RU2686385C1 - Method of spectrometric determination of gas flow temperature - Google Patents

Method of spectrometric determination of gas flow temperature Download PDF

Info

Publication number
RU2686385C1
RU2686385C1 RU2018119058A RU2018119058A RU2686385C1 RU 2686385 C1 RU2686385 C1 RU 2686385C1 RU 2018119058 A RU2018119058 A RU 2018119058A RU 2018119058 A RU2018119058 A RU 2018119058A RU 2686385 C1 RU2686385 C1 RU 2686385C1
Authority
RU
Russia
Prior art keywords
gas flow
temperature
intensity
neural network
radiation
Prior art date
Application number
RU2018119058A
Other languages
Russian (ru)
Inventor
Игорь Касьянови Мешковский
Михаил Викторович Мехреньгин
Станислав Михайлович Аксарин
Антон Валерьевич Сухинец
Даниил Сергеевич Смирнов
Original Assignee
федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" (Университет ИТМО)
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 федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" (Университет ИТМО) filed Critical федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" (Университет ИТМО)
Priority to RU2018119058A priority Critical patent/RU2686385C1/en
Application granted granted Critical
Publication of RU2686385C1 publication Critical patent/RU2686385C1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0014—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
    • G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

FIELD: measuring equipment.SUBSTANCE: invention relates to remote measurement of high gas temperatures, in particular to methods for spectrometric measurement of gas flow temperature and processing of spectral data of optical sensors for determining temperature of gas flows and can be used for experimental studies of working process of power plants and for improving reliability during operation of gas turbines and gas turbine engines. Disclosed is a method for spectrometric determination of gas flow temperature, which involves measurement of emission intensity of a stream of gases, from which the current gas flow temperature is determined. First, using reference thermocouple, current values of gas flow temperature and intensity of its radiation are measured in at least two spectral regions in visible range and at least in two spectral regions in infrared range. Obtained data are used to calculate intensity ratios; the obtained data are used to form a training sample for training an artificial neural network, by means of which the value of the current gas flow temperature is calculated. Neural network is trained by back propagation of the error. During the training neural network weight coefficients are corrected to achieve the specified accuracy and are used to calculate the unknown value. Intensity of radiation of the analyzed gas flow is measured in at least two spectral regions in the visible range and at least in two regions of the spectrum in the infrared range, and the unknown current temperature of the analyzed gas stream is calculated by formula t=ƒ(r,r,…,r,r,r,…r,w,w,w,b,b,b), where r... r- values of ratios of intensity of emission of gas flow in selected sections of spectrum, w, w, ware weight coefficients, and b, b, b– displacement.EFFECT: high reliability of measuring temperature of the stream of gases by taking into account the saturation of the fuel-air mixture and eliminating the effect of contamination of the optical channel and the effect of concentrations of chemical elements in the fuel-air mixture.1 cl, 6 dwg

Description

Изобретение относится к области дистанционного измерения высоких температур газов, в частности к способам спектрометрического измерения температуры потока газов и обработки спектральных данных оптических датчиков определения температуры потоков газов и может быть использовано для экспериментальных исследований рабочего процесса силовых установок и для повышения надежности при эксплуатации газовых турбин и газотурбинных двигателей.The invention relates to the field of remote measurement of high temperatures of gases, in particular to methods of spectrometric measurement of gas flow temperature and processing spectral data of optical sensors for determining the temperature of gas flows and can be used for experimental studies of the working process of power plants and to improve the reliability of operation of gas turbines and gas turbines engines.

Известен способ оценки температуры лопаток в паровой турбине (патент РФ №2213997, МПК G06N 3/02, приор.05.12.1997, (конв. приор. 13.12.1996 US), опубликован 10.10.2003), представляющий собой оценку температуры лопаток с использованием нейронных сетей. Данные о температуре и давлении считываются в участках парового тракта паровой турбины перед и после исследуемых лопаток. На основании полученных данных нейронная сеть формирует информацию о средней температуре лопаток. Перед началом процесса эксплуатации газовой турбины нейронную сеть обучают в условиях малого потока пара. После обучения нейронная сеть используется для установления значений рабочей температуры лопаток.There is a method of estimating the temperature of the blades in a steam turbine (RF patent No. 2213997, IPC G06N 3/02, prior to 05.12.1997, (conv. Prior. 12.13.1996 US), published on 10.10.2003), which is an estimate of the temperature of the blades using neural networks. Data on temperature and pressure are read in the sections of the steam path of the steam turbine before and after the blades under study. Based on the data obtained, the neural network generates information about the average temperature of the blades. Before starting the process of operating a gas turbine, a neural network is trained in low-steam conditions. After training, the neural network is used to establish the working temperature of the blades.

Недостатком известного способа является то, что способ является косвенным и требует использования минимум четырех датчиков температуры и давления.The disadvantage of this method is that the method is indirect and requires the use of at least four sensors of temperature and pressure.

