基于后向散射法测量蒸汽湿度反演算法的优化

黄竹青, 胡青松, 黄章俊, 唐振洲, 袁志超

黄竹青, 胡青松, 黄章俊, 唐振洲, 袁志超. 基于后向散射法测量蒸汽湿度反演算法的优化[J]. 应用光学, 2019, 40(4): 612-619. DOI: 10.5768/JAO201940.0402005
引用本文: 黄竹青, 胡青松, 黄章俊, 唐振洲, 袁志超. 基于后向散射法测量蒸汽湿度反演算法的优化[J]. 应用光学, 2019, 40(4): 612-619. DOI: 10.5768/JAO201940.0402005
HUANG Zhuqing, HU Qingsong, HUANG Zhangjun, TANG Zhenzhou, YUAN Zhichao. Optimization of steam humidity measurement inversion algorithm based on back angle scattering method[J]. Journal of Applied Optics, 2019, 40(4): 612-619. DOI: 10.5768/JAO201940.0402005
Citation: HUANG Zhuqing, HU Qingsong, HUANG Zhangjun, TANG Zhenzhou, YUAN Zhichao. Optimization of steam humidity measurement inversion algorithm based on back angle scattering method[J]. Journal of Applied Optics, 2019, 40(4): 612-619. DOI: 10.5768/JAO201940.0402005

基于后向散射法测量蒸汽湿度反演算法的优化

基金项目: 

国家自然科学基金 51376025

湖南省自然科学基金 2018JJ2442

详细信息
    作者简介:

    黄竹青(1964-2019),女,博士,教授, 主要从事湿蒸汽测量方面的研究。E-mail:huangzhuqing@yahoo.com.cn

    通讯作者:

    黄章俊(1976-),男,博士,主要从事湿蒸汽测量方面的研究。E-mail:hzhangjun1103@163.com

  • 中图分类号: TN247; TN911.73

Optimization of steam humidity measurement inversion algorithm based on back angle scattering method

  • 摘要: 为了精准测量汽轮机末级蒸汽湿度,提出在激光后向异轴角散射法的基础上建立蒸汽湿度测量模型和湿蒸汽参数反演优化模型。根据该优化模型采用粒子群算法对加入高斯白噪声的仿真数据和模拟汽缸的实验数据进行反演寻优,并将得到的反演结果与人工鱼群算法和传统的均匀搜索方法进行了对比。采用粒子群算法时r0.5KN的反演结果误差为0.05、0.66和0.51%,反演时间为306.41 s;采用鱼群算法时r0.5KN的反演结果误差为2.96、19.98和4.68%,反演时间为411.05 s;采用均匀搜索算法时r0.5KN的反演结果误差为5.00、27.14和7.95%,反演时间为246.42 s。结果表明:粒子群算法能够克服人工鱼群算法和均匀搜索方法两者的不足,可以在较短时间内获得精度高且稳定可靠的反演结果,为湿蒸汽参数测量提供了更加准确的数据,并对其他颗粒物参数测量反演提供了理论依据。
    Abstract: A steam humidity measurement model and a wet steam parameter inversion optimization model were established based on the laser back-axis angular scattering method in order to measure the steam trubine humidity at the final stage accurately. According to the optimization models, the particle swarm optimization (PSO)algorithm was used to perform multiple inversion optimizations on the simulation data which was added the Gaussian white noise and the experimental data of the simulated cylinder. The obtained inversion results were compared with the artificial fish-swarm algorithm and the traditional uniform search method as well. When the PSO algorithm was used, the inversion results of r0.5, K and N were 0.05, 0.66 and 0.51% respectively, the inversion time was 306.41 s. When the artificial fish-swarm algorithm was used, the inversion results of r0.5, K and N were 2.96, 19.98 and 4.68% respectively, the inversion time was 411.05 s. When the uniform search algorithm was used, the inversion results of r0.5, K and N were 5.00, 27.14 and 7.95% respectively, the inversion time was 246.42 s. The results show that the PSO algorithm can overcome the shortcomings of both artificial fish-swarm algorithm and uniform search method, which can obtain high precision, stable and reliable inversion results in a short time. It provides more accurate data for wet steam parameter measurement and theoretical basis for other particle parameter measurement inversions.
  • 火电厂凝汽式汽轮机的末级大部分都是处于湿蒸汽状态下工作的,湿蒸汽的存在不仅会使汽轮机组的损失明显提高,降低整个机组的热效率,同时还会对处于湿蒸汽中高速旋转动叶片造成长期冲击侵蚀,引起叶片断裂,发生安全事故[1-2]。因此,实现对湿蒸汽各项参量实时准确的测量,对整个汽轮机组的安全经济运行具有重要的意义。

