EP3577328A1 - Verfahren und anordnung zur messung einer gastemperaturverteilung in einer brennkammer - Google Patents

Verfahren und anordnung zur messung einer gastemperaturverteilung in einer brennkammer

Info

Publication number
EP3577328A1
EP3577328A1 EP18716122.9A EP18716122A EP3577328A1 EP 3577328 A1 EP3577328 A1 EP 3577328A1 EP 18716122 A EP18716122 A EP 18716122A EP 3577328 A1 EP3577328 A1 EP 3577328A1
Authority
EP
European Patent Office
Prior art keywords
combustion chamber
temperature distribution
spectral
data
gas temperature
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Withdrawn
Application number
EP18716122.9A
Other languages
English (en)
French (fr)
Inventor
Hans-Gerd Brummel
Kai Heesche
Volkmar Sterzing
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Energy Global GmbH and Co KG
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of EP3577328A1 publication Critical patent/EP3577328A1/de
Withdrawn legal-status Critical Current

Links

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
    • G01J5/0813—Planar mirrors; Parallel phase plates
    • 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

Definitions

  • each of a predetermined spectral range of an optical spectrum is selectively detected by means of an optical sensor directed into the combustion chamber for different leading through the combustion chamber light paths.
  • the optical spectrum can here in particular an infrared spectrum, a
  • a respective spectral intensity is determined for a respective spectral range and assigned to a light path specification identifying the respective light path.
  • the determined spectral intensities and the associated optical path information are supplied as input data to a machine learning routine trained on a reproduction of spatially resolved training temperature distributions.
  • ⁇ output data of the machine learning routine is then output as a gas Tempe raturver republic.
  • a measure of a spatial inhomogeneity or unequal distribution of the gas temperature and / or a distribution of the frequency frequency distribution can be output as gas temperature distribution.
  • an arrangement for measuring the gas temperature distribution, a computer terprogrammometer and a computer-readable storage medium provided.
  • ASIC Application Specific Integrated Circuits
  • DSP Digital Signal Processors
  • FPGA Field Programmable Gate Arrays
  • One advantage of the invention lies in the fact that it allows a relatively accurate determination of Gastemperaturvertei ⁇ development in a combustion chamber, without having to rely on projecting into the combustion chamber temperature sensors.
  • By using a machine learning routine and complex correlations between the lichtwegspezifischen and spatially resolved spectral intensities and the gas temperature distribution can be relatively accurately model ⁇ lines in the combustion chamber. This also applies in particular to different operating states of the combustion chamber.
  • the determined Gastem ⁇ perature distribution and in particular their inhomogeneity can be used to monitor an operation of the combustion chamber to test the combustion chamber to optimize efficiency and / or to minimize emissions and / or wear.
  • the machine learning routine can be a Scheme ⁇ exaggerated trainable regression model, an artificial neural network, a recurrent neural network, a
  • spectral lines of one or more materials may be selected as the spectral region whose Konzentra ⁇ tion is dependent on the temperature in the combustion chamber.
  • the spectral lines can be absorption or emission lines.
  • Such substances can therefore be used as a kind of temperature marker.
  • nitrogen oxides can be used as temperature markers in the sense of the invention.
  • the detection of the spectral intensities of nitrogen oxides or other pollutants can additionally be used to measure pollutant emissions and, if necessary, to optimize them.
  • the optical spectrum for the different light paths can be detected in parallel and directionally sensitive by means of a camera as an optical sensor.
  • the camera can be, in particular ei ⁇ ne infrared camera, an ultraviolet camera and / or sensitive to visible light camera.
  • the spectral range can be selected by means of a preferably narrowband spectral filter.
  • one or more laser beams can be transmitted on different light paths through the combustion chamber and after
  • a laser frequency can be tuned to a respective spectral range or a respective spectral line.
  • the different light paths can be selected by changes in direction and / or position of the optical sensor, a laser directed into the combustion camera and / or a mirror and / or prism arranged on a respective light path.
  • the light path information may include information about the position and / or orientation of the optical sensor, the laser, the mirror and / or the prism.
  • the machine learning routine can be trained in a calibration phase by means of a training combustion chamber on the basis of predetermined temperature distribution data.
  • a correlation between further operating data of the combustion chamber and a temperature distribution in the combustion chamber can be determined by means of a thermodynamics model of the combustion chamber and used to train the machine learning routine.
  • the machine learning routine can be supplied with further operating data of the combustion chambers as input data.
  • an accuracy of the determined gas temperature distribution generally improves.
  • a soft sensor can be trained to reproduce the gas temperature distribution on the basis of the further operating data.
  • the gas temperature distribution can then be estimated on the basis of the further operating data at least without requiring an optical sensor.
  • a training structure of the trained machine learning routine may be specifically extracted and transmitted to a soft sensor. Such transfer is often referred to as transfer learning. The transmission can in many cases shorten or even replace training of the soft-sensor.
  • Figure 1 shows a gas turbine with combustion chamber
  • Figure 2 shows a tubular combustion chamber with an optical
  • FIG. 3 shows a training of an arrangement according to the invention for
  • FIG. 4 shows a measurement of a gas temperature distribution by means of the trained arrangement
  • FIG. 1 shows a schematic illustration of a gas turbine GT with a combustion chamber BK in which a gas temperature distribution during operation is to be measured.
  • the gas turbine GT has a compaction ⁇ ter V for compressing air inflowing through the combustor BK for combustion of supplied fuel, and a turbine T for converting generated by combustion thermal and kinetic energy to rotational energy.
  • the latter is transmitted via a drive shaft AW among others ⁇ rem to the compressor V to drive this.
  • the invention can also be used to measure gas temperature distributions in combustion chambers of internal combustion engines, jet engines or other internal combustion engines.