Известен способ и устройство для исследования температурных полей в газовых потоках (патент РФ №2597956, МПК G01K 13/02, 7/02, G01J 5/60, приор. 18.06.2015.). В горячую часть тракта газотурбинного двигателя перпендикулярно газовому потоку помещена сеть из нитей, изготовленных из высокотемпературных материалов со специальным покрытием. Также в одной из нитей расположена термопара. Тепловизионная камера используется для получения визуального образа цветового поля. На основании цветовой характеристики нитей формируются данные о температуре газового потока. Информация с термопары используется в качестве опорного значения для определения степени черноты нитей сетки.The known method and device for the study of temperature fields in gas flows (RF patent No. 2597956, IPC G01K 13/02, 7/02, G01J 5/60, prior. 06/18/2015.). A network of filaments made of high-temperature materials with a special coating is placed in the hot part of the gas-turbine engine path perpendicular to the gas flow. Also in one of the threads is a thermocouple. A thermal imaging camera is used to obtain a visual image of a color field. Based on the color characteristics of the filaments, data on the gas flow temperature are formed. Information from the thermocouple is used as a reference value to determine the degree of blackness of the filaments of the grid.

Недостатками известного способа являются необходимость внесения изменений в конструкцию существующей газовой турбины или газотурбинного двигателя и тот факт, что использование сетки создает препятствие внутри тракта турбины, что приводит к искажениям газового потока.The disadvantages of this method are the need to make changes in the design of an existing gas turbine or gas turbine engine and the fact that the use of the grid creates an obstacle inside the turbine path, which leads to distortion of the gas flow.

Наиболее близким к предлагаемому способу и принятым за прототип является способ спектрометрического измерения температуры потока газов с поглотителем (патент РФ №2583853, МПК G01K 13/02, G01J 5/58, приор. 09.12.2014), представляющий собой измерение температуры в различных слоях заданной толщины. Способ включает измерение интенсивности излучения потока газов в области спектра, соответствующей максимуму излучения углекислого газа СО2. До начала эксплуатации оптическая система калибруется при помощи регулируемого нагревателя. В процессе калибровки подбираются поправочные коэффициенты, которые позволяют получить данные о температуре в разных слоях на основании данных о температуре в среднем слое. В процессе работы оптическая система фокусируется в центральную точку по сечению горячего тракта газовой турбины и выполняется измерение температуры в среднем слое. Данные о температуре в других слоях, расположенных перпендикулярно линии визирования, получают на основании поправочных коэффициентов.Closest to the proposed method and adopted for the prototype is a method of spectrometric measurement of the temperature of the flow of gases with absorber (RF patent №2583853, IPC G01K 13/02, G01J 5/58, prior. 09.12.2014), which is a temperature measurement in different layers given thickness. The method includes measuring the intensity of radiation of a stream of gases in the spectral region corresponding to the maximum emission of carbon dioxide CO 2 . Prior to operation, the optical system is calibrated using an adjustable heater. In the process of calibration, correction factors are selected, which make it possible to obtain data on the temperature in different layers on the basis of data on the temperature in the middle layer. During operation, the optical system is focused at the center point over the cross section of the hot path of the gas turbine and the temperature is measured in the middle layer. Data on temperature in other layers located perpendicular to the line of sight is obtained on the basis of correction factors.

Недостатком способа является определение температуры только по одной области спектральных данных, что не позволяет учитывать изменение величины интенсивности, вызванное изменением химического состава продуктов сгорания вследствие изменения состава топлива и окислителя, что снижает достоверность полученных данных, отсутствует обоснование оптимальности подбора поправочных коэффициентов, кроме того, метод не устойчив к загрязнению оптического тракта.The disadvantage of this method is to determine the temperature of only one area of spectral data, which does not allow to take into account the change in intensity value caused by changes in the chemical composition of combustion products due to changes in the composition of fuel and oxidizer, which reduces the reliability of the data, there is no justification for the optimality of the selection of correction factors not resistant to contamination of the optical path.

Задачей, на решение которой направлено данное изобретение, является повышение достоверности способа измерения температуры потока газов за счет учета насыщенности топливно-воздушной смеси и исключения влияния загрязненности оптического канала и влияния концентраций химических элементов в топливно-воздушной смеси.The problem to which this invention is directed is to increase the reliability of the method for measuring the temperature of a gas stream by taking into account the saturation of the fuel-air mixture and eliminating the effect of contamination of the optical channel and the effect of concentrations of chemical elements in the fuel-air mixture.

Технический результат достигается за счет измерения интенсивностей излучения потока газов в областях спектра, соответствующих излучению веществ СН (431 нм), С2 (470 нм, 515 нм, 560 нм) и Н2О (1500-1700 нм), отношения которых дают информацию о следующих параметрах: насыщенность топливно-воздушной смеси, загрязненность оптического канала, концентрации химических элементов в топливно-воздушной смеси, которые учитываются при вычислении температуры потока газов.The technical result is achieved by measuring the intensity of the radiation of a gas stream in the spectral regions corresponding to the emission of substances CH (431 nm), C 2 (470 nm, 515 nm, 560 nm) and H 2 O (1500-1700 nm), the ratios of which give information about the following parameters: saturation of the fuel-air mixture, contamination of the optical channel, the concentration of chemical elements in the fuel-air mixture, which are taken into account when calculating the temperature of the gas flow.

