CN115493708A - 航空发动机涡轮叶片辐射测温装置及其测温方法 - Google Patents
航空发动机涡轮叶片辐射测温装置及其测温方法 Download PDFInfo
- Publication number
- CN115493708A CN115493708A CN202211212718.8A CN202211212718A CN115493708A CN 115493708 A CN115493708 A CN 115493708A CN 202211212718 A CN202211212718 A CN 202211212718A CN 115493708 A CN115493708 A CN 115493708A
- Authority
- CN
- China
- Prior art keywords
- turbine blade
- radiation
- temperature
- spectral
- emissivity
- 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.)
- Pending
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003595 spectral effect Effects 0.000 claims abstract description 76
- 238000001228 spectrum Methods 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000009529 body temperature measurement Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004861 thermometry Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000012720 thermal barrier coating Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/52—Radiation pyrometry, e.g. infrared or optical thermometry using comparison with reference sources, e.g. disappearing-filament pyrometer
- G01J5/53—Reference sources, e.g. standard lamps; Black bodies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0088—Radiation pyrometry, e.g. infrared or optical thermometry in turbines
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种航空发动机涡轮叶片光谱辐射测温装置及其测温方法,其中的方法包括以下步骤:S1、通过发射率模型识别神经网络实时识别待测涡轮叶片辐射光谱的发射率模型;S2、根据待测涡轮叶片辐射光谱的发射率模型建立评价偏差函数Δ2;S3、将待测涡轮叶片的温度区域划分为N个区域,通过Levenberg‑Marquard算法对评价偏差函数进行求解,得到N个温度解:T1、T2…TN;S4、根据N个温度解:T1、T2…TN计算评价偏差函数值,当评价偏差函数值为最小值时,将其对应的温度解作为待测涡轮叶片的实际温度值。本发明通过实时判断涡轮叶片发射率模型,采用基于最优化算法的涡轮叶片光谱温度反演方法,能够有效消除发射率变化引入的误差。
Description
技术领域
本发明涉及光学技术领域,特别涉及一种航空发动机涡轮叶片辐射测温装置及其测温方法。
背景技术
航空发动机作为现代制造业最高端的装备,是一个国家综合国力以及高端制造业水平的体现。作为航空发动机的“心脏”,涡轮叶片的作用不言而喻。在航空发动机运行时,涡轮叶片长时间处于高温、高压、高应力的状态,对材料强度,耐高温抗疲劳特性有较大的要求。当航空发动机运行时的温度超出了涡轮叶片能够承受的最高温度时,会对涡轮叶片造成损坏。因此为了消除涡轮叶片长时间超负荷工作,提高航空发动机运行稳定与可靠性,需要对涡轮叶片运行时的温度进行实时监测。
目前对涡轮叶片进行温度监测主要分为接触式温度测量和非接触式温度测量两种方式。其中接触式温度测量法主要采用热电偶测温的方式,通过将热电偶焊接在涡轮叶片表面,通过热电偶与涡轮叶片相互接触达到热平衡后进行温度测量。非接触式涡轮叶片温度测量方法目前多以多光谱辐射测温方法。多光谱辐射测温具有响应速度快、测温上限高、动态范围广等优点,目前航空发动机涡轮叶片测温多采用多光谱辐射测温的方法。涡轮叶片发射率模型的选取直接影响着温度测量的准确性,不同材质、不同表面状态的涡轮叶片在辐射测温过程中常常需要选择不同类型的发射率模型,目前尚缺乏对涡轮叶片多光谱数据处理算法中发射率模型的普适性准确估计方法,限制涡轮叶片光谱测温技术的广泛应用。
综合目前国内外发展现状来说,虽然红外辐射测温的相关技术、设备已经有了很大的发展,但是大部分测量系统仍存在着无法解决涡轮叶片形状复杂、高速旋转、难以定位等技术问题,并不能直接应用在航空发动机涡轮叶片测温中,国内目前还尚未有成熟的产品出现。上述研究在提高温度反演速度和测量信噪比等方面取得了很好的研究进展,但由于目前尚缺乏对多光谱数据处理算法中涡轮叶片发射率模型的普适性准确估计方法,限制了多光谱高温测量技术广泛应用。有关发动机涡轮叶片红外辐射测温相应技术的开发和研究对于工业生产和应用上有着巨大的经济价值和社会效益,航空发动机涡轮叶片红外辐射测温系统的应用需求也十分迫切,因此多光谱辐射测温方法仍然需要不断的进行改进。
目前常用的多光谱数据处理算法主要有以下两种:一是假设被测物体表面的发射率模型,带入普朗克公式对温度进行求解,消除由于发射率引入的温度不可求解的问题。但是,发射率通常与被测物体的表面形貌、温度、波长以及测量角度相关,发射率模型得到的计算结果与实际数据吻合,导致多光谱测温存在较大的误差。二是通过模拟退火算法、遗传算法等优化算法将多通道温度和发射率求解转换为计算优化函数的最小值问题,同样地,当发射率模型与被测物体实际发射率存在偏差时,对各个通道温度的求解带来较大的误差。
发明内容
鉴于上述问题,本发明的目的是提出一种航空发动机涡轮叶片辐射测温装置及其测温方法,解决了目前不同型号涡轮叶片辐射温度测量过程中由于发射率变化引起的温度测量误差,通过测量涡轮叶片热辐射光谱,基于不同种类涡轮叶片成分以及表面形态不同导致的热辐射光谱不同这一原理,通过神经网络对涡轮叶片热辐射光谱进行发射率模型识别训练,建立涡轮叶片热辐射光谱与涡轮叶片表面发射率模型。分析不同材料、不同表面形貌状态下涡轮叶片表面光谱发射率分布特性,基于自适应神经网络的涡轮叶片光谱发射率特征提取方法,构建涡轮叶片光谱发射率模型训练样本库,建立涡轮叶片光谱辐射信息与光谱发射率理论模型,构建原始涡轮叶片辐射光谱---光谱发射率模型---光谱发射率特性识别之间的特征传递关系。
结合涡轮叶片光谱发射率理论模型,基于测量涡轮叶片光谱辐射分布,分析不同场景下涡轮叶片光谱发射率特征模型,解决复杂场景下涡轮叶片光谱发射率特征识别问题。与此同时建立涡轮叶片光谱辐射传输模型,构建多光谱辐射测温算法设计与实现,实现涡轮叶片表面温度场及热载荷分布反演。
为实现上述目的,本发明采用以下具体技术方案:
本发明提供一种航空发动机涡轮叶片光谱辐射测温装置,包括:摆扫反射镜、第一准直镜、第二准直镜、黑体、调焦镜组、光谱测量系统、控制系统和数据处理系统;
待测涡轮叶片发出的辐射光束入射至摆扫反射镜中,经摆扫反射镜的反射后再经冷气吹扫入射至调焦镜组,辐射光束经过调焦镜组的折射后入射至半透半反镜片,经半透半反镜片反射后经第一准直镜汇聚至黑体,黑体反射出的测量光束再返回至半透半反镜片中与辐射光束发生干涉形成干涉光束;
干涉光束水平出射后经第二准直镜的折射后入射至光谱测量系统,得到待测涡轮叶片的辐射光束数据;
数据处理系统用于对辐射光束数据进行处理后得到待测涡轮叶片的实际温度。
优选地,光谱测量系统包括:狭缝、第一反射镜、光栅、第二反射镜、棱镜和CCD;
干涉光束通过狭缝入射至第一反射镜,经第一反射镜反射后入射至光栅后发射出衍射光束入射至棱镜中,衍射光束依次经棱镜和第二反射镜的反射后被CCD接收,得到待测涡轮叶片的光谱辐射数据,CCD将光谱辐射数据传输至数据处理系统。
本发明还提供一种航空发动机涡轮叶片光谱辐射测温方法,包括以下步骤:
S1、通过发射率模型识别神经网络实时识别待测涡轮叶片辐射光谱的发射率模型;
S2、根据待测涡轮叶片辐射光谱的发射率模型建立评价偏差函数Δ2:
S3、将待测涡轮叶片的温度区域划分为N个区域,通过Levenberg-Marquard算法对评价偏差函数进行求解,得到N个温度解:T1、T2…TN;
S4、根据N个温度解:T1、T2…TN计算评价偏差函数值,当评价偏差函数值为最小值时,将其对应的温度解作为待测涡轮叶片的实际温度值。
优选地,步骤S1包括以下子步骤:
S11、通过航空发动机涡轮叶片光谱辐射测温装置获取待测涡轮叶片的辐射光谱;
S12、对待测涡轮叶片的辐射光谱进行预处理后输入至发射率模型识别神经网络;
S13、根据涡轮叶片发射率模型的分选结果实时判断待测涡轮叶片的辐射光谱的发射率模型。
优选地,待测涡轮叶片的辐射光谱进行预处理过程为:
设航空发动机涡轮叶片光谱辐射测温装置共有n个有效测量通道,对于其中的第i个光谱测量通道,待测涡轮叶片的光谱辐射能量通过维恩公式表示为:
其中,
c1=3.7418×10-16W·m2为第一辐射常数;
c2=1.4388×10-2m·K为第二辐射常数;
T为待测涡轮叶片温度;
λi为第i个光谱测量通道对应的测量波长;
ε(λi,T)为待测涡轮叶片的发射率;
L(λi,T)为光谱辐射测温装置接收到的涡轮叶片的光谱辐射能量;
对待测涡轮叶片的光谱辐射能量进行光谱基线校正:
Ls(λi,T)==L(λi,T)-min[L(λi,T)]
得到归一化后的待测涡轮叶片的光谱辐射能量为:
优选地,发射率模型识别神经网络的训练过程为:
S101、根据不同涡轮叶片的光谱辐射特性建立涡轮叶片光谱发射率模型;
S102、根据发射率模型构建训练样本数据和测试样本数据;
S103、建立初始发射率模型识别神经网络,并根据训练样本数据和测试样本数据进行样本识别训练;
S104、通过梯度下降法判断初始发射率模型识别神经网络的误差收敛情况,并根据误差大小分布对初始发射率模型识别神经网络进行改进;
S105、当误差收敛情况符合要求时,得到最终发射率模型识别神经网络。
与现有的技术相比,本发明能够解决不同种类、不同表面形态涡轮叶片辐射温度测量过程中发射率变化导致的温度测量误差问题。通过采用神经网络训练不同种类涡轮叶片的红外光谱特点,实时判断涡轮叶片发射率模型,采用基于最优化算法的涡轮叶片光谱温度反演方法,消除发射率变化引入的误差。
附图说明
图1是根据本发明实施例提供的航空发动机涡轮叶片光谱辐射测温装置的结构示意图。
图2是根据本发明实施例提供的航空发动机涡轮叶片光谱辐射测温方法的流程示意图。
图3是根据本发明实施例提供的神经网络训练涡轮叶片温度的求解过程示意图。
图4是根据本发明实施例提供的神经网络训练涡轮叶片发射率的流程示意图。
其中的附图标记包括:高温燃气1、摆扫反射镜2、涡轮叶片3、冷气吹扫4、窗片5、黑体6、调焦镜组8、光谱测量系统9、狭缝10、第一反射镜11、光栅12、第二反射镜13、棱镜14、CCD15、伺服控制16、主控制器17和数据处理系统18。
具体实施方式
在下文中,将参考附图描述本发明的实施例。在下面的描述中,相同的模块使用相同的附图标记表示。在相同的附图标记的情况下,它们的名称和功能也相同。因此,将不重复其详细描述。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,而不构成对本发明的限制。
图1示出了根据本发明实施例提供的航空发动机涡轮叶片光谱辐射测温装置的结构示意图。
如图1所示,本发明实施例提供的航空发动机涡轮叶片光谱辐射测温装置包括:摆扫反射镜2、黑体6、调焦镜组8、光谱测量系统9、控制系统和数据处理系统18。
涡轮叶片3发出的辐射光束入射至摆扫反射镜2中,经摆扫反射镜的反射经过冷气4的吹扫后透过窗片5入射至调焦镜组8中,辐射光束再经过调焦镜组8后经半透半反镜片反射后经第一准直镜7-1入射至黑体6,黑体6反射出的测量光束再返回至半透半反镜片中与上述辐射光束发生干涉形成干涉光束。
干涉光束水平出射后经第二准直镜7-2后入射至光谱测量系统9。
光谱测量系统9包括:狭缝10、第一反射镜11、光栅12、第二反射镜13、棱镜14和CCD15。
干涉光束通过狭缝10入射至第一反射镜11,经第一反射镜11反射后入射至光栅12后发射出衍射光束入射至棱镜14中,衍射光束依次经棱镜14和第二反射镜13的反射后被CCD15接收,得到涡轮叶片的辐射数据。CCD15将衍射光束的光信号转化为电信号并传输至数据处理系统18中,经过对涡轮叶片辐射数据进行处理后得到航空发动机涡轮叶片的温度。
控制系统包括:伺服控制16和主控制器17。
伺服控制16主要用于控制调焦镜组8的运动以及摆扫反射镜2的摆动,其中通过伺服系统控制调焦镜组的运动来达到调焦的目的,通过控制摆反射镜2的运动实现涡轮叶片不同位置的测量。
主控制器17主要用于对测量设备中光谱仪、黑等设备的参数控制功能。
图2示出了根据本发明实施例提供的航空发动机涡轮叶片光谱辐射测温方法的流程示意图。
图3示出了根据本发明实施例提供的神经网络训练涡轮叶片温度的求解过程示意图。
如图2和图3所示,本发明实施例提供的航空发动机涡轮叶片光谱辐射测温方法包括以下步骤:
S1、通过发射率模型识别神经网络实时识别待测涡轮叶片辐射光谱的发射率模型;
由于在对涡轮叶片进行温度测量的过程中,在不同种类、不同温度下涡轮叶片的光谱发射率模型具有不同种类的形式,当温度测量过程中涡轮叶片由于表面形貌、温度变化等因素,发射率模型产生变化时,传统光谱辐射测温就会产生误差。
因此可以通过测量得到的涡轮叶片光谱辐射强度分布曲线实时识别确定涡轮叶片光谱发射率模型,进而对目标涡轮叶片温度进行求解,消除由于光谱发射率变化造成的温度测量误差。
热辐射测温一般将涡轮叶片假定为黑体(ε=1)或者灰体(ε<1),但实际涡轮叶片的热发射率ε是变化的,在测量涡轮叶片的同时,涡轮叶片表面发射率随着涡轮叶片表面状态、所处温度、涡轮叶片表面是否有热障涂层以及辐射测温的波长有关。
为了解决以上问题,采用神经网络对涡轮叶片光谱发射率模型进行识别。由于不同发射率模型得到的光谱曲线之间的差异,可利用神经网络的分类功能对这些光谱曲线进行识别分类,使其能够准确的识别原发射率模型。
图4示出了根据本发明实施例提供的神经网络训练涡轮叶片发射率的流程示意图。
如图4所示,步骤S1包括以下子步骤:
S11、通过航空发动机涡轮叶片光谱辐射测温装置获取待测涡轮叶片的辐射光谱;
S12、对待测涡轮叶片的辐射光谱进行预处理后输入至发射率模型识别神经网络;
待测涡轮叶片的辐射光谱进行预处理过程为:
设航空发动机涡轮叶片光谱辐射测温装置共有n个有效测量通道,对于其中的第i个光谱测量通道,待测涡轮叶片的光谱辐射能量可以使用维恩公式近似表示为:
其中,
c1=3.7418×10-16W·m2为第一辐射常数;
c2=1.4388×10-2m·K为第二辐射常数;
T为待测涡轮叶片温度;
λi为第i个光谱测量通道对应的测量波长;
ε(λi,T)为测量涡轮叶片的发射率;
L(λi,T)为光谱辐射测温系统接收到的涡轮叶片的光谱辐射能量。
为了解决在实际涡轮叶片光谱测量过程中由于航空发动机内部不稳定的环境导致的光谱偏移及漂移等情况,需要对待测涡轮叶片的光谱辐射能量进行光谱基线校正:
Ls(λi,T)==L(λi,T)-min[L(λi,T)]
为了消除训练过程中弱光谱信号容易被忽略的问题在进行涡轮叶片光谱发射率模型训练前需要对测量光谱进行归一化为:
S13、根据涡轮叶片发射率模型的分选结果实时判断待测涡轮叶片的辐射光谱的发射率模型。
常用的航空发动机涡轮叶片光谱发射率模型主要有以下几种:
(1)线型发射率模型:ε(λi,T)=a0+a1λi
(3)三角函数型发射率模型:ε(λi,T)=sin(a0+a1λi)
(4)指数型发射率模型:ε(λi,T)=exp(a0+a1λi)
上述发射率模型识别神经网络的训练过程为:
S101、根据不同涡轮叶片的光谱辐射特性建立涡轮叶片光谱发射率模型;
S102、根据发射率模型构建训练样本数据和测试样本数据;
S103、建立初始发射率模型识别神经网络,并进行样本识别训练;
S104、通过梯度下降法判断初始发射率模型识别神经网络的误差收敛情况,并根据误差大小分布对初始发射率模型识别神经网络进行改进;
根据误差大小分布情况对光谱训练参数,光谱预处理方法以及光谱特征选取方法进行调整。
光谱训练参数包括:隐含层数量及层数、激活函数类别、输出层权值等参数。
S105、当误差收敛情况符合要求时,得到最终发射率模型识别神经网络。
符合要求是指使用测试集样本发射率识别率近似为1。
在实际测量时通过测量航空发动机涡轮叶片在各个光谱通道内的辐射光谱分布,利用训练后的发射率模型识别神经网络对涡轮叶片的辐射光谱进行发射率模型分类,进而得到此时涡轮叶片对应的光谱发射率模型。
当引入涡轮叶片光谱发射率模型后,多光谱测温模型方程组中光谱发射率系数个数与方程组中未知量随之确定。将该方程组转化为涡轮叶片温度与光谱发射率模型系数的隐函数问题,直接对其进行求解难度较大,因此本项目采用最优化偏差函数算法对涡轮叶片真实温度进行求解,
S2、根据选取的发射率模型建立评价偏差函数Δ2:
S3、将待测涡轮叶片的温度区域划分为N个区域,通过Levenberg-Marquard算法对评价偏差函数进行求解,得到N个温度解:T1、T2…TN;
S4、根据N个温度解:T1、T2…TN计算评价偏差函数值,当评价偏差函数值为最小值时,将其对应的温度解作为待测涡轮叶片的实际温度值。
因此当待测涡轮叶片的光谱发射率模型确定后,通过计算偏差函数Δ2的最小值即偏差函数趋近于零时,即可得到此时对应的待测涡轮叶片光谱发射率以及待测涡轮叶片的温度。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (6)
1.一种航空发动机涡轮叶片光谱辐射测温装置,其特征在于,包括:摆扫反射镜、第一准直镜、第二准直镜、黑体、调焦镜组、光谱测量系统、控制系统和数据处理系统;
待测涡轮叶片发出的辐射光束入射至所述摆扫反射镜中,经所述摆扫反射镜的反射后再经冷气吹扫入射至所述调焦镜组,所述辐射光束经过所述调焦镜组的折射后入射至半透半反镜片,经所述半透半反镜片反射后经第一准直镜汇聚至所述黑体,所述黑体反射出的测量光束再返回至所述半透半反镜片中与所述辐射光束发生干涉形成干涉光束;
所述干涉光束水平出射后经所述第二准直镜的折射后入射至光谱测量系统,得到待测涡轮叶片的辐射光束数据;
所述数据处理系统用于对所述辐射光束数据进行处理后得到待测涡轮叶片的实际温度。
2.根据权利要求1所述的航空发动机涡轮叶片光谱辐射测温装置,其特征在于,所述光谱测量系统包括:狭缝、第一反射镜、光栅、第二反射镜、棱镜和CCD;
所述干涉光束通过所述狭缝入射至所述第一反射镜,经所述第一反射镜反射后入射至所述光栅后发射出衍射光束入射至所述棱镜中,所述衍射光束依次经所述棱镜和所述第二反射镜的反射后被所述CCD接收,得到所述待测涡轮叶片的光谱辐射数据,所述CCD将所述光谱辐射数据传输至数据处理系统。
4.根据权利要求3所述的航空发动机涡轮叶片光谱辐射测温方法,其特征在于,所述步骤S1包括以下子步骤:
S11、通过所述航空发动机涡轮叶片光谱辐射测温装置获取所述待测涡轮叶片的辐射光谱;
S12、对所述待测涡轮叶片的辐射光谱进行预处理后输入至所述发射率模型识别神经网络;
S13、根据涡轮叶片发射率模型的分选结果实时判断所述待测涡轮叶片的辐射光谱的发射率模型。
5.根据权利要求4所述的航空发动机涡轮叶片光谱辐射测温方法,其特征在于,所述待测涡轮叶片的辐射光谱进行预处理过程为:
设所述航空发动机涡轮叶片光谱辐射测温装置共有n个有效测量通道,对于其中的第i个光谱测量通道,所述待测涡轮叶片的光谱辐射能量通过维恩公式表示为:
其中,
c1=3.7418×10-16W·m2为第一辐射常数;
c2=1.4388×10-2m·K为第二辐射常数;
T为待测涡轮叶片温度;
λi为第i个光谱测量通道对应的测量波长;
ε(λi,T)为所述待测涡轮叶片的发射率;
L(λi,T)为所述光谱辐射测温装置接收到的涡轮叶片的光谱辐射能量;
对所述待测涡轮叶片的光谱辐射能量进行光谱基线校正:
Ls(λi,T)==L(λi,T)-min[L(λi,T)]
得到归一化后的所述待测涡轮叶片的光谱辐射能量为:
6.根据权利要求5所述的航空发动机涡轮叶片光谱辐射测温方法,其特征在于,所述发射率模型识别神经网络的训练过程为:
S101、根据不同涡轮叶片的光谱辐射特性建立涡轮叶片光谱发射率模型;
S102、根据所述发射率模型构建训练样本数据和测试样本数据;
S103、建立初始发射率模型识别神经网络,并根据所述训练样本数据和测试样本数据进行样本识别训练;
S104、通过梯度下降法判断所述初始发射率模型识别神经网络的误差收敛情况,并根据误差大小分布对所述初始发射率模型识别神经网络进行改进;
S105、当误差收敛情况符合要求时,得到最终发射率模型识别神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211212718.8A CN115493708A (zh) | 2022-09-30 | 2022-09-30 | 航空发动机涡轮叶片辐射测温装置及其测温方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211212718.8A CN115493708A (zh) | 2022-09-30 | 2022-09-30 | 航空发动机涡轮叶片辐射测温装置及其测温方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115493708A true CN115493708A (zh) | 2022-12-20 |
Family
ID=84472823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211212718.8A Pending CN115493708A (zh) | 2022-09-30 | 2022-09-30 | 航空发动机涡轮叶片辐射测温装置及其测温方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115493708A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230032755A1 (en) * | 2021-07-28 | 2023-02-02 | Nanjing University Of Aeronautics And Astronautics | High-temperature biaxial strength tester for ceramic matrix composite (cmc) turbine vane and test method thereof |
CN116502469A (zh) * | 2023-06-25 | 2023-07-28 | 中国航发四川燃气涡轮研究院 | 一种基于温度测试数据的涡轮叶片温度修正方法及装置 |
-
2022
- 2022-09-30 CN CN202211212718.8A patent/CN115493708A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230032755A1 (en) * | 2021-07-28 | 2023-02-02 | Nanjing University Of Aeronautics And Astronautics | High-temperature biaxial strength tester for ceramic matrix composite (cmc) turbine vane and test method thereof |
US11644382B2 (en) * | 2021-07-28 | 2023-05-09 | Nanjing University Of Aeronautics And Astronautics | High-temperature biaxial strength tester for ceramic matrix composite (CMC) turbine vane and test method thereof |
CN116502469A (zh) * | 2023-06-25 | 2023-07-28 | 中国航发四川燃气涡轮研究院 | 一种基于温度测试数据的涡轮叶片温度修正方法及装置 |
CN116502469B (zh) * | 2023-06-25 | 2023-09-05 | 中国航发四川燃气涡轮研究院 | 一种基于温度测试数据的涡轮叶片温度修正方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115493708A (zh) | 航空发动机涡轮叶片辐射测温装置及其测温方法 | |
CN104251846A (zh) | 一种结合判别分析的激光诱导击穿光谱定量分析方法 | |
Chen et al. | Multi-spectral temperature measurement based on adaptive emissivity model under high temperature background | |
Tang et al. | An online surface defects detection system for AWAM based on deep learning | |
EP0543326B1 (en) | Surface condition measurement apparatus | |
CN113358239A (zh) | 一种基于fbg的波长特征识别方法 | |
US20220228923A1 (en) | Thermal measurement system | |
KR0137451B1 (ko) | 복사에너지 방출재료의 공정제어방법 및 그 장치 | |
CN113218872B (zh) | 一种高温半透明材料光学特性多参数同时辨识方法 | |
CN116625519A (zh) | 一种基于isma算法的多光谱辐射测温反演计算方法 | |
CN115008006A (zh) | 一种激光焊接检测评估系统及方法 | |
CN113639891A (zh) | 一种基于等效波长的高速光纤温度传感解调方法 | |
Zhang et al. | Multispectral-band radiation thermometry method based on double-stage emissivity neural network | |
Zeise et al. | Improving the interpretation of thermal images with the aid of emissivity's angular dependency | |
CN105333962A (zh) | 一种修正双波段测温误差的温度测量方法及系统 | |
Farrell et al. | Compilation of a Solar Mirror Materials Database and an Analysis of Natural and Accelerated Mirror Exposure and Degradation | |
CN115265825B (zh) | 内表面温度测量方法及装置、存储介质、终端 | |
CN113739933B (zh) | 一种高精度、高空间分辨率的红外测温方法 | |
Crane | Pyrometric temperature measurement in concentrated sunlight with emissivity determination | |
CN115512455B (zh) | 一种融合机理与模型迁移的加热炉钢坯温度预测方法 | |
Xie et al. | Application of laser sensors for on-line calibration of displacement transducers | |
CN116883342A (zh) | 基于oct传感和核极限学习机的激光焊气孔实时预测方法及系统 | |
da Silva et al. | A swarm intelligence approach for regression analysis of surface plasmon resonance curves in Otto chips | |
Fu et al. | Spectral emissivity calculation based on extreme learning machine | |
CN115493702A (zh) | 涡轮叶片辐射测温装置及其测温方法 |
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 |