  • Figure 2 shows a schematic representation of a tubular combustion chamber BK with an optical sensor C for measuring a gas temperature distribution in the combustion chamber BK.
  • the combustor BK may in particular be a combustor or a combustion chamber of a gas turbine, an internal combustion engine, a jet ⁇ engine or other internal combustion engine.
  • the combustion chamber BK has an air supply LZ and fuel supplies TZ.
  • the fuel is mixed with the supplied air and burned in a flame F.
  • the flame F usually has an inhomogeneous distribution Temperaturver ⁇ both a cross-section of the combustion chamber BK across and along the combustor BK. For example, temperatures of about 1400-2000 ° C in the region of the flame F and, for example, about 1000 ° C at one edge of the combustion chamber BK occur. For a wear of the combustion chamber BK or the gas turbine GT in particular local temperature peaks are relevant.
  • a strong gas flow is formed along the combustion chamber BK, which conveys a temperature distribution from the region of the flame F along the combustion chamber BK.
  • a typically occurring relaxation of the flowing gas in particular in a turbine or turbine stage, its temperature generally drops considerably during transport.
  • the incoming temperature at the outlet is usually correlated with a temperature in the region of the flame F.
  • the gas temperature distribution measurement method according to the invention is based on the observation that this correlation can be learned with good results with available machine learning routines.
  • a camera C is directed into the combustion chamber BK.
  • the camera C may be an infrared camera, an ultraviolet camera and / or a camera sensitive to visible light.
  • a camera C a local ⁇ resolution or direction resolution spectrometer can be used.
  • camera arrangements that were previously for Observation of turbine blades are used, modified so that you can capture a spatially resolved optical Spe ⁇ rum.
  • the camera C is arranged to the combustion chamber BK such that it can detect an optical spectrum for different light paths LW leading through the combustion chamber BK.
  • the optical spectrum here may in particular be an infrared spectrum, an ultraviolet spectrum and / or a spectrum in visible light.
  • the camera C can detect a plurality of light paths LW parallel and almost simultaneously.
  • an opening or another light passage for example a window made of heat-resistant glass, may be attached to the combustion chamber BK.
  • the camera C may be directed into an open outlet of the combustion chamber BK.
  • a mirror and / or a prism used to ⁇ the, the light paths LW redirect to the camera C. Vorzugswei ⁇ se, the camera C and, where appropriate, the mirror
  • the camera C detected for the light paths LW in each case one or more specific spectral regions of a predetermined optical spectrum, see, in particular an emission and / or from ⁇ sorptionsspektrums.
  • Each detected spectral range is assigned a light path which identifies the light path LW for which this spectral range has been detected.
  • a direction information about the relevant light path LW can be assigned as the light path indication.
  • image coordinates of a respective pixel can be assigned as a light path.
  • the spectral regions can preferably be extracted from the detected optical spectrum by means of one or more narrow-band spectral filters.
  • a spectral filter can be used, for example, as a frequency or wavelength filter as well be designed as an analog or digital spectral filter.
  • the spectral specific frequency and / or wavelength channels, or certain Dimen ⁇ sions of performing the optical spectrum, select weapondimen- dimensional data vector.
  • the light paths LW can be guided through a transmission ⁇ spectral filter preferably arranged in front of the camera C or a mirror or prism.
  • spectral spectral ⁇ lines of emission or absorption spectra of one or more substances are selected preferably specifically, the concentration of which is strongly temperature dependent in the combustor BK.
  • emission or absorption lines of gaseous combustion products, molecules, molecular compounds are selected preferably specifically, the concentration of which is strongly temperature dependent in the combustor BK.
  • spectral lines of nitrogen oxides such as NO, N 2 O, O 2 and / or other compounds are selected, which typically occur in predetermined high temperature ranges.
  • a non-linear, often exponential increase or decrease in their concentration occurs with the temperature, so that there is a strong correlation and thus a characteristic relationship between the intensity of the relevant spectral lines and the local gas temperature.
  • Such substances can therefore be used as a kind of temperature marker.
  • the optical sensor here the camera C
  • the optical sensor can also be combined with one or more lasers L directed into the combustion chamber BK.
  • the laser or L send this, for example by means of a temporal or spatial
  • the frequency of the laser beams is matched to one or more spectral lines of the temperature markers in order to detect their absorption or excitation spectrum.
  • the scattered light of the backscattered laser beams is preferably sensed directionally by means of the camera C and assigned to a light path LW of the respectively causing laser beam.
  • a Absorp ⁇ tion of the laser energy on that path and thus a concentration of the absorbing substance can be lichtwegspezi- fish determined by the stray light.
  • the laser or lasers L preferably irradiate the combustion chamber BK in the longitudinal direction. To this end, a first light passage for entry of the laser beams into the combustion chamber BK and a gengenübereauder light transmission for an exit of the laser beams vorgese ⁇ hen can be.
  • Different light paths LW through the combustion chamber BK can be adjusted and / or selected in a simple manner by moving and / or rotating the camera C, the laser or lasers L, a mirror and / or a prism.
  • the spectral regions can be detected on a grid or fan of light ⁇ because of a larger area of the combustion chamber BK.
  • Spectral intensities determined and associated with the relevant light path LW by a Lichtwegangabe are preferably detected and evaluated in the determination of the gas temperature distribution.
  • Such operational data can include, for example, current physical, re ⁇ gelungstechnische effectively induced and / or design-related state variables, operating parameters, characteristics, performance data, effect data, system data, default values, control data, environment data, sensor data, measured values or other forms during operation of the engine data.
  • ⁇ data measured by a temperature sensor TS and exhaust gas temperatures measured by an exhaust gas sensor AS exhaust Missio ⁇ NEN be detected.
  • the exhaust gas sensor AS measures in particular a composition of the exhaust gases.
  • the temperature sensor TS and the exhaust gas sensor AS can be arranged on the combustion chamber BK and / or behind a turbine.
  • a plurality of temperature sensors TS and / or exhaust gas sensors AS may be provided.
