基于POD-ConvLSTM的燃烧温度场预测方法研究

《Processes》：Research on the Prediction Method of Combustion Temperature Field Based on POD-ConvLSTM

　　

燃烧温度场是燃烧稳定性、设备完整性和异常运行状态的关键指标。本研究利用卷积长短期记忆网络（ConvLSTM）解决了实验室规模表观红外温度场的短时预测问题。对1800个可用序列按时间顺序采用70/15/15划分，每个样本的前10帧作为观测输入。本征正交分解（POD）仅在95%累积能量保留阈值下应用于输入帧，并在后续帧上评估预测。因此，POD被用作输入侧的低秩模态预处理方法，以提取主导相干结构并抑制冗余变化，而非对ConvLSTM网络架构本身的降维。性能通过归一化域的峰值信噪比（PSNR）/结构相似性指数（SSIM）和开尔文（K）域误差进行评估。前三个预测步骤保持了可观的图像相似性，而第四和第五步骤表现出明显退化。因此，结论仅限于短时预测，不对闭环燃烧控制或跨设备泛化做出断言。同时，使用相同架构、包含和不包含POD预处理步骤的消融实验量化了POD预处理步骤的单独贡献。

### 论文解读：基于POD-ConvLSTM的燃烧温度场预测方法

#### 研究背景与问题

燃烧温度场是反映燃烧状态的关键指标，直接影响燃烧稳定性、设备安全及异常工况识别。在军事防御领域，燃烧室出口温度每升高100 °C可使发动机推力提升超过10%，直接影响飞行机动性；温度场均匀性则是飞行安全的重要保障。在民用燃烧中，不完全燃烧不仅降低能源利用效率，还会产生CO、NO_x等有害气体和温室气体。现有燃烧诊断技术主要通过实时监测参数（如火焰温度、关键组分浓度、结构及高热通量流场速度）来评估燃烧状态并反馈控制，但由于缺乏对现有或即将发生的异常（如不稳定燃烧、不完全燃烧）的预测能力，调节仍存在显著滞后性。近年来，基于贝叶斯正则化等传统模型及BP、深度信念网络（DBN）等数据驱动方法的研究逐渐转向预测性主动诊断，以实现早期预警。然而，当前预测方法在精度和范围上仍落后于传统检测方法。例如，贾永辉团队利用Fluent数值模拟数据构建了基于BP神经网络的燃烧区温度场预测模型；倪建云团队针对工业炉不完全燃烧问题构建了结合支持向量回归（SVR）和DBN的DBN-DNN模型，在热效率预测中表现出良好泛化能力，并发现氧含量低于3%时热效率最优。但由于高温燃烧测量受传感器接入、光路效应和工况覆盖限制，本研究将提出的POD-ConvLSTM模型视为实验室短时预测方法，而非完整的工业控制方案。近期基于Transformer的时空预测模型和物理信息神经网络方法为未来研究提供了基准，但本文聚焦于在现有实验室数据集上验证POD-ConvLSTM预测协议。

#### 研究内容与结论

研究人员提出了一种POD-ConvLSTM预测框架，用于实验室规模表观红外燃烧温度场的短时预测。该框架将POD作为输入侧低秩模态预处理方法，提取主导相干结构并抑制冗余变化；随后将重建的64×64温度场输入ConvLSTM网络进行非线性时空演化学习。实验基于实验室火球准静态模拟装置（配备三个氧乙炔火焰枪，通过树莓派控制位置以产生1000 K至2500 K的温度分布），使用德国ImageIR 5300红外热像仪（InfraTec，德累斯顿，德国）采集连续温度分布图像，时间步长0.2秒。共采集36000幅图像，每20幅构成一个序列（跨度3.8秒），获得1800个序列，按时间顺序分为1260训练、270验证、270测试。每个序列的前10帧为观测输入，后10帧为预测目标。POD仅在观测帧上以95%累积能量阈值应用（通常保留8-9个模态）。网络架构经实验确定为8层ConvLSTM隐藏层、128个通道/滤波器。评估指标包括归一化域PSNR/SSIM和开尔文域误差（MAE、RMSE、最高温度误差、热点位置误差）。实验结果表明：前三个预测步（约0.6秒内）保持了可观的图像相似性，PSNR达42.18 dB，SSIM接近1；第四和第五步预测质量明显退化。相同架构下包含与不包含POD的消融实验（表4）量化了POD预处理的贡献：POD-ConvLSTM在前三步的PSNR和SSIM略有提升，且开尔文域MAE更低。两个确定性基线（最后一帧持久化和POD系数线性外推）的结果也证实了短时预测任务的难度。因此，结论仅限于短时预测（前三步可靠），不对闭环燃烧控制或跨设备泛化做出断言。论文发表在《Processes》。

