貧燃熄火實驗預測方法綜述

黃建青, 李 磊, 蔡偉偉

(上海交通大學 機械與動力工程學院, 上海 200240)

0 引 言

地面燃氣輪機或航空發動機燃燒室內的貧燃熄火現象是一類典型的不穩定燃燒現象，其產生原因主要有2類：(1) 為減少NOx的排放，而在燃機內采用降低當量比的貧燃技術，增加了火焰出現LBO的概率；(2) 燃氣輪機及航空發動機減速過程中，燃料流量的下降先于空氣流量的下降，如減速過快則容易引發貧燃熄火。由此可見，在主動或被動調節燃燒室當量比時都可能導致貧燃熄火，而一旦出現這種現象，往往會導致電站停產、飛機失事等嚴重后果。因此，采取有效措施預測燃燒室貧燃熄火現象的發生具有重要意義，可為火焰穩定的主動控制系統提供先決條件。

燃燒室從穩定燃燒到發生貧燃熄火不是一個瞬態突變過程，存在一些明顯的熄火征兆，這為預測LBO提供了可能。Chao等[1]在實驗中發現，甲烷部分預混火焰在熄火前會出現火焰鋒面的脈動現象，且脈動高度在一定范圍內。P. O. Hedman等[2]則觀測到，預混旋流火焰在將要熄火時，火焰結構在2種形態間振蕩。T. M. Muruganandam等[3]基于OH*化學發光信號和高速成像，檢測到旋流火焰靠近貧燃熄火時出現的局部熄火-重燃特征，并對其形成機理做了理論性描述。因此，根據熄火前的特征，采集相關信號并進行分析處理，可得到用于預測LBO的參數，配合相應的控制系統即可實現對燃燒室貧燃熄火的預防。

國內外學者在LBO預測方面做了許多工作，并取得了重大成果。本文綜述近20年以來，基于各類信信號預測LBO的原理、采集方式和特點，接著介紹信號處理方法并綜合評價其預測效果，最后提出展望。

1 信號類別及采集設備

經過近20年的發展，燃燒室的貧燃熄火檢測技術已取得較大的進步，目前已被證實可用于預測LBO 的火焰信號主要有3類：光學信號(自由基化學發光信號、可見光譜顏色信號和吸收光譜溫度)；聲學信號(壓力)；離子信號(離子電流)。不同信號的預測原理各不相同，信號采集設備也各有差異，將在下文具體介紹。

1.1 化學發光信號

火焰化學發光是在燃燒反應過程中，某些受激分子發生電子躍遷而產生光輻射的一種現象，其反應機理可由以下反應式[4]表示：

A+B→C+D*

(1)

D*→D+hν

(2)

實驗研究或者實際應用中，常常在燃燒室的壁面上開設位置及大小合適的光學窗口，通過光纖探頭收集火焰某個局部的化學發光信號，在探頭前加裝特定波長的濾光片即可以收集該波長對應的自由基團化學發光信號。信號采集區域的大小與光纖探頭的錐頂角及測量方向有關，不同的探測區域對實驗結果有較大影響，文獻[6]研究了旋流火焰根部(噴口附近)、中部(內回流區)和尾部(內回流區以上)采集的OH*化學發光信號的差異，指出尾部具有更高的信號強度，因此在實驗開始前需要選定合適的信號采集區域，常用的化學發光信號采集設備主要有光電二極管和光電倍增管(PMT)。另外，在實驗中也常同步使用高速CCD相機拍攝火焰圖像，記錄熄火過程中的火焰形態變化，從直觀上驗證收集到的光強-時間信號的準確性。

1.2 溫度信號

火焰鋒面是燃燒化學反應的主要區域，主要特征是在狹小空間內存在巨大的熱釋放速率和溫度梯度。隨著化學當量比的降低，靠近貧燃熄火邊界時，P. O. Hedman等[2]發現火焰結構在靠近和遠離旋流噴口2種模式間來回振蕩。Muruganandam等[7]在旋流預混火焰中觀測到短暫的局部熄火-再燃現象，由此可推測火焰靠近LBO時混合氣體的溫度可能會發生明顯波動。根據溫度波動的變化趨勢，選擇適當的數據處理方式，可獲取用于預測及控制LBO 的參數。

斯坦福大學的Li等[8-9]首先提出了一種基于可調諧二極管激光傳感器(TDL)測溫的LBO主動控制方法，其實驗裝置如圖1所示，證實了火焰溫度信號可用于預測及控制火焰發生貧燃熄火現象。文中采用的這種新型激光傳感器的具體介紹可以參考文獻[10],測溫原理可概括為：定向選擇1組H2O吸收線對(1397.75和1397.87nm)，采用波長調制光譜(WMS)和雙峰法(2f)測溫相結合的掃描波長技術，根據所選線對的WMS-2f峰高比推測出燃燒區氣體溫度。這種測溫方法具有抗干擾能力強，靈敏度高，能夠實時測量等優點[11]。此外，相比于壓力信號的全局測量和化學發光信號的局部測量，此方法測量的溫度信號是激光路徑上氣體的平均溫度，選擇合適的激光路徑，可以獲得變化范圍更廣的溫度信號，有利于提高控制系統的靈敏度。

圖1 基于TDL傳感器測溫的LBO實時監測控制實驗原理圖[8]

1.3 可見光譜顏色信號

(3)

式中：Ir(x,y)表示像素點(x,y)的紅光(λ=717.1nm)強度，Ib(x,y)表示像素點(x,y)的藍光(λ=431.2nm)強度。在不同預混長度，不同燃料和不同空氣流速下，該系數隨當量比降低而降低的變化趨勢均類似，因此，該方法具有應用范圍廣的特點。與其他信號相比，火焰的可見光譜顏色信號采集設備簡單廉價，可操作性強，數據處理量小，可用于實時監控；但由于需要開設較大的光學窗口以適應相機鏡頭的尺寸，在實際應用中可能受到限制。另外由于照片曝光時間的限制，信號采集頻率偏低，存在一定程度的滯后現象，不適用于當量比變化過快的火焰監測。

1.4 聲壓信號

燃燒是一個流動、傳熱和傳質相互耦合的復雜物理化學過程，伴隨著劇烈的熱釋放。煙氣因為受熱不均而產生壓力脈動，同時壓力的不均勻分布使得火焰鋒面發生偏移，局部化學當量比發生改變，引起熱釋放脈動，這種熱釋放脈動和壓力脈動相互耦合可形成自激發、燃燒驅動的熱聲振蕩。在靠近化學恰當比(Φ=1)時穩定燃燒的情況下，熱聲振蕩不明顯，而在貧燃時，熱聲振蕩變得劇烈，可能引發燃燒室結構的振動，導致熄火、污染物增加等不利后果。因此，采用聲學壓力傳感器監測燃燒場的壓力變化情況，有利于深入了解壓力脈動的特征并采取適當措施緩解熱聲振蕩引起的燃燒不穩定性，預防貧燃熄火的出現。J. M. Cohen等[14]在預混階梯燃燒室中采用實驗和數值模擬的方法研究燃燒不穩定特性，研究發現，隨著當量比的降低，縱向壓力擾動不斷增大直到引發低頻高幅的壓力振蕩，火焰劇烈擺動直至熄火。S. Nair等[15]在3種穩燃方式(值班火焰、旋流火焰和鈍體火焰)的燃燒器中，研究當量比降低時的聲壓信號特性，發現靠近LBO時都有明顯的低頻壓力振蕩出現，并提出一種基于聲壓信號的LBO預測及控制方法。類似的預測方法也可參考文獻[16-18]，這些文獻中檢測到的低頻振蕩主要出現在0～200Hz范圍。壓力傳感器結構簡單、測量方便，能夠很容易地實現與控制系統的連接，但仍面臨著高溫，噪聲干擾嚴重等問題，另外，因為屬于全局測量，聲壓信號的空間分辨率較低。

1.5 離子電信號

早在100多年前，研究人員就發現了火焰中因為化學電離效應而產生一定數量的帶電離子，諸如CHO+、H3O+等，關于火焰離子特性的詳細介紹可以參看綜述文獻[19]，化學電離的主要反應機理如下[4]：

