论文部分内容阅读
获取准确的温度分布对于确保工业系统的高效、稳定运行,降低污染物排放等方面具有重要意义。声学层析成像(Acoustic Tomography,AT)因具有非侵入式传感、测温范围广、适用于大尺度空间测量等优点被认为是极具发展远景的温度分布测量技术。本文主要研究飞行时间(Time of Flight,TOF)测量方法及AT温度分布重建算法。主要工作总结如下:(1)研究了声学法测温原理,比较了常见声波TOF测量方法,分析了 AT重建原理,总结了典型重建算法,阐明了影响测量精度因素,数值实验研究了初值选择和噪声水平对重建精度的影响。(2)提出了一种多尺度双向阈值TOF测量方法,克服了实际测量中声接收信号存在零点漂移、噪声干扰及电压阈值确定困难等问题。实验研究证实了新方法在提高TOF数据测量精度方面的有效性。(3)提出了一种耦合了灰狼优化算法(Grey WolfOptimizer,GWO)和极限学习机(Extreme Learning Machine,ELM)优势的两阶段声学重建算法,缓解了TOF测量数据粗差和独立测量数据量匮乏的问题。第一阶段,将测量区域划分成一个粗离散网格,减少了未知变量的数量,克服了 AT反问题的病态特性;建立基于L1范数的目标函数缓解TOF测量数据粗差对重建精度产生的不利影响,采用GWO算法高效求解该目标函数得到粗网格的温度分布;第二阶段,为了捕捉温度分布的细节特征,将同一测量区域划分成更细的离散网格,利用ELM方法预测细网格的温度分布。数值实验结果表明,提出算法能够提高估计的鲁棒性,重建精度优于常规重建方法。(4)提出了一种集成了 Tikhonov正则法和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)优点的重建算法,克服了 TOF 测量数据和重建模型不精确性引入的重建误差。新方法构建了同时考虑以上两方面误差的目标函数,利用Tikhonov正则法确保数值解的稳定性,应用L1范数缓解粗差的影响,采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解目标函数,得到粗网格的温度分布;进而利用LSSVM方法预测细网格的温度分布,捕捉温度分布的细节特性。数值仿真和实验结果证实了新方法能够确保AT反问题求解的数值稳定性,提高重建质量。(5)提出了一种融合了 Memetic算法和高斯过程回归(Gaussian Process Regression,GPR)优势的重建算法,提升了重建精度与获取全局最优解的可能性。根据AT测量方程,新算法构建了基于稳健估计的目标函数,发展了集成烟花算法(Fireworks Algorithm,FWA)和 Split Bregman(SB)方法优势的 Memetic 算法有效地求解该目标函数,得到粗网格的温度分布;利用GPR方法预测细网格的温度分布,获取温度分布的细节信息。数值仿真和实验研究结果证实了新算法在提高估计稳健性和重建精度方面的可行性。研究发现提高了声学测温精度,为AT反问题求解的理论研究与国家倡导的节能减排战略作出贡献。