CN108801474A - 一种四光谱涡轮叶片辐射测温方法 - Google Patents

Abstract

本发明提供一种四光谱涡轮叶片辐射测温方法，包括：通过对高温计标定的获取电压——温度曲线，以及对所使用高温计进行校准。对工作中的涡轮叶片表面的辐射能量进行测量，获取不同四个光谱段的辐射能量。通过电光转换模块、信号处理模块、数据采集模块进行处理，得到不同光谱下的光谱色温。测量目标在不同光谱下由于发射率的影响光谱色温不同，但真实温度相同，根据普朗克公式建立四光谱辐射模型。根据辐射模型，建立目标方程，对叶片真温进行求解，由于叶片转速高，在线监测数据量大，在保证精度前提下选择差分进化算法求解真温提高计算速度。本发明实现更高效准确的计算目标真实温度，同时满足涡轮叶片在线测温需求。

Description

一种四光谱涡轮叶片辐射测温方法

技术领域

本发明涉及一种四光谱辐射测温方法，尤其涉及一种四光谱涡轮叶片辐射测温方法，应用于燃气轮机涡轮叶片辐射测温领域。

背景技术

涡轮叶片表面温度是表征叶片工作状态的重要参数，对其的准确测量有利于评判当前叶片的工作状态，对保证燃气轮机的正常工作具有重要意义。涡轮叶片工作条件十分恶劣，同时，涡轮叶片的设计具有较高的受热速度，因此在高温下，涡轮叶片内会产生很大的温度梯度使前后缘产生很大热应力，反复作用就会出现热疲劳(低周期疲劳)裂纹，进而产生叶片老化、磨损的现象，严重影响叶片的工作寿命，为燃气轮机制造安全隐患。为了保证涡轮叶片处于安全的工作状态，最为直接的方法就是获取叶片表面的温度信息。因此如何准确测量涡轮叶片温度尤为重要。同时，还可以通过涡轮叶片的表面温度对燃气轮机的工作状态加以评估，保证燃气轮机安全稳定的运行。

《多光谱温度计的数据处理方法研究》文中提出了利用亮温逼近连续测量的方法，虽然精度有所提高，但仍无法解决多次测量带来的实时性较差的问题。

《应用BP神经网络的光谱测温与仿真》文中利用BP(Back Propagation)神经网络算法求解温度，该方法克服了最小二乘法的局限性，对于目标真实温度的获取和光谱发射率的求解是一种十分有效的方法，但此方法需要预先获得材料的发射率模型从而对神经网络进行训练，因此在处理未知材料上仍无法获得很好的效果。

《基于改进遗传算法的多光谱辐射测温研究》文中采用双种群遗传算法来处理发射率模型未知材料温度数据处理的问题，理论上有效提高了温度求解的精度。但是该算法只针对灰体材料进行了部分温度范围仿真。

发明内容

本发明的目的是为了提供一种四光谱涡轮叶片辐射测温方法，步骤如下：

步骤1：高温计标定

将多光谱高温计瞄准黑体炉精确调焦，每个测量点进行1000次采样，取平均值作为测量值，所得的标定数据通过曲线拟合得到电压——温度曲线；

步骤2：涡轮叶片四光谱辐射能量获取

通过三个二向色镜对高温计探头获取的辐射能量进行分光，得到四个光谱下的辐射能量，根据辐射能量得到不同光谱下的色温；

步骤3：辐射模型建立

在绝对零度以上，物体表面都会有不同的波长对其进行辐射，不同温度、波长下的黑体单色辐射出射度为：

式中：c₁＝3.7418×10⁴Wμm⁴/cm²为第一普朗克系数，c₂＝1.4388×10⁴μmK为第二普朗克系数，M_λ,T表示光谱在温度为T、波长为λ时的单色辐射出射度，单色发色率为：

