一种SOFC燃烧室燃烧状态识别方法.pdf
《一种SOFC燃烧室燃烧状态识别方法.pdf》由会员分享,可在线阅读,更多相关《一种SOFC燃烧室燃烧状态识别方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、收稿日期:;修回日期:基金项目:国家自然科学基金资助项目(,);武汉市科技计划资助项目();武汉科技大学国防预研基金资助项目;智能信息处理与实时工业系统湖北省重点实验室开放课题项目();深圳科技创新计划重点项目()作者简介:王阳(),男,四川德阳人,硕士研究生,主要研究方向为图像处理、计算机视觉();付晓薇(),女,辽宁鞍山人,教授,硕导,博士,主要研究方向为图像处理、计算机视觉、信号处理与分析等;李曦(),男,湖北仙桃人,教授,博导,博士,主要研究方向为计算机应用、复杂非线性系统的建模和控制、新能源与储能控制一种 燃烧室燃烧状态识别方法王阳,付晓薇 ,李曦(武汉科技大学 计算机科学与技术学院
2、;智能信息处理与实时工业系统湖北省重点实验室,武汉 ;华中科技大学 人工智能与自动化学院,武汉 )摘要:针对固体氧化物燃料电池()燃烧室燃烧状态识别问题,提出一种基于注意力机制与图像特征金字塔的 燃烧室燃烧状态识别方法。该方法使用加权分布的自适应伽马矫正算法()进行数据前处理,对数据进行标准化;利用两个附加 卷积的全连接改进了压缩激励结构,并结合空间注意力,提出了一种混合注意力结构,提升了网络特征提取能力;为增强特征的多尺度信息交流能力,使用双向计算和多尺度融合,提出了多尺度双向融合金字塔。实验表明,所提方法在参数量为 、浮点运算数()为 的前提下,识别准确率达到 ,能够有效识别 燃烧室燃烧状
3、态。关键词:固体氧化物燃料电池;卷积神经网络;混合注意力机制;轻量级网络;图像特征金字塔中图分类号:文献标志码:文章编号:():,(,;,):(),(),(),:();引言固体氧化物燃料电池()是第三代燃料电池的一种,具有燃料适应性强、污染低、成本低等优点。可将燃料的化学能直接转换为电能,在加入热电联产系统后,其发电效率能提升至 。由于以上优点,是目前能源和材料领域的研究热点。燃烧室是 系统的重要组件。在燃烧室中,不稳定的燃烧状态可能造成燃烧设备故障、测温部件受损、火焰熄灭等异常情况。及时对不稳定燃烧状态进行识别与处理,可显著减少异常状态的出现。因此,燃烧室燃烧状态的识别,对系统高效稳定运行具
4、有重要意义。目前,针对 燃烧室燃烧状态识别的研究较少。传统燃烧室燃烧状态识别方法多在大型平台上运行,以燃烧充分程度进行状态划分 ,复杂度较高。而小型化、移动式是 的重要发展方向 ,复杂度较高的方法难以在小型 平台上做到实时处理。此外,燃烧室以燃烧的稳定性划分燃烧状态 ,不能直接使用传统方法进行识别。因此,需要一个轻量级、高准确性、以燃烧稳定性划分燃烧状态的 燃烧室燃烧状态识别方法。随着深度学习的发展,研究人员提出了许多轻型分类网络。提出了残差结构,帮助网络缓解了梯度消失与梯度爆炸的问题,显著提升了网络可训练层的数量。但是,具有较高的复杂度,对于硬件受限平台的实时任务效果不佳。提出一种高效的可分
5、离注意力模块,采用混合单元将空间注意机制和通道注意机制有效地结合在一起,在分类任务上取得了一定的效果。但此方法没有充分利用不同尺度图像特征之间的信息。使用结构搜索技术,对网络结构进行调整,取得了网络准确性提升且复杂度降低的效果。但是,此方法没有考虑相似图像的分类情况,对图像细节信息利用不足。结合深度卷积和自注意力,通过垂直堆叠的方式提升了卷积层和注意力层的泛化能力。将图像以类似文本的形式进行编码学习。但基于 的网络复第 卷第 期 年 月计 算 机 应 用 研 究 杂度通常较高,在任务中难以做到快速处理 。则结合了 与 的优点,利用 的局部表示和 的全局表示,在保持准确度的同时,降低了网络复杂度
6、。以上网络虽复杂度不高,但有限的参数与结构上的不足也限制了网络本身的性能。本文方法基于小型 系统硬件性能有限、需要精准识别燃烧室燃烧状态的实际需求,本文提出了一种基于注意力机制和图像特征金字塔的图像分类网络(,),结构如图 所示。网络包含主干网络与多尺度双向融合金字塔(,)。首先,使用传统卷积对图像进行编码;其次,将编码结果输入由 层基于混合注意力机制的深度可分离残差模块(,)堆叠而成的主干网络;随后,使用层 提取主干网络中特定层的图像特征,并通过双向计算与多尺度图像特征融合,将多层次的信息融合并传导至网络高层;最终,使用传统卷积与全连接层进行解码并分类,获得识别结果。对于卷积神经网络而言,低
7、层部分更易学到图像的细节信息,而高层部分则对图像的全局特征学习能力更强。因此,许多网络通过逐层减小特征的尺寸、增大特征维度数量的方式,聚合图像的全局特征。受 的启发,采用“空间尺度降低一倍,输出通道数量增加一倍”的方式,更改网络不同层的特征尺度与通道数量。图 基于注意力与图像金字塔的图像识别网络 图像前处理是深度学习的训练策略之一。在网络训练之前先对数据进行相应的处理,可提升网络的学习速度并降低学习难度。由于 燃烧室是封闭空间,图像亮度随火焰强度变化而变化,导致图像亮度差别较大。减小图像亮度方差,可减少网络需处理的图像种类,优化网络的性能。因此,本文使用加权分布的自适应伽马矫正算法(,)对图像
8、进行前处理。是一种经典的图像增强算法,定义如下:()()()()()()()其中:为灰度级数;()为像素灰度级为 的概率;为自适应参数,本文中使用默认参数 。前处理实验于 节展示。由深度可分离卷积模块和由 结构改进而来的双压缩激励结构(,)组成,结构如图 所示。其中,深度可分离卷积模块主要用于对特征进行初步提取,并减少 的参数量;使用混合注意力机制,提升网络的图像特征提取能力,同时调整输出特征的尺度与通道数量。定义如下:()()()其中:表示输入特征;表示深度可分离卷积模块;表示双压缩激励模块。图 基于混合注意力机制的深度可分离残差模块 深度可分离卷积网络参数量决定了网络本身的大小。一般来说,
9、网络的参数量与网络复杂度呈正相关。为了减少网络参数量,本文使用深度可分离卷积 替代传统卷积。深度可分离卷积以两次小卷积替代一次大卷积,通过减少网络隐藏层参数量的方式,减少网络参数量和计算量。深度可分离卷积流程如图 所示。图 深度可分离卷积 其中:(,)为输入特征的尺度;为输入特征的维度数量;(,)为卷积核的尺度;为两次卷积中卷积核的数量。一次传统卷积所需的参数量、计算量分别为 、。而深度可分离卷积所需的参数量、计算量为 、。相比之下,深度可分离卷积可将参数量、计算量均降为传统卷积的()()。当 值较大时,比值约为 ()。由此可知,深度可分离卷积可以显著减少网络的参数量和计算量。本文中,深度可分
10、离卷积模块结构如图 所示,定义如下:()()()()()()其中:表示卷积核大小为 的卷积操作;表示输出维度为 的深度可分离卷积;为 函数。注意力机制通过学习图像特征,能够帮助网络关注更重要的信息。一些研究表明,注意力机制能够显著改善网络性能,且仅增加很少的计算成本 。在 燃烧室不同的燃烧状态下,火焰图像既有整体的亮度特征,也有局部的纹理区别。计 算 机 应 用 研 究 第 卷此特点需要网络能够提取图像的空间信息,以识别图像不同的空间特征。此外,在 颜色空间中,不同通道对于颜色的影响程度不同,需要网络学习图像的通道信息。根据上述两点,本文提出使用基于像素注意力和通道注意力的复合注意力结构进行模
11、块构建。压缩激励(,)结构是一种常用的通道注意力结构,采用全局池化和全连接操作,在特征的所有通道之间进行建模。本文采取 结构为网络提供通道注意力。但是,结构的两次连续的全连接操作会对网络的通道权重学习造成损失 。为提升 结构性能,本文使用串联的两次附加 卷积的全连接来替代原始结构,两者结构对比如图 所示。由于残差结构的存在,将两次全连接操作分开可保留全连接操作的中间结果,减小了权重的损失。此外,卷积仅增加很少的计算量,但能够对输入特征的通道数量进行调整,增强了通道表达能力。单个 卷积全连接结构定义如下:()()()图 结构与改进的 结构对比 改进的 结构仅对特征的通道权重进行了学习,但对特征的
12、像素权重关注较少。为此,同样提出像素注意力结构,以增强网络对像素权重的学习能力。像素注意力结构定义如下:()()()其中:表示元素积;表示分组数为 的分组卷积。此处,等于输入特征的通道数量。首先,使用 卷积对特征的不同维度进行混淆,增强维度之间的信息交流;其次,使用分组卷积对不同通道进行单通道卷积,获得像素权重向量 ,并使用 函数对学习到的像素权重进行增强;最终,将结果以元素乘积的方式应用于输入特征。像素注意力结构和通道注意力结构串联,组成混合注意力结构。像素注意力作用于单个维度,在维度层面上专注于特征的像素级权重,提升网络空间信息的学习能力;通道注意力作用于通道维度,给予特征不同维度不同的权
13、重。本文将此串联结构称为双压缩激励结构()。的定义如下:()()()对于卷积神经网络而言,低层部分对图像的细节特征学习能力更强,而高层部分则更容易提取图像的全局特征。但随着网络层数加深,图像细节信息会逐渐丢失。在 燃烧室中,不同燃烧状态的图像在分类边界附近的全局特征相似度高。此时,仅依靠全局特征进行状态识别存在较大困难。因此,为增强网络图像细节信息的学习能力,本文采用多层信息融合的方式为网络高层引入低层的细节信息。密集连接结构与图像特征金字塔是两种用于融合不同层次信息的结构。密集连接结构 采用密集的连接,即网络采用通道级联的方式,每一层的输入为之前所有层的输出,以解决信息丢失的问题。图像特征金
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 SOFC 燃烧室 燃烧 状态 识别 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。