基于深度卷积选择性自编码器的高速火焰视频燃烧不稳定性早期检测
计算机视觉与模式识别
2016-03-28 v1 机器学习
神经与进化计算
摘要
本文提出了一种端到端的卷积选择性自编码器方法，利用快速到达的火焰图像帧早期检测燃烧不稳定性。燃烧过程中产生的不稳定性会导致各种人造系统（如陆地与航空燃气涡轮发动机）出现显著劣化与安全问题。这些特性被描述为自持的、大振幅压力振荡，并表现出不同空间尺度的周期性相干涡结构脱落。然而，由于这种不稳定性具有突发性（分叉型）本质，在燃烧过程完全失稳之前极难检测。在此背景下，训练一个自编码器来选择性掩蔽稳定火焰并放行不稳定火焰图像帧。在此过程中，模型学习识别并提取丰富的描述性与解释性火焰形状特征。借助此种训练方案，该选择性自编码器被证明能够在燃烧过程从稳定区域向不稳定区域过渡时检测出细微的不稳定特征。因此，该深度学习工具链可作为燃烧不稳定性的早期检测框架，将对现代发动机的安全与性能产生变革性影响。
引用
@article{arxiv.1603.07839,
title = {Early Detection of Combustion Instabilities using Deep Convolutional Selective Autoencoders on Hi-speed Flame Video},
author = {Adedotun Akintayo and Kin Gwn Lore and Soumalya Sarkar and Soumik Sarkar},
journal= {arXiv preprint arXiv:1603.07839},
year = {2016}
}
备注
A 10 pages, 10 figures submission for Applied Data Science Track of KDD16