    光学法是随着激光技术与计算机技术的不断发展而被开发出来的一种可以实现实时连续监测,操作方便的蒸汽湿度测量方法[3-4]。它是以Mie散射理论[5]和lambert-beert定律[6]为基础建立的理论数据,再用理论数据与CCD相机捕获的散射光强分布进行反演寻优,获取湿蒸汽的各项参数,进而求得蒸汽湿度[7]。因此,反演寻优的精度、效率以及稳定性都会对整个测量过程以及测量结果产生重要影响。

    现阶段反演算法较多采用传统的均匀搜索算法和人工鱼群算法。均匀搜索算法是在各参量的取值范围内,通过设置步长,在整个解空间寻找最优解,这就导致步长设置的大小会严重影响搜索精度和搜索速度。如果步长设置过大,会导致搜索精度降低,而步长设置太小,又会导致搜索时间大大增加,搜索速度降低。人工鱼群算法适应范围广,且具有较快的收敛速度,但是其所得结果精确度不高[8-9]。粒子群优化算法是一种基于进化技术的群体智能理论的优化方法,在迭代进化的过程中,种群中的粒子之间的合作和竞争,从而使得粒子群优化方法具有收敛速度快、精度高、稳定性好等特点[10, 13]

    本文提出在激光后向异轴角散射法基础上建立优化模型,采用粒子群算法对仿真数据和实验数据反演寻优,并与人工鱼群算法和传统的均匀搜索法进行比较,验证了粒子群算法在激光测量湿蒸汽参量中的有效性和可行性,弥补了人工鱼群算法和均匀搜索算法中的不足,为湿蒸汽参量的测量提供了更加可靠精准的数据和方法。

    激光后向异轴角散射法测量湿蒸汽参量是以Mie散射理论为基础,通过CCD相机采集激光在湿蒸汽中某一角度的散射光强来实现的。测量模型横截面如图 1所示。图中中间圆形横截面物体为模拟汽缸,在汽缸的左右水平方向以及右边向上倾斜30°方向上均设计有圆形孔,并由透明玻璃密封。激光由右边圆孔射入,在汽缸内遇到湿蒸汽发生光散射,在右上方圆孔处由CCD相机接收散射光强信息。

    图  1  湿蒸汽测量模型
    Figure  1.  Wet steam measurement model

    CCD相机由纵横排列的多个像元组成,每个像元都对应不同散射立体角范围内的散射区域。假设汽缸内湿蒸汽水滴之间的距离足够大,各自不发生复反射,只发生单次散射,水蒸气对可见光的吸收系数为零,且均匀地分布在整个汽缸内,则可以把CCD相机接收到的散射光强当成是单个水滴散射光强的线性叠加,采用Rosin-Rammler函数(简称R-R分布函数)来描述气缸内湿蒸汽水滴微粒的分布。

    当入射光为非偏振光时,激光器发出的激光到达探测器共经历衰减(A→B)、散射(B)、衰减(B→C)3个过程,发生衰减的过程遵循lambert-beer定律,发生散射的过程遵循Mie散射理论。假设入射光强为I0l1l2分别为为入射光线从气缸入口到散射区(A→B)及散射区到CCD相机(B→C)的距离,则散射角为θ时散射光强为

    $$ \begin{aligned} I_{\theta}=& I_{0} \exp \left[-\tau\left(l_{1}+l_{2}\right)\right]\left\{\frac{\lambda^{2} V N}{8 \mathtt{π}^{2}} \int_{r_{\min }}^{r_{\max }}\left[i_{1}(\theta)+\right.\right.\\ &\left.\left.i_{2}(\theta)\right] \sin (\mathtt{π}-\theta) \Delta \phi f(r) \mathrm{d} \theta \mathrm{d} r\right\} \end{aligned} $$ (1)

    式中:λ是入射光波长;V是散射区体积;N表示单位体积内水滴微粒数;rmaxrmin分别表示水滴半径的上限和下限;θ表示散射立体角中心线与入射光之间的夹角;θ1θ2表示散射立体角的起始角度和终止角度;φ是散射立体角在散射半球底面的投影角度;r是水滴半径;r0.5表示质量中间半径及半径大于或小于它的水滴质量占整个湿蒸汽中水滴质量的50%;K表示尺寸分布参数;α=2πr/λ是Mie散射无因子粒径参量;散射强度函数i1(θ)和i2(θ)为由Mie系数anbn和角度分布函数πnτn求得[11]τ表示浊度,可表示成:

    $$ \tau=\mathtt{π} N \int_{r_{\min }}^{r_{\max }} r^{2} f(r) Q_{\operatorname{ext}} d r $$ (2)