Поставленная задача решается следующим образом.The problem is solved as follows.

В способе спектрометрического определения температуры потока газов, включающем измерение интенсивностей излучения потока газов, по которым судят о текущей температуре потока газов, предварительно, используя опорную термопару, измеряют текущие значения температуры потока газов и интенсивности его излучения не менее чем в двух областях спектра в видимом диапазоне и не менее чем в двух областях спектра в инфракрасном диапазоне, по полученным данным вычисляют отношения интенсивностей, полученные данные используют для формирования обучающей выборки для обучения искусственной нейронной сети, с помощью которой рассчитывают значение текущей температуры потока газов, обучают нейронную сеть методом обратного распространения ошибки, в процессе обучения корректируют весовые коэффициенты нейронной сети для достижения заданной точности и используют их для расчета искомой величины, интенсивности излучения исследуемого потока газов измеряют не менее, чем в двух областях спектра в видимом диапазоне и не менее, чем в двух областях спектра в инфракрасном диапазоне, а искомую текущую температуру исследуемого потока газов рассчитывают по формуле

Figure 00000001
где
Figure 00000002
- значения отношений интенсивностей излучения потока газов в выбранных участках спектра,
Figure 00000003
- весовые коэффициенты, а
Figure 00000004
- смещения.In the method of spectrometric determination of the temperature of a gas stream, including the measurement of the intensity of the radiation of a gas stream, which are judged on the current temperature of the gas stream, previously, using a reference thermocouple, measure the current temperature of the gas stream and its radiation intensity in at least two spectral regions in the visible range and in no less than two spectral regions in the infrared range, according to the data obtained, intensity ratios are calculated, the data obtained are used to form the training for learning artificial neural network, which calculates the value of the current gas flow temperature, trains the neural network using the method of back propagation of error, weighting factors of the neural network are adjusted in order to achieve the specified accuracy and use them to calculate the desired value, the radiation intensity gases are measured not less than in two spectral regions in the visible range and not less than in two spectral regions in the infrared range, and the target sticking to the temperature of the investigated gas flow is calculated by the formula
Figure 00000001
Where
Figure 00000002
- the values of the ratios of the intensities of the radiation of the gas stream in selected parts of the spectrum,
Figure 00000003
- weights, and
Figure 00000004
- offset.

Сущность заявляемого изобретения поясняется следующим. В способе спектрометрического определения потока газов выполняется измерение интенсивностей излучения потока газов в областях спектра, соответствующих излучению радикалов в видимом оптическом диапазоне: СН (431 нм), С2 (470 нм), С2 (515 нм), С2 (560 нм), и в инфракрасном оптическом диапазоне: Н2О (1550-1600 нм), H2O (1600-1650 нм), Н2О (1650-1700 нм). Далее происходит вычисление попарных отношений интенсивностей в соответствии с формулами:The essence of the claimed invention is illustrated as follows. In the method of spectrometric determination of the gas flow, measurement of the intensity of the radiation of the gas flow in the spectral regions corresponding to the emission of radicals in the visible optical range is performed: CH (431 nm), C 2 (470 nm), C 2 (515 nm), C 2 (560 nm) and in the infrared optical range: H 2 O (1550–1600 nm), H 2 O (1600–1650 nm), H 2 O (1650–1700 nm). Next, the calculation of the pairwise intensity ratios is performed in accordance with the formulas:

Figure 00000005
Figure 00000005

где ICH - интенсивность излучения радикала СН, IC2(470), IC2(515) - интенсивность излучения радикала С2 на длинах волн 470 нм и 515 нм, IH2O - интенсивность излучения H2O.where I CH is the radiation intensity of the radical CH, I C2 (470) , I C2 (515) is the intensity of the radiation of the radical C 2 at wavelengths of 470 nm and 515 nm, I H2O is the intensity of the radiation of H 2 O.

Отношения интенсивностей излучения радикалов СН и С2 позволяют получить информацию о насыщенности топливно-воздушной смеси в камере сгорания, попарные отношения излучения радикала С2 в различных областях спектра содержат информацию о температуре потока газов в камере сгорания, попарные отношения интенсивностей излучения H2O в различных областях спектра содержат информацию о температуре потока газов в камере сгорания, отношения интенсивностей излучения СН и H2O, а также С2 и H2O дают информацию о концентрации продуктов сгорания в среде.The radiation intensity ratios of the CH and C 2 radicals provide information about the saturation of the air-fuel mixture in the combustion chamber, the pairwise radiation ratios of the C 2 radical in different spectral regions contain information about the temperature of the gas flow in the combustion chamber, the pairwise ratios of the H 2 O radiation intensity in different spectral regions contain information about the temperature of the gas flow in the combustion chamber CH, and H 2 O ratio of the emission intensities, and the C 2 H 2 O and give information about the concentration of the combustion products in environments .

