CN113340438A - 一种航空发动机热端部件非接触温度场距离误差校准方法 - Google Patents

Abstract

本发明公布了一种航空发动机热端部件非接触温度场距离误差校准方法，属于航空发动机温度测量技术领域。由于航空发动机实际测试环境和标定环境不可能完全一致，距离不可能保持不变，从而对标定的原始曲线产生影响，因此，在更改实验测试环境时，需要对整体系统进行补偿修正。本发明探究了系统补偿函数的数学模型，基于两点校准方法并结合BP神经网络算法，将辐射量的衰减函数定义为线性形式。以黑体炉的标准温度为参考，选取实验的两点进行补偿修正，提高了测温精度。

Description

一种航空发动机热端部件非接触温度场距离误差校准方法

技术领域

本发明属于航空发动机温度测量技术领域，公布了一种热端部件非接触动态温度场距离误差校准方法。

背景技术

在高性能、高推重比发动机技术发展过程中，发动机热端部件温度的精确测量对于涡轮机等机械设备的保障与维修任务的关键作用日益突出。随着燃烧温度的升高，发动机内部环境更加恶劣，各类参数变化更加剧烈。为了提高叶片的工作可靠性，延长其寿命，就必须准确测量、研究分析涡轮叶片的温度分布，分析其表面温度场，清楚其热应力分布，以便在叶片材料、冷却、结构、工艺、安装上采取有效的措施。如何解决发动机涡轮叶片温度的精确测量已成为我国航空发动机自主研发的技术瓶颈。

在对航空发动机等热端部件进行温度测量时，得到的数据是与温度相对应的电压信号，系统在黑体上进行温度与电压的标定，得到温度与电压相对应的数据，通过曲线拟合的方式得到电压—温度曲线(V-T曲线)。但是由于目标距离变化、系统的拆装、部件更换、系统自身误差等因素的影响，最终得到的V-T曲线不一定准确，大大影响了测量精度，因此在进行数据处理时需要对其进行校准。

仪器的校准技术开始于手动校准，由校准人员手动操作仪器设置参数、输出波形、记录数据等。随着测试仪器不断丰富，产品种类飞速增长，系统复杂性不断增加，使得校准工作量、周期和复杂度都在快速上升。传统的手工校准方式效率很低，不适合仪器的批量校准。随着计算机技术和接口总线的发展，人们开发出了可程控的标准仪器尤其是在虚拟仪器的概念提出之后，研究人员将其引入自动测试系统，使用软件代替硬件的功能，很方便地组建自定义的自动测试系统。这样不但扩展了仪器功能、也提高了测试效率。在这种背景之下，开发航空发动机热端部件的距离误差校准方法成为了可能，对于国内校准技术的发展也有着很大的意义。

目前，国内对航空发动机距离误差校准方法的研究还处于探索阶段。为了满足国内相关领域对仪器校准技术的迫切需求，必须在校准方法上有新的突破。由于航空发动机温度测量仪器工作环境恶劣、影响因素繁多、技术指标较高，所以校准方法的开发和应用都十分困难。因此，开发距离误差校准方法对于提高辐射测温的精度具有重大意义。

发明内容

本发明主要解决的技术问题是对航空发动机测温过程中变化的距离因素所引起的误差进行修正，提出了一种基于BP神经网络的航空发动机热端部件非接触动态温度场距离误差校准方法，对传统的两点校准方法进行改进，以实现实际测试场景距离的补偿修正。

本发明技术方案为一种航空发动机热端部件非接触温度场距离误差校准方法，该方法包括：

步骤1：获取神经网络的训练数据；

定义衰减函数为T'＝aT+b的线性形式，a和b为距离d的修正系数，d表示测量位置到待测目标的距离；待测目标相同温度的情况下，T为初始距离温度测量值，T'为改变距离后的温度测量值；测量装置和待测目标之间的距离改变时，a和b也应随之变化，其中初始距离为最佳测温距离；