式中，M_b(λ,T_b)为物体实际辐射的能量，T_b为黑体温度，M(λ,T_m)为同温度下黑体辐射的能量，T_m为多光谱测温所要求得的温度；

假设某一温度T下第j路光谱温度所得到的辐射出射度为M_bj(λ,T_bj)，目标发射率为ε_j(λ,T)，该目标温度的辐射出射度为M_j(λ,T)，则有：

通过逆函数M_j ^-1(λ,T)可求得目标真实温度为：

对于上式在N路光谱下得到的模型参数为ε_j(λ,T)，则不同光谱下的残差方程为：

式中：δ²(ε₁,ε₂,.....ε_N)为目标函数，M_bm(λ,T_bm)和M_bn(λ,T_bn)分别表示第m路和第n路光谱下所测得的单色辐射量，ε_m(λ,T)和ε_n(λ,T)为第m路和第n路光谱所对应的物体单色发射率；通过对目标方程的求解，尽可能缩小δ²(ε₁,ε₂,.....ε_N)的值，可获得更准确的叶片真温；

步骤4：差分进化算法求解真温

①初始化种群

首先采用编码对种群中的个体进行随机初始化；对于种群规模为n，决策空间维数为d的种群，其进化的不同代数的种群个体可描述为

其中，g表示当前代数，i表示相应的个体，在这里表示叶片表面的发射率模型，d表示每个待优化个体的维数，即光谱数量；

每个个体的每一维初始化的公式为：

其中：g表示当前代数，i表示相应的个体，j表示对应决策变量第几维度，表示第g代决策变量第j维最大值，表示第g代决策变量第j维最小值，rand(0,1)表示从0到1之间的均匀分布的函数；

②种群变异

从当前种群的n个个体中随机选取三个不同的个体进行变异操作产生新个体为：

式中：r₁,r₂,r₃∈{1,2...n}，且r₁≠r₂≠r₃，n为当代种群规模，要至少大于4才能满足变异过程；F为缩放因子；

③交叉过程

将变异过程产生的第i个新个体和种群中对应的第i个个体按照运算重新组合规则产生新的试验个体，其交叉式子如下：

其中，表示第g代决策变量第j维度的个体i，表示第g+1代决策变量第j维度的个体i，C_r对应的是交叉概率；

④选择过程

将源种群的目标个体和交叉过程产生的试验个体进行比较，即如果源种群个体优于交叉后的试验个体则源种群目标个体直接进入下一代，否则交叉后的试验个体将替换源目标个体并并参与后续运算，即：

其中，代表下一代第i个个体，f表示适应度函数值。

与现有技术相比，本发明的有益效果是：本发明的目的在于针对燃气轮机涡轮叶片转速高、测量数据量大，现有多波长测温方法无法时时在线处理温度数据的问题，提出一种四光谱涡轮叶片辐射测温，结合多目标优化算法以及差分进化算法，最终实现更高效准确的计算目标真实温度，同时满足涡轮叶片在线测温需求。

附图说明

图1是本发明的涡轮叶片温度辐射测温流程图；

图2是本发明的四光谱辐射测温光路示意图；

图3是本发明的四光谱测温算法流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

本发明所提出的四光谱辐射测温方法也属于多光谱辐射测温方法，是选取若干理想通道对物体表面的温度进行测量并且参与后续处理计算，该方法可以解决环境中灰尘、烟雾等阻挡一部分辐射能量的问题，只在选取通道时，根据物体所处环境的气体组分，避开选取在环境气体吸收峰内的波长，保证物体在该波长下的辐射能量能够完全被测温仪接收到。从而避免之前单波长测量过分依赖选定的测量波长的问题。

本发明的具体实现步骤如下：

步骤1：高温计标定

高温计使用前，需要在高温黑体炉上对其进行标定。由于黑体的发射率为1，因此黑体标定能够准确建立高温计输出电压和辐射温度两者之间的关系。在操作时使用整百度点标定法。将多波长温度计瞄准黑体炉精确调焦，每个测量点进行1000次采样，取平均值作为高温计测量值，所得的标定数据通过曲线拟合得到电压——温度曲线。对电压——温度曲线进行曲线拟合，拟合公式根据标定数据的规律选择。可选的拟合公式有：

其中，p_i是拟合公式的系数，V为对应光路的电压值，T为辐射温度。

此外，在使用高温计之前，还需在黑体上对高温计进行校准。

步骤2：涡轮叶片四光谱辐射能量获取

通过三个二向色镜对高温计探头获取的辐射能量进行分光，得到四个光谱下的辐射能量，根据辐射能量得到不同光谱下的色温。光谱色温的不同主要取决于不同光谱下叶片表面发射率，其真实温度不受光谱选择的影响。

步骤3：辐射模型建立

在绝对零度以上，物体表面都会有不同的波长对其进行辐射，不同温度、波长下的黑体单色辐射出射度可表示为：

式中c₁＝3.7418×10⁴Wμm⁴/cm²为第一普朗克系数，c₂＝1.4388×10⁴μmK为第二普朗克系数，M_λ,T表示光谱在温度为T，波长为λ时的单色辐射出射度，单色发色率又可以表示为：

式中，M_b(λ,T_b)为物体实际辐射的能量，T_b为黑体温度，M(λ,T_m)为同温度下黑体辐射的能量，T_m为多光谱测温所要求得的温度。

假设固定某一温度T下第j路光谱温度所得到的辐射出射度为M_bj(λ,T_bj)，目标发射率为ε_j(λ,T)，该目标温度的辐射出射度为M_j(λ,T)，则有如下公式：

通过逆函数M_j ^-1(λ,T)可求得目标真实温度，可表示为：

对于上式在N路光谱下得到的模型参数为ε_j(λ,T)，虽然不同光谱下高温计测得的色温不同，但其黑体温度是相同的，则可得到不同光谱下的残差方程：

式中，δ²(ε₁,ε₂,.....ε_N)为目标函数，M_bm(λ,T_bm)和M_bn(λ,T_bn)分别表示第m路和第n路光谱下所测得的单色辐射量，ε_m(λ,T)和ε_n(λ,T)为第m路和第n路光谱所对应的物体单色发射率。通过对目标方程的求解，尽可能缩小δ²(ε₁,ε₂,.....ε_N)的值，则可获得更准确的叶片真温。

步骤4：差分进化算法求解真温

考虑到计算的准确性及计算速度，在这里先用差分进化算法对辐射测温方程进行求解。

①初始化种群

首先采用编码对种群中的个体进行随机初始化；对于种群规模为n，决策空间维数为d的种群，其进化的不同代数的种群个体可描述为

其中，g表示当前代数，i表示对应的决策变量个体，在这里表示叶片表面的发射率模型，d表示每个待优化个体的维数，即光谱数量。

初始化应该使用均匀分布的随机分布函数，在这里每个个体的每一维初始化使用如下：公式

其中，和分别表示算法搜索空间的上下界，rand(0,1)表示从0到1之间的均匀分布的函数。每一维的决策变量是相互独立的，可以对应不同搜索范围。

②种群变异

从当前种群的n个个体中随机选取三个不同的个体，、进行变异操作产生新个体：

式中，r₁,r₂,r₃∈{1,2...n}，且r₁≠r₂≠r₃，n为当代种群规模，要至少大于4才能满足变异过程。F为缩放因子，在变异过程中，可以通过调整F缩放因子的大小，来动态调整种群中所有个体的约束关系，防止过早收敛，保存种群中的多样性的同时也促使种群集体向最优解的方向进化

③交叉过程

通过交换变异后向量和目标向量中的某些位置进而丰富了种群的多样性。将变异过程产生的第i个新个体和种群中对应的第i个个体按照某种运算重新组合规则产生新的试验个体，其交叉式子如下：

其中，j∈(1,2,...,d)，C_r对应的是交叉概率。

④选择过程

选择操作是保留种群个体的关键操作，是基于贪婪式的选择方式，为下一代的进化操作提供了种群进化方向。将源种群的目标个体和交叉过程产生的试验个体进行比较，即如果源种群个体优于交叉后的试验个体则源种群目标个体直接进入下一代，否则交叉后的试验个体将替换源目标个体并并参与后续运算。即：