Наличие данных о концентрации продуктов сгорания в среде, а также о насыщенности топливно-воздушной смеси повышают достоверность полученных данных о температуре потока газов. Использование отношений интенсивностей, а не абсолютных значений интенсивностей излучения радикалов, позволяет нивелировать влияние загрязнений оптической схемы и повышает достоверность полученных данных.The availability of data on the concentration of combustion products in the medium, as well as on the saturation of the fuel-air mixture, increases the reliability of the data obtained on the temperature of the gas stream. The use of ratios of intensities, rather than absolute values of the intensities of the radiation of radicals, makes it possible to level the effects of pollution of the optical circuit and increases the reliability of the data obtained.

Таким образом, входными параметрами нейронной сети является набор отношений интенсивностей. Искусственная нейронная сеть считывает эти значения. Первый слой нейронной сети реализует алгоритм нормировки входных данных, который работает по следующему принципу:Thus, the input parameters of the neural network is a set of intensity ratios. The artificial neural network reads these values. The first layer of the neural network implements an input data normalization algorithm, which works according to the following principle:

Figure 00000006
Figure 00000006

где х - нормируемый набор данных, у - результат нормирования, ymax, ymin - параметры нормирования, xmax, xmin - максимум и минимум диапазона измеряемой величины.where x is the normalized data set, y is the result of normalization, y max , y min are the normalization parameters, x max , x min is the maximum and minimum of the range of the measured value.

Далее данные поступают на нейроны скрытого слоя, значения которых вычисляются следующим образом:Next, the data arrive on the neurons of the hidden layer, the values of which are calculated as follows:

Figure 00000007
Figure 00000007

где

Figure 00000008
- весовой коэффициент связи с нейроном, xj - значение, поступающее с j-го входа, bj0 - смещение. При этом на выход поступает значение:Where
Figure 00000008
is the weight coefficient of connection with the neuron, x j is the value coming from the jth input, b j0 is the offset. In this case, the output value is:

Figure 00000009
Figure 00000009

Выражение (4) называется функцией активации, которая, в данном способе, является сигмоидой и вычисляется по формуле:The expression (4) is called the activation function, which, in this method, is a sigmoid and is calculated by the formula:

Figure 00000010
Figure 00000010

Данные значения вычисляются для каждого нейрона и поступают далее на следующие слои, где проходит аналогичные операции. На последнем слое нейронной сети, после вычисления выходного значения нейрона, происходит денормировка вычисленного значения нейронной сети. Полученное число является температурой газового потока.These values are calculated for each neuron and proceed further to the next layers, where similar operations take place. On the last layer of the neural network, after calculating the output value of the neuron, the calculated value of the neural network is denormalized. The resulting number is the temperature of the gas stream.

Для корректной работы нейронной сети необходимо подобрать корректные значения весовых коэффициентов. Для этого нейронная сеть проходит обучение с использованием заранее записанных спектральных данных и данных о температуре.For the neural network to work correctly, it is necessary to select the correct values of the weighting factors. For this, the neural network is trained using pre-recorded spectral data and temperature data.

Для формирования обучающей выборки используются данные о температуре с опорной термопары. Данные о температуре и значения интенсивностей излучения потока газов в выбранных областях спектра записываются синхронно. Данные записываются таким образом, что на протяжении всего времени записи температура потока газов изменяется от минимального значения к максимальному значению.To form a training set, temperature data from the reference thermocouple is used. The data on the temperature and the intensity values of the radiation fluxes of gases in the selected spectral regions are recorded synchronously. The data is recorded in such a way that during the entire recording time the temperature of the gas stream changes from the minimum value to the maximum value.

Нейронная сеть обучается методом обратного распространения ошибки, для обучения которого используют набор исходных данных для обучения - обучающую выборку. Суть обучения заключается в следующем. На первоначальной нейронной сети, весовые коэффициенты которой сгенерированы случайно, подаются данные о спектре из обучающей выборки. Выданный нейронной сетью результат сравнивается с действительным значением из обучающей выборки, после чего вычисляется разность между ними. Эта разность используется как корректирующее значение для весовых коэффициентов нейронов и смещений, расположенных в предыдущем слое. Аналогично корректируются значения весовых коэффициентов и смещений в каждом предыдущем слое с учетом его текущего значения. Процесс подстановки значений из обучающей выборки и корректировка весовых коэффициентов повторяется до тех пор, пока разница между реальным значением и вычисляемым не достигнет порогового значения, установленного пользователем, или пока количество итераций обучения не достигнет предела, также установленного пользователем.The neural network is trained by the method of back propagation of an error, for training of which they use a set of initial data for training - a training sample. The essence of learning is as follows. On the original neural network, the weighting coefficients of which are generated randomly, the spectrum data from the training sample is supplied. The result issued by the neural network is compared with the actual value from the training sample, after which the difference between them is calculated. This difference is used as a correction value for the weights of the neurons and displacements located in the previous layer. The values of weight coefficients and displacements in each previous layer are adjusted in the same way, taking into account its current value. The process of substituting values from the training sample and adjusting the weights is repeated until the difference between the real value and the calculated one reaches the threshold value set by the user, or until the number of training iterations reaches the limit also set by the user.

