采用极限学习机的流场积分吸光度快速测量方法

发动机是飞机动力系统的核心部件。发动机流场动态监测可以掌握发动机内部流场的燃烧情况，对飞机状态监测和性能评估具有重要意义。拥有先进的诊断技术是发动机技术发展的基础，也是研制新型航天器的必要条件之一。激光吸收光谱技术可以测量燃烧场中的气体参数。在发动机恶劣的流场环境中，吸收光谱波长调制技术（WMS）可以提高信噪比。然而，基于WMS的积分吸光度和二维温度浓度分布计算方法以模拟退火算法（SA）为核心，存在执行时间长的问题。根据流场光谱参数随时间演化的内在相关性和光分布的固定信息，以及现有的WMS方法，可以计算出积分吸光度值。利用机器学习方法建立谐波信号（S2f／1f）和积分吸光度（a）模型，选择极限学习机算法（ELM）。其训练时间短，预测结果快。利用神经网络能够逼近真实值的特性，模拟和确定了灯光布置下不同流场模型的S2f／1f和a，并构建了数据集来训练神经网络模型。在数值模拟验证中，共模拟了2000组数据集。随机选择1800组作为训练集，另外200组作为预测集。统计测试集预测积分吸光度的平均值为1.058%，确定系数的平均值为0.999，验证了训练模型的可靠性。为了进一步探索模型的抗噪性，采用的方法是分别向测试集S2f／1f数据集添加3%、5%和10%的随机噪声，相对误差的平均积分吸光度分别为3.1%、4.6%和8.1%。这一结果表明ELM具有良好的抗噪声能力。基于该方法，在直连网络上进行了验证实验。实验的有效时间为5秒，收集的数据约为10秒。ELM和WMS分别用于计算积分吸光度。结果发现，结果基本相同，与WMS法（耗时数小时）相比，ELM预测的积分吸光度仅需15秒左右，实现了发动机流场积分吸光度的快速测量。