多光谱测温依据黑体辐射定律, 通过辐射光强、 多组波长即能推测出温度值, 克服了比色测温要求光谱单一和比色光谱相近的约束, 在工程实际中得到了广泛的应用。 在多光谱温度反演的过程中, 光谱发射率的求解及多光谱数据处理是精确测温的关键。 目前, 光谱发射率的求解大多以光谱发射率假设模型为主要的方法, 当假设模型与实际情况接近时, 反演的温度与光谱发射率精度很高, 当二者不相符时, 反演的结果与实际情况相差甚大, 对于复杂材料和燃烧过程中材料性能动态变化情况下的测温, 以光谱发射率假设模型的方法存在盲目性; 近年来, 基于神经网络的深度学习的方法应用于多光谱测温, 避免了光谱发射率假设模型, 可建立温度与多光谱的非线性统计规律关系, 但需要海量数据与超强算力支撑, 且建模过程复杂。 针对上述问题, 提出了一种基于多元极值优化的多光谱温度测量方法(MEVO), 该方法利用不同温度下多光谱信号之间的关联性, 通过分析在多光谱温度反演过程中各通道测量温度之间的联系, 基于多光谱辐射测温原理以及温度反演过程中各通道数据之间的信息关联, 建立多元温差关联函数, 通过关联函数的寻优, 建立高精度测温模型。 该方法将建模过程简化为多元温差函数的寻优问题, 避免了光谱发射率与其他物理量的关系假设, 降低了深度学习方法对数据样本量的要求, 简化了多光谱温度测量的过程。 为了验证该方法的可行性与可靠性, 利用一套简单的8通道多谱测温装置进行实验验证, 实验中认定黑体炉发射的温度是标准值, 在1 923.15～2 273.15 K温区内对468～603 nm波段的光谱数据进行标定, 实现了基于多元极值优化的多光谱温度测量, 其测温精度在0.5%左右, 温度反演时间在2.5 s以内。 与二次测量法(SMM)、 神经网络方法相比反演精度有所提高; 反演速度与SMM法相比有大幅度提升。

针对现有的棱镜-光栅的组合设计存在结构复杂、调试困难的问题,建立了三棱镜-光栅组合色散的数学模型,提出了仅需改变三棱镜、光栅的空间相对位置来提高光谱色散线性度的双目标优化方法,获得了线性度良好的棱镜-光栅组合结构参数。采用光学标准件对模型的正确性进行仿真和实验验证。仿真结果表明:在400~1000 nm波段,系统具有长为15 cm、光谱线性度良好、结构简单的特点。实验结果表明,在420~780 nm波段,整体分辨率优于2 nm,进一步证明了该方法的有效性。本研究为棱镜-光栅组合设计提供了一种灵活、简单的结构设计方法。