首先获取初始距离得到温度测量值T，以一定的步长移动，再获取多个不同位置的温度测量值T'，采用两点校准的方法计算不同位置的修正系数a和b；

步骤2：神经网络模型选择及参数设置；

距离补偿校准模型选定为BP神经网络，神经网络训练模型的输入层神经元个数为4，分别为a、b、d、T'；隐藏层神经元个数为4；输出层神经元个数为1，为T；BP神经网络的隐藏层采用sigmoid型传递函数，输出层的神经元采用线性传递函数；

步骤3：距离补偿模型训练；

根据步骤1得到的a、b、d、T'和T对BP神经网络进行训练；

如果神经网络训练过程中的网络均方误差大于预先设定的目标误差，那么神经网络继续训练，否则停止训练，将此时BP神经网络的权值和阈值数据保存；

所述均方误差ε计算的公式如下：

步骤4：实际测温时，获得距离d和温度测量值，只将获得的距离d和温度测量值输入步骤3训练好的神经网络，得到校正后的温度。

进一步的，所述步骤1中的训练数据的获取方法为：

采用黑体炉获取训练数据，黑体炉标定电压作为温度修正值T，测温装置的输出电压作为温度测量值T'，然后在标定电压下采集不同距离测温装置的输出电压，计算修正系数，

其中，T_m，T_n表示标定温度，T′_m，T′_n表示改变相同距离后标定温度为T_m，T_n对应的温度测量值。

进一步的，隐藏层采用tansig函数，输出层选择purelin函数。

BP神经网络可以处理大容量数据，可应用的温度范围较宽，可减小随机噪声的影响，网络输出精度较高；搭建神经网络结构之后，设置步进电机位移台在5～55cm范围内反复来回匀速运动，以评估线性修正对距离的补偿能力，测试精度应补偿到±1℃。利用图表记录温度变化曲线，将电压参数转换为温度参数，然后将距离参数及温度示值传输到计算机，将距离参数转换为修正系数后与温度示值一同输入BP神经网络，经过网络训练得到温度校准值，将温度校准值与黑体炉的温度参考值进行对比，与如温度变化在预期范围之内，则说明该修正方式补偿得当。

附图说明

图1为本发明动态温度场校准技术路线图。

图2为本发明BP神经网络训练模型示意图。

图3为本发明具体实施方式温度变化曲线图。

具体实施方式

为了更清楚的说明本发明实施实例的技术方案，下面结合附图对实例进行进一步详细说明，此处所描述的内容仅用于解释本发明，并不用来限定本发明。

距离误差校准方法的技术路线如图1所示，将实验得到的电压数据转换为对应的温度然后与黑体炉标准温度进行对比，然后通过BP神经网络算法完成距离补偿得到校准值。将校准值与参考值进行二次对比，并分析误差是否在可接受范围内。如果误差较大，不在可接受范围内，那么继续优化直到达到要求，之后将结果进行输出。本发明主要包括以下几个关键步骤：

步骤1：获取神经网络的训练数据。两点校准法将辐射量的衰减函数定义为T'＝aT+b的线性形式，其中，a和b为距离d的修正系数。实际上距离改变时，a和b也应随之变化。目标距离初始值设置为5cm，测试距离最大为55cm，以1cm为间隔，按照两点校准的方法计算得到50组修正系数：(a₁,b₂)、(a₂,b₂)……(a₄₉,b₄₉)、(a₅₀,b₅₀)。

步骤2：神经网络模型选择及参数设置。距离补偿校准模型选定为BP神经网络，BP神经网络可以处理大容量数据，可应用的温度范围较宽，可减小随机噪声的影响，网络输出精度较高。神经网络训练模型的输入层神经元个数为4，隐藏层神经元个数为4，输出层神经元个数为1。BP神经网络的隐层采用sigmoid型传递函数，输出层的神经元采用线性传递函数。实际使用中，采用tansig函数时要比logsig函数误差小，因此隐藏层采用tansig函数，而由于输出为线性关系，因此输出层选择purelin函数。BP神经网络训练模型示意图如图2所示，将距离参数及温度示值传输到计算机，将距离参数转换为修正系数后与温度示值一同输入BP神经网络，经过网络训练得到温度校准值。

