CN114034653B - 基于深度学习的波长调制吸收光谱层析重建系统 - Google Patents
基于深度学习的波长调制吸收光谱层析重建系统 Download PDFInfo
- Publication number
- CN114034653B CN114034653B CN202111362939.9A CN202111362939A CN114034653B CN 114034653 B CN114034653 B CN 114034653B CN 202111362939 A CN202111362939 A CN 202111362939A CN 114034653 B CN114034653 B CN 114034653B
- Authority
- CN
- China
- Prior art keywords
- absorption spectrum
- laser
- reconstruction
- temperature
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000862 absorption spectrum Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000004587 chromatography analysis Methods 0.000 title description 6
- 238000002485 combustion reaction Methods 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 230000003287 optical effect Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012905 input function Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010521 absorption reaction Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000000041 tunable diode laser absorption spectroscopy Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000002835 absorbance Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010285 flame spraying Methods 0.000 description 3
- 238000002834 transmittance Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012625 in-situ measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004847 absorption spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000001285 laser absorption spectroscopy Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000001323 two-dimensional chromatography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了属于激光吸收光谱技术、计算机层析成像技术及机器学习技术领域的基于深度学习的波长调制吸收光谱层析重建系统。数据采集系统产生低频扫描信号和高频调制信号作用至激光控制器,L个激光器产生激光通过多路复用器耦合后,再经过分束器进行分束,分束后的激光经过准直器进入燃烧流场测量区域;数据采集装置采集探测器接收的燃烧流场测量区域中的光信号并进行锁相信号提取和低通滤波,得到不同投影路径处每条吸收谱线所对应的归一化二次谐波值,通过卷积神经网络进行层析反演重建,得到燃烧二维温度场及组分浓度场。本发明可进一步推动高精度、实时性的二维重建测量在实际燃烧环境中的应用。