CH+O→CHO++e-

(4)

CHO+很快會被H2O消耗掉，反應式為：

CHO++H2O→CO+H3O+

(5)

最終，火焰中的離子和電子的濃度由下述反應速率控制：

H3O++e-→H2O+H

(6)

和化學發光強度類似，火焰中的離子濃度也與燃燒化學反應速率有密切的關系，化學反應速率降低的時候離子濃度隨之減小。

基于化學電離效應設計的離子電流傳感器目前已用于燃燒診斷領域，并且發展迅速。J. D. Thornton等[20-21]開發了一款燃燒控制診斷傳感器(CCADS)，該傳感器利用火焰的離子電信號監測控制火焰，預防貧燃熄火現象的出現；D. L. Straub等[23]將此傳感器的直流電信號改為交流電信號后，獲得更好的信噪比，測量靈敏度也得到提升。北京航空航天大學的Li F.等[22]采用如圖2和3所示的離子電流傳感器監測脈沖燃燒室內的燃燒情況，預測LBO 的出現。這種離子電流傳感器由鎢電極、絕緣管和中空不銹鋼管組成，探頭直徑為2.5mm，探入火焰中間，通過頭部的2個鎢電極(伸出2mm，總長10mm)測量火焰中的離子濃度，可直接獲得電流信號。

圖2 離子電流測量原理[22]

圖3 離子電流傳感器[22]

1.6 預測LBO 的信號類型匯總

現將用于LBO預測的信號類別及信號采集設備匯總如表1所示。從表中可以看出，除顏色信號的采樣頻率受相機曝光時間的限制外，其他類型信號的采樣頻率均大于1kHz，能滿足實時采樣的需求，有利于控制系統的實時控制。在實際應用方面，化學發光信號和聲學壓力信號是最常用于燃燒診斷的2種信號，信號獲取方式也較為簡便，在實際的渦輪發動機燃燒室或者內燃機燃燒檢測中得到廣泛應用。如在文獻[25]中介紹，通過采集某款商用航空發動機旋流燃燒室的OH*化學發光信號和聲壓信號來預測LBO。其他類型信號則發展較晚，研究不夠充分，雖然在實驗室階段的研究中證明可用于LBO 的預測，但在實際發動機燃燒室的熄火檢測中尚未得到普及應用，因此，需要進行更深入的研究。從特點上看，離子信號的測量屬于侵入式測量，可能會對火焰結構產生影響，但由于離子探針的體積微小，容易在現有燃燒室系統中匹配安裝，因此同樣具有良好的應用前景；其他的信號類型則為非接觸式測量，不會對火焰形態結構產生干擾，但需要在燃燒室壁面上開設光學窗口或采樣通道，在實際應用中需注意對燃燒室結構強度的影響。

表1 信號類型匯總Table 1 Summary of signal types for LBO prediction

2 信號分析及處理方法

根據觀測到的火焰貧燃熄火特征，國內外學者提出了多種預測LBO 的方法，主要包括統計法、閾值-事件法、頻譜法、符號法和非線性動力學法，下文將逐一介紹各自的預測原理和特點。

2.1 統計法

不管是通過各種傳感器采集到的時間信號，還是通過相機拍照采集到的空間信號，最常見的信號分析和處理方法是統計法：統計各類原始信號的均值(μ)、方差(σ2)、均方根值(RMS)、峰值(Peak)等，得到這些統計值隨當量比降低的變化趨勢，選取若干個變化趨勢明顯的值作為控制參數，設置合適的閾值，監測并控制火焰的燃燒穩定性。

Yi等[27]采集了當量比降低時旋流火焰的OH*化學發光信號，根據統計值提出了2個量化低頻燃燒振蕩的系數，并用于預測貧燃熄火。一個是標準化均方根(NRMS)，定義為：

(7)

(8)

Θ=Nt/N

(9)

式中：Nt表示信號值低于0.2倍均值的信號個數。這2個系數隨當量比的變化趨勢如圖4和5所示，圖中FSR表示主燃料流量占總燃料流量的百分數,T0為空氣預熱溫度,Q表示空氣流量。可以發現在靠近LBO時都有很明顯的突增趨勢，因此文中通過在控制系統中設置閾值來控制燃料流量，預防LBO 的出現。

其他的統計量也有類似的變化趨勢，具體介紹可參考文獻[2,6,32]。采用此類方法預測LBO具有計算效率高，時間響應快，適用范圍廣等優點，同時也存在預測精度差，靈敏度偏低等不足之處。

圖4 不同工況下NRMS隨當量比的變化趨勢[27]

圖5 不同工況下Θ隨當量比的變化趨勢[27]

2.2 閾值-事件法

T. M. Muruganandam等[7]最早在2002年通過采集旋流預混火焰的化學發光信號和聲壓信號，研究靠近LBO時的火焰特征，發現了短暫的局部熄火-重燃現象，并將之定義為熄火前兆事件，通過在時域信號中設置閾值的方式統計事件發生頻率和持續時間，由于靠近LBO時事件的發生頻率和持續時間都有顯著增長，故可作為預測LBO 的參數，這類方法稱為“閾值-事件”法。最早采用的是單閾值[7, 33]判定事件發生與否(信號低于1/4均值時即認為事件發生)，檢測精度及穩定性較差，后來發展為雙閾值[21, 24-25]并采用低通濾波處理原始信號，事件檢測精度顯著提高，現以采集到的OH*化學發光信號為例簡要介紹如下。如圖6所示，在采集OH*信號的窗口中分別設置上閾值和下閾值，當信號強度低于下閾值時記為一個事件開始，當信號強度高于上閾值時記為事件的結束，中間的時間間隔記為事件持續時間。R. K. Bompelly等[26]綜合事件發生的強度、頻率和持續時間提出一個穩定系數(SI)，作為控制參數預測貧燃熄火的出現，即當該參數超過警戒值時控制系統做出反應動作，從而防止貧燃熄火現象的出現。SI的定義如下:

(10)

圖6 雙閾值判定事件原理圖[5]

該方法廣泛應用于不同信號源、不同燃料、不同工況和不同燃燒器中，證實對LBO具有良好的預測效果，文獻[5, 16, 24, 34]都基于此方法提出相應的控制系統，能夠在降低NOx的情況下防止LBO的出現。但文獻[13, 28]指出在預混不充分的情況下，靠近LBO時化學發光信號微弱，事件發生數量較少不易被檢測出來，因此在低預混火焰中的預測效果較差。

2.3 頻譜法

傅里葉變換作為一種常見的數字信號處理工具，在預測LBO的信號處理中也有廣泛應用，它能夠把難以處理的時域信號轉換成易于分析的頻域信號。根據頻域信號的特征，提取適當參數預測LBO 的方法統稱為頻譜法。文獻[7, 9, 11, 15, 22, 25, 27, 35]均有采用此方法進行信號處理，從功率譜中均發現靠近LBO時，低頻段(0～200Hz)的能量分數有明顯增長。其中，Li H.等人[9,11]將溫度時域信號經快速傅里葉變換(FFT)轉換為頻域信號，擬合出當量比降低時0～50Hz的能量分數變化曲線，如圖7所示，并將其作為控制參數，設置閾值來實現LBO的控制。Li F.等[22]在利用離子傳感器檢測脈沖燃燒室內離子信號的實驗中發現，隨著當量比減小，低頻(0～20Hz)能量分數增加，工作頻率能量分數減小，因此，綜合2種能量分數提出穩定-不穩定系數(SIR)作為預測LBO的參數，SIR的定義如下：

(11)

式中：EFl表示0～20Hz的能量分數，EFw表示脈沖燃燒室工作頻率的能量分數。

傳統的功率譜分析方法的最大缺陷是：對時間信號上的個別突發事件缺乏靈敏度，時間分辨率不足[31]。小波變換作為一種動態的傅里葉變換分析方法，能對時間(空間)頻率進行局部細化分析，在一定程度上彌補了功率譜分析的不足。S. Nair等人[15, 31]對聲壓信號采用小波變換處理，并提出一種自定義的小波，使得熄火前兆事件更容易被觀測到，檢測精度提高。關于小波變換分析信號的內容可參考文獻[17]。