#### 关键技术方法（不超过250字）

研究人员采用的关键技术方法包括：（1）本征正交分解（POD）作为输入侧低秩模态预处理，基于奇异值分解（SVD）实现，以95%累积能量阈值保留主导模态（平均8.03个模态，均保留能量96.54%），提取温度场相干结构并抑制冗余变化；（2）卷积长短期记忆网络（ConvLSTM）作为核心预测模型，由编码网络（左）和预测网络（右）组成，通过堆叠多个ConvLSTM层（最终采用8层、128通道、3×3卷积核）实现非线性时空特征学习，状态间转换使用卷积算子而非全连接；（3）数据来源于实验室火球准静态模拟装置（三个氧乙炔火焰枪）的表面红外温度场检测，使用ImageIR 5300红外热像仪（帧间隔0.2秒），序列分割为10帧输入-10帧目标，空间分辨率经裁剪和平均池化降为64×64，归一化参数仅从训练集估计。

#### 研究结果

##### 3.1 隐藏层层数对预测结果的影响

通过实验比较4、8、10层隐藏层配置。当层数从4增至8时，PSNR从35.53 dB提升至42.18 dB；但层数增至10时PSNR降至41.52 dB。原因是过拟合导致测试集性能下降。综合考虑训练时间和重建质量，选择8层隐藏层。

##### 3.2 ConvLSTM隐藏通道数的影响

比较32、64、128、256通道/滤波器数量。128通道配置下的预测结果（图13）能清晰连续反映温度场变化趋势，而32通道（图14）模型无法有效捕获快速变化特征，导致重建模糊失真。256通道PSNR略高于128通道但训练时间约翻倍，故选择128通道作为实用折中。

##### 3.3 多步时空分布预测

基于0.2秒时间间隔的20帧序列，分析不同观测步和预测步的影响。前三步预测（约0.6秒）保持可靠图像相似性；第四、五步明显退化，原因包括自回归误差累积、非平稳火焰场演化、缺失工况输入、空间降采样、训练目标平滑及低秩截断导致高频信息丢失。

##### 3.4 输入侧POD模态与确定性基线

对测试块重新计算输入侧POD，得到第一个模态（53.5%能量）、第二个模态（31.2%）、第三个模态（10.9%），前三个模态累积能量95.6%。训练无关基线（最后一帧持久化、POD系数线性外推）均随预测步长单调退化，与多步预测一致。消融实验（表4）显示，POD-ConvLSTM在前三步的PSNR和SSIM略高于非POD版本，开尔文域MAE更低，量化了POD预处理贡献。计算分析（表5）表明POD降低了输入有效秩表征，但ConvLSTM参数量和推理复杂度不变。

#### 总结与结论

讨论部分指出，本研究的POD-ConvLSTM框架在现有实验室数据集上实现了前三步（约0.6秒）的可靠短时预测，而第四、五步表现退化，因此不适用于闭环控制或跨设备泛化。研究结论强调：POD作为输入侧低秩预处理和冗余抑制手段，在不改变ConvLSTM架构参数量的前提下提高了前几步预测精度。未来工作将结合记录工况与外部验证，并探索不同燃料、燃烧器几何形状、传感器及操作条件的泛化能力，以及实时闭环控制。

**翻译研究结论部分**：
本研究提出了一种面向实验室规模表观红外燃烧温度场的POD-ConvLSTM预测框架。数据协议将训练/验证/测试划分与序列内部的输入-目标划分区分开来，仅对观测输入帧应用POD，并报告能量保留准则及张量维度。引入物理上可解释的开尔文域指标用于模型评估。实验记录表明，在前三个未来帧（在当前0.2秒采样间隔下约0.6秒）可实现可靠的短时预测，而第四和第五预测步骤表现出显著退化。基于时间顺序划分的相同架构消融实验（表4）量化了POD预处理的贡献。附加计算说明进一步阐明，POD降低了输入的有效秩表征，而ConvLSTM的主参数数量和推理复杂度保持不变，因为重建的64×64场仍然输入到相同网络。对不同燃料、燃烧器几何形状、传感器和操作条件的泛化能力以及实时闭环控制也正在开发中。未来将结合记录工况与外部验证开展进一步研究。