閭曾怡，王高峰，楊?瑤，張非非

基于CNN-LSTM深度學(xué)習(xí)的燃燒不穩(wěn)定性檢測(cè)方法研究

閭曾怡，王高峰，楊?瑤，張非非

(浙江大學(xué)航空航天學(xué)院，杭州 310027)

提出了一種基于高速火焰圖像序列的深度學(xué)習(xí)模型來(lái)檢測(cè)燃燒不穩(wěn)定性．模型以高速火焰圖像序列作為輸入，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)同時(shí)學(xué)習(xí)圖像序列的空間特征和時(shí)間相關(guān)性，輸出燃燒不穩(wěn)定性檢測(cè)結(jié)果．利用旋流燃燒室多種工況下穩(wěn)態(tài)和非穩(wěn)態(tài)的瞬態(tài)火焰圖像數(shù)據(jù)集驗(yàn)證模型的魯棒性和準(zhǔn)確性．該深度學(xué)習(xí)模型被證明是一種潛在的燃燒不穩(wěn)定性檢測(cè)工具，并有望成為一種很有前途的燃燒不穩(wěn)定性預(yù)測(cè)工具．

旋流預(yù)混燃燒；燃燒不穩(wěn)定性；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)

燃燒不穩(wěn)定性是一個(gè)存在于包括燃?xì)廨啓C(jī)在內(nèi)的各種系統(tǒng)中的復(fù)雜問(wèn)題．燃燒不穩(wěn)定通常由熱釋放率脈動(dòng)和壓力脈動(dòng)的正耦合引起．燃燒時(shí)流動(dòng)擾動(dòng)引起熱釋放率的波動(dòng)，產(chǎn)生聲學(xué)振蕩．如果熱釋放率波動(dòng)與聲壓場(chǎng)波動(dòng)相一致，則可能建立一個(gè)正反饋，導(dǎo)致燃燒不穩(wěn)定[1]．燃燒不穩(wěn)定的發(fā)生難以預(yù)料，并且極有可能導(dǎo)致結(jié)構(gòu)破壞和災(zāi)難性故障，造成巨大的經(jīng)濟(jì)損失．因此，檢測(cè)燃燒不穩(wěn)定性具有重要研究?jī)r(jià)值．研究發(fā)現(xiàn)，相干結(jié)構(gòu)的存在是熱聲反饋產(chǎn)生的一個(gè)重要機(jī)制[2-6]．相干結(jié)構(gòu)是與渦度相干相位、高渦度等定義相關(guān)的流體力學(xué)結(jié)構(gòu)[2]，通過(guò)彎曲和拉伸引起大范圍的速度振蕩和整體火焰形狀振蕩.相干結(jié)構(gòu)的發(fā)展及分解會(huì)導(dǎo)致周期性的熱釋放[3].對(duì)相干結(jié)構(gòu)的檢測(cè)，目前已經(jīng)提出并成功實(shí)現(xiàn)了幾種方法，包括適當(dāng)?shù)恼环纸?proper orthogonal decomposition，POD)[7]和動(dòng)態(tài)模態(tài)分解(dynamic mode decomposition，DMD)[8]．盡管相干結(jié)構(gòu)可能是一個(gè)強(qiáng)烈的不穩(wěn)定性指標(biāo)，但很難從視覺(jué)上直觀(guān)表征這種結(jié)構(gòu)．此外，由于缺乏對(duì)相干結(jié)構(gòu)的物理理解，識(shí)別燃燒不穩(wěn)定性的前兆變得困難．