圖7 TDL傳感器測溫的0～50Hz能量分數變化曲線[11]

2.4 符號法

文獻[28, 36-37]提出了一種基于符號時序分析的LBO預測方法，簡稱為符號法，現簡要介紹此方法的原理，具體內容和相關程序代碼可參考原文獻。如圖8所示，將時域信號分成有限個區域(圖中為4個區)，每個區用不同的符號表示(圖中分別為α、β、γ、δ)，因此時間信號轉變成符號字符串，構成概率有限狀態自動機(PSFA)，PSFA被稱為“D-馬爾可夫機”，表示當前狀態僅與前D個狀態有關(圖中D=1)。根據符號出現的類別對應不同的狀態(以0、1、2、3表示4種狀態)，再統計各種狀態出現的頻率得到概率向量Pk(圖中Pk=(0.6，0.2，0.15，0.05))，把穩定燃燒時的概率向量P0(圖中P0=(0.5，0.25，0.25，0.25))作為參考值，測量值和參考值的偏差(用M表示)作為異常檢測參數，M的定義如下:

(12)

在不同預混長度及不同空氣流速下的實驗中均發現以下規律：隨著當量比減少，M斜率較陡，當靠近LBO時，斜率突然變緩后穩定在某值附近。因此，文中將M斜率發生突變作為預測LBO的預警信號，配合適當的控制器即可實現對LBO的控制。由于符號法將時域信號分區處理，因此對低分辨率的信號有較強的適應性，同時對噪聲和偽信號也有很好的魯棒性，計算效率高。另外需要特別指出的一點是此方法通用性好，能夠較準確地預測不同預混程度火焰的貧燃熄火現象。S. Sarkar等[37]提出D>1時具有更好的LBO預測效果，但會犧牲一定的計算效率，因此在特定的燃燒器中采用符號法預測LBO時，應根據實際情況選擇合適的D值，以實現計算效率和預測精度間的平衡。

圖8 符號時序分析原理[28]

2.5 非線性動力學法

燃燒過程作為一種復雜的動力學過程，含有許多非線性特征，而非線性時序分析方法可以為捕捉這些特征提供有效途徑。目前，非線性時序分析已應用于實驗室不穩定燃燒的動力學特性研究中[38]。Y.Shinod等[29,39]首次將非線性動力學分析用于LBO 的預測，取得良好的預測效果，因此將此類方法稱為非線性動力學法。現簡要介紹此方法，如圖9所示，利用燃燒室壓力脈動p′的時間信號構成一個三維(或多維)相空間，相空間的每一個點表示為向量p(ti)，定義如下：

p(ti)=(p′(ti),p′(ti+τ),p′(ti+2τ))

(13)

式中：i=1,2,…,n(n為壓力傳感器采集的時間信號數量)；τ為時間間隔。當τ很小時，相空間的每一個向量都高度相關，當τ很大時，相空間的每一個向量的相關性將完全散失，τ的合適取值可參考文獻[38]。在相空間中任意選取1個向量p(ti),并找到它附近的K個點，每個點的切線方向用向量V(tk),

圖9 非線性時序分析原理[29]

k=1,2,…K表示，這些向量的平行度可用轉譯誤差Etrans表示，具體公式如下：

V(tk)=p(tk+T)-p(tk)

(14)

(15)

(16)

式中：T為微小時間間隔。

當燃燒處于穩定狀態時，壓力信號平穩，相空間規則有序，轉譯誤差接近于0；當Φ減小靠近熄火時，燃燒處于不穩定狀態，壓力信號發生不規則波動，相空間變得混亂，轉譯誤差將增大。因此，Etrans可作為預測LBO 的一個參數，文獻[39]在旋流燃燒器功率下降和過渡的實驗中驗證的Etrans具有預測及控制LBO的能力。和壓力信號的標準偏差相比，Etrans在靠近LBO時具有更大的變化范圍，可以顯著提高預測的靈敏度和準確度。另外，S. Domen等[40]也是基于非線性動力學法提出排列熵hp作為預測LBO的參數，具體的定義可參考原文。和Etrans相比，hp用于預測所需的參數數量更少，因此在有噪聲存在的情況下，預測具有更好的穩定性。

2.6 信號分析及處理方法匯總

現將前文提及的用于LBO預測的信號分析及處理方法匯總如表2所示。從表中可以看出，統計法和頻譜法由于通用性強和易操作的特點，成為了目前使用最廣泛的2種信號處理方法，在各類航空發動機的試驗檢測中屬于常規檢測手段，但它們的預測效果不是很好，精度較低，無法滿足精確控制系統的要求。符號法和非線性動力學法是比較新穎的2種LBO預測方法，從模擬實驗結果來看具有較好的預測效果，但存在信號來源單一，數據處理較復雜等不足之處。因此，往后的發展中需要拓寬其信號來源，并在實際應用中加以驗證。綜合來講，閾值-事件法具有較高的預測精度和較快的響應速度，在實際應用中也得到了證實，如文獻[5]中提到，將此預測方法應用到高背壓渦扇發動機模型的控制系統中，取得了良好的控制效果。如果能進一步優化“事件”統計算法，提升計算效率，將對燃燒室實時控制系統起到關鍵作用。

表2 信號處理方法匯總Table 2 Summary of signal processing methods for LBO prediction

3 結 論

及時準確地預測出火焰的貧燃熄火現象，對燃燒的穩定性控制具有至關重要的作用，經過近20年的快速發展，貧燃熄火檢測技術已取得了較大進步，但在地面燃氣輪機和航空發動機的實際應用中仍面臨諸多挑戰，存在較大的發展空間。一方面，信號采集設備應結合各類信號的特點，朝著小型化、智能化、通用化的方向發展；另一方面，可采取互補的策略，將幾種信號采集方式復合在同一個設備中，采用多信號檢測有利于提高檢測結果的精度和穩定性。在信號處理方面，傳統的統計或頻譜方法已經比較成熟，而符號法和非線性動力學法仍需進一步深入研究，未來有望應用于實際的燃燒診斷當中。此外，隨著“大數據”時代的到來，諸如“神經網絡”等智能算法有望應用于數據量龐大的LBO信號處理算法之中，例如文獻[43]提出利用人工神經網絡(ANN)來處理燃燒場的各類信號數據，建立了燃燒狀態和各類信號間的聯系。

最后，綜合信號采集設備和信號處理方法2部分，從實時性、穩定性和靈敏性3個角度出發，對貧燃熄火檢測技術的未來發展提出展望：

(1) 實時性。實時性是反映檢測手段時間響應性能的指標，尤其在燃燒室工況快速轉變的過程中，實時估測出貧燃熄火現象出現的概率，對控制系統起到了決定性作用。未來的研究中應重視提高LBO檢測手段的時間響應性能，從實驗室那種間斷、延時性測量向連續、實時性測量方向轉變。

(2) 穩定性。穩定性是指在不同的燃燒器、燃料、風速、溫度、壓力和預混度等工作條件下，LBO檢測方法均能正常發揮作用。目前的研究大部分都是在某些確定的工作條件下進行的，難以保證在實際應用中具備足夠的穩定性。以航空發動機為例，在起飛-巡航-降落的過程中，工作條件將發生劇烈變化，對檢測手段的穩定性要求明顯高于實驗室條件。因此在以后的研究中，同樣應重視檢測手段在工作條件變化時的穩定性能。

(3) 靈敏性。信號采集過程中噪聲信號的存在不可避免，盡可能準確地從噪聲信號中分離得到有用信息，即是檢測手段的靈敏性要求。在實驗室研究階段可以采取某些措施減輕噪聲信號的干擾，但得到的實驗結果可能與實際應用時存在較大差距。以化學發光信號和聲壓信號為例，在環形燃燒室LBO實際檢測中，這2種信號就非常容易受到相鄰火焰的干擾。因此，從傳感器和信號處理方法2方面提升LBO檢測手段的靈敏性也是未來的發展重點。

致謝:感謝國家自然科學基金(51706141)及“青年千人”項目的支持。

:

[1]Chao Y C, Chang Y L, Wu C Y, et al. An experimental investigation of the blowout process of a jet flame[J]. Proceedings of the Combustion Institute, 2000, 28(1): 335-342.