Таким образом, нейронную сеть можно представить в виде многомерной функции зависимости температуры от набора интенсивностей в нескольких участках спектра:Thus, a neural network can be represented as a multidimensional function of temperature dependence on a set of intensities in several parts of the spectrum:

Figure 00000011
Figure 00000011

где TN - нормированное значение текущей температуры потока газов, L0, L1, L2 - количество нейронов в первом, первом скрытом и втором скрытом слоях,

Figure 00000012
- весовые коэффициенты, bt0, bj0, bk0 - смещения.where T N is the normalized value of the current gas flow temperature, L 0 , L 1 , L 2 is the number of neurons in the first, first hidden and second hidden layers,
Figure 00000012
- weights, b t0 , b j0 , b k0 - offsets.

После денормировки значения TN получаем итоговую зависимость текущей температуры потока газов от интенсивностей излучения потока газов в различных областях спектра, которая выражается в общем виде формулой:After denormalization of the value of T N, we obtain the final dependence of the current temperature of the gas flow on the radiation intensities of the gas flow in various regions of the spectrum, which is expressed in general form by the formula:

Figure 00000013
Figure 00000013

где

Figure 00000014
- отношения интенсивностей излучениях потока газов в различных областях спектра,
Figure 00000015
- весовые коэффициенты, bt0, bj0, bk0 - смещения.Where
Figure 00000014
- the intensity ratio of the radiation flow of gases in different regions of the spectrum,
Figure 00000015
- weights, b t0 , b j0 , b k0 - offsets.

Сущность заявляемого изобретения поясняется чертежами, где на фиг. 1 представлена принципиальная схема реализующего заявляемый способ устройства для сбора данных, преобразовываемых в температуру, на фиг. 2 представлена структура искусственной нейронной сети, использующаяся для оценки температуры потока газов, на фиг. 3 представлена схема сбора данных для формирования обучающей выборки искусственной нейронной сети, на фиг. 4 изображены спектры газов, где отмечены области спектра, используемые для оценки температуры в видимом диапазоне оптического излучения и указаны соответствующие продукты сгорания, на фиг. 5 изображены спектры продуктов сгорания в инфракрасном диапазоне излучения, на фиг. 6 изображена зависимость отношения интенсивностей излучения в двух областях видимой области спектра от температуры потока газов.The essence of the invention is illustrated by drawings, where in FIG. 1 is a schematic diagram of a device implementing the inventive method for collecting data converted to temperature; FIG. 2 shows the structure of an artificial neural network used to estimate the temperature of a stream of gases; FIG. 3 shows a data acquisition scheme for generating a training sample of an artificial neural network; FIG. 4 shows the spectra of gases, where the spectral regions used for estimating the temperature in the visible range of optical radiation are marked and the corresponding combustion products are indicated; FIG. 5 shows the spectra of products of combustion in the infrared range of radiation; FIG. 6 shows the dependence of the intensity ratio of the radiation in two regions of the visible spectral region on the temperature of the gas flow.

Устройство, реализующее заявляемый способ (фиг. 1), включает оптическую схему 1, оптически соединенную с массивом фотоприемных устройств (МФПУ) 2. МФПУ 2 выполняет оптоэлектронное преобразование сигнала и передает электрические сигналы, соответствующие интенсивностям излучения потока газов в различных областях спектра, в блок цифровой обработки сигналов (ЦОС) 3. Блок ЦОС 3 выполняет аналого-цифровое преобразование данных, вычисляет отношения между интенсивностями излучения на различных ФПУ и реализует алгоритм обработки данных, построенный на базе искусственной нейронной сети (фиг. 2). Нейронная сеть состоит из первого слоя 4, скрытого слоя 5 и последнего слоя 6. После обучения при помощи обучающей выборки, состоящей из спектрометрических данных и данных о температуре, полученных при помощи термопары 7 (фиг. 3), нейронная сеть формирует на выходе значение измеряемой температуры потока газов.A device that implements the inventive method (Fig. 1) includes an optical circuit 1 optically connected to an array of photodetectors (mfpu) 2. mfpu 2 performs optoelectronic conversion of the signal and transmits electrical signals corresponding to the intensities of radiation of a gas stream in different spectral regions in a block Digital Signal Processing (DSP) 3. The DSP 3 unit performs analog-to-digital data conversion, calculates the relationship between the radiation intensities at different photodetectors, and implements the data processing algorithm constructed second based on artificial neural network (Fig. 2). The neural network consists of the first layer 4, the hidden layer 5 and the last layer 6. After training using a training sample consisting of spectrometric data and temperature data obtained using a thermocouple 7 (Fig. 3), the neural network generates the measured value at the output gas flow temperatures.