Description
技术领域
本发明涉及激光吸收光谱技术、计算机层析成像技术及机器学习技术领域,尤其涉及基于深度学习的波长调制吸收光谱层析重建系统。
背景技术
可调谐二极管激光吸收光谱技术(Tunable diode laser absorptionspectroscopy,TDLAS)作为一种新型的非接触式测量手段,利用H2O、CO、CO2等分子的指纹吸收特性,通过特定吸收谱线对选择和激光器设计,可以实现温度、组分浓度、压力等气体物性参数的协同测量。目前,激光吸收光谱测量技术因其具有灵敏度高、响应速度快、原位测量等特点,已广泛应用于大气环保、能源电力、航空航天等领域。
从激光器调制调谐特性而言,激光吸收光谱技术主要包括两种测量方法:一为直接吸收法(direct absorption spectroscopy,DAS),通过低频扫描信号实现激光调谐,覆盖待测气体分子的吸收谱线,在信号控制及后处理上易于实现,但直接吸收法依赖于无吸收背景光强基线的确定,受背景辐射、颗粒物散射等因素影响较大,该方法的常规吸光度检测下限约为10-3量级;二为波长调制法(wavelength modulation spectroscopy,WMS),通过高频调制信号实现激光调制,结合锁相方法技术,提取相应的谐波信号,波长调制法对实际噪声具有较强的免疫性,可利用一次谐波信号进行归一化处理,从而实现免标定原位测量,该方法的常规吸光度检测下限约为10-4量级。
TDLAS技术测量值为单一测量路径上的积分平均值,测量方法本身不具备空间分辨率,无法反映测量路径上因热交换、化学反应所引起的温度及组分浓度场不均匀梯度变化特性。目前,针对燃烧流场的非均匀分布,围绕TDLAS测量技术开展的研究可分为三个方面:1、采用宽光谱光源(如光学频率梳、傅里叶锁模激光器等),利用多条气体分子吸收谱线,同时结合数值模拟(Fluent、Chemkin)研究等手段以提供先验分布信息,从而获取沿路径方向的温度及组分浓度不均匀分布;2、将计算机层析成像技术(Computed Tomography,CT)应用于TDLAS测量中,通过实验光路设计、反演算法研究等进行燃烧流场的二维重建研究;3、利用高速红外相机,搭建吸收光谱成像系统,可进行燃烧流场二维测量研究,实验成本较高。本发明主要围绕计算机层析吸收光谱技术在非均匀燃烧场的二维重建研究展开,该重建系统与方法可进一步推广至航空发动机燃烧喷焰、电厂烟道尾气等实际场合温度场及组分浓度场二维重建测量。
现有的燃烧温度场及组分浓度场二维层析重建研究的特点及不足可总结为三个方面:1、采用直接吸收法,信号处理较为简单,但将直接吸收法用于实际燃烧环境中二维层析重建研究,往往面临信噪比低、基线拟合误差大、高压谱线展宽等问题,不适用于极端复杂燃烧流场如航空发动机燃烧喷焰等场合;2、常规吸收光谱层析成像光路布置中,窄带半导体激光器覆盖一至两条分子吸收谱线,经过单一测量路径,被光电探测器接收,实现高精度二维重建测量通常需要多角度布置大量的激光发射和接收单元,实验成本较高,现场布置难度大;3、目前主流的计算机层析成像技术反演算法包括滤波反投影算法和代数迭代算法等,上述算法对投影光线的数目、布置方式要求苛刻,且在层析信息矩阵秩亏情形下,重建精度、鲁棒性和计算效率均有待进一步提升,此类反演算法应用于实际在线燃烧监测时具有较大的局限性,难以实现海量数据下,燃烧状态实时监测,限制了高精度、实时性的二维重建测量在实际燃烧环境中的应用。
总结来说,实际燃烧流场如航空发动机燃烧喷焰因其具有高温、高压、高速、强振动等特点,喷焰中温度场及组分浓度场二维重建测量难度较大,现有的二维重建技术在测量方法抗噪性、层析重建实验方案设计和反演重建算法性能等方面均有待提升和改进。
针对上述技术问题,本发明提出了一种基于深度学习的波长调制吸收光谱层析重建系统与方法,包括实验设计单元、波长调制及解调单元、卷积神经网络单元。具体是以波长调制法,通过频分复用技术,实现单一路径多波长情形下温度、浓度测量,结合以卷积神经网络为基础的反演算法,进行燃烧温度场及组分浓度场的二维重建。
发明内容
本发明的目的是提出基于深度学习的波长调制吸收光谱层析重建系统,其特征在于,所述系统包括激光器、多路复用器、分束器、准直器、燃烧流场测量区域、探测器、数据采集装置和激光控制器;