    式中Qext表示消光系数,其公式为

    $$ Q_{\mathrm{ext}}=\frac{2}{\alpha^{2}} \sum\limits_{n=1}^{\infty}(2 n+1) \operatorname{Re}\left(a_{n}+b_{n}\right) $$ (3)

    式(2)中f(r)表示Rosin-Rammler蒸汽水滴尺寸分布概率密度分布函数,其公式为

    $$ \begin{aligned} f(r)=& 0.693 \frac{K-1}{\bar{r}_{0.5}}\left(\frac{r}{\bar{r}_{0.5}}\right)^{K-1} \times \\ & \exp \left[-0.693\left(\frac{r}{\bar{r}_{0.5}}\right)^{K}\right] \end{aligned} $$ (4)

    式(1)中Δφθ的关系式为

    $$ \Delta \varphi=\arccos \left[\frac{\cos \left(\frac{\theta_{2}-\theta_{1}}{2}\right)-\cos (\mathtt{π}-\theta) \cos \left(\mathtt{π}-\frac{\theta_{2}+\theta_{1}}{2}\right)}{\sin (\mathtt{π}-\theta) \sin \left(\mathtt{π}-\frac{\theta_{2}+\theta_{1}}{2}\right)}\right] $$ (5)

    本文针对蒸汽发生器内部蒸汽湿度测量参数的反演问题,以理论光强值与实际光强值的最少二乘拟合偏差最小为优化目标,建立相应的湿蒸汽参数反演优化模型[11-12]。具体如下:

    $$ \begin{array}{l} \text { Find }: X=\left[\bar{r}_{0.5}, K, N\right]^{\mathrm{T}} \\ \min : F(X)=\sum\limits_{i=1}^{n}\left|I_{\theta i}-I_{i}\right|^{2} \\ I_{\theta i}=I_{0} \exp \left[-\tau\left(l_{1 i}+l_{2 i}\right)\right] \times \\ \quad\left\{\frac{\lambda^{2} V N}{8 \mathtt{π}^{2}} \int_{r_{\min }}^{r_{\max }} \int_{\theta_{1 i}}^{\theta_{2 i}}\left[i_{1}\left(\theta_{i}\right)+i_{2}\left(\theta_{i}\right)\right] \times\right. \\ \left.\sin \left(\mathtt{π}-\theta_{i}\right) \Delta \phi f(r) \mathrm{d} \theta \mathrm{d} r\right\} \\ \tau=\mathtt{π} N \int_{r_{\min }}^{r_{\max }} r^{2} f(r) Q_{\operatorname{ext}} \mathrm{d} r \end{array} $$
    $$ \begin{aligned} \Delta \phi=\\ &\arccos \left[\frac{\cos \left(\frac{\theta_{2 i}-\theta_{1 i}}{2}\right)-\cos \left(\mathtt{π}-\theta_{i}\right) \cos \left(\mathtt{π}-\frac{\theta_{2 i}+\theta_{1 i}}{2}\right)}{\sin \left(\mathtt{π}-\theta_{i}\right) \sin \left(\mathtt{π}-\frac{\theta_{2 i}+\theta_{1 i}}{2}\right)}\right]\\ & { s.t. }:\left\{\begin{array}{l} 0.5 \leqslant \bar{r}_{0.5} \leqslant 2.5 \\ 2 \leqslant K \leqslant 7 \\ 10^{9} \leqslant N \leqslant 5 \times 10^{11} \end{array}\right. \end{aligned} $$

    式中:X表示寻优参量;F(X)为目标函数;Iθi表示第i个像元接收到的理论散射光强;Ii表示第i个像元接收到的实际散射光强;θi表示第i像元散射立体角中心线与入射光之间的夹角;l1il2i分别表示第i个像元的入射光线从气缸入口到散射区以及散射区到CCD相机所经过的距离;i1(θi)和i2(θi)为由Mie系数求得的对应散射角θi的散射强度函数;θ1iθ2i表示与第i个像元对应的散射立体角的起始角度和终止角度;n表示CCD相机纵向像元数;其余各参量的含义与式(1)~(4)相同。

    在对湿蒸汽参量进行优化过程中,为了在较短的时间内搜索到满足搜索精度的结果,同时又满足搜索稳定性的要求,本文提出了利用粒子群算法[13-15]进行反演寻优,并且将反演结果与均匀算法和人工鱼群算法的结果进行对比。

    粒子群算法寻优流程如图 2所示。具体步骤如下:

    1) 设定初始参数,包括种群数量、终止迭代次数n、惯性权重、参数量、参数取值范围。

    2) 随机产生初始种群。

    3) 利用实际测量值和目标函数计算公式,计算目标函数值F,找出最优个体。

    4) 如果目标函数值F小于设定值T,则记录最优个体参数值,寻优终止;如果F大于T,则其他个体追逐最优个体,位置发生移动,记录寻优代数i=i+1。

    5) 如果i-1大于n,则记录最优个体参数值,寻优终止;如果i-1小于n,则转到第3)步继续寻优。

    终止条件是,当目标函数值满足小于设定值T=10-36时,即认为此时的反演参数已经满足反演结果精度要求。当目标函数值满足精度要求时,系统将自动结束寻优,并以此参数作为反演的最终结果。

    图  2  粒子群算法寻优流程
    Figure  2.  PSO optimization process

    在进行Mie散射理论公式运算时,公式非常复杂,且需要经过大量的循环递推过程,计算机进行运算寻优时非常耗时[16],不利于在实际生产中实时获得测量结果。为此,利用三次样条插值函数,对寻优的参量设置合理步长,在保证数据精确性的前提下,还能大大提高系统的运行速度[17]。因此,本文将用三次样条插值函数代替复杂耗时的Mie散射理论公式。由于在实际测量过程中,环境中的各种因素都会对测量产生干扰噪声,因此在理论数据中本文将模拟环境因素加入高斯白噪声。

    采用的CCD相机分辨率为1 600×1 200 pixels,入射光波长为0.532 μm,入射光强为39 mW,设置质量中间半径r0.5=1.75 μm,尺寸分布参数K=3.5,单位体积内水滴数量N=0.55×1011 m-3。设置粒子群算法的线性权重为2,种群大小为20 000,惯性权重为2,迭代终止最大代数为300,满足精度要求的目标函数值为10-36。利用粒子群算法对上述理论数据经过多次搜索并反演寻优,r0.5KN和反演迭代次数的数值如表 1所示。由表 1可知,反演结果相当稳定、寻优精度非常高,并取多次反演的平均值作为最终反演结果。

    表  1  粒子群算法反演结果
    Table  1.  PSO inversion results
    No. r0.5/μm K N/m-3 运行时间/s
    1 1.756 59 3.530 37 5.356 2×1010 267.847 58
    2 1.743 06 3.456 22 5.447 2×1010 275.566 77
    3 1.755 59 3.540 37 5.456 2×1010 314.246 13
    4 1.756 49 3.541 27 5.553 2×1010 340.554 36
    5 1.743 06 3.457 22 5.547 2×1010 333.843 49
    平均值 1.750 96 3.523 09 5.472 0×1010 306.411 67
    下载: 导出CSV 
    | 显示表格

    鱼群算法[8-9]是李晓磊等人于2002年提出的,通过模拟鱼类活动中觅食、聚群、追尾、随机等行为在搜索域中进行寻优,是一种群体智能寻优算法。在本文中设定种群大小为20 000,在寻优参量r0.5KN上的最大移动步长分别为0.1、0.2和8×108,最大尝试次数try_number为50,在寻优参量r0.5KN上的视野距离分别为0.15、0.3和1.2×109,拥挤度限值delta为0.618,最大迭代次数MAXGEN为300。目标函数以及截止条件都与粒子群算法一致,经Matlab编程运算,对仿真数据进行反演得到的反演结果如表 2所示。

    表  2  鱼群算法反演结果
    Table  2.  Artificial fish-swarm algorithm inversion results
    No. r0.5/μm K N/m-3 运行时间/s
    1 1.694 54 3.198 82 5.891 39×1010 372.265 60
    2 1.774 96 3.624 51 5.355 00×1010 390.133 98
    3 1.862 97 4.445 75 4.811 17×1010 407.986 71
    4 1.698 17 3.205 44 5.871 19×1010 526.935 59
    5 1.978 56 6.521 24 4.285 49×1010 357.926 08
    平均值 1.801 84 4.199 15 5.242 84×1010 411.049 59
    下载: 导出CSV 
    | 显示表格