神經(jīng)網(wǎng)絡(luò)的靈感來(lái)源于諾貝爾獎(jiǎng)得主Hubel和Wiesel對(duì)貓初級(jí)視覺(jué)皮層的研究．2012年，Krizhevsky等[9]利用豐富的圖像數(shù)據(jù)，基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)學(xué)習(xí)到了有意義的圖像空間特征．隨著計(jì)算能力的持續(xù)增長(zhǎng)和處理超大數(shù)據(jù)集能力的增強(qiáng)，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)正在迅速成為處理高維數(shù)據(jù)和提取特征的關(guān)鍵工具．基于CNN的應(yīng)用包括自然語(yǔ)言處理[10]、圖像增強(qiáng)[11]和視頻描述[12]等．基于深度學(xué)習(xí)的燃燒不穩(wěn)定性檢測(cè)是近年新出現(xiàn)的一個(gè)研究課題．Sarkar等[4]提出了一種神經(jīng)符號(hào)框架，使用CNN從圖像中提取低維特征，并使用符號(hào)時(shí)間序列分析捕捉圖像提取特征的時(shí)間演化，通過(guò)分析大量連續(xù)的高速燃燒圖像進(jìn)行早期不穩(wěn)定性檢測(cè)．Ghosal等[5]采用3D CNN網(wǎng)絡(luò)模型架構(gòu)，利用連續(xù)圖像幀之間的時(shí)間相關(guān)性，將燃燒圖像序列分為穩(wěn)定和不穩(wěn)定兩類(lèi)．Gangopadhyay等[13]提出了一種結(jié)合二維卷積神經(jīng)網(wǎng)絡(luò)提取空間特征和長(zhǎng)短期記憶(long short-term memory，LSTM)網(wǎng)絡(luò)捕捉數(shù)據(jù)時(shí)間相關(guān)性的高效檢測(cè)框架．Choi等[14]基于卷積神經(jīng)網(wǎng)絡(luò)提出了一種基于高速火焰圖像的深度學(xué)習(xí)模型檢測(cè)燃?xì)廨啓C(jī)的燃燒不穩(wěn)定性，模型建立了兩個(gè)網(wǎng)絡(luò)融合層，早期融合層學(xué)習(xí)圖像序列功率譜密度，后期融合層結(jié)合不同時(shí)間步輸出預(yù)測(cè)當(dāng)前燃燒狀態(tài)．

論文提出了一種基于高速火焰圖像序列的深度監(jiān)督學(xué)習(xí)燃燒不穩(wěn)定性檢測(cè)模型．與以往單圖像輸入或固定長(zhǎng)度圖像序列輸入不同，該模型可接受可變長(zhǎng)度圖像序列輸入，更具靈活性．模型以連續(xù)的火焰圖像序列作為輸入，將卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)相結(jié)合，底層卷積網(wǎng)絡(luò)層提取輸入圖像序列的空間特征并作為其上布置的長(zhǎng)短期記憶網(wǎng)絡(luò)的時(shí)間步輸入．長(zhǎng)短期記憶網(wǎng)絡(luò)通過(guò)學(xué)習(xí)序列全局時(shí)間特征來(lái)捕捉特征演化，全連接層接收長(zhǎng)短期記憶網(wǎng)絡(luò)的輸出，并將檢測(cè)問(wèn)題變?yōu)槎诸?lèi)問(wèn)題(穩(wěn)定或不穩(wěn)定)，輸出圖像序列的類(lèi)標(biāo)簽．利用高速相機(jī)拍攝旋流燃燒室不同工況下穩(wěn)態(tài)和非穩(wěn)態(tài)的瞬態(tài)火焰圖像對(duì)模型進(jìn)行驗(yàn)證測(cè)試，確保模型的準(zhǔn)確性和檢測(cè)不同燃燒工況的魯棒性．

