一种不均匀温度场的红外辐射能测试平台及测试方法与流程

本发明涉及一种能量测试平台及测试方法，尤其是一种不均匀温度场的红外辐射能测试平台及测试方法。

背景技术：

任何物体的温度高于热力学温度0k或-273℃时，会不断向周围进行红外辐射，其波长在0.75μm～1000μm之间，对应的频率范围大致在4×10¹⁴hz～3×10¹¹hz。目标红外辐射特性测量已经成为获取目标特征、对目标进行识别的重要手段，包括目标辐射温度、辐射亮度和辐射强度等关键性参数的测量。20世纪90年代以来，傅里叶红外(ftir)光谱辐射计迅速发展，其工作原理是光源发出的光经迈克尔逊干涉仪调制后变成干涉光，再把照射样品后的各种频率光信号经干涉作用调制为干涉图函数，由计算机进行傅里叶变换，一次性得到宽波长范围内的光谱信息。目标辐射光谱信息的获取为目标红外辐射特性的测量和计算提供了新的思路，对应的试验装置和试验手段的设计开发也成为研究热点。目前常用的方法是采用将测量样品辐射的红外光谱能量与同温度下黑体或者已知辐射特性参考样本的能量进行比较的方式。参考黑体都带有温度控制系统，方便试验者将温度控制到与目标相同的温度。

事实上，在航天航空、军事国防和工农业应用领域，很多情况下，目标表面表现出一种不均匀的温度场。例如，飞机蒙皮外部和内部都存在复杂的多模式传热，蒙皮热特性受到多物理场的多层次耦合机制控制，在不同部位表现出不同的表面温度特性。典型热工过程如锌精馏炉炉膛，因为空间空气和煤气流量不均衡造成炉膛内温度上高下低，也会形成表面不均匀温度场。

另一方面，因为红外测量为非接触测量，所有物体发出的辐射都要经过大气传输才能到达光谱辐射计，大气传输特性不同会引起辐射计测量干涉图变化，导致测量误差，主要体现在两个方面：①大气气体分子的吸收。吸收红外辐射的气体有co2(2.65～2.8μm，4.15～4.45μm，13～17μm三个吸收波段)，h2o(2.55～2.84μm，5.6～7.6μm，12～30μm三个吸收波段)等。因此大气吸收根据不同波段由很多条吸收线组成，将吸收带中的每一条吸收线的吸收求出，就可得到吸收带的吸收率，计算复杂。②大气中分子、气溶胶、微粒的散射，改变红外辐射在大气中的传输方向，从而导致某一特定方向上的辐射能减弱。如由比光波波长小的气体分子质点引起的rayleigh散射；气流运动造成的不均匀部分中存在气体分子、气溶胶粒子等引起的无选择性散射等等。这些因素会导致光谱辐射计测量的红外特性曲线在特定波段产生不规则振荡，或者出现不连续吸收断点，这些因素都限制了常规线性拟合和数据处理方法的应用。

由上讨论，光谱辐射计测量过程受到目标和环境不确定因素影响，计算结果容易造成较大误差，需要根据当前大气环境、实测数据中潜藏的变化规律，研究红外光谱信息的自学习方法，进而完成红外特性参数的精确估计。建立不均匀温度场固体目标模拟平台，并基于傅里叶红外光谱辐射计进行红外强度谱测试，研究智能学习算法从测试样本中得到目标红外强度谱特性估计模型，从而为下一步红外测温、测能提供充分的数据支持。

技术实现要素：

本发明的技术任务是针对以上现有技术的不足，而提供一种不均匀温度场的红外辐射能测试平台及测试方法。

本发明解决其技术问题所采用的技术方案是：一种不均匀温度场的红外辐射能测试平台，其中包括温度控制单元和目标模拟单元，所述温度控制单元包括单片机、a/d转换器、信号调理器和并行扩展接口，所述目标模拟单元包括铝板，以及铝板上的若干温度场，在每个所述的温度场内均设有加热片、热敏电阻传感器和场效应管，同一温度场上的热敏电阻传感器通过场效应管与所述并行扩展接口的输出端连接，所述热敏电阻传感器的输出端与所述信号调理器的输入端连接。

进一步改进：所述单片机的输入端与a/d转换器连接，所述a/d转换器的输入端与信号调理器的输出端连接，所述单片机的输出端与所述并行扩展接口的输入端连接。

进一步改进：在所述铝板上设有三个温度场，每个温度场上的加热片位于铝板与热敏电阻传感器之间。

进一步改进：在所述铝板上设有保温棉，所述加热片、热敏电阻传感器和场效应管位于铝板与保温棉之间。

进一步改进：所述加热片为陶瓷加热片。

一种不均匀温度场的红外辐射能测试平台的测试方法，其特征在于：包括以下步骤；

步骤一，目标红外强度谱样本校正：通过温度控制单元调整目标模拟单元中陶瓷加热片的通电时间，改变加热状态使得热敏电阻传感器检测的温度与单片机设定的加热温度一致，此时令热敏电阻传感器检测的温度为目标温度t，设光谱辐射计在目标温度t下，对应波长λ，测量的目标亮度谱为lmt(λ)，若目标真实亮度谱为lt(λ)，采用线性校正获得lt(λ)的估计值

其中，r0λ为辐射计光谱响应函数，l0λ为环境背景辐射亮度，二者可通过基于标准黑体的双温校准法计算获取，进而计算视线方向单位立体角内辐射亮度在目标面元上的积分得到校正后的目标红外强度谱it(λ)；其中

步骤二，目标红外强度谱智能建模：在大气窗口内确定训练样本集，采用k-均值聚类均匀地确定rbf网络隐层神经元初始聚类中心分布及其数量；然后采用正交最小二乘方法调整rbf网络聚类中心、数量，并计算输出层权值；

步骤三，目标红外强度谱模型验证：选取新的样本对步骤二中所建立的模型进行验证。

本发明的优点：本发明主要针对目标红外辐射在测量过程中受到的大气吸收、散射，环境杂散辐射，探测仪器自身辐射等的影响，通过比较标准黑体测量能谱对数据进行校正，进而在大气窗口波段选择合适的红外能谱数据作为最终样本；然后采用rbf网络智能建模方法自适应学习样本中隐含的红外特性，建立红外能谱模型；验证通过后最终得到测量波段内完整的红外能谱数据，为下一步红外测温、目标识别等提供数据基础。

附图说明

图1是本发明温度场的结构示意图。

图2是本发明测试平台的结构示意图。

图3是本发明不均匀温度场控制系统电路示意图。

图4是本发明红外强度谱rbf网络模型。

图5是本发明标准黑体强度谱rbf网络模型输出与测量值比较图。

图6是本发明铝板目标强度谱rbf网络模型输出与测量值比较图。

1铝板、2加热片、3热敏电阻传感器、4保温棉、5信号调理器、6、a/d转换器、7单片机、8并行扩展接口、9场效应管。

具体实施方式

下面结合说明书附图对本发明做以下详细说明。

其工作原理是：首先并行扩展接口8将单片机7的指令分散到每一个对应的加热片2上，加热片2加热后，热敏电阻传感器3将检测的温度传回单片机7，在此过程中，通过场效应管9来实现单片机7的输出温度与热敏电阻传感器3检测的温度一致。

在建模时：

首先，辐射强度是反映目标红外辐射能的主要物理量，是描述点辐射源特性的辐射量，即点源向某方向单位立体角发射的辐射功率，常用i表示。设一个点源在围绕某指定方向的小立体角元δω内发射的辐射功率为δp，则辐射强度i为

单位是w/sr。

辐射亮度是描述扩展源辐射特性的量，即扩展源在某方向上单位投影面积和单位立体角内发射的辐射功率，用l表示

其中δaθ是指扩展面源δa在与其法线方向成θ夹角的方向上的投影面积。辐射亮度的单位是w/(m^2.sr)。

ftir红外光谱辐射计是建立在双光束度量基础上，并应用数学上傅里叶变换原理而实现的光谱测量仪器。光源发出的光经迈克尔逊干涉仪调制后变成干涉光，再把照射样品后的各种频率光信号经干涉作用调制为干涉图函数，由计算机进行傅里叶变换，一次性得到宽波长范围内的光谱信息。因此，基于ftir光谱辐射计测量目标的红外光谱特性，采用多光谱理论实现目标红外能谱的快速准确测量是一个新的研究方向。

然后，对红外能量谱测试与智能校正；

理想情况下，红外辐射计探测到的红外能量主要包括两个部分：一部分为辐射计视场内目标辐射能量；另一部分为红外辐射计自身的实时热辐射和环境杂散辐射。大气衰减、环境辐射等因素会对测量结果产生复杂的作用，表现在某些特定的波段中。例如，测量环境中，光谱辐射计会受到除目标以外的环境杂散辐射影响，导致获取的干涉图变化引起对应波段的辐射强度等曲线发生振荡；而且大气吸收、散射等作用也会导致强度等曲线出现不连续断点或突然的减弱，影响测试结果，这些因素导致光谱辐射计无法得到完整的红外能量谱。因此，将红外测试数据分为两个部分：一是大气窗口且受杂散辐射影响小的波段，需要对实测数据进行校正，降低仪器自身和大气衰减的影响；另一部分则需要基于上述校正过的数据，采用能够自适应学习数据中隐含演化规律的智能方法，对目标红外能量谱进行拟合，从而精确估计受扰严重波段和大气吸收波段的红外辐射特性，建立完整的目标红外能量谱，下面以目标红外强度谱测试为例说明两步过程，其它红外辐射能量可以做类似处理。

目标红外强度谱有效测量样本的获取：

由式(1)和式(2)可知，辐射强度可以看成视线方向单位立体角内辐射亮度在面元上的积分。设目标表面温度为t，波长λ下的红外辐射强度为it(λ)，辐射亮度为lt(λ)，则强度光谱特性为

it(λ)＝∫alt(λ)cosθda(3)

其中，θ为视线与面元da法线的夹角；cosθda为面元da在视线方向的投影。

设光谱辐设计对目标辐射的响应亮度谱为lmt(λ)，则其与目标真实亮度谱lt(λ)之间为线性关系

lmt(λ)＝r0λ·[lt(λ)+l0λ](4)

其中，r0λ为辐射计光谱响应函数；l0λ为环境背景辐射亮度。采用双温度测量法进行校正，令lbt(λ)为温度t下标准黑体的光谱辐射亮度，根据普朗克定律可得：

c1，c2分别对应第一、第二辐射常数。设置标准黑体温度分别为t1和t2进行测量，并有t1<t<t2，则有

推导可得

带入式(4)，可得校正的目标辐射亮度估计值为

再带入式(3)，可得目标强度估计值。

因为参考黑体与目标在同一背景、环境和距离下测量，所以式(6)和式(7)对环境影响起一定的补偿作用。但对大气吸收和杂散辐射，黑体测试也会受到影响发生振荡或断点，需要研究能够学习测试数据中潜在的演化规律，实现强度谱高精度估计的方法。

目标红外强度谱的智能建模：

径向基函数(rbf)网络是一种三层前馈神经网络，从输入层到隐含层是非线性映射关系，从隐含层到输出层是线性加权求和关系。已有研究证明rbf网络具有最优逼近能力和全局收敛性。如何依据样本有效确定隐层单元个数，并选择合适的聚类中心是决定rbf网络性能的关键步骤。正交最小二乘法来源于线性回归模型，是rbf网络一种重要的学习方法，基本思想是根据当前聚类中心的映射关系，正交化处理后选择对网络输出误差贡献最大的回归算子作为新增聚类中心，直至误差满足要求。初始聚类中心选取是否合适会极大影响网络学习的速度和精度。为此，本文将简单有效的k-均值聚类方法引入到正交最小二乘rbf网络初始聚类中心的确定过程，然后再依据大气窗口强度测试样本自适应的同步确定网络结构和网络参数，进一步调整隐层神经元非线性映射关系，以准确反映目标红外强度的非线性特性。

建立红外强度谱rbf网络模型如图4所示，λk为第k个波长输入，网络输出为对应该波长下目标的红外辐射强度it(λk)。隐层映射函数不失一般性可选为高斯函数，则隐层第i个单元的输出为

k＝1，2，…，n，n为样本个数。i＝1，2，…，m，ci为第i单元的聚类中心，σi＞0为宽度系数，称(λk,ci)为回归算子。

若隐层到输出层的权值向量为ω＝[ω1，…，ωm]^t，t表示转置，则网络输出为

初始聚类中心的确定

k-均值聚类方法步骤简单，所选的聚类中心分布较均匀，非常适用于初始隐层聚类中心的选取。根据样本距离统计特性选取聚类半径为r，随机选取m个训练样本作为聚类中心ci(i＝1，2，…，m)，则初始聚类中心确定步骤为：

步骤1：按照最近邻规则，把样本λk(k＝1，2，…，n)分配到欧式距离最近的聚类中心；

步骤2：如果样本λk到当前所有聚类中心的欧式距离皆>r，则聚类中心个数m加1，并设置新的聚类中心cm＝λk；

步骤3：计算各聚类集中训练样本的平均值作为新的聚类中心ci，如果变化幅度足够小，则当前ci即为rbf网络的初始聚类中心，否则调整聚类中心的宽度系数。

式中，cmax是所选取中心之间的最大距离，返回步骤1。

红外辐射强度谱网络模型的建立：

在初始聚类中心ci(i＝1，2，…，m)基础上，令it＝[it(λ1)，it(λ2)，…，it(λn)]^t为网络理想输出向量。采用正交最小二乘方法的基本任务就是通过学习选择合适的回归算子矢量及其个数m，使网络输出满足二次性能指标要求。算法步骤如下：

步骤1：初始聚类中心为cj，1≤j≤m；

步骤2：设输入波长为λk(k＝1，2，……，n)，按式(9)计算回归矩阵φ；

步骤3：gram-schmidt方法正交化回归矩阵各列，每次一列；

(1≤i≤j，j＝2，……，m)

步骤4：网络输出与实际输出之间存在残差，计算对其贡献最大的回归算子，

为最小二乘解的正交化，εj为误差压缩比，则

对应的ujk就为对残差贡献最大的回归算子；

步骤5：计算上三角阵a，

令为组成的矢量，由三角方程求解连接权矢量w，常

采用的方法有ls或rls方法；

步骤6：检查下式是否得到满足：

式中，0<ρ＜1为选定的容差。如果上式得到满足，则停止计算。否则，聚类中心个数m加1，并设置新的聚类中心为

返回步骤2。

可以看出通过对样本数据的智能自学习，首先通过k-均值聚类均匀选取一定间隔的样本作为初始聚类中心；然后在训练过程中选取对误差压缩比贡献最大的样本添加为网络新的聚类中心，是对网络聚类中心的细调，以构筑一个简洁明了的rbf网络。每循环一次增加一个隐层单元，所以最大循环次数和最大隐层单元数都为样本数。确定rbf中心和调整网络权值是两个独立又同时进行的部分，实现网络结构和网络参数的同步调整，又易于以后对各部分算法的改进。

仿真实例：

本平台采用加拿大abb公司的mr-170型傅里叶变换(ftir)红外光谱辐射计，配有两个探测器，即碲镉汞(mct)探测器和锑化铟(insb)探测器，采用液氮制冷，其工作光谱范围为2.0～15.0μm，光谱分辨率为6种可选，分别为1cm-1、2cm-1、4cm-1、8cm-1、16cm-1、32cm-1。为验证方法的有效性，首先在实验室环境中测量标准黑体目标的红外强度谱特性。

(1)标准黑体目标红外强度谱建模

控制黑体目标温度为453k，测量得到的红外辐射强度光谱曲线如图5中实线所示。根据红外传输理论，图中4.3μm左右波段的剧烈衰减对应二氧化碳的主要吸收带，而水蒸气在5.6μm～7.6μm吸收带在图中也体现明显，在5μm～8μm波段存在杂散辐射，这些作用导致亮度曲线有增强有衰减，表现出不规则的振荡特性。

选取大气窗口中的761组有效辐射强度数据，其中740组有效辐射强度作为当前径向基函数神经网络的训练样本数据，如表1，其中波长为输入，对应的辐射强度作为输出；剩余21组数据作为验证样本。

表1部分训练样本数据

采用带初始聚类的rbf网络学习训练样本完成后，将验证样本的波长输入所建网络模型进行验证，得到21组网络输出光谱辐射强度值，与测量值进行对比，结果如表2所示。从表中可以看出，在在21组验证样本中，最大误差为1.836*10-4，最大相对误差为4.769％。网络模型误差小，所建模型精度较高。利用该神经网络模型，对3μm～14μm波段的红外光谱辐射强度进行估计，光谱辐射强度曲线如图5点划线所示。可以看出在干扰弱的波段，网络输出较好的逼近实测值，而在干扰强的波段，网络输出对辐射强度谱进行了有效的估计。

表2验证样本误差比较

(2)铝板目标源红外强度谱建模

将上述方法应用于航空铝材目标源的强度谱建模，不失一般性，对图1中上顶点加热片进行加热至80℃，并采用光谱辐射计近距离全视场测量，实测红外辐射强度光谱曲线如图6中实线所示。可以看出受扰严重。选取大气窗口中的600组有效辐射强度数据，部分如表3所示，仍以波长为输入，对应的辐射强度作为输出，训练rbf网络，最终建立测量波段的辐射强度谱曲线如图6所示。

表3训练样本数据