光谱消光法广泛应用于颗粒粒径测量领域, 在利用光谱消光法对颗粒粒径进行反演的过程中, 由于颗粒的消光系数存在理论复杂、 计算繁琐、 收敛速度慢以及求解不稳定等问题, 很大程度上影响了整个反演过程的快速性和准确性。 且在众多波长的消光数据中, 存在较多重复冗余的信息, 也很大程度上增加了反演算法的时间。 针对光谱消光法粒径反演算法计算繁琐、 反演效率低的问题, 提出了基于主成分分析(PCA)和BP神经网络的光谱消光颗粒粒径分析方法。 基于Mie散射理论对不同粒径、 不同波长下的光谱消光值进行了仿真计算, 通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算, 实现了最优特征波长的选取, 利用降维后的光谱消光数据训练了PCA-BP神经网络模型, 并利用该网络模型计算了粒径颗粒分布。 通过仿真计算, 比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度, 并分析了波长数目对两种神经网络模型预测结果的影响。 针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验, 搭建了光谱消光法颗粒粒径参数测量实验系统, 测量了粒径范围在0.5~9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。 仿真和实验结果表明: 基于主成分分析方法可确定各个波长向量之间的相关性, 利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性, 可实现光谱数据的降维。 相比传统的BP神经网络模型, 基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高, 对于较分散颗粒系的分布参数的预测有更加明显的优势。 而且, 被选取的波长数较少时, PCA-BP神经网络模型依然有较高的预测精度。 利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证, 预测结果可瞬时输出, 颗粒粒径分布误差在5%以内, 验证了该算法的可行性。

固体火箭发动机羽流具有高温、 高速与强辐射特征, 羽流温度是发动机工作状态与性能的重要表征参数。 准确测量固体火箭发动机羽流温度对了解发动机内部燃烧情况以及发动机综合性能具有重要的参考价值。 随着激光与光谱学的发展, 激光光谱技术逐步应用于固体推进剂燃烧及发动机羽流温度测量。 辐射光谱测温法通过测量火焰辐射光谱来实现温度的非接触在线测量, 具有测温范围宽、 响应快及可靠性高等优点, 可应用于固体火箭发动机羽流温度测量。 在此提出了基于火焰辐射光谱的固体火箭发动机羽流温度测量方法, 采用350~1 000 nm波段光纤光谱仪搭建了发动机羽流火焰辐射光谱测量系统, 利用标准辐射黑体炉开展光谱仪响应系数标定, 获得响应系数随波长的变化曲线, 并以此用作羽流辐射光谱数据修正。 之后将该测量系统应用于标准?118固体火箭发动机地面试验, 开展典型12%铝质量含量推进剂发动机羽流辐射光谱实验测量, 选取不同时刻羽流辐射光谱分析了发动机羽流辐射光谱特征, 并利用双色法灰性判断原理对羽流火焰灰体特性进行讨论, 验证在675~745 nm波段发动机羽流火焰辐射可近似认为灰体, 该波段辐射率随波长变化最大相对偏差为4.01%, 相对均方差为1.53%。 因此, 基于普朗克辐射定律开展辐射光谱拟合参数获得不同时刻羽流温度与辐射率参数, 并讨论测量结果与发动机工作状态的关系。 最后, 开展12%, 15%与19%铝质量含量的不同推进剂配方固体火箭发动机羽流辐射光谱测量, 将辐射光谱法温度测量值与理论热力计算值进行比较, 两者最大偏差值为5.40%, 讨论了不同铝含量推进剂发动机羽流辐射光谱特征, 并结合温度与辐射率测量结果, 分析了固体推进剂铝含量对辐射光谱、 羽流温度及辐射率的影响。 通过固体火箭发动机羽流辐射光谱测温方法研究, 为固体火箭发动机性能评估及推进剂配方优化等研究提供了有效的羽流参数测量手段。 分析获得的推进剂铝含量对发动机羽流辐射光谱、 温度及辐射率参数的影响, 为降低固体发动机羽流特征信号提供了重要的实验数据支撑。