  • a grid or a ring of temperature sensors TS or exhaust gas sensors AS can be arranged behind the combustion chamber BK or a turbine. Taking into account the further operating data generally improves an accuracy of the determined gas temperature distribution considerably.
  • FIG. 3 illustrates a training of an arrangement according to the invention for measuring a gas temperature distribution in a combustion chamber.
  • the arrangement according to the invention comprises a camera C, optionally in combination with one or more lasers, a temperature sensor TS, an exhaust gas sensor AS and a turbine control CTL.
  • the Turbine controller CTL, the camera C, the temperature sensor TS and the exhaust gas sensor AS can be operated for training purposes, in particular at a training combustion chamber, which provides information about an actual spatially resolved gas temperature distribution in the interior of the combustion chamber in the form of training temperature distributions TTD.
  • the turbine controller CTL has one or more processors PROC for executing method steps of the turbine controller CTL as well as one or more memories MEM coupled to the processor PROC for storing the data to be processed by the turbine controller CTL.
  • the camera C, the temperature sensor TS and the exhaust gas sensor AS are coupled to the turbine controller CTL.
  • the turbine controller CTL has an artificial neural network NN as part of a data-driven machine learning routine.
  • the neural network NN is data-driven trainable or adaptive and has a training structure TSR, which forms during the training.
  • the training structure TSR may comprise, for example, a network structure of neurons of the neural network and / or weights of connections between the neurons, which are formed by the training so that the predetermined criteria are met as well as possible.
  • the neural network NN receives from the camera C for different optical paths depending ⁇ wells one or more spectral SI for a JE spective spectral range as well as an optical path identifying the respective light path LA as input data.
  • the neural network NN receives more Be ⁇ operating data of the combustion chamber and / or the Verbrennungskraftma- machine.
  • these are Tempe ⁇ raturlves TD from the temperature sensor TS and exhaust data AD from the exhaust gas sensor AS.
  • the temperature data TD preferably describe an exhaust gas temperature of the combustion chamber and the exhaust gas data AD an exhaust gas composition, in particular of
  • the neural network NN to be trained to be ⁇ ne output data ATD reproduce the gas temperature distribution of the training combustion chamber as well as possible as a target.
  • the gas temperature distribution is to be understood in particular as a measure of a spatial inhomogeneity or unequal distribution of the gas temperature and / or as a temperature frequency distribution.
  • the output data ATD is output in the form of temperature distribution data.
  • nitrogen oxides Missio ⁇ nen and average exhaust gas temperatures which can be derived from the modeled temperature distribution data using a physical thermodynamic model of Brennkam- mer is by the neural network NN, starting from exhaust emissions, learning, a neural model which is a function of the distribution of the combustion products modeled by the Temperaturvertei ⁇ ment.
  • correlations are modeled between changes in the spectral intensities and changes in the exhaust gas composition.
  • the spatially resolved training temperature distributions TTD are supplied to the neural network NN.
  • the neural network NN is trained so that the output data ATD derived from the received spectral intensities SI, the assigned light path data LA and the further operating data TD and AD reproduce the training temperature distributions TTD as well as possible.
  • the Output data ATD compared to the training temperature distributions TTD, for example, by difference determination, a distance between the output data ATD and the training temperature distributions TTD is determined.
  • the distance represents a prediction error of the neural network NN and is fed back to it.
  • the neural network NN is trained, as indicated by a dashed arrow, to minimize the distance on average.
  • the training structure TSR is formed and the neural network NN to befä ⁇ higt, here SI, LA, TD and AD output a relatively accurate estimate of the gas Tempe ⁇ raturver Ecuador based on the supplied input data.
  • the training temperature distributions TTD can in one
  • Training combustion chamber in particular a test combustion chamber from a development or product qualification process gemes ⁇ sen and / or provided in the form of temperature distribution data.
  • FIG. 4 illustrates a measurement of a gas temperature distribution by means of the trained arrangement of FIG. 3. Like entities in FIG. 4 are denoted by the same reference symbols as in FIG. 3 and can be designed as described there.
  • the measurement of the gas temperature distribution takes place at the combustion chamber BK described in FIG. 2 in productive operation.
  • the neural network NN of the camera C for different light paths in each case one or more Spektralin ⁇ intensities for a respective spectral region and a respective optical path identifying Lichtwegangabe LA are supplied as input data.
  • the neural network NN receives further operating data of the combustion chamber BK and / or of the internal combustion engine GT. In the present embodiment, these are temperature data TD from tempera ⁇ tursensor TS and exhaust data AD from the exhaust gas sensor AS. The input are always updated, preferably in real time.
  • training TSR be the trained neural network NN of the input data, in particular ⁇ sondere from the spectral intensities SI and their intensity ratios derived output data that are output as the gas temperature distribution GTD. It turns out that in particular have local temperature peaks in the combustion chamber BK, a significant impact on exhaust emissions and wear relatively accurately modeled and are reproduction ⁇ ible.
  • the output gas temperature distribution GTD can preferably be used to control the gas turbine GT.
  • ⁇ re to optimize their efficiency, for example by increasing an average combustion temperature and / or to reduce their wear and / or pollutant emissions.
  • a soft sensor can be trained using the further Be ⁇ operating data TS and AD on a reproduction of the output gas temperature distribution GTD (not shown) by means of the trained neural network NN.
  • the training structure TSR of the trained neural network NN can be completely or partially extracted and applied to the
  • Softsensor be transferred.
  • the gas temperature distribution within the combustion chamber BK can then at least be estimated on the basis of the further operating data without the need for a camera.
  • a soft sensor trained in this way can then be used to estimate a gas temperature distribution even in internal combustion engines in which no camera image is available from the interior of the combustion chamber.

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (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

Beschreibung
Verfahren und Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer
In Brennkammern, insbesondere von Verbrennungskraftmaschinen findet ein Verbrennungsprozess häufig bei sehr hohen Tempera¬ turen, Drücken und/oder Strömungsgeschwindigkeiten statt. Bei einer Gasturbine können zum Beispiel Temperaturen von circa 1300-2000°C, Drücke von circa 15-25 bar und Strömungsge¬ schwindigkeiten von circa 300 m/s auftreten. Für eine Optimierung der Konstruktion und des Betriebs einer Verbrennungs¬ kraftmaschine, 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 Stickoxid- Emissionen und stärkerem Verschleiß führen, wäre es sehr vorteilhaft, dabei nicht nur einen Temperaturmittelwert zu er- fassen, 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 Verbrennungs¬ kraftmaschine vorgenommen. Von den dort gemessenen Tempera- turen 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 Verbrennungskraftma¬ schine 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 Merkma¬ len des Patentanspruchs 1, durch eine Anordnung mit den Merk¬ malen des Patentanspruchs 13, durch ein Computerprogrammpro¬ dukt mit den Merkmalen des Patentanspruchs 14 und durch ein computerlesbares Speichermedium mit den Merkmalen des Patent¬ anspruchs 15.
Zur Messung einer Gastemperaturverteilung m einer Brennkam mer, insbesondere einer Verbrennungskraftmaschine, wird mit tels 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 hier- bei 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 je- weiligen Lichtweg identifizierenden Lichtwegangabe zugeord- net. Die ermittelten Spektralintensitäten und die zugeordne- ten Lichtwegangaben werden einer auf eine Reproduktion von ortsaufgelösten Trainings-Temperaturverteilungen trainierten maschinellen Lernroutine als Eingabedaten zugeführt. Ausgabe¬ daten der maschinellen Lernroutine werden dann als Gastempe raturverteilung ausgegeben. Als Gastemperaturverteilung kann hierbei insbesondere eine räumliche Temperaturverteilung, ein Maß für eine räumliche Inhomogenität oder Ungleichverteilung der Gastemperatur und/oder eine Temperaturhäufigkeitsvertei lung ausgegeben werden.
Zum Ausführen des erfindungsgemäßen Verfahrens sind eine Anordnung zur Messung der Gastemperaturverteilung, ein Compu- terprogrammprodukt sowie ein computerlesbares Speichermedium vorgesehen .
Das erfindungsgemäße Verfahren und die erfindungsgemäße An- Ordnung 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 Gastemperaturvertei¬ lung 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 model¬ liert werden. Dies gilt insbesondere auch für unterschiedli- che Betriebszustände der Brennkammer. Die ermittelte Gastem¬ peraturverteilung 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 datenge¬ triebenes 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 Konzentra¬ tion in der Brennkammer temperaturabhängig ist. Die Spektral- linien 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 charakteristi¬ scher 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 Tempera- turmarker 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 ei¬ ne 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 je- weiligen 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 Lernrouti- ne 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 Soft- sensors 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:
Figur 1 eine Gasturbine mit Brennkammer, Figur 2 eine röhrenförmige Brennkammer mit einem optischen
Sensor zur Messung einer Gastemperaturverteilung,
Figur 3 ein Training einer erfindungsgemäßen Anordnung zur
Messung einer Gastemperaturverteilung, und
Figur 4 eine Messung einer Gastemperaturverteilung mittels der trainierten Anordnung
Figur 1 zeigt als Anwendungsbeispiel der Erfindung in schema- tischer Darstellung eine Gasturbine GT mit einer Brennkammer BK, in der eine Gastemperaturverteilung während des Betriebs zu messen ist. Die Gasturbine GT verfügt über einen Verdich¬ ter V zum Komprimieren von zuströmender Luft, über die Brennkammer BK 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 Antriebswelle AW unter ande¬ rem zum Verdichter V übertragen, um diesen anzutreiben. Daneben kann die Erfindung auch zur Messung von Gastemperaturverteilungen in Brennkammern von Verbrennungsmotoren, Strahltriebwerken oder anderen Verbrennungskraftmaschinen dienen . Figur 2 zeigt in schematischer Darstellung eine röhrenförmige Brennkammer BK mit einem optischen Sensor C zur Messung einer Gastemperaturverteilung in der Brennkammer BK. Die Brennkam- mer BK kann insbesondere eine Brennkammer oder ein Brennraum einer Gasturbine, eines Verbrennungsmotors, eines Strahl¬ triebwerks oder einer anderen Verbrennungskraftmaschine sein. Die Brennkammer BK verfügt über eine LuftZuführung LZ sowie über TreibstoffZuführungen TZ. Der Treibstoff wird mit der zugeführten Luft vermischt und in einer Flamme F verbrannt. Die Flamme F hat in der Regel eine inhomogene Temperaturver¬ teilung sowohl über einen Querschnitt der Brennkammer BK hinweg als auch entlang der Brennkammer BK. 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 Brennkammer BK auftreten. Für einen Verschleiß der Brennkammer BK oder der Gasturbine GT 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 Brennkammer BK 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 Gastemperatur- verteilungsmessung 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 orts¬ auflösendes bzw. richtungsauflösendes Spektrometer eingesetzt werden. Insbesondere können Kameraanordnungen, die bisher zur Beobachtung von Turbinenschaufeln eingesetzt werden, so modifiziert werden, dass Sie ein ortsaufgelöstes optisches Spekt¬ rum erfassen können. Die Kamera C ist derart zur Brennkammer BK angeordnet, dass sie ein optisches Spektrum für unterschiedliche durch die Brennkammer BK 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 Brennkammer BK 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 Brennkammer BK gerichtet werden. Darüber hinaus kann auch ein Spiegel und/oder ein Prisma dazu verwendet wer¬ den, die Lichtwege LW in die Kamera C umzuleiten. Vorzugswei¬ se werden die Kamera C und gegebenenfalls der Spiegel
und/oder das Prisma so angeordnet, dass Lichtwege LW erfasst werden können, die längs durch die Brennkammer BK führen.
Die Kamera C erfasst für die Lichtwege LW jeweils einen oder mehrere spezifisch vorgegebene Spektralbereiche eines opti- sehen Spektrums, insbesondere eines Emissions- und/oder Ab¬ sorptionsspektrums. Jedem erfassten Spektralbereich wird dabei eine Lichtwegangabe zugeordnet, die denjenigen Lichtweg LW identifiziert, für den dieser Spektralbereich erfasst wurde. Als Lichtwegangabe kann insbesondere eine Richtungsinfor- mation über den betreffenden Lichtweg LW 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 Dimen¬ sionen eines das optische Spektrum darstellenden, hochdimen- sionalen Datenvektors selektieren. Alternativ oder zusätzlich können die Lichtwege LW durch ein vorzugsweise vor der Kamera C oder einem Spiegel oder Prisma angeordnetes Transmissions¬ spektralfilter geführt werden. Als Spektralbereiche werden vorzugsweise spezifisch Spektral¬ linien 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 Brennkammer BK gebildet werden und gegebenenfalls bei niedrigeren Temperaturen wieder zerfallen. Vorzugsweise werden Spektral- linien von Stickoxiden wie NO, N20, O2 und/oder anderen Verbindungen selektiert, die typischerweise in vorbestimmten ho¬ hen 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 Spekt¬ ralbereiche 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 Lichtwege LW. Die Frequenz der Laserstrahlen ist dabei auf eine oder mehrere Spektrallinien der Temperaturmarker abgestimmt, um deren Absorptions- oder Anregungsspektrum zu de- tektieren. Das Streulicht der zurückgestreuten Laserstrahlen wird vorzugsweise richtungssensitiv mittels der Kamera C er- fasst und einem Lichtweg LW des jeweils verursachenden Laser- Strahls zugeordnet. Anhand des Streulichts kann eine Absorp¬ tion der Laserenergie auf dem betreffenden Lichtweg und damit eine Konzentration des absorbierenden Stoffes lichtwegspezi- fisch ermittelt werden. Alternativ oder zusätzlich kann vorgesehen sein, dass der oder die Laser L die Brennkammer BK vorzugsweise in Längsrichtung durchstrahlen. Zu diesem Zweck können ein erster Lichtdurchlass für einen Eintritt der Laserstrahlen in die Brennkammer BK und ein gengenüberliegender Lichtdurchlass für einen Austritt der Laserstrahlen vorgese¬ hen sein.
Unterschiedliche Lichtwege LW durch die Brennkammer BK 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 Licht¬ wegen aus einem größeren Bereich der Brennkammer BK erfasst werden .
Erfindungsgemäß werden für einen jeweiligen Lichtweg LW und einen jeweiligen Spektralbereich jeweils eine oder mehrere
Spektralintensitäten ermittelt und dem betreffenden Lichtweg LW 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, re¬ gelungstechnische, 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 Betriebs¬ daten durch einen Temperatursensor TS gemessene Abgastemperaturen und durch einen Abgassensor AS gemessene Abgasemissio¬ nen erfasst. Der Abgassensor AS misst insbesondere eine Zu- sammensetzung der Abgase.
Der Temperatursensor TS und der Abgassensor AS können an der Brennkammer BK und/oder hinter einer Turbine angeordnet sein. Gegebenenfalls können auch mehrere Temperatursensoren TS und/oder Abgassensoren AS vorgesehen sein. Insbesondere kann ein Gitter oder ein Ring von Temperatursensoren TS oder Abgassensoren AS hinter der Brennkammer BK oder einer Turbine angeordnet sein. Eine Berücksichtigung der weiteren Betriebsdaten verbessert im Allgemeinen eine Genauigkeit der ermittelten Gastemperaturverteilung erheblich.
Figur 3 veranschaulicht ein Training einer erfindungsgemäßen Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer. Gleiche Entitäten sind in Figur 3 mit den gleichen Bezugszeichen bezeichnet wie in Figur 2 und können wie dort beschrieben ausgestaltet sein. Die erfindungsgemäße Anordnung umfasst im vorliegenden Aus¬ führungsbeispiel eine Kamera C, gegebenenfalls in Kombination mit einem oder mehreren Lasern, einen Temperatursensor TS, einen Abgassensor AS sowie eine Turbinensteuerung CTL. Die Turbinensteuerung CTL, die Kamera C, der Temperatursensor TS und der Abgassensor AS können zu Zwecken des Trainings insbesondere an einer Trainingsbrennkammer betrieben werden, die Information über eine tatsächliche ortsaufgelöste Gastempera- turverteilung im Inneren der Brennkammer in Form von Trai- nings-Temperaturverteilungen TTD bereitstellt.