[2]Hedman P O, Fletcher T H, Graham S G, et al. Observations of flame behavior in a laboratory-scale pre-mixed natural gas/air gas turbine combustor from PLIF measurements of OH[J]. American Society of Mechanical Engineers, 2002, (2): 301-311.

[3]Muruganandam T M, Seitzman J M. Characterization of extinction events near blowout in swirl dump combustors[R]. AIAA-2005-4331, 2015.

[4]Docquier N, Candel S. Combustion control and sensors: a review[J]. Progress in Energy & Combustion Science, 2002, 28(2): 107-150.

[5]Bompelly R K. Lean blowout and its robust sensing in swirl combustors[D]. Georgia Institute of Technology, 2013.

[6]Thiruchengode M. Sensing and dynamics of lean blowout in a swirl dump combustor[J]. Dissertation Abstracts International, 2006, 67(3): 1544.

[7]Muruganandam T, et al. Optical and acoustic sensing of lean blowout precursors[C]. AIAA/ASME/SAE/ASEE Joint Propulsion Conference & Exhibit, 2006.

[8]Hanson R K, Jeffries J B, Zhou X, et al. Smart sensors for advanced combustion systems[R]. GCEP Technical Report, 2006.

[9]Li H, Zhou X, Jeffries J B, et al. Active control of lean blowout in a swirl-stabilized combustor using a tunable diode laser[J]. Proceedings of the Combustion Institute, 2007, 31(2): 3215-3223.

[10]Zhou X, Jeffries J B, Hanson R K. Development of a fast temperature sensor for combustion gases using a single tunable diode laser[J]. Applied Physics B, 2005, 81(5): 711-722.

[11]Li H, Zhou X, Jeffries J B, et al. Sensing and control of combustion instabilities in swirl stabilized combustors using diode-Laser absorption[J]. AIAA Journal, 2007, 45(2): 390-398.

[12]Huang H W, Zhang Y. Flame colour characterization in the vi-sible and infrared spectrum using a digital camera and image processing[J]. Measurement Science & Technology, 2008, 19(19): 085406.

[13]Chaudhari R, Sahu R, Ghosh S, et al. Flame color as a lean blowout predictor[J]. International Journal of Spray & Combustion Dynamics, 2013, 5(1): 49-66.

[14]Cohen J M, Wake B E, Choi D. Investigation of instabilities in a lean, premixed step combustor[J]. Journal of Propulsion & Power, 2003, 19(1): 81-88.

[15]Nair S, Lieuwen T. Acoustic detection of blowout in premixed flames[J]. Journal of Propulsion & Power, 2012, 21(1): 32-39.

[16]Prakash S, Nair S, Muruganandam T M, et al. Acoustic based rapid blowout mitigation in a swirl stabilized combustor[C]. ASME Turbo Expo 2005: Power for Land, Sea and Air, 2005.

[17]Nair S, Lieuwen T. Acoustic detection of imminent blowout in pilot and swirl stabilized combustors[C]//Proceedings of ASME/IGTI Turbo Expo Atlanta, Georgia, 2003.

[18]Thiruchengode M M, Nair S, Lieuwen T, et al. Real-time control of the lean blow out limit in premixed combustors[C]//Proceedings of the Third Joint Meeting of the US, 2003.

[19]Fialkov A B. Investigations on ions in flames[J]. Progress in Energy & Combustion Science, 1997, 23(5-6): 399-528.

[20]Thornton J D, Straub D L, Chorpening B T, et al. A combustion control and diagnostics sensor for gas turbines[C]. ASME Turbo 2004: Power for Land, Sea and Air, 2004.

[21]Chorpening B T, Straub D L, Huckaby E D, et al. Detection of lean blowout and combustion dynamics using flame ionization[C]. ASME Turbo Expo 2005: Power for Land, Sea and Air, 2005.

[22]Li F, Xu L, Du M, et al. Ion current sensing-based lean blowout detection for a pulse combustor[J]. Combustion & Flame, 2017, 176: 263-271.

[23]Straub D L, Chorpening B T, Huckaby E D, et al. Time-varying flame ionization sensing applied to natural gas and propane blends in a pressurized lean premixed (LPM) combustor[C]. American Society of Mechanical Engineers, 2008.

[24]Thiruchengode M, Nair S, Neumeier Y, et al. An active control system for LBO margin reduction in turbine engines[J]. British Phycological Journal, 2003, 27(2): 107-118.

[25]Nair S, Muruganandam T M, Olsen R, et al. Lean blowout detection in a single nozzle swirl cup combustor[R]. AIAA-2004-138, 2004.

[26]Bompelly R, Lieuwen T, Seitzman J. Lean blowout and its sensing in the presence of combustion dynamics in a premixed swirl combustor[C]. AIAA Aerospace Sciences Meeting Including the New Horizons Forum and Aerospace Exposition, 2013.

[27]Yi T, Gutmark E J. Real-time prediction of incipient lean blowout in gas turbine combustors[J]. AIAA Journal, 2015, 45(7): 1734-1739.

[28]Mukhopadhyay A, Chaudhari R R, Paul T, et al. Lean blow-out prediction in gas turbine combustors using symbolic time series analysis[J]. Journal of Propulsion & Power, 2013, 29(4): 950-960.

[29]Shinoda Y, Kobayashi M, Gotoda H, et al. Detection of lean blowout in a premixed gas-turbine model combustor based on nonlinear dynamics[J]. Advanced Computational Methods & Experiments in Heat Transfer XII, 2012, 75(6): 323-331.

[30]Rieker G B, Jeffries J B, Hanson R K, et al. Diode laser-based detection of combustor instabilities with application to a scramjet engine[J]. Proceedings of the Combustion Institute, 2009, 32(1): 831-838.

[31]Nair S, Rajaram R, Meyers A J, et al. Acoustic and ion sensing of lean blowout in an aircraft combustor simulator[R]. AIAA-2005-932, 2005.

[32]Taware A, Shah M, Wu P, et al. Acoustics based prognostics for DLE combustor lean blowout detection[C]. ASME Turbo Expo 2006: Power for Land, Sea and Air, 2006.

[33]Muruganandam T M, Seitzman J M. Optical sensing of lean blowout precursors in a premixed swirl stabilized dump combustor[C]. ASME Turbo Expo 2003, collocated with the 2003 International Joint Power Generation Conference, 2003.

[34]Muruganandam T M, Nair S, Scarborough D, et al. Active control of lean blowout for turbine engine combustors[J]. Journal of Propulsion & Power, 2005, 21(5): 807-814.

[35]Giorgi M G D, Sciolti A, Campilongo S, et al. Experimental data regarding the characterization of the flame behavior near lean blowout in a non-premixed liquid fuel burner[J]. Data in Brief, 2015, 6(C): 189.

[36]Datta S, Mukhopadhyay A, Sanyal D. Use of temporal irreversibility of symbolic time series for early detection of extinction in thermal pulse combustors[C]. ASME 2006 International Mechanical Engineering Congress and Exposition, 2006.

[37]Sarkar S, Ray A, Mukhopadhyay A, et al. Dynamic data-driven prediction of lean blowout in a swirl-stabilized combustor[J]. International Journal of Spray & Combustion Dynamics, 2015, 7(3): 209-242.

[38]Gotoda H, Nikimoto H, Miyano T, et al. Dynamic properties of combustion instability in a lean premixed gas-turbine combustor[J]. Chaos, 2011, 21(1): 013124.

[39]Gotoda H, Shinoda Y, Kobayashi M, et al. Detection and control of combustion instability based on the concept of dynamical system theory[J]. Physical Review E Statistical Nonlinear & Soft Matter Physics, 2014, 89(2): 672-699.

[40]Domen S, Gotoda H, Kuriyama T, et al. Detection and prevention of blowout in a lean premixed gas-turbine model combustor using the concept of dynamical system theory[J]. Proceedings of the Combustion Institute, 2015, 35(3): 3245-3253.

[41]Giorgi M G D, Sciolti A, Campilongo S, et al. Image processing for the characterization of flame stability in a non-premixed liquid fuel burner near lean blowout[J]. Aerospace Science & Technology, 2016, 49: 41-51.

[42]Bompelly R K, Seitzman J M. Robust lean blowout sensing for turbine engine combustors[C]. ASME 2011 Turbo Expo: Turbine Technical Conference and Exposition, 2011.

[43]Ballester J, Hernndez R, Sanz A, et al. Chemiluminescence monitoring in premixed flames of natural gas and its blends with hydrogen[J]. Proceedings of the Combustion Institute, 2009, 32(2): 2983-2991.

(編輯：李金勇)

信號預測LBO的原理、采集方式和特點，接著介紹信號處理方法并綜合評價其預測效果，最后提出展望。

1 信號類別及采集設備

經過近20年的發展，燃燒室的貧燃熄火檢測技術已取得較大的進步，目前已被證實可用于預測LBO 的火焰信號主要有3類：光學信號(自由基化學發光信號、可見光譜顏色信號和吸收光譜溫度)；聲學信號(壓力)；離子信號(離子電流)。不同信號的預測原理各不相同，信號采集設備也各有差異，將在下文具體介紹。

1.1 化學發光信號

火焰化學發光是在燃燒反應過程中，某些受激分子發生電子躍遷而產生光輻射的一種現象，其反應機理可由以下反應式[4]表示：

A+B→C+D*

(1)

D*→D+hν

(2)

實驗研究或者實際應用中，常常在燃燒室的壁面上開設位置及大小合適的光學窗口，通過光纖探頭收集火焰某個局部的化學發光信號，在探頭前加裝特定波長的濾光片即可以收集該波長對應的自由基團化學發光信號。信號采集區域的大小與光纖探頭的錐頂角及測量方向有關，不同的探測區域對實驗結果有較大影響，文獻[6]研究了旋流火焰根部(噴口附近)、中部(內回流區)和尾部(內回流區以上)采集的OH*化學發光信號的差異，指出尾部具有更高的信號強度，因此在實驗開始前需要選定合適的信號采集區域，常用的化學發光信號采集設備主要有光電二極管和光電倍增管(PMT)。另外，在實驗中也常同步使用高速CCD相機拍攝火焰圖像，記錄熄火過程中的火焰形態變化，從直觀上驗證收集到的光強-時間信號的準確性。

1.2 溫度信號

火焰鋒面是燃燒化學反應的主要區域，主要特征是在狹小空間內存在巨大的熱釋放速率和溫度梯度。隨著化學當量比的降低，靠近貧燃熄火邊界時，P. O. Hedman等[2]發現火焰結構在靠近和遠離旋流噴口2種模式間來回振蕩。Muruganandam等[7]在旋流預混火焰中觀測到短暫的局部熄火-再燃現象，由此可推測火焰靠近LBO時混合氣體的溫度可能會發生明顯波動。根據溫度波動的變化趨勢，選擇適當的數據處理方式，可獲取用于預測及控制LBO 的參數。

斯坦福大學的Li等[8-9]首先提出了一種基于可調諧二極管激光傳感器(TDL)測溫的LBO主動控制方法，其實驗裝置如圖1所示，證實了火焰溫度信號可用于預測及控制火焰發生貧燃熄火現象。文中采用的這種新型激光傳感器的具體介紹可以參考文獻[10],測溫原理可概括為：定向選擇1組H2O吸收線對(1397.75和1397.87nm)，采用波長調制光譜(WMS)和雙峰法(2f)測溫相結合的掃描波長技術，根據所選線對的WMS-2f峰高比推測出燃燒區氣體溫度。這種測溫方法具有抗干擾能力強，靈敏度高，能夠實時測量等優點[11]。此外，相比于壓力信號的全局測量和化學發光信號的局部測量，此方法測量的溫度信號是激光路徑上氣體的平均溫度，選擇合適的激光路徑，可以獲得變化范圍更廣的溫度信號，有利于提高控制系統的靈敏度。

圖1 基于TDL傳感器測溫的LBO實時監測控制實驗原理圖[8]

1.3 可見光譜顏色信號

(3)

式中：Ir(x,y)表示像素點(x,y)的紅光(λ=717.1nm)強度，Ib(x,y)表示像素點(x,y)的藍光(λ=431.2nm)強度。在不同預混長度，不同燃料和不同空氣流速下，該系數隨當量比降低而降低的變化趨勢均類似，因此，該方法具有應用范圍廣的特點。與其他信號相比，火焰的可見光譜顏色信號采集設備簡單廉價，可操作性強，數據處理量小，可用于實時監控；但由于需要開設較大的光學窗口以適應相機鏡頭的尺寸，在實際應用中可能受到限制。另外由于照片曝光時間的限制，信號采集頻率偏低，存在一定程度的滯后現象，不適用于當量比變化過快的火焰監測。

1.4 聲壓信號

燃燒是一個流動、傳熱和傳質相互耦合的復雜物理化學過程，伴隨著劇烈的熱釋放。煙氣因為受熱不均而產生壓力脈動，同時壓力的不均勻分布使得火焰鋒面發生偏移，局部化學當量比發生改變，引起熱釋放脈動，這種熱釋放脈動和壓力脈動相互耦合可形成自激發、燃燒驅動的熱聲振蕩。在靠近化學恰當比(Φ=1)時穩定燃燒的情況下，熱聲振蕩不明顯，而在貧燃時，熱聲振蕩變得劇烈，可能引發燃燒室結構的振動，導致熄火、污染物增加等不利后果。因此，采用聲學壓力傳感器監測燃燒場的壓力變化情況，有利于深入了解壓力脈動的特征并采取適當措施緩解熱聲振蕩引起的燃燒不穩定性，預防貧燃熄火的出現。J. M. Cohen等[14]在預混階梯燃燒室中采用實驗和數值模擬的方法研究燃燒不穩定特性，研究發現，隨著當量比的降低，縱向壓力擾動不斷增大直到引發低頻高幅的壓力振蕩，火焰劇烈擺動直至熄火。S. Nair等[15]在3種穩燃方式(值班火焰、旋流火焰和鈍體火焰)的燃燒器中，研究當量比降低時的聲壓信號特性，發現靠近LBO時都有明顯的低頻壓力振蕩出現，并提出一種基于聲壓信號的LBO預測及控制方法。類似的預測方法也可參考文獻[16-18]，這些文獻中檢測到的低頻振蕩主要出現在0～200Hz范圍。壓力傳感器結構簡單、測量方便，能夠很容易地實現與控制系統的連接，但仍面臨著高溫，噪聲干擾嚴重等問題，另外，因為屬于全局測量，聲壓信號的空間分辨率較低。

1.5 離子電信號

早在100多年前，研究人員就發現了火焰中因為化學電離效應而產生一定數量的帶電離子，諸如CHO+、H3O+等，關于火焰離子特性的詳細介紹可以參看綜述文獻[19]，化學電離的主要反應機理如下[4]：

CH+O→CHO++e-

(4)

CHO+很快會被H2O消耗掉，反應式為：

CHO++H2O→CO+H3O+

(5)

最終，火焰中的離子和電子的濃度由下述反應速率控制：

H3O++e-→H2O+H

(6)

和化學發光強度類似，火焰中的離子濃度也與燃燒化學反應速率有密切的關系，化學反應速率降低的時候離子濃度隨之減小。

基于化學電離效應設計的離子電流傳感器目前已用于燃燒診斷領域，并且發展迅速。J. D. Thornton等[20-21]開發了一款燃燒控制診斷傳感器(CCADS)，該傳感器利用火焰的離子電信號監測控制火焰，預防貧燃熄火現象的出現；D. L. Straub等[23]將此傳感器的直流電信號改為交流電信號后，獲得更好的信噪比，測量靈敏度也得到提升。北京航空航天大學的Li F.等[22]采用如圖2和3所示的離子電流傳感器監測脈沖燃燒室內的燃燒情況，預測LBO 的出現。這種離子電流傳感器由鎢電極、絕緣管和中空不銹鋼管組成，探頭直徑為2.5mm，探入火焰中間，通過頭部的2個鎢電極(伸出2mm，總長10mm)測量火焰中的離子濃度，可直接獲得電流信號。

圖2 離子電流測量原理[22]

圖3 離子電流傳感器[22]

1.6 預測LBO 的信號類型匯總

現將用于LBO預測的信號類別及信號采集設備匯總如表1所示。從表中可以看出，除顏色信號的采樣頻率受相機曝光時間的限制外，其他類型信號的采樣頻率均大于1kHz，能滿足實時采樣的需求，有利于控制系統的實時控制。在實際應用方面，化學發光信號和聲學壓力信號是最常用于燃燒診斷的2種信號，信號獲取方式也較為簡便，在實際的渦輪發動機燃燒室或者內燃機燃燒檢測中得到廣泛應用。如在文獻[25]中介紹，通過采集某款商用航空發動機旋流燃燒室的OH*化學發光信號和聲壓信號來預測LBO。其他類型信號則發展較晚，研究不夠充分，雖然在實驗室階段的研究中證明可用于LBO 的預測，但在實際發動機燃燒室的熄火檢測中尚未得到普及應用，因此，需要進行更深入的研究。從特點上看，離子信號的測量屬于侵入式測量，可能會對火焰結構產生影響，但由于離子探針的體積微小，容易在現有燃燒室系統中匹配安裝，因此同樣具有良好的應用前景；其他的信號類型則為非接觸式測量，不會對火焰形態結構產生干擾，但需要在燃燒室壁面上開設光學窗口或采樣通道，在實際應用中需注意對燃燒室結構強度的影響。

表1 信號類型匯總Table 1 Summary of signal types for LBO prediction

2 信號分析及處理方法

根據觀測到的火焰貧燃熄火特征，國內外學者提出了多種預測LBO 的方法，主要包括統計法、閾值-事件法、頻譜法、符號法和非線性動力學法，下文將逐一介紹各自的預測原理和特點。

2.1 統計法

不管是通過各種傳感器采集到的時間信號，還是通過相機拍照采集到的空間信號，最常見的信號分析和處理方法是統計法：統計各類原始信號的均值(μ)、方差(σ2)、均方根值(RMS)、峰值(Peak)等，得到這些統計值隨當量比降低的變化趨勢，選取若干個變化趨勢明顯的值作為控制參數，設置合適的閾值，監測并控制火焰的燃燒穩定性。

Yi等[27]采集了當量比降低時旋流火焰的OH*化學發光信號，根據統計值提出了2個量化低頻燃燒振蕩的系數，并用于預測貧燃熄火。一個是標準化均方根(NRMS)，定義為：

(7)

(8)

Θ=Nt/N

(9)

式中：Nt表示信號值低于0.2倍均值的信號個數。這2個系數隨當量比的變化趨勢如圖4和5所示，圖中FSR表示主燃料流量占總燃料流量的百分數,T0為空氣預熱溫度,Q表示空氣流量。可以發現在靠近LBO時都有很明顯的突增趨勢，因此文中通過在控制系統中設置閾值來控制燃料流量，預防LBO 的出現。

其他的統計量也有類似的變化趨勢，具體介紹可參考文獻[2,6,32]。采用此類方法預測LBO具有計算效率高，時間響應快，適用范圍廣等優點，同時也存在預測精度差，靈敏度偏低等不足之處。

圖4 不同工況下NRMS隨當量比的變化趨勢[27]

圖5 不同工況下Θ隨當量比的變化趨勢[27]

2.2 閾值-事件法

T. M. Muruganandam等[7]最早在2002年通過采集旋流預混火焰的化學發光信號和聲壓信號，研究靠近LBO時的火焰特征，發現了短暫的局部熄火-重燃現象，并將之定義為熄火前兆事件，通過在時域信號中設置閾值的方式統計事件發生頻率和持續時間，由于靠近LBO時事件的發生頻率和持續時間都有顯著增長，故可作為預測LBO 的參數，這類方法稱為“閾值-事件”法。最早采用的是單閾值[7, 33]判定事件發生與否(信號低于1/4均值時即認為事件發生)，檢測精度及穩定性較差，后來發展為雙閾值[21, 24-25]并采用低通濾波處理原始信號，事件檢測精度顯著提高，現以采集到的OH*化學發光信號為例簡要介紹如下。如圖6所示，在采集OH*信號的窗口中分別設置上閾值和下閾值，當信號強度低于下閾值時記為一個事件開始，當信號強度高于上閾值時記為事件的結束，中間的時間間隔記為事件持續時間。R. K. Bompelly等[26]綜合事件發生的強度、頻率和持續時間提出一個穩定系數(SI)，作為控制參數預測貧燃熄火的出現，即當該參數超過警戒值時控制系統做出反應動作，從而防止貧燃熄火現象的出現。SI的定義如下:

(10)

圖6 雙閾值判定事件原理圖[5]

該方法廣泛應用于不同信號源、不同燃料、不同工況和不同燃燒器中，證實對LBO具有良好的預測效果，文獻[5, 16, 24, 34]都基于此方法提出相應的控制系統，能夠在降低NOx的情況下防止LBO的出現。但文獻[13, 28]指出在預混不充分的情況下，靠近LBO時化學發光信號微弱，事件發生數量較少不易被檢測出來，因此在低預混火焰中的預測效果較差。

2.3 頻譜法

傅里葉變換作為一種常見的數字信號處理工具，在預測LBO的信號處理中也有廣泛應用，它能夠把難以處理的時域信號轉換成易于分析的頻域信號。根據頻域信號的特征，提取適當參數預測LBO 的方法統稱為頻譜法。文獻[7, 9, 11, 15, 22, 25, 27, 35]均有采用此方法進行信號處理，從功率譜中均發現靠近LBO時，低頻段(0～200Hz)的能量分數有明顯增長。其中，Li H.等人[9,11]將溫度時域信號經快速傅里葉變換(FFT)轉換為頻域信號，擬合出當量比降低時0～50Hz的能量分數變化曲線，如圖7所示，并將其作為控制參數，設置閾值來實現LBO的控制。Li F.等[22]在利用離子傳感器檢測脈沖燃燒室內離子信號的實驗中發現，隨著當量比減小，低頻(0～20Hz)能量分數增加，工作頻率能量分數減小，因此，綜合2種能量分數提出穩定-不穩定系數(SIR)作為預測LBO的參數，SIR的定義如下：

(11)

式中：EFl表示0～20Hz的能量分數，EFw表示脈沖燃燒室工作頻率的能量分數。

傳統的功率譜分析方法的最大缺陷是：對時間信號上的個別突發事件缺乏靈敏度，時間分辨率不足[31]。小波變換作為一種動態的傅里葉變換分析方法，能對時間(空間)頻率進行局部細化分析，在一定程度上彌補了功率譜分析的不足。S. Nair等人[15, 31]對聲壓信號采用小波變換處理，并提出一種自定義的小波，使得熄火前兆事件更容易被觀測到，檢測精度提高。關于小波變換分析信號的內容可參考文獻[17]。

圖7 TDL傳感器測溫的0～50Hz能量分數變化曲線[11]

2.4 符號法

文獻[28, 36-37]提出了一種基于符號時序分析的LBO預測方法，簡稱為符號法，現簡要介紹此方法的原理，具體內容和相關程序代碼可參考原文獻。如圖8所示，將時域信號分成有限個區域(圖中為4個區)，每個區用不同的符號表示(圖中分別為α、β、γ、δ)，因此時間信號轉變成符號字符串，構成概率有限狀態自動機(PSFA)，PSFA被稱為“D-馬爾可夫機”，表示當前狀態僅與前D個狀態有關(圖中D=1)。根據符號出現的類別對應不同的狀態(以0、1、2、3表示4種狀態)，再統計各種狀態出現的頻率得到概率向量Pk(圖中Pk=(0.6，0.2，0.15，0.05))，把穩定燃燒時的概率向量P0(圖中P0=(0.5，0.25，0.25，0.25))作為參考值，測量值和參考值的偏差(用M表示)作為異常檢測參數，M的定義如下:

(12)

在不同預混長度及不同空氣流速下的實驗中均發現以下規律：隨著當量比減少，M斜率較陡，當靠近LBO時，斜率突然變緩后穩定在某值附近。因此，文中將M斜率發生突變作為預測LBO的預警信號，配合適當的控制器即可實現對LBO的控制。由于符號法將時域信號分區處理，因此對低分辨率的信號有較強的適應性，同時對噪聲和偽信號也有很好的魯棒性，計算效率高。另外需要特別指出的一點是此方法通用性好，能夠較準確地預測不同預混程度火焰的貧燃熄火現象。S. Sarkar等[37]提出D>1時具有更好的LBO預測效果，但會犧牲一定的計算效率，因此在特定的燃燒器中采用符號法預測LBO時，應根據實際情況選擇合適的D值，以實現計算效率和預測精度間的平衡。

圖8 符號時序分析原理[28]

2.5 非線性動力學法

燃燒過程作為一種復雜的動力學過程，含有許多非線性特征，而非線性時序分析方法可以為捕捉這些特征提供有效途徑。目前，非線性時序分析已應用于實驗室不穩定燃燒的動力學特性研究中[38]。Y.Shinod等[29,39]首次將非線性動力學分析用于LBO 的預測，取得良好的預測效果，因此將此類方法稱為非線性動力學法。現簡要介紹此方法，如圖9所示，利用燃燒室壓力脈動p′的時間信號構成一個三維(或多維)相空間，相空間的每一個點表示為向量p(ti)，定義如下：

p(ti)=(p′(ti),p′(ti+τ),p′(ti+2τ))

(13)

式中：i=1,2,…,n(n為壓力傳感器采集的時間信號數量)；τ為時間間隔。當τ很小時，相空間的每一個向量都高度相關，當τ很大時，相空間的每一個向量的相關性將完全散失，τ的合適取值可參考文獻[38]。在相空間中任意選取1個向量p(ti),并找到它附近的K個點，每個點的切線方向用向量V(tk),

圖9 非線性時序分析原理[29]

k=1,2,…K表示，這些向量的平行度可用轉譯誤差Etrans表示，具體公式如下：

V(tk)=p(tk+T)-p(tk)

(14)

(15)

(16)

式中：T為微小時間間隔。

當燃燒處于穩定狀態時，壓力信號平穩，相空間規則有序，轉譯誤差接近于0；當Φ減小靠近熄火時，燃燒處于不穩定狀態，壓力信號發生不規則波動，相空間變得混亂，轉譯誤差將增大。因此，Etrans可作為預測LBO 的一個參數，文獻[39]在旋流燃燒器功率下降和過渡的實驗中驗證的Etrans具有預測及控制LBO的能力。和壓力信號的標準偏差相比，Etrans在靠近LBO時具有更大的變化范圍，可以顯著提高預測的靈敏度和準確度。另外，S. Domen等[40]也是基于非線性動力學法提出排列熵hp作為預測LBO的參數，具體的定義可參考原文。和Etrans相比，hp用于預測所需的參數數量更少，因此在有噪聲存在的情況下，預測具有更好的穩定性。

2.6 信號分析及處理方法匯總

現將前文提及的用于LBO預測的信號分析及處理方法匯總如表2所示。從表中可以看出，統計法和頻譜法由于通用性強和易操作的特點，成為了目前使用最廣泛的2種信號處理方法，在各類航空發動機的試驗檢測中屬于常規檢測手段，但它們的預測效果不是很好，精度較低，無法滿足精確控制系統的要求。符號法和非線性動力學法是比較新穎的2種LBO預測方法，從模擬實驗結果來看具有較好的預測效果，但存在信號來源單一，數據處理較復雜等不足之處。因此，往后的發展中需要拓寬其信號來源，并在實際應用中加以驗證。綜合來講，閾值-事件法具有較高的預測精度和較快的響應速度，在實際應用中也得到了證實，如文獻[5]中提到，將此預測方法應用到高背壓渦扇發動機模型的控制系統中，取得了良好的控制效果。如果能進一步優化“事件”統計算法，提升計算效率，將對燃燒室實時控制系統起到關鍵作用。

表2 信號處理方法匯總Table 2 Summary of signal processing methods for LBO prediction

3 結 論

及時準確地預測出火焰的貧燃熄火現象，對燃燒的穩定性控制具有至關重要的作用，經過近20年的快速發展，貧燃熄火檢測技術已取得了較大進步，但在地面燃氣輪機和航空發動機的實際應用中仍面臨諸多挑戰，存在較大的發展空間。一方面，信號采集設備應結合各類信號的特點，朝著小型化、智能化、通用化的方向發展；另一方面，可采取互補的策略，將幾種信號采集方式復合在同一個設備中，采用多信號檢測有利于提高檢測結果的精度和穩定性。在信號處理方面，傳統的統計或頻譜方法已經比較成熟，而符號法和非線性動力學法仍需進一步深入研究，未來有望應用于實際的燃燒診斷當中。此外，隨著“大數據”時代的到來，諸如“神經網絡”等智能算法有望應用于數據量龐大的LBO信號處理算法之中，例如文獻[43]提出利用人工神經網絡(ANN)來處理燃燒場的各類信號數據，建立了燃燒狀態和各類信號間的聯系。

最后，綜合信號采集設備和信號處理方法2部分，從實時性、穩定性和靈敏性3個角度出發，對貧燃熄火檢測技術的未來發展提出展望：

(1) 實時性。實時性是反映檢測手段時間響應性能的指標，尤其在燃燒室工況快速轉變的過程中，實時估測出貧燃熄火現象出現的概率，對控制系統起到了決定性作用。未來的研究中應重視提高LBO檢測手段的時間響應性能，從實驗室那種間斷、延時性測量向連續、實時性測量方向轉變。

(2) 穩定性。穩定性是指在不同的燃燒器、燃料、風速、溫度、壓力和預混度等工作條件下，LBO檢測方法均能正常發揮作用。目前的研究大部分都是在某些確定的工作條件下進行的，難以保證在實際應用中具備足夠的穩定性。以航空發動機為例，在起飛-巡航-降落的過程中，工作條件將發生劇烈變化，對檢測手段的穩定性要求明顯高于實驗室條件。因此在以后的研究中，同樣應重視檢測手段在工作條件變化時的穩定性能。

(3) 靈敏性。信號采集過程中噪聲信號的存在不可避免，盡可能準確地從噪聲信號中分離得到有用信息，即是檢測手段的靈敏性要求。在實驗室研究階段可以采取某些措施減輕噪聲信號的干擾，但得到的實驗結果可能與實際應用時存在較大差距。以化學發光信號和聲壓信號為例，在環形燃燒室LBO實際檢測中，這2種信號就非常容易受到相鄰火焰的干擾。因此，從傳感器和信號處理方法2方面提升LBO檢測手段的靈敏性也是未來的發展重點。

致謝:感謝國家自然科學基金(51706141)及“青年千人”項目的支持。

參考文獻:

[1]Chao Y C, Chang Y L, Wu C Y, et al. An experimental investigation of the blowout process of a jet flame[J]. Proceedings of the Combustion Institute, 2000, 28(1): 335-342.

[2]Hedman P O, Fletcher T H, Graham S G, et al. Observations of flame behavior in a laboratory-scale pre-mixed natural gas/air gas turbine combustor from PLIF measurements of OH[J]. American Society of Mechanical Engineers, 2002, (2): 301-311.

[3]Muruganandam T M, Seitzman J M. Characterization of extinction events near blowout in swirl dump combustors[R]. AIAA-2005-4331, 2015.

[4]Docquier N, Candel S. Combustion control and sensors: a review[J]. Progress in Energy & Combustion Science, 2002, 28(2): 107-150.

[5]Bompelly R K. Lean blowout and its robust sensing in swirl combustors[D]. Georgia Institute of Technology, 2013.

[6]Thiruchengode M. Sensing and dynamics of lean blowout in a swirl dump combustor[J]. Dissertation Abstracts International, 2006, 67(3): 1544.

[7]Muruganandam T, et al. Optical and acoustic sensing of lean blowout precursors[C]. AIAA/ASME/SAE/ASEE Joint Propulsion Conference & Exhibit, 2006.

[8]Hanson R K, Jeffries J B, Zhou X, et al. Smart sensors for advanced combustion systems[R]. GCEP Technical Report, 2006.

[9]Li H, Zhou X, Jeffries J B, et al. Active control of lean blowout in a swirl-stabilized combustor using a tunable diode laser[J]. Proceedings of the Combustion Institute, 2007, 31(2): 3215-3223.

[10]Zhou X, Jeffries J B, Hanson R K. Development of a fast temperature sensor for combustion gases using a single tunable diode laser[J]. Applied Physics B, 2005, 81(5): 711-722.

[11]Li H, Zhou X, Jeffries J B, et al. Sensing and control of combustion instabilities in swirl stabilized combustors using diode-Laser absorption[J]. AIAA Journal, 2007, 45(2): 390-398.

[12]Huang H W, Zhang Y. Flame colour characterization in the vi-sible and infrared spectrum using a digital camera and image processing[J]. Measurement Science & Technology, 2008, 19(19): 085406.

[13]Chaudhari R, Sahu R, Ghosh S, et al. Flame color as a lean blowout predictor[J]. International Journal of Spray & Combustion Dynamics, 2013, 5(1): 49-66.

[14]Cohen J M, Wake B E, Choi D. Investigation of instabilities in a lean, premixed step combustor[J]. Journal of Propulsion & Power, 2003, 19(1): 81-88.

[15]Nair S, Lieuwen T. Acoustic detection of blowout in premixed flames[J]. Journal of Propulsion & Power, 2012, 21(1): 32-39.

[16]Prakash S, Nair S, Muruganandam T M, et al. Acoustic based rapid blowout mitigation in a swirl stabilized combustor[C]. ASME Turbo Expo 2005: Power for Land, Sea and Air, 2005.

[17]Nair S, Lieuwen T. Acoustic detection of imminent blowout in pilot and swirl stabilized combustors[C]//Proceedings of ASME/IGTI Turbo Expo Atlanta, Georgia, 2003.

[18]Thiruchengode M M, Nair S, Lieuwen T, et al. Real-time control of the lean blow out limit in premixed combustors[C]//Proceedings of the Third Joint Meeting of the US, 2003.

[19]Fialkov A B. Investigations on ions in flames[J]. Progress in Energy & Combustion Science, 1997, 23(5-6): 399-528.

[20]Thornton J D, Straub D L, Chorpening B T, et al. A combustion control and diagnostics sensor for gas turbines[C]. ASME Turbo 2004: Power for Land, Sea and Air, 2004.

[21]Chorpening B T, Straub D L, Huckaby E D, et al. Detection of lean blowout and combustion dynamics using flame ionization[C]. ASME Turbo Expo 2005: Power for Land, Sea and Air, 2005.

[22]Li F, Xu L, Du M, et al. Ion current sensing-based lean blowout detection for a pulse combustor[J]. Combustion & Flame, 2017, 176: 263-271.

[23]Straub D L, Chorpening B T, Huckaby E D, et al. Time-varying flame ionization sensing applied to natural gas and propane blends in a pressurized lean premixed (LPM) combustor[C]. American Society of Mechanical Engineers, 2008.

[24]Thiruchengode M, Nair S, Neumeier Y, et al. An active control system for LBO margin reduction in turbine engines[J]. British Phycological Journal, 2003, 27(2): 107-118.

[25]Nair S, Muruganandam T M, Olsen R, et al. Lean blowout detection in a single nozzle swirl cup combustor[R]. AIAA-2004-138, 2004.

[26]Bompelly R, Lieuwen T, Seitzman J. Lean blowout and its sensing in the presence of combustion dynamics in a premixed swirl combustor[C]. AIAA Aerospace Sciences Meeting Including the New Horizons Forum and Aerospace Exposition, 2013.

[27]Yi T, Gutmark E J. Real-time prediction of incipient lean blowout in gas turbine combustors[J]. AIAA Journal, 2015, 45(7): 1734-1739.

[28]Mukhopadhyay A, Chaudhari R R, Paul T, et al. Lean blow-out prediction in gas turbine combustors using symbolic time series analysis[J]. Journal of Propulsion & Power, 2013, 29(4): 950-960.

[29]Shinoda Y, Kobayashi M, Gotoda H, et al. Detection of lean blowout in a premixed gas-turbine model combustor based on nonlinear dynamics[J]. Advanced Computational Methods & Experiments in Heat Transfer XII, 2012, 75(6): 323-331.

[30]Rieker G B, Jeffries J B, Hanson R K, et al. Diode laser-based detection of combustor instabilities with application to a scramjet engine[J]. Proceedings of the Combustion Institute, 2009, 32(1): 831-838.

[31]Nair S, Rajaram R, Meyers A J, et al. Acoustic and ion sensing of lean blowout in an aircraft combustor simulator[R]. AIAA-2005-932, 2005.

[32]Taware A, Shah M, Wu P, et al. Acoustics based prognostics for DLE combustor lean blowout detection[C]. ASME Turbo Expo 2006: Power for Land, Sea and Air, 2006.

[33]Muruganandam T M, Seitzman J M. Optical sensing of lean blowout precursors in a premixed swirl stabilized dump combustor[C]. ASME Turbo Expo 2003, collocated with the 2003 International Joint Power Generation Conference, 2003.

[34]Muruganandam T M, Nair S, Scarborough D, et al. Active control of lean blowout for turbine engine combustors[J]. Journal of Propulsion & Power, 2005, 21(5): 807-814.

[35]Giorgi M G D, Sciolti A, Campilongo S, et al. Experimental data regarding the characterization of the flame behavior near lean blowout in a non-premixed liquid fuel burner[J]. Data in Brief, 2015, 6(C): 189.

[36]Datta S, Mukhopadhyay A, Sanyal D. Use of temporal irreversibility of symbolic time series for early detection of extinction in thermal pulse combustors[C]. ASME 2006 International Mechanical Engineering Congress and Exposition, 2006.

[37]Sarkar S, Ray A, Mukhopadhyay A, et al. Dynamic data-driven prediction of lean blowout in a swirl-stabilized combustor[J]. International Journal of Spray & Combustion Dynamics, 2015, 7(3): 209-242.

[38]Gotoda H, Nikimoto H, Miyano T, et al. Dynamic properties of combustion instability in a lean premixed gas-turbine combustor[J]. Chaos, 2011, 21(1): 013124.

[39]Gotoda H, Shinoda Y, Kobayashi M, et al. Detection and control of combustion instability based on the concept of dynamical system theory[J]. Physical Review E Statistical Nonlinear & Soft Matter Physics, 2014, 89(2): 672-699.

[40]Domen S, Gotoda H, Kuriyama T, et al. Detection and prevention of blowout in a lean premixed gas-turbine model combustor using the concept of dynamical system theory[J]. Proceedings of the Combustion Institute, 2015, 35(3): 3245-3253.

[41]Giorgi M G D, Sciolti A, Campilongo S, et al. Image processing for the characterization of flame stability in a non-premixed liquid fuel burner near lean blowout[J]. Aerospace Science & Technology, 2016, 49: 41-51.

[42]Bompelly R K, Seitzman J M. Robust lean blowout sensing for turbine engine combustors[C]. ASME 2011 Turbo Expo: Turbine Technical Conference and Exposition, 2011.

[43]Ballester J, Hernndez R, Sanz A, et al. Chemiluminescence monitoring in premixed flames of natural gas and its blends with hydrogen[J]. Proceedings of the Combustion Institute, 2009, 32(2): 2983-2991.