其中,数据采集装置内的软件信号发生器产生低频扫描信号和高频调制信号,作用至激光控制器,实现L个激光器的波长扫描与调制;L个激光器产生激光通过多路复用器耦合后,再经过分束器进行分束,分束后的激光经过准直器进入燃烧流场测量区域;数据采集装置采集探测器接收的燃烧流场测量区域中的光信号并对光信号进行锁相信号提取和低通滤波,得到不同投影路径处每条吸收谱线所对应的归一化二次谐波值作为卷积神经网络的输入层;通过卷积神经网络进行层析反演重建,得到燃烧二维温度场及组分浓度场。
所述燃烧流场测量区域的构造边长为N,并划分为d×d的网格单元;激光投影的角度数为s,且角度取0°、45°、90°或135°,每个角度的投影数为p,总投影路径数M=s×p。
所述激光器的吸收谱线中心波长分别为v0,1,v0,2,…,v0,L,并对激光器进行频分复用,即以不同调制频率f1,f2,…,fL分别进行调制,由探测器接收不同投影方向的透射光强信号,通过锁相放大技术,提取中心谱线位置处的归一化2f/1f信号
L个激光器在第m条投影路径中穿过整个燃烧流场测量区域的归一化2f/1f信号为且/>对于总投影路径数M,整个投影矩阵/>为:
卷积神经网络的输入层为投影矩阵
卷积层以二维离散卷积运算,表示为:
其中x为输入函数,w为核函数或加权函数,y为特征映射,c1,c2为卷积核尺寸;对提取的特征结果进行偏置得到:
Yi=g(Wi*Xi+bi)
其中Xi为第i个输入特征图,Yi为输出特征图,Wi为卷积核的权重矩阵,bi为偏振系数矩阵;g为卷积层所采用的激活函数,具体为
池化层的池化过程为:
Yi=g(Wi*down(Xi)+bi)
其中down(Xi)为池化函数;
输出层为温度和组分浓度的二维分布。
卷积神经网络在训练过程中预测值与真实值之间的误差值用温度场二维重建的均方根误差表示如下:
其中Bs为批块大小,为归一化后第i个网格温度的真实值,/>为归一化后第i个网格温度的重建值。
评估温度场重建精度的一阶矩误差为:
其中eT为温度重建误差,Tground为真实的二维温度分布矩阵,Trecons为重建的二维温度分布矩阵。
本发明的有益效果在于:
1、本发明采用频分复用技术实现单一路径多波长情形下温度、浓度测量,简化了二维层析重建的光路设计与布置;
2、采用波长调制法可提高在极端复杂燃烧流场如航空发动机燃烧喷焰环境中吸收光谱信号的抗噪声能力;
3、采用卷积神经网络可提高二维重建精度、鲁棒性和计算效率,进一步推动高精度、实时性的二维重建测量在实际燃烧环境中的应用。
附图说明
图1是本发明基于深度学习的波长调制吸收光谱层析重建系统示意图;
图2是选取近红外水吸收谱线7416.05cm-1在不同温度和浓度下的吸收情况曲线图;
图3为本发明模拟得到的温度和组分H2O浓度分布示意图;
图4是本发明所选取卷积神经网络结构示意图;
图5是本发明所选取的卷积神经网络在不同学习速率设置情况下的均方根误差随迭代步数变化的曲线图;
图6是本发明所重建得到的二维温度及组分浓度分布结果图。
具体实施方式
本发明提出基于深度学习的波长调制吸收光谱层析重建系统,下面结合附图和具体实施例对本发明做进一步说明。
图1是本发明基于深度学习的波长调制吸收光谱层析重建系统示意图;该系统包括实验设计单元、波长调制及解调单元、卷积神经网络单元,具体内容如下:
实验设计及光路布置单元。构造边长为N的待测区域,即燃烧流场测量区域,将其划分为d×d的网格单元,激光投影角度数为s,通常可取0°、45°、90°和135°等角度布置,每个角度投影数为p,总投影路径数为M=s×p。对L个半导体激光器(L条吸收谱线中心波长分别为v0,1,v0,2,…,v0,L)进行频分复用即以不同调制频率f1,f2,…,fL分别进行调制,由M个光电探测器接收不同投影方向的透射光强信号,通过锁相放大技术,提取中心谱线位置处的归一化2f/1f信号。
波长调制及解调单元。对频分复用的透射光强分别进行解调,通过锁相放大技术,提取中心谱线位置处的归一化2f/1f信号以第l个激光器为例,当其在低频扫描和高频调制信号共同作用下,激光器输出频率表达式为:
其中,vl(t)为第l个激光器输出频率表达式,为激光器扫描输出频率表达式,al为频率调制幅度。激光器入射光强表达式为:
其中,I0,l(t)为第l个激光器入射光强表达式,为激光器平均激光强度,i0,l为激光器强度线性调制幅度,/>为激光器强度调制和频率调制的线性项相位差,i2,l为激光器强度非线性调制幅度,/>为激光器强度调制和频率调制的非线性项相位差。
根据比尔-朗伯定律,频率为vl的单色激光通过气体吸收介质后,光强透射率表达式为:
其中,τ(vl)为光强透射率,α(vl)为吸光度,T(x)和X(x)分别为测量路径上的温度和组分分布,Sl[T(x)]为与温度有关的吸收谱线线强,P为待测区域总压,为吸收谱线线型函数。在本发明中,假设温度及组分浓度满足二维高斯分布,可以表示为:
其中f(x,y)为温度或组分浓度,ρ为校正系数,μ1和μ2为高斯分布的中心位置,σ1和σ2为高斯分布的方差。
将透射率τ(vl)写成傅里叶余弦级数展开形式:
其中为k次谐波的傅里叶分量,则有:
其中θ=2πflt。
激光器透射光强表达式为:
It,l(t)=I0,l(t)·τ(vl) (9)
利用锁相放大技术提取透射光强信号It,l(t)在fl和2fl处的频率分量,可得一次和二次谐波信号:
其中G为光电探测器增益。
用1f信号将2f信号归一化,可消除光电探测器增益G和光强的影响,同时可以抑制激光器、探测器的共模噪声,归一化后的信号为:
中心谱线位置处的归一化2f/1f信号为其为路径积分量。待测区域被划分为d×d的网格单元,假设每个网格中的温度、浓度均匀分布,第l个激光器在第m(m=1,2,…,M)条投影路径中穿过第n(n=1,2,…,N)个网格的局部归一化2f/1f信号为/>第l个激光器在第m条投影路径中穿过整个待测区域的归一化2f/1f信号为/>可以表示为:
其中lm,n为第m条投影路径穿过第n个网格的吸收长度。
L个激光器在第m条投影路径中穿过整个待测区域的归一化2f/1f信号为可以表示为:
考虑总共M条投影路径,则整个投影矩阵可以表示为:
卷积神经网络单元。卷积神经网络通常由输入层、卷积层、池化层、全连接层及输出层组成。
输入层通常为以矩阵形式表示的不同维度的图像或数据,在本发明中,输入层为归一化2f/1f信号的投影矩阵
卷积层是卷积神经网络的关键部分,起滤波器的作用,包括连续卷积和离散卷积,以二维离散卷积运算,其可以表示为:
其中x为输入函数,w为核函数或加权函数,y为特征映射,可看作输入函数x的加权平均,c1,c2为卷积核尺寸。对提取的特征结果进行偏置,可得:
Yi=g(Wi*xi+bi) (17)
其中Xi为第i个输入特征图,Yi为输出特征图,Wi为卷积核的权重矩阵,bi为偏振系数矩阵,g为卷积层所采用的激活函数。目前常用的激活函数为ReLU(Rectified LinearUnits)函数,该激活函数率先从根本上解决梯度消失和梯度爆炸等问题,可以表示为:
池化层主要进行降采样操作,去掉特征图中不重要样本,简化计算复杂度,同时可以避免过拟合,提高模型泛化能力,常用的池化函数包括最大池化(MaxPooling)、平均池化(AveragePooling)等,池化过程可以表示为:
Yi=g(Wi*down(Xi)+bi) (19)
其中down(Xi)为池化函数。
全连接层的作用是将二维或者三维的特征矩阵转化为一维向量,将卷积层、池化层所提取的特征整合映射到样本标记空间,通过分类或回归函数实现输出,在本发明中,输出层为温度和组分浓度的二维分布。
卷积神经网络的训练过程主要分为两部分,第一部分是前向传播阶段,输入层提供原始信息,依次经过卷积层、池化层、全连接层和输出层,前向传播的主要作用为将输入的特征信息进行前向传递,预测值与真实值之间的误差值可用损失函数进行表示,以温度场二维重建的均方根误差(Root Square Mean Error,RSME)为例:
其中Bs为批块大小,为归一化后第i个网格温度的真实值,/>为归一化后第i个网格温度的重建值。
第二部分为反向传播阶段,将损失函数由输出层传递至隐藏层,再传递至输入层,反向传播实际上是计算损失函数关于参数的梯度,本发明中选择Adam(Adaptive momentestimation)算法进行参数优化,根据参数梯度的一阶矩和二阶矩自动选择参数学习率,改善稀疏梯度。
输出层为温度和组分浓度的二维分布,为评估温度场及浓度场重建精度,定义一阶矩误差,以温度分布重建为例:
其中eT为温度重建误差,Tground为真实的二维温度分布矩阵,Trecons为重建的二维温度分布矩阵。类似地,为浓度重建误差。
图1以近红外波段H2O分子测量为例,选择5条吸收谱线,中心波数分别为7294.13cm-1、7306.75.13cm-1、7339.83cm-1、7416.05cm-1、7444.37cm-1,相关光谱参数可在HITRAN数据库中查找,调制频率分别为f1=50kHz,f2=60kHz,f2=70kHz,f2=80kHz,f2=90kHz(可根据具体实验优化设置激光器调谐参数)。首先,进行数据采集系统输入和输出通道的参数设定和同步触发设置,使用数据采集系统内置的软件信号发生器产生低频扫描信号和高频调制信号,作用至激光控制器,分别实现各个激光器波长扫描与调制。其次,将五路激光器通过多路光纤复用器耦合进同一光纤后,经过光纤分束器实现分光,此时分出来的每一束光均含有五种频率成分,即5条吸收谱线。然后,通过透镜对每一束光进行准直,通过燃烧流场测量区域,由光电探测器接收信号。最终,通过数据采集板卡实时采集各路探测器信号,对探测器信号进行后处理,包括锁相信号提取和低通滤波过程,得到不同投影路径处每条吸收谱线所对应的S2f/1f值。具体地,方形区域为待测区域,中心阴影部分为燃烧流场截面示意图,其中N=50cm,网格单元数为d=21。考虑到实际燃烧流场测量的光路布置问题,激光投影角度数为2,分别为0°和90°。单角度投影数为10,光电探测器数目为20个,实验可得20个探测器在5条吸收谱线中心位置处的S2f/1f值。
图2是本发明所选取的近红外波段H2O分子吸收谱线7416.05cm-1在不同温度、浓度下的吸收情况。图2.a为吸光度信号,约为10-4量级,图2.b为波长调制法S2f/1f信号示意图,中心谱线位置处S2f/1f值最大,此处信噪比最高,图2.c为不同温度情况下S2f/1f信号,呈非线性递减趋势,图2.d为不同浓度情况下S2f/1f信号,呈非线性递增趋势。
如图3所示,作为卷积神经网络训练所需要的的原始数据,总样本数为1000。其中90%用于神经网络训练,10%用于预测。温度及浓度均服从二维高斯分布,峰值温度范围为2500~3000K峰值浓度为0.01~0.10,高斯分布的方差为1~4。
图4是本发明所选取卷积神经网络结构示意图,包括输入层、卷积层、池化层、全连接层及输出层等。其中,实验得到20个探测器在5条吸收谱线中心位置处的S2f/1f值,即5条吸收谱线在2个投影角度,10条投影路径下的值,为5×2×10的输入矩阵。全连接层为441×1,对应441个网格节点,经过回归分析,可得整个待测区域内的二维温度或组分浓度分布。
图5是本发明所选取的卷积神经网络在不同学习率设置情况下的均方根误差随迭代步数的变化。
图6是本发明所重建得到的二维温度及组分浓度分布结果,左侧为真实值,右侧为重建值,其中温度重建误差约为0.60%,浓度重建误差约为1.55%。
本发明简化了二维层析重建的光路设计与布置,可提高在极端复杂燃烧流场如航空发动机燃烧喷焰环境中吸收光谱信号的抗噪声能力,提高二维重建精度、鲁棒性和计算效率,能够进一步推动高精度、实时性的二维重建测量在实际燃烧环境中的应用。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于深度学习的波长调制吸收光谱层析重建系统,其特征在于,所述系统包括激光器、多路复用器、分束器、准直器、燃烧流场测量区域、探测器、数据采集装置和激光控制器;
其中,数据采集装置内的软件信号发生器产生低频扫描信号和高频调制信号,作用至激光控制器,实现L个激光器的波长扫描与调制;L个激光器产生激光通过多路复用器耦合后,再经过分束器进行分束,分束后的激光经过准直器进入燃烧流场测量区域;数据采集装置采集探测器接收的燃烧流场测量区域中的光信号并对光信号进行锁相信号提取和低通滤波,得到不同投影路径处每条吸收谱线所对应的归一化二次谐波值作为卷积神经网络的输入层;通过卷积神经网络进行层析反演重建,得到燃烧二维温度场及组分浓度场;
所述激光器的吸收谱线中心波长分别为v0,1,v0,2,…,v0,L,并对激光器进行频分复用,即以不同调制频率f1,f2,…,fL分别进行调制,由探测器接收不同投影方向的透射光强信号,通过锁相放大技术,提取中心谱线位置处的归一化2f/1f信号
L个激光器在第m条投影路径中穿过整个燃烧流场测量区域的归一化2f/1f信号为且/>对于总投影路径数M,整个投影矩阵/>为:
卷积神经网络的输入层为投影矩阵
卷积层以二维离散卷积运算,表示为:
其中x为输入函数,w为核函数或加权函数,y为特征映射,c1,c2为卷积核尺寸;对提取的特征结果进行偏置得到:
Yi=g(Wi*Xi+bi)
其中Xi为第i个输入特征图,Yi为输出特征图,Wi为卷积核的权重矩阵,bi为偏振系数矩阵;g为卷积层所采用的激活函数,具体为
池化层的池化过程为:
Yi=g(Wi*down(Xi)+bi)
其中down(Xi)为池化函数;
输出层为温度和组分浓度的二维分布。
2.根据权利要求1所述基于深度学习的波长调制吸收光谱层析重建系统,其特征在于,所述燃烧流场测量区域的构造边长为N,并划分为d×d的网格单元;激光投影的角度数为s,且角度取0°、45°、90°或135°,每个角度的投影数为p,总投影路径数M=s×p。
3.根据权利要求1所述基于深度学习的波长调制吸收光谱层析重建系统,其特征在于,卷积神经网络在训练过程中预测值与真实值之间的误差值用温度场二维重建的均方根误差表示如下:
其中Bs为批块大小,为归一化后第i个网格温度的真实值,/>为归一化后第i个网格温度的重建值。
4.根据权利要求1所述基于深度学习的波长调制吸收光谱层析重建系统,其特征在于,评估温度场重建精度的一阶矩误差为:
其中eT为温度重建误差,Tground为真实的二维温度分布矩阵,Trecons为重建的二维温度分布矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362939.9A CN114034653B (zh) | 2021-11-17 | 2021-11-17 | 基于深度学习的波长调制吸收光谱层析重建系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111362939.9A CN114034653B (zh) | 2021-11-17 | 2021-11-17 | 基于深度学习的波长调制吸收光谱层析重建系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114034653A CN114034653A (zh) | 2022-02-11 |
CN114034653B true CN114034653B (zh) | 2023-08-15 |
Family
ID=80144764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111362939.9A Active CN114034653B (zh) | 2021-11-17 | 2021-11-17 | 基于深度学习的波长调制吸收光谱层析重建系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114034653B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112611477B (zh) * | 2020-12-14 | 2022-10-28 | 东南大学 | 一种激光吸收光谱扫描光路重建燃烧火焰温度场的装置 |
CN115452744A (zh) * | 2022-09-15 | 2022-12-09 | 深圳市卓润生物科技有限公司 | 全血压积测量方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103884663A (zh) * | 2014-03-19 | 2014-06-25 | 中国人民解放军装备学院 | 基于激光吸收光谱技术的二维重建光线分布优化方法 |
CN106896191A (zh) * | 2017-03-10 | 2017-06-27 | 中国人民解放军装备学院 | 一种用于提高气体二维重建计算效率的正则化方法 |
CN109100044A (zh) * | 2017-06-20 | 2018-12-28 | 北京航空航天大学 | 基于单光路多光谱的气体温度概率密度分布拟合重建方法 |
-
2021
- 2021-11-17 CN CN202111362939.9A patent/CN114034653B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103884663A (zh) * | 2014-03-19 | 2014-06-25 | 中国人民解放军装备学院 | 基于激光吸收光谱技术的二维重建光线分布优化方法 |
CN106896191A (zh) * | 2017-03-10 | 2017-06-27 | 中国人民解放军装备学院 | 一种用于提高气体二维重建计算效率的正则化方法 |
CN109100044A (zh) * | 2017-06-20 | 2018-12-28 | 北京航空航天大学 | 基于单光路多光谱的气体温度概率密度分布拟合重建方法 |
Non-Patent Citations (1)
Title |
---|
基于改进卷积神经网络的激光吸收光谱层析成像;王明等;《应用激光》;20210831;第41卷(第4期);第890-901页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114034653A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114034653B (zh) | 基于深度学习的波长调制吸收光谱层析重建系统 | |
CN108981953B (zh) | 一种基于干涉调制原理的激光吸收光谱测温方法和系统 | |
Niu et al. | A novel parametric level set method coupled with Tikhonov regularization for tomographic laser absorption reconstruction | |
CN109696415B (zh) | 一种基于快速傅里叶变换的气体吸收率在线测量方法 | |
CN105548072A (zh) | 一种同时测量高温气体二维瞬态温度场和浓度场的方法 | |
CN108760681A (zh) | 一种基于波形分解的路径平均温度测量系统与方法 | |
CN111678599B (zh) | 基于深度学习优化s-g滤波的激光光谱降噪方法及装置 | |
CN109100044B (zh) | 基于单光路多光谱的气体温度概率密度分布拟合重建方法 | |
CN110514622B (zh) | 一种基于直方图信息的二维温度和浓度重建系统与方法 | |
CN111579532A (zh) | 一种基于频分复用和主峰扫描的激光吸收光谱层析成像方法 | |
CN107036549A (zh) | 一种基于相干层析的太赫兹成像装置 | |
CN108627272B (zh) | 一种基于四角度激光吸收光谱的二维温度分布重建方法 | |
CN101907492A (zh) | 一种基于物体发射光谱的温度测量方法 | |
CN109556731A (zh) | 一种基于神经网络和激光吸收光谱的路径温度直方图测量系统与方法 | |
CN105784628A (zh) | 一种利用中红外光谱检测土壤有机质化学组成的方法 | |
CN105758819A (zh) | 一种利用近红外光谱检测土壤的有机组分的方法 | |
CN206556602U (zh) | 一种基于相干层析的太赫兹成像装置 | |
CN114993987A (zh) | 基于吸收光谱幅值调制的温度及气体浓度测量方法与系统 | |
CN103411923B (zh) | 一种采用双路可调谐激光吸收光谱技术的归一化降噪方法 | |
CN108801496B (zh) | 一种基于交叠吸收谱的路径温度直方图测量系统与方法 | |
Yu et al. | A method for separation of overlapping absorption lines in intracavity gas detection | |
CN114548172A (zh) | 一种波长调制激光气体吸收光谱的参数提取方法与系统 | |
CN109100045B (zh) | 基于单光路多光谱的气体温度概率密度分布重建方法 | |
CN105784629A (zh) | 利用中红外光谱快速检测土壤的稳定碳同位素比值的方法 | |
CN112729591B (zh) | 一种基于低带宽光电探测器的激光吸收光谱温度测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |