DE102017204434A1 - Verfahren und Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer - Google Patents
Verfahren und Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer Download PDFInfo
- Publication number
- DE102017204434A1 DE102017204434A1 DE102017204434.9A DE102017204434A DE102017204434A1 DE 102017204434 A1 DE102017204434 A1 DE 102017204434A1 DE 102017204434 A DE102017204434 A DE 102017204434A DE 102017204434 A1 DE102017204434 A1 DE 102017204434A1
- Authority
- DE
- Germany
- Prior art keywords
- combustion chamber
- temperature distribution
- gas temperature
- data
- spectral
- 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.)
- Withdrawn
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 109
- 238000009826 distribution Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims description 21
- 230000003595 spectral effect Effects 0.000 claims abstract description 55
- 230000003287 optical effect Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 239000000126 substance Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 71
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 18
- 238000000862 absorption spectrum Methods 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000000295 emission spectrum Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002211 ultraviolet spectrum Methods 0.000 description 2
- 239000011358 absorbing material Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000695 excitation spectrum Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
- F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
- F02D41/1446—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being exhaust temperatures
- F02D41/1447—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being exhaust temperatures with determination means using an estimation
-
- 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
- G01J5/60—Radiation pyrometry, e.g. infrared or optical thermometry using determination of colour temperature
- G01J5/602—Radiation pyrometry, e.g. infrared or optical thermometry using determination of colour temperature using selective, monochromatic or bandpass filtering
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
- F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
- F02D35/022—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions using an optical sensor, e.g. in-cylinder light probe
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
- F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
- F02D35/025—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining temperatures inside the cylinder, e.g. combustion temperatures
- F02D35/026—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining temperatures inside the cylinder, e.g. combustion temperatures using an estimation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- 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
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
-
- 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
- G01J5/0014—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation from gases, flames
-
- 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
- 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
- G01J5/02—Constructional details
- G01J5/08—Optical arrangements
- G01J5/0801—Means for wavelength selection or discrimination
- G01J5/0802—Optical filters
-
- 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
- G01J5/02—Constructional details
- G01J5/08—Optical arrangements
- G01J5/0806—Focusing or collimating elements, e.g. lenses or concave mirrors
-
- 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
- G01J5/02—Constructional details
- G01J5/08—Optical arrangements
- G01J5/0808—Convex mirrors
-
- 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
- G01J5/02—Constructional details
- G01J5/08—Optical arrangements
- G01J5/0896—Optical arrangements using a light source, e.g. for illuminating a surface
-
- 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
- G01J5/58—Radiation pyrometry, e.g. infrared or optical thermometry using absorption; using extinction effect
-
- 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
- G01J5/60—Radiation pyrometry, e.g. infrared or optical thermometry using determination of colour temperature
-
- 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
- G01J5/80—Calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
- F05D2270/804—Optical devices
- F05D2270/8041—Cameras
-
- 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
- G01J2005/0077—Imaging
-
- 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
- G01J5/02—Constructional details
- G01J5/04—Casings
- G01J5/047—Mobile mounting; Scanning arrangements
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Radiation Pyrometers (AREA)
- Testing Of Engines (AREA)
Abstract
Zur Messung einer Gastemperaturverteilung in einer Brennkammer (BK) wird mittels eines in die Brennkammer (BK) gerichteten optischen Sensors (C) für unterschiedliche durch die Brennkammer (BK) führende Lichtwege (LW) jeweils ein vorgegebener Spektralbereich eines optischen Spektrums selektiv erfasst. Dabei wird für einen jeweiligen Spektralbereich eine jeweilige Spektralintensität (SI) ermittelt und einer den jeweiligen Lichtweg (LW) identifizierenden Lichtwegangabe (LA) zugeordnet. Die ermittelten Spektralintensitäten (SI) und die zugeordneten Lichtwegangaben (LA) werden einer auf eine Reproduktion von ortsaufgelösten Trainings-Temperaturverteilungen (TTD) trainierten maschinellen Lernroutine (NN) als Eingabedaten zugeführt. Ausgabedaten der maschinellen Lernroutine (NN) werden dann als Gastemperaturverteilung (GTD) ausgegeben.
Description
- In Brennkammern, insbesondere von Verbrennungskraftmaschinen findet ein Verbrennungsprozess häufig bei sehr hohen Temperaturen, Drücken und/oder Strömungsgeschwindigkeiten statt. Bei einer Gasturbine können zum Beispiel Temperaturen von circa 1300-2000°C, Drücke von circa 15-25 bar und Strömungsgeschwindigkeiten von circa 300 m/s auftreten. Für eine Optimierung der Konstruktion und des Betriebs einer Verbrennungskraftmaschine, insbesondere hinsichtlich ihres Wirkungsgrads, ihrer Abgasemissionen und/oder ihres Verschleißes ist es sehr nützlich, Information über eine Temperaturverteilung in der Brennkammer zu erfassen und auszuwerten. Insofern gerade lokale Temperaturspitzen häufig zu stärkeren StickoxidEmissionen und stärkerem Verschleiß führen, wäre es sehr vorteilhaft, dabei nicht nur einen Temperaturmittelwert zu erfassen, sondern insbesondere ein Maß für eine Inhomogenität oder Ungleichverteilung der Gastemperatur.
- Unter den vorstehend genannten physikalischen Umgebungsbedingungen ist es häufig nur sehr eingeschränkt möglich, in der Brennkammer herrschende Gastemperaturen durch dort angebrachte Messfühler direkt zu messen. Aufgrund dieser Schwierigkeit werden bei bekannten Verbrennungskraftmaschinen Temperaturmessungen in der Regel an einem Gasauslass der Verbrennungskraftmaschine vorgenommen. Von den dort gemessenen Temperaturen und den dort herrschenden nahezu atmosphärischen Drücken wird dann auf die höheren Werte in der Brennkammer zurückgerechnet. Auf diese Weise können jedoch in vielen Fällen nur Durchschnittswerte der Gastemperatur in der Brennkammer ermittelt werden. Aus diesen Durchschnittswerten können zwar mittels thermodynamischer Modelle der Verbrennungskraftmaschine häufig Abschätzungen über eine Temperaturverteilung in der Brennkammer gewonnen werden, doch spiegeln diese Abschätzungen oft nur eine Modellstruktur wieder.
- Es ist Aufgabe der vorliegenden Erfindung, ein Verfahren und eine Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer zu schaffen, die eine genauere Ermittlung der Gastemperaturverteilung erlauben.
- Gelöst wird diese Aufgabe durch ein Verfahren mit den Merkmalen des Patentanspruchs 1, durch eine Anordnung mit den Merkmalen des Patentanspruchs 13, durch ein Computerprogrammprodukt mit den Merkmalen des Patentanspruchs 14 und durch ein computerlesbares Speichermedium mit den Merkmalen des Patentanspruchs 15.
- Zur Messung einer Gastemperaturverteilung in einer Brennkammer, insbesondere einer Verbrennungskraftmaschine, wird mittels eines in die Brennkammer gerichteten optischen Sensors für unterschiedliche durch die Brennkammer führende Lichtwege jeweils ein vorgegebener Spektralbereich eines optischen Spektrums selektiv erfasst. Das optische Spektrum kann hierbei insbesondere ein Infrarotspektrum, ein Ultraviolettspektrum und/oder ein Spektrum im sichtbaren Licht sein. Dabei wird für einen jeweiligen Spektralbereich eine jeweilige Spektralintensität ermittelt und einer den jeweiligen Lichtweg identifizierenden Lichtwegangabe zugeordnet. Die ermittelten Spektralintensitäten und die zugeordneten Lichtwegangaben werden einer auf eine Reproduktion von ortsaufgelösten Trainings-Temperaturverteilungen trainierten maschinellen Lernroutine als Eingabedaten zugeführt. Ausgabedaten der maschinellen Lernroutine werden dann als Gastemperaturverteilung ausgegeben. Als Gastemperaturverteilung kann hierbei insbesondere eine räumliche Temperaturverteilung, ein Maß für eine räumliche Inhomogenität oder Ungleichverteilung der Gastemperatur und/oder eine Temperaturhäufigkeitsverteilung ausgegeben werden.
- Zum Ausführen des erfindungsgemäßen Verfahrens sind eine Anordnung zur Messung der Gastemperaturverteilung, ein Computerprogrammprodukt sowie ein computerlesbares Speichermedium vorgesehen.
- Das erfindungsgemäße Verfahren und die erfindungsgemäße Anordnung können beispielsweise mittels einem oder mehrerer Prozessoren, anwendungsspezifischen integrierten Schaltungen (ASIC), digitalen Signalprozessoren (DSP) und/oder sogenannten „Field Programmable Gate Arrays“ (FPGA) ausgeführt bzw. implementiert werden.
- Ein Vorteil der Erfindung ist darin zu sehen, dass sie eine verhältnismäßig genaue Ermittlung einer Gastemperaturverteilung in einer Brennkammer erlaubt, ohne auf in die Brennkammer ragende Temperatursensoren angewiesen zu sein. Durch die Verwendung einer maschinellen Lernroutine können auch komplexe Korrelationen zwischen den lichtwegspezifischen und damit ortsaufgelösten Spektralintensitäten und der Gastemperaturverteilung in der Brennkammer verhältnismäßig genau modelliert werden. Dies gilt insbesondere auch für unterschiedliche Betriebszustände der Brennkammer. Die ermittelte Gastemperaturverteilung und insbesondere deren Inhomogenität können dazu verwendet werden, einen Betrieb der Brennkammer zu überwachen, die Brennkammer zu testen, einen Wirkungsgrad zu optimieren und/oder Schadstoffausstoß und/oder Verschleiß zu minimieren.
- Vorteilhafte Ausführungsformen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben.
- Vorzugsweise kann die maschinelle Lernroutine ein datengetriebenes trainierbares Regressionsmodell, ein künstliches neuronales Netz, ein rekurrentes neuronales Netz, ein Convolutional-Neural-Network, einen Autoencoder, eine Deep-Learning-Architektur, eine Support-Vector-Machine, einen k-nächste-Nachbarn-Klassifikator, ein physikalisches Modell und/oder einen Entscheidungsbaum verwenden.
- Nach einer besonders vorteilhaften Ausführungsform der Erfindung können als Spektralbereich spezifisch Spektrallinien eines oder mehrerer Stoffe selektiert werden, deren Konzentration in der Brennkammer temperaturabhängig ist. Die Spektrallinien können hierbei Absorptions- oder Emissionslinien sein. Als Stoffe können vorzugsweise Verbindungen gewählt werden, die bei der Verbrennung entstehen oder anderweitig umgewandelt werden. Für solche Umwandlungen sind häufig bestimmte Temperaturen oder Temperaturschwellen charakteristisch, so dass eine starke Korrelation und mithin ein charakteristischer Zusammenhang zwischen der Intensität der betreffenden Spektrallinien und einer lokalen Gastemperatur besteht. Derartige Stoffe können also gewissermaßen als Temperaturmarker verwendet werden. Vorzugsweise können Stickoxide als Temperaturmarker im Sinne der Erfindung verwendet werden. Die Erfassung der Spektralintensitäten von Stickoxiden oder anderen Schadstoffen kann zusätzlich dazu genutzt werden, eine Schadstoffemission zu messen und ggf. zu optimieren.
- Nach einer weiteren vorteilhaften Ausführungsform kann das optische Spektrum für die unterschiedlichen Lichtwege parallel und richtungssensitiv mittels einer Kamera als optischem Sensor erfasst werden. Die Kamera kann dabei insbesondere eine Infrarot-Kamera, eine Ultraviolett-Kamera und/oder eine für sichtbares Licht sensitive Kamera sein.
- Weiterhin kann der Spektralbereich mittels eines vorzugsweise schmalbandigen Spektralfilters selektiert werden.
- Nach einer weiteren vorteilhaften Ausführungsform der Erfindung können ein oder mehrere Laserstrahlen auf unterschiedlichen Lichtwegen durch die Brennkammer gesendet und nach Durchlaufen des jeweiligen Lichtweges vom optischen Sensor erfasst werden. Eine Laserfrequenz kann hierbei auf einen jeweiligen Spektralbereich oder eine jeweilige Spektrallinie abgestimmt werden.
- Vorteilhafterweise können die unterschiedlichen Lichtwege durch Richtungs- und/oder Positionsänderungen des optischen Sensors, eines in die Brennkamer gerichteten Lasers und/oder eines auf einem jeweiligen Lichtweg angeordneten Spiegels und/oder Prismas selektiert werden. Somit kann auf einfache Weise eine Vielzahl von Lichtwegen selektiert werden. Die Lichtwegangaben können hierbei Angaben über Position und/oder Ausrichtung des optischen Sensors, des Lasers, des Spiegels und/oder des Prismas umfassen.
- Gemäß einer weiteren Ausführungsform der Erfindung kann die maschinelle Lernroutine in einer Kalibrierungsphase mittels einer Trainingsbrennkammer anhand vorgegebener Temperaturverteilungsdaten trainiert werden.
- Darüber hinaus kann mittels eines Thermodynamikmodells der Brennkammer eine Korrelation zwischen weiteren Betriebsdaten der Brennkammer und einer Temperaturverteilung in der Brennkammer ermittelt und zum Training der maschinellen Lernroutine verwendet werden.
- Weiterhin können der maschinellen Lernroutine zusammen mit den Spektralintensitäten und den Lichtwegangaben weitere Betriebsdaten der Brennkamer als Eingabedaten zugeführt werden. Durch die Berücksichtigung der weiteren Betriebsdaten verbessert sich im Allgemeinen eine Genauigkeit der ermittelten Gastemperaturverteilung.
- Insbesondere kann anhand der weiteren Betriebsdaten und der ausgegebenen Gastemperaturverteilung ein Softsensor auf eine Reproduktion der Gastemperaturverteilung anhand der weiteren Betriebsdaten trainiert werden. Mittels des trainierten Softsensors kann dann die Gastemperaturverteilung anhand der weiteren Betriebsdaten zumindest geschätzt werden, ohne einen optischen Sensor zu benötigen. Dies erlaubt einen Einsatz des trainierten Softsensors auch bei Verbrennungskraftmaschinen, bei denen das Innere der Brennkammer optisch nicht oder nur schwierig zugänglich ist.
- Darüber hinaus kann eine Trainingsstruktur der trainierten maschinellen Lernroutine spezifisch extrahiert und auf einen Softsensor übertragen werden. Eine solche Übertragung wird häufig auch als Transfer-Learning bezeichnet. Die Übertragung kann in vielen Fällen ein Training des Softsensors verkürzen oder sogar ersetzen.
- Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert. Dabei veranschaulichen jeweils in schematischer Darstellung:
-
1 eine Gasturbine mit Brennkammer, -
2 eine röhrenförmige Brennkammer mit einem optischen Sensor zur Messung einer Gastemperaturverteilung, -
3 ein Training einer erfindungsgemäßen Anordnung zur Messung einer Gastemperaturverteilung, und -
4 eine Messung einer Gastemperaturverteilung mittels der trainierten Anordnung -
1 zeigt als Anwendungsbeispiel der Erfindung in schematischer Darstellung eine GasturbineGT mit einer BrennkammerBK , in der eine Gastemperaturverteilung während des Betriebs zu messen ist. Die GasturbineGT verfügt über einen VerdichterV zum Komprimieren von zuströmender Luft, über die BrennkammerBK zum Verbrennen von zugeführtem Treibstoff sowie über eine Turbine T zum Umsetzen von durch die Verbrennung erzeugter thermischer und kinetischer Energie in Rotationsenergie. Letztere wird über eine AntriebswelleAW unter anderem zum VerdichterV übertragen, um diesen anzutreiben. - Daneben kann die Erfindung auch zur Messung von Gastemperaturverteilungen in Brennkammern von Verbrennungsmotoren, Strahltriebwerken oder anderen Verbrennungskraftmaschinen dienen.
-
2 zeigt in schematischer Darstellung eine röhrenförmige BrennkammerBK mit einem optischen Sensor C zur Messung einer Gastemperaturverteilung in der BrennkammerBK . Die BrennkammerBK kann insbesondere eine Brennkammer oder ein Brennraum einer Gasturbine, eines Verbrennungsmotors, eines Strahltriebwerks oder einer anderen Verbrennungskraftmaschine sein. Die BrennkammerBK verfügt über eine LuftzuführungLZ sowie über TreibstoffzuführungenTZ . Der Treibstoff wird mit der zugeführten Luft vermischt und in einer Flamme F verbrannt. Die Flamme F hat in der Regel eine inhomogene Temperaturverteilung sowohl über einen Querschnitt der BrennkammerBK hinweg als auch entlang der BrennkammerBK . So können zum Beispiel Temperaturen von ca. 1400-2000°C im Bereich der Flamme F und zum Beispiel ca. 1000°C an einem Rand der BrennkammerBK auftreten. Für einen Verschleiß der BrennkammerBK oder der GasturbineGT sind insbesondere lokale Temperaturspitzen maßgeblich. - Häufig bildet sich entlang der Brennkammer
BK eine starke Gasströmung aus, die eine Temperaturverteilung vom Bereich der Flamme F entlang der BrennkammerBK transportiert. Durch eine typischerweise stattfindende Entspannung des strömenden Gases, insbesondere in einer Turbine oder Turbinenstufe sinkt dessen Temperatur beim Transport in der Regel beträchtlich. Nichtsdestotrotz ist die beim Auslass ankommende Temperatur in der Regel korreliert mit einer Temperatur im Bereich der Flamme F. Dem erfindungsgemäßen Verfahren der Gastemperaturverteilungsmessung liegt die Beobachtung zugrunde, dass diese Korrelation mit verfügbaren maschinellen Lernroutinen mit gutem Erfolg gelernt werden kann. - Als optischer Sensor ist eine Kamera C in die Brennkammer
BK gerichtet. Die Kamera C kann insbesondere eine Infrarot-Kamera, eine Ultraviolett-Kamera und/oder eine für sichtbares Licht sensitive Kamera sein. Als Kamera C kann auch ein ortsauflösendes bzw. richtungsauflösendes Spektrometer eingesetzt werden. Insbesondere können Kameraanordnungen, die bisher zur Beobachtung von Turbinenschaufeln eingesetzt werden, so modifiziert werden, dass Sie ein ortsaufgelöstes optisches Spektrum erfassen können. - Die Kamera C ist derart zur Brennkammer
BK angeordnet, dass sie ein optisches Spektrum für unterschiedliche durch die BrennkammerBK führende Lichtwege LW erfassen kann. Das optische Spektrum kann hierbei insbesondere ein Infrarotspektrum, ein Ultraviolettspektrum und/oder ein Spektrum im sichtbaren Licht sein. Bei entsprechender Auflösung kann die Kamera C eine Vielzahl von Lichtwegen LW parallel und nahezu gleichzeitig erfassen. Zu diesem Zweck kann an der BrennkammerBK eine Öffnung oder ein anderer Lichtdurchlass, zum Beispiel ein Fenster aus hitzebeständigem Glas angebracht sein. Bei einem Strahltriebwerk kann die Kamera C in einen geöffneten Auslass der BrennkammerBK gerichtet werden. Darüber hinaus kann auch ein Spiegel und/oder ein Prisma dazu verwendet werden, die Lichtwege LW in die Kamera C umzuleiten. Vorzugsweise werden die Kamera C und gegebenenfalls der Spiegel und/oder das Prisma so angeordnet, dass Lichtwege LW erfasst werden können, die längs durch die BrennkammerBK führen. - Die Kamera C erfasst für die Lichtwege
LW jeweils einen oder mehrere spezifisch vorgegebene Spektralbereiche eines optischen Spektrums, insbesondere eines Emissions- und/oder Absorptionsspektrums. Jedem erfassten Spektralbereich wird dabei eine Lichtwegangabe zugeordnet, die denjenigen LichtwegLW identifiziert, für den dieser Spektralbereich erfasst wurde. Als Lichtwegangabe kann insbesondere eine Richtungsinformation über den betreffenden LichtwegLW zugeordnet werden. Bei einem zweidimensionalen Kamerabild können Bildkoordinaten eines jeweiligen Bildpunkts als Lichtwegangabe zugeordnet werden. - Die Spektralbereiche können vorzugsweise mittels eines oder mehrerer schmalbandiger Spektralfilter aus dem erfassten optischen Spektrum extrahiert werden. Ein derartiger Spektralfilter kann z.B. als Frequenz- oder Wellenlängenfilter sowie als analoges oder digitales Spektralfilter ausgebildet sein. Insbesondere kann der Spektralfilter spezifische Frequenz- und/oder Wellenlängenkanäle, beziehungsweise bestimmte Dimensionen eines das optische Spektrum darstellenden, hochdimensionalen Datenvektors selektieren. Alternativ oder zusätzlich können die Lichtwege
LW durch ein vorzugsweise vor der Kamera C oder einem Spiegel oder Prisma angeordnetes Transmissionsspektralfilter geführt werden. - Als Spektralbereiche werden vorzugsweise spezifisch Spektrallinien von Emissions- oder Absorptionsspektren eines oder mehrerer Stoffe selektiert, deren Konzentration in der Brennkammer
BK stark temperaturabhängig ist. Hierfür werden insbesondere Emissions- oder Absorptionslinien von gasförmigen Verbrennungsprodukten, Molekülen, Molekülverbindungen und/oder Radikalen selektiert, die ausschließlich oder bevorzugt oberhalb bestimmter Temperaturschwellen in der BrennkammerBK gebildet werden und gegebenenfalls bei niedrigeren Temperaturen wieder zerfallen. Vorzugsweise werden Spektrallinien von Stickoxiden wie NO, N2O, NO2 und/oder anderen Verbindungen selektiert, die typischerweise in vorbestimmten hohen Temperaturbereichen auftreten. Bei derartigen Stoffen tritt ein nichtlinearer, häufig exponentieller Anstieg oder Abfall ihrer Konzentration mit der Temperatur auf, so dass eine starke Korrelation und mithin ein charakteristischer Zusammenhang zwischen der Intensität der betreffenden Spektrallinien und der lokalen Gastemperatur besteht. Derartige Stoffe können also gewissermaßen als Temperaturmarker verwendet werden. - Durch die Kamera C werden somit selektiv schmalbandige Spektralbereiche mit Emissions- und/oder Absorptionsspektren von als Temperaturmarker verwendeten Stoffen lichtwegspezifisch, vorzugsweise als zweidimensionales Bild erfasst. Durch die Selektion schmaldbandiger Spektralbereiche aus dem optischen Spektrum können die charakteristischen Spektren der als Temperaturmarker verwendeten Stoffe gut von der kontinuierlichen Wärmestrahlung der Brennkammerwände separiert werden. Diese kontinuierliche Wärmestrahlung würde nur relativ ungenaue Rückschlüsse auf die Gastemperaturverteilung erlauben.
- Der optische Sensor, hier die Kamera C, kann auch mit einem oder mehreren in die Brennkammer
BK gerichteten Lasern L kombiniert werden. Der oder die Laser L senden hierbei, zum Beispiel mittels eines zeitlichen oder räumlichen Multiplexverfahrens eine Vielzahl von Laserstrahlen entlang der LichtwegeLW . Die Frequenz der Laserstrahlen ist dabei auf eine oder mehrere Spektrallinien der Temperaturmarker abgestimmt, um deren Absorptions- oder Anregungsspektrum zu detektieren. Das Streulicht der zurückgestreuten Laserstrahlen wird vorzugsweise richtungssensitiv mittels der Kamera C erfasst und einem LichtwegLW des jeweils verursachenden Laserstrahls zugeordnet. Anhand des Streulichts kann eine Absorption der Laserenergie auf dem betreffenden Lichtweg und damit eine Konzentration des absorbierenden Stoffes lichtwegspezifisch ermittelt werden. Alternativ oder zusätzlich kann vorgesehen sein, dass der oder die Laser L die BrennkammerBK vorzugsweise in Längsrichtung durchstrahlen. Zu diesem Zweck können ein erster Lichtdurchlass für einen Eintritt der Laserstrahlen in die BrennkammerBK und ein gengenüberliegender Lichtdurchlass für einen Austritt der Laserstrahlen vorgesehen sein. - Unterschiedliche Lichtwege
LW durch die BrennkammerBK können auf einfache Weise durch Verschieben und/oder Drehen der Kamera C, des oder der Laser L, eines Spiegels und/oder eines Prismas eingestellt und/oder selektiert werden. Somit können die Spektralbereiche auf einen Gitter oder Fächer von Lichtwegen aus einem größeren Bereich der BrennkammerBK erfasst werden. - Erfindungsgemäß werden für einen jeweiligen Lichtweg
LW und einen jeweiligen Spektralbereich jeweils eine oder mehrere Spektralintensitäten ermittelt und dem betreffenden LichtwegLW durch eine Lichtwegangabe zugeordnet. - Neben den Spektralintensitäten werden vorzugsweise noch weitere von außen zugängliche Betriebsdaten der Brennkammer
BK und/oder der Verbrennungskraftmaschine erfasst und bei der Ermittlung der Gastemperaturverteilung ausgewertet. Derartige Betriebsdaten können zum Beispiel aktuelle physikalische, regelungstechnische, wirkungsbedingte und/oder bauartbedingte Zustandsgrößen, Betriebsparameter, Eigenschaften, Leistungsdaten, Wirkungsdaten, Systemdaten, Vorgabewerte, Steuerdaten, Umgebungsdaten, Sensordaten, Messwerte oder andere im Betrieb der Verbrennungskraftmaschine anfallende Daten umfassen. Im vorliegenden Ausführungsbeispiel werden als weitere Betriebsdaten durch einen TemperatursensorTS gemessene Abgastemperaturen und durch einen AbgassensorAS gemessene Abgasemissionen erfasst. Der AbgassensorAS misst insbesondere eine Zusammensetzung der Abgase. - Der Temperatursensor
TS und der AbgassensorAS können an der BrennkammerBK und/oder hinter einer Turbine angeordnet sein. Gegebenenfalls können auch mehrere TemperatursensorenTS und/oder AbgassensorenAS vorgesehen sein. Insbesondere kann ein Gitter oder ein Ring von TemperatursensorenTS oder AbgassensorenAS hinter der BrennkammerBK oder einer Turbine angeordnet sein. - Eine Berücksichtigung der weiteren Betriebsdaten verbessert im Allgemeinen eine Genauigkeit der ermittelten Gastemperaturverteilung erheblich.
-
3 veranschaulicht ein Training einer erfindungsgemäßen Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer. Gleiche Entitäten sind in3 mit den gleichen Bezugszeichen bezeichnet wie in2 und können wie dort beschrieben ausgestaltet sein. - Die erfindungsgemäße Anordnung umfasst im vorliegenden Ausführungsbeispiel eine Kamera C, gegebenenfalls in Kombination mit einem oder mehreren Lasern, einen Temperatursensor
TS , einen AbgassensorAS sowie eine Turbinensteuerung CTL. Die TurbinensteuerungCTL , die Kamera C, der TemperatursensorTS und der AbgassensorAS können zu Zwecken des Trainings insbesondere an einer Trainingsbrennkammer betrieben werden, die Information über eine tatsächliche ortsaufgelöste Gastemperaturverteilung im Inneren der Brennkammer in Form von Trainings-TemperaturverteilungenTTD bereitstellt. - Die Turbinensteuerung
CTL verfügt über einen oder mehrere Prozessoren PROC zum Ausführen von Verfahrensschritten der TurbinensteuerungCTL sowie über einen oder mehrere mit dem Prozessor PROC gekoppelte Speicher MEM zum Speichern der von der TurbinensteuerungCTL zu verarbeitenden Daten. Die Kamera C, der TemperatursensorTS und der AbgassensorAS sind mit der TurbinensteuerungCTL gekoppelt. - Die Turbinensteuerung
CTL weist im vorliegenden Ausführungsbeispiel ein künstliches neuronales Netz NN als Bestandteil einer datengetriebenen maschinellen Lernroutine auf. Das neuronale Netz NN ist datengetrieben trainierbar beziehungsweise lernfähig und weist eine Trainingsstruktur TSR auf, die sich während des Trainings ausbildet. - Als Training sei in diesem Zusammenhang - dem fachlichen Sprachgebrauch folgend - eine Abbildung von Eingabedaten des neuronalen Netzes NN auf eine oder mehrere Zielgrößen verstanden, die nach vorgebbaren Kriterien während einer Trainingsphase optimiert wird. Hierbei wird die auf die vorgegebenen Kriterien hin optimierte Trainingsstruktur
TSR des neuronalen NetzesNN ausgebildet. Die TrainingsstrukturTSR kann zum Beispiel eine Vernetzungsstruktur von Neuronen des neuronalen Netzes und/oder Gewichte von Verbindungen zwischen den Neuronen umfassen, die durch das Training so ausgebildet werden, dass die vorgegebenen Kriterien möglichst gut erfüllt werden. - Im vorliegenden Ausführungsbeispiel empfängt das neuronale Netz
NN von der Kamera C für unterschiedliche Lichtwege jeweils eine oder mehrere SpektralintensitätenSI für einen jeweiligen Spektralbereich sowie eine den jeweiligen Lichtweg identifizierende LichtwegangabeLA als Eingabedaten. Als weitere Eingabedaten empfängt das neuronale NetzNN weitere Betriebsdaten der Brennkammer und/oder der Verbrennungskraftmaschine. Im vorliegenden Ausführungsbeispiel sind dies TemperaturdatenTD vom TemperatursensorTS und AbgasdatenAD vom AbgassensorAS . Die TemperaturdatenTD beschreiben hierbei vorzugsweise eine Abgastemperatur der Brennkammer und die AbgasdatenAD eine Abgaszusammensetzung, insbesondere von Stickoxidemissionen. - Das neuronale Netz
NN soll darauf trainiert werden, dass seine AusgabedatenATD die Gastemperaturverteilung der Trainingsbrennkammer als Zielgröße möglichst gut reproduzieren. Die Gastemperaturverteilung ist dabei insbesondere als Maß für eine räumliche Inhomogenität oder Ungleichverteilung der Gastemperatur und/oder als Temperaturhäufigkeitsverteilung zu verstehen. Die AusgabedatenATD werden in Form von Temperaturverteilungsdaten ausgegeben. - In einer Kalibrierungsphase wird durch das neuronale Netz
NN ausgehend von Abgasemissionen, zum Beispiel Stickoxidemissionen und durchschnittlichen Abgastemperaturen, die sich mittels eines physikalischen Thermodynamikmodells der Brennkammer aus modellierten Temperaturverteilungsdaten ableiten lassen, ein neuronales Modell erlernt, das eine Abhängigkeit der Verteilung der Verbrennungsprodukte von der Temperaturverteilung modelliert. Vorzugsweise werden hierbei Korrelationen zwischen Änderungen der Spektralintensitäten und Änderungen der Abgaszusammensetzung modelliert. - Weiterhin werden dem neuronalen Netz
NN die ortsaufgelösten Trainings-TemperaturverteilungenTTD zugeführt. Hiermit wird das neuronale NetzNN darauf trainiert, dass die aus den empfangenen SpektralintensitätenSI , den zugeordneten LichtwegangabenLA und den weiteren BetriebsdatenTD undAD abgeleiteten AusgabedatenATD , die Trainings-TemperaturverteilungenTTD möglichst gut reproduzieren. Zu diesem Zweck werden die AusgabedatenATD mit den Trainings-TemperaturverteilungenTTD verglichen, indem z.B. durch Differenzbildung ein Abstand zwischen den AusgabedatenATD und den Trainings-TemperaturverteilungenTTD ermittelt wird. Der Abstand repräsentiert einen Prädiktionsfehler des neuronalen NetzesNN und wird zu diesem zurückgeführt. Anhand des zurückgeführten Abstands wird das neuronale NetzNN - wie durch einen strichlinierten Pfeil angedeutet - darauf trainiert, den Abstand im Mittel zu minimieren. Auf diese Weise wird die TrainingsstrukturTSR ausgebildet und das neuronale NetzNN dazu befähigt, anhand der zugeführten Eingabedaten, hierSI ,LA ,TD undAD eine verhältnismäßig genaue Abschätzung der Gastemperaturverteilung auszugeben. - Die Trainings-Temperaturverteilungen
TTD können in einer Trainingsbrennkammer, insbesondere einer Testbrennkammer aus einem Entwicklungs- oder Produktqualifizierungsprozess gemessen und/oder in Form von Temperaturverteilungsdaten bereitgestellt werden. -
4 veranschaulicht eine Messung einer Gastemperaturverteilung mittels der trainierten Anordnung aus3 . Gleiche Entitäten sind in4 mit den gleichen Bezugszeichen bezeichnet wie in3 und können wie dort beschrieben ausgestaltet sein. - Die Messung der Gastemperaturverteilung erfolgt an der in
2 beschriebenen BrennkammerBK im Produktivbetrieb. Hierbei werden dem neuronalen NetzNN von der Kamera C für unterschiedliche Lichtwege jeweils eine oder mehrere Spektralintensitäten für einen jeweiligen Spektralbereich sowie eine den jeweiligen Lichtweg identifizierende LichtwegangabeLA als Eingabedaten zugeführt. Als weitere Eingabedaten empfängt das neuronale NetzNN weitere Betriebsdaten der BrennkammerBK und/oder der VerbrennungskraftmaschineGT . Im vorliegenden Ausführungsbeispiel sind dies TemperaturdatenTD vom TemperatursensorTS und AbgasdatenAD vom AbgassensorAS . Die Eingabedaten werden jeweils aktuell, vorzugsweise in Echtzeit erfasst. - Mittels der ausgebildeten Trainingsstruktur
TSR werden durch das trainierte neuronale NetzNN aus den Eingabedaten, insbesondere aus den SpektralintensitätenSI und deren Intensitätsverhältnissen Ausgabedaten abgeleitet, die als Gastemperaturverteilung GTD ausgegeben werden. Es erweist sich, dass insbesondere lokale Temperaturspitzen in der BrennkammerBK , die erheblichen Einfluss auf Abgasemissionen und Verschleiß haben, verhältnismäßig genau modellierbar und damit reproduzierbar sind. - Die ausgegebene Gastemperaturverteilung GTD kann vorzugsweise zur Steuerung der Gasturbine
GT verwendet werden. Insbesondere um deren Wirkungsgrad, z.B. durch Erhöhung einer durchschnittlichen Verbrennungstemperatur zu optimieren und/oder deren Verschleiß und/oder Schadstoffausstoß zu verringern. - Weiterhin kann mittels des trainierten neuronalen Netzes
NN ein Softsensor (nicht dargestellt) anhand der weiteren BetriebsdatenTS undAD auf eine Reproduktion der ausgegebenen Gastemperaturverteilung GTD trainiert werden. Vorteilhafterweise kann die TrainingsstrukturTSR des trainierten neuronalen NetzesNN ganz oder teilweise extrahiert und auf den Softsensor übertragen werden. Mittels des trainierten Softsensors kann dann die Gastemperaturverteilung innerhalb der BrennkammerBK anhand der weiteren Betriebsdaten zumindest geschätzt werden, ohne eine Kamera zu benötigen. Ein auf diese Weise trainierter Softsensor kann dann zur Schätzung einer Gastemperaturverteilung auch bei Verbrennungskraftmaschinen eingesetzt werden, bei denen kein Kamerabild vom Inneren der Brennkammer verfügbar ist.
Claims (15)
- Verfahren zur Messung einer Gastemperaturverteilung in einer Brennkammer (BK), wobei a) mittels eines in die Brennkammer (BK) gerichteten optischen Sensors (C) für unterschiedliche durch die Brennkammer (BK) führende Lichtwege (LW) jeweils ein vorgegebener Spektralbereich eines optischen Spektrums selektiv erfasst wird, b) für einen jeweiligen Spektralbereich eine jeweilige Spektralintensität (SI) ermittelt und einer den jeweiligen Lichtweg (LW) identifizierenden Lichtwegangabe (LA) zugeordnet wird, c) die ermittelten Spektralintensitäten (SI) und die zugeordneten Lichtwegangaben (LA) einer auf eine Reproduktion von ortsaufgelösten Trainings-Temperaturverteilungen (TTD) trainierten maschinellen Lernroutine (NN) als Eingabedaten zugeführt werden, und d) Ausgabedaten der maschinellen Lernroutine als Gastemperaturverteilung (GTD) ausgegeben werden.
- Verfahren nach
Anspruch 1 , dadurch gekennzeichnet, dass die maschinelle Lernroutine (NN) ein datengetriebenes trainierbares Regressionsmodell, ein künstliches neuronales Netz, ein rekurrentes neuronales Netz, ein Convolutional-Neural-Network, einen Autoencoder, eine Deep-Learning-Architektur, eine Support-Vector-Machine, einen k-nächste-Nachbarn-Klassifikator, ein physikalisches Modell und/oder einen Entscheidungsbaum verwendet. - Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als Spektralbereich spezifisch Spektrallinien eines oder mehrerer Stoffe selektiert werden, deren Konzentration in der Brennkammer (BK) temperaturabhängig ist.
- Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das optische Spektrum für die unterschiedlichen Lichtwege (LW) parallel und richtungssensitiv mittels einer Kamera (C) als optischem Sensor erfasst wird.
- Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Spektralbereich mittels eines Spektralfilters selektiert wird.
- Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein oder mehrere Laserstrahlen auf unterschiedlichen Lichtwegen (LW) durch die Brennkammer (BK) gesendet und nach Durchlaufen des jeweiligen Lichtweges (LW) vom optischen Sensor (C) erfasst werden.
- Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die unterschiedlichen Lichtwege (LW) durch Richtungs- und/oder Positionsänderungen des optischen Sensors (C), eines in die Brennkamer (BK) gerichteten Lasers (L) und/oder eines auf einem jeweiligen Lichtweg (LW) angeordneten Spiegels und/oder Prismas selektiert werden.
- Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die maschinelle Lernroutine (NN) in einer Kalibrierungsphase mittels einer Trainingsbrennkammer anhand vorgegebener Temperaturverteilungsdaten (TTD) trainiert wird.
- Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mittels eines Thermodynamikmodells der Brennkammer (BK) eine Korrelation zwischen weiteren Betriebsdaten (TD, AD) der Brennkammer (BK) und einer Temperaturverteilung in der Brennkammer (BK) ermittelt und zum Training der maschinellen Lernroutine (NN) verwendet wird.
- Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der maschinellen Lernroutine (NN) zusammen mit den Spektralintensitäten (SI) und den Lichtwegangaben (LA) weitere Betriebsdaten (TD, AD) der Brennkamer (BK) als Eingabedaten zugeführt werden.
- Verfahren nach
Anspruch 10 , dadurch gekennzeichnet, dass anhand der weiteren Betriebsdaten (TD, AD) und der ausgegebenen Gastemperaturverteilung (GTD) ein Softsensor auf eine Reproduktion der Gastemperaturverteilung (GTD) anhand der weiteren Betriebsdaten (TD, AD) trainiert wird. - Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Trainingsstruktur (TSR) der trainierten maschinellen Lernroutine (NN) spezifisch extrahiert und auf einen Softsensor übertragen wird.
- Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer (BK), eingerichtet zum Ausführen eines Verfahrens nach einem der vorhergehenden Ansprüche.
- Computerprogrammprodukt eingerichtet zum Ausführen eines Verfahrens nach einem der
Ansprüche 1 bis12 . - Computerlesbares Speichermedium mit einem Computerprogrammprodukt nach
Anspruch 14 .
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017204434.9A DE102017204434A1 (de) | 2017-03-16 | 2017-03-16 | Verfahren und Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer |
CN201880018537.7A CN110382848A (zh) | 2017-03-16 | 2018-03-13 | 用于测量燃烧室中的气体温度分布的方法和组件 |
US16/493,766 US20200132552A1 (en) | 2017-03-16 | 2018-03-13 | Method and assembly for measuring a gas temperature distribution in a combustion chamber |
PCT/EP2018/056297 WO2018167095A1 (de) | 2017-03-16 | 2018-03-13 | Verfahren und anordnung zur messung einer gastemperaturverteilung in einer brennkammer |
EP18716122.9A EP3577328A1 (de) | 2017-03-16 | 2018-03-13 | Verfahren und anordnung zur messung einer gastemperaturverteilung in einer brennkammer |
KR1020197029903A KR20190122262A (ko) | 2017-03-16 | 2018-03-13 | 연소 챔버에서의 가스 온도 분포를 측정하기 위한 방법 및 조립체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017204434.9A DE102017204434A1 (de) | 2017-03-16 | 2017-03-16 | Verfahren und Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102017204434A1 true DE102017204434A1 (de) | 2018-09-20 |
Family
ID=61911522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102017204434.9A Withdrawn DE102017204434A1 (de) | 2017-03-16 | 2017-03-16 | Verfahren und Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer |
Country Status (6)
Country | Link |
---|---|
US (1) | US20200132552A1 (de) |
EP (1) | EP3577328A1 (de) |
KR (1) | KR20190122262A (de) |
CN (1) | CN110382848A (de) |
DE (1) | DE102017204434A1 (de) |
WO (1) | WO2018167095A1 (de) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3726139A1 (de) * | 2019-04-16 | 2020-10-21 | Siemens Aktiengesellschaft | Verfahren und anordnung zum steuern einer verbrennungskraftmaschine mit mehreren brennern |
DE102020107162B3 (de) * | 2020-03-16 | 2021-04-29 | Schaeffler Technologies AG & Co. KG | Rotor für eine Axialflussmaschine, Verfahren zur Herstellung eines Rotors für eine Axialflussmaschine und Axialflussmaschine |
WO2021148088A1 (de) | 2020-01-24 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor, verfahren zur herstellung eines rotors und elektrische axialflussmaschine |
DE102020101639A1 (de) | 2020-01-24 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor und Axialflussmaschine |
DE102020101642A1 (de) | 2020-01-24 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor, Verfahren zur Herstellung eines Rotors und Axialflussmaschine |
DE102020101849A1 (de) | 2020-01-27 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor für eine Axialflussmaschine, Verfahren zur Herstellung eines Rotors für eine Axialflussmaschine und Axialflussmaschine |
DE102021206638A1 (de) | 2021-05-10 | 2022-11-10 | Vitesco Technologies GmbH | Computerimplementiertes Verfahren und Steuervorrichtung zum Steuern eines Antriebsstrangs eines Fahrzeugs unter Verwendung eines neuronalen Faltungsnetzes. |
DE102022125918A1 (de) | 2022-10-07 | 2024-04-18 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zum Erstellen und/oder Einlernen eines künstlichen neuronalen Netzes, Verfahren zur kontaktlosen Ermittlung von Betriebsparametern eines Triebwerkes, Computerprogramm und computerlesbares Medium |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113237569B (zh) * | 2020-02-06 | 2022-04-01 | 北京航空航天大学 | 一种用于环形燃烧场温度分布的可视化测量方法 |
CN111089850B (zh) * | 2020-02-17 | 2021-09-28 | 北京航空航天大学 | 一种基于单一组分吸收光谱的多组分浓度的估计方法 |
RU2738999C1 (ru) * | 2020-02-28 | 2020-12-21 | федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО" (Университет ИТМО) | Способ определения температуры потока газов в камере сгорания газотурбинного двигателя с углеводородным топливом |
CN112633292A (zh) * | 2020-09-01 | 2021-04-09 | 广东电网有限责任公司 | 一种金属表面氧化层温度测量方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009052157A1 (en) | 2007-10-16 | 2009-04-23 | Zolo Technologies, Inc. | Translational laser absorption spectroscopy apparatus and method |
US20100272557A1 (en) | 2009-04-27 | 2010-10-28 | General Electric Company | Gas turbine optical imaging system |
DE102011119700A1 (de) | 2010-11-30 | 2012-06-14 | Alstom Technology Ltd. | Verfahren zum Analysieren und Regeln eines Verbrennungsvorgangs in einer Gasturbine und Vorrichtung zum Ausführen des Verfahrens |
WO2014040838A1 (de) | 2012-09-11 | 2014-03-20 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten überwachung des betriebs eines technischen systems, insbesondere einer elektrischen energieerzeugungsanlage |
DE202014004495U1 (de) | 2014-06-04 | 2014-07-24 | M.A.L. Umwelttechnik - Gmbh | Einspritzvorrichtung und System zur Rauchgasentstickung |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2773879B1 (fr) * | 1998-01-20 | 2001-01-26 | Auxitrol Sa | Capteur de mesure d'une temperature |
JP4199766B2 (ja) * | 2005-12-16 | 2008-12-17 | トヨタ自動車株式会社 | 排ガス分析方法および排ガス分析装置 |
US8456634B2 (en) * | 2009-06-15 | 2013-06-04 | General Electric Company | Optical interrogation sensors for combustion control |
CN101625269B (zh) * | 2009-07-27 | 2010-12-01 | 北京航空航天大学 | 一种同时监测燃烧火焰温度场和中间产物浓度二维分布的方法 |
CN101625270B (zh) * | 2009-07-27 | 2011-08-17 | 北京航空航天大学 | 一种基于光学补偿设计的火焰温度场和燃烧中间产物浓度场监测系统 |
US20120002035A1 (en) * | 2010-06-30 | 2012-01-05 | General Electric Company | Multi-spectral system and method for generating multi-dimensional temperature data |
US9885609B2 (en) * | 2014-05-23 | 2018-02-06 | United Technologies Corporation | Gas turbine engine optical system |
-
2017
- 2017-03-16 DE DE102017204434.9A patent/DE102017204434A1/de not_active Withdrawn
-
2018
- 2018-03-13 US US16/493,766 patent/US20200132552A1/en not_active Abandoned
- 2018-03-13 EP EP18716122.9A patent/EP3577328A1/de not_active Withdrawn
- 2018-03-13 CN CN201880018537.7A patent/CN110382848A/zh active Pending
- 2018-03-13 KR KR1020197029903A patent/KR20190122262A/ko active IP Right Grant
- 2018-03-13 WO PCT/EP2018/056297 patent/WO2018167095A1/de unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009052157A1 (en) | 2007-10-16 | 2009-04-23 | Zolo Technologies, Inc. | Translational laser absorption spectroscopy apparatus and method |
US20100272557A1 (en) | 2009-04-27 | 2010-10-28 | General Electric Company | Gas turbine optical imaging system |
DE102011119700A1 (de) | 2010-11-30 | 2012-06-14 | Alstom Technology Ltd. | Verfahren zum Analysieren und Regeln eines Verbrennungsvorgangs in einer Gasturbine und Vorrichtung zum Ausführen des Verfahrens |
WO2014040838A1 (de) | 2012-09-11 | 2014-03-20 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten überwachung des betriebs eines technischen systems, insbesondere einer elektrischen energieerzeugungsanlage |
DE202014004495U1 (de) | 2014-06-04 | 2014-07-24 | M.A.L. Umwelttechnik - Gmbh | Einspritzvorrichtung und System zur Rauchgasentstickung |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3726139A1 (de) * | 2019-04-16 | 2020-10-21 | Siemens Aktiengesellschaft | Verfahren und anordnung zum steuern einer verbrennungskraftmaschine mit mehreren brennern |
WO2020212067A1 (de) * | 2019-04-16 | 2020-10-22 | Siemens Aktiengesellschaft | Verfahren und anordnung zum steuern einer verbrennungskraftmaschine mit mehreren brennern |
US12013119B2 (en) | 2019-04-16 | 2024-06-18 | Siemens Energy Global GmbH & Co. KG | Method and assembly for controlling an internal combustion engine having multiple burners |
WO2021148072A1 (de) | 2020-01-24 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor, verfahren zur herstellung eines rotors und axialflussmaschine |
DE102020101639A1 (de) | 2020-01-24 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor und Axialflussmaschine |
DE102020101640A1 (de) | 2020-01-24 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor, Verfahren zur Herstellung eines Rotors und elektrische Axialflussmaschine |
WO2021148069A1 (de) | 2020-01-24 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor und axialflussmaschine |
DE102020101642A1 (de) | 2020-01-24 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor, Verfahren zur Herstellung eines Rotors und Axialflussmaschine |
WO2021148088A1 (de) | 2020-01-24 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor, verfahren zur herstellung eines rotors und elektrische axialflussmaschine |
DE102020101849A1 (de) | 2020-01-27 | 2021-07-29 | Schaeffler Technologies AG & Co. KG | Rotor für eine Axialflussmaschine, Verfahren zur Herstellung eines Rotors für eine Axialflussmaschine und Axialflussmaschine |
WO2021151413A1 (de) | 2020-01-27 | 2021-08-05 | Schaeffler Technologies AG & Co. KG | Rotor für eine axialflussmaschine, verfahren zur herstellung eines rotors für eine axialflussmaschine und axialflussmaschine |
WO2021185403A1 (de) | 2020-03-16 | 2021-09-23 | Schaeffler Technologies AG & Co. KG | Rotor für eine axialflussmaschine, verfahren zur herstellung eines rotors für eine axialflussmaschine und axialflussmaschine |
DE102020107162B3 (de) * | 2020-03-16 | 2021-04-29 | Schaeffler Technologies AG & Co. KG | Rotor für eine Axialflussmaschine, Verfahren zur Herstellung eines Rotors für eine Axialflussmaschine und Axialflussmaschine |
DE102021206638A1 (de) | 2021-05-10 | 2022-11-10 | Vitesco Technologies GmbH | Computerimplementiertes Verfahren und Steuervorrichtung zum Steuern eines Antriebsstrangs eines Fahrzeugs unter Verwendung eines neuronalen Faltungsnetzes. |
DE102021206638B4 (de) | 2021-05-10 | 2023-02-02 | Vitesco Technologies GmbH | Computerimplementiertes Verfahren und Steuervorrichtung zum Steuern eines Antriebsstrangs eines Fahrzeugs unter Verwendung eines neuronalen Faltungsnetzes. |
DE102022125918A1 (de) | 2022-10-07 | 2024-04-18 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zum Erstellen und/oder Einlernen eines künstlichen neuronalen Netzes, Verfahren zur kontaktlosen Ermittlung von Betriebsparametern eines Triebwerkes, Computerprogramm und computerlesbares Medium |
Also Published As
Publication number | Publication date |
---|---|
KR20190122262A (ko) | 2019-10-29 |
US20200132552A1 (en) | 2020-04-30 |
EP3577328A1 (de) | 2019-12-11 |
WO2018167095A1 (de) | 2018-09-20 |
CN110382848A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102017204434A1 (de) | Verfahren und Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer | |
Moncayo et al. | Classification of red wine based on its protected designation of origin (PDO) using Laser-induced Breakdown Spectroscopy (LIBS) | |
DE102011119700A1 (de) | Verfahren zum Analysieren und Regeln eines Verbrennungsvorgangs in einer Gasturbine und Vorrichtung zum Ausführen des Verfahrens | |
CN104483292B (zh) | 一种采用多谱线比值法提高激光探针分析精确度的方法 | |
Hargather | Background-oriented schlieren diagnostics for large-scale explosive testing | |
CN102507512A (zh) | 一种红外紫外双脉冲激光诱导击穿光谱在线原位检测方法 | |
DE102011053267A1 (de) | Heißgastemperaturmessung in einer Gasturbine unter Verwendung von durchstimmbarem Diodenlaser | |
US8614791B2 (en) | Spectroscope | |
Feroughi et al. | Effect of fluctuations on time-averaged multi-line NO-LIF thermometry measurements of the gas-phase temperature | |
DE102006010100B4 (de) | Vorrichtung und Verfahren zur spektroskopischen Messung | |
DE112016006642T5 (de) | Eigenschaftsbewertungsvorrichtung für eine gasturbine und eigenschaftsbewertungsverfahren für eine gasturbine | |
DE102005036146A1 (de) | Anordnung zur optischen Flammenprüfung | |
Wang et al. | A machine learning approach assisting soot radiation-based thermometry to recover complete flame temperature field in a laminar flame | |
Poser et al. | Liquid crystal thermography for transient heat transfer measurements in complex internal cooling systems | |
De Giorgi et al. | Frequency analysis and predictive identification of flame stability by image processing | |
DE19841877A1 (de) | Verfahren und Vorrichtung zur Ermittlung der Rußbeladung eines Verbrennungsraums | |
CN114061766A (zh) | 一种颗粒燃烧过程多光谱重建测温装置与方法 | |
CN108459011B (zh) | 一种基于激光拉曼和瑞利散射的气体摩尔分数测量方法 | |
DE102020109742A1 (de) | Verfahren und Vorrichtung zum Bestimmen frequenzabhängiger Brechungsindizes | |
EP3220132B1 (de) | In-situ-gasmesssystem für gasreaktoren mit kritischen umgebungen | |
Choi et al. | Carbon Dioxide Concentration Estimation in Nonuniform Temperature Fields Based on Single-Pass Tunable Diode Laser Absorption Spectroscopy | |
DE102013205848B3 (de) | Optisches Temperatursensorsystem | |
Parker et al. | Space launch system base heating test: tunable diode laser absorption spectroscopy | |
Lapeyre et al. | Quantifying flare combustion efficiency using an imaging Fourier transform spectrometer | |
Sopek | Temperature measurements in hypervelocity flows using thermally-assisted laser-induced fluorescence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |