基于深度學(xué)習(xí)的貧燃熄火預(yù)測方法和實驗研究

何?濤，王思睿，衛(wèi)思霽，劉訓(xùn)臣，李?磊，韓?嘯，張?弛，董?雪，齊?飛,

基于深度學(xué)習(xí)的貧燃熄火預(yù)測方法和實驗研究

何?濤1，王思睿2，衛(wèi)思霽2，劉訓(xùn)臣2，李?磊2，韓?嘯3，張?弛3，董?雪1，齊?飛1, 2

(1. 上海交通大學(xué)中英國際低碳學(xué)院，上海 200240；2. 上海交通大學(xué)機(jī)械與動力工程學(xué)院，上海 200240；3. 北京航空航天大學(xué)能源與動力工程學(xué)院，北京 100191)

針對低污染貧燃預(yù)混燃燒技術(shù)中的火焰振蕩、局部熄火和復(fù)燃現(xiàn)象，提出一種基于深度學(xué)習(xí)的貧燃熄火預(yù)測方法．該方法使用VGG19深度網(wǎng)絡(luò)提取火焰圖像重點特征，對火焰狀態(tài)進(jìn)行分類；利用vid2vid模型生成的含有隨機(jī)噪聲火焰RGB圖像，對振蕩火焰狀態(tài)分類模型(BFC)進(jìn)行魯棒性和泛化性驗證；通過生成火焰駐定程度的量化對火焰狀態(tài)分類結(jié)果進(jìn)行更加細(xì)節(jié)的補充，減少火焰狀態(tài)的誤判；此外從視頻預(yù)測角度預(yù)測熄火前振蕩火焰未來幀狀態(tài)，增強對臨近熄火的理解．結(jié)果表明：BFC模型的識別準(zhǔn)確率達(dá)95.44%，1-score為94.54%，未來2ms火焰狀態(tài)在多個測試集上的平均預(yù)測準(zhǔn)確率也在84%以上，從而實現(xiàn)較為可靠的火焰狀態(tài)分類和未來狀態(tài)預(yù)測．

貧燃熄火；火焰振蕩；時序預(yù)測；深度學(xué)習(xí)；旋流火焰；語義分割

近年來對燃?xì)廨啓C(jī)和民用航空發(fā)動機(jī)的氮氧化物排放已經(jīng)建立了越來越嚴(yán)格的規(guī)范．貧燃預(yù)混燃燒技術(shù)作為目前最有前景的低污染燃燒技術(shù)之一，能夠有效降低氮氧化物的排放，但是在接近貧燃極限時會出現(xiàn)火焰振蕩以及局部熄滅后又復(fù)燃現(xiàn)象[1-6]，貧燃熄火會對高空飛行的飛機(jī)和運行的燃?xì)廨啓C(jī)造成重大危害．20世紀(jì)50年代Nicholson等[2]發(fā)現(xiàn)旋流火焰在熄火前重新附著到火焰噴嘴處的現(xiàn)象．一些研究發(fā)現(xiàn)旋流數(shù)從0逐漸增大時，火焰逐漸從駐定火焰到不穩(wěn)定以及最后熄滅[3-4]，但是不同旋流數(shù)對于火焰穩(wěn)定燃燒的當(dāng)量比區(qū)間影響較小[5]．一些研究人員提出若當(dāng)量比降低到熄火極限附近，火焰?zhèn)鞑ニ俣群腿紵磻?yīng)速度降低，從而導(dǎo)致局部吹熄[6-8]．而Zhang[9]認(rèn)為火焰振蕩階段主要與火焰的應(yīng)變水平有關(guān)，真正熄滅階段則和Damkohler數(shù)有較大的關(guān)系．臨近吹熄的火焰動力學(xué)非常復(fù)雜，雖然以上研究對貧燃熄火進(jìn)行了一定程度的解釋，但貧燃熄火的主動控制仍是一個難題．貧燃熄火前的火焰振蕩和局部熄滅的明顯特征可以作為貧燃熄火預(yù)測的基礎(chǔ)，通過閾值統(tǒng)計和符號法等方法對采集光學(xué)信號聲學(xué)信號以及離子等信號分析，實現(xiàn)燃燒狀態(tài)的監(jiān)測和貧燃熄火的預(yù)測[10]．近年來深度學(xué)習(xí)技術(shù)發(fā)展迅速，在醫(yī)學(xué)、診斷等領(lǐng)域展現(xiàn)其優(yōu)勢，在燃燒診斷方面能夠用于對火焰狀態(tài)的識別和預(yù)測．Han等[11]、Tokarev等[12]、Zhou等[13]通過神經(jīng)網(wǎng)絡(luò)對火焰圖像進(jìn)行特征提取，進(jìn)而識別火焰狀態(tài)，取得較高精度．Zhou等[13]還對網(wǎng)絡(luò)的中間特征圖進(jìn)行分析，解釋不同區(qū)域?qū)τ谌紵环€(wěn)定性的貢獻(xiàn)．但是以上研究主要是針對火焰形態(tài)結(jié)構(gòu)在某種工況下保持相對不變，而貧燃熄火包含大量的火焰來回振蕩過程，火焰結(jié)構(gòu)變化較大，并且有很多駐定和抬升的臨界狀態(tài)，這對模型的特征提取和分類能力提出更高的要求，以上方法并不能有效解決．到目前為止的火焰監(jiān)測是根據(jù)已經(jīng)發(fā)生火焰圖像對其狀態(tài)進(jìn)行判別，不能在火焰不穩(wěn)定和熄火前給出警示．預(yù)測貧燃熄火極限的經(jīng)驗公式在不同燃燒器設(shè)計和工況下，可能需要對公式進(jìn)行修正，修正工作困難且修正后的使用環(huán)境也有針對性．基于監(jiān)督學(xué)習(xí)的深度學(xué)習(xí)仿照人腦感知信息方式，尋找數(shù)據(jù)輸入和輸出之間的映射關(guān)系．相當(dāng)于高維特征轉(zhuǎn)換器的深度學(xué)習(xí)，能夠在假設(shè)空間較快得到類似于修正后的經(jīng)驗公式的映射關(guān)系．本文提出一種結(jié)合高速采集的火焰自發(fā)光圖像和深度學(xué)習(xí)的貧燃熄火預(yù)測方法．該方法的火焰駐定和抬升的判別準(zhǔn)確率依然能夠達(dá)到95.44%，并且能夠根據(jù)已經(jīng)發(fā)生的火焰狀態(tài)預(yù)測未來2ms的火焰狀態(tài)，提前為熄火提供?警示．

貧燃熄火預(yù)測的難點在于火焰動態(tài)時序狀態(tài)的預(yù)測，而目前動態(tài)時序圖像預(yù)測的難點在于將圖像中語義內(nèi)容和時序信息進(jìn)行融合．當(dāng)前的多種視頻預(yù)測方法中，直接從RGB圖像預(yù)測RGB圖像的效果不夠理想，以預(yù)測未來幀的語義分割圖方法的準(zhǔn)確性較高[14]．vid2vid模型能夠通過語義圖標(biāo)簽信息的更換實現(xiàn)視頻內(nèi)容風(fēng)格的超清變換[15]．因此本文創(chuàng)新地將視頻預(yù)測方法、vid2vid模型和圖像分類模型結(jié)合，實現(xiàn)從火焰RGB圖像預(yù)測未來幀火焰RGB圖像，并進(jìn)一步對火焰的駐定程度進(jìn)行量化．本文主要分兩部分，首先實現(xiàn)對已發(fā)生振蕩火焰的狀態(tài)快速準(zhǔn)確預(yù)測和模型魯棒性驗證，再進(jìn)一步對時序火焰的未來幀進(jìn)行預(yù)測研究．該方法的創(chuàng)新點主要在于：①遷移學(xué)習(xí)避免振蕩火焰狀態(tài)分類模型出現(xiàn)過擬合，并加快模型的訓(xùn)練速度；②通過vid2vid模型生成的火焰圖像驗證振蕩火焰狀態(tài)分類(BFC)模型的魯棒性和泛化性；③損失函數(shù)和優(yōu)化方法的選擇，提高了對火焰狀態(tài)的識別分類能力；④實現(xiàn)時序上未來幀火焰狀態(tài)預(yù)測．

1?實驗與建模方法

1.1?實驗系統(tǒng)

為了研究貧燃熄火的預(yù)測問題，測量了典型旋流火焰的自發(fā)光成像．貧燃熄火自發(fā)光實驗在BASIS[16]中心分級旋流燃燒器上進(jìn)行，實驗系統(tǒng)示意圖見圖1．自發(fā)光測量系統(tǒng)由一臺高速攝像機(jī)(Photron SA-Z)和像增強器(Lambert HiCATT)組成，使用了短焦鏡頭(Nikon 50mm f/1.4G)和窄帶通濾波片(Semrock，439/154nm)，記錄火焰中的CH*自由基化學(xué)發(fā)光信號．進(jìn)入到燃燒器中的甲烷和空氣在上游由質(zhì)量流量計控制，在兩個預(yù)混罐中通過攪拌器混合均勻后，分別通入預(yù)燃級和主燃級，并通過內(nèi)外旋流器形成同向的旋轉(zhuǎn)射流，在噴嘴出口處形成中心分級旋流火焰．由石英玻璃組成的旋流火焰頭部尺寸為90mm×90mm×100mm．

圖1?CH*自發(fā)光實驗系統(tǒng)示意

1.2?數(shù)據(jù)處理

表1?燃燒工況

Tab.1?Combustion conditions

1.3?振蕩火焰狀態(tài)分類模型及其魯棒性驗證

貧燃火焰振蕩期間會出現(xiàn)駐定火焰到抬升火焰的來回跳躍，可以作為主動控制的重要先驗知識，所以在振蕩過程中對當(dāng)前火焰的駐定和抬升的識別就顯得十分重要．

反向傳播對前向網(wǎng)絡(luò)的損失進(jìn)行最優(yōu)化，不斷優(yōu)化調(diào)整前向網(wǎng)絡(luò)的權(quán)重系數(shù)，使得損失誤差不斷減小并趨于收斂．前向網(wǎng)絡(luò)的預(yù)測和反向傳播的優(yōu)化過程稱之為模型“訓(xùn)練”．訓(xùn)練集和驗證集中的數(shù)據(jù)訓(xùn)練一次稱為一個“Epoch”．一個模型的訓(xùn)練一般需要經(jīng)過多個Epochs的優(yōu)化．除此之外優(yōu)化方法、學(xué)習(xí)率、損失函數(shù)、初始化權(quán)重系數(shù)等超參數(shù)的選擇對模型的最終性能有很大的影響．

本文的振蕩火焰狀態(tài)分類預(yù)測是駐定火焰和抬升火焰的二分類問題，所以本文采用交叉熵?fù)p失函數(shù)．為了實現(xiàn)較好的分類預(yù)測性能，主要在優(yōu)化方法和初始權(quán)重參數(shù)上進(jìn)行了多組實驗．優(yōu)化方法上主要比較隨機(jī)梯度下降(SGD)和自適應(yīng)矩估計(Adam)方法；由于火焰振蕩到吹熄時間較短，能采集的火焰圖像較少，為了避免出現(xiàn)模型的過擬合，初始化參數(shù)使用遷移學(xué)習(xí)預(yù)訓(xùn)練的模型參數(shù)．一般而言，學(xué)習(xí)率減小，能夠獲得較高的精度，但訓(xùn)練的時長也相應(yīng)更長．綜合考慮訓(xùn)練精度和訓(xùn)練時間，本文學(xué)習(xí)率為0.0001．

圖2?振蕩火焰狀態(tài)分類模型結(jié)構(gòu)示意

遷移學(xué)習(xí)是將在其他高質(zhì)量數(shù)據(jù)集上預(yù)訓(xùn)練學(xué)習(xí)到的模型參數(shù)，通過某種方式分享給新的模型，使模型在已有參數(shù)下進(jìn)行訓(xùn)練，而不是以隨機(jī)參數(shù)從0開始，這樣能夠大大提高新模型訓(xùn)練速度，解決標(biāo)簽數(shù)據(jù)不足的情況[19]．Yosinski等[20]發(fā)現(xiàn)深層卷積網(wǎng)絡(luò)的前幾層獲取的特征比較普適，越靠后獲取的特征更加具體．本文在SGD和Adam兩種不同的優(yōu)化方法和凍結(jié)預(yù)訓(xùn)練模型不同卷積層的參數(shù)進(jìn)行了多組?實驗．

圖3?振蕩火焰狀態(tài)分類模型魯棒性驗證示意

式中：為火焰駐定程度，當(dāng)越接近1時，火焰駐定的程度越高，當(dāng)越接近0時，火焰駐定程度越低．

1.4?火焰未來幀預(yù)測模型

由于火焰在駐定和抬升振蕩之間的模態(tài)切換時間尺度非常小，如果能夠根據(jù)前面若干時刻的火焰狀態(tài)預(yù)測下一時刻的火焰狀態(tài)，便能夠?qū)鹧嬲袷幍牟环€(wěn)定情況進(jìn)行針對性的控制．本文在對旋流火焰振蕩切換過程中已發(fā)生火焰的駐定和抬升有效分類預(yù)測外，進(jìn)一步開展對未來時刻的火焰狀態(tài)預(yù)測研究．

對未來幀火焰圖像的預(yù)測主要參考Luc等[22]工作，從火焰圖像的高層語義特征進(jìn)行融合預(yù)測而不是RGB火焰圖像層級，實現(xiàn)過程如圖4．

圖4?火焰未來幀預(yù)測過程示意

圖5?F2Fl網(wǎng)絡(luò)結(jié)構(gòu)示意

2?結(jié)果與討論

2.1?振蕩火焰狀態(tài)分類模型

振蕩火焰分類預(yù)測模型訓(xùn)練集和測試集分別為9053張駐定火焰、10802張?zhí)鹧婧?991張駐定火焰、3673張?zhí)鹧?，學(xué)習(xí)率為0.0001，動量為0.9，批大小為40，在CPU和GPU分別為Intel?Xeon Sliver 4100CPU@2.10GHz和Tesla V100的Linux服務(wù)器上訓(xùn)練．圖6為BFC模型在不同優(yōu)化方法以及凍結(jié)預(yù)訓(xùn)練模型不同層的參數(shù)下，訓(xùn)練的準(zhǔn)確率和損失變化情況．當(dāng)使用SGD時，凍結(jié)在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練模型VGG19_BN前3、6、7、8層卷積層的準(zhǔn)確率和損失的收斂效果差異不大，但凍結(jié)前6層比凍結(jié)前4層和前5層預(yù)訓(xùn)練模型的參數(shù)表現(xiàn)更好．一般而言，凍結(jié)層數(shù)越少，需要更多時間進(jìn)行參數(shù)的更新；凍結(jié)層數(shù)越多，雖然更新時間會縮短，但學(xué)習(xí)的特征更具體，和目標(biāo)數(shù)據(jù)集差別較大．為了平衡模型精度和計算時間，本文選擇凍結(jié)預(yù)訓(xùn)練模型的前6層卷積參數(shù)不變．在當(dāng)前火焰數(shù)據(jù)集上進(jìn)行訓(xùn)練，更新預(yù)訓(xùn)練模型凍結(jié)層之后的參數(shù)．在凍結(jié)預(yù)訓(xùn)練模型前6層參數(shù)，使用Adam優(yōu)化方法情況下，模型有輕微的過擬合，但在可接受范圍內(nèi)．

圖6?振蕩火焰狀態(tài)分類模型凍結(jié)不同層參數(shù)和不同優(yōu)化方法下的訓(xùn)練準(zhǔn)確率和損失

Vid2vid模型在測試集上推理生成的火焰圖像作為已訓(xùn)練好火焰分類模型輸入，驗證火焰分類模型的魯棒性和泛化性，其中15個測試火焰視頻序列生成了570張火焰圖像．本文使用準(zhǔn)確率和1-score評估有無光流信息、不同損失函數(shù)和不同優(yōu)化方法下不同模型的效果．準(zhǔn)確率和1-score計算可見式(3)～(6)，其中、、和分別表示將正類預(yù)測為正類、將負(fù)類預(yù)測為正類、將負(fù)類預(yù)測為負(fù)類和將正類預(yù)測為負(fù)類，本文正類即駐定火焰，負(fù)類為抬升火焰．1-score能夠防止正負(fù)類比例不均導(dǎo)致模型效果不好，而準(zhǔn)確率很高的情況發(fā)生．表2～5中的6th表示凍結(jié)預(yù)訓(xùn)練模型的前6層參數(shù)，從表2～5中可以發(fā)現(xiàn)在遷移學(xué)習(xí)凍結(jié)預(yù)訓(xùn)練模型VGG19_BN前6層參數(shù)下，增加了多尺度結(jié)構(gòu)相似性損失MS-SSIM后，測試集上的總準(zhǔn)確率提高了30%以上，1-score提升了59%以上，可以看出損失函數(shù)的改進(jìn)大大提高了Vid2vid模型生成火焰和對應(yīng)真實火焰的相似性，這個相似性在光流下進(jìn)一步提升．結(jié)果表明，振蕩火焰狀態(tài)分類模型中Adam優(yōu)化方法是較優(yōu)的選擇．在綜合以上優(yōu)化下，最終的測試集上的準(zhǔn)確率為95.44%，1-score為94.54%．在NVIDIA GeForce GTX 2080每次的預(yù)測耗時大約為7ms，未來工程部署可以通過使用低比特量化、模型剪枝和蒸餾、專用推理引擎和更高算力的硬件等方法進(jìn)一步降低預(yù)測時間.

表2?無光流情況下測試集準(zhǔn)確率

Tab.2?Accuracy of test dataset without flow

表3?光流情況下測試集準(zhǔn)確率

Tab.3?Accuracy of test dataset with flow

表4?無光流情況下測試集1-score

Tab.4?F1-score of test dataset without flow

表5?光流情況下測試集1-score

Tab.5?F1-score of test dataset with flow

圖8則是測試集中的一個火焰序列振蕩火焰的駐定程度的量化結(jié)果，可以發(fā)現(xiàn)在駐定程度接近0.5時，火焰大概處于駐定和抬升狀態(tài)的臨界位置．在實際工作中可以對振蕩火焰駐定和抬升狀態(tài)分類進(jìn)行補充，減少預(yù)測錯誤并使得預(yù)測更加精細(xì)，這也是主動控制的重點因素．

2.2?火焰未來幀預(yù)測模型

圖7?真實火焰序列和預(yù)測火焰序列比較

圖8?生成火焰駐定程度量化

為了進(jìn)一步測試模型的魯棒性和泛化性，對測試集的其他火焰序列＋1幀的預(yù)測火焰狀態(tài)進(jìn)行測試．預(yù)測的準(zhǔn)確率是每個火焰序列中火焰狀態(tài)標(biāo)簽預(yù)測正確的數(shù)目和總火焰圖像數(shù)目的比值．如圖10，在25個測試火焰視頻序列上的平均準(zhǔn)確率為84.04%．

圖10?測試集上t＋1幀預(yù)測火焰的準(zhǔn)確度

3?結(jié)?論

本文所提出的基于圖像的貧燃熄火預(yù)測方法，能夠通過振蕩火焰分類模型提取火焰圖像特征，對當(dāng)前火焰駐定和抬升狀態(tài)進(jìn)行分類；并通過vid2vid模型生成帶有隨機(jī)噪聲的下一時刻的火焰RGB圖像對模型進(jìn)行魯棒性和泛化性驗證．測試集上的總準(zhǔn)確率達(dá)95%左右，1-score為94.54%，證明振蕩火焰分類模型具有較好的魯棒性和泛化性．振蕩火焰駐定程度的量化能對振蕩火焰分類模型的預(yù)測結(jié)果進(jìn)行補充，減少誤判并為主動控制提供更加精細(xì)的參考．火焰未來幀預(yù)測模型在25個測試集上的平均預(yù)測準(zhǔn)確性為84.04%，生成的火焰輪廓和對應(yīng)時刻真實火焰的相似度較高，能夠較準(zhǔn)確地預(yù)測未來2ms的火焰狀態(tài)．未來可以進(jìn)一步優(yōu)化模型，預(yù)測未來更長時間的火焰狀態(tài)以及不同壓力下的貧燃熄火狀態(tài)．

［1］ Candel S，Durox D，Schuller T，et al. Progress and challenges in swirling flame dynamics[J].，2012，340(11)：758-768.

［2］ Nicholson H M，F(xiàn)ield J P. Some experimental techniques for the investigation of the mechanism of flame stabilization in the wakes of bluff bodies[J].，1948，3(1)：44-68.

［3］ Santhosh R，Basu S. Transitions and blowoff of unconfined non-premixed swirling flame[J].，2016，164：35-52.

［4］ 楊甫江，郭志輝，任立磊. 貧燃預(yù)混旋流火焰的燃燒不穩(wěn)定性[J]. 燃燒科學(xué)與技術(shù)，2014，20(1)：51-57.

Yang Fujiang，Guo Zhihui，Ren Lilei. Combustion instability of lean premixed swirl flame[J].，2014，20(1)：51-57(in Chinese).

［5］ 趙曉敏，葛宏達(dá)，王俊懿，等. 基于火焰OH自發(fā)光技術(shù)的貧燃旋流預(yù)混燃燒吹熄機(jī)理[J]. 燃燒科學(xué)與技術(shù)，2019，25(3)：244-250.

Zhao Xiaomin，Ge Hongda，Wang Junyi，et al. Blow-out mechanism of lean-premixed swirl flame combustion based on flame OH chemiluminescence technology[J].，2019，25(3)：244-250(in Chinese).

［6］ Longwell J P. Flame stabilization by bluff bodies and turbulent flames in ducts[J].()，1953，4(1)：90-97.

［7］ 劉聯(lián)勝，林博穎，包?婕，等. 貧燃預(yù)混旋流火焰動力學(xué)失穩(wěn)過程分析[J]. 燃燒科學(xué)與技術(shù)，2011，17(6)：491-498.

Liu Liansheng，Lin Boying，Bao Jie，et al. Dynamics instability of lean premixed swirl flames[J].，2011，17(6)：491-498(in Chinese).

［8］ 俞森彬，劉?瀟，劉?欣，等. 基于旋流火焰根部熄火現(xiàn)象的FGM模型研究[J]. 燃燒科學(xué)與技術(shù)，2020，26(4)：301-309.

Yu Senbin，Liu Xiao，Liu Xin，et al. Prototype swirl flame using strained flamelet generated manifold[J].，2020，26(4)：301-309(in Chinese).

［9］ Zhang Q. Lean Blowoff Characteristics of Swirling H2/CO/CH4Flames[D]. Atlanta：Georgia Institute of Technology，2008.

［10］ 黃建青，李磊，蔡偉偉. 貧燃熄火實驗預(yù)測方法綜述[J]. 實驗流體力學(xué)，2018，32(2)：1-9.

Huang Jianqing，Li Lei，Cai Weiwei. Experimental prediction of lean blowout：A review[J].，2018，32(2)：1-9(in Chinese).

［11］ Han Z，Hossain Md M，Wang Y，et al. Combustion stability monitoring through flame imaging and stacked sparse autoencoder based deep neural network[J].，2020，259：114159.

［12］ Tokarev M P，Abdurakipov S S，Gobyzov O A，et al. Monitoring of combustion regimes based on the visualization of the flame and machine learning[J].：，2018，1128：012138.

［13］ Zhou Y C，Zhang C，Han X，et al. Monitoring combustion instabilities of stratified swirl flames by feature extractions of time-averaged flame images using deep learning methods[J].，2021，109：106443.

［14］ 莫凌飛，蔣紅亮，李煊鵬. 基于深度學(xué)習(xí)的視頻預(yù)測研究綜述[J]. 智能系統(tǒng)學(xué)報，2018，13(1)：85-96.

Mo Lingfei，Jiang Hongliang，Li Xuanpeng. Review of deep learning-based video prediction[J].，2018，13(1)：85-96(in Chinese).

