本技術(shù)涉及輻射測(cè)溫，尤其涉及多光譜輻射測(cè)溫。

背景技術(shù)：

1、航空發(fā)動(dòng)機(jī)及燃?xì)廨啓C(jī)代表著一個(gè)國(guó)家的工業(yè)水平，被譽(yù)為裝備制造業(yè)“皇冠上的明珠”。渦輪葉片是發(fā)動(dòng)機(jī)的關(guān)鍵部件，隨著航天航空技術(shù)的發(fā)展，發(fā)動(dòng)機(jī)的性能參數(shù)逐步提升，此時(shí)渦輪葉片在運(yùn)行過(guò)程中要承受的高溫顯著增加。研究在高溫反射背景下對(duì)渦輪葉片的溫度測(cè)量具有重要意義。

2、多光譜輻射測(cè)溫是一種可以在高溫環(huán)境下進(jìn)行的非接觸式的溫度測(cè)量方法，通過(guò)測(cè)量物體表面發(fā)射的多光譜輻射能量來(lái)確定物體的表面溫度。多光譜輻射測(cè)溫方法與薄膜熱電偶和示溫漆等接觸式測(cè)溫方法相比，可以快速獲取物體表面的溫度，具有較高的溫度測(cè)量精度，適用于高溫、移動(dòng)物體等各種場(chǎng)景。然而多光譜輻射測(cè)溫技術(shù)目前存在目標(biāo)發(fā)射率模型不準(zhǔn)確和溫度測(cè)量誤差大的問(wèn)題，因此如何準(zhǔn)確識(shí)別目標(biāo)發(fā)射率模型和減小反演溫度誤差是一項(xiàng)亟需解決的重要問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的是為了解決現(xiàn)有渦輪葉片受復(fù)雜環(huán)境的反射輻射影響而導(dǎo)致渦輪葉片輻射測(cè)溫測(cè)量的實(shí)時(shí)性和準(zhǔn)確性差的問(wèn)題，提供了高溫反射背景下基于mea-lssvm的多光譜輻射測(cè)溫方法和設(shè)備。

2、本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明一方面，提供一種高溫反射背景下基于mea-lssvm的多光譜輻射測(cè)溫方法，所述方法包括：

3、步驟1：構(gòu)建發(fā)射率模型，利用所述發(fā)射率模型生成樣本光譜；

4、步驟2：對(duì)樣本光譜和高溫計(jì)測(cè)量輻射數(shù)據(jù)進(jìn)行特征提取，通過(guò)miv算法提取數(shù)據(jù)的特征并對(duì)特征重要度進(jìn)行排列，生成特征矩陣；

5、步驟3：采用思維進(jìn)化算法優(yōu)化最小二乘支持向量機(jī)，獲取優(yōu)化的最小二乘支持向量機(jī)分類器mea-lssvm，使用mea-lssvm識(shí)別目標(biāo)發(fā)射率模型；

6、步驟4：得到目標(biāo)發(fā)射率模型后，利用obka算法反演目標(biāo)溫度，所述obka算法為改進(jìn)的bka算法，包括：

7、攻擊和遷移的數(shù)學(xué)模型為:

8、

9、其中，和分別表示第i個(gè)黑翅鳶在第j維和(t+1)次迭代步驟中的位置，r為0～1之間的隨機(jī)數(shù)，p為常數(shù)，表示到目前為止，在第t次迭代的第j維中，黑翅鳶的領(lǐng)先得分者，fi表示任一黑翅鳶在第t次迭代中獲得的第j維當(dāng)前位置，fri表示第t次迭代中任意黑翅鳶在第j維隨機(jī)位置的適應(yīng)度值，c為隨機(jī)數(shù)，n為自然數(shù)。

10、進(jìn)一步地，步驟1，具體包括：

11、根據(jù)波長(zhǎng)為1-2.5μm每隔0.1μm共計(jì)15個(gè)波長(zhǎng)，溫度范圍為500℃-1500℃，相鄰兩個(gè)溫度點(diǎn)相差50℃，生成樣本光譜集；

12、發(fā)射率模型包括：線性上升下降、指數(shù)上升下降、二次多項(xiàng)式開(kāi)口向上向下以及正弦的發(fā)射率模型。

13、進(jìn)一步地，步驟2，具體包括：

14、計(jì)算每組數(shù)據(jù)的若干個(gè)指標(biāo)，所述指標(biāo)包括均值、方差、峰值、峭度和有效值；

15、通過(guò)miv算法計(jì)算，提取特征重要度較高的多個(gè)指標(biāo)。

16、進(jìn)一步地，步驟2中，所述生成特征矩陣，具體為：

17、將特征重要度較高的特征進(jìn)行融合，假設(shè)特征為y1,y2,y3…，采用串聯(lián)融合生成特征矩陣y：

18、

19、進(jìn)一步地，步驟3中，所述獲取優(yōu)化的最小二乘支持向量機(jī)分類器mea-lssvm，具體包括：

20、步驟3.1、將特征矩陣y投入lssvm分類器，設(shè)置思維進(jìn)化算法參數(shù)，產(chǎn)生初始種群，優(yōu)勝子種群和臨時(shí)種群；

21、步驟3.2、分別對(duì)每個(gè)所述優(yōu)勝子群體和所述臨時(shí)子群體進(jìn)行趨同操作和異化操作，得到成熟的優(yōu)勝子群體和成熟的臨時(shí)子群體，趨同異化操作如下：

22、x(t+1)＝x(t)+c*(m-x(t))+d*(n-x(t))

23、其中，x(t)表示在時(shí)間t時(shí)刻的個(gè)體數(shù)量，x(t+1)表示在時(shí)間t+1時(shí)刻的個(gè)體數(shù)量；c和d分別表示趨同系數(shù)和異化系數(shù)，它們決定個(gè)體對(duì)于群體行為的趨同和異化程度；m和n分別表示群體中的平均行為水平和個(gè)體之間的差異程度；

24、當(dāng)c>0時(shí)，個(gè)體會(huì)傾向于與群體中的平均行為水平趨同，即個(gè)體數(shù)量會(huì)向平均水平靠攏；而當(dāng)c<0時(shí)，個(gè)體會(huì)傾向于與群體中的平均行為水平異化，即個(gè)體數(shù)量會(huì)遠(yuǎn)離平均水平；

25、當(dāng)d>0時(shí)，個(gè)體之間的差異程度會(huì)增加，即個(gè)體數(shù)量會(huì)更加分散；而當(dāng)d<0時(shí)，個(gè)體之間的差異程度會(huì)減小，即個(gè)體數(shù)量會(huì)更加集中；

26、步驟3.3、當(dāng)滿足迭代次數(shù)后，輸出找到的最優(yōu)個(gè)體，作為lssvm模型的核函數(shù)和懲罰函數(shù)，得到mea-lssvm發(fā)射率模型分類器。

27、進(jìn)一步地，步驟4，包括：

28、得到目標(biāo)發(fā)射率模型后，根據(jù)普朗克黑體輻射定律構(gòu)建多光譜輻射測(cè)溫方程，利用okba算法求解目標(biāo)方程，反演目標(biāo)溫度。

29、進(jìn)一步地，所述okba算法的限制條件為：

30、

31、其中，δtmin為溫度差，f[ε(λ，t)]為發(fā)射率函數(shù)。

32、第二方面，本發(fā)明提供一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述處理器運(yùn)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序時(shí)執(zhí)行如上文所述的一種高溫反射背景下基于mea-lssvm的多光譜輻射測(cè)溫方法的步驟。

33、第三方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有多條計(jì)算機(jī)指令，所述多條計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行如上文所述的一種高溫反射背景下基于mea-lssvm的多光譜輻射測(cè)溫方法。

34、第四方面，本發(fā)明提供一種電子設(shè)備，包括：

35、至少一個(gè)處理器；以及，

36、與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，

37、所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行如上文所述的一種高溫反射背景下基于mea-lssvm的多光譜輻射測(cè)溫方法。

38、本發(fā)明的有益效果：

39、本發(fā)明提出了一種考慮高溫反射背景下的基于mea-lssvm的多光譜輻射測(cè)溫方法，首先生成在特定波長(zhǎng)范圍內(nèi)，不同溫度下的光譜樣本。由于樣本較多，為了更好地提取多光譜輻射測(cè)溫?cái)?shù)據(jù)的特征信息，該方法采用平均影響值(miv)算法，求出光譜樣本特征重要度，再將特征放入思維進(jìn)化算法優(yōu)化的最小二乘支持向量機(jī)(mea-lssvm)進(jìn)行訓(xùn)練，識(shí)別目標(biāo)光譜發(fā)射率，最后采用obka(優(yōu)化的黑翅鳶算法)反演目標(biāo)溫度。

40、本發(fā)明提出了一種mea-lssvm方法識(shí)別目標(biāo)光譜發(fā)射率模型，訓(xùn)練樣本為利用miv算法提取特征后的融合矩陣，對(duì)目標(biāo)光譜發(fā)射率識(shí)別準(zhǔn)確率高。

41、本發(fā)明對(duì)黑翅鳶算法bka進(jìn)行了改進(jìn)，利用改進(jìn)后的obka多光譜輻射測(cè)溫算法，對(duì)理論生成的目標(biāo)和熱障涂層樣片進(jìn)行溫度反演，誤差較小，實(shí)現(xiàn)了提高目標(biāo)發(fā)射率模型識(shí)別準(zhǔn)確率以及減小反演溫度誤差。

42、本發(fā)明適用于高溫環(huán)境背景下的未知物體溫度反演。