Заявляемый способ реализуется следующим образом. Оптическое излучение потока газов отводится из камеры сгорания при помощи оптической схемы 1 и передается на массив фотоприемных устройств 2. МФПУ 2 выполняет измерение интенсивностей излучения потока газов в областях спектра, соответствующих излучению радикалов в видимом оптическом диапазоне: СН (425-435 нм), С2 (465-475 нм), С2 (510-520 нм), С2 (550-560 нм) (фиг. 4), и в инфракрасном оптическом диапазоне: H2O (1550-1600 нм), Н2О (1600-1650 нм), H2O (1650-1700 нм) (фиг. 5). Данные об интенсивностях излучения в данных областях спектра поступают на блок ЦОС 3, где происходит вычисление попарных отношений интенсивностей в соответствии с формулами (1). Полученный набор отношений интенсивностей поступает на вход искусственной нейронной сети. Искусственная нейронная сеть (фиг. 2), реализованная в блоке ЦОС 3, считывает эти значения. Первый слой 4 нейронной сети реализует алгоритм нормировки входных данных. Нормированные данные поступают на нейроны скрытого слоя 5, где происходит их активация при помощи сигмоиды. На последнем слое 6 нейронной сети выполняется вычисление выходного значения нейрона и денормировка вычисленного значения нейронной сети. Полученное число является температурой газового потока.The inventive method is implemented as follows. The optical radiation of the gas stream is removed from the combustion chamber using optical circuit 1 and transmitted to the array of photodetectors 2. The mfpu 2 performs measurement of the intensity of the radiation of the gas flow in the spectral regions corresponding to the emission of radicals in the visible optical range: СН (425-435 nm), С 2 (465-475 nm), C 2 (510-520 nm), C 2 (550-560 nm) (Fig. 4), and in the infrared optical range: H 2 O (1550-1600 nm), H 2 O (1600-1650 nm), H 2 O (1650-1700 nm) (Fig. 5). Data on the radiation intensities in these regions of the spectrum arrive at the DSP 3 unit, where the pairwise intensity ratios are calculated in accordance with formulas (1). The resulting set of intensity ratios is fed to the input of an artificial neural network. The artificial neural network (FIG. 2), implemented in DSP 3, reads these values. The first layer 4 of the neural network implements an input data normalization algorithm. Normalized data arrive at the neurons of the hidden layer 5, where they are activated using sigmoids. On the last layer 6 of the neural network, the output value of the neuron is calculated and the calculated value of the neural network is denormalized. The resulting number is the temperature of the gas stream.

Для корректной работы нейронная сеть предварительно проходит обучение с использованием заранее записанных спектральных данных и данных о температуре. Для формирования обучающей выборки используется устройство, реализующее описываемый способ, вместе с опорной термопарой (фиг. 3). Данные с опорной термопары 7 и МФПУ 2 одновременно записывают в блок ЦОС 3. Данные записываются таким образом, что на протяжении всего времени записи температура потока газов изменяется от минимального значения к максимальному значению. На основании полученного набора данных нейронная сеть обучается методом обратного распространения ошибки.For correct operation, the neural network is pre-trained using pre-recorded spectral data and temperature data. To form a training set, a device that implements the described method is used, together with a reference thermocouple (Fig. 3). Data from the reference thermocouple 7 and mfpu 2 simultaneously recorded in the DSP unit 3. The data is recorded in such a way that during the entire recording time the temperature of the gas flow changes from the minimum value to the maximum value. Based on the obtained data set, the neural network is trained by the method of back propagation of an error.

В качестве конкретного примера выполнения для реализации заявляемого способа предлагается устройство, где оптическая схема, представляет собой совокупность оптического окна, изготовленного из лейкосапфира, и жгута оптических волокон. Оптическое окно выполнено в виде полированной с обеих сторон пластинки из лейкосапфира. Жгут оптических волокон представляет собой массив оптических волокон, скрученных вместе и помещенных в оплетку из высокотемпературного теплоизоляционного материала. Жгут оптических волокон при помощи оптического коннектора подключается к массиву фотоприемных устройств. На каждое фотоприемное устройство, входящее в состав МФПУ, нанесен спектральный дихроичный фильтр. Массив фотоприемных устройств с дихроичными фильтрами позволяет измерять интенсивность излучения в вышеупомянутых областях спектра.As a specific example of execution for the implementation of the proposed method, a device is proposed, where the optical scheme is a combination of an optical window made of synthetic sapphire and a bundle of optical fibers. The optical window is made in the form of a leucosapphire plate polished on both sides. An optical fiber bundle is an array of optical fibers twisted together and placed in a braid of high-temperature insulating material. An optical fiber bundle with an optical connector is connected to an array of photodetectors. A spectral dichroic filter is applied to each photodetector, which is part of the mfpu. An array of photodetectors with dichroic filters allows measuring the radiation intensity in the above-mentioned spectral regions.

Примеры спектров излучения потока газов в видимом оптическом диапазоне показаны на фиг. 4. Примеры спектров излучения потока газов в инфракрасном оптическом диапазоне показаны на фиг. 5.Examples of emission spectra of gases in the visible optical range are shown in FIG. 4. Examples of emission spectra of gases in the infrared optical range are shown in FIG. five.