1?實(shí)驗(yàn)裝置

訓(xùn)練深度學(xué)習(xí)模型需要大量的數(shù)據(jù)來(lái)確保最終模型的準(zhǔn)確性與可靠性．為了采集足夠多的處于不同工況下的火焰圖像數(shù)據(jù)，建立如圖1所示的丙烷-空氣旋流預(yù)混燃燒實(shí)驗(yàn)臺(tái)．整個(gè)實(shí)驗(yàn)臺(tái)由配氣室和燃燒室兩大部分組成，丙烷和空氣經(jīng)充分預(yù)混后在旋流噴嘴出口被點(diǎn)燃．旋流器噴嘴出口直徑為10mm，其旋流數(shù)約為0.71[15]．出口上方裝有直徑50mm的圓柱形石英玻璃視窗以便在系統(tǒng)中實(shí)現(xiàn)聲反饋．為采集不同燃燒工況的數(shù)據(jù)，調(diào)節(jié)流速與當(dāng)量比，以期獲得穩(wěn)定燃燒的火焰和處于不同模態(tài)下的不穩(wěn)定火焰．根據(jù)不同工況下收集的火焰圖像數(shù)據(jù)，提出了火焰不穩(wěn)定性的檢測(cè)問(wèn)題．

圖1?實(shí)驗(yàn)系統(tǒng)示意

石英玻璃視窗處配備高速相機(jī)(PCO dimax HD)，相機(jī)采集頻率為2000幀/s，圖像分辨率為1200×976像素．神經(jīng)網(wǎng)絡(luò)采用監(jiān)督學(xué)習(xí)，圖像需要有屬性標(biāo)簽(穩(wěn)定或不穩(wěn)定)．在實(shí)驗(yàn)時(shí)，同時(shí)記錄聲壓脈動(dòng)，結(jié)合聲壓脈動(dòng)和火焰抖動(dòng)情況[13]，同步標(biāo)注火焰圖像視頻(穩(wěn)定或不穩(wěn)定)，見(jiàn)圖2．

采集得到的大量不同工況的火焰圖像序列被用來(lái)訓(xùn)練深度學(xué)習(xí)模型，以及測(cè)試基于圖像的檢測(cè)框架的魯棒性．表1為數(shù)據(jù)集的工況表，分為訓(xùn)練集和測(cè)試集．訓(xùn)練集為模型構(gòu)建訓(xùn)練時(shí)的數(shù)據(jù)樣本，作為調(diào)整參數(shù)、特征選擇等算法相關(guān)的選擇依據(jù)．訓(xùn)練集共有120組穩(wěn)定和不穩(wěn)定旋流火焰圖像序列，每組包含200幀連續(xù)圖像序列．測(cè)試集與訓(xùn)練集的采集工況不同，用于評(píng)估最終模型的檢測(cè)能力．測(cè)試集共106組穩(wěn)定和不穩(wěn)定圖像，每組同樣為200幀連續(xù)圖像序列．關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的研究已證明圖像大小的調(diào)整對(duì)結(jié)果沒(méi)有影響[13,16]，為了保證訓(xùn)練速度和控制內(nèi)存消耗，圖像調(diào)整為320×240像素．

圖2?燃燒火焰圖像序列部分采樣

表1?燃燒火焰圖像數(shù)據(jù)集工況

Tab.1?Experimental conditions for flame datasets

2?深度學(xué)習(xí)檢測(cè)模型

論文提出的深度學(xué)習(xí)模型將卷積神經(jīng)網(wǎng)絡(luò)和LSTM[17]相結(jié)合．圖3為論文提出的深度學(xué)習(xí)模型，包括輸入層、CNN層、LSTM層、全連接層和輸出層．將連續(xù)的火焰圖像序列逐幀輸入CNN層，利用卷積特征提取器學(xué)習(xí)圖像空間特征，檢測(cè)火焰圖像中的相干結(jié)構(gòu)．由于燃燒不穩(wěn)定性是動(dòng)態(tài)行為，理解各種相干結(jié)構(gòu)之間的演化過(guò)程是很重要的．在CNN層上布置LSTM網(wǎng)絡(luò)，它以上層CNN層的卷積輸出作為時(shí)間步的輸入．LSTM層學(xué)習(xí)圖像序列全局時(shí)間特征，檢測(cè)相干結(jié)構(gòu)的演化．CNN和LSTM的組合保證了網(wǎng)絡(luò)可以從輸入的圖像序列中學(xué)習(xí)到空間特征和時(shí)間相關(guān)性．網(wǎng)絡(luò)將燃燒不穩(wěn)定檢測(cè)轉(zhuǎn)化為二分類(lèi)問(wèn)題(穩(wěn)定或不穩(wěn)定)，輸出檢測(cè)結(jié)果．模型具體細(xì)節(jié)在下面小節(jié)描述．

圖3?深度學(xué)習(xí)模型

2.1?卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[16,18]是一種使用非線(xiàn)性映射對(duì)局部鄰域數(shù)據(jù)降維的深度學(xué)習(xí)網(wǎng)絡(luò)模型，它是一種有效的復(fù)雜非線(xiàn)性模型建模工具，在多維數(shù)據(jù)處理上具有優(yōu)勢(shì)．卷積神經(jīng)網(wǎng)絡(luò)通過(guò)局部連接和參數(shù)共享在減少網(wǎng)絡(luò)參數(shù)數(shù)量的同時(shí)，降低過(guò)擬合的風(fēng)險(xiǎn)[16]．多維圖像可以直接作為網(wǎng)絡(luò)輸入，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過(guò)程．卷積神經(jīng)網(wǎng)絡(luò)能自行提取圖像特征，包括顏色、紋理、形狀及圖像的拓?fù)浣Y(jié)構(gòu)，并且不受圖像縮放、扭曲等操作影響，具有良好的魯棒性，如圖4所示．

網(wǎng)絡(luò)輸入圖像通常由像素的2D網(wǎng)格表示，卷積神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性映射為對(duì)所有像素進(jìn)行線(xiàn)性濾波，對(duì)圖像進(jìn)行2D卷積．卷積核的大小一般在1×1像素到7×7像素之間．對(duì)于一個(gè)含有通道總數(shù)的圖像，2D卷積操作如下[14]：

圖4?卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[20]

圖5?CNNnet-18 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2?長(zhǎng)短期記憶網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)[24-25](recurrent neural network，RNN)是專(zhuān)門(mén)為處理時(shí)序數(shù)據(jù)提出的神經(jīng)網(wǎng)絡(luò)，利用“內(nèi)部狀態(tài)”(隱藏層神經(jīng)元各權(quán)重矩陣)記憶來(lái)學(xué)習(xí)系統(tǒng)狀態(tài)的時(shí)間依賴(lài)關(guān)系，從而能夠?qū)?dòng)態(tài)系統(tǒng)的演化進(jìn)行建模．根據(jù)Haykin提出的通用近似定理[26]，如果一個(gè)完全連接的循環(huán)神經(jīng)網(wǎng)絡(luò)有足夠數(shù)量的sigmoid型隱藏神經(jīng)單元，它可以以任意的準(zhǔn)確率去近似任何一個(gè)非線(xiàn)性動(dòng)力系統(tǒng)，即

圖6?LSTM網(wǎng)絡(luò)單元結(jié)構(gòu)[20]

模型訓(xùn)練時(shí)使用隨機(jī)優(yōu)化方法的Adam優(yōu)化器[28]，在整個(gè)訓(xùn)練集上訓(xùn)練網(wǎng)絡(luò)模型，同時(shí)監(jiān)測(cè)驗(yàn)證精度．論文用不同的隨機(jī)種子重復(fù)了3次訓(xùn)練過(guò)程，并存儲(chǔ)了驗(yàn)證精度最高的最佳模型參數(shù)．

3?結(jié)果與討論

實(shí)驗(yàn)采集了多種工況下穩(wěn)定和不穩(wěn)定瞬態(tài)燃燒火焰圖像測(cè)試模型．圖像序列依序輸入網(wǎng)絡(luò)，在卷積層提取圖像空間特征．CNN已經(jīng)被證明能夠捕捉火焰中相干結(jié)構(gòu)的碎片[4-5, 13]．

