[论文解读] Early Detection of Combustion Instabilities using Deep Convolutional Selective Autoencoders on Hi-speed Flame Video

Adedotun Akintayo, Kin Gwn Lore+2 more|arXiv (Cornell University)|Mar 25, 2016

Combustion and flame dynamics参考文献 2被引用 9

一句话总结

该论文提出了一种深度卷积选择性自编码器，通过仅使用稳定与不稳定状态的硬标签对火焰视频帧进行隐式标注，实现对早期燃烧不稳定的检测。通过选择性地屏蔽稳定火焰特征并学习不稳定模式，该模型能够在完全振荡发生前检测到细微的不稳定性前兆。

ABSTRACT

This paper proposes an end-to-end convolutional selective autoencoder approach for early detection of combustion instabilities using rapidly arriving flame image frames. The instabilities arising in combustion processes cause significant deterioration and safety issues in various human-engineered systems such as land and air based gas turbine engines. These properties are described as self-sustaining, large amplitude pressure oscillations and show varying spatial scales periodic coherent vortex structure shedding. However, such instability is extremely difficult to detect before a combustion process becomes completely unstable due to its sudden (bifurcation-type) nature. In this context, an autoencoder is trained to selectively mask stable flame and allow unstable flame image frames. In that process, the model learns to identify and extract rich descriptive and explanatory flame shape features. With such a training scheme, the selective autoencoder is shown to be able to detect subtle instability features as a combustion process makes transition from stable to unstable region. As a consequence, the deep learning tool-chain can perform as an early detection framework for combustion instabilities that will have a transformative impact on the safety and performance of modern engines.

研究动机与目标

• 解决由于突然且具有分岔型特征的爆发式出现，导致燃烧不稳定性难以被识别的挑战。
• 开发一种深度学习框架，仅使用硬标签（稳定/不稳定）进行学习，并推断中间不稳定状态的软标签。
• 构建一种可解释的端到端模型，提取分层的火焰形状特征，用于燃烧过程中的异常检测。
• 使领域专家能够通过物理信息驱动的深度学习框架，研究相干涡结构和不稳定性动力学。

提出的方法

• 训练深度卷积选择性自编码器以重建火焰图像，同时选择性地屏蔽与稳定火焰相关的特征。
• 模型使用显式标签（稳定或不稳定）引导学习过程，使其能够专注于区分不稳定火焰模式。
• 自编码器从高速火焰视频帧中学习分层且空间一致的特征，捕捉如“蘑菇状”涡旋等演化中的不稳定结构。
• 通过测量重建误差和特征激活模式，利用软标签机制实现隐式标注，推断中间不稳定状态。
• 基于复合卷积自编码器特征的相似性度量用于评估与真实不稳定火焰的接近程度。
• 将框架扩展至邻域隐式图标签，实现对从稳定到不稳定状态转变过程中时间邻近帧的识别。

实验结果

研究问题

• RQ1 深度卷积选择性自编码器是否能仅使用稳定与不稳定火焰状态的硬标签，检测到燃烧不稳定的早期征兆？
• RQ2 该模型在完全不稳定发生前，能否有效学习并表征如相干涡脱落等细微且动态演化的不稳定特征？
• RQ3 通过重建误差和选择性屏蔽实现的隐式标注，在早期检测方面相比传统异常检测方法，提升程度如何？
• RQ4 该模型是否能泛化至高维时间视频数据，并支持领域专家对火焰动力学进行可解释性分析？

主要发现

• 所提出的框架成功检测到高速火焰视频中的早期不稳定前兆，甚至在可见的大振幅振荡出现之前即可识别。
• 模型在重建不稳定火焰模式方面表现出高保真度，重建误差可作为不稳定发生前兆的可靠指标。
• 选择性屏蔽的使用使自编码器能够聚焦于不稳定特征，提升了在过渡阶段的检测灵敏度。
• 隐式标注机制实现了对中间帧的软标签化，有助于后续分析，如使用HMM或STSA进行序列建模。
• 该框架对数据瞬态具有鲁棒性，并支持时间邻域分析，能够检测到不稳定发展的渐进过程。
• 在实验室规模的旋流稳定燃烧器上的验证表明，该模型通过接近真实值的相似性度量，以高置信度检测到不稳定状态。