Блок ЦОС реализуется на базе платы с программируемой логической интегральной схемой (ПЛИС). Блок ЦОС выполняет аналого-цифровое преобразование данных с МФПУ и передает их в ПЛИС. В ПЛИС реализован алгоритм обработки данных, который построен на базе искусственной нейронной сети типа многослойный персептрон. Выходное значение искусственной нейронной сети принимается за измеряемую температуру потока газов.The DSP block is implemented on the basis of a board with a programmable logic integrated circuit (FPGA). The DSP unit performs analog-to-digital conversion of data from the mfpu and transmits them to the FPGA. The FPGA implements a data processing algorithm that is built on the basis of an artificial neural network such as a multilayer perceptron. The output value of the artificial neural network is taken as the measured temperature of the gas flow.

Пример зависимости отношения интенсивностей излучения радикала С2 в областях длин волн 470 нм и 515 нм от температуры потока газов пропановой горелки представлен на фиг. 6.An example of the dependence of the radiation intensity ratio of the C 2 radical in the wavelength regions of 470 nm and 515 nm on the temperature of the flow of gases of the propane burner is shown in FIG. 6

Таким образом, заявляемый способ позволяет повысить достоверность измерения температуры потока газов за счет измерения интенсивностей излучения потока газов в областях спектра, соответствующих излучению веществ СН (431 нм), С2 (470 нм, 515 нм, 555 нм) и H2O (1500-1700 нм), отношения которых дают информацию о следующих параметрах: насыщенность топливно-воздушной смеси, загрязненность оптического канала, концентрации химических элементов в топливно-воздушной смеси, которые учитываются при вычислении температуры потока газов.Thus, the inventive method allows to increase the reliability of measuring the temperature of the gas flow by measuring the intensity of the radiation of the gas flow in the spectral regions corresponding to the emission of substances CH (431 nm), C 2 (470 nm, 515 nm, 555 nm) and H 2 O (1500 -1700 nm), the relationship of which gives information about the following parameters: saturation of the fuel-air mixture, contamination of the optical channel, the concentration of chemical elements in the fuel-air mixture, which are taken into account when calculating the temperature of the gas flow.

Claims (1)

Способ спектрометрического определения температуры потока газов, включающий измерение интенсивности излучения потока газов, по которой судят о текущей температуре потока газов, отличающийся тем, что, предварительно, используя опорную термопару, измеряют текущие значения температуры потока газов и интенсивности его излучения не менее чем в двух областях спектра в видимом диапазоне и не менее чем в двух областях спектра в инфракрасном диапазоне, по полученным данным вычисляют отношения значений интенсивностей излучения, которые используют для формирования обучающей выборки для обучения искусственной нейронной сети, с помощью которой рассчитывают текущую температуру потока газов, обучают нейронную сеть методом обратного распространения ошибки, в процессе обучения корректируют весовые коэффициенты нейронной сети по достижению заданной точности и используют их для расчета искомой величины, интенсивность излучения исследуемого потока газов измеряют в выбранных областях спектра, вычисляют отношения значений интенсивностей, а искомую текущую температуру исследуемого потока газов рассчитывают по формуле t°=ƒ(r1, r2, r3, r4, w1t, wtj, wjk, bt0, bj0, bk0), где r1, r2, rm - отношения интенсивностей выбранных областей спектра, w1t, wtj, wjk, - весовые коэффициенты, bt0, bj0, bk0 - смещения.The method of spectrometric determination of the temperature of the gas flow, including measurement of the intensity of the radiation of the gas flow, which is judged on the current temperature of the gas flow, characterized in that, previously, using a reference thermocouple, measure the current temperature of the gas flow and its intensity of radiation in at least two areas the spectrum in the visible range and at least in two regions of the spectrum in the infrared range, the data obtained are used to calculate the ratios of the radiation intensity values that are used They are used to form a training set for teaching an artificial neural network, with which the current gas flow temperature is calculated, the neural network is trained using the error back-propagation method, the training process corrects the weights of the neural network to achieve the specified accuracy and use them to calculate the desired value, the radiation intensity the investigated gas flow is measured in selected regions of the spectrum, the ratios of the intensity values are calculated, and the current temperature sought is investigated th gas flow is calculated by the formula t ° = ƒ (roner2r3rfourw1twtjwjk, bt0, bj0, bk0) where rone, r2rm - intensity ratios of selected spectral regions, w1twtjwjk, - weights, bt0, bj0, bk0 - offset.
RU2018119058A 2018-05-23 2018-05-23 Method of spectrometric determination of gas flow temperature RU2686385C1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2018119058A RU2686385C1 (en) 2018-05-23 2018-05-23 Method of spectrometric determination of gas flow temperature

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2018119058A RU2686385C1 (en) 2018-05-23 2018-05-23 Method of spectrometric determination of gas flow temperature

Publications (1)

Publication Number Publication Date
RU2686385C1 true RU2686385C1 (en) 2019-04-25

Family

ID=66314835

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2018119058A RU2686385C1 (en) 2018-05-23 2018-05-23 Method of spectrometric determination of gas flow temperature

Country Status (1)