［15］ Wang T C，Liu M Y，Zhu J Y，et al. Video-to-video synthesis[C] //. New York，2018：1152-1164.

［16］ Han X，Laera D，Morgans A S，et al. The effect of stratification ratio on the macrostructure of stratified swirl flames：Experimental and numerical study[J].，2018，140(12)：121004.

［17］ 王思睿，劉訓(xùn)臣，李?磊，等. 分層比對分層旋流火焰穩(wěn)定模式及流動結(jié)構(gòu)的影響[J]. 航空動力學(xué)報，2020，38(3)：619-628.

Wang Sirui，Liu Xunchen，Li Lei，et al. Effects of stratification ratio on flame stabilization and flow structure in stratified swirling flame[J].，2020，38(3)：619-628(in Chinese).

［18］ Simonyan K，Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[R]. San Diego：ICLR Press，2015.

［19］ Pan S J，Yang Q. A survey on transfer learning[J].，2010，22(10)：1345-1359.

［20］ Yosinski J，Clune J，Bengio Y，et al. How transferable are features in deep neural networks?[G]// Ghahramani Z，Welling M，Cortes C，et al.27(2014). Califor-nia，USA：NIPS Press，2014：3320-3328.

［21］ Wang Z，Simoncelli E P，Bovik A C. Multiscale Structural Similarity for Image Quality Assessment[R]. Pacific Grove，CA，USA：IEEE，2003：1398-1402.

［22］ Luc P，Couprie C，Lecun Y，et al. Predicting Future Instance Segmentation by Forecasting Convolutional Features[R]. Cham，CH，Switzerland：Springer，2018：593-608.

［23］ Lin T Y，Dollár P，Girshick R，et al. Feature Pyramid Networks for Object Detection[R]. New York，USA：IEEE，2017：936-944.

［24］ He K，Gkioxari G，Dollár P，et al. Mask R-CNN[C]//2017(). New York，USA，2017：2980-2988.

［25］ Ilg E，Mayer N，Saikia T，et al. FlowNet 2. 0：Evolution of Optical Flow Estimation with Deep Networks[C]// 30th(). New York，USA，2017：1647-1655.

Prediction Method and Experimental Research on Lean Burn Blow-Off Based on Deep Learning

He Tao1，Wang Sirui2，Wei Siji2，Liu Xunchen2，Li Lei2，Han Xiao3，Zhang Chi3，Dong Xue1，Qi Fei1, 2

(1. China-UK Low Carbon College，Shanghai Jiao Tong University，Shanghai 200240，China；2. School of Mechanical Engineering，Shanghai Jiao Tong University，Shanghai 200240，China；3. School of Energy and Power Engineering，Beihang University，Beijing 100191，China)

Aimed at the flame beating，local extinction and reignition before the blow-off of lean burn swirling flames，a method was proposed to predict the lean burn blow-off of premixed flames based on deep learning. Deep network VGG19 was employed to extract the key features of flames and the flame states were classified. The RGB flame images containing random noise generated by vid2vid model were used to verify the robustness and generalization performance of beating flame’s state classification(BFC) model. Through the quantification of flame stagnation degree，more details are added to the classification results of flame states，thus reducing the misjudgment of the flame state. In addition，the future frame state of the oscillating flame before the blow-off is predicted from the angle of video prediction to enhance the understanding of near flameout. The results show that the recognition accuracy of the BFC model is 95.44%，the1-scoreis 94.54% and the average prediction accuracy of the future 2ms frame state of the flame is also over 84%. Therefore，the method can achieve a reliable prediction of flame state classification and future state.

lean burn blow-off；beating flame；time-series prediction；deep learning；swirling flame；semantic segmentation

TK16

A

1006-8740(2022)03-0304-09

2021-02-24

國家自然科學(xué)基金資助項目(52076137，91941301)；國家科技重大專項資助項目(2017-Ⅲ-0004-0028).

何?濤（1993—??），男，碩士，tao-he@sjtu.edu.cn.

劉訓(xùn)臣，男，博士，講師，liuxunchen@sjtu.edu.cn.

10.11715/rskxjs.R202102021

(責(zé)任編輯：梁?霞)