Die Turbinensteuerung CTL verfügt über einen oder mehrere Prozessoren PROC zum Ausführen von Verfahrensschritten der Turbinensteuerung CTL sowie über einen oder mehrere mit dem Prozessor PROC gekoppelte Speicher MEM zum Speichern der von der Turbinensteuerung CTL zu verarbeitenden Daten. Die Kamera C, der Temperatursensor TS und der Abgassensor AS sind mit der Turbinensteuerung CTL 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 beziehungs- weise 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 vorgege¬ benen Kriterien hin optimierte Trainingsstruktur TSR des neuronalen Netzes NN ausgebildet. Die Trainingsstruktur TSR 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 je¬ weils eine oder mehrere Spektralintensitäten SI für einen je- weiligen Spektralbereich sowie eine den jeweiligen Lichtweg identifizierende Lichtwegangabe LA als Eingabedaten. Als wei¬ tere Eingabedaten empfängt das neuronale Netz NN weitere Be¬ triebsdaten der Brennkammer und/oder der Verbrennungskraftma- schine. Im vorliegenden Ausführungsbeispiel sind dies Tempe¬ raturdaten TD vom Temperatursensor TS und Abgasdaten AD vom Abgassensor AS. Die Temperaturdaten TD beschreiben hierbei vorzugsweise eine Abgastemperatur der Brennkammer und die Abgasdaten AD eine Abgaszusammensetzung, insbesondere von
Stickoxidemissionen.
Das neuronale Netz NN soll darauf trainiert werden, dass sei¬ ne Ausgabedaten ATD 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 Ausgabedaten ATD werden in Form von Temperaturverteilungsdaten ausgegeben.
In einer Kalibrierungsphase wird durch das neuronale Netz NN ausgehend von Abgasemissionen, zum Beispiel Stickoxidemissio¬ nen und durchschnittlichen Abgastemperaturen, die sich mittels eines physikalischen Thermodynamikmodells der Brennkam- mer aus modellierten Temperaturverteilungsdaten ableiten lassen, ein neuronales Modell erlernt, das eine Abhängigkeit der Verteilung der Verbrennungsprodukte von der Temperaturvertei¬ lung modelliert. Vorzugsweise werden hierbei Korrelationen zwischen Änderungen der Spektralintensitäten und Änderungen der Abgaszusammensetzung modelliert.
Weiterhin werden dem neuronalen Netz NN die ortsaufgelösten Trainings-Temperaturverteilungen TTD zugeführt. Hiermit wird das neuronale Netz NN darauf trainiert, dass die aus den emp- fangenen Spektralintensitäten SI, den zugeordneten Lichtwegangaben LA und den weiteren Betriebsdaten TD und AD abgeleiteten Ausgabedaten ATD, die Trainings-Temperaturverteilungen TTD möglichst gut reproduzieren. Zu diesem Zweck werden die Ausgabedaten ATD mit den Trainings-Temperaturverteilungen TTD verglichen, indem z.B. durch Differenzbildung ein Abstand zwischen den Ausgabedaten ATD und den Trainings- Temperaturverteilungen TTD ermittelt wird. Der Abstand reprä- sentiert einen Prädiktionsfehler des neuronalen Netzes NN und wird zu diesem zurückgeführt. Anhand des zurückgeführten Ab- stands wird das neuronale Netz NN - wie durch einen strichlinierten Pfeil angedeutet - darauf trainiert, den Abstand im Mittel zu minimieren. Auf diese Weise wird die Trainings- struktur TSR ausgebildet und das neuronale Netz NN dazu befä¬ higt, anhand der zugeführten Eingabedaten, hier SI, LA, TD und AD eine verhältnismäßig genaue Abschätzung der Gastempe¬ raturverteilung auszugeben. Die Trainings-Temperaturverteilungen TTD können in einer
Trainingsbrennkammer, insbesondere einer Testbrennkammer aus einem Entwicklungs- oder Produktqualifizierungsprozess gemes¬ sen und/oder in Form von Temperaturverteilungsdaten bereitgestellt werden.
Figur 4 veranschaulicht eine Messung einer Gastemperaturverteilung mittels der trainierten Anordnung aus Figur 3. Gleiche Entitäten sind in Figur 4 mit den gleichen Bezugszeichen bezeichnet wie in Figur 3 und können wie dort beschrieben ausgestaltet sein.
Die Messung der Gastemperaturverteilung erfolgt an der in Figur 2 beschriebenen Brennkammer BK im Produktivbetrieb. Hierbei werden dem neuronalen Netz NN von der Kamera C für unter- schiedliche Lichtwege jeweils eine oder mehrere Spektralin¬ tensitäten für einen jeweiligen Spektralbereich sowie eine den jeweiligen Lichtweg identifizierende Lichtwegangabe LA als Eingabedaten zugeführt. Als weitere Eingabedaten empfängt das neuronale Netz NN weitere Betriebsdaten der Brennkammer BK und/oder der Verbrennungskraftmaschine GT . Im vorliegenden Ausführungsbeispiel sind dies Temperaturdaten TD vom Tempera¬ tursensor TS und Abgasdaten AD vom Abgassensor AS. Die Einga- bedaten werden jeweils aktuell, vorzugsweise in Echtzeit er- fasst .
Mittels der ausgebildeten Trainingsstruktur TSR werden durch das trainierte neuronale Netz NN aus den Eingabedaten, insbe¬ sondere aus den Spektralintensitäten SI und deren Intensitätsverhältnissen Ausgabedaten abgeleitet, die als Gastemperaturverteilung GTD ausgegeben werden. Es erweist sich, dass insbesondere lokale Temperaturspitzen in der Brennkammer BK, die erheblichen Einfluss auf Abgasemissionen und Verschleiß haben, verhältnismäßig genau modellierbar und damit reprodu¬ zierbar sind.
Die ausgegebene Gastemperaturverteilung GTD kann vorzugsweise zur Steuerung der Gasturbine GT verwendet werden. Insbesonde¬ re 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 Be¬ triebsdaten TS und AD auf eine Reproduktion der ausgegebenen Gastemperaturverteilung GTD trainiert werden. Vorteilhafterweise kann die Trainingsstruktur TSR des trainierten neurona- len Netzes NN ganz oder teilweise extrahiert und auf den
Softsensor übertragen werden. Mittels des trainierten Soft- sensors kann dann die Gastemperaturverteilung innerhalb der Brennkammer BK anhand der weiteren Betriebsdaten zumindest geschätzt werden, ohne eine Kamera zu benötigen. Ein auf die- se 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

Patentansprüche
1. 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 Brennkam¬ mer (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) zuge¬ ordnet wird,
c) die ermittelten Spektralintensitäten (SI) und die zugeord- neten 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 Gastempera- turverteilung (GTD) ausgegeben werden.
2. 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.
3. 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.
4. 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.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
der Spektralbereich mittels eines Spektralfilters selektiert wird .
6. 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.
7. 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.
8. 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.
9. 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.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass der maschinellen Lernroutine (NN) zusammen mit den
Spektralintensitäten (SI) und den Lichtwegangaben (LA) weite- re Betriebsdaten (TD, AD) der Brennkamer (BK) als Eingabedaten zugeführt werden.
11. Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass anhand der weiteren Betriebsdaten (TD, AD) und der aus- gegebenen Gastemperaturverteilung (GTD) ein Softsensor auf eine Reproduktion der Gastemperaturverteilung (GTD) anhand der weiteren Betriebsdaten (TD, AD) trainiert wird.
12. Verfahren nach einem der vorhergehenden Ansprüche, da- durch gekennzeichnet, dass
eine Trainingsstruktur (TSR) der trainierten maschinellen Lernroutine (NN) spezifisch extrahiert und auf einen Softsen¬ sor übertragen wird.
13. Anordnung zur Messung einer Gastemperaturverteilung in einer Brennkammer (BK) , eingerichtet zum Ausführen eines Verfahrens nach einem der vorhergehenden Ansprüche.
14. Computerprogrammprodukt eingerichtet zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 12.
15. Computerlesbares Speichermedium mit einem Computerpro¬ grammprodukt nach Anspruch 14.
EP18716122.9A 2017-03-16 2018-03-13 Verfahren und anordnung zur messung einer gastemperaturverteilung in einer brennkammer Withdrawn EP3577328A1 (de)

Applications Claiming Priority (2)

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
PCT/EP2018/056297 WO2018167095A1 (de) 2017-03-16 2018-03-13 Verfahren und anordnung zur messung einer gastemperaturverteilung in einer brennkammer

Publications (1)

Publication Number Publication Date
EP3577328A1 true EP3577328A1 (de) 2019-12-11

Family

ID=61911522

Family Applications (1)

Application Number Title Priority Date Filing Date
EP18716122.9A Withdrawn EP3577328A1 (de) 2017-03-16 2018-03-13 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)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11248963B2 (en) * 2017-01-23 2022-02-15 Honeywell International, Inc. Equipment and method for three-dimensional radiance and gas species field estimation in an open combustion environment
EP3726139A1 (de) 2019-04-16 2020-10-21 Siemens Aktiengesellschaft Verfahren und anordnung zum steuern einer verbrennungskraftmaschine mit mehreren brennern
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
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
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
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
CN112633292B (zh) * 2020-09-01 2024-08-16 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
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.
EP4519550A4 (de) * 2022-05-05 2026-03-11 Adaptive Camless Tech Llc Nockenfreies steuersystem für hubkolbenmotoren
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (10)

* Cited by examiner, † Cited by third party
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
WO2009052157A1 (en) 2007-10-16 2009-04-23 Zolo Technologies, Inc. Translational laser absorption spectroscopy apparatus and method
US8456634B2 (en) * 2009-06-15 2013-06-04 General Electric Company Optical interrogation sensors for combustion control
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
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
US20120002035A1 (en) * 2010-06-30 2012-01-05 General Electric Company Multi-spectral system and method for generating multi-dimensional temperature data
EP2706422B1 (de) 2012-09-11 2016-07-27 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Überwachung des Betriebs eines technischen Systems, insbesondere einer elektrischen Energieerzeugungsanlage
US9885609B2 (en) * 2014-05-23 2018-02-06 United Technologies Corporation Gas turbine engine optical system
DE202014004495U1 (de) 2014-06-04 2014-07-24 M.A.L. Umwelttechnik - Gmbh Einspritzvorrichtung und System zur Rauchgasentstickung

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of WO2018167095A1 *

Also Published As

Publication number Publication date
US20200132552A1 (en) 2020-04-30
DE102017204434A1 (de) 2018-09-20
WO2018167095A1 (de) 2018-09-20
KR20190122262A (ko) 2019-10-29
CN110382848A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
EP3577328A1 (de) Verfahren und anordnung zur messung einer gastemperaturverteilung in einer brennkammer
Mann et al. Transient flame–wall interactions: Experimental analysis using spectroscopic temperature and CO concentration measurements
EP0959341B1 (de) Verfahren zur quantitativen Analyse von Gasvolumina, insbesondere von Abgasen aus Verbrennungseinrichtungen oder -anlagen, sowie Einrichtungen zur Durchführung der Verfahren
Geigle et al. Visualization of soot inception in turbulent pressurized flames by simultaneous measurement of laser-induced fluorescence of polycyclic aromatic hydrocarbons and laser-induced incandescence, and correlation to OH distributions
DE102011119700A1 (de) Verfahren zum Analysieren und Regeln eines Verbrennungsvorgangs in einer Gasturbine und Vorrichtung zum Ausführen des Verfahrens
DE102011053267A1 (de) Heißgastemperaturmessung in einer Gasturbine unter Verwendung von durchstimmbarem Diodenlaser
Greifenstein et al. Flame–cooling air interaction in an effusion-cooled model gas turbine combustor at elevated pressure
DE2831404A1 (de) Optisches pyrometer und technik zur temperaturmessung
Cenker et al. Assessment of soot particle-size imaging with LII at Diesel engine conditions
Guiberti et al. Assessment of the stabilization mechanisms of turbulent lifted jet flames at elevated pressure using combined 2-D diagnostics
Wang et al. A machine learning approach assisting soot radiation-based thermometry to recover complete flame temperature field in a laminar flame
Castiñeira et al. Multivariate image analysis (MIA) for industrial flare combustion control
Greifenstein et al. Time-resolved temperature profile measurements in the exhaust of a single sector gas turbine combustor at realistic operating conditions
US9250136B1 (en) Hyperspectral imaging system for pyrometry applications and method of operating the same
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
Yakeno et al. Data assimilation for combustion ignition delay time simulation using schlieren image velocimetry
Lapeyre et al. Quantifying flare combustion efficiency using a long wave infrared Fourier transform spectrometer
DE102008050046B3 (de) Verfahren zum Bestimmen von Konzentrations-, Druck- und Temperaturprofilen in beliebigen, vorzugsweise gasförmigen Medien
Del Cont-Bernard et al. 2D Raman imaging for vibrational and rotational temperature mapping in H2
DE102006010100B4 (de) Vorrichtung und Verfahren zur spektroskopischen Messung
DE69406034T2 (de) Verfahren und Gerät zur Messung und Analyse von einem Dieselmotor erzeugten Festteilchen
Parker et al. Space launch system base heating test: tunable diode laser absorption spectroscopy
DE102013205848B3 (de) Optisches Temperatursensorsystem
DE102021131832A1 (de) Vorrichtung zum Detektieren eines Gases oder eines mehrkomponentigen Gasgemisches

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20190905

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RIC1 Information provided on ipc code assigned before grant

Ipc: F02D 41/14 20060101AFI20200819BHEP

Ipc: G01J 5/08 20060101ALI20200819BHEP

Ipc: G01J 5/58 20060101ALI20200819BHEP

Ipc: F02D 35/02 20060101ALI20200819BHEP

Ipc: G01J 3/42 20060101ALI20200819BHEP

Ipc: G01J 5/60 20060101ALI20200819BHEP

Ipc: G01J 5/04 20060101ALI20200819BHEP

Ipc: G01J 5/00 20060101ALI20200819BHEP

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

INTG Intention to grant announced

Effective date: 20200929

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS ENERGY GLOBAL GMBH & CO. KG

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20210210