Country Link
RU (1) RU2686385C1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2738999C1 (en) * 2020-02-28 2020-12-21 федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО" (Университет ИТМО) Method of determining gas flow temperature in combustion chamber of gas turbine engine with hydrocarbon fuel

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6422745B1 (en) * 1999-01-15 2002-07-23 Ametek, Inc. System and method for determining combustion temperature using infrared emissions
RU2213997C2 (en) * 1996-12-13 2003-10-10 Сименс Корпорейт Рисерч, Инк. Method for evaluating temperature of blades in steam turbine
US6786635B2 (en) * 2002-11-06 2004-09-07 General Electric Company Turbine blade (bucket) health monitoring and prognosis using neural network based diagnostic techniques in conjunction with pyrometer signals
CN102175345A (en) * 2011-01-06 2011-09-07 华东理工大学 Soft measurement method for fire box temperature of multi-nozzle opposed coal water slurry gasification furnace
CN104331735A (en) * 2014-10-31 2015-02-04 国家电网公司 GIS contact temperature computing method with shielding case structure based on infrared sensing
RU2583853C1 (en) * 2014-12-09 2016-05-10 Федеральное государственное унитарное предприятие "Центральный институт авиационного моторостроения им. П.И. Баранова" Method for spectrometric measurement of temperature of gas flow with absorber

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2213997C2 (en) * 1996-12-13 2003-10-10 Сименс Корпорейт Рисерч, Инк. Method for evaluating temperature of blades in steam turbine
US6422745B1 (en) * 1999-01-15 2002-07-23 Ametek, Inc. System and method for determining combustion temperature using infrared emissions
US6786635B2 (en) * 2002-11-06 2004-09-07 General Electric Company Turbine blade (bucket) health monitoring and prognosis using neural network based diagnostic techniques in conjunction with pyrometer signals
CN102175345A (en) * 2011-01-06 2011-09-07 华东理工大学 Soft measurement method for fire box temperature of multi-nozzle opposed coal water slurry gasification furnace
CN104331735A (en) * 2014-10-31 2015-02-04 国家电网公司 GIS contact temperature computing method with shielding case structure based on infrared sensing
RU2583853C1 (en) * 2014-12-09 2016-05-10 Федеральное государственное унитарное предприятие "Центральный институт авиационного моторостроения им. П.И. Баранова" Method for spectrometric measurement of temperature of gas flow with absorber

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2738999C1 (en) * 2020-02-28 2020-12-21 федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО" (Университет ИТМО) Method of determining gas flow temperature in combustion chamber of gas turbine engine with hydrocarbon fuel

Similar Documents

Publication Publication Date Title
Legros et al. Simultaneous soot temperature and volume fraction measurements in axis-symmetric flames by a two-dimensional modulated absorption/emission technique
CN108981953B (en) Laser absorption spectrum temperature measurement method and system based on interferometric modulation principle
CN108627478B (en) Extinction method and radiant light combined carbon smoke measuring device in steady-state flame
US4780832A (en) Radiation probe and method of use
RU2686385C1 (en) Method of spectrometric determination of gas flow temperature
Ren et al. Improved multi-grating filtering demodulation method based on cascading neural networks for fiber Bragg grating sensor
CN106482790B (en) Solid rocket propellant combustion measurement device based on Fire Radiation and measurement method
CN112082672A (en) Three-dimensional combustion field temperature measuring method based on extinction correction time analysis
CN107906555B (en) Optimized control method of combustion based on multiline absorption spectrum tomography technology
CN112082737B (en) Terahertz pulse laser energy calibration device and method
CN107144345B (en) A kind of calibration method of multi-wavelength and wide temperature thz laser power meter
CN111089850B (en) Multi-component concentration estimation method based on single-component absorption spectrum
Guo et al. Quantitative imaging of temperature and OH concentration from single wavelength planar laser induced fluorescence
CN107505063A (en) A kind of laser beam deviation means for correcting and method based on high frequency sinusoidal calibration light
Gao et al. Radial basis function coupled SART method for dynamic LAS tomography
Winter et al. Uncertainty analysis of a photometer calibration at the DSR setup of the PTB
RU2583853C1 (en) Method for spectrometric measurement of temperature of gas flow with absorber
JP3242232B2 (en) Flame detection and combustion diagnostic device
CN106017681B (en) It is a kind of at the same measure micro spectrometer gain and read noise method
RU2738999C1 (en) Method of determining gas flow temperature in combustion chamber of gas turbine engine with hydrocarbon fuel
Jeon et al. A study on continuous temperature measurement using direct absorption spectroscopy for fuel-air premixed flames
RU2495388C1 (en) Measuring method of thermogas-dynamic flow parameters
RU2752809C1 (en) Spectrothermometry method
JP2003214956A (en) Temperature measuring method and device, semiconductor device manufacturing method, and memory medium
CN113310857B (en) Turbulent combustion field four-dimensional carbon smoke particle primary particle size distribution measuring system and method thereof

Legal Events

Date Code Title Description
TC4A Change in inventorship

Effective date: 20190814

PD4A Correction of name of patent owner
PD4A Correction of name of patent owner