每層中單個(gè)卷積核只感受局部鄰域并輸出特征映射，特征映射和原始圖像具有空間上的對(duì)應(yīng)關(guān)系，隨著層數(shù)加深，更高層將這些局部信息進(jìn)行綜合得到全局信息．圖7給出了前兩層卷積中部分特征映射的可視化輸出，在第二層可視化中顯示了它捕獲了火焰相干結(jié)構(gòu)的碎片．

圖7 燃燒火焰圖像原圖及第1層和第2層部分卷積特征映射的可視化輸出

為了評(píng)估模型性能，使用測(cè)試集(表1)進(jìn)行測(cè)試，在圖像序列(視頻級(jí)別)評(píng)估模型準(zhǔn)確度，測(cè)試序列從圖像序列中隨機(jī)采樣．輸入序列每一幀都會(huì)輸出根據(jù)當(dāng)前時(shí)刻與之前時(shí)刻的信息輸出分類(lèi)結(jié)果(穩(wěn)定或不穩(wěn)定)，準(zhǔn)確度定義為正確檢測(cè)幀數(shù)占總圖像數(shù)目中的比例．從準(zhǔn)確度的角度，卷積神經(jīng)網(wǎng)絡(luò)層數(shù)的增加有利于提升準(zhǔn)確度，但同時(shí)增加參數(shù)量會(huì)減慢運(yùn)算速度，降低效率．不同卷積網(wǎng)絡(luò)模型測(cè)試結(jié)果見(jiàn)表2，每個(gè)模型均用不同的隨機(jī)種子重復(fù)3次訓(xùn)練過(guò)程，存儲(chǔ)精度最高的最佳模型參數(shù)．最終模型卷積網(wǎng)絡(luò)為CNNnet-18最佳準(zhǔn)確度可達(dá)98.77%，同時(shí)在NVIDIAGPU實(shí)時(shí)計(jì)算，每幀平均計(jì)算時(shí)間約1.23ms.與先前工作模型相比[13-14]，準(zhǔn)確度已達(dá)到檢測(cè)精度要求．檢測(cè)結(jié)果以視頻形式可視化輸出，見(jiàn)圖8．

在準(zhǔn)確性指標(biāo)外，論文提出敏感度和特異度指標(biāo)來(lái)評(píng)估模型的有效性．通常情況，二分類(lèi)問(wèn)題檢測(cè)結(jié)果有4種情況，見(jiàn)表3．

表2?不同模型檢測(cè)準(zhǔn)確度

Tab.2?Detection accuracy of different models

圖8?燃燒火焰圖像序列檢測(cè)結(jié)果

表3?二分類(lèi)問(wèn)題檢測(cè)結(jié)果

Tab.3?Categoryof model detection results

在證明模型可以應(yīng)用于論文實(shí)驗(yàn)采集的旋流火焰不穩(wěn)定檢測(cè)后，論文驗(yàn)證了模型的泛化能力，即一個(gè)已經(jīng)學(xué)習(xí)圖像特征的預(yù)訓(xùn)練網(wǎng)絡(luò)能否應(yīng)用于解決另一個(gè)不同但相關(guān)領(lǐng)域的問(wèn)題，比如層流火焰不穩(wěn)定性檢測(cè)．在筆者的實(shí)驗(yàn)中，使用了如圖9的本生燈火焰圖像序列．利用遷移學(xué)習(xí)知識(shí)[29]，輸入穩(wěn)定和不穩(wěn)定本生燈火焰圖像序列各200幀作為樣本數(shù)據(jù)，對(duì)論文的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行微調(diào)．采集多種工況下本生燈火焰圖像序列共2000幀進(jìn)行測(cè)試，模型準(zhǔn)確率為94.75%，敏感度為100%，特異度為94.17%．測(cè)試結(jié)果驗(yàn)證了得到的模型可用于層流火焰不穩(wěn)定性檢測(cè).

圖9?本生燈火焰圖像序列采樣

4?結(jié)?論

本文提出了一個(gè)用于燃燒熱聲不穩(wěn)定性檢測(cè)的深度學(xué)習(xí)模型，通過(guò)將不穩(wěn)定性檢測(cè)轉(zhuǎn)為二分類(lèi)問(wèn)題，實(shí)現(xiàn)了對(duì)不同長(zhǎng)度輸入序列的檢測(cè)分類(lèi)(穩(wěn)定或不穩(wěn)定)．高速燃燒火焰圖像序列被輸入多層CNN來(lái)提取空間特征，學(xué)習(xí)火焰中相干結(jié)構(gòu)，并在CNN卷積器中可視化觀(guān)察相干結(jié)構(gòu)碎片．由于燃燒不穩(wěn)定性是動(dòng)態(tài)行為，理解各種相干結(jié)構(gòu)之間的演化過(guò)程是很重要的，模型使用LSTM學(xué)習(xí)燃燒火焰圖像序列時(shí)間演變．筆者在旋流燃燒室上進(jìn)行了大量的實(shí)驗(yàn)，并根據(jù)聲脈沖頻率對(duì)采集圖像序列進(jìn)行分類(lèi)(穩(wěn)定或不穩(wěn)定)，驗(yàn)證了模型準(zhǔn)確度(98.77%)，敏感度(99.9%)，特異度(97.5%)．在證明模型用于燃燒不穩(wěn)定性檢測(cè)的魯棒性與可靠性后，使用本生燈火焰遷移學(xué)習(xí)，驗(yàn)證了模型的泛化能力．

在未來(lái)研究中，燃燒火焰圖像序列將包括穩(wěn)態(tài)到非穩(wěn)態(tài)或非穩(wěn)態(tài)到穩(wěn)態(tài)轉(zhuǎn)變過(guò)程．利用LSTM學(xué)習(xí)輸入序列的時(shí)間演變過(guò)程，可視化LSTM內(nèi)部計(jì)算，找到向失穩(wěn)過(guò)渡時(shí)的單元結(jié)構(gòu)變化．模型有望成為燃燒不穩(wěn)定的早期預(yù)測(cè)工具，通過(guò)有效檢測(cè)臨界過(guò)渡實(shí)現(xiàn)主動(dòng)控制，從而可以消除燃燒不穩(wěn)定的不利影響．

［1］ Rayleigh L. The explanation of certain acoustical phenomena[J].，1878，18(455)：319-321.

［2］ Hussain F. Coherent structures—Reality and myth[J].，1983，26(10)：2816-2850.

［3］ Schadow K C，Gutmark E. Combustion instability related to vortex shedding in dump combustors and their passive control[J].，1992，18(2)：117-132.

［4］ Sarkar S，Lore K G，Sarkar S. Early detection of combustion instability by neural-symbolic analysis on hi-speed video[C]//2015：. Montreal，Canada，2015.

［5］ Ghosal S，Akintayo A，Boor P，et al. High-speed video-based health monitoring using 3D deep learning[C]//2017. Cambridge，MA，2017.

［6］ Chakravarthy S R，Shreenivasan O J，Bhm B，et al. Experimental characterization of onset of acoustic instability in a non-premixed half-dump combustor[J].，2007，122(1)：120-127.

［7］ Berkooz G，Holmes P，Lumley J L. The proper orthogonal decomposition in the analysis of turbulent flows[J].，1993，25(1)：539-575.

［8］ Schmid P J. Dynamic mode decomposition of numerical and experimental data[J].，2010，656：5-28.

［9］ Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks[J].，2017，60(6)：84-90.

［10］ Collobert R，Weston J. A unified architecture for natural language processing：Deep neural networks with multitasks learning[C]//. Helsinki，F(xiàn)inland，2008：160-167.

［11］ Lore K G，Akintayo A，Sarkar S. LLNet：A deep autoencoder approach to natural low-light image enhancement[J].，2017，61：650-662.

［12］ Venugopalan S，Rohrbach M，Donahue J，et al. Sequence to sequence—Video to text[C]//(). Santiago，Chile，2016.

［13］ Gangopadhya T，Locurto A，Michael J B，et al. Deep learning algorithms for detecting combustion instabilities[G].. Singapore：Springer，2002：183-300.

［14］ Choi O，Choi J，Kim N，et al. Combustion instability monitoring through deep-learning-based classification of sequential high-speed flame images[J].，2020，9(5)：848.

［15］ Durox D，Prieur K，Schuller T，et al. Different flame patterns linked with swirling injector interactions in an annular combustor[J].，2016，138(10)：101504.

［16］ Arbib M A.[M]. Massachusetts，USA：MIT Press，1995.

［17］ Hochreiter S，Schmidhuber J. Long short-term memory[J].，1997，9(8)：1735-1780.

［18］ Kim P.[M]. CA：Apress，2017.

［19］ Canny J. A computational approach to edge detection[J].，1986，8(6)：679-698.

［20］ 邱錫鵬. 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)[M]. 北京：機(jī)械工業(yè)出版社，2020.

Qiu Xipeng.[M]. Beijing：China Machine Press，2020(in Chinese).

［21］ Ioffe S，Szegedy C. Batch normalization：Accelerating deep network training by reducing internal covariate shift[C]//. Lille，F(xiàn)rance，2015.

［22］ Boureau Y，Bach F，LeCun Y，et al. Learning mid-level features for recognition[C]// 2010. San Francisco，CA，2010.

［23］ Redmon J，F(xiàn)arhadi A. YOLO9000：Better，faster，stronger[C]//2017. Honolulu，USA，2017.

［24］ Rumelart D E，Hinton G E，Williams R J. Learning representations by back-propagating errors[J].，1986，323：533-536.

［25］ Lang K J. A Time-Delay Neural Network Architecture for Speech Recognition[D]. USA：Carnegie Mellon University，1988.

［26］ Haykin S.[M]. USA：Prentice Hall，2008.

［27］ de Boer P T，Kroese D P，Mannor S. A tutorial on the cross-entropy method[J].，2005，134：19-67.

［28］ Kingma D P，Ba J. Adam：A method for stochastic optimization[C]//. San Diego，USA，2015.

［29］ Tajbakhsh N，Shin J Y，Gurudu S，et al. Convolutional neural networks for medical image analysis：Fine tuning or full training? [J].，2016，35(5)：1299-l312.

Combustion Instability Detection Method Based on CNN-LSTM Deep Learning

Lü Zengyi，Wang Gaofeng，Yang Yao，Zhang Feifei

(School of Aeronautics and Astronautics，Zhejiang University，Hangzhou 310027，China)

The paper proposed a deep learning model based on high-speed flame image sequences to detect combustion instability. Taking high-speed flame image sequence as input，and combining convolutional neural network(CNN)and long short-term memory(LSTM) network，the model was adopted to study spatial features and time correlation of image sequences，with the combustion instability detection results as the final output. Robustness and accuracy of the model were verified by transient steady and unsteady flame image datasets in a swirl combustion chamber under various working conditions. The deep learning model has been proved to be a potential tool for detecting combustion instability and is expected to be a promising tool for predicting combustion instability.

swirl premixed combustion；combustion instability；deep learning；convolutional neural network

TK11

A

1006-8740(2022)02-0119-07

10.11715/rskxjs.R202202012

2021-04-09．

國(guó)家重大科技專(zhuān)項(xiàng)資助項(xiàng)目(J2019-Ⅲ-0006-0049)；國(guó)家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目(2021YFA0716202).

閭曾怡（1996—??），女，博士，lzyi@zju.edu.cn.

王高峰，男，博士，教授，gfwang@zju.edu.cn.

(責(zé)任編輯：隋韶穎)