步骤3：距离补偿模型训练。根据步骤一得到的修正系数数据(a,b)、温度示值(T)和温度参考值(T')对BP神经网络进行训练，温度参考值由热电偶得到，将其作为被测物体真温。首先初始化网络参数，包括网络训练次数，目标误差等参数的初始化设定，本实施实例中，网络训练次数500次，训练误差为1e-6；然后初始化神经网络，对BP神经网络输入层，隐藏层及输出层之间的权值和阈值进行初始化，将其全部设置为0值。最后进行通过计算网络模型的均方误差，使训练结果达到最优，从而得到合适的距离补偿模型。如果神经网络训练过程中的网络误差大于预先设定的目标误差，那么神经网络继续训练，否则停止训练，将此时BP神经网络的权值和阈值数据保存。误差计算的公式如下：

步骤4：利用得到的BP神经网络模型对测量结果进行自动校准，输入参数为修正系数及温度示值，输出参数为温度校准值。

采用BP神经网络对两点校准进行改进时，将辐射量衰减函数定义为T'＝aT+b的线性形式。以黑体炉标准温度为参考，每次选取实验的两点进行补偿修正。假设选择800℃和1000℃。原始距离测量黑体炉温度电压为V 800和V 1000，当改变距离后，测试得到的这两点的电压为V'800和V'1000。

转换关系：黑体炉测试电压＝a×实际测试电压+b

a和b的求解公式：

在实施实例中，当a＝1.051，b＝0.022时，测试精度补偿到±1℃。为了评估线性修正对距离的补偿能力，设置步进电机位移台在距目标物体5～55cm范围内反复来回运动。温度变化曲线如图3所示，温度的变化范围为1.7℃,满足精度要求，说明该修正方式具有良好的补偿效果。

Claims (3)

1.一种航空发动机热端部件非接触温度场距离误差校准方法，该方法包括：

步骤1：获取神经网络的训练数据；

定义衰减函数为T'＝aT+b的线性形式，a和b为距离d的修正系数，d表示测量位置到待测目标的距离；待测目标相同温度的情况下，T为初始距离温度测量值，T'为改变距离后的温度测量值；测量装置和待测目标之间的距离改变时，a和b也应随之变化，其中初始距离为最佳测温距离；

首先获取初始距离得到温度测量值T，以一定的步长移动，再获取多个不同位置的温度测量值T'，采用两点校准的方法计算不同位置的修正系数a和b；

步骤2：神经网络模型选择及参数设置；

距离补偿校准模型选定为BP神经网络，神经网络训练模型的输入层神经元个数为4，分别为a、b、d、T'；隐藏层神经元个数为4；输出层神经元个数为1，为T；BP神经网络的隐藏层采用sigmoid型传递函数，输出层的神经元采用线性传递函数；

步骤3：距离补偿模型训练；

根据步骤1得到的a、b、d、T'和T对BP神经网络进行训练；

如果神经网络训练过程中的网络均方误差大于预先设定的目标误差，那么神经网络继续训练，否则停止训练，将此时BP神经网络的权值和阈值数据保存；

所述均方误差ε计算的公式如下：

步骤4：实际测温时，获得距离d和温度测量值，只将获得的距离d和温度测量值输入步骤3训练好的神经网络，得到校正后的温度。

2.如权利要求1所述的一种航空发动机热端部件非接触温度场距离误差校准方法，其特征在于，所述步骤1中的训练数据的获取方法为：

采用黑体炉获取训练数据，黑体炉标定电压作为温度修正值T，测温装置的输出电压作为温度测量值T'，然后在标定电压下采集不同距离测温装置的输出电压，计算修正系数，

其中，T_m，T_n表示标定温度，T'_m，T'_n表示改变相同距离后标定温度为T_m，T_n对应的温度测量值。

3.如权利要求1所述的一种航空发动机热端部件非接触温度场距离误差校准方法，其特征在于，隐藏层采用tansig函数，输出层选择purelin函数。

Images