    根据上文的仿真数据,设置不同的步长,分别用Δr0.5、ΔK、ΔN表示,进行反演寻优,均匀搜索方法反演结果与粒子群算法反演结果平均值如表 3所示。

    表  3  均匀搜索反演结果
    Table  3.  Uniform search inversion results
    控制变量 r0.5/μm K N/m-3 运行时间/s
    0.020 0.2 0.10×1010 1.800 3.80 5.20×1010 208.798 55
    0.025 0.1 0.10×1010 1.975 6.50 4.30×1010 206.555 38
    0.020 0.1 0.10×1010 1.800 3.80 5.10×1010 257.557 61
    0.025 0.1 0.05×1010 1.775 3.70 5.65×1010 312.697 37
    平均值 1.838 4.45 5.06×1010 246.422 30
    下载: 导出CSV 
    | 显示表格

    综上所述,3种算法的反演结果,包括r0.5KN、运行时间4组数据对比,如图 3所示。

    图  3  反演结果对比
    Figure  3.  Comparison of inversion results

    根据表 1表 2表 3,结合图 3(a)~3(d)可知,粒子群算法可以在较短的时间内反演出精度高且稳定的反演结果。人工鱼群算法和均匀搜索方法在相同设定条件下的反演结果误差比粒子群算法更大,反演时间相对更长,并且表 2中的粒子群算法的第5组数据和表 3均匀搜索的第2组数据的反演结果出现了较大的偏差,这说明鱼群算法和均匀搜索的反演结果精确度不高,且伴随着一定的随机性,并不总是能在整个解域范围内搜索到最优解,且均匀搜索受步长限制较为明显。通过对图 3的反演数据进行分析比较发现,粒子群算法不但可以克服传统均匀搜索方法搜索步长和搜索速度的矛盾,在搜索时间相同,甚至是搜索时间大大减少的情况下,仍然能够得到比人工鱼群算法和传统均匀搜索方法更为精确的搜索结果。因此选择粒子群算法进行湿蒸汽参数反演算法可使反演精度更高,反演结果更稳定,运算时间更快。

    按照图 1后向异轴散射法建立的模型和上文的理论计算公式可计算得出图 4反演数据散射光强曲线和图 5反演数据尺寸概率分布密度曲线。第一次搜索得到的粒子群算法优化过程图如图 6所示。

    图  4  散射光强曲线
    Figure  4.  Scattered light intensity curve
    图  5  水滴粒径分布曲线
    Figure  5.  Droplet size distribution curve
    图  6  粒子群算法优化过程
    Figure  6.  PSO optimization process

    通过图 4图 5中模拟数据曲线与反演数据曲线对比可以发现,模拟和反演过程图形变化非常吻合,进一步验证了反演结果的准确性。根据仿真数据得出的上述结果表明,利用粒子群算法能够在很短的时间内获得可靠的寻优结果,并且能够有效避免陷入局部最优解,全局寻优结果相当稳定。

    为了验证粒子群算法不仅对模拟数据能进行反演,而且对实验数据也同样能进行有效且精确的反演,本文利用分辨率为1 600×1 200 pixels的CCD相机在表 4所示稳定工况条件下拍摄到的实验散射光图,如图 7所示。使用Matlab软件读取CCD相机纵向第800列像元(纵向中间线)接收到的散射光强,对散射光图进行滤波处理,并利用粒子群算法对其反演寻优,得到实验条件下的湿蒸汽参数。再基于湿蒸汽参数和上文所提的湿蒸汽测量模型,利用Matlab软件运算得到反演数据散射光强。实验数据与反演数据散射光强对比结果如图 8所示。

    表  4  稳定工况湿蒸汽参数
    Table  4.  Wet steam parameters under stable conditions
    进口压力/MPa 出口压力/MPa 进口温度/℃ 出口温度/℃ 汽比容/m3/kg 水比容/m3/kg
    0.58 0.22 158 123 0.801 018 0.001 063 3
    下载: 导出CSV 
    | 显示表格
    图  7  实验散射光
    Figure  7.  Experimental scattered light
    图  8  反演数据与实验数据散射光强对比
    Figure  8.  Comparison of scattered light intensity between inversion data and experimental data

    通过图 8的实验数据和反演数据散射光强对比可以发现,在实验过程中,实验所测的散射光强度曲线并不光滑,呈震荡型变化。这是因为在实验过程中,模拟汽缸中的湿蒸汽水滴颗粒粒度并不是均匀的,粒度大小变化呈多值性,再加上实验过程中存在噪声等环境因素,从而导致实验测得的散射光强呈现震荡变化。实验结果与反演数据在前半段的重合程度并不高,在接近500像素点的位置时才逐渐开始重合,并在第800列像元位置处同时达到最大值。主要由于CCD相机的响应需要一定的光强积累,所以就出现了在图像的前半段,两组散射光强数据交替上升,而在后半段吻合程度逐渐提高。综上所述,两条数据线基本吻合,验证了粒子群算法能够精确且有效地对实验数据进行反演寻优。

    本文针对蒸汽发生器内部蒸汽湿度测量参数的反演,以理论光强值与实际光强值的最少二乘拟合偏差最小为优化目标,建立相应的湿蒸汽参数反演优化模型,对不同工况采集到的图像进行对比,图像灰度值变化趋势基本与稳定工况时保持一致,以均值滤波方法对图像进行处理后,用Matlab读取CCD相机纵向第800列像元(纵向中间线)上的灰度值,对CCD相机进行标定得到光强与灰度值的比例因子,以粒子群算法对不同工况条件下测得的实验数据进行反演,通过反演得到的散射光强随像元位置的变化曲线与实验测量得到的散射光强曲线比较吻合,表明在变工况条件下粒子群算法对实验数据处理同样有效。

    通过蒸汽湿度测量模型以及湿蒸汽参数设定值,获得仿真数据,再利用粒子群算法和蒸汽湿度参数反演寻优模型,对仿真数据进行多次反演寻优,结果表明:

    1) 当所用CCD相机分辨率为1 600×1 200 pixels,入射光波长为0.532 μm,入射光强为39 mW,质量中间半径r05=1.75 μm,尺寸分布参数K=3.5,单位体积内水滴数量N=0.55×1011 m-3时,设置粒子群算法的线性权重为2,种群大小为20 000,惯性权重为2,迭代终止最大代数为300,满足精度要求的目标函数值为10-36。利用粒子群算法对上述理论数据经过多次搜索并进行反演寻优,得到r0.5KN数值反演结果相当稳定,寻优精度非常高。采用粒子群算法时r0.5KN反演结果的相对误差分别为0.05,0.66和0.51%,反演时间为306.41 s;采用鱼群算法时r0.5KN反演结果的相对误差分别为2.96,19.98和4.68%,反演时间为411.05 s;采用均匀搜索算法时r0.5KN反演结果的相对误差分别为5.00,27.14和7.95%,反演时间为246.42 s。与人工鱼群算法和传统的均匀搜索方法相比,粒子群算法可以克服人工鱼群算法与均匀搜索方法的缺陷,可以在较短时间内获得精度高且稳定可靠的反演结果。对实验数据进行反演寻优,反演结果精确可靠,说明在计算蒸汽湿度时,利用粒子群算法进行反演寻优湿蒸汽参量是可行的。

    2) 利用粒子群算法对进口压力为0.58 MPa,出口压力为0.22 MPa,进口温度为158℃,出口温度123℃,汽比容为0.801 018 m3/kg,水比容为0.001 063 3 m3/kg的稳定工况下所拍摄的的实验图像进行反演计算,对比实验数据散射光强和反演数据散射光强发现,两条数据线基本吻合。对不同工况采集到的图像进行对比,灰度值变化趋势与稳定工况时基本一致,表明在变工况条件下粒子群算法对实验数据处理同样有效,验证了粒子群算法能够精确且高效地对实验数据进行反演寻优。

  • 图  1   湿蒸汽测量模型

    Figure  1.   Wet steam measurement model

    图  2   粒子群算法寻优流程

    Figure  2.   PSO optimization process

    图  3   反演结果对比

    Figure  3.   Comparison of inversion results

    图  4   散射光强曲线

    Figure  4.   Scattered light intensity curve

    图  5   水滴粒径分布曲线

    Figure  5.   Droplet size distribution curve

    图  6   粒子群算法优化过程

    Figure  6.   PSO optimization process

    图  7   实验散射光

    Figure  7.   Experimental scattered light

    图  8   反演数据与实验数据散射光强对比

    Figure  8.   Comparison of scattered light intensity between inversion data and experimental data

    表  1   粒子群算法反演结果

    Table  1   PSO inversion results

    No. r0.5/μm K N/m-3 运行时间/s
    1 1.756 59 3.530 37 5.356 2×1010 267.847 58
    2 1.743 06 3.456 22 5.447 2×1010 275.566 77
    3 1.755 59 3.540 37 5.456 2×1010 314.246 13
    4 1.756 49 3.541 27 5.553 2×1010 340.554 36
    5 1.743 06 3.457 22 5.547 2×1010 333.843 49
    平均值 1.750 96 3.523 09 5.472 0×1010 306.411 67
    下载: 导出CSV

    表  2   鱼群算法反演结果

    Table  2   Artificial fish-swarm algorithm inversion results

    No. r0.5/μm K N/m-3 运行时间/s
    1 1.694 54 3.198 82 5.891 39×1010 372.265 60
    2 1.774 96 3.624 51 5.355 00×1010 390.133 98
    3 1.862 97 4.445 75 4.811 17×1010 407.986 71
    4 1.698 17 3.205 44 5.871 19×1010 526.935 59
    5 1.978 56 6.521 24 4.285 49×1010 357.926 08
    平均值 1.801 84 4.199 15 5.242 84×1010 411.049 59
    下载: 导出CSV

    表  3   均匀搜索反演结果

    Table  3   Uniform search inversion results

    控制变量 r0.5/μm K N/m-3 运行时间/s
    0.020 0.2 0.10×1010 1.800 3.80 5.20×1010 208.798 55
    0.025 0.1 0.10×1010 1.975 6.50 4.30×1010 206.555 38
    0.020 0.1 0.10×1010 1.800 3.80 5.10×1010 257.557 61
    0.025 0.1 0.05×1010 1.775 3.70 5.65×1010 312.697 37
    平均值 1.838 4.45 5.06×1010 246.422 30
    下载: 导出CSV

    表  4   稳定工况湿蒸汽参数

    Table  4   Wet steam parameters under stable conditions

    进口压力/MPa 出口压力/MPa 进口温度/℃ 出口温度/℃ 汽比容/m3/kg 水比容/m3/kg
    0.58 0.22 158 123 0.801 018 0.001 063 3
    下载: 导出CSV
  • [1] 姚宏, 周逊, 于晓军, 等.弯叶片对二次水滴运动特性及水蚀的影响[J].动力工程学报, 2017, 37(10): 808-813. http://d.old.wanfangdata.com.cn/Periodical/dlgc201710006

    YAO Hong, ZHOU Xun, YU Xiaojun, et al. Effects of bowed blade design on water erosion and movement of secondary water droplets[J]. Journal of Power Engineering, 2017, 37(10): 808-813. http://d.old.wanfangdata.com.cn/Periodical/dlgc201710006

    [2]

    STARZMANN J, SCHATZ M, CASEY M V, et al. Modelling and validation of wet steam flow in a low pressure steam turbine[C]//ASME 2011 TurboExpo: Turbine technical conference and exposition. British Columbia, Canada: International Gas Turbine Institute, 2011.

    [3] 焦烨, 黄竹青, 曹小玲, 等.基于激光后向散射测量蒸汽湿度的仿真研究[J].激光技术, 2013, 37(3):310-313. http://d.old.wanfangdata.com.cn/Periodical/jgjs201303009

    JIAO Ye, HUANG Zhuqing, CAO Xiaoling, et al.. Simulation study on steam moisture measurement based on the method of optical back-scattering[J]. Laser Technology, 2013, 37(3):310-313. http://d.old.wanfangdata.com.cn/Periodical/jgjs201303009

    [4] 黄竹青.基于光散射的汽轮机湿蒸汽特性测量方法研究[D].长沙: 国防科学技术大学, 2010. http://cdmd.cnki.com.cn/Article/CDMD-90002-2010271289.htm

    HUANG Zhuqing.Investigation of moisture steam characteristic measurement methods in steam turbine based on light scattering[D]. Changsha: National University of Defense Technology, 2010. http://cdmd.cnki.com.cn/Article/CDMD-90002-2010271289.htm

    [5] 杨颖, 黄竹青, 曹小玲.偏振状态下微粒的Mie散射特性研究[J].激光与红外, 2013, 43(12):1376-1380. doi: 10.3969/j.issn.1001-5078.2013.12.13

    YANG Ying, HUANG Zhuqing, CAO Xiaoling.Research on the features of particle's Mie scattering based on polarization state[J]. Laser & Infrared, 2013, 43(12):1376-1380. doi: 10.3969/j.issn.1001-5078.2013.12.13

    [6] 陈陟岗.探讨Lambert-Beer定律在实验中的应用形式[J].计量学报, 1985, 6(1): 55-58. http://www.cnki.com.cn/Article/CJFDTotal-JLXB198501008.htm

    CHEN Zhigang.Discussion on experimental application of Lambert-Beer law[J]. Acta Metrologica Sinica, 1985, 6(1):55-58. http://www.cnki.com.cn/Article/CJFDTotal-JLXB198501008.htm

    [7] 吴伟, 秦石乔, 黄竹青.水滴粒径散射测量中的快速反演方法研究[J].光学学报, 2011, 31(7):156-160. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gxxb201107025

    WU Wei, QIN Shiqiao, HUANG Zhuqing.A fast inversion method for water droplet size determination in scattering light measurement[J]. Acta Optical Sinica, 2011, 31(7):149-153. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gxxb201107025

    [8]

    KUMAR K P, SARAVANAN B, SWARUP K S. Optimization of renewable energy sources in a microgrid using artificial fish swarm algorithm[J]. Energy Procedia, 2016(90):107-113.

    [9] 薛亚娣.改进的人工鱼群算法及其应用研究[D].兰州: 兰州大学, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10730-1015334839.htm

    XUE Yadi.The research and application of improved artificial fish swarm algorithm[D]. Lanzhou; Lanzhou University, 2015 http://cdmd.cnki.com.cn/Article/CDMD-10730-1015334839.htm

    [10] 刘建华.粒子群算法的基本理论及其改进研究[D].长沙: 中南大学, 2009. http://d.wanfangdata.com.cn/Periodical_guig201405044.aspx

    LIU Jianhua.The basic theory and improvement of particle swarm optimization algorithm[D]. Changsha: Central South University, 2009. http://d.wanfangdata.com.cn/Periodical_guig201405044.aspx

    [11] 杨颖.基于Mie散射理论的蒸汽湿度测量与参数反演[D].长沙: 长沙理工大学, 2014.

    YANG Ying.Vapor humidity measurement and parameter inversion based on Mie scattering theory[D]. Changsha: Changsha University of Science and Technology, 2014.

    [12] 蔡小舒, 苏明旭, 沈建琪, 等.颗粒粒度测量技术及其应用[M].北京:化学工业出版社, 2010, 233-255.

    CAI Xiaoshu, SU Mingxu, SHEN Jianqi, et al. Particle size measurement technology and its application[M]. Beijing: Chemical Industry Press, 2010, 233-255.

    [13] 刘开丽.粒子群优化算法的研究与应用[D].合肥: 安徽大学, 2013. http://d.wanfangdata.com.cn/Periodical/jljzgcxyxb201103026

    LIU Kaili.Research and application of particle swarm optimization algorithm[D]. Hefei: Anhui University, 2013. http://d.wanfangdata.com.cn/Periodical/jljzgcxyxb201103026

    [14]

    SHI Y H, EBERHART R C. A modified particle swarm optimizer[C]// IEEE international conference on evolutionary computation, Anchorage, Alaska, May 4-9, 1998.USA: IEEE, 1998

    [15]

    SHI Y, Eberhart R C. Fuzzy adaptive particle swarm opti-mization[C]// Proceedings of the 2001 congress on evolu-tionary computation. Piscataway, NJ: IEEE Press, 2001, 101-106.

    [16] 韩飞, 杨春生, 刘清.一种改进的基于梯度搜索的粒子群优化算法[J].南京大学学报, 2013, 49(2):196-201. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=njdxxb201302009

    HAN Fei, YANG Chunsheng, LIU Qing.An improved particle swarm optimization based on gradient search[J]. Journal of Nanjing University, 2013, 49(2):196-201. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=njdxxb201302009

    [17] 高海兵, 周驰, 高亮.广义粒子群优化模型[J].计算机学报, 2005, 20(12):1980-1987. doi: 10.3321/j.issn:0254-4164.2005.12.004

    GAO Haibing, ZHOU Chi, GAO Liang.General particle swarm optimization model[J]. Chinese Journal of Computer, 2005, 20(12):1980-1987. doi: 10.3321/j.issn:0254-4164.2005.12.004

  • 期刊类型引用(1)

    1. 胡青松,黄章俊,黄竹青,唐振洲,袁志超,罗艳珍. 湿蒸汽参数后向异轴散射测量模型的优化及实验研究. 激光与红外. 2020(06): 658-667 . 百度学术

    其他类型引用(4)

图(8)  /  表(4)
计量
  • 文章访问数:  926
  • HTML全文浏览量:  242
  • PDF下载量:  31
  • 被引次数: 5
出版历程
  • 收稿日期:  2018-12-06
  • 修回日期:  2019-02-23
  • 刊出日期:  2019-06-30

目录

/

返回文章
返回