其中，代表下一代第i个个体，f表示适应度函数值。

综上，本发明提供一种四光谱涡轮叶片辐射测温方法，包括：通过对高温计标定的获取电压——温度曲线，以及对所使用高温计进行校准。对工作中的涡轮叶片表面的辐射能量进行测量，获取不同四个光谱段的辐射能量。通过电光转换模块、信号处理模块、数据采集模块进行处理，得到不同光谱下的光谱色温。测量目标在不同光谱下由于发射率的影响光谱色温不同，但真实温度相同，根据普朗克公式建立四光谱辐射模型。根据辐射模型，建立目标方程，对叶片真温进行求解，由于叶片转速高，在线监测数据量大，在保证精度前提下选择差分进化算法求解真温提高计算速度。本发明实现更高效准确的计算目标真实温度，同时满足涡轮叶片在线测温需求。

Claims (1)

1.一种四光谱涡轮叶片辐射测温方法，其特征在于：步骤如下：

步骤1：高温计标定

将多光谱高温计瞄准黑体炉精确调焦，每个测量点进行1000次采样，取平均值作为测量值，所得的标定数据通过曲线拟合得到电压——温度曲线；

步骤2：涡轮叶片四光谱辐射能量获取

通过三个二向色镜对高温计探头获取的辐射能量进行分光，得到四个光谱下的辐射能量，根据辐射能量得到不同光谱下的色温；

步骤3：辐射模型建立

在绝对零度以上，物体表面都会有不同的波长对其进行辐射，不同温度、波长下的黑体单色辐射出射度为：

式中：c₁＝3.7418×10⁴Wμm⁴/cm²为第一普朗克系数，c₂＝1.4388×10⁴μmK为第二普朗克系数，M_λ,T表示光谱在温度为T、波长为λ时的单色辐射出射度，单色发色率为：

式中，M_b(λ,T_b)为物体实际辐射的能量，T_b为黑体温度，M(λ,T_m)为同温度下黑体辐射的能量，T_m为多光谱测温所要求得的温度；

假设固定某一温度T下第j路光谱温度所得到的辐射出射度为M_bj(λ,T_bj)，目标发射率为ε_j(λ,T)，该目标温度的辐射出射度为M_j(λ,T)，则有：

通过逆函数M_j ^-1(λ,T)可求得目标真实温度为：

对于上式在N路光谱下得到的模型参数为ε_j(λ,T)，则不同光谱下的残差方程为：

式中：δ²(ε₁,ε₂,.....ε_N)为目标函数，M_bm(λ,T_bm)和M_bn(λ,T_bn)分别表示第m路和第n路光谱下所测得的单色辐射量，ε_m(λ,T)和ε_n(λ,T)为第m路和第n路光谱所对应的物体单色发射率；通过对目标方程的求解，尽可能缩小δ²(ε₁,ε₂,.....ε_N)的值，可获得更准确的叶片真温；

步骤4：差分进化算法求解真温

①初始化种群

首先采用编码对种群中的个体进行随机初始化；对于种群规模为n，决策空间维数为d的种群，其进化的不同代数的种群个体可描述为

其中，g表示当前代数，i表示相应的个体，在这里表示叶片表面的发射率模型，d表示每个待优化个体的维数，即光谱数量；

每个个体的每一维初始化的公式为：

其中：g表示当前代数，i表示相应的个体，j表示对应决策变量第几维度，表示第g代决策变量第j维最大值，表示第g代决策变量第j维最小值，rand(0,1)表示从0到1之间的均匀分布的函数；

②种群变异

从当前种群的n个个体中随机选取三个不同的个体进行变异操作产生新个体为：

式中：r₁,r₂,r₃∈{1,2...n}，且r₁≠r₂≠r₃，n为当代种群规模，要至少大于4才能满足变异过程；F为缩放因子；

③交叉过程

将变异过程产生的第i个新个体和种群中对应的第i个个体按照运算重新组合规则产生新的试验个体，其交叉式子如下：

其中，表示第g代决策变量第j维度的个体i，表示第g+1代决策变量第j维度的个体i，C_r对应的是交叉概率；

④选择过程

将源种群的目标个体和交叉过程产生的试验个体进行比较，即如果源种群个体优于交叉后的试验个体则源种群目标个体直接进入下一代，否则交叉后的试验个体将替换源目标个体并并参与后续运算，即：

其中，代表下一代第i个个体，f表示适应度函数值。