施例，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：
11.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；
12.利用光学诊断方法处理火焰图像，得到火焰辐射场数据；
13.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；
14.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；
15.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。
16.根据本发明的实施例，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：
17.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；
18.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；
19.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。
20.根据本发明的实施例，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；
21.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；
22.其中，卷积层与下采样层交叠连接。
23.根据本发明的实施例，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；
24.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)；
25.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；
26.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。
27.根据本发明的实施例，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：
28.根据训练集数据的样本量，对测量模型的超参数进行设置；
29.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；
30.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；
31.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；
32.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。
33.根据本发明的实施例，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：
34.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；
35.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；
36.根据判断结果和分析结果，确定测量模型的训练迭代次数。
37.根据本发明的实施例，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。
38.根据本发明的实施例，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]
根据本发明的第二个方面，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、碳烟温度解码器、碳烟粒径解码器和碳烟体积分数解码器；
[0046]
训练与测试模块，用于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；
[0047]
测量模块，用于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。
[0048]
本发明提供的基于trident-net的火焰中碳烟多参数场同时测量的方法及系统，利用实验数据训练和测试基于trident-net的测量模型，得到具有较高预测精度、较强拟合能力以及广泛应用场景的测量模型。
附图说明
[0049]
图1是根据本发明实施例的基于trident-net的火焰中碳烟多参数场同时测量的方法流程图；
[0050]
图2是根据本发明实施例的得到训练数据和测试集数据的流程图；
[0051]
图3是根据本发明实施例的得到实验数据的示意图；
[0052]
图4是根据本发明实施例的基于trident-net的测量模型的结构示意图；
[0053]
图5是根据本发明实施例的得到参数优化的测量模型的流程图；
[0054]
图6是根据本发明实施例的基于trident-net的火焰中碳烟多参数场同时测量的系统的结构图。
具体实施方式
[0055]
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照
附图，对本发明作进一步的详细说明。
[0056]
目前，机器学习和神经网络已经应用在燃烧的光学诊断领域中，王潜龙等人首先发展并验证了反向传播(backpropagation:bp)神经网络模型，其基于火焰辐射场可同时预测碳烟温度和体积分数分布的双参数分布模型和可同时预测碳烟温度、体积分数和粒径分布的三参数模型。但在bp神经网络中，火焰图像信息在高度方向以像素大小分割输入神经元进行训练，故在高度方向的参数信息存在丢失的倾向，故进一步发展了二维卷积神经网络(u-net)模型，并验证其基于火焰辐射场可同时预测碳烟温度和体积分数场。将u-net神经网络预测结果和bp神经网络进行对比，发现u-net模型的确可得高度方向更平滑的碳烟参数场。在这个模型架构和训练过程中，有一定的局限性，主要有以下两点：(1)三个碳烟参数之间存在着折中(trade-off)的关系，容易造成某些参数占主导地位而有些参数得不到充分的优化，进而影响预测精度。(2)模型预测精度受限于训练样本量。当训练样本量比较少时，bp模型和u-net模型能学习的特征量比较少，无法确保模型的拟合能力和预测精度。
[0057]
为了较高精度地测量碳烟各个参数，减少对样本量的依赖，以及在测量过程中能根据研究要求灵活的设置每个碳烟参数分支的网络结构，迫切需要一种新方法。
[0058]
本发明提供的基于trident-net(三戟叉网络模型)的火焰的碳烟参数的测量方法及系统，可以对火焰中的碳烟参数进行实时监测，且在测量过程中可以根据研究要求灵活的设置每个碳烟参数分支解码器的网络结构，减少模型对训练样本量的需求同时实现高精度地测量碳烟的三个参数。
[0059]
图1是根据本发明实施例的基于trident-net的火焰中碳烟多参数场同时测量的方法流程图。
[0060]
如图1所示，上述基于trident-net的火焰中碳烟多参数场同时测量的方法包括操作s110～操作s140。
[0061]
在操作s110，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。
[0062]
在操作s120，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。
[0063]
碳烟温度解码器、碳烟粒径解码器和碳烟体积分数解码器分别与共享编码器相连接，进行数据传递。
[0064]
在操作s130，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。
[0065]
在操作s140，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。
[0066]
本发明提供的基于trident-net的火焰中碳烟多参数场同时测量的方法及系统，利用实验数据训练和测试基于trident-net的测量模型，得到具有较高预测精度、较强拟合能力以及广泛应用场景的测量模型。
[0067]
图2是根据本发明实施例的得到训练数据和测试集数据的流程图。
[0068]
图3是根据本发明实施例的得到实验数据的示意图。
[0069]
下面结合图2和图3对本发明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的过程作进一步详细地说明。
[0070]
如图2所示，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操作s210～操作s250。
[0071]
在操作s210，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。
[0072]
在操作s220，利用光学诊断方法处理火焰图像，得到火焰辐射场数据；
[0073]
在操作s230，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。
[0074]
在操作s240，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。
[0075]
归一化处理，旨在将碳烟参数场数据，即碳烟温度场数据、碳烟粒径场数据以及碳烟体积分数场数据处理成0-1之间的数据。
[0076]
在操作s250，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。
[0077]
训练集数据和测试集数据均包括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。
[0078]
实验数据的采集过程如图3所示，开启火焰发生器，与cdd(charge coupled device)相机相连的相机镜头(即图像采集设备)对火焰发生器产生的火焰进行拍摄采集得到火焰图像，ccd相机或者高速相机与电脑(即图像处理设备)的数据接口相连接，通过图3所示的设置，可以采集到大量可靠的实验数据。
[0079]
根据本发明的实施例，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：
[0080]
利用talf得到火焰中的碳烟温度场数据。
[0081]
利用tire-lii得到火焰中的碳烟粒径场数据。
[0082]
利用lii处理得到火焰中的碳烟体积分数场数据。
[0083]
根据本发明的实施例，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；
[0084]
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；
[0085]
其中，卷积层与下采样层交叠连接。
[0086]
根据本发明的实施例，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。
[0087]
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)。
[0088]
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。
[0089]
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。
[0090]
图4是根据本发明实施例的基于trident-net的测量模型的结构示意图。
[0091]
下面结合图4对上述基于trident-net的测量模型作进一步详细地说明。
[0092]
共享编码器由4层卷积层和三层下采样层组成，前三层卷积层的内核大小为3x3，最后一层卷积层的内核大小为1x1。内核大小为3x3，卷积步长为2的卷积层作为下采样层将特征图尺寸缩小为二分之一。每个卷积层由bn层进行特征归一化处理以后再由函数relu激活后与下采样层连接。
[0093]
碳烟温度解码器由3个上采样层，3个卷积层以及4个全连接层组成，每个卷积层由bn层进行特征归一化处理以后再由函数relu激活，并且由3个跳连接层实现碳烟温度解码器与共享编码器的连接。
[0094]
碳烟体积分数解码器由2个上采样层，2个卷积层以及2个全连接层组成，每个卷积层由bn层(batchnormalization)进行特征归一化处理以后再由函数elu激活，并且由2个跳连接层实现碳烟体积分数解码器与共享编码器的连接，并且增加两个dropout层进行正则化处理，防止过拟合和特征信息丢失。
[0095]
碳烟粒径解码器由3个上采样层，3个卷积层以及3个全连接层组成，每个卷积层由bn层进行特征归一化处理以后再由函数relu激活，并且由三个跳连接层实现碳烟粒径解码器与共享编码器的连接。
[0096]
碳烟温度解码器、碳烟体积分数解码器以及碳烟粒径解码器的结构并不是固定不变的，可根据实时测量的结果来灵活设置。例如，在观测到某一个编码器存在欠拟合情况时，可以试着加深该编码器得网络结构，若存在过拟合情况时，可以适当减少神经网络层数或者加dropout层，在编码器预测精度效果不理想时可以增加跳连接层的数量等调整方法均可尝试。
[0097]
如图4所示，火焰辐射场数据输入到基于t-net(即trident-net，下同)卷积神经网络的测量模型中，经过一层卷积内核为3x3，卷积步长为1，输出通道为32的卷积层处理以后，将数据通道由1转成32，之后经过bn层进行特征归一化处理，由relu激活输出后与下采样层相连接。每经过下采样层处理一次后，数据尺寸将缩小为上一个卷积层的二分之一，每经过一个神经网络层处理以后数据通道都会变为前一个神经网络层的2倍。共享编码器由3层内核大小为3x3的卷积层和3层下采样层相连接，第3层下采样层与第1层内核大小为1x1的卷积层相连。
[0098]
碳烟温度解码器的3个跳连接层用于将共享编码器的第3个下采样层与碳烟温度分支的第1个上采样层进行拼接，将共享编码器的的第2个下采样层与碳烟温度分支的第2个上采样层进行拼接，将共享部分的的第一个下采样层与碳烟温度分支的第3个上采样层进行拼接，再将第3个跳连接层与第3个卷积层相连，第3个卷积层输出后经过flatten(压平)再作为全连接层输入，经过4个全连接层以后再将数据输出。
[0099]
碳烟温度解码器、碳烟体积分数解码器以及碳烟粒径解码器每经过一个上采样层处理以后，数据尺寸会扩大为原来的2倍，每一个神经网络层都会将数据通道降为原来的二分之一。
[0100]
图5是根据本发明实施例的得到参数优化的测量模型的流程图。
[0101]
如图5所示，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操作s510～操作s550。
[0102]
在操作s510，根据训练集数据的样本量，对测量模型的超参数进行设置。
[0103]
例如，在训练数据集较少时学习率可设置为呈指数衰减，指数衰减学习率效果表现不佳时可以手动设置经验数0.0003，0.001等。batch_size在训练样本量少时可设置为较大值例如64，在样本量足够时可设置成较小值例如8。
[0104]
在操作s520，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。
[0105]
在t-net卷积神经网络模型的训练函数中，碳烟的三个参数的损失函数的权重是可由使用者自行设置的，在着重需要测量某一个参数或者该参数测量效果较差时可以适当加大其损失函数的权重。
[0106]
在操作s530，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；
[0107]
在操作s540，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。
[0108]
在操作s550，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。
[0109]
根据本发明的实施例，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：
[0110]
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。
[0111]
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。
[0112]
根据判断结果和分析结果，确定测量模型的训练迭代次数。
[0113]
在训练模型过程中通过模型每一次迭代的训练得分和测试得分来判断模型是否存在欠拟合或者过拟合的情况，且通过绘制测试得分和迭代次数的分布图，根据测试得分的收敛情况来判断模型训练的迭代次数是否满足需求。
[0114]
通过上述方法，能够充分利用测试集数据对测量模型进行测试评价，并能够根据实际需求及时调整编码器的权重系数，从而得到具有良好拟合效果和预测效果测量模型。
[0115]
根据本发明的实施例，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。
[0116]
根据本发明的实施例，上述平均绝对误差由公式(1)表示：
[0117][0118]
其中，测量模型的总得分由公式(2)表示：
[0119][0120]
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。
[0121]
利用测试模型的总得分r2能够较好地判断测试模型的拟合性能和预测效果。
[0122]
图6是根据本发明实施例的基于trident-net的火焰中碳烟多参数场同时测量的系统的结构图。
[0123]
如图6所示，上述基于trident-net的火焰中碳烟多参数场同时测量的系统600包括数据采集与处理模块610，模型构建模块620、训练与测试模块630以及测量模块640。
[0124]
数据采集与处理模块610，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；
[0125]
模型构建模块620，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、碳烟温度解码器、碳烟粒径解码器和碳烟体积分数解码器；
[0126]
训练与测试模块630，用于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；
[0127]
测量模块640，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。
[0128]
本发明提供的上述基于trident-net的火焰中碳烟多参数场同时测量的方法和系统，可以克服碳烟3个参数之间因为存在着折中关系，而造成某些参数占主导地位而有些参数得不到充分优化的问题。通过灵活设置3个参数的网络结构和三个参数的损失函数权重，降低三个参数之间不利的影响，避免出现某一个参数预测效果较差的问题,并且提高三个参数的总体预测效果；同时，降低对训练样本量的需求，本发明提出的上述基于trident-net的火焰中碳烟多参数场同时测量的方法系统，利用多任务学习的方式，可以处理小数据样本量，能有效减少对训练样本量的要求。此外，本发明提供的上述基于trident-net的火焰中碳烟多参数场同时测量的方法和系统能够实现对火焰中碳烟参数的形成过程进行实时动态观测，解决工业生成中无法实时监测火焰中碳烟参数的困难。
[0129]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。