监测热声不稳定性:基于特征的方法与端到端深度学习方法的比较分析
《Applications in Energy and Combustion Science》:Monitoring thermoacoustic instability: A comparative analysis of feature-based and end-to-end deep learning approaches
【字体:
大
中
小
】
时间:2026年01月28日
来源:Applications in Energy and Combustion Science 6
编辑推荐:
王继康|王一晨|秦玉鹏|吕轩中国联合燃气轮机技术有限公司,北京,100000,中国摘要本文比较了两种用于监测燃气轮机燃烧室内热声不稳定(TAI)的数据驱动框架。一种传统的机器学习方法使用手工设计的特征,另一种端到端深度学习方法采用卷积自编码器(CNN-AE)。这两种框架均生成一个
王继康|王一晨|秦玉鹏|吕轩
中国联合燃气轮机技术有限公司,北京,100000,中国
摘要
本文比较了两种用于监测燃气轮机燃烧室内热声不稳定(TAI)的数据驱动框架。一种传统的机器学习方法使用手工设计的特征,另一种端到端深度学习方法采用卷积自编码器(CNN-AE)。这两种框架均生成一个连续的稳定性指数,以量化从稳定状态到不稳定状态的转变过程。通过实验数据验证,这两种指数均能够成功捕捉到整个动态演变过程,包括间歇性的前兆现象。关键在于,CNN-AE能够自主学习出一个具有物理意义的潜在空间。对该空间的可视化展示揭示了系统的运动轨迹,表明系统从无序状态(燃烧噪声)通过明显的拓扑变化过渡到明确的极限环(不稳定状态)。研究表明,深度表示学习不仅实现了自动监测功能,还为揭示TAI背后的非线性动力学机制提供了强大工具。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号